Detección automática de patología en imágenes de fondo de ojo utilizando técnicas de deep learning

• R. Romero Oraá ^[3] ; C. P. Muñoz Zamarro ^[1] ; M. García ^[3] ; J. Oraá Pérez ^[1] ; 3, M. I. López Gálvez ^[2] ; R. Hornero Sánchez ^[1]
  1. [1] Universidad de Valladolid

     Universidad de Valladolid

     Valladolid, España

     
  2. [2] Hospital Universitario de Valladolid

     Hospital Universitario de Valladolid

     Valladolid, España

     
  3. [3] Centro de Investigación Biomédica en Red en Bioingeniería, Biomateriales y Nanomedicina (CIBER-BBN, España)

  Mostrar afiliaciones +
• Localización: XXXVIII Congreso Anual de la Sociedad Española de Ingeniería Biomédica. CASEIB 2020: Libro de actas / Roberto Hornero Sánchez (ed. lit.), Jesús Poza Crespo (ed. lit.), Carlos Gómez Peña (ed. lit.), María García Gadañón (ed. lit.), 2020, ISBN 978-84-09-25491-0, págs. 484-487
• Idioma: español
• Texto completo no disponible (Saber más ...)
• Resumen

  • El análisis de retinografías permite diagnosticar importantes enfermedades oculares, tales como la retinopatía hipertensiva, el glaucoma, la retinopatía diabética y la degeneración macular asociada a la edad. Existen muy pocos trabajos previos que abarquen la detección general de signos patológicos y, en un contexto de cribado, es un desafío muy relevante. En este trabajo se propone un método basado en técnicas de deep learning para detectar automáticamente signos patológicos en imágenes de fondo de ojo. Para ello, se compararon 13 arquitecturas de redes neuronales convolucionales. Además, se utilizaron las técnicas data augmentation, transfer learning y fine-tuning. Se empleó una base de datos privada de 1000 retinografías, que se dividió en un conjunto de entrenamiento (800 imágenes), un conjunto de validación (100 imágenes) y un conjunto de test (100 imágenes). Los mejores resultados se obtuvieron con la arquitectura DenseNet-121, con la que se alcanzaron una precisión del 99%, una sensibilidad del 100% y una especificidad del 98%, con un tiempo medio de procesado de 7.72 segundos por imagen. Se puede considerar que el método propuesto podría ser de utilidad en un entorno clínico, facilitando el screening de diversas enfermedades oculares.