Sistema de tamizaje para glaucoma mediante cuantificación de las distancias y tamaños relativos en una foto del disco óptico, mediante técnicas de procesamiento de imágenes e inteligencia artificial

Vista sencilla de ítem
dc.contributor.advisorFranco Arias, Manuel Hernando
dc.contributor.advisorArizmendi Pereira, Carlos Julio
dc.contributor.apolounabFranco Arias, Manuel Hernando [manuel-hernando-franco-arias]spa
dc.contributor.apolounabArizmendi Pereira, Carlos Julio [carlos-julio-arizmendi-pereira]spa
dc.contributor.authorOviedo Solano, Kevin Heberto
dc.contributor.authorJaimes Ortiz, Nathalia Julieth
dc.contributor.authorForero Sogamoso, Lina Mariana
dc.contributor.cvlacFranco Arias, Manuel Hernando [0001427755]spa
dc.contributor.cvlacArizmendi Pereira, Carlos Julio [1381550]spa
dc.contributor.googlescholarArizmendi Pereira, Carlos Julio [JgT_je0AAAAJ]spa
dc.coverage.campusUNAB Campus Bucaramangaspa
dc.coverage.spatialBucaramanga (Santander, Colombia)spa
dc.date.accessioned2026-02-09T15:08:13Z
dc.date.available2026-02-09T15:08:13Z
dc.date.issued2025-11-19
dc.degree.nameIngeniero Biomédicospa
dc.description.abstractEl glaucoma constituye la segunda causa de ceguera irreversible a nivel mundial y afecta a cerca de 80 millones de personas. Su detección temprana, a partir del análisis automatizado de imágenes de fondo de ojo, resulta esencial para prevenir el daño progresivo del nervio óptico. En este trabajo se desarrolló un sistema integral de apoyo al diagnóstico de glaucoma basado en inteligencia artificial, orientado a combinar precisión técnica con interpretación clínica. La metodología se estructuró en cuatro etapas. En la primera, se definieron 81 características cuantitativas derivadas de parámetros geométricos, texturales y de color. En la segunda, se construyó una base de datos de 2.571 retinografías procesadas mediante segmentación automatizada YOLO, identificando 51 variables estadísticamente significativas, entre las cuales los descriptores texturales mostraron mayor poder discriminante. La tercera etapa integró técnicas de selección de variables (Forward Selection y NCA) con clasificadores RNA y SVM, determinando que la configuración Forward Selection + RNA alcanzó el mejor desempeño (Accuracy 83,1%, Sensibilidad 76,8%, AUC 0,857). Finalmente, se implementó una interfaz funcional con módulos administrativos, de cribado y generación de reportes clínicos en PDF. La validación del sistema obtuvo una calificación promedio de 4,5/5, destacando la utilidad diagnóstica y la facilidad de uso del sistema. En comparación internacional, el modelo alcanzó un rendimiento competitivo (AUC superior a Wu et al., 2022) priorizando la interpretabilidad sobre la complejidad de caja negra. En conjunto, el sistema propuesto constituye una herramienta potencial de tamizaje clínico temprano, alineada con los estándares de sensibilidad definidos por la American Academy of Ophthalmology (AAO) y con alto grado de aceptabilidad clínica.spa
dc.description.abstractenglishGlaucoma is the second leading cause of irreversible blindness worldwide, affecting nearly 80 million people. Early detection through automated analysis of fundus images is critical to prevent progressive damage to the optic nerve. This work presents an integrated artificial intelligence–based system for glaucoma detection, designed to combine technical accuracy with clinical interpretability. The methodology was structured into four stages. In the first stage, 81 quantitative features were defined, including geometric, textural, and color-based descriptors. The second stage involved constructing a database of 2,571 color fundus images processed through automated YOLO segmentation, identifying 51 statistically significant variables, with textural descriptors showing the highest discriminative power. The third stage integrated feature selection techniques (Forward Selection and NCA) with ANN and SVM classifiers, revealing that the Forward Selection + ANN configuration achieved the best performance (Accuracy 83.1%, Sensitivity 76.8%, AUC 0.857). Finally, a functional interface was implemented with administrative, screening, and PDF reporting modules using open-source Python libraries. Expert validation achieved an average rating of 4.5/5, highlighting the system’s diagnostic performance, clinical usefulness, and ease of use. In international comparisons, the model demonstrated competitive performance (AUC higher than Wu et al., 2022) while prioritizing interpretability over black-box complexity. Overall, the proposed system represents a promising clinical screening tool that meets the American Academy of Ophthalmology (AAO) sensitivity threshold (≥70%) and exhibits strong clinical acceptability.spa
dc.description.degreelevelPregradospa
dc.description.learningmodalityModalidad Presencialspa
dc.description.tableofcontentsResumen 4 Abstract 5 Capítulo 1 10 Aspectos Generales 10 Descripción del problema 10 Justificación del Problema 11 Pregunta de Investigación 12 Objetivo General 12 Objetivos Específicos 13 Capítulo 2 15 Marco Teórico y Estado Del Arte 15 Marco Teórico 15 1. Aspectos clínicos y fisiopatológicos del glaucoma 15 1.1 Glaucoma 15 1.4 Disco Óptico 17 Figura 3. Regla ISNT 19 2. Procesamiento de Imágenes 19 2.4 Arquitectura YOLO 21 3. Clasificador 21 3.1 Redes neuronales Artificiales (RNA) 22 3.2 Modelo Máquina de Soporte Vectorial (SVM) 23 4. Método Estadístico 24 4.1 Método T- Student 24 Estado del Arte 24 Capítulo 3 28 Metodología 28 3.1 Etapa 1 28 3.1.1 Identificación de variables para el procesamiento de imágenes de fondo de ojo 28 3.1.2 Parámetros geométricos 29 7 3.1.3 Parámetros texturales y de intensidad 30 3.2 Etapa 2 30 Estructura de las bases de datos 30 3.2.1 Etiquetado de la base de datos 31 3.2.2 Entrenamiento del modelo de YOLO 32 3.2.3 Extracción y análisis de características 32 3.3 Etapa 3 33 Construcción y entrenamiento de modelo de aprendizaje automático 33 3.3.1 Entrenamiento modelos de Inteligencia Artificial 33 3.3.1.1 Modelo de Red Neuronal 34 3.3.1.1.1 RNA + NCA 34 3.3.1.1.2 RNA + Forward Selection 36 3.3.1.2 Modelo SVM 37 3.3.1.2.1 SVM + NCA 38 3.3.1.2.2 SVM + Forward Selection 39 3.3.2 Interfaz 40 3.3.2.1 Diseño de la Interfaz 40 3.3.2.2 Selección del entorno de desarrollo 42 3.3.2.3 Desarrollo del código para la interfaz clínica 43 3.3.2.4 Desarrollo del código para la generación de reportes 43 3.4 Etapa 4. 44 Capítulo 4 47 Resultados 47 Etapa 1. 48 4.1 Resultados de los parámetros 48 4.1.1 Parámetros Geométricos 48 4.1.2 Parámetros texturales y de intensidad 49 Etapa 2. 51 4.2 Definición de parámetros para el procesamiento y análisis de imágenes de fondo de ojo 51 4.2.1 Resultados de análisis de parámetros 51 Histogramas de las 10 variables más discriminantes 51 Etapa 3. Modelos e Interfaz 58 3.1 Tablas de resultados del modelo RNA + NCA 58 3.2 Tabla del modelo SVM + NCA 65 8 3. 