Uso de técnicas de aprendizaje profundo para la detección del glaucoma

Abstract

El glaucoma es una de las principales causas de ceguera irreversible en todo el mundo. Un diagnostico precoz de esta patología podría evitar la pérdida progresiva de visión. Así, surge la necesidad de desarrollar herramientas que faciliten esta labor. A lo largo de este trabajo se exploran diversas técnicas de aprendizaje profundo con el objetivo de detectar el glaucoma a partir de una retinografía. Además, se construye una aplicación la cual integra todos los desarrollos conseguidos, de manera que permite utilizar el estudio realizado en el entorno médico. Respecto a las técnicas empleadas, van desde algoritmos propios del campo del Aprendizaje Automático como Support Vector Machine o Multi-Layer Perceptron para el análisis de datos y la construcción de ensembles, hasta estrategias específicas del Aprendizaje Profundo para la visión por computador, como clasificación y segmentación, para lo que se utilizaran arquitecturas de tipo YOLO y U-Net. En referencia a los resultados obtenidos, se verán como se ha conseguido detectar y segmentar de manera exitosa las distintas estructuras que se pueden reconocer en una retinograíıa, llegando a obtener más de un 95% para la métrica escogida accuracy camvid. Además, también se explicara cómo se llega a diagnosticar el glaucoma con un 97% de recall y un 94.96% de aciertos. Lo que implica superar el resto de soluciones propuestas para los datos utilizados