Clasificación de lesiones oculares a partir de imágenes de tomografía de coherencia óptica

Fernández Hernández, Jorge (2021). Clasificación de lesiones oculares a partir de imágenes de tomografía de coherencia óptica. Proyecto Fin de Carrera / Trabajo Fin de Grado, E.T.S. de Ingenieros Informáticos (UPM), Madrid, España.

Description

Title: Clasificación de lesiones oculares a partir de imágenes de tomografía de coherencia óptica
Author/s:
  • Fernández Hernández, Jorge
Contributor/s:
  • Gonzalo Martín, Consuelo
Item Type: Final Project
Degree: Grado en Ingeniería Informática
Date: July 2021
Subjects:
Faculty: E.T.S. de Ingenieros Informáticos (UPM)
Department: Arquitectura y Tecnología de Sistemas Informáticos
Creative Commons Licenses: Recognition - No derivative works - Non commercial

Full text

[img]
Preview
PDF - Requires a PDF viewer, such as GSview, Xpdf or Adobe Acrobat Reader
Download (2MB) | Preview

Abstract

El trabajo se engloba dentro de un proyecto en colaboración con los hospitales públicos de la Comunidad de Madrid. En concreto se centra en la generación de modelos de Machine / Deep Learning para la detección de distintas estructuras, o patrones, por medio de la técnica de la segmentación, que puedan servir para clasificar el grado de miopía patológica, en un paciente diagnosticado con esta enfermedad. Para la correcta generación de este tipo de modelos es necesario contar con un dataset, en el que aparezcan anotadas las estructuras que se consideren importantes en el problema a resolver. También es necesario elegir métricas adecuadas y que sean útiles para tener más información sobre la eficiencia del modelo. Para ello en este trabajo se expondrá y se compararán distintos experimentos que se han llevado a cabo a la hora de crear modelos de redes neuronales especializados en la segmentación del fluido de la retina. Estos distintos experimentos servirán para ver el efecto que tiene el número de imágenes de las que se dispone a la hora de entrenar una red, o bien la importancia que puede tener el respetar la relación de aspecto de los píxeles de las imágenes. Los resultados obtenidos a pesar de no ser del todo buenos nos sirven para llegar a ciertas conclusiones, como por ejemplo que disponer de un mayor número de muestras de entrenamiento es beneficioso para el rendimiento de la red, o que para este tipo de problemas de segmentar estructuras parece importante la relación de aspecto en las imágenes. Por ello se determina que sería interesante repetir este tipo de experimentos, pero contando está vez con un número mayor de imágenes para entrenar los modelos y con arquitecturas más complejas con un coste computacional mayor.---ABSTRACT---This is work is included in a project in collaboration with public hospitals of the Community of Madrid. Specifically, it is focused on the generation of Machine / Deep learning models for detect multiple structures or patterns, using image segmentation, which will be useful to classify the degree of pathological myopia, in a patient diagnosed with this disease. For the correct generation of this type of models it is necessary to have a dataset, with the important structures or patterns annotated on it. It is also mandatory to choose suitable metrics and useful to get information about the model’s performance. For it in this work it will be exposed and compared different experiments that have been realised when creating the neural network models specialized in retinal fluid segmentation. These multiple experiments will serve for view the effect that the number of images available when training the network have, or the importance that may have the images aspect ratio. The obtained results despite off not being too good, we can make conclusions with it, for example, having higher samples for train the model is beneficial for the net’s performance, or for structure segmentation problems seems to be import the images aspect ratio. For these reasons it will be interesting repeat this type of experiments, but this time having a higher number of images to train the models and using more complex architectures with a higher computational cost.

More information

Item ID: 68428
DC Identifier: https://oa.upm.es/68428/
OAI Identifier: oai:oa.upm.es:68428
Deposited by: Biblioteca Facultad de Informatica
Deposited on: 07 Sep 2021 10:11
Last Modified: 07 Sep 2021 10:11
  • Logo InvestigaM (UPM)
  • Logo GEOUP4
  • Logo Open Access
  • Open Access
  • Logo Sherpa/Romeo
    Check whether the anglo-saxon journal in which you have published an article allows you to also publish it under open access.
  • Logo Dulcinea
    Check whether the spanish journal in which you have published an article allows you to also publish it under open access.
  • Logo de Recolecta
  • Logo del Observatorio I+D+i UPM
  • Logo de OpenCourseWare UPM