Matches in SemOpenAlex for { <https://semopenalex.org/work/W4384200822> ?p ?o ?g. }
Showing items 1 to 41 of
41
with 100 items per page.
- W4384200822 endingPage "32" @default.
- W4384200822 startingPage "19" @default.
- W4384200822 abstract "Las redes neuronales convolucionales (CNN) tienen gran potencial en resolver problemas de clasificación con imágenes. La presente investigación tiene como objetivo presentar modelos reducidos que permita identificar casos de neumonía y COVID-19 en imágenes de rayos X de tórax(anterior-posterior), ofreciendo una amplia perspectiva del interés de herramientas que brindan soporte y asistencia médica. La capacidad y tamaño de los modelos fueron reducidos hasta obtener una opción perfecta para ser desplegados localmente en dispositivos con recursos limitados. Los algoritmos propuestos se desarrollaron en Google Colab utilizando el lenguaje de programación Python, aplicando redes neuronales densas y convolucionales a diferentes capas hasta obtener un índice de error bajo, para posterior diagnosticar si el paciente presenta COVID-19. Para ello, se utiliza un conjunto de 603 imágenes de alta resolución de bases de datos públicos (ver en https://www.cell.com/cell/fulltext/S0092-8674(18)30154-5 y https://github.com/ieee8023/covid-chestxray-dataset),.divididas en 403 imágenes para entrenamiento, 200 imágenes para prueba y 12 imágenes para validación. La herramienta diseñada con una red neuronal convolucional de 13 capas propone la integración de aprendizaje de maquina (Machine Learning) como soporte en el proceso de diagnóstico médico, con una precisión del 94.73% puede convertirse en una herramienta que brinda mayor velocidad a la hora de dar un diagnóstico." @default.
- W4384200822 created "2023-07-14" @default.
- W4384200822 creator A5014658933 @default.
- W4384200822 creator A5058156675 @default.
- W4384200822 date "2023-07-13" @default.
- W4384200822 modified "2023-10-16" @default.
- W4384200822 title "Aplicación de redes neuronales densas y convolucionales para detección de COVID_19 en imágenes de rayos X" @default.
- W4384200822 doi "https://doi.org/10.37431/conectividad.v4i2.78" @default.
- W4384200822 hasPublicationYear "2023" @default.
- W4384200822 type Work @default.
- W4384200822 citedByCount "0" @default.
- W4384200822 crossrefType "journal-article" @default.
- W4384200822 hasAuthorship W4384200822A5014658933 @default.
- W4384200822 hasAuthorship W4384200822A5058156675 @default.
- W4384200822 hasBestOaLocation W43842008221 @default.
- W4384200822 hasConcept C121332964 @default.
- W4384200822 hasConcept C138885662 @default.
- W4384200822 hasConcept C15708023 @default.
- W4384200822 hasConceptScore W4384200822C121332964 @default.
- W4384200822 hasConceptScore W4384200822C138885662 @default.
- W4384200822 hasConceptScore W4384200822C15708023 @default.
- W4384200822 hasIssue "2" @default.
- W4384200822 hasLocation W43842008221 @default.
- W4384200822 hasOpenAccess W4384200822 @default.
- W4384200822 hasPrimaryLocation W43842008221 @default.
- W4384200822 hasRelatedWork W1536502753 @default.
- W4384200822 hasRelatedWork W2740647293 @default.
- W4384200822 hasRelatedWork W2742816064 @default.
- W4384200822 hasRelatedWork W2902782467 @default.
- W4384200822 hasRelatedWork W2935759653 @default.
- W4384200822 hasRelatedWork W2997727571 @default.
- W4384200822 hasRelatedWork W3105167352 @default.
- W4384200822 hasRelatedWork W54078636 @default.
- W4384200822 hasRelatedWork W1501425562 @default.
- W4384200822 hasRelatedWork W2954470139 @default.
- W4384200822 hasVolume "4" @default.
- W4384200822 isParatext "false" @default.
- W4384200822 isRetracted "false" @default.
- W4384200822 workType "article" @default.