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

dc.contributor.advisorArizmendi Pereira, Carlos Julio
dc.contributor.advisorFranco Arias, Manuel Hernando
dc.contributor.apolounabArizmendi Pereira, Carlos Julio [carlos-julio-arizmendi-pereira]spa
dc.contributor.authorSuescún Mejía, Angela Dayana
dc.contributor.cvlacArizmendi Pereira, Carlos Julio [1381550]spa
dc.contributor.cvlacFranco Arias, Manuel Hernando [0001427755]spa
dc.contributor.googlescholarArizmendi Pereira, Carlos Julio [JgT_je0AAAAJ]spa
dc.contributor.orcidFranco Arias, Manuel Hernandospa
dc.contributor.researchgateArizmendi Pereira, Carlos Julio [Carlos_Arizmendi2]spa
dc.contributor.scopusArizmendi Pereira, Carlos Julio [16174088500]spa
dc.coverage.campusUNAB Campus Bucaramangaspa
dc.coverage.spatialBucaramanga (Santander, Colombia)spa
dc.date.accessioned2025-06-20T16:20:33Z
dc.date.available2025-06-20T16:20:33Z
dc.date.issued2025-05-26
dc.degree.nameIngeniero Biomédicospa
dc.description.abstractLa 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.spa
dc.description.abstractenglishDiabetic retinopathy is one of the complications derived from diabetes mellitus that causes damage to the blood vessels supplying the eyeball. Clinically, five stages of the disease are established: i) No diabetic retinopathy, ii) Mild non-proliferative diabetic retinopathy, iii) Moderate non-proliferative diabetic retinopathy, iv) Severe non-proliferative diabetic retinopathy, and v) Proliferative diabetic retinopathy. Each phase is associated with identifiable symptoms and abnormalities in color fundus images. These images can be grouped and classified according to their clinical prognosis. This information can be extracted, considering that each disease stage (progression state) should preferably have the same number of images. If not, class balancing is first performed, and then, using convolutional neural networks (CNNs), the layer from which to extract the information is selected. Next, dimensionality reduction is applied if necessary, eliminating irrelevant variables; the remaining variables are then loaded into a system to predict the diabetic retinopathy progression stage corresponding to the selected image. To provide greater reliability, three models are trained and validated, each with a different selected CNN, and their results are compared. Additional tests are carried out using different numbers of images for the training, validation, and testing groups. These models are potential classifiers but achieve lower performance than the one proposed in the methodology. Finally, a model capable of classifying the disease stage with an accuracy of 74,49% on the validation dataset is obtained. This model uses DarkNet19 for feature extraction and is implemented in a graphical interface to predict the progression stage of diabetic retinopathy.spa
dc.description.degreelevelPregradospa
dc.description.learningmodalityModalidad Presencialspa
dc.description.tableofcontentsResumen 4 Capítulo I 13 Introducción 13 Planteamiento del problema 15 Justificación 17 Pregunta de investigación 19 Objetivos 19 Objetivo General 19 Objetivos Específicos 19 Capítulo II 20 Estado del arte 20 Marco conceptual 24 Capítulo III 31 Metodología 31 1. Pertinencia de la base de datos 31 1. Redes neuronales existentes 33 2. Ajuste de parámetros para entrenamiento 34 3. Entrenamiento de la red neuronal convolucional y extracción de características 36 4. Entrenamiento de los sistemas de predicción 37 5. Reducción de dimensionalidad 38 6. Entrenamiento de las máquinas de soporte vectorial y redes neuronales 39 7. Evaluación de los resultados de predicción 39 8. Obtención e implementación del modelo final 40 Capítulo VI 42 Resultados 42 1. Pertinencia de la base de datos 42 2. Redes Neuronales Preexistentes 47 3. Ajuste de parámetros de entrenamiento 50 4. Entrenamiento de la red neuronal convolucional y extracción de características 52 5. Entrenamiento de los sistemas de predicción 61 6. Reducción de dimensionalidad 62 7. Entrenamiento de redes neuronales y máquinas de soporte vectorial 64 8. Evaluación de los resultados de predicción 66 9. Obtención e implementación del modelo final 67 Capítulo V 73 Análisis de resultados 73 Conclusiones 76 Referencias 78spa
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/20.500.12749/30027
