Desarrollo de una aplicación para la identificación de retinopatía diabética mediante técnicas de procesamiento de imágenes e inteligencia artificial

La retinopatía diabética es una complicación de la diabetes que puede llevar a deterioro visual y ceguera si no se trata oportunamente (Mundial de la Salud, 2018). En Colombia, con una creciente incidencia de diabetes, es crucial mejorar la detección y gestión de esta enfermedad ocular. En este cont...

Full description

Autores:: Rodríguez Gómez, Lud Steffany
Rodríguez Mora, Estefanía
Lopez Corzo, Luz Dary

Tipo de recurso:: Trabajo de grado de pregrado

Fecha de publicación:: 2024

Institución:: Universidad Autónoma de Bucaramanga - UNAB

Repositorio:: Repositorio UNAB

Idioma:: spa

id	UNAB2_80a50ad11b1a7c0cf32c5d36850f364d
oai_identifier_str	oai:repository.unab.edu.co:20.500.12749/27664
network_acronym_str	UNAB2
network_name_str	Repositorio UNAB
repository_id_str
dc.title.spa.fl_str_mv	Desarrollo de una aplicación para la identificación de retinopatía diabética mediante técnicas de procesamiento de imágenes e inteligencia artificial
dc.title.translated.spa.fl_str_mv	Development of an application for the identification of diabetic retinopathy using image processing and artificial intelligence techniques
title	Desarrollo de una aplicación para la identificación de retinopatía diabética mediante técnicas de procesamiento de imágenes e inteligencia artificial
spellingShingle	Desarrollo de una aplicación para la identificación de retinopatía diabética mediante técnicas de procesamiento de imágenes e inteligencia artificial Biomedical engineering Engineering Medical electronics Biological physics Bioengineering Medical instruments and apparatus Medicine Biomedical Clinical engineering Deep learning Machine learning Tumor biomarker Machine vision systems Image processing Computer vision Artificial intelligence Ingeniería biomédica Ingeniería Biofísica Bioingeniería Medicina Biomédica Procesamiento de imágenes Visión por computador Inteligencia artificial Ingeniería clínica Electrónica médica Aprendizaje profundo Aprendizaje automático Biomarcador tumoral Sistemas de visión artificial
title_short	Desarrollo de una aplicación para la identificación de retinopatía diabética mediante técnicas de procesamiento de imágenes e inteligencia artificial
title_full	Desarrollo de una aplicación para la identificación de retinopatía diabética mediante técnicas de procesamiento de imágenes e inteligencia artificial
title_fullStr	Desarrollo de una aplicación para la identificación de retinopatía diabética mediante técnicas de procesamiento de imágenes e inteligencia artificial
title_full_unstemmed	Desarrollo de una aplicación para la identificación de retinopatía diabética mediante técnicas de procesamiento de imágenes e inteligencia artificial
title_sort	Desarrollo de una aplicación para la identificación de retinopatía diabética mediante técnicas de procesamiento de imágenes e inteligencia artificial
dc.creator.fl_str_mv	Rodríguez Gómez, Lud Steffany Rodríguez Mora, Estefanía Lopez Corzo, Luz Dary
dc.contributor.advisor.none.fl_str_mv	Franco Arias, Manuel Hernando Buitrago Castro, Luis Felipe
dc.contributor.author.none.fl_str_mv	Rodríguez Gómez, Lud Steffany Rodríguez Mora, Estefanía Lopez Corzo, Luz Dary
dc.contributor.cvlac.spa.fl_str_mv	Franco Arias, Manuel Hernando [0001427755] Buitrago Castro, Luis Felipe [0001657515]
dc.contributor.orcid.spa.fl_str_mv	Buitrago Castro, Luis Felipe [0000-0002-1414-1854]
dc.contributor.researchgroup.spa.fl_str_mv	Semilleros de Investigación UNAB
dc.contributor.apolounab.spa.fl_str_mv	Franco Arias, Manuel Hernando [manuel-hernando-franco-arias-2] Buitrago Castro, Luis Felipe [luis-felipe-buitrago-castro]
dc.subject.keywords.spa.fl_str_mv	Biomedical engineering Engineering Medical electronics Biological physics Bioengineering Medical instruments and apparatus Medicine Biomedical Clinical engineering Deep learning Machine learning Tumor biomarker Machine vision systems Image processing Computer vision Artificial intelligence
topic	Biomedical engineering Engineering Medical electronics Biological physics Bioengineering Medical instruments and apparatus Medicine Biomedical Clinical engineering Deep learning Machine learning Tumor biomarker Machine vision systems Image processing Computer vision Artificial intelligence Ingeniería biomédica Ingeniería Biofísica Bioingeniería Medicina Biomédica Procesamiento de imágenes Visión por computador Inteligencia artificial Ingeniería clínica Electrónica médica Aprendizaje profundo Aprendizaje automático Biomarcador tumoral Sistemas de visión artificial
dc.subject.lemb.spa.fl_str_mv	Ingeniería biomédica Ingeniería Biofísica Bioingeniería Medicina Biomédica Procesamiento de imágenes Visión por computador Inteligencia artificial
dc.subject.proposal.spa.fl_str_mv	Ingeniería clínica Electrónica médica Aprendizaje profundo Aprendizaje automático Biomarcador tumoral Sistemas de visión artificial
description	La retinopatía diabética es una complicación de la diabetes que puede llevar a deterioro visual y ceguera si no se trata oportunamente (Mundial de la Salud, 2018). En Colombia, con una creciente incidencia de diabetes, es crucial mejorar la detección y gestión de esta enfermedad ocular. En este contexto, el proyecto desarrolla una aplicación de inteligencia artificial para la detección automatizada de retinopatía diabética en imágenes de fondo de ojo, proporcionando apoyo diagnóstico a los especialistas. Inicialmente, se investigaron indicadores específicos, como manchas de algodón, micro aneurismas, hemorragias y vasos sanguíneos; su extracción permitió crear un vector de atributos clave para el entrenamiento de modelos de machine learning. Se evaluaron modelos como Regresión Logística, K-Nearest Neighbors, Support Vector Machine, Random Forest y Redes Neuronales Artificiales, optimizados mediante validación cruzada y ajuste de hiperparámetros. La Regresión Logística mostró el mejor rendimiento en precisión, F1 Score y AUC-ROC (1.0), siendo ideal para datos desbalanceados por su baja complejidad y alta interpretabilidad. En la etapa final, y con el fin de ampliar el alcance del proyecto, se aplicó transfer learning con arquitecturas preentrenadas Xception, ResNet50, InceptionV3 y VGG16, entrenando 72 modelos con variaciones en optimizador, número de neuronas y tamaño de lote. El modelo VGG16, con optimizador Adam, 200 neuronas en la capa densa y tamaño de lote 64, alcanzó una exactitud del 100% en validación, mostrando alta generalización y precisión. Este modelo se perfila como una herramienta eficaz para la detección de retinopatía diabética en imágenes de fondo de ojo.
