Tecnologías, sistemas y redes de comunicaciones

Abstract

[ES] El presente trabajo de investigación demuestra cómo las redes neuronales perceptrón multicapa pueden ser útiles en el diagnóstico de la viabilidad miocárdica, por lo tanto para el diseño de sistemas de ayuda al diagnóstico clínico. Se realizan resonancias cardíacas magnéticas para obtener seis índices y una etiqueta de viabilidad. Los datos son manipulados y validados como corpus. Después de elegir las redes neuronales como el mejor modelo de clasificación para el diagnóstico de la viabilidad, se proponen cuatro modelos contextuales de redes neuronales para evaluar su rendimiento; cada modelo, como siempre, necesita de una reestructuración del corpus y del modo de evaluación. Su rendiemiento se evalúa con la ayuda de dos diferentes tasas de error: error de clasificación global y error de clase viable. El modelo de red más sencillo se utiliza para elegir el mejor algoritmo de aprendizaje, que resulta ser vanilla backpropagation. Todos los modelos contextuales se evalúan para cada segmento AHA, consiguiendo sintetizar tasas de error bajas, probándose que las redes neuronales perceptró'n multicapa son validas como núcleo de sistemas de ayuda al diagnóstico clínico de la viabilidad miocárdica.

[EN] The present paper demonstrates how multilayer perceptron neural networks can be useful for studying the cardiac viability, and therefore for designing clinical diagnose support systems. Cardio-magnetic resonances were performed to a number of patients in order to obtain six indexes and a viability target. Such data was then cleaned up and validated as a corpus. After selecting neural networks as the best model for viability diagnosis, four different network models with context were then proposed, aiming to establish their performance; each network needed, however, the restructuring of the corpus data, and, consequently, different validation procedures. Their performance was measured with the help of two different error rates: a global classification error and a viable class error. Four learning algorithms were put to the test on the simplest of the network models, of which the vanilla backpropagation one proved to give best results. Every contextual model was tested for every AHA segment, and significantly lower error rates were found for them, proving that multilayer perceptron neural networks do have a role in clinical diagnose support systems for viability diagnose