RT info:eu-repo/semantics/masterThesis
T1 Clasificación automática de la severidad de la retinopatía diabética mediante técnicas de Deep Learning
A1 Herrero Tudela, María
A2 Universidad de Valladolid. Escuela Técnica Superior de Ingenieros de Telecomunicación
K1 Análisis de retinografías
K1 Clasificación automática
K1 Deep Learning
AB La retinopatía diabética (RD) es una de las principales enfermedades crónicas discapacitantes y una de las principales causas de ceguera y discapacidad visual en los países desarrollados. Los estudios indican que el 90% de los casos pueden prevenirse mediante la detección precoz y el tratamiento adecuado. Los médicos utilizan el cribado ocular mediante imágenes de la retina para detectar las lesiones relacionadas con esta enfermedad en exámenes oftalmológicos periódicos. Debido al creciente número de personas diabéticas, la cantidad de imágenes que los oftalmólogos especialistas han de analizar manualmente se está volviendo inasequible. Además, la formación de nuevo personal para este tipo de diagnóstico basado en imágenes es larga, ya que requiere adquirir experiencia mediante la práctica diaria. En este trabajo se propone el desarrollo y evaluación de un método automático para la clasificación del grado de severidad de la RD basado en el análisis de retinografías. Dicho método permitiría identificar las imágenes que muestren signos de RD y determinar qué imágenes pertenecen a pacientes que deban ser derivados a atención especializada de forma preferente u ordinaria, según el estadio de gravedad detectado por el sistema. Para este fin, se ha empleado como clasificador una red neuronal profunda combinada con diferentes técnicas de deep learning tales como data augmentation, dropout, transfer learning y fine tuning. El método se evaluó en la base de datos pública de retinografías APTOS-2019, en tres escenarios diferentes: clasificación de la RD en cinco grados de severidad (sano, RD no proliferativa leve, RD no proliferativa moderada, RD no proliferativa severa y RD proliferativa), detección de la presencia de la RD (clasificación en sano vs RD) y clasificación en casos derivables vs no derivables. Estos escenarios se abordan habitualmente en los trabajos existentes sobre el diagnóstico de la RD. En el escenario de clasificación multiclase se ha obtenido un coeficiente kappa de 0.919, una especificidad de 96.31%, un Area Under Curve (AUC) de 0.93 y una precisión de 94.10%. Para el caso de la detección de la presencia de la RD se ha obtenido un coeficiente kappa de 0.978, una sensibilidad de 97.99%, una especificidad de 100%, un AUC de 1 y una precisión de 98.91%. Finalmente, en la detección de los casos derivables y no derivables se ha conseguido un coeficiente kappa de 0.811, una sensibilidad de 85.15%, una especificidad del 100%, un AUC de 0.97 y una precisión de 90.71%. Además, como los resultados proporcionados por los modelos basados en deep learning son difíciles de interpretar, se ha incluido un análisis de los resultados utilizando técnicas de Explainable Artificial Intelligence (XAI). En concreto, se ha utilizado SHapley Additive exPlanations (SHAP). Los resultados obtenidos permiten comprobar que es posible tanto la detección y clasificación de la RD en casos derivables y no derivables como la clasificación automática de la severidad de la RD mediante el análisis de retinografías de pacientes diabéticos. El método propuesto, por tanto, permitiría acortar el tiempo de obtención de un diagnóstico, reducir la carga de trabajo de los expertos oftalmólogos y, como consecuencia, los costes económicos asociados al tratamiento de la RD. Además, el modelo está diseñado de tal forma que se puede generalizar su posible aplicación a otros tipos de imágenes médicas y dominios de clasificación.
YR 2021
FD 2021
LK https://uvadoc.uva.es/handle/10324/50053
UL https://uvadoc.uva.es/handle/10324/50053
LA spa
NO Departamento de Teoría de la Señal y Comunicaciones e Ingeniería Telemática
DS UVaDOC
RD 23-may-2024