Redes neuronales convolucionales: un estudio comparativo de DenseNet121, Xception e InceptionV3

Investigación Científica Aplicada

Redes neuronales convolucionales: un estudio comparativo de DenseNet121, Xception e InceptionV3

Las radiografías de tórax son herramientas fundamentales en el diagnóstico de enfermedades torácicas debido a su accesibilidad y valor informativo. La detección automática de anomalías en radiografías de tórax mediante aprendizaje profundo ha mostrado resultados prometedores, especialmente con redes neuronales convolucionales (CNNs). En este estudio, se evalúa y compara el rendimiento de tres arquitecturas CNN de última generación: DenseNet121, InceptionV3 y Xception, para la clasificación multiclase de anormalidades torácicas. Se utilizó un conjunto de datos público que contiene nueve categorías diagnósticas, que van desde anatomía normal hasta diversas condiciones patológicas. Todos los modelos fueron ajustados mediante aprendizaje por transferencia y entrenados bajo una misma metodología para asegurar la comparabilidad. Las métricas de evaluación incluyeron precisión (accuracy), puntuación F1, precisión (precision) y matrices de confusión. Los resultados experimentales muestran que

Descripcion completa

Las radiografías de tórax son herramientas fundamentales en el diagnóstico de enfermedades torácicas debido a su accesibilidad y valor informativo. La detección automática de anomalías en radiografías de tórax mediante aprendizaje profundo ha mostrado resultados prometedores, especialmente con redes neuronales convolucionales (CNNs). En este estudio, se evalúa y compara el rendimiento de tres arquitecturas CNN de última generación: DenseNet121, InceptionV3 y Xception, para la clasificación multiclase de anormalidades torácicas. Se utilizó un conjunto de datos público que contiene nueve categorías diagnósticas, que van desde anatomía normal hasta diversas condiciones patológicas. Todos los modelos fueron ajustados mediante aprendizaje por transferencia y entrenados bajo una misma metodología para asegurar la comparabilidad. Las métricas de evaluación incluyeron precisión (accuracy), puntuación F1, precisión (precision) y matrices de confusión. Los resultados experimentales muestran que