Diagnóstico Asistido por Computadora de Neumonía Infantil Utilizando Redes Neuronales y Máquinas de Soporte Vectorial
DOI:
https://doi.org/10.65011/prismaods.v4.i2.101Palabras clave:
clasificador, neumonía, redes neuronales, SVM, diagnostico asistidoResumen
El presente trabajo de investigación se enfoca en el desarrollo de clasificadores para el diagnóstico de neumonía infantil a través de imágenes de rayos X. La base de datos utilizada contiene imágenes de rayos X de tórax (anteroposterior) de cohortes retrospectivas de pacientes pediátricos. Por medio de un programa en Matlab, se extraen 10 características clave de cada imagen para determinar si el paciente presenta neumonía o si el diagnóstico es normal. Se implementan y comparan dos clasificadores: Red Neuronal Multicapa (MLP) y Maquinas de Vectores de Soporte (SVM). Los modelos lograron eficiencias del 95.03 % y 95.80 % respectivamente, demostrando su alta efectividad para esta aplicación.
Descargas
Referencias
Beletew, B., Bimerew, M., Mengesha, A., Wudu, M., & Azmeraw, M. (2020). Prevalence of pneumonia and its associated factors among under-five children in East Africa: a systematic review and meta-analysis. BMC pediatrics, 20(1), 254.
Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Springer.
Çallı, E., Sogancioglu, E., Van Ginneken, B., van Leeuwen, K. G., & Murphy, K. (2021). Deep learning for chest X-ray analysis: A survey. Medical image analysis, 72, 102125.
Chen, H., Ni, D., Qin, J., et al. (2017). Computer-aided diagnosis with deep learning architecture: applications to breast lesions in US images and pulmonary nodules in CT scans. Scientific Reports, 6, 24454.
Cortes, C., & Vapnik, V. (1995). Support-vector networks. Machine Learning, 20, 273-297.
Esteva, A., Kuprel, B., Novoa, R. A., et al. (2017). Dermatologist-level classification of skin cancer with deep neural networks. Nature, 542, 115-118.
Esteva, A., Robicquet, A., Ramsundar, B., et al. (2019). A guide to deep learning in healthcare. Nature Medicine, 25, 24-29.
Fawcett, T. (2006). An introduction to ROC analysis. Pattern Recognition Letters, 27, 861-874.
Franquet, T. (2018). Imaging of community-acquired pneumonia. Journal of Thoracic Imaging, 33, 282-294.
Hagan, M. T., & Menhaj, M. B. (1994). Training feedforward networks with the Marquardt algorithm. IEEE Transactions on Neural Networks, 5, 989-993.
Haralick, R. M., Shanmugam, K., & Dinstein, I. (1973). Textural features for image classification. IEEE Transactions on Systems, Man, and Cybernetics, 3, 610-621.
Heron, M. (2019). Deaths: Leading causes for 2017. National Vital Statistics Reports, 68(6).
Kermany, D. S., Goldbaum, M., Cai, W., et al. (2018). Identifying medical diagnoses and treatable diseases by image-based deep learning. Cell, 172, 1122-1131.
LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521, 436-444.
Litjens, G., Kooi, T., Bejnordi, B. E., et al. (2017). A survey on deep learning in medical image analysis. Medical Image Analysis, 42, 60-88.
Noble, W. S. (2006). What is a support vector machine? Nature Biotechnology, 24, 1565-1567.
Rajpurkar, P., Irvin, J., Zhu, K., Yang, B., Mehta, H., Duan, T., ... & Ng, A. Y. (2017). Chexnet: Radiologist-level pneumonia detection on chest x-rays with deep learning. arXiv preprint arXiv:1711.05225.
Roth, G. A., Abate, D., Abate, K. H., et al. (2018). Global, regional, and national age-sex-specific mortality for 282 causes of death in 195 countries and territories, 1980-2017: a systematic analysis for the Global Burden of Disease Study 2017. The Lancet, 392, 1736-1788.
Rudan, I., Boschi-Pinto, C., Biloglav, Z., Mulholland, K., & Campbell, H. (2008). Epidemiology and etiology of childhood pneumonia. Bulletin of the World Health Organization, 86, 408-416.
Sánchez, J. M. B., Villagómez, J. L., Moreno, A. L., & Jiménez, L. M. (2024). The Development of a Classifier Based on Neural Networks and K-Neighbors for Pediatric Pneumonia Diagnosis through X-Ray Images.
Shorten, C., & Khoshgoftaar, T. M. (2019). A survey on image data augmentation for deep learning. Journal of Big Data, 6(1), 60.
Tang, X. (2010). Texture information in run-length matrices. IEEE Transactions on Image Processing, 7, 1602-1609.
Vaswani, A., Shazeer, N., Parmar, N., et al. (2017). Attention is all you need. Advances in Neural Information Processing Systems, 30, 5998-6008.
Watkins, K., & Sridhar, D. (2018). Pneumonia: a global cause without champions. The Lancet, 392(10149), 718-719.
Publicado
Número
Sección
Licencia
Derechos de autor 2025 Samuel David Hernández Chiquillo, Ernesto Isaac Tlapanco Ríos, Jorge Manuel Barrios Sánchez, Jorge Enrique Pino Jimenez (Autor/a)
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Todo el contenido de Prisma ODS se publica bajo la Licencia Creative Commons Atribución 4.0 Internacional (CC BY 4.0).
Los autores conservan los derechos de autor y otorgan a la revista el derecho de primera publicación.
Se permite la libre copia, distribución, adaptación y reutilización del contenido para cualquier fin legal,
siempre que se otorgue la atribución adecuada a los autores y a la fuente original.
Más información en: https://creativecommons.org/licenses/by/4.0/