publishDate	2024
dc.date.accessioned.none.fl_str_mv	2024-12-05T21:09:41Z
dc.date.available.none.fl_str_mv	2024-12-05T21:09:41Z
dc.date.issued.none.fl_str_mv	2024-11-18
dc.type.driver.none.fl_str_mv	info:eu-repo/semantics/bachelorThesis
dc.type.local.spa.fl_str_mv	Trabajo de Grado
dc.type.coar.none.fl_str_mv	http://purl.org/coar/resource_type/c_7a1f
dc.type.hasversion.none.fl_str_mv	info:eu-repo/semantics/acceptedVersion
dc.type.redcol.none.fl_str_mv	http://purl.org/redcol/resource_type/TP
format	http://purl.org/coar/resource_type/c_7a1f
status_str	acceptedVersion
dc.identifier.uri.none.fl_str_mv	http://hdl.handle.net/20.500.12749/27664
dc.identifier.instname.spa.fl_str_mv	instname:Universidad Autónoma de Bucaramanga - UNAB
dc.identifier.reponame.spa.fl_str_mv	reponame:Repositorio Institucional UNAB
dc.identifier.repourl.spa.fl_str_mv	repourl:https://repository.unab.edu.co
url	http://hdl.handle.net/20.500.12749/27664
identifier_str_mv	instname:Universidad Autónoma de Bucaramanga - UNAB reponame:Repositorio Institucional UNAB repourl:https://repository.unab.edu.co
dc.language.iso.spa.fl_str_mv	spa
language	spa
dc.relation.references.spa.fl_str_mv	American Academy of Ophthalmology. (2019). Diabetic Retinopathy Preferred Practice Pattern. Ophthalmology, 127(1), P66–P145. https://doi.org/10.1016/j.ophtha.2019.09.025 Aza, J. (2018). Diseño de un sistema automático para determinar el grado de progresión de retinopatía diabética utilizando técnicas de visión artificial. Unab. BIREME. (2023, March 1). Health Sciences Descriptors. Cao, S., Zhang, R., Jiang, A., Kuerban, M., Wumaier, A., Wu, J., Xie, K., Aizezi, M., Tuersun, A., Liang, X., & Chen, R. (2023). Application effect of an artificial intelligence-based fundus screening system: evaluation in a clinical setting and population screening. BioMedical Engineering Online, 22(1). https://doi.org/10.1186/s12938-023-01097-9 Chino, Y. (2023). AI in medicine: creating a safe and equitable future. https://gcgh. Departamento Administrativo Nacional de Estadística. (2010). DANE - Discapacidad. https://www.dane.gov.co/index.php/estadisticas-por-tema/demografia-y- poblacion/discapacidad El Centro Oftalmológico Virgilio Galvis. (2020). Misión y visión Centro Oftalmológico Virgilio Galvis. https://virgiliogalvis.com/mision-y-vision/ El congreso de Colombia. (1982). Ley número 23 de 1982 “sobre derechos de autor.” 1–57. El Congreso de Colombia. (2012). Ley 1581 de 2012. El congreso de Colombia. (2018). Ley 1915 de 2018. 1–15. El Congreso de la República. (2008). Ley 1266 de 2008. Fong, D. S., Aiello, L., Gardner, T. W., King, G. L., Blankenship, G., Cavallerano, J. D., Ferris, F. L., & Klein, R. (2004). Retinopathy in Diabetes. In Diabetes Care (Vol. 27, Issue SUPPL. 1). American Diabetes Association Inc. https://doi.org/10.2337/diacare.27.2007.s84 Herrera, B., Villalba, G., Diego, A., Echeverría, P., Salum, G., & Villalba, C. (2020). Procesamiento y Análisis de Imágenes Digitales para el Diagnóstico de Enfermedades Oftalmológicas: análisis descriptivo actual de la investigación científica. Hinestroza, D. (2018). El Machine learning a través de los timepos, y los apostes a la humanidad. Hosna, A., Merry, E., Gyalmo, J., Alom, Z., Aung, Z., & Azim, M. A. (2022). Transfer learning: a friendly introduction. Journal of Big Data, 9(1). https://doi.org/10.1186/S40537-022- 00652-W Jingyi, W., Dong, L., Qianni, W., Lanqin, Z., Wai, I., & Haotian, L. (2023). Retinal image-based artificial intelligence in detecting and predicting kidney diseases: Current advances and future perspectives. In VIEW (Vol. 4, Issue 3). John Wiley and Sons Inc. https://doi.org/10.1002/VIW.20220070 Keenan, T. D. L., Chen, Q., Peng, Y., Domalpally, A., Agrón, E., Hwang, C. K., Thavikulwat, A. T., Lee, D. H., Li, D., Wong, W. T., Lu, Z., & Chew, E. Y. (2020). Deep Learning Automated Detection of Reticular Pseudodrusen from Fundus Autofluorescence Images or Color Fundus Photographs in AREDS2. Ophthalmology, 127(12), 1674–1687. https://doi.org/10.1016/j.ophtha.2020.05.036 Korot, E., Wagner, S., Faes, L., Liu, X., Huemer, J., Ferraz, D., Keane, P., & Balaskas, K. (2020). Will ai replace ophthalmologists? Translational Vision Science and Technology, 9(2). https://doi.org/10.1167/tvst.9.2.2 Liu, X., Liu, Q., Zhang, Y., Wang, M., & Tang, J. (2023). TSSK-Net: Weakly supervised biomarker localization and segmentation with image-level annotation in retinal OCT images. Computers in Biology and Medicine, 153. https://doi.org/10.1016/j.compbiomed.2022.106467 Loayza, O., & Tripaldi, A. (2022). Diseño de un sistema informativo sobre enfermedades crónicas de la visión dirigido a jóvenes universitarios. Lu, B., Chao, G., & Xie, L. (2022). Optical coherence tomography angiography in retinitis pigmentosa: A narrative review. In Medicine (United States) (Vol. 101, Issue 34, p. E30068). Lippincott Williams and Wilkins. https://doi.org/10.1097/MD.0000000000030068 Matta, S., Lamard, M., Conze, P. H., Le Guilcher, A., Lecat, C., Carette, R., Basset, F., Massin, P., Rottier, J. B., Cochener, B., & Quellec, G. (2023). Towards population-independent, multi-disease detection in fundus photographs. Scientific Reports, 13(1), 11493. https://doi.org/10.1038/s41598-023-38610-y Ministerio de Interior. (2023). Sobre la DNDA - Derecho de Autor. http://derechodeautor.gov.co:8080/home Ministerio de Salud y Protección Social. (2019). Resolución No. 3100 de 2019. 