Evaluación de modelos para la clasificación de células infectadas con malaria mediante redes neuronales convolucionales Darknet y Resnet
dc.contributor.advisor | Salinas Flores, Jesús Walter | |
dc.contributor.author | Castañón Vilca, Joaquín Antonio | |
dc.date.accessioned | 2025-05-22T13:11:25Z | |
dc.date.available | 2025-05-22T13:11:25Z | |
dc.date.issued | 2025 | |
dc.description | Universidad Nacional Agraria La Molina. Escuela de Posgrado. Maestría en Estadística Aplicada | |
dc.description.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. | |
dc.description.abstract | 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. | |
dc.format | application/pdf | |
dc.identifier.uri | https://hdl.handle.net/20.500.12996/7113 | |
dc.language.iso | spa | |
dc.publisher | Universidad Nacional Agraria La Molina | |
dc.publisher.country | PE | |
dc.rights | info:eu-repo/semantics/openAccess | |
dc.rights.uri | https://creativecommons.org/licenses/by-nc-nd/4.0/ | |
dc.subject | Redes neuronales | |
dc.subject.ocde | Pendiente | |
dc.title | Evaluación de modelos para la clasificación de células infectadas con malaria mediante redes neuronales convolucionales Darknet y Resnet | |
dc.type | info:eu-repo/semantics/masterThesis | |
dc.type.version | info:eu-repo/semantics/publishedVersion | |
renati.advisor.dni | 08684738 | |
renati.advisor.orcid | https://orcid.org/0000-0003-4321-4247 | |
renati.author.dni | 76987524 | |
renati.discipline | 542027 | |
renati.juror | Sotomayor Ruiz, Rino | |
renati.juror | Gamboa Unsihuay, Jesús | |
renati.juror | Coaquira Nina, Frida Rosa | |
renati.level | https://purl.org/pe-repo/renati/level#maestro | |
renati.type | https://purl.org/pe-repo/renati/type#tesis | |
thesis.degree.discipline | Estadística Aplicada | |
thesis.degree.grantor | Universidad Nacional Agraria La Molina. Escuela de Posgrado | |
thesis.degree.name | Magister Scientiae - Estadística Aplicada |
Files
Original bundle
1 - 3 of 3
Loading...
- Name:
- castañon-vilca-joaquin-antonio.pdf
- Size:
- 2.66 MB
- Format:
- Adobe Portable Document Format
- Description:
- Texto completo

- Name:
- Turnitin report.pdf
- Size:
- 2.31 MB
- Format:
- Adobe Portable Document Format
- Description:
- Informe originalidad

- Name:
- Formato repositorio.pdf
- Size:
- 229.27 KB
- Format:
- Adobe Portable Document Format
- Description:
- Autorización
License bundle
1 - 1 of 1

- Name:
- license.txt
- Size:
- 1.63 KB
- Format:
- Item-specific license agreed upon to submission
- Description: