Sistemas de información para la Red Neuronal Convolucional en la detección de diabetes usando imágenes de fondo de ojo

• Juan Elias Villegas-Cubas ^[1] ; Oscar Efraín Capuñay-Uceda ^[1] ; Alex Franklin Coronado-Navarro ^[1] ; Anthony Hans Delgado-Chavarri ^[1] ; Oscar Enrique Osores-Granda ^[1]
  1. [1] Universidad Tecnológica del Perú

     Universidad Tecnológica del Perú

     Perú

     
• Localización: RISTI: Revista Ibérica de Sistemas e Tecnologias de Informação, ISSN-e 1646-9895, Nº. Extra 51, 2022, págs. 34-45
• Idioma: español
• Títulos paralelos:
  • Information systems for Convolutional Neural Network in diabetes detection using fundus imaging
• Enlaces
  • Texto completo (pdf)
• Dialnet Métricas: 1 Cita
• Resumen
  • español

    La diabetes es considerada como una enfermedad crítica, y su detección temprana permite mejorar la atención y calidad de vida del paciente. Esta investigación desarrolla una red neuronal convolucional para la detección de la diabetes usando imágenes del fondo de ojo del conjunto de imágenes IDRID. El análisis de rendimiento de la red neuronal convolucional aplica una validación cruzada y se compara con otros modelos utilizados en estudios previos basados en métodos como Random Forest, Extra Trees, SVM y AdaBoost. Nuestro modelo CNN consta de una capa de entrada, tres capas convolucionales, tres capas de agrupación, dos capas completamente conectadas, y una capa de salida con dos neuronas. Los resultados de la evaluación del modelo de red neuronal convolucional con 103 imágenes produjeron un accuracy de 83.50% lo que representa un mejor rendimiento comparado con estudios previos.

  • English

    Diabetes is considered a critical illness, and its early detection improves patient care and quality of life. This research develops a convolutional neural network for diabetes detection using fundus images from the IDRID image set. The performance analysis of the convolutional neural network applies a cross-validation and is compared with other models used in previous studies based on methods such as Random Forest, Extra Trees, SVM and AdaBoost. Our CNN model consists of an input layer, three convolutional layers, three pooling layers, two fully connected layers, and an output layer with two neurons. The results of the evaluation of the convolutional neural network model with 103 images produced an accuracy of 83.50%, which represents a better performance compared to previous studies.