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.referencesAiche, I., Brik, Y., Attallah, B., Lahmar, H., & Zohra, Z. (2022). Transfer learning for diabetic retinopathy detection. 2022 International Conference of Advanced Technology in Electronic and Electrical Engineering (ICATEEE), 1–5. https://doi.org/10.1109/ICATEEE57445.2022.10093089spa
dc.relation.referencesAmaya Lara, J. L., Beltrán Villegas, A., Chavarro, D., Romero Silva, G., Matallana Gómez, M. A., Puerto García, S., . . . Vásquez Candia, M. E. (2013). Disponibilidad DistribuciónMdEspecialistasCendexspa
dc.relation.referencesAmerican Diabetes Association. (2017). Classification and diagnosis of diabetes. Diabetes Care, 40(1), S11. Retrieved from https://care.diabetesjournals.org/content/35/Supplement_1/S11spa
dc.relation.referencesBatista, G. E. A. P. A., Prati, R. C., & Monard, M. C. (2004). A study of the behavior of several methods for balancing machine learning training data. SIGKDD Explorations: Newsletter of the Special Interest Group (SIG) on Knowledge Discovery & Data Mining, 6(1), 20–29. https://doi.org/10.1145/1007730.1007735spa
dc.relation.referencesBoyd, K. (2018). What is diabetic retinopathy?spa
dc.relation.referencesBurgoyne, F. H. (1961). The pathology of diabetes mellitusspa
dc.relation.referencesCantero, A. (2013). Mi vida como miope: Y mi tránsito por la baja visión. Editorial Martín Mar De La Plata, Retrieved from http://www.webmati.es/index.php?option=com_content&view=article&id=21:el-proceso-de-duelo-y-la-baja-vision&catid=13&Itemid=160spa
dc.relation.referencesChawla, N. V., Bowyer, K. W., Hall, L. O., & Kegelmeyer, W. P. (2011). SMOTE: Synthetic minority over-sampling technique. En arXiv [cs.AI]. http://arxiv.org/abs/1106.1813spa
dc.relation.referencesCheloni, R., Gandolfi, S. A., Signorelli, C., & Odone, A. (2019). Global prevalence of diabetic retinopathy: protocol for a systematic review and meta-analysis. BMJ open, 9(3), e022188. https://doi.org/10.1136/bmjopen-2018-022188spa
dc.relation.referencesChong, D. D., Das, N., & Singh, R. P. (2024). Diabetic retinopathy: Screening, prevention, and treatment. Cleveland Clinic Journal of Medicine, 91(8), 503–510. https://doi.org/10.3949/ccjm.91a.24028spa
dc.relation.referencesFong, D. S., Aiello, L., Gardner, T. W., King, G. L., Blankenship, G., Cavallerano, J. D., . . . Klein, R. (2004). Retinopathy in diabetesspa
dc.relation.referencesGalvis Ramirez, V., Rey Serrano, J. J., Rodríguez Villamizar, L. A., Serrano Calderón, C., & Tello Hernández, A. (2009). Prevalencia de la ceguera en el departamento de santander - colombiaspa
dc.relation.referencesGattullo, B. A., & Edelman, M. (2008). Retinopatía diabética. Nursing (Ed. española), 26(10), 17. doi:10.1016/S0212-5382(08)70811-2 Retrieved from https://www.sciencedirect.com/science/article/pii/S0212538208708112spa
dc.relation.referencesHe, H., Bai, Y., Garcia, E. A., & Li, S. (2008). ADASYN: Adaptive synthetic sampling approach for imbalanced learning. 2008 IEEE International Joint Conference on Neural Networks (IEEE World Congress on Computational Intelligence), 1322–1328spa
dc.relation.referencesHosny, A., & Aerts, H. J. W. L. (2019). Artificial intelligence for global health. Science (New York, N.Y.), 366(6468), 955–956. https://doi.org/10.1126/science.aay5189spa
dc.relation.referencesInstituto de Microbiología Ocular. (2018). La mayoría de diabéticos tipo 1 padecerá retinopatía diabética, su detección precoz puede evitar ceguera en más del 90% de los casosspa
dc.relation.referencesJiménez, S., Alemany, P., Núñez, F. J., Fondón, I., Serrano, C., Acha, B., & Failde, I. (2012). Automated detection of microaneurysms by using region growing and fuzzy artmap neural network. Archives of the Spanish Society for Ophthalmology (Archivos De La Sociedad Española De Oftalmología, English Edition), 87(9), 284-289. doi:10.1016/j.oftale.2012.04.012spa
dc.relation.referencesKaggle. (2015). Diabetic retinopathy detection [Data set]. https://www.kaggle.com/c/diabetic-retinopathy-detectionspa
dc.relation.referencesKarami, N., & Rabbani, H. (Nov 2017). A dictionary learning based method for detection of diabetic retinopathy in color fundus images. Paper presented at the 119-122. doi:10.1109/IranianMVIP.2017.8342333 Retrieved from https://ieeexplore.ieee.org/document/8342333spa
