Comparació d'Arquitectures de CNN a la Detecció de Malalties Pulmonars usant Radiografies Toràciques

Abstract

El present treball té com a objectiu comparar diverses arquitectures de xarxes neuronals convolucionals (CNN) en la detecció de malalties pulmonars utilitzant radiografies toràciques. La motivació principal és millorar la precisió i l'eficiència del diagnòstic radiològic, reduint els errors humans i augmentant la velocitat de detecció d'anomalies pulmonars. S'ha realitzat un estudi comparatiu de tres arquitectures de CNN—EfficientNetB0, VGG19 i InceptionV3—aplicant tècniques d'aprenentatge per transferència per adaptar models pre-entrenats al nostre conjunt de dades específic del NIH. La metodologia inclou el pre-processament de dades, l'entrenament dels models amb augmentació de dades, i l'avaluació del rendiment mitjançant diverses mètriques com la precisió, el recall, el F1 Score, l'AUC-ROC i la corba de precisió-recall. L'estudi ha trobat que EfficientNetB0 i InceptionV3 proporcionen un rendiment superior en termes de precisió i capacitat de generalització. Aquestes arquitectures han demostrat un potencial significatiu per millorar el diagnòstic automatitzat de malalties pulmonars. En contrast, mentre que VGG19 ha mostrat un alt recall, presenta una precisió inferior, destacant els reptes en la selecció i optimització de models. Aquesta investigació subratlla el potencial de les CNNs en la imatge mèdica i la importància de seleccionar l'arquitectura de model òptima. Ha estat un repte interessant que ha aportat coneixements valuosos per a futures investigacions en el camp. Millorar i refinar els conjunts de dades i models utilitzats per a l'entrenament serà crucial per a l'avanç continu en el diagnòstic mèdic automatitzat.