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...
- 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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 |