1–230. Moraru, A., Costin, D., Moraru, R., & Branisteanu, D. (2020). Artificial intelligence and deep learning in ophthalmology - present and future (Review). Experimental and Therapeutic Medicine, 20(4), 3469–3473. https://doi.org/10.3892/ETM.2020.9118 Mundial de la Salud, O. (2018). Informe mundial sobre la visión. Organización Mundial de la Salud. (2018). Informe mundial sobre la visión. Padilla, F. (2022). Clasificación etiológica automatizada de edema macular mediante estrategia de “Deep Learning” aplicada en imágenes adquiridas por OCT de mácula. Perdomo, O., Pérez, A., Rodríguez, M., Ríos, H., Arias, V., Lara, J., Toledo, S., Camargo, J., Rodríguez, F., & González, F. (2020). SOPHIA: System for Ophthalmic Image Acquisition, Transmission, and Intelligent Analysis. Revista Facultad de Ingenieria, 29(54). https://doi.org/10.19053/01211129.v29.n54.2020.11769 Rajesh, A., Davidson, O., Lee, C., & Lee, A. (2023). Artificial Intelligence and Diabetic Retinopathy: AI Framework, Prospective Studies, Head-to-head Validation, and Cost- effectiveness. In Diabetes care (Vol. 46, Issue 10, pp. 1728–1739). NLM (Medline). https://doi.org/10.2337/dci23-0032 Sakho, A., Malherbe, E., & Scornet, E. (2024). Do we need rebalancing strategies? A theoretical and empirical study around SMOTE and its variants. https://arxiv.org/abs/2402.03819v3 Sánchez, S. (2020). Acceso a la atención, tratamiento y ayuda en baja visión y ceguera en Colombia. Seema, G., & Richard, D. (2009). Diabetic retinopathy screening update. Clinical Diabetes, 27(4), 140–145. https://doi.org/10.2337/DIACLIN.27.4.140 Shahbeig, S. (2013). Automatic and quick blood vessels extraction algorithm in retinal images. IET Image Processing, 7(4), 392–400. https://doi.org/10.1049/IET-IPR.2012.0472 Teo, Z. L., Tham, Y. C., Yu, M., Chee, M. L., Rim, T. H., Cheung, N., Bikbov, M. M., Wang, Y. X., Tang, Y., Lu, Y., Wong, I. Y., Ting, D. S. W., Tan, G. S. W., Jonas, J. B., Sabanayagam, C., Wong, T. Y., & Cheng, C. Y. (2021). Global Prevalence of Diabetic Retinopathy and Projection of Burden through 2045: Systematic Review and Meta-analysis. Ophthalmology, 128(11), 1580–1591. https://doi.org/10.1016/j.ophtha.2021.04.027 Thakoor, K. A., Yao, J., Bordbar, D., Moussa, O., Lin, W., Sajda, P., & Chen, R. W. S. (2022a). A multimodal deep learning system to distinguish late stages of AMD and to compare expert vs. AI ocular biomarkers. Scientific Reports, 12(1). https://doi.org/10.1038/s41598-022- 06273-w Treder, M., Lauermann, J. L., & Eter, N. (2018). Automated detection of exudative age-related macular degeneration in spectral domain optical coherence tomography using deep learning. Graefe’s Archive for Clinical and Experimental Ophthalmology, 256(2), 259–265. https://doi.org/10.1007/s00417-017-3850-3 Trujillano, J., Badía, M., March, J., Rodríguez, Á., Serviá, L., & Sorribas, A. (2005). Redes neuronales artificiales en Medicina Intensiva. Ejemplo de aplicación con las variables del MPM II. Medicina Intensiva, 29(1), 13–20. https://doi.org/10.1016/S0210-5691(05)74198-X Tsimenidis, S. (2019). Limitations of Deep Neural Networks: a discussion of G. Marcus’ critical appraisal of deep learning. University of Nottingham. (2017). 1.5. Estándar ISO/IEC/IEEE12207:2017 procesos del ciclo de vida del software. www.iso.org Uribe, A., Burgos, G., Ruiz, F., Osorio, E., & Valderrama, J. (2021). Lineamientos para la implementación de actividades de promoción de la salud visual, control de alteraciones visuales y discapacidad visual evitable (estrategia visión 2020). Usman, M., Khalid, S., Tariq, A., Khan, S. A., & Azam, F. (2014). Detection and classification of retinal lesions for grading of diabetic retinopathy. Computers in Biology and Medicine, 45, 161–171. https://doi.org/https://doi.org/10.1016/j.compbiomed.2013.11.014 Wang, H., Hsu, W., Goh, G., & Lee, M. L. (2000). An Effective Approach to Detect Lesions in Color Retinal Images 1. Wang, M. H., Chong, K. K., Lin, Z., Yu, X., & Pan, Y. (2023). An Explainable Artificial Intelligence-Based Robustness Optimization Approach for Age-Related Macular Degeneration Detection Based on Medical IOT Systems. Electronics, 12(12), 2697. https://doi.org/10.3390/electronics12122697 Wykoff, C. C., Khurana, R. N., Nguyen, Q. D., Kelly, S. P., Lum, F., Hall, R., Abbass, I. M., Abolian, A. M., Stoilov, I., To, T. M., & Garmo, V. (2021). Risk of blindness among patients with diabetes and newly diagnosed diabetic retinopathy. Diabetes Care, 44(3), 748–756. https://doi.org/10.2337/dc20-0413 Yamashita, R., Nishio, M., Do, R. K. G., & Togashi, K. (2018). Convolutional neural networks: an overview and application in radiology. In Insights into Imaging (Vol. 9, Issue 4, pp. 611– 629). Springer Verlag. https://doi.org/10.1007/s13244-018-0639-9 Young, L. H., Kim, J., Yakin, M., Lin, H., Dao, D. T., Kodati, S., Sharma, S., Lee, A. Y., Lee, C. S., & Sen, H. N. (2022). Automated Detection of Vascular Leakage in Fluorescein Angiography – A Proof of Concept. Translational Vision Science and Technology, 11(7). https://doi.org/10.1167/tvst.11.7.19
dc.relation.uriapolo.spa.fl_str_mv	https://apolo.unab.edu.co/en/persons/manuel-hernando-franco-arias-2
dc.rights.coar.fl_str_mv	http://purl.org/coar/access_right/c_abf2
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.creativecommons.*.fl_str_mv	Atribución-NoComercial-SinDerivadas 2.5 Colombia
rights_invalid_str_mv	http://creativecommons.org/licenses/by-nc-nd/2.5/co/ Abierto (Texto Completo) Atribución-NoComercial-SinDerivadas 2.5 Colombia http://purl.org/coar/access_right/c_abf2
dc.format.mimetype.spa.fl_str_mv	application/pdf
dc.coverage.spatial.spa.fl_str_mv	Bucaramanga (Santander, Colombia)
dc.coverage.campus.spa.fl_str_mv	UNAB Campus Bucaramanga
dc.publisher.grantor.spa.fl_str_mv	Universidad Autónoma de Bucaramanga UNAB
dc.publisher.faculty.spa.fl_str_mv	Facultad Ingeniería
dc.publisher.program.spa.fl_str_mv	Pregrado Ingeniería Biomédica
dc.publisher.programid.none.fl_str_mv	IBM-1788
institution	Universidad Autónoma de Bucaramanga - UNAB
bitstream.url.fl_str_mv	https://repository.unab.edu.co/bitstream/20.500.12749/27664/5/LIBRO%20APLICACI%c3%93N%20RETINOPAT%c3%8dA%20DIB%c3%89TICA.pdf https://repository.unab.edu.co/bitstream/20.500.12749/27664/7/Licencia.pdf https://repository.unab.edu.co/bitstream/20.500.12749/27664/6/license.txt https://repository.unab.edu.co/bitstream/20.500.12749/27664/8/LIBRO%20APLICACI%c3%93N%20RETINOPAT%c3%8dA%20DIB%c3%89TICA.pdf.jpg https://repository.unab.edu.co/bitstream/20.500.12749/27664/9/Licencia.pdf.jpg
bitstream.checksum.fl_str_mv	d495b56595ce7105439b0fc8bbee053b a0aef68e4317758aa7fa4966c82336c0 3755c0cfdb77e29f2b9125d7a45dd316 d9f67dc25a0b116f329703f915273c3f bf89feda49478b88a5de58be525514fe
bitstream.checksumAlgorithm.fl_str_mv	MD5 MD5 MD5 MD5 MD5
repository.name.fl_str_mv	Repositorio Institucional \| Universidad Autónoma de Bucaramanga - UNAB
repository.mail.fl_str_mv	repositorio@unab.edu.co
_version_	1828219981891895296
spelling	Franco Arias, Manuel Hernandof54597c9-3b82-4525-9a23-1cf6369a6a66Buitrago Castro, Luis Felipe894addeb-3e7a-4edf-be09-dffcbdd46918Rodríguez Gómez, Lud Steffanya8cb2f0e-b8be-47c7-90e3-a1e70ef1831fRodríguez Mora, Estefanía51010357-f59d-4cb6-bcbe-57d4752eba58Lopez Corzo, Luz Dary8a270bc7-36b4-46f7-9302-29c7bed0a92cFranco Arias, Manuel Hernando [0001427755]Buitrago Castro, Luis Felipe [0001657515]Buitrago Castro, Luis Felipe [0000-0002-1414-1854]Semilleros de Investigación UNABFranco Arias, Manuel Hernando [manuel-hernando-franco-arias-2]Buitrago Castro, Luis Felipe [luis-felipe-buitrago-castro]Bucaramanga (Santander, Colombia)UNAB Campus Bucaramanga2024-12-05T21:09:41Z2024-12-05T21:09:41Z2024-11-18http://hdl.handle.net/20.500.12749/27664instname:Universidad Autónoma de Bucaramanga - UNABreponame:Repositorio Institucional UNABrepourl:https://repository.unab.edu.coLa retinopatía diabética es una complicación de la diabetes que puede llevar a deterioro visual y ceguera si no se trata oportunamente (Mundial de la Salud, 2018). En Colombia, con una creciente incidencia de diabetes, es crucial mejorar la detección y gestión de esta enfermedad ocular. En este contexto, el proyecto desarrolla una aplicación de inteligencia artificial para la detección automatizada de retinopatía diabética en imágenes de fondo de ojo, proporcionando apoyo diagnóstico a los especialistas. Inicialmente, se investigaron indicadores específicos, como manchas de algodón, micro aneurismas, hemorragias y vasos sanguíneos; su extracción permitió crear un vector de atributos clave para el entrenamiento de modelos de machine learning. Se evaluaron modelos como Regresión Logística, K-Nearest Neighbors, Support Vector Machine, Random Forest y Redes Neuronales Artificiales, optimizados mediante validación cruzada y ajuste de hiperparámetros. La Regresión Logística mostró el mejor rendimiento en precisión, F1 Score y AUC-ROC (1.0), siendo ideal para datos desbalanceados por su baja complejidad y alta interpretabilidad. En la etapa final, y con el fin de ampliar el alcance del proyecto, se aplicó transfer learning con arquitecturas preentrenadas Xception, ResNet50, InceptionV3 y VGG16, entrenando 72 modelos con variaciones en optimizador, número de neuronas y tamaño de lote. El modelo VGG16, con optimizador Adam, 200 neuronas en la capa densa y tamaño de lote 64, alcanzó una exactitud del 100% en validación, mostrando alta generalización y precisión. Este modelo se perfila como una herramienta eficaz para la detección de retinopatía diabética en imágenes de fondo de ojo.Agradecimientos .......................................................................................................................... 13 Resumen ....................................................................................................................................... 16 Abstract ........................................................................................................................................ 17 Capítulo 1 ..................................................................................................................................... 18 Problemática u oportunidad ...................................................................................................... 18 1. Problema de investigación ........................................................................................ 18 1.1. Justificación .................................................................................................. 20 1.2. Pregunta de investigación ............................................................................. 21 1.3. Objetivo General .......................................................................................... 21 1.4. Objetivos Específicos ................................................................................... 22 1.5. Limitaciones ................................................................................................. 22 1.5.1. Limitación de recursos .................................................................. 22 1.5.2. Limitaciones de accesibilidad ........................................................ 23 1.5.3. Limitaciones de tecnología (IA) .................................................... 23 1.5.4. Limitación de desbalance de Datos ............................................... 24 1.6. Delimitaciones .............................................................................................. 24 1.6.1. Delimitación de usuario y población ............................................. 25 1.6.2. Delimitación de tecnología ............................................................ 