Ciencia de Datos · 2025
Visión artificial para patologías oculares
En este trabajo se propone un método para la detección de retinopatías en imágenes de fondo de ojo, basado en el uso de algoritmos de segmentación semántica que permiten identificar y delimitar las lesiones asociadas a diversas patologías oculares. El enfoque se centra en el desarrollo de un modelo multiescala robusto, capaz de simular una evaluación diagnóstica fundamentada en el uso de parámetros médicos. La integración de técnicas de inteligencia artificial y procesamiento de imágenes médicas resultan en una arquitectura compuesta capaz de analizar imágenes en diferentes resoluciones.
Full text 104 pages with text
Read the full thesis Record in the repository
Contents
- PLANTEAMIENTO Y JUSTIFICACIÓN DEL PROBLEMAp. 8
- OBJETIVOS DEL PROBLEMAp. 9
- 2.1. Objetivo generalp. 9
- 2.2. Objetivos especificosp. 9
- MARCO TEÓRICOp. 10
- diferentes retinopatíasp. 10
- Conclusión del Estudiop. 12
- Limitaciones de los Algoritmosp. 12
- enfermedades retinianas: una revisiónp. 13
- Glaucomap. 13
- Retinopatia diabéticap. 14
- Degeneración macular senil – DMSp. 15
- Cataratasp. 17
- retinopatía hipertensiva usando la arquitectura MobileNet optimizadap. 18
- Convolución en profundidad y convolución puntualp. 19
- Bloques densos:p. 20
- MobileNet:p. 21
- Recolección de datosp. 22
- Pre procesamiento y aumento de datosp. 22
- Implementación del modelop. 22
- Evaluación del modelop. 22
- Resultados y recomendacionesp. 23
- usando aproximación basadas en ensamble y aprendizaje profundop. 23
- Arquitecturas usadas en el ensamble finalp. 24
- Estudios secundarios relacionadosp. 27
- METODOLOGÍA PROPUESTAp. 31
- Protocolo de recolección de imágenes y pre procesamiento de imágenesp. 32
- Protocolo de pos procesamientop. 41
- Segmentación de disco y copa ópticap. 41
- Segmentación de micro aneurismas:p. 49
- Segmentación de drusas:p. 53
- Construcción del modelo discriminativo finalp. 56
- Concatenación de mapas de segmentaciónp. 56
- Construcción de arquitectura de clasificación compuestap. 57
- Diseño de sistema de diagnóstico finalp. 60
- Mapeo de características con Grad-CAMp. 60
- Grad-CAM ++p. 61
- Flujo final ilustradop. 64
- RESULTADOSp. 30
- Insumos a nivel de software utilizadosp. 64
- Filtrado de documentos y selección de muestrasp. 65
- Preprocesamiento para segmentación de disco, y copa ópticap. 71
- Preprocesamiento de drusasp. 73
- Preprocesamiento para segmentación de micro aneurismasp. 73
- Métricas de evaluación para el preprocesamientop. 74
- preprocesamiento:p. 77
- Evaluación de resultados en el post procesamientop. 77
- Segmentación de disco y copa ópticap. 41
- Segmentación de posibles Drusasp. 83
- Segmentación de posibles micro aneurismasp. 85
- Evaluación de modelo de clasificación de ensamblep. 86
- Aplicación de métodos de explicabilidadp. 88
- Mapa de activación para glaucomap. 89
- Mapa de activación para retinopatía diabéticap. 90
- Mapa de activación para degeneración macular senilp. 91
- Escenarios multietiquetap. 91
- Sensibilidad del modelop. 93
- DISCUSIÓN Y CONCLUSIONESp. 95
- 7. REFERENCIASp. 98
- Figura 1-1 Retinopatía hipertensiva Figura 1-2 Retinopatía diabéticap. 9
- acceso: 4 de noviembre de 2024. Tomado de: http://arxiv.org/abs/1905.02544p. 12
- progresivo. Tomado de: [17]p. 14
- Figura 3-3 Área de interés para la detección de glaucoma. Tomado de: [17]p. 14
- Figura 3-4 Lesiones más importantes detectadas en ojos con diabetes. Tomado de: [17]p. 15
- Figura 3-5 Evolución de DMS. Tomado de: [17]p. 17
- Figura 3-6 Evolución de cataratas. Tomado de: [17]p. 18
- Figura 3-7 Características de una retinografía hipertensiva. Tomado de: [18]p. 19
- de noviembre de 2024.Tomado de: https://arxiv.org/abs/1704.04861p. 20
- Figura 3-9 Ilustración de la red final. Tomado de: [18]p. 21
- Figura 3-10 Flujo final de la operación investigativa. Tomado de: [18]p. 22
- Figura 3-11 Imagen antes y después del pre procesamiento. Tomado de: [19]p. 25
- Figura 3-12 Curvas de aprendizaje del modelo propuesto. Tomado de: [19]p. 26
- de 2024. Tomado de: https://en.wikipedia.org/wiki/Adaptive_histogram_equalizationp. 39
- eqalization-opencv/?_x_tr_sl=en&_x_tr_tl=es&_x_tr_hl=es&_x_tr_pto=scp. 39
- micro aneurismas. Elaboración propiap. 41
- 2025. Tomado de [72]p. 41
- Tomado de: https://blog.paperspace.com/transfer-learning-explained-2/p. 43
- 2024 Tomado de: https://arxiv.org/abs/1801.04381p. 43
- SSD/blob/master/model.ipynbp. 45
- 2024 Tomado de: https://www.youtube.com/watch?v=NhdzGfB1q74p. 47
- de 2024. Tomado de: [66]p. 50
- Tomado de: [66]p. 51
- Figura 4-12 Ilustración del proceso para la segmentación de drusas. Tomado de [65]p. 53
- https://learnopencv.com/deeplabv3-ultimate-guide/p. 54
- abril de 2025. Tomado de: [75]p. 55
- Figura 4-15 Imagen de fondo de ojo concatenada. Elaboración propiap. 56
- conv-means-convolution-FC-means_fig2_325137356p. 58
- noviembre de 2024. Tomado de: https://es.wikipedia.org/wiki/Red_neuronal_residualp. 58
- de: https://huggingface.co/google/efficientnet-b0p. 59
- https://towardsdatascience.com/understand-your-algorithm-with-grad-cam-d3b62fce353p. 61
- CAM++. Tomado de [74]p. 63
- Figura 4-21 Flujo final ilustrado: Elaboración propiap. 64
- propiap. 73
- Elaboración propiap. 41
- Figura 5-4 Ejemplo de encuadre del modelo sobre el área de interés. Elaboración propiap. 82
- propiap. 73
- Figura 5-6 Ejemplo de parche de imagen con las drusas segmentadas. Elaboración propiap. 85
- Figura 5-8 Mapa de calor sobre imagen de fondo de ojo con glaucoma. Elaboración propiap. 89
- propiap. 73
- degeneración macular senil. Elaboración propiap. 91
- Elaboración propiap. 41
- Elaboración propiap. 41
- macular. Elaboración propiap. 93
- Figura 5-14 Ojo con glaucoma erróneamente clasificado como normal. Elaboración propiap. 94
- Tabla 1 Estudios secundarios referenciadosp. 31
- Tabla 2 Datasets revisadosp. 37
- Tabla 3 Descripción de modificaciones a los datasetp. 70
- Tabla 4 Rendimiento de las técnicas de preprocesamiento aplicadasp. 77
- entrenamiento y validaciónp. 81
- conjunto de datos de validaciónp. 81
- conjunto de datos de pruebap. 82
- diferentes conjuntos de datosp. 83
- el conjunto de datos de validaciónp. 83
- en el conjunto de datos de pruebap. 83
- conjuntos de datosp. 30
- de datos de validaciónp. 84
- de datos de pruebap. 84
- diferentes conjuntos de datosp. 85
- el conjunto de datos de validaciónp. 85
- el conjunto de datos de pruebap. 86
- conjunto de entrenamientop. 87
- conjunto de pruebap. 88
- conjunto de datos de pruebap. 82