Revista Conectividad
Julio – diciembre 2023 ISSN:2806-5875
pp. 19-32 Correo: revista@ister.edu.ec
Volumen 4, Número 2
Revista Semestral del Instituto Tecnológico Universitario Rumiñahui 19
Aplicación de redes neuronales densas y convolucionales para detección de
COVID_19 en imágenes de rayos X
Application of dense and convolutional neural networks for COVID_19 detection in X-
ray images
Ronny Stalin Guevara Cruz1 , Claudio Augusto Delrieux 2
1Instituto de Ciencias e Ingeniería de la Computación, Universidad Nacional del Sur y Consejo Nacional de
Investigaciones Científicas y Tecnológicas (CONICET), r.s.guevara@hotmail.com, Buenos Aires,
Argentina
2 Instituto de Ciencias e Ingeniería de la Computación, Universidad Nacional del Sur y Consejo Nacional
de Investigaciones Científicas y Tecnológicas (CONICET), cad@uns.edu.ar, Buenos Aires, Argentina
Autor para correspondencia: r.s.guevara@hotmail.com
Fecha de recepción: 2023.05.13 Fecha de aceptación: 2023.06.07
Fecha de publicación: 2023.07.10
RESUMEN
Las redes neuronales convolucionales (CNN) tienen gran potencial en resolver problemas de
clasificación con imágenes. La presente investigación tiene como objetivo presentar modelos
reducidos que permita identificar casos de neumonía y COVID-19 en imágenes de rayos X de
tórax(anterior-posterior), ofreciendo una amplia perspectiva del interés de herramientas que
brindan soporte y asistencia médica. La capacidad y tamaño de los modelos fueron reducidos hasta
obtener una opción perfecta para ser desplegados localmente en dispositivos con recursos
limitados. Los algoritmos propuestos se desarrollaron en Google Colab utilizando el lenguaje de
programación Python, aplicando redes neuronales densas y convolucionales a diferentes capas
hasta obtener un índice de error bajo, para posterior diagnosticar si el paciente presenta COVID-
19. Para ello, se utiliza un conjunto de 603 imágenes de alta resolución de bases de datos públicos
(ver en https://www.cell.com/cell/fulltext/S0092-8674(18)30154-5 y https://github.com/ieee8023/covid-
chestxray-dataset),.divididas en 403 imágenes para entrenamiento, 200 imágenes para prueba y 12
imágenes para validación. La herramienta diseñada con una red neuronal convolucional de 13 capas
propone la integración de aprendizaje de maquina (Machine Learning) como soporte en el proceso
de diagnóstico médico, con una precisión del 94.73% puede convertirse en una herramienta que
brinda mayor velocidad a la hora de dar un diagnóstico.
Palabras clave: COVID-19; neumonía; aprendizaje de máquina; inteligencia artificial; redes
neuronales convolucionales.
Revista Conectividad
Julio – diciembre 2023 ISSN:2806-5875
pp. 19-32 Correo: revista@ister.edu.ec
Volumen 4, Número 2
Revista Semestral del Instituto Tecnológico Universitario Rumiñahui 20
ABSTRACT
Convolutional neural networks (CNNs) have great potential in solving classification problems with
images. The present research aims to present reduced models that allow identifying cases of
pneumonia and COVID-19 in chest X-ray images (anterior-posterior), offering a broad perspective
of the interest of tools that provide medical support and assistance. The capacity and size of the
models were reduced until obtaining a perfect option to be deployed locally in devices with limited
resources. The proposed algorithms were developed in Google Colab using the Python
programming language, applying dense and convolutional neural networks to different layers until
obtaining a low error rate, to later diagnose if the patient has COVID-19. To do this, a set of 603
high-resolution images from public databases (see in https://www.cell.com/cell/fulltext/S0092-
8674(18)30154-5 and https://github.com/ieee8023/covid-chestxray-dataset) is used, divided into 403
images for training, 200 images for testing and 12 images for validation. The tool designed with a
convolutional neural network of 13 layers proposes the integration of machine learning (Machine
Learning) as a support in the medical diagnosis process, with an accuracy of 94.73% can become
a tool that provides greater speed when giving a diagnosis.