dc.relation.referencesKaya, C., Erkaymaz, O., Ayar, O., & Ozer, M. (May 2017). Detection of diabetic retinopathy disease from video-oculography (VOG) signals by artificial neural networks. Paper presented at the 1-4. doi:10.1109/SIU.2017.7960420 Retrieved from https://ieeexplore.ieee.org/document/7960420spa
dc.relation.referencesKumar, S., & Kumar, B. (Feb 2018). Diabetic retinopathy detection by extracting area and number of microaneurysm from colour fundus image. Paper presented at the 359-364. doi:10.1109/SPIN.2018.8474264 Retrieved from https://ieeexplore.ieee.org/document/8474264spa
dc.relation.referencesLam, C., Yi, D., Guo, M., & Lindsey, T. (2018). Automated detection of diabetic retinopathy using deep learning. AMIA Joint Summits on Translational Science Proceedings, 2017, 147–155spa
dc.relation.referencesLee, R., Wong, T. Y., & Sabanayagam, C. (2015). Epidemiology of diabetic retinopathy, diabetic macular edema and related vision loss. Eye and Vision (London, England), 2(1), 17. doi:10.1186/s40662-015-0026-2spa
dc.relation.referencesMagan, T., Pouncey, A., Gadhvi, K., Katta, M., Posner, M., & Davey, C. (2019). Prevalence and severity of diabetic retinopathy in patients attending the endocrinology diabetes clinic at mulago hospital in uganda. Diabetes Research and Clinical Practice, 152, 65-70. doi:10.1016/j.diabres.2019.04.024spa
dc.relation.referencesManjushree, R., Bhoomika, D., Nair, R. R., & Babu, T. (2022). Automated detection of diabetic retinopathy using deep learning in retinal fundus images: Analysis. En 2022 3rd International Conference on Communication, Computing and Industry 4.0 (C2I4) (pp. 1–6). IEEE. https://doi.org/10.1109/C2I456876.2022.10051419spa
dc.relation.referencesMathWorks. (R2018b). FSCNCA (feature selection using neighborhood component analysis). Mathworks.com. Recuperado el 13 de febrero de 2025, de https://la.mathworks.com/help/stats/fscnca.htmlspa
dc.relation.referencesMathworks Inc. (2020b). relieff. Mathworks.com. https://la.mathworks.com/help/stats/relieff.html?searchHighlight=relieff&s_tid=srchtitle_support_results_1_relieffspa
dc.relation.referencesMera, J., & Arrieta, C. (2015). Estudio Comparativo de Técnicas de Balanceo de Datos en el Aprendizaje de Múltiples Instancias. LACNEM2015 - Latin American Conference on Networking and Electronic Media.spa
dc.relation.referencesMinisterio de Salud y Protección social. (2019). Complicaciones y enfermedades asociadas a la diabetesspa
dc.relation.referencesMinisterio de Salud y Protección Social, & Universidad Nacional de Colombia. (2016). Análisis de la situación de salud visual en colombiaspa
dc.relation.referencesMittal, N., & Kumar, A. (2022). Analysis of supervised feature selection in bioinformatics. En Blockchain Applications for Healthcare Informatics (pp. 431–446). Elsevier.spa
dc.relation.referencesNagpal, D., Panda, S. N., Malarvel, M., Pattanaik, P. A., & Khan, M. Z. (2022). A review of diabetic retinopathy: Datasets, approaches, evaluation metrics and future trends. Journal of King Saud University - Computer and Information Sciences, 34(9), 7138–7152. https://doi.org/10.1016/j.jksuci.2021.06.006spa
dc.relation.referencesNeri, G., Sharma, S., Ghezzo, B., & Others. (2025). Deep learning model for automatic detection of different types of microaneurysms in diabetic retinopathy. Eye, 39, 570–577. https://doi.org/10.1038/s41433-024-03585-1spa
dc.relation.referencesNoble, J., & Chaudhary, V. (2010). Diabetic retinopathy. Canadian Medical Association Journal (CMAJ), 182(15), 1646. doi:10.1503/cmaj.090536spa
dc.relation.referencesSalem, N., & Hussein, S. (2019). Data dimensional reduction and principal components analysis. Procedia Computer Science, 163, 292–299. https://doi.org/10.1016/j.procs.2019.12.111spa
dc.relation.referencesSánchez Gutiérrez, C. I., López Gálvez, M. I., Hornero Sánchez, R., & Poza Crespo, J. (2004). Retinal image analysis to detect lesions associated with diabetic retinopathy. Archivos De La Sociedad Española De Oftalmología, 79(12), 623-628.spa
dc.relation.referencesSatyanandam, N., Satyanarayana, C., Riyazuddin, M., & Shaik, A. (2012). Data mining, machine learning approaches and medical diagnose systems: A survey. International Journal of Computer & Organization Trends, 2(3), 1–6. http://www.ijcotjournal.orgspa
dc.relation.referencesSt. Paul's Eye Unit. (2006). Automated Retinal Image Analysis (ARIA) Data Set [Data set]. http://www.damianjjfarnell.com/?page_id=276spa
dc.relation.referencesToan Bui, Maneerat, N., & Watchareeruetai, U. (Nov 2017). Detection of cotton wool for diabetic retinopathy analysis using neural network. Paper presented at the 203-206. doi:10.1109/IWCIA.2017.8203585 Retrieved from https://ieeexplore.ieee.org/document/8203585spa
dc.relation.referencesValerio, M. (2017). Retinopatía, la ceguera de la diabetesspa
dc.relation.referencesVallejo. M, E., & Rodriguez. A, F. (2016). Epidemiología de la retinopatía diabética y su relación con la diabetes. Revista Colombiana De Endocrinología, Diabetes Y Metabolismo, 3(1), 12-15. Retrieved from http://www.endocrino.org.co/revista/pdf/7662a8105289b032f44fcbf9968f1cab.pdfspa
dc.relation.referencesWebb, M. P. K., & Sidebotham, D. (2020). Bayes’ formula: a powerful but counterintuitive tool for medical decision-making. BJA Education, 20(6), 208–213. https://doi.org/10.1016/j.bjae.2020.03.002spa
dc.relation.referencesWesterfeld Corey, & Miller Joan. (2010). Neovascularization in diabetic retinopathy. Ocular disease mechanisms and management (pp. 514-518)spa
dc.relation.referencesWorld Health Organization. (2014). La OMS estima que hay 285 millones de personas con discapacidad visual en el mundo. Retrieved from https://www.infosalus.com/actualidad/noticia-oms-estima-hay-285-millones-personas-discapacidad-visual-mundo-20131010134206.htmlspa
dc.relation.referencesWorld Health Organization. (2016). Global report on diabetesspa
dc.relation.referencesYing, X. (2019). An Overview of Overfitting and its Solutions. Journal of Physics. Conference Series, 1168(2), 022022. https://doi.org/10.1088/1742-6596/1168/2/022022spa
dc.relation.referencesZerguine, A., & Bensegueni, M. (2010, June). Comparison between Levenberg-Marquardt and Scaled Conjugate Gradient training algorithms for Breast Cancer Diagnosis using MLP. In 2010 6th International Colloquium on Signal Processing & Its Applications (CSPA) (pp. 1–5). IEEE. https://doi.org/10.1109/CSPA.2010.5545325spa
dc.relation.referencesZuley, Y., & Cárdenas, C. (2003). Ciencia y tecnología para la salud visual & ocular. Retrieved from https://dialnet.unirioja.es/servlet/revista?codigo=24437spa
dc.relation.uriapolohttps://apolo.unab.edu.co/en/persons/carlos-julio-arizmendi-pereiraspa
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.keywordsDiabetic Retinopathyspa
dc.subject.keywordsMachine learningspa
dc.subject.keywordsDeep learningspa
dc.subject.keywordsFundus imagespa
dc.subject.keywordsConvolutional neural networkspa
dc.subject.keywordsBiomedical engineeringspa
dc.subject.keywordsEngineeringspa
dc.subject.keywordsBiophysicsspa
dc.subject.keywordsBioengineeringspa
dc.subject.keywordsMedicinespa
dc.subject.keywordsBiomedicalspa
dc.subject.keywordsNeural networks (Computer science)spa
dc.subject.keywordsArtificial intelligencespa
dc.subject.keywordsTheory of machinesspa
dc.subject.keywordsGraphical user interfaces (Computers)spa
dc.subject.lembIngeniería biomédicaspa
dc.subject.lembIngenieríaspa
dc.subject.lembBiofísicaspa
dc.subject.lembBioingenieríaspa
dc.subject.lembMedicinaspa
dc.subject.lembBiomédicaspa
dc.subject.lembRedes neuronales (Computadores)spa
dc.subject.lembInteligencia artificialspa
dc.subject.lembTeoría de las máquinasspa
dc.subject.lembInterfaces gráficas de usuario (Computadores)spa
dc.subject.proposalFondo de ojospa
dc.subject.proposalRetinopatía diabéticaspa
dc.subject.proposalAprendizaje profundospa
dc.subject.proposalAprendizaje automáticospa
dc.subject.proposalRed neuronal convolucionalspa
dc.titleInterfaz gráfica para detección automática del grado de progresión de retinopatía diabética mediante un modelo de inteligencia artificialspa
dc.title.translatedGraphical Interface for Automatic Detection of Diabetic Retinopathy Progression Level Using an Artificial Intelligence modelspa
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 - 2 de 2
Cargando...
Miniatura
Nombre:
Interfaz Grafica para el deteción automatica del grado de progresión de retinopatía diabética.pdf
Tamaño:
1.52 MB
Formato:
Adobe Portable Document Format
Descripción:
Tesis
Cargando...
Miniatura
Nombre:
Licencia.pdf
Tamaño:
324.24 KB
Formato:
Adobe Portable Document Format
Descripción:
Licencia

Bloque de licencias

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