Método basado en redes convolucionales profundas para la clasificación de retinopatía diabética

La retinopatía diabética es una de las principales causas de ceguera en el mundo. Esta se debe al incremento de la concentración de glucosa en la sangre lo cual deriva en anormalidades en la retina. Una de las dificultades a la hora de tratarla es que los pacientes perciben pocos síntomas durante las primeras etapas. Así mismo, otras limitantes para la detección son la necesidad de personal calificado y la alta complejidad y altos costos asociadas a las metodologías de diagnóstico. Por estas razones, en los últimos años se han propuesto soluciones basadas en inteligencia artificial para asistir el diagnostico. Entre las técnicas propuestas están los Random Forest, SVM, Redes Convolucaionales Profundas o combinaciones de estas. Para este trabajo nos enfocaremos especialmente en técnicas basadas en Redes Convolucionales Profundas para la clasificación de retinopatía diabética por medio de imágenes de fondo de ojo. Los modelos entrenados tuvieron como arquitectura base a ResNet-34 y ResNet-50. Además, se utilizaron 4 preprocesamientos para las imágenes y 2 formas de regresión para realizar la clasificación. El mejor modelo obtuvo un puntaje F1 promedio de alrededor de 56% en el conjunto de prueba. Finalmente, se aplicó Metacost a 5 modelos para analizar los resultados en base a un esquema sensible a costos

• Autores: Serrano Mugica, Juan David
• Tipo de recurso: Trabajo de grado de pregrado
• Fecha de publicación: 2021
• Institución: Universidad de los Andes
• Repositorio: Séneca: repositorio Uniandes
• Idioma: spa
• OAI Identifier: oai:repositorio.uniandes.edu.co:1992/55361
• Acceso en línea: http://hdl.handle.net/1992/55361
• Palabra clave: Retinopatía diabética; Redes convolucionales; Clasificación ordinal; Reducción de ruido por promedio no local; Metacost; Transformada circular de Hough; Ingeniería
• Rights: openAccess
• License: https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf