Detección de displasia del desarrollo de cadera por radiografía pélvica en infantes de 03 a 06 meses de edad usando aprendizaje profundo

Abstract

En este proyecto de tesis, el objetivo es usar técnicas de aprendizaje profundo para la detección de la displasia de cadera en infantes de tres a seis meses de edad usando radiografías de rayos x de la cadera. El modelo propuesto es un modelo híbrido que combina las capas de un Red Neuronal Convolucional entrenada con un vector de características, y un modelo con la arquitectura ResNet 50. Para comparar el modelo propuesto, se entrenaron también modelos de aprendizaje de máquina como el árbol de decisión y la máquina de vectores de soporte. De forma similar, los resultados del modelo propuesto se compararon con los resultados de una Red Neuronal Convolucional simple. Por otro lado, para resolver el problema de escasez de datos, común en aplicaciones médicas, el modelo propuesto fue entrenado con datos generados por la combinación de transformaciones geométricas y una Red Generativa Adversaria. Los resultados finales muestran que el sistema propuesto presenta una precisión de 97.50%, una sensibilidad de 95.16% y una especificidad del 100%. Además, con el fin de exponer el modelo propuesto, se diseñó y desplegó una aplicación en la nube.