Efecto de la aplicación de pre-procesamiento de imágenes en el rendimiento de redes neuronales convolucionales para la clasificación de pacientes con COVID-19 y neumonía a partir de imágenes de radiografías de tórax
Loading...
Date
2022
Authors
Barrios Roqueme, Luis Ramón
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
En este trabajo se realiza un estudio del efecto de aplicar pre-procesamiento de imáagenes de rayos-X en tórax en el rendimiento de redes neuronales convolucionales, para diagnosticar pacientes con COVID-19, neumonía y sin ninguna de estas dos enfermedades (normal). Los pre-procesamientos de las im´agenes que se han escogido son la ecualizaci´on de histograma (Global y Adaptativo limitado por contraste, CLAHE) y el pseudocoloreado (HSV y JET). Las arquitecturas de redes neuronales escogidas son VGG16, ResNet50, MobileNet y Xception. Utilizando el valor promedio del Accuracy, la arquitectura que presenta mejor rendimiento es MobileNet (90,52 %), seguida de ResNet50 (78,04 %), VGG16 (69,41 %) y Xception (60,94 %). Sin embargo, cuando se realiza pre-procesamento la arquitectura que mejor rendimiento presenta es ResNet50 (99,96 %), seguida de MobileNet (99,79 %), VGG16 (95,79 %) y Xception (88,31 %). Con todas las arquitecturas el rendimiento es mejor cuando se realiza CLAHE.
In this work, a study is carried out on the effect of applying pre-processing of chest X-ray images on the performance of convolutional neural networks, for patients with COVID-19, pneumonia and without either of these two diseases (normal). The preprocessing of the images that have been chosen are histogram equalization (Global and Contrast Limited Adaptive, CLAHE) and pseudocoloring (HSV and JET). The chosen neural network architectures are VGG16, ResNet50, MobileNet and Xception. Using the average value of the accuracy, the architecture that presents the best performance is MobileNet (90,52 %), followed by ResNet50 (78,04 %), VGG16 (69,41 %) and Xception (60, 94 %). However, when pre-processing is done, the bestperforming architecture is ResNet50 (99,96 %), followed by MobileNet (99,79 %), VGG16 (95,79 %) and Xception ( 88,31 %). With all architectures performance is better when CLAHE is performed.
In this work, a study is carried out on the effect of applying pre-processing of chest X-ray images on the performance of convolutional neural networks, for patients with COVID-19, pneumonia and without either of these two diseases (normal). The preprocessing of the images that have been chosen are histogram equalization (Global and Contrast Limited Adaptive, CLAHE) and pseudocoloring (HSV and JET). The chosen neural network architectures are VGG16, ResNet50, MobileNet and Xception. Using the average value of the accuracy, the architecture that presents the best performance is MobileNet (90,52 %), followed by ResNet50 (78,04 %), VGG16 (69,41 %) and Xception (60, 94 %). However, when pre-processing is done, the bestperforming architecture is ResNet50 (99,96 %), followed by MobileNet (99,79 %), VGG16 (95,79 %) and Xception ( 88,31 %). With all architectures performance is better when CLAHE is performed.
Description
Keywords
Citation
Barrios Roqueme, L. (2022). Análisis Multidimensional de Indicadores ODS de Educación e Innovación en el Mundo. Tesis de maestría. Universidad Tecnológica de Bolívar