25 Capítulo 2 ..................................................................................................................................... 26 2. Estado del arte, marco teórico y marco legal. ........................................................... 26 2.1. Estado del arte .............................................................................................. 27 2.2. Marco Teórico .............................................................................................. 30 2.2.1. Oftalmopatías ................................................................................ 30 2.2.1.1. Retinopatía diabética .................................................................................... 30 2.2.2. Biomarcador .................................................................................. 31 2.2.3. Angiografía ................................................................................... 32 2.2.4. Tomografía óptica ......................................................................... 33 2.2.5. Procesamiento de imagen Asistido por Computador .................... 33 2.2.6. Machine Learning ......................................................................... 34 2.2.7. Deep Learning .............................................................................. 35 2.2.8. Redes neuronales convolucionales ............................................... 36 2.2.9. Transfer Learning ......................................................................... 37 2.3. Marco legal e implicaciones éticas ............................................................... 38 2.3.1. Marco legal ................................................................................... 38 2.3.1.1. Protección de datos personales ................................... 38 2.3.1.2. Manejos de información HABEAS DATA ............... 39 2.3.1.2.1. Aval de comité ético ............................. 41 Capítulo 3 ..................................................................................................................................... 43 3. Metodología .............................................................................................................. 43 3.1. Fase 1. ........................................................................................................... 46 3.2. Fase 2. ........................................................................................................... 47 3.2.1. Metodología procesamiento de Imágenes ...................................... 47 3.2.1.1. Vasos sanguíneos ........................................................ 47 3.2.1.2. Micro aneurismas ........................................................ 48 3.2.1.3. Exudados ..................................................................... 49 3.2.1.4. Hemorragias ................................................................ 50 3.2.2. Metodología Machine Learning ..................................................... 51 3.2.3. Metodología Deep Learning .......................................................... 54 3.2.4. Metodología Interfaz ...................................................................... 56 3.3. Fase 3. ........................................................................................................... 59 Capítulo 4 ..................................................................................................................................... 60 4.1. Resultados ..................................................................................................... 60 4.1.1. Fase 1 ............................................................................................. 60 4.1.1.1. Base de datos ................................................................... 61 4.1.2. Fase 2 ............................................................................................. 62 4.1.2.1. Procesamiento de imágenes ........................................... 62 4.1.2.1.1. Vasos sanguíneos ...................................... 63 4.1.2.1.2. Micro aneurismas ..................................... 66 4.1.2.1.3. Exudados .................................................. 71 4.1.2.1.4. Hemorragias ............................................. 73 4.1.2.2. Análisis estadístico: Extracción de características .......... 77 4.1.2.2.1. Generalidades ............................................... 77 4.1.2.2.2. Variables evaluadas ..................................... 77 4.1.2.2.2.1. Área vasos sanguíneos ........... 77 4.1.2.2.2.2. Área exudados ........................ 78 4.1.2.2.2.3. Área hemorragias ................... 78 4.1.2.2.2.4. Número hemorragias .............. 79 4.1.2.2.2.5. Área micro aneurismas .......... 80 4.1.2.2.2.6. Número micro aneurismas ..... 80 4.1.2.2.2.7. Etiqueta .................................. 81 4.1.2.3. Pruebas realizadas en el análisis estadístico ................... 82 4.1.2.3.1. Prueba de Normalidad (K-S) ...................... 82 4.1.2.3.2. Prueba de Man – Whitney U Test ............... 82 4.1.2.4. Correlaciónes ................................................................. 83 4.1.2.4.1. Área vasos sanguíneos ................................ 83 4.1.2.4.2. Área exudados ............................................. 83 4.1.2.4.3. Área hemorragias ........................................ 83 4.1.2.4.4. Número hemorragias ................................... 84 4.1.2.4.5. Área micro aneurismas ............................... 84 4.1.2.4.6. Número micro aneurismas .......................... 84 4.1.2.5. Machine Learning .......................................................... 85 4.1.2.5.1. Resultados de los modelos ........................... 85 4.1.2.5.1.1. Precisión y consistencia .......... 