Mecanismos de atención e interpretabilidad en el aprendizaje automático para la detección de enfermedades oculares a través del uso de tomografías

El Deep learning o “aprendizaje profundo” vino para quedarse por mucho tiempo; es así que, en los últimos años producto del desarrollo de la inteligencia artificial, su actuar ha venido aplicándose en varias áreas del conocimiento principalmente en las ciencias de la salud. Ante este fenómeno señala...

Full description

Autores:
Alba Acosta, David Camilo
Tipo de recurso:
Trabajo de grado de pregrado
Fecha de publicación:
2021
Institución:
Universidad Santo Tomás
Repositorio:
Repositorio Institucional USTA
Idioma:
spa
OAI Identifier:
oai:repository.usta.edu.co:11634/31964
Acceso en línea:
http://hdl.handle.net/11634/31964
Palabra clave:
Deep learning
CNN
Neural networks
Attention modules
Ocular diseases
Enfermedades de los ojos
Oftalmología
Tomografía
Aprendizaje profundo
Redes neuronales
CNN
Módulos de atención
Enfermedades oculares
Rights
openAccess
License
Atribución-NoComercial-SinDerivadas 2.5 Colombia
id SANTTOMAS2_8b4617100c1a8f2638f02aec76b4f646
oai_identifier_str oai:repository.usta.edu.co:11634/31964
network_acronym_str SANTTOMAS2
network_name_str Repositorio Institucional USTA
repository_id_str
dc.title.spa.fl_str_mv Mecanismos de atención e interpretabilidad en el aprendizaje automático para la detección de enfermedades oculares a través del uso de tomografías
title Mecanismos de atención e interpretabilidad en el aprendizaje automático para la detección de enfermedades oculares a través del uso de tomografías
spellingShingle Mecanismos de atención e interpretabilidad en el aprendizaje automático para la detección de enfermedades oculares a través del uso de tomografías
Deep learning
CNN
Neural networks
Attention modules
Ocular diseases
Enfermedades de los ojos
Oftalmología
Tomografía
Aprendizaje profundo
Redes neuronales
CNN
Módulos de atención
Enfermedades oculares
title_short Mecanismos de atención e interpretabilidad en el aprendizaje automático para la detección de enfermedades oculares a través del uso de tomografías
title_full Mecanismos de atención e interpretabilidad en el aprendizaje automático para la detección de enfermedades oculares a través del uso de tomografías
title_fullStr Mecanismos de atención e interpretabilidad en el aprendizaje automático para la detección de enfermedades oculares a través del uso de tomografías
title_full_unstemmed Mecanismos de atención e interpretabilidad en el aprendizaje automático para la detección de enfermedades oculares a través del uso de tomografías
title_sort Mecanismos de atención e interpretabilidad en el aprendizaje automático para la detección de enfermedades oculares a través del uso de tomografías
dc.creator.fl_str_mv Alba Acosta, David Camilo
dc.contributor.advisor.spa.fl_str_mv Gil Romero, Robert
dc.contributor.author.spa.fl_str_mv Alba Acosta, David Camilo
dc.contributor.orcid.spa.fl_str_mv https://orcid.org/0000-0001-8602-6890
dc.contributor.googlescholar.spa.fl_str_mv https://scholar.google.com/citations?user=LUEZqaYAAAAJ&hl=es
dc.contributor.cvlac.spa.fl_str_mv https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000157060
dc.contributor.corporatename.none.fl_str_mv Universidad Santo Tomás
dc.subject.keyword.none.fl_str_mv Deep learning
CNN
Neural networks
Attention modules
Ocular diseases
topic Deep learning
CNN
Neural networks
Attention modules
Ocular diseases
Enfermedades de los ojos
Oftalmología
Tomografía
Aprendizaje profundo
Redes neuronales
CNN
Módulos de atención
Enfermedades oculares
dc.subject.lemb.spa.fl_str_mv Enfermedades de los ojos
Oftalmología

