Aprendizaje automático para asistencia al diagnóstico de enfermedades visuales basado en imágenes de fondo de ojo

Las fotografías de fondo de ojo representan una técnica no-invasiva muy empleada por oftalmólogos para detectar retinopatía diabética (RD) y glaucoma, dos de las principales causas mundiales de ceguera prevenible. En esta tesis se presentan algunas contribuciones al análisis automático de estas imá...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autor principal: Orlando, José Ignacio
Formato: Artículo revista
Lenguaje:Español
Publicado: Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas 2017
Materias:
Oftalmologia
Glaucoma
Retinopatía diabética
Imágenes de fondo de ojo
Matemática computacional
Enfermedades de los ojos
Técnicas de aprendizaje automático
Computación
Tesis de doctorado
Acceso en línea:http://www.ridaa.unicen.edu.ar/xmlui/handle/123456789/1476
Aporte de:
Repositorio Institucional de Acceso Abierto (RIDAA) de Universidad Nacional del Centro
id I21-R190-123456789-1476
record_format ojs
spelling I21-R190-123456789-14762025-03-28T12:47:02Z Aprendizaje automático para asistencia al diagnóstico de enfermedades visuales basado en imágenes de fondo de ojo Orlando, José Ignacio Blaschko, Matthew B del Fresno, Mariana Oftalmologia Glaucoma Retinopatía diabética Imágenes de fondo de ojo Matemática computacional Enfermedades de los ojos Técnicas de aprendizaje automático Computación Tesis de doctorado Las fotografías de fondo de ojo representan una técnica no-invasiva muy empleada por oftalmólogos para detectar retinopatía diabética (RD) y glaucoma, dos de las principales causas mundiales de ceguera prevenible. En esta tesis se presentan algunas contribuciones al análisis automático de estas imágenes mediante técnicas de aprendizaje automático. Inicialmente se propone un método de segmentación de vasos sanguíneos basado en el aprendizaje de campos condicionales aleatorios totalmente conectados mediante máquinas de vectores de soporte de salida estructurada. Este enfoque permite obtener representaciones precisas del árbol vascular, que son luego utilizadas en el contexto de dos técnicas para la detección de glaucoma y RD. Para detectar glaucoma, se plantea transferir redes neuronales convolucionales (CNNs) preentrenadas con datos no médicos. Las imágenes son adaptadas inicialmente mediante métodos de preprocesamiento tradicionales, y los descriptores extraídos se utilizan para entrenar modelos regularizados de regresión logística, obteniendo resultados competitivos con el estado del arte. Finalmente, se introduce una técnica para detectar lesiones rojas típicas de la RD basada en hibridar descriptores aprendidos utilizando una CNN y otros diseñados manualmente. Posteriormente se utiliza un Bosque Aleatorio entrenado con estos valores para identi ficar lesiones candidatas, con alta e ficacia en diversas bases de datos. Fil: Orlando, José Ignacio. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; Argentina. Fil: del Fresno, Mariana. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; Argentina. Fil: Blaschko, Matthew B. University of Oxford; Reino Unido. Fundus images are a non-invasive imaging modality that is typically used by ophthalmologists to assess the retina. They are widely applied for detecting diabetic retinopathy (DR) and glaucoma, which are leading causes of preventable blindness in the world. In this thesis we contribute with novel tools for automated fundus image analysis based on machine learning. First, we propose a vessel segmentation method based on learning fully connected conditional random elds using structured output support vector machines. This approach allows to recover accurate segmentations of the retinal vasculature that are afterwards applied in the context of two deep learning based techniques for glaucoma and DR detection. For automated glaucoma assessment, we propose to transfer convolutional neural networks (CNNs) that were pre-trained using non-medical data. Images are adapted using state of the art preprocessing methods before feeding the CNNs, and the extracted features are used to train regularized logistic regression classi ers, achieving results that are competitive with other methods. For DR screening, we introduce a red lesion detection approach based on hybridizing deep learned and hand crafted features. A Random Forest classi er is trained on these features to identify true lesion candidates, reporting state of the art performance in benchmark data sets. 2017-09 2017-11-01T13:46:19Z info:ar-repo/semantics/tesis doctoral info:eu-repo/semantics/acceptedVersion info:eu-repo/semantics/doctoralThesis http://www.ridaa.unicen.edu.ar/xmlui/handle/123456789/1476 https://www.ridaa.unicen.edu.ar/handle/123456789/1476 spa http://creativecommons.org/licenses/by-nc-sa/2.5/ar/ info:eu-repo/semantics/openAccess application/pdf application/pdf Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas
institution Universidad Nacional del Centro
institution_str I-21
repository_str R-190
container_title_str Repositorio Institucional de Acceso Abierto (RIDAA)
language Español
format Artículo revista
topic Oftalmologia
Glaucoma
Retinopatía diabética
Imágenes de fondo de ojo
Matemática computacional
Enfermedades de los ojos
Técnicas de aprendizaje automático
Computación
Tesis de doctorado
spellingShingle Oftalmologia
Glaucoma
Retinopatía diabética
Imágenes de fondo de ojo
Matemática computacional
Enfermedades de los ojos
Técnicas de aprendizaje automático
Computación
Tesis de doctorado
Orlando, José Ignacio
Aprendizaje automático para asistencia al diagnóstico de enfermedades visuales basado en imágenes de fondo de ojo
topic_facet Oftalmologia
Glaucoma
Retinopatía diabética
Imágenes de fondo de ojo
Matemática computacional
Enfermedades de los ojos
Técnicas de aprendizaje automático
Computación
Tesis de doctorado
author Orlando, José Ignacio
author_facet Orlando, José Ignacio
author_sort Orlando, José Ignacio
title Aprendizaje automático para asistencia al diagnóstico de enfermedades visuales basado en imágenes de fondo de ojo
title_short Aprendizaje automático para asistencia al diagnóstico de enfermedades visuales basado en imágenes de fondo de ojo
title_full Aprendizaje automático para asistencia al diagnóstico de enfermedades visuales basado en imágenes de fondo de ojo
title_fullStr Aprendizaje automático para asistencia al diagnóstico de enfermedades visuales basado en imágenes de fondo de ojo
title_full_unstemmed Aprendizaje automático para asistencia al diagnóstico de enfermedades visuales basado en imágenes de fondo de ojo
title_sort aprendizaje automático para asistencia al diagnóstico de enfermedades visuales basado en imágenes de fondo de ojo
description Las fotografías de fondo de ojo representan una técnica no-invasiva muy empleada por oftalmólogos para detectar retinopatía diabética (RD) y glaucoma, dos de las principales causas mundiales de ceguera prevenible. En esta tesis se presentan algunas contribuciones al análisis automático de estas imágenes mediante técnicas de aprendizaje automático. Inicialmente se propone un método de segmentación de vasos sanguíneos basado en el aprendizaje de campos condicionales aleatorios totalmente conectados mediante máquinas de vectores de soporte de salida estructurada. Este enfoque permite obtener representaciones precisas del árbol vascular, que son luego utilizadas en el contexto de dos técnicas para la detección de glaucoma y RD. Para detectar glaucoma, se plantea transferir redes neuronales convolucionales (CNNs) preentrenadas con datos no médicos. Las imágenes son adaptadas inicialmente mediante métodos de preprocesamiento tradicionales, y los descriptores extraídos se utilizan para entrenar modelos regularizados de regresión logística, obteniendo resultados competitivos con el estado del arte. Finalmente, se introduce una técnica para detectar lesiones rojas típicas de la RD basada en hibridar descriptores aprendidos utilizando una CNN y otros diseñados manualmente. Posteriormente se utiliza un Bosque Aleatorio entrenado con estos valores para identi ficar lesiones candidatas, con alta e ficacia en diversas bases de datos.
publisher Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas
publishDate 2017
url http://www.ridaa.unicen.edu.ar/xmlui/handle/123456789/1476
work_keys_str_mv AT orlandojoseignacio aprendizajeautomaticoparaasistenciaaldiagnosticodeenfermedadesvisualesbasadoenimagenesdefondodeojo
first_indexed 2022-07-04T14:36:55Z
last_indexed 2025-06-05T05:00:28Z
_version_ 1834063892057161728

Ejemplares similares