Determinación de la mejor Arquitectura de Redes Neuronales Convolucionales: VGG16, ResNet50 ó MobileNet para detección de la Neumonía 2023
The Determination of the Best Convolutional Neural Network Architecture: VGG16, ResNet50, or MobileNet for Pneumonia Detection in 2023
Palabras clave:
Arquitecturas de Redes Neuronales Convolucionales, MobileNet, ResNet50, VGG16Resumen
Las Redes Neuronales Convolucionales (CNN) se utilizan para el reconocimiento de imágenes de radiografías y otras aplicaciones. Actualmente, existen trabajos que comparan la eficacia de las arquitecturas CNN, como VGG16, ResNet50 y MobileNet con parámetros de entradas diferentes en sus entrenamientos, creando incertidumbre entre los desarrolladores de aplicaciones de clasificación de imágenes, nosotros sí aplicamos entradas iguales para el entrenamiento de las CNN en estudio. Para abordar esta falta de información, se utilizó una base de datos de Kaggle que consta de 5856 imágenes. De esa base de datos, se seleccionó una muestra sistemática de 746 imágenes de radiografías de pulmones sanos y con Neumonía. Para asegurar la normalización de las imágenes, se utilizaron las herramientas iloveimg y ReNamer. Además, se utilizó Python con Google Colab y diversas librerías, como tensorflow, matplotlib, numpy, os, cv2 y random, para ejecutar las diferentes arquitecturas. El diseño metodológico se basó en un enfoque cuantitativo, empleando tablas de comparación y las imágenes adquiridas de la base de datos de Kaggle. Los resultados obtenidos indicaron que el porcentaje de exactitud (Accuracy) fue de 80.83% para VGG16, 91.82% para ResNet50 y 78.28% para MobileNet, concluyéndose que ResNet50 es la arquitectura más precisa en este contexto.
Descargas
Referencias
L. F. Maldonado y E. O. Moreano, «Diseño y aplicación de redes neuronales convolucionales para el diagnóstico de enfermedades pulmonares, a partir de radiografías de tórax frontal,» 2021.
V. L. Godoy, «Algoritmo de diagnóstico preliminar de neumonía a partir de imágenes radiográficas del tórax,» Lima, 2020.
J. C. Caya, «Evaluación de Modelos de Redes Neuronales Convolucionales aplicado a Radiografías de Tórax, para apoyar al Proceso de Diagnóstico de Neumonía asociada al COVID-19,» Lima, 2020.
V. M. Cabrejos, «Las Redes Neuronales Convolucionales y la mejora en el diagnóstico de Neumonía – área de Radiología,» Lima, 2022.
J. V. Moura Sousa, W. Rosa de Almedia, A. Andrade Saraiva, D. B. Sousa Santos, P. M. Cunha Pimentel, Lopex de s y L. Lopez de Sousa, «Clasificación de imágenes de Neumonía en dispositivos móviles con Red Neuronal Cuantizada,» Brasil, 2020.
P. R y G. A, «Introducción a la inteligencia artificial: sistemas expertos, redes neuronales artificiales y computación evolutiva,» 2001.
G. Dalvinder Singh , «A Critical Conceptual Analysis of Definitions of Artificial Intelligence as Applicable to Computer Engineering,» IOSR Journal of Computer Engineering (IOSR-JCE), vol. 16, nº 2, pp. 9-13, 2014. https://doi.org/10.9790/0661-16210913
A. D. Recuenco Cabrera y W. A. Reyes Alva, «Inteligencia artificial: Camino a un nuevo esquema del mundo,» Trijillo, 2020.
M. A. Boden , «Inteligencia artificial,» España, 2017.
A. Gerón, Hands-on Machine Learning with Scikit-Learn, Keras, and TensorFlow, vol. Segunda , O'reilly, 2019.
I. Goodfellow, Y. Bengio y A. Courville, «Deep Learning».
B. Martin del Brio y C. Serrano Cinca, «Fundamentos de las redes neuronales artificiales: hardware y software,» Zaragoza, 1995. https://doi.org/10.54886/scire.v1i1.1036
L. J. Sandoval, «Algoritmos de aprendizaje automático para análisis y predicción de datos,» 2018.
Neuro, «VGG16 – Convolutional Network for Classification and Detection,» 28 Agosto 2022. [En línea]. Available: https://neurohive.io/en/popular-networks/vgg16/.
A. Gómez, S. Tabik, J. Luengo y F. Herrera, «Redes Neuronales Convolucionales para Una Clasificacion Precisa de Imágenes de Corales. In XVIII Conferencia de la Asociación Española para la Inteligencia Artificial,» 2019.
Abhijeet Pujara, «Image Classification With MobileNet,» medium, 10 12 2022. [En línea]. Available: https://builtin.com/machine-learning/mobilenet.
Á. M. Botero y J. A. Chacon, El proceso diagnóstico, una aproximacion al raciocinio clínico, Caldas: Editorial Universidad de Caldas, 2007.
OMS-Neumonia, «OMS-Neumonia,» 11 Noviembre 2021. [En línea]. Available: https://www.who.int/es/news-room/fact-sheets/detail/pneumonia.
C. J. Álvarez, Neumonías: concepto, clasificación y diagnóstico dife-rencial.
NIH, «National heart, lung, and blood institute,» 04 Agosto 2022. [En línea]. Available: https://www.nhlbi.nih.gov/.
F. Saldías y J. Pavié, «Evaluación de la gravedad en la neumonía del adulto adquirida en la comunidad,» Revista chilena de enfermedades respiratorias, Santiago, 2005. https://doi.org/10.4067/S0716-10182005000400006
N. Urbano Pintos, H. A. Lacomi y M. B. Lovarato, «B-VGG16: Red Neuronal de Convolución cuantizada binariamente para la clasificación de imágenes,» elektron ambar, Argentina, 2022. https://doi.org/10.37537/rev.elektron.6.2.169.2022
K. Simonyan y A. Zisserman, «Very deep convolutional networks for large-scale image recognition,» 2015.
É. Moreno Puig, «Reconocimiento de enfermedades a largo plazo,» 2022.
K. He, X. Zhang, S. Ren y J. Sun, «Deep Residual Learning for Image Recognition,» arXiv, 10 Diciembre 2015. https://doi.org/10.1109/CVPR.2016.90
A. G. Howard, Z. Menglong , C. Bo , K. Dmitry , W. Weijun , W. Tobias , A. Marco y A. Hartwig , «MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications,» 2017.
Abhijeet Pujara, «medium,» 10 12 2022. [En línea]. Available: https://medium.com/analytics-vidhya/image-classification-with-mobilenet-cc6fbb2cd470.
P. Sirawan y O. Surinta, «Food Image Classification with Improved MobileNet Architecture and Data Augmentation,» 2020.
E. A. Huerta Mora, V. Gonzales Huitrón, H. Rodriguez Range y L. E. Amabilis Sosa, «Detección de enfermedades foliares con arquitecturas de redes neuronales convolucionales,» RINDERESU, Mexico, 2020.
W. A. Lozada Portilla, M. J. Suarez Barón y E. Avendaño Fernandez, «Aplicación de redes neuronales convolucionales para la detección del tizón tardío Phytophthora infestans en papa Solanum tuberosum,» 2021.
J. C. Valero Gómez, A. P. Zuñiga Incalla y J. C. Clares Perca, «Detección de la tuberculosis con algoritmos de Deep Learning en imágenes de radiografías del tórax,» VIVE, Moquegua, 2021. https://doi.org/10.33996/revistavive.v4i12.119
Kaggle, «Kaggle,» 2023. [En línea]. Available: https://www.kaggle.com/datasets/paultimothymooney/chest-xray-pneumonia. [Último acceso: 22 Agosto 2022].
R. Hernández, C. Fernández y M. d. P. Baptista, Metodología de la investigación, 6ta Edición ed., 2000.
Iloveimg, «Iloveimg,» [En línea]. Available: https://www.iloveimg.com/es/redimensionar-imagen#resize-options,pixels. [Último acceso: 07 Julio 2023].
softonic, «softonic,» 23 Mayo 2023. [En línea]. Available: https://renamer-free.softonic.com/. [Último acceso: 07 Julio 2023].
A. Rácz, D. Bajusz y K. Héberger, «Effect of Dataset Size and Train/Test Split Ratios in QSAR/QSPR Multiclass Classification,» 2021. https://doi.org/10.3390/molecules26041111
D. P. Kingma y B. Jimmy , «Adam: A method for stochastic optimization,» arXiv, 22 Diciembre 2014.
A. Quispe A, K. M. Calla V, J. S. Yangali V, J. L. Rodríguez L y I. I. Pumacayo P, «Estadística no paramétrica aplicada a la investigación científica con software SPSS, MINITAB Y EXCEL,» EIDEC, Colombia, 2019.
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2023 C&T Riqchary Revista de investigación en ciencia y tecnología
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
