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

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.