Show simple item record

dc.contributor.advisorGarcía Gadañón, María es
dc.contributor.authorMuñoz Zamarro, Cristina Pinar
dc.contributor.editorUniversidad de Valladolid. Escuela Técnica Superior de Ingenieros de Telecomunicación es
dc.date.accessioned2022-11-24T14:57:19Z
dc.date.available2022-11-24T14:57:19Z
dc.date.issued2022
dc.identifier.urihttps://uvadoc.uva.es/handle/10324/57427
dc.description.abstractLa Retinopatía Diabética (RD) es una complicación de la diabetes y es la causa más frecuente de ceguera en la población laboral activa de los paísesdesarrollados. Cuando se trata de forma precoz, la pérdida de visión se puede prevenir. Para ello, es necesario que los pacientes se sometan aexámenes oftalmológicos regulares en los que se capturan y analizan imágenes de su fondo ocular o retinografías. No obstante, la creciente incidencia dela diabetes y la falta de profesionales sanitarios dificultan la detección precoz de la RD. En este contexto, los sistemas automáticos de ayuda aldiagnóstico de la RD ofrecen beneficios en escenarios clínicos y de cribado. En este TFM se pretende contribuir a esta tarea mediante el desarrollo de unmétodo automático de procesado de retinografías basado en técnicas de deep learning. Para ello se empleará el lenguaje de programación Python y setrabajará con retinografías procedentes de un contexto clínico real. Asimismo, la alumna tendrá la oportunidad de trabajar en un grupo de investigaciónmultidisciplinar, colaborando con ingenieros y médicos especialistas en oftalmología del Hospital Clínico Universitario de Valladolid.es
dc.description.abstractSight is one of the most important senses for human beings. In recent years, the number of eye diseases has increased considerably and the same trend is expected in the coming years. Some of them, such as diabetic retinopathy, glaucoma or cataracts, have become major causes of vision loss worldwide. The alterations they cause in the human eye can be seen using digital images, such as fundus images. This technique is very common and useful for the diagnosis of this type of pathologies. Early detection is key to prevent the disease from reaching its most advanced stages and to make treatment more effective. Therefore patients should undergo frequent ophthalmological examinations. However, the increasing incidence of some diseases and the shortage of specialist ophthalmologists make the manual analysis of retinal images a complex and time-consuming task. In this context, automated screening systems can be very useful to assist ophthalmologists. Despite the great effectiveness of Deep learning-based systems, their application in clinical practice is still not very evident, as a consequence of their "black box" nature. In order to solve this problem, Explainable Artificial Intelligence (XAI) has been developed, a set of techniques that try to explain the decisions made by computational models when they are used for a specific task.es
dc.description.sponsorshipDepartamento de Teoría de la Señal y Comunicaciones e Ingeniería Telemáticaes
dc.format.mimetypeapplication/pdfes
dc.language.isospaes
dc.rights.accessRightsinfo:eu-repo/semantics/openAccesses
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/*
dc.subject.classificationCribado automáticoes
dc.subject.classificationDeep Learninges
dc.subject.classificationRedes neuronales convolucionaleses
dc.titleAnálisis de retinografías basado en Deep Learning para la ayuda al diagnóstico de la retinopatía diabéticaes
dc.typeinfo:eu-repo/semantics/masterThesises
dc.description.degreeMáster en Ingeniería de Telecomunicaciónes
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 Internacional*


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record