Hybrid Deep Learning Gaussian Process for Diabetic Retinopathy Diagnosis and Uncertainty Quantification

La retinopatía diabética (RD) es una de las complicaciones microvasculares de la diabetes mellitus, que sigue siendo una de las principales causas de ceguera en todo el mundo. Los modelos computacionales basados ​​en redes neuronales convolucionales representan el estado del arte para la detección a...

Full description

Autores:
Gonzalez Osorio, Fabio
Perdomo Charry, Oscar Julian
Toledo Cortes, Santiago
De La Pava, Melissa
Tipo de recurso:
Article of investigation
Fecha de publicación:
2020
Institución:
Escuela Colombiana de Ingeniería Julio Garavito
Repositorio:
Repositorio Institucional ECI
Idioma:
eng
OAI Identifier:
oai:repositorio.escuelaing.edu.co:001/1425
Acceso en línea:
https://repositorio.escuelaing.edu.co/handle/001/1425
Palabra clave:
Retinopatía diabética
Aprendizaje
Método gaussiano
Gaussian method
Deep Learning
Diabetic Retinopathy
Gaussian Process
Uncertainty Quantification
Aprendizaje profundo
Retinopatía diabética
Proceso gaussiano
Cuantificación de la incertidumbre
Rights
openAccess
License
http://purl.org/coar/access_right/c_abf2
Description
Summary:La retinopatía diabética (RD) es una de las complicaciones microvasculares de la diabetes mellitus, que sigue siendo una de las principales causas de ceguera en todo el mundo. Los modelos computacionales basados ​​en redes neuronales convolucionales representan el estado del arte para la detección automática de RD utilizando imágenes de fondo de ojo. La mayor parte del trabajo actual aborda este problema como una tarea de clasificación binaria. Sin embargo, incluir la estimación de leyes y la cuantificación de la incertidumbre de las predicciones puede aumentar potencialmente la solidez del modelo. En este artículo, se presenta un método de proceso híbrido de aprendizaje profundo y gaussiano para el diagnóstico de RD y la cuantificación de la incertidumbre. Este método combina el poder de representación del aprendizaje profundo con la capacidad de generalizar a partir de pequeños conjuntos de datos de modelos de procesos gaussianos. Los resultados muestran que la cuantificación de la incertidumbre en las predicciones mejora la interpretabilidad del método como herramienta de apoyo al diagnóstico