Evaluación de modelos para la clasificación de células infectadas con malaria mediante redes neuronales convolucionales Darknet y Resnet

ItemOpen Access
Loading...
Thumbnail Image

Código QR

QR Code

Authors

Castañón Vilca, Joaquín Antonio

Contact Email

Abstract

Esta investigación aborda la problemática de diagnóstico de malaria, una enfermedad que afecta a más de 200 millones de personas anualmente, siendo más devastadora en áreas tropicales con recursos limitados. Para mejorar la eficiencia y exactitud del diagnóstico, se evaluaron los modelos de redes neuronales convolucionales DarkNet-19 y ResNet-50 para clasificar imágenes de células infectadas con malaria. Se entrenaron los modelos con una base de datos de 27,560 imágenes, incluyendo células infectadas y no infectadas. Se asignó el 80% de los datos para el entrenamiento y el 20% para la prueba, con un conjunto de validación adicional. Se desarrollaron modelos utilizando Keras: ResNet-50 mediante Transfer Learning y DarkNet-19 con arquitectura propia compuesta por capas Convolucionales, GlobalAveragePooling y Densas. Ambos modelos tienen una última capa densa de tamaño 2 para clasificación binaria en el contexto de imágenes de células infectadas con malaria. Como resultado, se obtuvo una exactitud del 95% para DarkNet-19 y del 93.9% para ResNet-50, mostrando una ligera ventaja de exactitud para DarkNet-19. Además, se observó que, bajo los mismos parámetros de entrenamiento, ResNet-50 mostró signos de posible overfitting, que se pudo mitigar mediante técnicas de regulación como Early Stopping y ReduceLROnPlateau.
This research addresses the diagnostic challenges of malaria, a disease affecting over 200 million people annually, with a more devastating impact in tropical areas with limited resources. To enhance diagnostic efficiency and accuracy, convolutional neural network models DarkNet- 19 and ResNet-50 were evaluated for classifying images of malaria-infected cells. The models were trained on a dataset comprising 27,560 images, encompassing both infected and non- infected cells. An 80% allocation for training, 20% for testing, and an additional validation set were utilized. Models were developed using Keras: ResNet-50 through Transfer Learning and DarkNet-19 with a custom architecture involving Convolutional, GlobalAveragePooling, and Dense layers. Both models feature a final dense layer with a size of 2 for binary classification within the context of malaria-infected cell images. Consequently, an accuracy of 95% was achieved for DarkNet-19 and 93.9% for ResNet-50, highlighting a slight accuracy advantage for DarkNet-19. Additionally, it was observed that under identical training parameters, ResNet- 50 exhibited signs of potential overfitting, which were successfully mitigated using regularization techniques such as Early Stopping and ReduceLROnPlateau.

Description

Universidad Nacional Agraria La Molina. Escuela de Posgrado. Maestría en Estadística Aplicada

Keywords

Redes neuronales

Citation

Date

2025

Collections

Seleccionar año de consulta:

Licencia de uso

info:eu-repo/semantics/openAccess

Excepto si se señala otra cosa, la licencia del ítem se describe como info:eu-repo/semantics/openAccess