Key words: COVID-19; pneumonia; machine learning; artificial intelligence; convolutional neural
networks
INTRODUCCIÓN
El COVID-19 es una enfermedad infecciosa causada por el síndrome respiratorio agudo severo
Coronavirus 2 (SARS-CoV-2), su forma es redonda u ovalada y a menudo polimórfica, con un
diámetro de 60 a 140 nm, una enfermedad desconocida que fue descubierta por primera vez en la
ciudad de Wuhan, provincia de Hubei, China a finales de 2019 (Pérez Abreu, Gómez Tejeda, &
Dieguez Gauch, 2022). Presenta síntomas similares a los de la gripe, entre los que se incluyen
fiebre, tos, disnea, mialgia y fatiga, además, causa daños intersticiales pulmonares y,
posteriormente, cambios parenquimatosos; en casos más graves se caracteriza por producir
neumonía, por esta razón, inicialmente muchos casos de COVID-19 fueron diagnosticados como
neumonía (Ye, Zhang, Wang, Huang, & Song, 2020).
La rápida expansión de la enfermedad hizo que la Organización Mundial de la Salud, el 30 de enero
de 2020, la declara una emergencia sanitaria de preocupación internacional, basándose en el
impacto que el virus podría tener en países subdesarrollados con menos infraestructuras sanitarias
y elevó el riesgo de COVID-19 a un nivel muy alto en todo el mundo el 28 de febrero de 2020
(OMS, 2020).
Revista Conectividad
Julio – diciembre 2023 ISSN:2806-5875
pp. 19-32 Correo: revista@ister.edu.ec
Volumen 4, Número 2
Revista Semestral del Instituto Tecnológico Universitario Rumiñahui 21
A pesar de los constantes esfuerzos tanto gubernamentales como sociales, al presente se reportan
765 903 278 casos confirmados, 6 927 378 muertes a causa del COVID-19 (OMS, 2023).
En la actualidad, el desarrollo tecnológico permite crear aplicativos capaces de diagnosticar
enfermedades rápida y verazmente. Una tecnología de gran utilidad en el desarrollo de sistemas
inteligentes son las redes neuronales, puntualmente las redes perceptrón multicapa y redes
neuronales convolucionales (MLP & CNNs, por sus siglas en ingles). La MLP es un algoritmo de
aprendizaje supervisado, donde una gran cantidad de perceptrones se agrupan en capas y solo
existen conexiones directas entre ellos, esto proporciona al algoritmo potentes ventajas como el
mapeo no lineal y la tolerancia al ruido (Gómez Macedo, 2022). Mientras que, las CNNs son redes
de neuronas que han demostrado su eficiencia en tareas de segmentación y clasificación de
imágenes, su función es imitar las neuronas de la corteza visual primaria del cerebro humano
(Losada Gutiérrez & Fuentes Jiménez, 2019).
Las arquitecturas de los modelos CNNs y MLPs son capaces de aprender a detectar patrones
simples o complejos, en tareas de clasificación de imágenes están compuestas por dos secciones
(Lopez Betancur, Bosco Duran, Guerrero Mendez, Zambrano Rodríguez, & Saucedo Anaya,
2021). Específicamente, las CNNs han demostrado ser eficientes en clasificación y detección de
afecciones médicas como cáncer de piel (Combalia & Vilaplana, 2019), artritis reumatoide
(Serrano Muñoz, Viera López, & Betancourt Hernández, 2018), retinopatía diabética (Catalán, De
la Cruz Gámez, Montero Valverde, & Hernández) y en otros casos, de personas en imágenes de
profundidad (Losada Gutiérrez & Fuentes Jiménez, 2019). Diversas investigaciones han
incursionado en la clasificación de imágenes radiológicas de pecho con COVID-19 (Gómez
Macedo, 2022), (Cabanilla del Estal & Martín Martín, 2021) & (Belman Lopez, 2022), sin
embargo, carecen de interacción con el usuario generando nuevas posibilidades y desafíos.