Tomografía
dc.subject.proposal.spa.fl_str_mv Aprendizaje profundo
Redes neuronales
CNN
Módulos de atención
Enfermedades oculares
description El Deep learning o “aprendizaje profundo” vino para quedarse por mucho tiempo; es así que, en los últimos años producto del desarrollo de la inteligencia artificial, su actuar ha venido aplicándose en varias áreas del conocimiento principalmente en las ciencias de la salud. Ante este fenómeno señalado, la medicina tradicionalmente ha venido desarrollando los diagnósticos de enfermedades como de traumatologías, incorporando el uso de rayos x, resonancias magnéticas y tomografías entre otras. En ese sentido, la ciencia de la medicina ha venido implementando sistemas autónomos, los cuales, han venido a complementar la forma de analizar la información médica. La ciencia médica hoy en día viene desarrollando en sus diferentes áreas del conocimiento la aplicación de la inteligencia artificial mediante el uso del deep learning, como es el caso de la oftalmología y de la optometría. De conformidad con lo explicitado, el trabajo propuesto tiene como objetivo principal: Encontrar la mejor arquitectura CNN “Convolutional neural network” que se adapte a un conjunto de datos que contiene tomografías oculares en la región de la retina, y que sea capaz de clasificar estos cuatro tipos de diagnóstico ocular: Normal, Drusen, CNV (Neurovascularización coroidea) y DME(Edema Macular diabético).
publishDate 2021
dc.date.accessioned.spa.fl_str_mv 2021-02-04T21:01:10Z
dc.date.available.spa.fl_str_mv 2021-02-04T21:01:10Z
dc.date.issued.spa.fl_str_mv 2021-02-04
dc.type.local.spa.fl_str_mv Trabajo de grado
dc.type.version.none.fl_str_mv info:eu-repo/semantics/acceptedVersion
dc.type.category.spa.fl_str_mv Formación de Recurso Humano para la Ctel: Trabajo de grado de Pregrado
dc.type.coar.none.fl_str_mv http://purl.org/coar/resource_type/c_7a1f
dc.type.drive.none.fl_str_mv info:eu-repo/semantics/bachelorThesis
format http://purl.org/coar/resource_type/c_7a1f
status_str acceptedVersion
dc.identifier.citation.spa.fl_str_mv Alba Acosta, D. C. (2021). Mecanismos de atención e interpretabilidad en el aprendizaje automático para la detección de enfermedades oculares a través del uso de tomografías. [Tesis de Pregrado, Universidad Santo Tomás Colombia]. Repositorio Institucional
dc.identifier.uri.none.fl_str_mv http://hdl.handle.net/11634/31964
dc.identifier.reponame.spa.fl_str_mv reponame:Repositorio Institucional Universidad Santo Tomás
dc.identifier.instname.spa.fl_str_mv instname:Universidad Santo Tomás
dc.identifier.repourl.spa.fl_str_mv repourl:https://repository.usta.edu.co
identifier_str_mv Alba Acosta, D. C. (2021). Mecanismos de atención e interpretabilidad en el aprendizaje automático para la detección de enfermedades oculares a través del uso de tomografías. [Tesis de Pregrado, Universidad Santo Tomás Colombia]. Repositorio Institucional
reponame:Repositorio Institucional Universidad Santo Tomás
instname:Universidad Santo Tomás
repourl:https://repository.usta.edu.co
url http://hdl.handle.net/11634/31964
dc.language.iso.spa.fl_str_mv spa
language spa
dc.relation.references.spa.fl_str_mv Alom, M. Z., Taha, T. M., Yakopcic, C., Westberg, S., Sidike, P., Nasrin, M. S., Hasan, M., Van Essen, B. C., Awwal, A. A., and Asari, V. K. (2019). A state-of-the-art survey on deep learning theory and architectures. Electronics, 8(3):292.
Browning, D. J., Stewart, M. W., and Lee, C. (2018). Diabetic macular edema: evidence-based management. Indian journal of ophthalmology, 66(12):1737–1738.
Cortes, C. and Vapnik, V. (1995). Support-vector networks. Machine learning, 20(3):273–297.
Denker, J. S. and LeCun, Y. (1991). Transforming neural-net output levels to probability distributions. In Advances in neural information processing systems, pages 853–859.
Goodfellow, I., Bengio, Y., and Courville, A. (2016a). Deep learning. MIT press.
Goodfellow, I., Bengio, Y., and Courville, A. (2016b). Deep Learning. MIT Press. http://www .deeplearningbook.org.
Hu, J., Shen, L., and Sun, G. (2018). Squeeze-andexcitation networks. In Proceedings of the IEEE conference on computer vision and pattern recognition, pages 7133–7134.
Huang, G., Liu, Z., Van Der Maaten, L., and Weinberger, K. Q. (2017). Densely connected convolutional networks. In Proceedings of the IEEE conference on computer vision and pattern recognition, pages 4700–4708.
Ioffe, S. and Szegedy, C. (2015). Batch normalization: Accelerating deep network training by reducing internal covariate shift. arXiv preprint ar- Xiv:1502.03167.
Jaiswal, T. and Jaiswal, S. (2019). Deep learning in medicine.
Kermany, D. S., Goldbaum, M., Cai, W., Valentim, C. C., Liang, H., Baxter, S. L., McKeown, A., Yang, G., Wu, X., Yan, F., et al. (2018). Identifying medical diagnoses and treatable diseases by image-based deep learning. Cell, 172(5):1122– 1131.
Kingma, D. P. and Ba, J. (2014). Adam: A method for stochastic optimization. arXiv preprint ar- Xiv:1412.6980.
Nielsen, M. A. (2015). Neural networks and deep learning, volume 2018. Determination press San Francisco, CA.
Ravì, D., Wong, C., Deligianni, F., Berthelot, M., Andreu-Perez, J., Lo, B., and Yang, G.-Z. (2016). Deep learning for health informatics. IEEE journal of biomedical and health informatics, 21(1):4–21.
Razzak, M. I., Naz, S., and Zaib, A. (2018). Deep learning for medical image processing: Overview, challenges and the future. In Classification in Bio- Apps, pages 323–350. Springer.
Ribeiro, M. T., Singh, S., and Guestrin, C. (2016). "why should i trust you?.explaining the predictions of any classifier. In Proceedings of the 22nd ACM SIGKDD international conference on knowledge discovery and data mining, pages 1135–1144.
Ruder, S. (2016). An overview of gradient descent optimization algorithms. arXiv preprint ar- Xiv:1609.04747, page 4.
Sarkar, D. (2018). A comprehensive hands-on guide to transfer learning with real-world applications in deep learning.
Williams, M., Craig, D., Passmore, P., and Silvestri, G. (2009). Retinal drusen: harbingers of age, safe havens for trouble. Age and ageing, 38(6):648–649.
Woo, S., Park, J., Lee, J.-Y., and So Kweon, I. (2018). Cbam: Convolutional block attention module. In Proceedings of the European conference on computer vision (ECCV), pages 3–19.
Yeo, N. J. Y., Chan, E. J. J., and Cheung, C. (2019). Choroidal neovascularization: Mechanisms of endothelial dysfunction. Frontiers in Pharmacology, 10:1–2.
ZhangLabData (2018). Large dataset of labeled optical coherence tomography (oct) and chest x-ray images.
dc.rights.*.fl_str_mv Atribución-NoComercial-SinDerivadas 2.5 Colombia
dc.rights.uri.*.fl_str_mv http://creativecommons.org/licenses/by-nc-nd/2.5/co/
dc.rights.local.spa.fl_str_mv Abierto (Texto Completo)
dc.rights.accessrights.none.fl_str_mv info:eu-repo/semantics/openAccess
dc.rights.coar.none.fl_str_mv http://purl.org/coar/access_right/c_abf2
rights_invalid_str_mv Atribución-NoComercial-SinDerivadas 2.5 Colombia
http://creativecommons.org/licenses/by-nc-nd/2.5/co/
Abierto (Texto Completo)
http://purl.org/coar/access_right/c_abf2
eu_rights_str_mv openAccess
dc.format.mimetype.spa.fl_str_mv application/pdf
dc.coverage.campus.spa.fl_str_mv CRAI-USTA Bogotá
dc.publisher.spa.fl_str_mv Universidad Santo Tomás
dc.publisher.program.spa.fl_str_mv Pregrado Estadística
dc.publisher.faculty.spa.fl_str_mv Facultad de Estadística
institution Universidad Santo Tomás
bitstream.url.fl_str_mv https://repository.usta.edu.co/bitstream/11634/31964/1/2020davidalba.pdf
https://repository.usta.edu.co/bitstream/11634/31964/2/cartaaprobaci%c3%b3nfacultad.pdf
https://repository.usta.edu.co/bitstream/11634/31964/3/cartaderechosdeautor.pdf
https://repository.usta.edu.co/bitstream/11634/31964/4/license_rdf
https://repository.usta.edu.co/bitstream/11634/31964/5/license.txt
https://repository.usta.edu.co/bitstream/11634/31964/6/2020davidalba.pdf.jpg
https://repository.usta.edu.co/bitstream/11634/31964/7/cartaaprobaci%c3%b3nfacultad.pdf.jpg
https://repository.usta.edu.co/bitstream/11634/31964/8/cartaderechosdeautor.pdf.jpg
bitstream.checksum.fl_str_mv 89b4465e73fcbc3b0496492a07753013
9d62b5923e7f61eba6fa5850e7d07572
dac2150cfd8e67657620ee881d05e827
217700a34da79ed616c2feb68d4c5e06
aedeaf396fcd827b537c73d23464fc27
e53ef41188c4cfa08fa9e5cb96d101c4
b339b15032ef7326c85eff56c180fadd
3b518af7b35f31d3aacbad83d371e2bc
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositorio Universidad Santo Tomás
repository.mail.fl_str_mv repositorio@usantotomas.edu.co
_version_ 1782026156851068928
spelling Gil Romero, RobertAlba Acosta, David Camilohttps://orcid.org/0000-0001-8602-6890https://scholar.google.com/citations?user=LUEZqaYAAAAJ&hl=eshttps://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000157060Universidad Santo Tomás2021-02-04T21:01:10Z2021-02-04T21:01:10Z2021-02-04Alba Acosta, D. C. (2021). Mecanismos de atención e interpretabilidad en el aprendizaje automático para la detección de enfermedades oculares a través del uso de tomografías. [Tesis de Pregrado, Universidad Santo Tomás Colombia]. Repositorio Institucionalhttp://hdl.handle.net/11634/31964reponame:Repositorio Institucional Universidad Santo Tomásinstname:Universidad Santo Tomásrepourl:https://repository.usta.edu.coEl Deep learning o “aprendizaje profundo” vino para quedarse por mucho tiempo; es así que, en los últimos años producto del desarrollo de la inteligencia artificial, su actuar ha venido aplicándose en varias áreas del conocimiento principalmente en las ciencias de la salud. Ante este fenómeno señalado, la medicina tradicionalmente ha venido desarrollando los diagnósticos de enfermedades como de traumatologías, incorporando el uso de rayos x, resonancias magnéticas y tomografías entre otras. En ese sentido, la ciencia de la medicina ha venido implementando sistemas autónomos, los cuales, han venido a complementar la forma de analizar la información médica. La ciencia médica hoy en día viene desarrollando en sus diferentes áreas del conocimiento la aplicación de la inteligencia artificial mediante el uso del deep learning, como es el caso de la oftalmología y de la optometría. De conformidad con lo explicitado, el trabajo propuesto tiene como objetivo principal: Encontrar la mejor arquitectura CNN “Convolutional neural network” que se adapte a un conjunto de datos que contiene tomografías oculares en la región de la retina, y que sea capaz de clasificar estos cuatro tipos de diagnóstico ocular: Normal, Drusen, CNV (Neurovascularización coroidea) y DME(Edema Macular diabético).Deep learning is here to stay for a long time; thus, in recent years, as a result of the development of artificial intelligence, it has been applied in several areas of knowledge, mainly in the health sciences. Faced with this phenomenon, medicine has traditionally been developing the diagnosis of diseases such as traumatology, incorporating the use of x-rays, magnetic resonance imaging and tomography, among others. In this sense, the science of medicine has been implementing autonomous systems, which have come to complement the way of analyzing medical information. Medical science today is developing in its different areas of knowledge the application of artificial intelligence through the use of deep learning, as is the case of ophthalmology and optometry. In accordance with the above, the main objective of the proposed work is: To find the best CNN architecture "Convolutional neural network" that adapts to a dataset containing ocular tomographies in the retina region, and that is able to classify these four types of ocular diagnosis: Normal, Drusen, CNV (Choroidal Neurovascularization) and DME (Diabetic Macular Edema).Profesional en estadísticahttp://unidadinvestigacion.usta.edu.coPregradoapplication/pdfspaUniversidad Santo TomásPregrado EstadísticaFacultad de EstadísticaAtribución-NoComercial-SinDerivadas 2.5 Colombiahttp://creativecommons.org/licenses/by-nc-nd/2.5/co/Abierto (Texto Completo)info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Mecanismos de atención e interpretabilidad en el aprendizaje automático para la detección de enfermedades oculares a través del uso de tomografíasDeep learningCNNNeural networksAttention modulesOcular diseasesEnfermedades de los ojosOftalmologíaTomografíaAprendizaje profundoRedes neuronalesCNNMódulos de atenciónEnfermedades ocularesTrabajo de gradoinfo:eu-repo/semantics/acceptedVersionFormación de Recurso Humano para la Ctel: Trabajo de grado de Pregradohttp://purl.org/coar/resource_type/c_7a1finfo:eu-repo/semantics/bachelorThesisCRAI-USTA BogotáAlom, M. Z., Taha, T. M., Yakopcic, C., Westberg, S., Sidike, P., Nasrin, M. S., Hasan, M., Van Essen, B. C., Awwal, A. A., and Asari, V. K. (2019). A state-of-the-art survey on deep learning theory and architectures. Electronics, 8(3):292.Browning, D. J., Stewart, M. W., and Lee, C. (2018). Diabetic macular edema: evidence-based management. Indian journal of ophthalmology, 66(12):1737–1738.Cortes, C. and Vapnik, V. (1995). Support-vector networks. Machine learning, 20(3):273–297.Denker, J. S. and LeCun, Y. (1991). Transforming neural-net output levels to probability distributions. In Advances in neural information processing systems, pages 853–859.Goodfellow, I., Bengio, Y., and Courville, A. (2016a). Deep learning. MIT press.Goodfellow, I., Bengio, Y., and Courville, A. (2016b). Deep Learning. MIT Press. http://www .deeplearningbook.org.Hu, J., Shen, L., and Sun, G. (2018). Squeeze-andexcitation networks. In Proceedings of the IEEE conference on computer vision and pattern recognition, pages 7133–7134.Huang, G., Liu, Z., Van Der Maaten, L., and Weinberger, K. Q. (2017). Densely connected convolutional networks. In Proceedings of the IEEE conference on computer vision and pattern recognition, pages 4700–4708.Ioffe, S. and Szegedy, C. (2015). Batch normalization: Accelerating deep network training by reducing internal covariate shift. arXiv preprint ar- Xiv:1502.03167.Jaiswal, T. and Jaiswal, S. (2019). Deep learning in medicine.Kermany, D. S., Goldbaum, M., Cai, W., Valentim, C. C., Liang, H., Baxter, S. L., McKeown, A., Yang, G., Wu, X., Yan, F., et al. (2018). Identifying medical diagnoses and treatable diseases by image-based deep learning. Cell, 172(5):1122– 1131.Kingma, D. P. and Ba, J. (2014). Adam: A method for stochastic optimization. arXiv preprint ar- Xiv:1412.6980.Nielsen, M. A. (2015). Neural networks and deep learning, volume 2018. Determination press San Francisco, CA.Ravì, D., Wong, C., Deligianni, F., Berthelot, M., Andreu-Perez, J., Lo, B., and Yang, G.-Z. (2016). Deep learning for health informatics. IEEE journal of biomedical and health informatics, 21(1):4–21.Razzak, M. I., Naz, S., and Zaib, A. (2018). Deep learning for medical image processing: Overview, challenges and the future. In Classification in Bio- Apps, pages 323–350. Springer.Ribeiro, M. T., Singh, S., and Guestrin, C. (2016). "why should i trust you?.explaining the predictions of any classifier. In Proceedings of the 22nd ACM SIGKDD international conference on knowledge discovery and data mining, pages 1135–1144.Ruder, S. (2016). An overview of gradient descent optimization algorithms. arXiv preprint ar- Xiv:1609.04747, page 4.Sarkar, D. (2018). A comprehensive hands-on guide to transfer learning with real-world applications in deep learning.Williams, M., Craig, D., Passmore, P., and Silvestri, G. (2009). Retinal drusen: harbingers of age, safe havens for trouble. Age and ageing, 38(6):648–649.Woo, S., Park, J., Lee, J.-Y., and So Kweon, I. (2018). Cbam: Convolutional block attention module. In Proceedings of the European conference on computer vision (ECCV), pages 3–19.Yeo, N. J. Y., Chan, E. J. J., and Cheung, C. (2019). Choroidal neovascularization: Mechanisms of endothelial dysfunction. Frontiers in Pharmacology, 10:1–2.ZhangLabData (2018). Large dataset of labeled optical coherence tomography (oct) and chest x-ray images.ORIGINAL2020davidalba.pdf2020davidalba.pdfapplication/pdf1718837https://repository.usta.edu.co/bitstream/11634/31964/1/2020davidalba.pdf89b4465e73fcbc3b0496492a07753013MD51open accesscartaaprobaciónfacultad.pdfcartaaprobaciónfacultad.pdfapplication/pdf308286https://repository.usta.edu.co/bitstream/11634/31964/2/cartaaprobaci%c3%b3nfacultad.pdf9d62b5923e7f61eba6fa5850e7d07572MD52open accesscartaderechosdeautor.pdfcartaderechosdeautor.pdfapplication/pdf348782https://repository.usta.edu.co/bitstream/11634/31964/3/cartaderechosdeautor.pdfdac2150cfd8e67657620ee881d05e827MD53open accessCC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8811https://repository.usta.edu.co/bitstream/11634/31964/4/license_rdf217700a34da79ed616c2feb68d4c5e06MD54open accessLICENSElicense.txtlicense.txttext/plain; charset=utf-8807https://repository.usta.edu.co/bitstream/11634/31964/5/license.txtaedeaf396fcd827b537c73d23464fc27MD55open accessTHUMBNAIL2020davidalba.pdf.jpg2020davidalba.pdf.jpgGenerated Thumbnailimage/jpeg4525https://repository.usta.edu.co/bitstream/11634/31964/6/2020davidalba.pdf.jpge53ef41188c4cfa08fa9e5cb96d101c4MD56open accesscartaaprobaciónfacultad.pdf.jpgcartaaprobaciónfacultad.pdf.jpgGenerated Thumbnailimage/jpeg3598https://repository.usta.edu.co/bitstream/11634/31964/7/cartaaprobaci%c3%b3nfacultad.pdf.jpgb339b15032ef7326c85eff56c180faddMD57open accesscartaderechosdeautor.pdf.jpgcartaderechosdeautor.pdf.jpgGenerated Thumbnailimage/jpeg3923https://repository.usta.edu.co/bitstream/11634/31964/8/cartaderechosdeautor.pdf.jpg3b518af7b35f31d3aacbad83d371e2bcMD58open access11634/31964oai:repository.usta.edu.co:11634/319642022-10-10 16:53:22.367open accessRepositorio Universidad Santo Tomásrepositorio@usantotomas.edu.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