88 4.1.2.5.2. Interpretabilidad y complejidad .......................... 89 4.1.2.5.2.1. Regresión Logística .............. 89 4.1.2.5.2.2. Otros modelos ....................... 89 4.1.2.5.3. Selección de variables ................................. 90 4.1.2.5.3.1. Alta significancia y correlación . 90 4.1.2.5.3.2. Correlación moderada ............ 91 4.1.2.5.3.3. Baja o no significativa correlación.92 4.1.2.5.4. Construcción: Modelo Machine Learning .. 92 4.1.2.5.4.1. Variables incluidas ................. 92 4.1.2.5.4.2. Variables excluidas ................ 93 4.1.2.5.4.3. Técnicas de selección ............. 93 4.1.2.5.4.4. Implementación: modelo RL ....... 94 4.1.2.6.4.5. Evaluación y validación de RL .... 94 4.1.2.5.5. Consumo de recursos y escalabilidad ......... 95 4.1.2.5.5.1. Regresión Logística ............... 95 4.1.2.5.5.2. Modelos de mayor consumo .. 95 4.1.2.5.6. Robuztes ante el sobreajuste ....................... 95 4.1.2.5.7. Selección del modelo .................................. 96 4.1.2.6. Deep Learning ............................................................... 96 4.1.2.6.1. Resultados de los modelos ......................... 96 4.1.2.6.2. Selección del modelo ............................... 101 4.1.2.7. Desarrollo interfaz ....................................................... 103 4.1.2.7.1. Matlab ....................................................... 103 4.1.2.7.2. Python ....................................................... 105 4.1.2.7.3. Funcionalidad ............................................ 107 4.1.2.7.3.1. Ventana de inicio ................ 107 4.1.2.7.3.2. Ventana de detección .......... 108 4.1.2.7.4. Integración modelos e interfaz .................. 108 4.1.2.7.4.1. Modelo Machine Learning.. 108 4.1.2.7.4.2. Modelo Deep Learning ....... 111 4.1.3. Fase 3 ........................................................................................... 112 4.1.3.1 Pruebas de usabilidad ................................................... 112 4.2. Análisis de resultados ................................................................................ 112 4.2.1. Análsis estadístico de las características clínicas ......................... 113 4.2.2. Análisis del modelo de Machine Learning .................................. 113 4.2.3. Análisis del modelo de Deep Learning ........................................ 114 4.2.4. Comparación y evaluación del rendimiento................................. 115 Capítulo 5 ................................................................................................................................... 117 5.1. Conclusiones y Recomendaciones ............................................................. 117 5.1.1. Conclusiones ............................................................................... 117 5.1.2. Recomendaciones ........................................................................ 118 Bibliografía ................................................................................................................................ 120 Anexos ........................................................................................................................................ 127PregradoDiabetic retinopathy is a complication of diabetes that can lead to visual impairment and blindness if not treated in a timely manner (Mundial de la Salud, 2018). In Colombia, with a growing incidence of diabetes, it is crucial to improve the detection and management of this ocular disease. In this context, this project develops an artificial intelligence application for the automated detection of diabetic retinopathy in fundus images, providing diagnostic support for specialists. Initially, specific indicators such as cotton wool spots, microaneurysms, hemorrhages, and blood vessels were investigated; extracting these allowed for the creation of a key feature vector for training machine learning models. Models such as Logistic Regression, K-Nearest Neighbors, Support Vector Machine, Random Forest, and Artificial Neural Networks were evaluated, optimized through cross- validation and hyperparameter tuning. Logistic Regression demonstrated the best performance in accuracy, F1 Score, and AUC-ROC (1.0), proving ideal for imbalanced data due to its low complexity and high interpretability. In the final stage, and to expand the project's scope, transfer learning was applied with pretrained architectures Xception, ResNet50, InceptionV3, and VGG16 training 72 models with variations in optimizer, number of neurons, and batch size. The VGG16 model, configured with the Adam optimizer, 200 neurons in the dense layer, and a batch size of 64, achieved an accuracy of 100% in validation, showing high generalization and precision. This model stands out as an effective tool for the detection of diabetic retinopathy in fundus images.Modalidad Presencialapplication/pdfspahttp://creativecommons.org/licenses/by-nc-nd/2.5/co/Abierto (Texto Completo)Atribución-NoComercial-SinDerivadas 2.5 Colombiahttp://purl.org/coar/access_right/c_abf2Desarrollo de una aplicación para la identificación de retinopatía diabética mediante técnicas de procesamiento de imágenes e inteligencia artificialDevelopment of an application for the identification of diabetic retinopathy using image processing and artificial intelligence techniquesIngeniero BiomédicoUniversidad Autónoma de Bucaramanga UNABFacultad IngenieríaPregrado Ingeniería BiomédicaIBM-1788info:eu-repo/semantics/bachelorThesisTrabajo de Gradohttp://purl.org/coar/resource_type/c_7a1finfo:eu-repo/semantics/acceptedVersionhttp://purl.org/redcol/resource_type/TPBiomedical engineeringEngineeringMedical