En base al análisis realizado, se propone el desarrollo de un aplicativo basada en técnicas Deep
Learning aplicando redes neuronales convolucionales con arquitectura ResNet-18 y MLPs-12 para
detección de COVID-19, con el objetivo de convertirse en una herramienta que brinde soporte en
el diagnóstico médico.
Revista Conectividad
Julio – diciembre 2023 ISSN:2806-5875
pp. 19-32 Correo: revista@ister.edu.ec
Volumen 4, Número 2
Revista Semestral del Instituto Tecnológico Universitario Rumiñahui 22
MATERIALES Y MÉTODOS
En la Fig. 1. se muestra la arquitectura del modelo para detección de COVID-19 en imágenes de
rayos X, compuesto de una entrada, dos módulos y una salida; el módulo de pre-procesamiento de
las imágenes, es el encargo de preparar cada imagen y encapsularla en una tupla para enviarlo al
segundo módulo denominado experimentación, encargado de recibir las imágenes, dividirlas en
datos para entrenamiento y prueba, ajustar el número de capas y épocas hasta obtener un modelo
óptimo tanto en características computacionales como en resultados de predicción.
Fig. 1. Arquitectura del modelo
F
il
tr
ad
o
E
sc
al
am
ie
n
to
R
ea
ju
st
e
E
ti
q
u
et
ad
o
Normal
Neumonía
Covid-19
Dataset Preprocessing Experimentation and automated
hyperparameter optimization
Classification
Diseño del módulo de preprocesamiento
El módulo de pre-procesamiento se encarga de preparar cada imagen y enviarlos al clasificador.
Como se muestra en la Fig. 1., su diseño está compuesto de cuatro etapas.
La función image_processing encapsula las tres primeras etapas del preprocesamiento de las
imágenes. La selección del modelo de color a trabajar con la imagen es fundamental para evitar
comportamientos no deseados o retraso en la lectura de la data set. Para tal fin, se elige utilizar la
librería de visión artificial y código abierto OpenCV, el comando cv2.cvtColor para transformar
del espacio RGB a escala de grises, debido a la irregularidad en el tamaño de las imágenes se aplica
cv2.resize para reajustar la resolución de las imágenes a 600 * 600 pixeles, astype de la librería
pandas para cambiar el tipo de dato de la imagen y normalizar en el rango de 0 a 255, finalmente,
retornar la información en una tupla.
Revista Conectividad
Julio – diciembre 2023 ISSN:2806-5875
pp. 19-32 Correo: revista@ister.edu.ec
Volumen 4, Número 2
Revista Semestral del Instituto Tecnológico Universitario Rumiñahui 23
La etapa de etiquetado crea arreglos de 3 etiquetas, permite al modelo estadístico asociar patrones
e imágenes con la etiqueta correcta. Estas corresponden 0 para casos normales, 1 para casos con
neumonía y 2 para casos con COVID-19.
Fig. 2. Imagen de rayos X aleatoria resultante del pre-procesamiento
Diseño del módulo clasificación
El módulo de clasificación recibe y entrena al clasificador sirviendo de interfaz con el usuario, a
fin de, visualizar los resultados obtenidos. Como se muestra en la Fig. 1., su diseño está compuesto
de 2 etapas y un submódulo de retroalimentación.
En este trabajo se propone el uso y adaptación de una MLP con 12 capas y una ResNet a 18 capas.
La etapa MLP (multi layer perceptron) utiliza una red neuronal unidireccional constituida por tres
o más capas: una capa de entrada, una capa de salida y capas intermedias o capas ocultas (Quiñones
Huatangari, Ochoa Toledo, & Gamarra Torres, 2020). Para el desarrollo de la investigación se
consideran inicialmente como hiperparámetros:
Tabla 1. Hiperparámetros para la red MLP de 4 capas
Parámetros /
Hiperparámetros
Valor Activación
Capas de entrada 1
Capas densas 4 Relu
Capas de salida 1 Softmax
Épocas 30
Optimizador ADAM
Tasa de aprendizaje 0.001
Batch size 13
Revista Conectividad
Julio – diciembre 2023 ISSN:2806-5875
pp. 19-32 Correo: revista@ister.edu.ec
Volumen 4, Número 2
Revista Semestral del Instituto Tecnológico Universitario Rumiñahui 24
Con la finalidad de mejor el clasificador se aumenta el número de capas Dense con arquitectura
encoders y las épocas de entrenamiento de la red, obteniendo:
Tabla 2. Hiperparámetros para la red MLP de 12 capas
Parámetros /
Hiperparámetros
Valor Activación
Capas de entrada 1
Capas densas 12 Relu
Capas de salida 1 Softmax
Épocas 30
Optimizador ADAM
Tasa de aprendizaje 0.001
Batch size 13
La etapa CNN (convolutional neural networks) utiliza la operación de convolución como base para
el procesamiento de datos. Dentro de esta red, existen matrices llamadas filtros y cada una de ellas
detecta, a su vez, distintos tipos de características dentro de los datos que se quieren procesar. En
imágenes estos filtros son capaces de detectar bordes, moviéndose según un parámetro que mide
la longitud del salto (stride) (Bueno, 2019). Para el desarrollo de la investigación se consideran
como hiperparámetros:
Tabla 3. Hiperparámetros para la red CCN de 18 capas
Parámetros /
Hiperparámetros
Valor Activación
Capas de entrada 1
Capas de convolución 8 Relu
Capas densas 8 Relu
Capas de activación 1 Dropout
Capas de salida 1 Softmax
Épocas 75
Optimizador ADAM
Tasa de aprendizaje 0.001
Batch size 13
El submódulo de retroalimentación permite ajustar los clasificadores hasta obtener un modelo
óptimo tanto en características computacionales como en resultados de predicción, mediante el
análisis de las métricas de desempeño y la magnitud de perdida en razón del número de épocas de
entrenamiento.
Revista Conectividad
Julio – diciembre 2023 ISSN:2806-5875
pp. 19-32 Correo: revista@ister.edu.ec
Volumen 4, Número 2
Revista Semestral del Instituto Tecnológico Universitario Rumiñahui 25
RESULTADOS Y DISCUSIÓN
Ajuste del clasificador MLP
Para alcanzar el objetivo funcional del aplicativo se realizaron pruebas en el ajuste de capas y
épocas. El procedimiento inicia con 4 capas densas y 30 épocas de entrenamiento para verificar las
métricas de desempeño, mediante el análisis de la matriz de confusión (Fig. 3.), las métricas de
evaluación se muestran en la Tabla 4.
Tabla 4. Métricas de evaluación, MLP 4 capas
precision recall f1-score support
0 0.9000 0.9114 0.9057 79
1 0.8537 0.7955 0.8667 44
2
0.9367 0.9610 0.9487 77
accuracy 0.9050 200
macro avg 0.8968 0.8893 0.8926 200
weighted avg 0.9039 0.9050 0.9042 200
Fig. 3. Matriz de confusión, MLP 4 capas
Fig. 4. Perdida y exactitud durante la trama de entrenamiento red MPLs
Revista Conectividad
Julio – diciembre 2023 ISSN:2806-5875
pp. 19-32 Correo: revista@ister.edu.ec
Volumen 4, Número 2
Revista Semestral del Instituto Tecnológico Universitario Rumiñahui 26
Para este modelo denso sin capas de convolución el test con 200 imágenes obtuvo los siguientes
resultados:
• 72 casos donde el paciente no tiene neumonía ni COVID y el algoritmo predijo que es la
imagen de un tórax normal, True Positive (TP)
• 35 casos donde el paciente tenía neumonía y el algoritmo predijo que es la imagen de un
tórax con neumonía, True Positive (TP)
• 74 casos donde el paciente tenía COVID-19 y el algoritmo predijo que es la imagen de un
tórax con COVID-19, True Positive (TP)
• 19 casos donde el algoritmo clasifico erróneamente.
El clasificador se ajusta a 13 capas densas siguiendo el modelo de arquitectura encoders y 50 épocas
de entrenamiento, la Tabla 5 muestra los resultados.
Tabla 5. Métricas de evaluación, MLP 12 capas
precision recall f1-score support
0 0.9333 0.8861 0.9091 79
1 0.8125 0.8864 0.8478 44
2
0.9610 0.9610 0.9610 77
accuracy 0.9150 200
macro avg 0.9023 0.9112 0.9060 200
weighted avg 0.9174 0.9150 0.9156 200
Fig. 5. Matriz de confusión, MLP 12 capas
Revista Conectividad
Julio – diciembre 2023 ISSN:2806-5875
pp. 19-32 Correo: revista@ister.edu.ec
Volumen 4, Número 2
Revista Semestral del Instituto Tecnológico Universitario Rumiñahui 27
Fig. 6. Perdida y exactitud durante la trama de entrenamiento red MPLs
Para este modelo denso sin capas de convolución el test con 200 imágenes obtuvo los siguientes
resultados:
• 70 casos donde el paciente no tiene neumonía ni COVID y el algoritmo predijo que es la
imagen de un tórax normal, True Positive (TP)
• 39 casos donde el paciente tenía neumonía y el algoritmo predijo que es la imagen de un
tórax con neumonía, True Positive (TP)
• 74 casos donde el paciente tenía COVID-19 y el algoritmo predijo que es la imagen de un
tórax con COVID-19, True Positive (TP)
• 17 casos donde el algoritmo clasifico erróneamente.
Ajuste del clasificador CNN
La selección del número de épocas se realizó en base al comportamiento de aprendizaje del modelo,
a fin de evitar que la CNN alcance overtfitting, y que aprenda del ruido (Lopez Betancur, Bosco
Duran, Guerrero Mendez, Zambrano Rodríguez, & Saucedo Anaya, 2021). Para que el sistema sea
más robusto se incrementa la cantidad de datos utilizando las siguientes transformaciones:
RandomResizedCrop donde la imagen es recortada aleatoriamente, y renderizada de acuerdo con
los tamaños requeridos por el clasificador, rotation_range rota aleatoriamente la imagen dentro de
un rango determinado (Lopez Betancur, Bosco Duran, Guerrero Mendez, Zambrano Rodríguez, &
Saucedo Anaya, 2021). En esta investigación se seleccionó un rango de 0 a 30 grados. Zoom_range
renderiza una nueva imagen con un rango de acercamiento, rango de 0.5 a 1.5. Width_shift_range
y height_shift_range desplaza la imagen de manera horizontal y vertical respectivamente.
Revista Conectividad
Julio – diciembre 2023 ISSN:2806-5875
pp. 19-32 Correo: revista@ister.edu.ec
Volumen 4, Número 2
Revista Semestral del Instituto Tecnológico Universitario Rumiñahui 28
Tabla 6. Métricas de evaluación, CNN 18 capas
precision recall f1-score support
0 0.8721 0.9494 0.9091 79
1 0.9459 0.7955 0.8642 44
2
0.9481 0.9481 0.9481 77
accuracy 0.9473 200
macro avg 0.9220 0.8976 0.9171 200
weighted avg 0.9176 0.9150 0.9242 200
Fig. 7. Matriz de confusión, CNN 18 capas
Fig. 8. Perdida y exactitud durante la trama de entrenamiento red MPLs
Para el modelo denso con capas de convolución el test con 200 imágenes obtuvo el siguiente
resultado:
• 75 casos donde el paciente no tiene neumonía ni COVID y el algoritmo predijo que es la
imagen de un tórax normal, True Positive (TP)
• 35 casos donde el paciente tenía neumonía y el algoritmo predijo que es la imagen de un
tórax con neumonía, True Positive (TP)
Revista Conectividad
Julio – diciembre 2023 ISSN:2806-5875
pp. 19-32 Correo: revista@ister.edu.ec
Volumen 4, Número 2
Revista Semestral del Instituto Tecnológico Universitario Rumiñahui 29
• 73 casos donde el paciente tenía COVID-19 y el algoritmo predijo que es la imagen de un
tórax con COVID-19, True Positive (TP)
• 17 casos donde el algoritmo clasifico erróneamente.
Validación
La evaluación del sistema fue realizada mediante pruebas de funcionamiento. Se desarrollo un
aplicativo que permite al usuario cargar y seleccionar la imagen de rayos X que requiere evaluar.
En cada interacción se imprime el resultado y correspondiente etiqueta.
Fig. 9. Predicción de la herramienta de evaluación
DISCUSIÓN
En la fase de ajuste del clasificador MLP se observó que al incrementar el número de capas densas
ocultas esta alcanzaba overtfitting y una notable reducción de precisión respecto a un clasificador
de 12 capas, ambas entrenadas con 30 épocas. En este sentido, para esta investigación se propone
un modelo de clasificación MPLs-12 basado en la arquitectura de autoencoder. Al analizar los
datos mostrados en la sección 3.1 se puede observar una exactitud de 91,50% esta puede ser
aplicable para clasificación de imágenes, sin embargo, no se considera suficiente para
clasificaciones de imágenes médicas. El modelo presenta una importante desventaja, si la imagen
evaluada sufre alguna alteración en su tamaño o forma, el clasificador tiende a fallar.
Para solventar el inconveniente, se propone modificar el modelo ResNet-50 hasta obtener un
modelo optimizado a dispositivos de capacidades limitadas, los resultados expuestos en la sección
3.2 proponen un modelo de 18 capas con una exactitud de 94.73%.
Revista Conectividad
Julio – diciembre 2023 ISSN:2806-5875
pp. 19-32 Correo: revista@ister.edu.ec
Volumen 4, Número 2
Revista Semestral del Instituto Tecnológico Universitario Rumiñahui 30
Después de analizar los datos obtenidos, se determinó que la ResNet-18 cuenta con una mejor
exactitud y precisión al clasificar escenarios de tres salidas sin ocasionar saturación a dispositivos
de recursos limitados. La sección 3.3 denota lo anteriormente expuesto.
CONCLUSIONES
En esta investigación se presenta la comparación entre nuevos modelos de redes neuronales densas
y convolucionales con arquitecturas DenseNet-121 y ResNet-50 como clasificadores de COVID-
19, con el objetivo de determinar la más confiable para este diagnóstico y convertirla en una
herramienta que brinde asistencia y soporte médico.
Los modelos propuestos fueron desarrollados para proporcionar diagnósticos precisos en más
clases de salida que estudios anteriores solo cubren escenarios binarios. Para mejorar la precisión
en los resultados y prevenir el sobreajuste a los modelos se agregan técnicas de regularización
como dropout y un correcto ajuste de hiperparámetros. Las arquitecturas pre-entrenadas extraídas
de las librerías Keras y Tensorflow de código abierto, utilizan imágenes de rayos X frontales de
tórax para el entrenamiento, su tamaño fue reducido con la finalidad de implementarse en
dispositivos con capacidades limitadas obteniendo MPLs-12 y ResNet-18.
La red neuronal convolucional con arquitectura ResNet-18 entrenada con 75 épocas es capaz de
clasificar el COVID-19 con una precisión del 94.73%, lo que nos indica un excelente desempeño
de predicción y alto grado de clasificación. Respecto al tiempo total de entrenamiento, la MPLs-
12 se ejecuta en menor tiempo, aunque su resultado de precisión de clasificación alcanza un
91,50%, si la imagen a evaluar sufre una alteración en sus ejes, el modelo no predice de manera
asertiva.
La presente investigación puede servir de base para el desarrollo informático de aplicaciones de
apoyo para toma de decisiones y diagnósticos. Además de la clasificación se propone emplear
técnicas de segmentación de imágenes para detección exacta del daño en el pulmón en colaboración
directa de los centros médicos y sus bases de datos para el entrenamiento continuo y mejoramiento
de resultados.
Revista Conectividad
Julio – diciembre 2023 ISSN:2806-5875
pp. 19-32 Correo: revista@ister.edu.ec
Volumen 4, Número 2
Revista Semestral del Instituto Tecnológico Universitario Rumiñahui 31
Debemos recordar que el COVID-19 inicio como una pandemia donde el conocimiento fue
limitado y ahora que contamos con datos debemos mejorar el diagnostico de quienes diariamente
arriesgaron sus vidas.