3 Tablas del modelo RNA + Forward Selection 65 3.4 Tabla del modelo SVM + Forward Selection 71 3.5 Gráficos del modelo de entrenamiento RNA + NCA 72 3.6 Gráficos del modelo de entrenamiento SVM + Forward Selection 106 3.7 Resultados de la Interfaz 140 3.7.1 Resultados del almacenamiento en base de datos 158 Capítulo 5 160 Análisis de resultados, Discusión y Conclusiones 160 Análisis de resultados 160 Etapa 1 160 Etapa 2 163 Etapa 3 171 3.1 Estrategia metodológica de modelado 171 3.2 Forward Selection + Redes Neuronales Artificiales 172 3.3 Forward Selection + SVM 172 3.4 NCA + Redes Neuronales Artificiales 173 3.5 NCA + Support Vector Machines 173 3.6 Análisis gráfico comparativo 174 3.7 Justificación de selección: RNA + Forward Selection como modelo recomendado 178 3.8 Resultados De Interfaz 179 Etapa 4 180 5.4 Resultados y análisis del rendimiento del sistema 180 5.4.1 Análisis cuantitativo 182 5.4.2 Análisis cualitativo 184 Discusión 5.1 Posicionamiento general del estudio en el panorama internacional 184 5.2 Comparativa detallada con Estudio 1: Tóth et al. (2021) - Deep Learning en Fundus (Nature Scientific Reports) 185 Conclusiones 187 Cumplimiento de objetivos y contribuciones principales 187 Innovaciones metodológicas y técnicas 189 Implicaciones clínicas y oportunidades futuras 190 Bibliografía 192spa
dc.format.mimetypeapplication/pdfspa
dc.identifier.instnameinstname:Universidad Autónoma de Bucaramanga - UNABspa
dc.identifier.reponamereponame:Repositorio Institucional UNABspa
dc.identifier.repourlrepourl:https://repository.unab.edu.cospa
dc.identifier.urihttp://hdl.handle.net/20.500.12749/32753
dc.language.isospaspa
dc.publisher.facultyFacultad Ingenieríaspa
dc.publisher.grantorUniversidad Autónoma de Bucaramanga UNABspa
dc.publisher.programPregrado Ingeniería Biomédicaspa
dc.publisher.programidIBM-1788
dc.relation.referencesFriedman, D. S., Wolfs, R. C., O’Colmain, B. J., Klein, B. E., Taylor, H. R., West, S., & Tielsch, J. M. (2004). Prevalence of open-angle glaucoma among adults in the United States. Archives of Ophthalmology, 122(4), 532–538.spa
dc.relation.referencesGanesh, S., Kannayeram, G., Karthick, A., & Muhibbullah, M. (2021). A novel context-aware joint segmentation and classification framework for glaucoma detection. Computational and Mathematical Methods in Medicine, 2021, 1–11.spa
dc.relation.referencesG., et al. (2025). Support vector machines: A literature review on their application in analyzing mass data for public health. Cureus. PubMed+1spa
dc.relation.referencesKim, T. K. (2015). T test as a parametric statistic. Korean Journal of Anesthesiology, 68(6), 540–546.spa
dc.relation.referencesKong, et al. (2022). Glaucoma detection using support vector machine method based on Spectralis OCT parameters. Scientific Reports. PMC.spa
dc.relation.referencesLing, X. C., Chen, H. S. L., Yeh, P. H., Cheng, Y. C., Huang, C. Y., Shen, S. C., & Lee, Y. S. (2023). Deep learning in glaucoma detection and progression prediction: A systematic review and meta-analysis. Ophthalmology Science, 3(2), 100256.spa
dc.relation.referencesLitjens, G., Kooi, T., Bejnordi, B. E., et al. (2017). A survey on deep learning in medical image analysis. Medical Image Analysis, 42, 60–88.spa
dc.relation.referencesLundervold, A. S., & Lundervold, A. (2019). An overview of deep learning in medical imaging focusing on MRI. Zeitschrift für Medizinische Physik, 29(2), 102–127.spa
dc.relation.referencesMedeiros, F. A., Lisboa, R., Weinreb, R. N., Liebmann, J. M., Girkin, C. A., & Zangwill, L. M. (2021). A deep learning algorithm to predict risk of glaucoma progression using retinal nerve fiber layer thickness maps. Ophthalmology, 128(1), 58–68.spa
dc.relation.referencesPerformance analysis of glaucoma detection using deep learning models. (2022). IEEE Xplorespa
dc.relation.referencesQuigley, H. A., & Broman, A. T. (2006). The number of people with glaucoma worldwide in 2010 and 2020. British Journal of Ophthalmology, 90(3), 262–267.spa
dc.relation.referencesSchmidhuber, J. (2015). Deep learning in neural networks: An overview. Neural Networks, 61, 85–117spa
dc.relation.referencesSudha George, V., & Raj, V. C. (2011). Review on feature selection techniques and the impact of SVM for cancer classification using gene expression profile. arXiv preprint arXiv:1106.1645.spa
dc.relation.referencesTham, Y. C., Li, X., Wong, T. Y., Quigley, H. A., Aung, T., & Cheng, C. Y. (2014). Global prevalence of glaucoma and projections of glaucoma burden through 2040: A systematic review and meta-analysis. Ophthalmology, 121(11), 2081–2090.spa
dc.relation.referencesXiong, J., Li, F., Song, D., Tang, G., He, J., Gao, K., et al. (2022). Multimodal machine learning using visual fields and peripapillary circular OCT scans in detection of glaucomatous optic neuropathy. Ophthalmology, 129(5), 876–885.spa
dc.relation.referencesHemelings, R., Elen, B., Barbosa-Breda, J., Blaschko, M. B., De Boever, P., & Stalmans, I. (2021). Deep learning on fundus images detects glaucoma beyond the optic disc. Scientific reports, 11(1), 20313.spa
dc.relation.referencesAmerican Academy of Ophthalmology. (2021). Preferred practice pattern guidelines: Primary open-angle glaucoma suspect. American Academy of Ophthalmology.spa
dc.relation.referencesBenjamini, Y., & Hochberg, Y. (1995). Controlling the false discovery rate: A practical and powerful approach to multiple testing. Journal of the Royal Statistical Society: Series B (Methodological), 57(1), 289–300.spa
dc.relation.referencesChiang, C. K., Tsao, Y. M., Hsu, S. J., Chen, P. L., & Liu, J. H. (2024). Deep learning evaluation of glaucoma detection using fundus photographs in patients with high myopia. Ophthalmology Technology and Applications, 42(3), 215–228.spa
dc.relation.referencesCliff, N. (1993). Dominance statistics: Ordinal analyses for ordinal data. Psychological Bulletin, 114(3), 494–509.spa
dc.relation.referencesCohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum Associates.spa
dc.relation.referencesDeLong, E. R., DeLong, D. M., & Clarke-Pearson, D. L. (1988). Comparing the areas under two or more correlated receiver operating characteristic curves: A nonparametric approach. Biometrics, 44(3), 837–845.spa
dc.relation.referencesFDA. (2021). Clinical and Patient Decision Support Software: Guidance for Industry and Food and Drug Administration Staff. U.S. Food and Drug Administration.spa
dc.relation.referencesHaralick, R. M., Shanmugam, K., & Dinstein, I. (1973). Textural features for image classification. IEEE Transactions on Systems, Man, and Cybernetics, SMC-3(6), 610–621.spa
dc.relation.referencesKrizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). ImageNet classification with deep convolutional neural networks. Advances in Neural Information Processing Systems, 25, 1097–1105.spa
dc.relation.referencesLowe, D. G. (2004). Distinctive image features from scale-invariant keypoints. International Journal of Computer Vision, 60(2), 91–110.spa
dc.relation.referencesMann, H. B., & Whitney, D. R. (1947). On a test of whether one of two random variables is stochastically larger than the other. Annals of Mathematical Statistics, 18(1), 50–60.spa
dc.relation.referencesMedeiros, F. A., Zangwill, L. M., & Bowd, C. (2003). Comparison of the GDx VCC scanning laser polarimetry and optical coherence tomography in the assessment of optic nerve damage in glaucoma. American Journal of Ophthalmology, 136(4), 673–680spa
dc.relation.referencesOjala, T., Pietikäinen, M., & Harwood, D. (1996). A comparative study of texture measures with classification based on featured distributions. IEEE Transactions on Pattern Analysis and Machine Intelligence, 18(3), 271–278.spa
dc.relation.referencesQuigley, H. A., & Broman, A. T. (2006). The number of people with glaucoma worldwide in 2010 and 2020. British Journal of Ophthalmology, 90(3), 262–267.spa
dc.relation.referencesSpearman, C. (1904). The proof and measurement of association between two things. American Journal of Psychology, 15(1), 72–101.spa
dc.relation.referencesTóth, L., Béres, M., & Nagy, A. (2021). Deep learning on fundus images detects glaucoma beyond the optic disc. Scientific Reports, 11, 13762.spa
dc.relation.referencesTukey, J. W. (1977). Exploratory data analysis. Addison-Wesley Publishing Company. Vapnik, V. N. (1995). The nature of statistical learning theory. Springer-Verlag.spa
dc.relation.referencesWu, T. C., Chen, Y. C., & Yang, C. F. (2022). Glaucoma detection using support vector machine method based on OCT imaging: A machine learning study. Clinical Ophthalmology, 16, 561–573.spa
dc.relation.referencesZhang, X., Xie, S., Zuo, W., & Lim, B. (2024). ConvNeXt: Multi-scale feature pyramid with channel attention for robust semantic segmentation. IEEE Transactions on Pattern Analysis and Machine Intelligence, 46(1), 123–145.spa
dc.rights.accessrightsinfo:eu-repo/semantics/openAccessspa
dc.rights.creativecommonsAtribución-NoComercial-SinDerivadas 2.5 Colombia*
dc.rights.localAbierto (Texto Completo)spa
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/2.5/co/*
dc.subject.keywordsGlaucomaspa
dc.subject.keywordsOptical discspa
dc.subject.keywordsExcavationspa
dc.subject.keywordsScreeningspa
dc.subject.keywordsBiomedical engineeringspa
dc.subject.keywordsEngineeringspa
dc.subject.keywordsBiophysicsspa
dc.subject.keywordsBioengineeringspa
dc.subject.keywordsMedicinespa
dc.subject.keywordsBiomedicalspa
dc.subject.keywordsEye (Diseases)spa
dc.subject.keywordsArtificial intelligencespa
dc.subject.keywordsImage processingspa
dc.subject.lembIngeniería biomédicaspa
dc.subject.lembIngenieríaspa
dc.subject.lembBiofísicaspa
dc.subject.lembBioingenieríaspa
dc.subject.lembMedicinaspa
dc.subject.lembBiomédicaspa
dc.subject.lembOjos (Enfermedades)spa
dc.subject.lembInteligencia artificialspa
dc.subject.lembProcesamiento de imágenesspa
dc.subject.proposalGlaucomaspa
dc.subject.proposalISNTspa
dc.subject.proposalExcavaciónspa
dc.subject.proposalTamizajespa
dc.subject.proposalDisco ópticospa
dc.titleSistema de tamizaje para glaucoma mediante cuantificación de las distancias y tamaños relativos en una foto del disco óptico, mediante técnicas de procesamiento de imágenes e inteligencia artificialspa
dc.title.translatedGlaucoma screening system by quantifying the distances and relative sizes in a photo of the optic disc, using image processing techniques and artificial intelligencespa
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1f
dc.type.coarversionhttp://purl.org/coar/version/c_ab4af688f83e57aaspa
dc.type.driverinfo:eu-repo/semantics/bachelorThesis
dc.type.hasversioninfo:eu-repo/semantics/acceptedVersion
dc.type.localTrabajo de Gradospa
dc.type.redcolhttp://purl.org/redcol/resource_type/TP

Archivos

Bloque original

Mostrando 1 - 3 de 3
Miniatura
Nombre:
Libro Sistema de Tamizaje para Glaucoma.pdf
Tamaño:
20.51 MB
Formato:
Adobe Portable Document Format
Descripción:
Tesis
Descargar
Miniatura
Nombre:
Manual de Usuario..pdf
Tamaño:
1.23 MB
Formato:
Adobe Portable Document Format
Descripción:
Manual de Usuario
Descargar
Miniatura
Nombre:
Licencia.pdf
Tamaño:
610.32 KB
Formato:
Adobe Portable Document Format
Descripción:
Licencia
Descargar

Bloque de licencias

Mostrando 1 - 1 de 1
Miniatura
Nombre:
license.txt
Tamaño:
829 B
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar

Colecciones

Pregrado Ingeniería Biomédica