Please use this identifier to cite or link to this item: http://repositorio.ugto.mx/handle/20.500.12059/12488
Full metadata record
DC FieldValueLanguage
dc.rights.licensehttp://creativecommons.org/licenses/by-nc-nd/4.0es_MX
dc.creatorCARLOS EDUARDO BELMAN LOPEZes_MX
dc.date.accessioned2024-08-12T19:22:13Z-
dc.date.available2024-08-12T19:22:13Z-
dc.date.issued2024-07-24-
dc.identifier.issn2007-9621es_MX
dc.identifier.urihttp://repositorio.ugto.mx/handle/20.500.12059/12488es_MX
dc.description.abstractEste documento presenta el diseño de una aplicación para detectar covid-19 utilizando redes neuronales convolucionales e imágenes de rayos X en dos escenarios (covid/No-covid y covid/Normal/Neumonía). Para evitar el sobreajuste, se utilizó aumento de datos, dropout, normalización por lotes y optimizador Adam. La red para tres clases se utilizó como modelo pre-entrenado ajustando solo la capa densa y de salida para obtener el modelo binario. Además, se realizó una optimización automatizada de hiper-parámetros como dropout, funciones de activación y número de neuronas. La tasa de aprendizaje se ajustó mediante callbacks para evadir óptimos locales. Las redes fueron convertidas al formato TensorFlow.js para integrarse en una aplicación híbrida utilizando Ionic y Capacitor, y se desplegaron mediante Firebase para brindar asistencia y soporte al generar diagnósticos. La aplicación obtuvo una exactitud del 98.61% y 96.48% para dos y tres clases, respectivamente, logrando mayor rendimiento que otras propuestas y utilizando menos parámetros de entrenamiento.es_MX
dc.language.isoengen
dc.relationhttps://doi.org/10.15174/au.2024.3919es_MX
dc.rightsinfo:eu-repo/semantics/openAccesses_MX
dc.sourceActa Universitaria: Multidisciplinary Scientific Journal. Vol. 34 (2024)es_MX
dc.titleDesign of an application to detect covid-19 using convolutional neural networks and X-ray imagesen
dc.title.alternativeDiseño de una aplicación para detectar covid-19 mediante redes neuronales convolucionales e imágenes de rayos Xes_MX
dc.typeinfo:eu-repo/semantics/articlees_MX
dc.creator.idinfo:eu-repo/dai/mx/cvu/773443es_MX
dc.subject.ctiinfo:eu-repo/classification/cti/3es_MX
dc.subject.ctiinfo:eu-repo/classification/cti/32es_MX
dc.subject.ctiinfo:eu-repo/classification/cti/3201es_MX
dc.subject.keywordsCovid-19en
dc.subject.keywordsConvolutional neural networksen
dc.subject.keywordsX-rayen
dc.subject.keywordsAdaptive Moment Estimation (Adam)en
dc.subject.keywordsComputer applicationen
dc.subject.keywordsRedes neuronales convolucionaleses_MX
dc.subject.keywordsRayos Xes_MX
dc.subject.keywordsEstimación Adaptativa de Momentos (Adam)es_MX
dc.subject.keywordsAplicación informáticaes_MX
dc.type.versioninfo:eu-repo/semantics/publishedVersiones_MX
dc.publisher.universityUniversidad de Guanajuatoes_MX
dc.description.abstractEnglishThis research presents the design of an application to detect covid-19 using convolutional neural networks and X-ray images in two scenarios (covid/Non-covid and covid/Normal/Pneumonia). To avoid overfitting online data augmentation, dropout, batch normalization, and Adam optimizer was used. The three-class network was used as a pre-trained model, tuning only the dense and output layers to obtain the binary model. Additionally, hyper-parameter optimization was used to get dropout probabilities, activation functions, and neurons. The learning rate was adjusted using callbacks to avoid local optimums. Networks were converted to TensorFlow.js format and embedded locally in a hybrid application using Ionic and Capacitor and were deployed through Firebase to help provide diagnostics. The application obtained an accuracy of 98.61% and 96.48% for two and three classes, respectively, achieving higher performance when compared to other proposals (offline models) in the literature and using fewer training parameters.en
Appears in Collections:Revista Acta Universitaria



Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.