Skip to main content

Clasificación de Neumonía con Deep Learning

Guías educativas completas para desarrollar un sistema de detección automática de neumonía en rayos X usando redes neuronales convolucionales. Aprende a implementar, entrenar y evaluar un modelo de IA médica desde cero.

Comenzar ahoraExplorar el problema
📊
80-85% Accuracy
Precisión en detección
🎯
96% Sensibilidad
Detecta casi todas las neumonías
📈
0.93 AUC-ROC
Excelente discriminación

Comienza rápidamente

Sigue estos pasos para implementar tu propio clasificador de neumonía

1

Descargar el dataset

Obtén el dataset de rayos X de tórax desde Kaggle (5,863 imágenes, ~1.15 GB). El dataset contiene imágenes clasificadas en NORMAL y PNEUMONIA de pacientes pediátricos.
# Descarga desde Kaggle
kaggle datasets download -d paultimothymooney/chest-xray-pneumonia

# Extrae en la carpeta del proyecto
unzip chest-xray-pneumonia.zip -d data/chest_xray
URL del dataset: Chest X-Ray Images (Pneumonia)
2

Configurar el modelo CNN

El modelo utiliza una arquitectura de 3 capas convolucionales diseñada específicamente para clasificación de imágenes médicas:
  • Bloque Conv 1: 32 filtros 3×3 → MaxPooling
  • Bloque Conv 2: 64 filtros 3×3 → MaxPooling
  • Bloque Conv 3: 128 filtros 3×3 → MaxPooling
  • Fully Connected: 128 neuronas + Dropout (0.5)
  • Salida: 2 clases (Softmax)
La arquitectura CNN es ideal para esta tarea porque mantiene la información espacial de los rayos X y detecta automáticamente patrones como opacidades e infiltrados.
3

Entrenar el modelo

Ejecuta el script de entrenamiento que incluye data augmentation y early stopping:
python main.py train
El entrenamiento toma aproximadamente 1 hora en CPU o 10-15 minutos en GPU. El modelo se guarda automáticamente en models/best_model.keras.
  • Optimizador: Adam (lr=0.001)
  • Loss: Categorical Crossentropy
  • Épocas: 20 (con early stopping)
  • Batch size: 32
  • Data Augmentation: Rotaciones ±15°, zoom ±10%, flip horizontal
  • Regularización: Dropout 0.5
4

Evaluar resultados

Evalúa el modelo entrenado en el conjunto de test:
python main.py evaluate
Las gráficas de resultados se generan automáticamente en results/:
  • training_history.png - Evolución del accuracy y loss
  • confusion_matrix.png - Matriz de confusión
  • roc_curve.png - Curva ROC con AUC
  • predictions.png - Ejemplos de predicciones

Explora por tema

Accede a guías detalladas sobre cada aspecto del proyecto

Planteamiento del problema

Comprende el problema biomédico de la detección de neumonía y la justificación del uso de Deep Learning

Diseño del modelo CNN

Arquitectura detallada de la red neuronal convolucional con justificación técnica de cada capa

Guía del dataset

Instrucciones completas para descargar y preparar el dataset de rayos X de Kaggle

Guía completa paso a paso

Tutorial completo desde la definición del problema hasta la evaluación del modelo

Arquitectura CNN técnica

Detalles técnicos de las capas convolucionales, funciones de activación e hiperparámetros

Guía para expositores

Material preparado para presentaciones con puntos clave y timing sugerido

Características del proyecto

Aprende a implementar un sistema completo de IA médica

CNN de 3 capas

Arquitectura optimizada para clasificación de imágenes médicas con 13M parámetros

5,863 imágenes

Dataset real de rayos X pediátricos con etiquetas NORMAL y PNEUMONIA

Alta sensibilidad

96% de recall garantiza detección de casi todos los casos de neumonía

¿Listo para comenzar?

Sigue la guía de inicio rápido y construye tu propio clasificador de neumonía en menos de 2 horas. Aprende las bases de Deep Learning aplicado a imagenología médica.

Ir a inicio rápido

Build docs developers (and LLMs) love

Get started for freeTalk to us