Por favor, use este identificador para citar o enlazar este ítem:
https://hdl.handle.net/20.500.12394/14040
Título: | Diseño de arquitectura de red neuronal convolucional para el diagnóstico del COVID19 mediante imágenes de rayos X |
Autor(es): | Galvez Siuce, Jose Rafael |
Asesor: | Quispe Anccasi, Carlos |
Palabras clave: | Infecciones por Coronavirus Diagnóstico por imágenes Rayos X Neuroanatomía |
Editorial: | Universidad Continental |
Fecha de publicación: | 2023 |
Fecha disponible: | 1-mar-2024 |
Cita bibliográfica: | Galvez, J. (2023). Diseño de arquitectura de red neuronal convolucional para el diagnóstico del COVID19 mediante imágenes de rayos X. Tesis para optar el título profesional de Ingeniero electrónico, Escuela Académico Profesional de Ingeniería Electrónica, Universidad Continental, Huancayo, Perú. |
Resumen/Abstract: | El COVID-19 fue una de las pandemias más mortales y la enfermedad que más rápido se propagó, debido a su alta transmisibilidad. La posibilidad de un diagnóstico erróneo causó varias consecuencias negativas al paciente infectado por COVID-19. Para abordar este problema, la tesis tiene como objetivo diseñar una arquitectura de red neuronal convolucional para el diagnóstico de COVID-19 mediante imágenes de rayos x. El método de desarrollo para la arquitectura es SEMMA; esto ayuda controlar mejor las etapas que se desarrollan. Asimismo, se realizó las pruebas con 753 imágenes rayos x para evaluar el rendimiento de la arquitectura entrenado usando varios parámetros de evaluación. Los resultados muestran que la arquitectura logra la mejor precisión de 90 %, exactitud del 91 % y sensibilidad del 93 %. En general, el modelo realiza un buen desempeño para detectar COVID-19. |
Extensión: | 95 páginas |
Acceso: | Acceso abierto |
Fuente: | Universidad Continental Repositorio Institucional - Continental |
Aparece en las colecciones: | Tesis |
Ficheros en este ítem:
Fichero | Descripción | Tamaño | Formato | |
---|---|---|---|---|
IV_FIN_113_TE_Galvez_Siuce_2023.pdf | Galvez Siuce, Jose Rafael | 2.7 MB | Adobe PDF | Visualizar/Abrir |
IV_FIN_113_Autorización_2023.pdf Restricted Access | Autorización | 85.66 kB | Adobe PDF | Visualizar/Abrir Request a copy |
Informe_Turnitin.pdf Restricted Access | Informe de Turnitin | 18.17 MB | Adobe PDF | Visualizar/Abrir Request a copy |
Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons