Tesis de grado · Ingeniería de SistemasUniversidad Nacional José María Arguedas · 2023
Efectividad de un modelo de clasificación basado en Deep Learning en la detección de COVID-19
Mi tesis para el título de Ingeniero de Sistemas. Una DenseNet201 modificada que detecta COVID-19 en radiografías de tórax con 98 % de efectividad, usando 18.1M de parámetros y 3.2 GFLOPs.
El COVID-19 se propaga rápido y es extremadamente contagioso, por lo que su diagnóstico temprano resulta crítico. En ese momento no existía una herramienta eficaz que apoyara la detección junto a las pruebas estándar — y esa carencia es la que motivó esta tesis.
El trabajo evalúa qué tan efectivo y qué tan eficiente puede ser un clasificador de deep learning para identificar COVID-19 a partir de radiografías de tórax. Se usaron tres conjuntos de datos públicos —COVID Chest X-ray, COVID Chest X-ray Dataset y la COVID-19 Radiography Database— más un conjunto propio, reservado para la validación.
Se compararon varios modelos preentrenados de la familia DenseNet y, a partir de ahí, propuse una modificación de DenseNet201: cambios en la primera fase de la convolución y en las capas de transición, con transfer learning desde ImageNet. El modelo propuesto alcanza una efectividad del 98 % con 18.1M de parámetros y 3.2 GFLOPs, superando en ambas cosas a la vez a las propuestas del estado del arte con las que se comparó. Esa combinación es el resultado de fondo. El modelo acierta, y es lo bastante barato como para correrlo donde no hay presupuesto de GPU.
Sustentada en Andahuaylas en 2023 para optar el título profesional de Ingeniero de Sistemas, con el asesoramiento del MSc. Herwin Alayn Huillcen Baca y la MSc. Flor de Luz Palomino Valdivia como coasesora. De acceso abierto en el repositorio institucional de la UNAJMA e indexada en ALICIA (CONCYTEC).