Reconocimiento de la presencia de sars-cov-2 en pulmones a través de imágenes de radiodiagnóstico haciendo uso de machine learnig con lenguaje de programación Python

El objetivo de este proyecto fue utilizar Machine Learning (ML), para reconocimiento de SARSCoV- 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 código abierto, 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 correcto funcionamiento 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.The goal of this project 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 management and applicability of the model being of dynamic use for the user and being multiplatform. Quantitative results were obtained that reflected the effectiveness of the model with an efficiency of 88% for detecting COVID-19. The prior installation of Python libraries is recommended for the correct functioning of the recognition system