![IconJournalPU [ESP] by Edgar Julian-Laime®](https://revistas.uncp.edu.pe/public/journals/1/pageHeaderLogoImage_es.png)
Deep learning para el procesamiento de imágenes de neumotórax a través de técnicas de visión computacional
DOI:
https://doi.org/10.26490/uncp.puing.2024.21.2218Palabras clave:
Inteligencia artificial, CNN, Red neuronal, Enfermedad pulmonarResumen
La inteligencia artificial viene participando en diversas áreas de desarrollo social. Uno de los ámbitos de acción es el área médica a través de una red neuronal convolucional (CNN) que permite un soporte matemático de procesamiento en forma de cuadricula en imágenes. Los patrones y características de 197 imágenes categorizadas en: 120 casos benignos, 561 casos malignos y 416 casos normales fueron procesadas. Los mecanismos de la red convolucional se basaron en operaciones matriciales que identifiquen las características relevantes para las diversas imágenes alimentadas en la red neuronal. El análisis de los resultados logró una precisión de 73.12% de validación con datos de entrenamiento y un 60.27% de precisión con datos de validación para diagnosticar enfermedades y tumores en los pulmones. Este nivel de precisión establece como consecuencia que se deben realizan mayores estudios con el fin de elevar los grados de precisión ya que podría generarse errores en los diagnósticos.
Descargas
Referencias
Agrawal, T., & Choudhary, P. (2023). ALCNN: Attention based lightweight convolutional neural network for pneumothorax detection in chest X-rays. Biomedical Signal Processing and Control, 79, 104126. https://doi.org/10.1016/j.bspc.2022.104126
Belletti, A., Palumbo, D., Zangrillo, A., Fominskiy, E. V., Franchini, S., Dell’Acqua, A., Marinosci, A., Monti, G., Vitali, G., Colombo, S., Guazzarotti, G., Lembo, R., Maimeri, N., Faustini, C., Pennella, R., Mushtaq, J., Landoni, G., Scandroglio, A. M., Dagna, L., & De Cobelli, F. (2021). Predictors of Pneumothorax/Pneumomediastinum in Mechanically Ventilated COVID-19 Patients. Journal of Cardiothoracic and Vascular Anesthesia, 35(12), 3642–3651. https://doi.org/10.1053/j.jvca.2021.02.008
Bhandari, M., Shahi, T. B., Siku, B., & Neupane, A. (2022). Explanatory classification of CXR images into COVID-19, Pneumonia and Tuberculosis using deep learning and XAI. Computers in Biology and Medicine, 150, 106156. https://doi.org/10.1016/j.compbiomed.2022.106156
Jin, Y., Lu, H., Zhu, W., & Huo, W. (2023). Deep learning based classification of multi-label chest X-ray images via dual-weighted metric loss. Computers in Biology and Medicine, 157, 106683. https://doi.org/10.1016/j.compbiomed.2023.106683
Kaur, N., & Mittal, A. (2022). RadioBERT: A deep learning-based system for medical report generation from chest X-ray images using contextual embeddings. Journal of Biomedical Informatics, 135, 104220. https://doi.org/10.1016/j.jbi.2022.104220
Lin, Z., Dai, W., Lai, Q.-Q., & Wu, H. (2023). Deep learning-based computed tomography applied to the diagnosis of rib fractures. Journal of Radiation Research and Applied Sciences, 16(2), 100558. https://doi.org/10.1016/j.jrras.2023.100558
Liz, H., Huertas-Tato, J., Sánchez-Montañés, M., Del Ser, J., & Camacho, D. (2023). Deep learning for understanding multilabel imbalanced Chest X-ray datasets. Future Generation Computer Systems, 144, 291–306. https://doi.org/10.1016/j.future.2023.03.005
Seah, J. C. Y., Tang, C. H. M., Buchlak, Q. D., Holt, X. G., Wardman, J. B., Aimoldin, A., Esmaili, N., Ahmad, H., Pham, H., Lambert, J. F., Hachey, B., Hogg, S. J. F., Johnston, B. P., Bennett, C., Oakden-Rayner, L., Brotchie, P., & Jones, C. M. (2021). Effect of a comprehensive deep-learning model on the accuracy of chest x-ray interpretation by radiologists: A retrospective, multireader multicase study. The Lancet Digital Health, 3(8), e496–e506. https://doi.org/10.1016/S2589-7500(21)00106-0
Sharma, S., & Alijani, A. (2022). Insertion of chest drain for pneumothorax. Anaesthesia & Intensive Care Medicine, 23(3), 172–176. https://doi.org/10.1016/j.mpaic.2021.12.002
Wang, H., & Xia, Y. (2023). Domain-ensemble learning with cross-domain mixup for thoracic disease classification in unseen domains. Biomedical Signal Processing and Control, 81, 104488. https://doi.org/10.1016/j.bspc.2022.104488
Wang, M., Zhang, L., Yu, H., Chen, S., Zhang, X., Zhang, Y., & Gao, D. (2023). A deep learning network based on CNN and sliding window LSTM for spike sorting. Computers in Biology and Medicine, 159, 106879. https://doi.org/10.1016/j.compbiomed.2023.106879
Wang, Y., Wang, K., Peng, X., Shi, L., Sun, J., Zheng, S., Shan, F., Shi, W., & Liu, L. (2021). DeepSDM: Boundary-aware pneumothorax segmentation in chest X-ray images. Neurocomputing, 454, 201–211. https://doi.org/10.1016/j.neucom.2021.05.029
Xiao, H., Xue, X., Zhu, M., Jiang, X., Xia, Q., Chen, K., Li, H., Long, L., & Peng, K. (2023). Deep learning-based lung image registration: A review. Computers in Biology and Medicine, 165, 107434. https://doi.org/10.1016/j.compbiomed.2023.107434
Yang, S., Lou, L., Wang, W., Li, J., Jin, X., Wang, S., Cai, J., Kuang, F., Liu, L., Hadjouni, M., Elmannai, H., & Cai, C. (2023). Pneumothorax prediction using a foraging and hunting based ant colony optimizer assisted support vector machine. Computers in Biology and Medicine, 161, 106948. https://doi.org/10.1016/j.compbiomed.2023.106948
Zhang, J., & Li, K. (2023). A multi-view CNN encoding for motor imagery EEG signals. Biomedical Signal Processing and Control, 85, 105063. https://doi.org/10.1016/j.bspc.2023.105063
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2024 Prospectiva Universitaria en Ingeniería y Tecnología
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Esta Revista es de acceso abierto a su contenido a través del Internet, poniendo a disposición de la comunidad científica los resultados de la investigación, de manera gratuita, para el intercambio del conocimiento desarrollado.
El contenidos de la Revista se distribuyen bajo la licencia Creative Commons Reconocimiento-NoComercial-CompartirIgual 4.0 Internacional.
