Reconocimiento de la presencia de sars-cov-2 en pulmones a través de imágenes de radiodiagnóstico haciendo uso de Machine Learning con Python - Artículo

Aug 6, 2026

El trabajo propone un sistema de Machine Learning para reconocer SARS-CoV-2 a partir de imágenes médicas obtenidas por tomografía computarizada del tórax en formato DICOM, transformadas a imágenes PNG. El modelo se implementa en Python con librerías de código abierto: TensorFlow para Machine Learning, Pydicom para manejo DICOM y OpenCV para procesamiento de imágenes. Se adapta una red neuronal convolucional preentrenada a clasificación multiclase, aplicando data augmentation y ajustes del Learning Rate. Se desarrolla una interfaz web con Streamlit para uso dinámico y multiplataforma, logrando 88% de eficacia en la detección de COVID-19 y recomendando la instalación previa de librerías de Python.

IdiomaSpanish

CategoríaSalud y Atención Médica

FormatoPDF

Páginas20

Tiempo de lectura31 min

AccesoGratis para descargar

Tabla de contenidos

Introducción

Planteamiento del problema y motivación

Propuesta de un sistema automatizado con inteligencia artificial

DOI: [https://doi.org/10.56712/latam.v4i1.296](https://doi.org/10.56712/latam.v4i1.296) Reconocimiento de la presencia de sars-cov-2 en pulmones a través de imágenes de radiodiagnóstico haciendo uso de Machine Learning con Python Recognition of the Presence of Sars-Cov-2 in Lungs from Radiodiagnostic Images Using Machine Learning with Python Bryan Darwin Luna Bravo [bryanlunabravo@gmail.com](bryanlunabravo@gmail.com) [https://orcid.org/0000-0002-8740-3384](https://orcid.org/0000-0002-8740-3384) Carrera de Física, Facultad de Ciencias, Escuela Superior Politécnica del Chimborazo ESPOCH Centro de Capacitación, Desarrollo y Transferencia de Ciencia, Educación y Tecnología SCIEDTEC Santo Domingo – Ecuador Luis Emilio Carranza Quispe [luisemilio36@gmail.com](luisemilio36@gmail.com) [https://orcid.org/0000-0002-1891-2986](https://orcid.org/0000-0002-1891-2986) Facultad de Ciencias de la Salud, Universidad Técnica Estatal de Quevedo. Centro de Capacitación, Desarrollo y Transferencia de Ciencia, Educación y Tecnología SCIEDTEC Quito-Quevedo – Ecuador Artículo recibido: día 16 de diciembre de 2022. Aceptado para publicación: 19 de enero de 2023. Conflictos de Interés: Ninguno que declarar. Resumen El objetivo de este trabajo utilizar Machine Learning (ML), para reconocimiento de SARS-CoV-2, mediante imágenes médicas adquiridas por tomografía computarizada de la región del tórax en formato DICOM, a partir de un tomógrafo Siemens somatom de 2 cortes y un data set en la nube, que posteriormente fueron transformadas a imágenes “png”. El sistema de reconocimiento fue construido mediante el lenguaje de programación “Python”, haciendo uso de librerías de códigoabierto, tanto como para Machine Learning siendo esta “TensorFlow”, para el manejo de archivos DICOM se hizo uso de “Pydicom” y para imágenes “Open CV”. Las imágenes se importaron a una red neuronal convolucional pre entrenada adaptándola al tipo de clasificación multiclase del proyecto, aplicando técnicas de aumento de datos (Data Augmentation), decaimientos exponenciales de parámetros de la red neuronal como el Learning Rate, entrenando la red neuronal convolucional, optimizando los parámetros adecuados para su correctofuncionamiento de reconocimiento, posteriormente se desarrolló una interfaz web mediante la librería “Streamlit” para el manejo y la aplicabilidad del modelo siendo de uso dinámico para el usuario siendo multiplataforma. Se obtuvieron resultados cuantitativos que permitieron reflejar la eficacia del modelo con una eficacia del 88% para detectar COVID-19. Se recomienda la instalación previa de librerías de Python para el correcto funcionamiento del sistema de reconocimiento. Palabras clave: imágenes médicas, tomografía computarizada, covid 19, machine learning, red neuronal artificial (rna) LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay. ISSN en línea: 2789-3855, enero, 2023, Volumen 4, Número 1, p. 788. Abstract The goal of this work was to use Machine Learning (ML), for SARSCoV-2 recognition, using medical images acquired by computed tomography of the chest region in DICOM format, from a 2-slice Siemens somatom tomograph and a data set in the cloud, which were subsequently transformed to "png" images. The recognition system was built using the "Python" programming language, making use of open-source libraries, both for Machine Learning and "TensorFlow";"Pydicom" was used to manage DICOM files and "Open CV" for images. The images were imported into a pre-trained convolutional neural network, adapting it to the type of multi-class classification of the project, applying data augmentation techniques (Data Augmentation), exponential decays of neural network parameters such as the Learning Rate, training the convolutional neural network, optimising the appropriate parameters for its correct recognition operation, subsequently a web interface was developed using the "Streamlit" library for the man

Preguntas frecuentes

Cuál es el objetivo del trabajo?

Utilizar Machine Learning para reconocer la presencia de SARS-CoV-2 en imágenes médicas del tórax obtenidas por tomografía computarizada.

Qué datos y herramientas se emplean para construir el sistema?

Se usan imágenes DICOM adquiridas con tomografía, convertidas a PNG, y se implementa el sistema en Python con TensorFlow, Pydicom y OpenCV.

Cómo se valida el desempeño del modelo y cuál es el resultado reportado?

El documento reporta resultados cuantitativos que reflejan eficacia del modelo, con 88% para detectar COVID-19.

Aug 6, 2026

Subido por Olivia Brown