electronicsBiological physicsBioengineeringMedical instruments and apparatusMedicineBiomedicalClinical engineeringDeep learningMachine learningTumor biomarkerMachine vision systemsImage processingComputer visionArtificial intelligenceIngeniería biomédicaIngenieríaBiofísicaBioingenieríaMedicinaBiomédicaProcesamiento de imágenesVisión por computadorInteligencia artificialIngeniería clínicaElectrónica médicaAprendizaje profundoAprendizaje automáticoBiomarcador tumoralSistemas de visión artificialAmerican Academy of Ophthalmology. (2019). Diabetic Retinopathy Preferred Practice Pattern. Ophthalmology, 127(1), P66–P145. https://doi.org/10.1016/j.ophtha.2019.09.025Aza, J. (2018). Diseño de un sistema automático para determinar el grado de progresión de retinopatía diabética utilizando técnicas de visión artificial. Unab.BIREME. (2023, March 1). Health Sciences Descriptors.Cao, S., Zhang, R., Jiang, A., Kuerban, M., Wumaier, A., Wu, J., Xie, K., Aizezi, M., Tuersun, A., Liang, X., & Chen, R. (2023). Application effect of an artificial intelligence-based fundus screening system: evaluation in a clinical setting and population screening. BioMedical Engineering Online, 22(1). https://doi.org/10.1186/s12938-023-01097-9Chino, Y. (2023). AI in medicine: creating a safe and equitable future. https://gcgh.Departamento Administrativo Nacional de Estadística. (2010). DANE - Discapacidad. https://www.dane.gov.co/index.php/estadisticas-por-tema/demografia-y- poblacion/discapacidadEl Centro Oftalmológico Virgilio Galvis. (2020). Misión y visión Centro Oftalmológico Virgilio Galvis. https://virgiliogalvis.com/mision-y-vision/El congreso de Colombia. (1982). Ley número 23 de 1982 “sobre derechos de autor.” 1–57.El Congreso de Colombia. (2012). Ley 1581 de 2012.El congreso de Colombia. (2018). Ley 1915 de 2018. 1–15.El Congreso de la República. (2008). Ley 1266 de 2008.Fong, D. S., Aiello, L., Gardner, T. W., King, G. L., Blankenship, G., Cavallerano, J. D., Ferris, F. L., & Klein, R. (2004). Retinopathy in Diabetes. In Diabetes Care (Vol. 27, Issue SUPPL. 1). American Diabetes Association Inc. https://doi.org/10.2337/diacare.27.2007.s84Herrera, B., Villalba, G., Diego, A., Echeverría, P., Salum, G., & Villalba, C. (2020). Procesamiento y Análisis de Imágenes Digitales para el Diagnóstico de Enfermedades Oftalmológicas: análisis descriptivo actual de la investigación científica.Hinestroza, D. (2018). El Machine learning a través de los timepos, y los apostes a la humanidad. Hosna, A., Merry, E., Gyalmo, J., Alom, Z., Aung, Z., & Azim, M. A. (2022). Transfer learning: a friendly introduction. Journal of Big Data, 9(1). https://doi.org/10.1186/S40537-022- 00652-WJingyi, W., Dong, L., Qianni, W., Lanqin, Z., Wai, I., & Haotian, L. (2023). Retinal image-based artificial intelligence in detecting and predicting kidney diseases: Current advances and future perspectives. In VIEW (Vol. 4, Issue 3). John Wiley and Sons Inc. https://doi.org/10.1002/VIW.20220070Keenan, T. D. L., Chen, Q., Peng, Y., Domalpally, A., Agrón, E., Hwang, C. K., Thavikulwat, A. T., Lee, D. H., Li, D., Wong, W. T., Lu, Z., & Chew, E. Y. (2020). Deep Learning Automated Detection of Reticular Pseudodrusen from Fundus Autofluorescence Images or Color Fundus Photographs in AREDS2. Ophthalmology, 127(12), 1674–1687. https://doi.org/10.1016/j.ophtha.2020.05.036Korot, E., Wagner, S., Faes, L., Liu, X., Huemer, J., Ferraz, D., Keane, P., & Balaskas, K. (2020). Will ai replace ophthalmologists? Translational Vision Science and Technology, 9(2). https://doi.org/10.1167/tvst.9.2.2Liu, X., Liu, Q., Zhang, Y., Wang, M., & Tang, J. (2023). TSSK-Net: Weakly supervised biomarker localization and segmentation with image-level annotation in retinal OCT images. Computers in Biology and Medicine, 153. https://doi.org/10.1016/j.compbiomed.2022.106467Loayza, O., & Tripaldi, A. (2022). Diseño de un sistema informativo sobre enfermedades crónicas de la visión dirigido a jóvenes universitarios.Lu, B., Chao, G., & Xie, L. (2022). Optical coherence tomography angiography in retinitis pigmentosa: A narrative review. In Medicine (United States) (Vol. 101, Issue 34, p. E30068). Lippincott Williams and Wilkins. https://doi.org/10.1097/MD.0000000000030068Matta, S., Lamard, M., Conze, P. H., Le Guilcher, A., Lecat, C., Carette, R., Basset, F., Massin, P., Rottier, J. B., Cochener, B., & Quellec, G. (2023). Towards population-independent, multi-disease detection in fundus photographs. Scientific Reports, 13(1), 11493. https://doi.org/10.1038/s41598-023-38610-yMinisterio de Interior. (2023). Sobre la DNDA - Derecho de Autor. http://derechodeautor.gov.co:8080/homeMinisterio de Salud y Protección Social. (2019). Resolución No. 3100 de 2019. 1–230.Moraru, A., Costin, D., Moraru, R., & Branisteanu, D. (2020). Artificial intelligence and deep learning in ophthalmology - present and future (Review). Experimental and Therapeutic Medicine, 20(4), 3469–3473. https://doi.org/10.3892/ETM.2020.9118Mundial de la Salud, O. (2018). Informe mundial sobre la visión.Organización Mundial de la Salud. (2018). Informe mundial sobre la visión.Padilla, F. (2022). Clasificación etiológica automatizada de edema macular mediante estrategia de “Deep Learning” aplicada en imágenes adquiridas por OCT de mácula.Perdomo, O., Pérez, A., Rodríguez, M., Ríos, H., Arias, V., Lara, J., Toledo, S., Camargo, J., Rodríguez, F., & González, F. (2020). SOPHIA: System for Ophthalmic Image Acquisition, Transmission, and Intelligent Analysis. Revista Facultad de Ingenieria, 29(54). https://doi.org/10.19053/01211129.v29.n54.2020.11769Rajesh, A., Davidson, O., Lee, C., & Lee, A. (2023). Artificial Intelligence and Diabetic Retinopathy: AI