Por favor, use este identificador para citar o enlazar este ítem:
http://hdl.handle.net/10609/132630
Registro completo de metadatos
Campo DC | Valor | Lengua/Idioma |
---|---|---|
dc.contributor.author | Robert Gill, Eric | - |
dc.contributor.other | Arnedo-Moreno, Joan | - |
dc.coverage.spatial | Barcelona, ESP | - |
dc.date.accessioned | 2021-06-29T15:26:50Z | - |
dc.date.available | 2021-06-29T15:26:50Z | - |
dc.date.issued | 2021-06-13 | - |
dc.identifier.uri | http://hdl.handle.net/10609/132630 | - |
dc.description.abstract | El nou Coronavirus ha provocat una pandèmia global amb alts costos econòmics i socials. La naturalesa emergent de la malaltia associada del Coronavirus, Covid-19, ha trobat moltes nacions mal preparades per controlar la seva propagació, resultant en altes taxes d'infecció i pressió en els sistemes de salut. La detecció ràpida i la subsegüent quarantena de persones infectades és la mesura més eficaç contra la propagació del virus amb l'excepció de la vacunació. Generalment, el diagnòstic es porta a terme amb tests de Polímer invertit o antígens que poden ser cars i no sempre fàcilment disponibles. Aquests mètodes requereixen personal especialitzat i contacte físic amb el pacient, així com temps per processar els resultats. Les màquines de raigs X estan disponibles en hospitals arreu del món en països de gairebé totes les situacions econòmiques. La radiografia s'ha utilitzat en molts casos d'ús de cribatge i diagnòstic i hi ha una investigació àmplia sobre la seva aplicabilitat a la pandèmia de Coronavirus. Aquest projecte investiga la viabilitat de l'ús de Xarxes Neurals Convolucionals per detector símptomes de Covid-19 en imatges radiogràfiques de pulmons. Els rajos X són massivament disponibles, econòmics i no invasius. Els resultats mostren que les Xarxes Neurals Convolucionals poden classificar les imatges de raigs X en classes de Covid, Normal i Pneumonia Viral amb alts nivells de Precisió i Sensitivitat. | ca |
dc.description.abstract | The novel Coronavirus has caused a global pandemic with high economic and social costs. The emergent nature of the Coronavirus' associated disease, Covid-19, found many nations ill-prepared to control its spread, leading to high rates of infection and strain on health systems. Rapid detection and the subsequent quarantine of infected people is the most effective measure against the spread of the virus outside of vaccination. Diagnosis is generally carried out by Reverse Polymer or antigens tests which can be expensive and not always readily available. These methods require specialised staff and physical contact with the patient, as well as time to process results. X-ray machines are available in hospitals across the world in countries of nearly all economic situations. Radiography has been used in many screening and diagnostic use cases and there is wide-spread investigation into its applicability in the Coronavirus pandemic. This project investigates the viability of employing Convolutional Neural Networks to screen radiographic images of lungs for symptoms of Covid-19. X-rays are massively available, economical, and non-invasive. The results show that Convolutional Neural Networks can classify x-ray images into Covid, Normal and Viral Pneumonia classes with high levels of Precision and Recall. | en |
dc.description.abstract | 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. | es |
dc.format.mimetype | application/pdf | - |
dc.language.iso | eng | - |
dc.publisher | Universitat Oberta de Catalunya (UOC) | - |
dc.rights | CC BY-NC-ND | - |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/es/ | - |
dc.subject | COVID-19 | en |
dc.subject | X-rays | en |
dc.subject | Convolutional Neural Network | en |
dc.subject | COVID-19 | ca |
dc.subject | Radiografies | ca |
dc.subject | Xarxa Neuronal Convolucional | ca |
dc.subject | COVID-19 | es |
dc.subject | Radiografías | es |
dc.subject | Red Neuronal convolucionales | es |
dc.subject.lcsh | Engineering -- Data processing -- TFG | en |
dc.title | Screening Chest X-rays for Covid-19 with Deep Learning | - |
dc.type | info:eu-repo/semantics/bachelorThesis | - |
dc.audience.educationlevel | Estudis de Grau | ca |
dc.audience.educationlevel | Estudios de Grado | es |
dc.audience.educationlevel | University degrees | en |
dc.subject.lemac | Enginyeria -- Informàtica -- TFG | ca |
dc.subject.lcshes | Ingeniería -- Informática -- TFG | es |
dc.contributor.tutor | Nunez do Rio, Joan M | - |
dc.rights.accessRights | info:eu-repo/semantics/openAccess | - |
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:
Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons