Análisis de modelos de Deep Learning en la clasificación de Orthopoxvirus en conjuntos de datos reducidos empleando técnicas de remuestreo

Abstract

[Resumen]: En estos últimos años, la viruela símica se ha posicionado como un problema de salud pública global, provocando la preocupación de los profesionales sanitarios debido a su rápida propagación. Obtener un diagnóstico temprano es crucial para mitigar la enfermedad y detener su propagación. En este ámbito, el empleo de técnicas de análisis de imágenes mediante aprendizaje profundo puede llegar a ser una herramienta muy valiosa para mejorar la detección y clasificación de esta patología, diferenciándola de otras enfermedades cutáneas similares. Este estudio explora la posibilidad de combinar diferentes técnicas de Deep Learning sobre un conjunto de datos que presenta un desbalanceo considerable entre las distintas clases. Esta colección empleada ha sido creada por el Department of Computer Science and Engineering, Islamic University, Kushtia-7003, Bangladesh. Está compuesto por 770 imágenes organizadas en 4 clases: Monkeypox, Chickenpox, Measles y Normal. Las imágenes se han recopilado de diversas fuentes de internet, tales como sitios web de salud confiables, periódicos, portales en línea y muestras compartidas por los recursos públicos. Para solucionar este problema se emplea una serie de diferentes arquitecturas de redes neuronales, entre las que se incluyen MobileNet, ResNet y GAN. Así como también se investigan técnicas de remuestreo de datos como SMOTE y SMOTEENN. Se busca mejorar así el rendimiento del modelo y la reducción del impacto del desbalance en las capacidades de clasificación. El objetivo de este sistema no es solo comparar el rendimiento de diferentes modelos de aprendizaje profundo, sino también medir el impacto en la calidad de la clasificación que produce el empleo de diferentes estrategias de remuestreo. De esta manera, se pretende determinar la combinación óptima de modelos y técnicas que permita mejorar la detección de Orthopoxvirus y otras enfermedades cutáneas similares, contribuyendo de esta manera a posibles aplicaciones en el ámbito médico y epidemiológico.[Abstract]: In recent years, monkeypox has emerged as a global public health problem, causing concern among healthcare professionals due to its rapid spread. Early diagnosis is crucial to mitigate the disease and stop its spread. In this field, the use of image analysis techniques using Deep Learning can become a valuable tool to improve the detection and classification of this pathology, differentiating it from other similar skin diseases. This study explores the possibility of combining different Deep Learning techniques on a dataset that presents a considerable imbalance between the different classes. This collection used has been created by the Department of Computer Science and Engineering, Islamic University, Kushtia-7003, Bangladesh. It consists of 770 images organized into 4 classes: Monkeypox, Chickenpox, Measles and Normal. The images have been collected from various internet sources, such as reliable health websites, newspapers, online portals and samples shared by public resources. A number of different neural network architectures are used to solve this problem, including MobileNet, ResNet and GAN. Data resampling techniques such as SMOTE and SMOTEENN are also investigated. The aim is to improve model performance and reduce the impact of imbalance on classification capabilities. The objective of this system is not only to compare the performance of different Deep Learning models, but also to measure the impact on classification quality of using different resampling strategies. In this way, the aim is to finalize the optimal combination of models and techniques to improve the detection of Orthopoxvirus and other similar skin diseases, thus contributing to possible applications in the medical and epidemiological fields.