Marco híbrido de aprendizaje profundo y aprendizaje automático para la detección automatizada de neumonía en imágenes...

Área de la Ciencia:

• Imágenes médicas
• Inteligencia artificial
• Ciencias de la computación

Sus antecedentes:

• La neumonía representa riesgos significativos para la salud, lo que requiere un diagnóstico preciso y oportuno.
• Distinguir entre radiografías de tórax neumónicas y normales es crucial para un tratamiento eficaz.

Objetivo del estudio:

• Desarrollar un sistema híbrido de aprendizaje profundo para la detección precisa de neumonía a partir de radiografías de tórax.
• Mejorar la precisión y la interpretabilidad diagnóstica en comparación con los enfoques de modelo único.

Principales métodos:

• Preprocesamiento de imágenes: ecualización del histograma, normalización del contraste, conversión a escala de grises.
• Extracción de características híbridas utilizando VGG16 y ResNet, seguida de fusión de características.
• Reducción de dimensionalidad con Análisis de Componentes Principales (PCA) reteniendo el 95% de la varianza.
• Clasificación utilizando clasificadores Support Vector Machine (SVM) y Random Forest (RF).

Principales resultados:

• El enfoque de fusión de características dual-CNN demostró una identificación efectiva de la neumonía.
• Las dimensiones de características optimizadas por PCA mejoraron la eficiencia y precisión del modelo.
• Los clasificadores SVM y RF proporcionaron resultados diagnósticos más interpretables.

Conclusiones:

• El modelo híbrido de aprendizaje profundo propuesto ofrece un método robusto para la detección de neumonía.
• La combinación de características VGG16 y ResNet con PCA y clasificadores interpretables mejora las capacidades diagnósticas.