Deep learning aplicado a imágenes de retina como herramienta de tamizaje en un proceso de diagnóstico médico

El diagnóstico asistido por computador, es un método que brinda a los expertos médicos una asistencia en la interpretación de imágenes médicas, para obtener un diagnóstico óptimo. Entre estos métodos, el deep learning ha sido utilizado para crear sistemas de detección automáticos, que permiten tener diagnósticos más acertados, y en algunos casos, realizar evaluaciones en lugares donde la asistencia médica es limitada. En el presente proyecto, se desarrolló un sistema de deep learning aplicado a imágenes de retina humana, como herramienta de tamizaje en un proceso de diagnóstico médico. Se utilizó una base de datos de imágenes provistas por EyePACS, una plataforma para el intercambio de información clínica relacionada con los ojos. Estas imágenes, fueron usadas en un concurso de Kaggle, cuyo propósito era identificar signos de retinopatía diabética en imágenes de retinas a través de un sistema de detección automático. Usando como inspiración una de las soluciones al problema del concurso, fue posible implementar una modelo, capaz de detectar retinopatía diabética a partir de imágenes de retina de entrada. Inicialmente, se realizó un pre-procesamiento a las imágenes, debido a que estas fueron tomadas con cámara de diferentes resoluciones y condiciones de luminosidad variables. Por lo tanto, se normalizaron las imágenes a través de una serie de métodos, como centrar la retina en la imagen, estandarizar se resolución, y efectuar algunas transformaciones de color. Seguidamente, estas imágenes pre-procesadas se usaron como entrada a una red neuronal convolucional profunda, la cual realizaba un proceso de extracción de características para obtener los patrones relevantes, que diferenciaban un paciente enfermo de uno sano. La red fue entrenada para clasificar cinco categorías de retinopatía diabética, donde cero correspondía a un paciente sano y cuatro a un caso de retinopatía diabética proliferativa (nivel avanzado de la enfermedad). Durante la experimentación se implementaron técnicas como data augmentation, normalización por batch, regularizadores y dropout para facilitar el aprendizaje de la red, y evitar el sobre-entrenamiento. Finalmente, después de múltiples experimentos y configuraciones, se logró obtener un sistema capaz de identificar la enfermedad, con un nivel de acuerdo con respecto a las etiquetas asignada por un médico, para datos de prueba de 76,73%. Este resultado, indica que se obtuvo una red con un buen desempeño, que fue capaz de generalizar los patrones aprendidos, para clasificar imágenes diferentes a las cuales con las que fue entrenada

• Autores: Álvarez Triviño, María Camila
• Tipo de recurso: Trabajo de grado de pregrado
• Fecha de publicación: 2017
• Institución: Universidad Autónoma de Occidente
• Repositorio: RED: Repositorio Educativo Digital UAO
• Idioma: spa
• OAI Identifier: oai:red.uao.edu.co:10614/9568
• Acceso en línea: http://hdl.handle.net/10614/9568
• Palabra clave: Ingeniería Mecatrónica; Redes neurales (Computadores); Diagnóstico por imágenes; Retinopatía diabética; Deep learning; Diabetic retinopathy; Diagnostic imaging
• Rights: openAccess
• License: https://creativecommons.org/licenses/by-nc/4.0/