REFERENCIAS
Belman Lopez, C. E. (2022). Detection of COVID-19 and Other Pneumonia Cases using
Convolutional Neural Networks and X-ray Images (Vol. 42). Colombia: Ingeniería e
Investigación. doi:https://doi.org/10.15446/ing.investig.v42n1.90289
Bueno, F. (2019). Redes Neuronales: Entrenamiento y Comportamiento. Madrid: Universidad
Complutense Madrid.
Cabanilla del Estal, T., & Martín Martín, Q. (2021). Aplicación de las redes neuronales artificiales
al COVID-19. España: Universidad de Salamanca.
Catalán, E., De la Cruz Gámez, E., Montero Valverde, J., & Hernández, R. (s.f.). Detección
automática de retinopatía diabética aplicando visión artificial y redes neuronales
convolucionales.
Combalia, M., & Vilaplana, V. (2019). Clasificación de imágenes dermatoscópicas utilizando
Redes Neuronales Convolucionales e información de metadatos. Barcelona: Universidad
Politécnica de Catalunya.
Gómez Macedo, M. (2022). Detección de covid-19 y neumonía en imágenes rayos x de pulmones
utilizando redes neuronales convolucionales. México: Universidad Nacional Autónoma de
México.
Lopez Betancur, D., Bosco Duran, R., Guerrero Mendez, C., Zambrano Rodríguez, R., & Saucedo
Anaya, T. (2021). Comparación de arquitecturas de redes neuronales convolucionales para
el diagnóstico de COVID-19. En Computacion y Sistemas (Vol. 25, págs. 601–615).
Mexico: Instituto Politécnico Nacional/Centro de Investigacion en Computación.
doi:10.13053/CyS-25-3-3453
Losada Gutiérrez, C., & Fuentes Jiménez, D. (2019). Detección de personas en imágenes de
profundidad mediante redes neuronales convolucionales. Madrid: Universidad de Alcalá.
OMS. (2020). Coronavirus disease 2019 (COVID-19). Situation Report – 39. Geneva: World
Health Organization. Recuperado el 30 de Agosto de 2022, de
Revista Conectividad
Julio – diciembre 2023 ISSN:2806-5875
pp. 19-32 Correo: revista@ister.edu.ec
Volumen 4, Número 2
Revista Semestral del Instituto Tecnológico Universitario Rumiñahui 32
https://www.who.int/docs/default-source/coronaviruse/situation-reports/20200228-sitrep-
39-covid-19.pdf?sfvrsn=5bbf3e7d_2
OMS. (2023). Coronavirus disease (COVID-19) pandemic. Recuperado el 2022 de Septiembre de
02, de https://www.who.int/emergencies/diseases/novel-coronavirus-2019
Pérez Abreu, M. R., Gómez Tejeda, J. J., & Dieguez Gauch, R. A. (2022). Características clínico-
epidemiológicas de la COVID-19 (Vol. 19). La Habana: Revista Habanera de Ciencias
Médicas. Obtenido de
http://www.revhabanera.sld.cu/index.php/rhab/article/view/3254/2505
Quiñones Huatangari, L., Ochoa Toledo, L., & Gamarra Torres, O. (2020). Red neuronal artificial
para estimar un índice de calidad de agua. Quito: Enfoque.
doi:https://doi.org/10.29019/enfoque.v11n2.633
Serrano Muñoz, A., Viera López, G., & Betancourt Hernández, M. (2018). Diagnostico automático
de artritis reumatoide en radiografías de manos utilizando redes neuronales
convolucionales. (Vol. 35). Cuba: Revista Cubana de Física.
Ye, Z., Zhang, Y., Wang, Y., Huang, Z., & Song, B. (2020). Chest CT manifestations of new
coronavirus disease 2019 (COVID-19): a pictorial review. En European Radiology (Vol.
30, págs. 4381-4389). doi:10.1007/s00330-020-06801-0