Por favor, use este identificador para citar o enlazar este ítem:
http://hdl.handle.net/10609/132630
Título : | Screening Chest X-rays for Covid-19 with Deep Learning |
Autoría: | Robert Gill, Eric |
Tutor: | Nunez do Rio, Joan M ![]() |
Otros: | Arnedo-Moreno, Joan ![]() |
Resumen : | El nuevo Coronavirus ha provocado una pandemia global con altos costes económicos y sociales. La naturaleza emergente de la enfermedad asociada del Coronavirus, Covidien-19, ha encontrado muchas naciones mal preparadas para controlar su propagación, resultando en altas tasas de infección y presión en los sistemas de salud. La detección rápida y la subsiguiente cuarentena de personas infectadas es la medida más eficaz contra la propagación del virus con la excepción de la vacunación. Generalmente, el diagnóstico se lleva a cabo con tests de Polímero invertido o antígenos que pueden ser caros y no siempre fácilmente disponibles. Estos métodos requieren personal especializado y contacto físico con el paciente, así como tiempo para procesar los resultados. Las máquinas de rayos X están disponibles en hospitales en todo el mundo en países de casi todas las situaciones económicas. La radiografía se ha utilizado en muchos casos de uso de cribado y diagnóstico y hay una investigación amplia sobre su aplicabilidad a la pandemia de Coronavirus. Este proyecto investiga la viabilidad del uso de Redes Neuronales convolucional para detector síntomas de Covidien-19 en imágenes radiográficas de pulmones. Los rayos X son masivamente disponibles, económicos y no invasivos. Los resultados muestran que las Redes Neuronales convolucionales pueden clasificar las imágenes de rayos X en clases de Covidien, Normal y Neumonía Viral con altos niveles de Precisión y sensitividad. |
Palabras clave : | COVID-19 Radiografías Red Neuronal convolucionales |
Tipo de documento: | info:eu-repo/semantics/bachelorThesis |
Fecha de publicación : | 13-jun-2021 |
Licencia de publicación: | http://creativecommons.org/licenses/by-nc-nd/3.0/es/ ![]() |
Aparece en las colecciones: | Bachelor thesis, research projects, etc. |
Ficheros en este ítem:
Fichero | Descripción | Tamaño | Formato | |
---|---|---|---|---|
egill31TFG0621memory.pdf | Memory of TFG | 2 MB | Adobe PDF | ![]() Visualizar/Abrir |
egill31TFG0621presentation.pdf | Presentation of TFG | 1,47 MB | Adobe PDF | ![]() Visualizar/Abrir |
Comparte:
![]( /image/googleScholar.png)
![](/image/microsoftAcademic.png)
Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons