Interfaz gráfica para detección automática del grado de progresión de retinopatía diabética mediante un modelo de inteligencia artificial

Cargando...
Miniatura

Autores

Suescún Mejía, Angela Dayana

Otros contribuidores

Director / Asesor

Arizmendi Pereira, Carlos Julio    logo-CVLAC    logo-GScholar    logo-Scopus    logo-ResearchGate    logo-APoloUNAB   
Franco Arias, Manuel Hernando    logo-CVLAC   

Título de la revista

ISSN de la revista

Título del volumen

Editor

Seguimiento al proceso del trabajo

Compartir

Seleccione un documento PDF para visualizar

Resumen

La retinopatía diabética es una de las enfermedades derivadas de la diabetes mellitus que causa daños en los vasos sanguíneos que irrigan el globo ocular. Clínicamente, se establecen 5 estados de la enfermedad: i) Sin retinopatía diabética. ii) Retinopatía diabética no proliferativa leve. iii) Retinopatía diabética no proliferativa moderada. iv) Retinopatía diabética no proliferativa severa. v) Retinopatía diabética proliferativa. Cada una de las fases se asocia con síntomas y anormalidades identificables en las imágenes de fondo de ojo de color. Las imágenes de fondo de ojo se pueden agrupar y clasificar según su pronóstico clínico. Esta información puede extraerse, teniendo en cuenta que cada uno de los estados (estado de progresión de la enfermedad) de preferencia cuenten con el mismo número de imágenes, de no ser así, primero se hace el balanceo de clases y mediante redes neuronales convolucionales, se selecciona la capa de la cual se desea extraer la información. Seguidamente, se realiza una reducción de dimensionalidad en caso de ser aplicable, eliminando las variables irrelevantes; luego se cargan las variables restantes en un sistema de decisión, este predice el estado de progresión de la retinopatía diabética en la imagen seleccionada. Para proporcionar mayor confiabilidad se entrenan y validan tres modelos, uno con cada red neuronal convolucional seleccionada y se comparan sus resultados. Se realizan pruebas adicionales con diferente cantidad de imágenes cada uno de los grupos, entrenamiento validación y testeo, los cuales constituyen modelos potenciales para la clasificación, los cuales obtienen resultados por debajo del modelo propuesto en la metodología. Finalmente, se obtiene un modelo capaz de clasificar el estado de la enfermedad con un porcentaje de acierto del 74,49% para el grupo de datos de validación realizando la extracción de características con la red DarkNet19, siendo este el implementado en la interfaz gráfica para prever el estado de progresión de la retinopatía diabética.

Descripción

Enlace al recurso

Fuente del recurso

Citación

Aprobación

Revisión

Complementado por

Referenciado por

Licencia Creative Commons

Excepto donde se indique lo contrario, la licencia de este ítem se describe como Atribución-NoComercial-SinDerivadas 2.5 Colombia