Framework, Prospective Studies, Head-to-head Validation, and Cost- effectiveness. In Diabetes care (Vol. 46, Issue 10, pp. 1728–1739). NLM (Medline). https://doi.org/10.2337/dci23-0032Sakho, A., Malherbe, E., & Scornet, E. (2024). Do we need rebalancing strategies? A theoretical and empirical study around SMOTE and its variants. https://arxiv.org/abs/2402.03819v3Sánchez, S. (2020). Acceso a la atención, tratamiento y ayuda en baja visión y ceguera en Colombia.Seema, G., & Richard, D. (2009). Diabetic retinopathy screening update. Clinical Diabetes, 27(4), 140–145. https://doi.org/10.2337/DIACLIN.27.4.140Shahbeig, S. (2013). Automatic and quick blood vessels extraction algorithm in retinal images. IET Image Processing, 7(4), 392–400. https://doi.org/10.1049/IET-IPR.2012.0472Teo, Z. L., Tham, Y. C., Yu, M., Chee, M. L., Rim, T. H., Cheung, N., Bikbov, M. M., Wang, Y. X., Tang, Y., Lu, Y., Wong, I. Y., Ting, D. S. W., Tan, G. S. W., Jonas, J. B., Sabanayagam, C., Wong, T. Y., & Cheng, C. Y. (2021). Global Prevalence of Diabetic Retinopathy and Projection of Burden through 2045: Systematic Review and Meta-analysis. Ophthalmology, 128(11), 1580–1591. https://doi.org/10.1016/j.ophtha.2021.04.027Thakoor, K. A., Yao, J., Bordbar, D., Moussa, O., Lin, W., Sajda, P., & Chen, R. W. S. (2022a). A multimodal deep learning system to distinguish late stages of AMD and to compare expert vs. AI ocular biomarkers. Scientific Reports, 12(1). https://doi.org/10.1038/s41598-022- 06273-wTreder, M., Lauermann, J. L., & Eter, N. (2018). Automated detection of exudative age-related macular degeneration in spectral domain optical coherence tomography using deep learning. Graefe’s Archive for Clinical and Experimental Ophthalmology, 256(2), 259–265. https://doi.org/10.1007/s00417-017-3850-3Trujillano, J., Badía, M., March, J., Rodríguez, Á., Serviá, L., & Sorribas, A. (2005). Redes neuronales artificiales en Medicina Intensiva. Ejemplo de aplicación con las variables del MPM II. Medicina Intensiva, 29(1), 13–20. https://doi.org/10.1016/S0210-5691(05)74198-XTsimenidis, S. (2019). Limitations of Deep Neural Networks: a discussion of G. Marcus’ critical appraisal of deep learning.University of Nottingham. (2017). 1.5. Estándar ISO/IEC/IEEE12207:2017 procesos del ciclo de vida del software. www.iso.orgUribe, A., Burgos, G., Ruiz, F., Osorio, E., & Valderrama, J. (2021). Lineamientos para la implementación de actividades de promoción de la salud visual, control de alteraciones visuales y discapacidad visual evitable (estrategia visión 2020).Usman, M., Khalid, S., Tariq, A., Khan, S. A., & Azam, F. (2014). Detection and classification of retinal lesions for grading of diabetic retinopathy. Computers in Biology and Medicine, 45, 161–171. https://doi.org/https://doi.org/10.1016/j.compbiomed.2013.11.014Wang, H., Hsu, W., Goh, G., & Lee, M. L. (2000). An Effective Approach to Detect Lesions in Color Retinal Images 1.Wang, M. H., Chong, K. K., Lin, Z., Yu, X., & Pan, Y. (2023). An Explainable Artificial Intelligence-Based Robustness Optimization Approach for Age-Related Macular Degeneration Detection Based on Medical IOT Systems. Electronics, 12(12), 2697. https://doi.org/10.3390/electronics12122697Wykoff, C. C., Khurana, R. N., Nguyen, Q. D., Kelly, S. P., Lum, F., Hall, R., Abbass, I. M., Abolian, A. M., Stoilov, I., To, T. M., & Garmo, V. (2021). Risk of blindness among patients with diabetes and newly diagnosed diabetic retinopathy. Diabetes Care, 44(3), 748–756. https://doi.org/10.2337/dc20-0413Yamashita, R., Nishio, M., Do, R. K. G., & Togashi, K. (2018). Convolutional neural networks: an overview and application in radiology. In Insights into Imaging (Vol. 9, Issue 4, pp. 611– 629). Springer Verlag. https://doi.org/10.1007/s13244-018-0639-9Young, L. H., Kim, J., Yakin, M., Lin, H., Dao, D. T., Kodati, S., Sharma, S., Lee, A. Y., Lee, C. S., & Sen, H. N. (2022). Automated Detection of Vascular Leakage in Fluorescein Angiography – A Proof of Concept. Translational Vision Science and Technology, 11(7). https://doi.org/10.1167/tvst.11.7.19https://apolo.unab.edu.co/en/persons/manuel-hernando-franco-arias-2ORIGINALLIBRO APLICACIÓN RETINOPATÍA DIBÉTICA.pdfLIBRO APLICACIÓN RETINOPATÍA DIBÉTICA.pdfTesisapplication/pdf3816949https://repository.unab.edu.co/bitstream/20.500.12749/27664/5/LIBRO%20APLICACI%c3%93N%20RETINOPAT%c3%8dA%20DIB%c3%89TICA.pdfd495b56595ce7105439b0fc8bbee053bMD55open accessLicencia.pdfLicencia.pdfLicenciaapplication/pdf835684https://repository.unab.edu.co/bitstream/20.500.12749/27664/7/Licencia.pdfa0aef68e4317758aa7fa4966c82336c0MD57metadata only accessLICENSElicense.txtlicense.txttext/plain; charset=utf-8829https://repository.unab.edu.co/bitstream/20.500.12749/27664/6/license.txt3755c0cfdb77e29f2b9125d7a45dd316MD56open accessTHUMBNAILLIBRO APLICACIÓN RETINOPATÍA DIBÉTICA.pdf.jpgLIBRO APLICACIÓN RETINOPATÍA DIBÉTICA.pdf.jpgIM Thumbnailimage/jpeg4968https://repository.unab.edu.co/bitstream/20.500.12749/27664/8/LIBRO%20APLICACI%c3%93N%20RETINOPAT%c3%8dA%20DIB%c3%89TICA.pdf.jpgd9f67dc25a0b116f329703f915273c3fMD58open accessLicencia.pdf.jpgLicencia.pdf.jpgIM Thumbnailimage/jpeg13189https://repository.unab.edu.co/bitstream/20.500.12749/27664/9/Licencia.pdf.jpgbf89feda49478b88a5de58be525514feMD59metadata only access20.500.12749/27664oai:repository.unab.edu.co:20.500.12749/276642024-12-05 22:01:23.166open accessRepositorio Institucional \| Universidad Autónoma de Bucaramanga - UNABrepositorio@unab.edu.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

Desarrollo de una aplicación para la identificación de retinopatía diabética mediante técnicas de procesamiento de imágenes e inteligencia artificial

Publicaciones similares