Clasificación de imágenes en pacientes con lesiones oculares

Núñez Guerrero, Marcos (2021). Clasificación de imágenes en pacientes con lesiones oculares. Proyecto Fin de Carrera / Trabajo Fin de Grado, E.T.S. de Ingenieros Informáticos (UPM), Madrid, España.

Description

Title: Clasificación de imágenes en pacientes con lesiones oculares
Author/s:
  • Núñez Guerrero, Marcos
Contributor/s:
  • Gonzalo Martín, Consuelo
Item Type: Final Project
Degree: Grado en Matemáticas e Informática
Date: June 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 (7MB) | Preview

Abstract

La miopía patológica es una de las enfermedades más prevalentes en el mundo, llegando a poder producir una ceguera irreversible. Además, el diagnóstico de esta enfermedad está sujeta a la subjetividad del especialista. Desde 1970 existen algunos criterios que ayudan a los especialistas en el diagnóstico de la miopía patológica, la cual se estima que el 7.8 % de la población Europea la padecen. Esta enfermedad afecta a ciertas estructuras oculares como puede ser la mácula, y es de sumo interés detectar como estas estructuras están afectadas por la enfermedad. El objetivo global de este proyecto es la generación de modelos basados en algoritmos de aprendizaje automático que a partir de las características extraídas de bases de datos de imágenes anotadas permitan la clasificación automática y fiable de las imágenes de pacientes con miopía patológica. Para ello se hace uso de tecnologías innovadoras basadas en Deep Learning, las cuales están cada vez más en auge. Estas técnicas basadas en Inteligencia Artificial aplicado a imágenes de un campo tan extenso como es el de la medicina tiene múltiples usos. Pero todos enfocados con un mismo fin, mejorar el bienestar de las personas agilizando o ayudando en tareas tediosas o subjetivas como es el diagnóstico de ciertas enfermedades. Por una parte, se pretende generar un modelo que aprenda la tarea de detección de la mácula. Por otro lado, se pretende generar un modelo de clasificación que consiga aprender a discernir entre casos con miopía patológica y sin miopía patológica, proporcionando así una herramienta que de soporte a la decisión para los oftalmólogos. Para la generación de los modelos es necesario que previamente se realice un análisis de los datasets de estudio, de manera que se eliminen los outliers que pueda contener nuestro modelo. Para ello se ha realizado un clustering de imágenes y un análisis de las anotaciones con un diagrama de dispersión. La localización de la mácula se ha abordado mediante un algoritmo propuesto por la universidad de Sun Yat-sen en China y con una CNN basándose en el algoritmo YOLO, llamado YOLOv5. Los resultados que se consiguen utilizando el algoritmo propuesto obtienen un acierto del 0.76, mientras que utilizando YOLOv5 se consigue un 80 %. Cabe destacar que ambas soluciones consiguen estos resultados en patologías oculares como Glaucoma o DR. Respecto a los modelos de clasificación se han conseguido unos resultados excelentes utilizando arquitecturas como ResNet50 o VGG16, obteniendo respectivamente en ambos casos un 95 % de accuracy. La diferencia entre un modelo y otro es que ResNet detecta mejor los casos de miopía patológica y VGG16 los casos sin presencia de miopía patológica.---ABSTRACT---Pathological Myopia is one of the most prevalence disease, getting to be able to produce irreversible blindness. Furthermore, the diagnosis of this disease is subject to a bias from specialist. Since 1970 there are some criteria which can help to specialist during Pathological Myopia diagnosis, which is estimated that 7.8 % of European population suffer from this disease. This disease affects to certain ocular structures such as macula, and it is of great interest to detect these structures. The aim of this project is the generation of models based on supervised learning algorithms which from the characteristics extracted from databases of labelled imagen allow an automatic and reliable classification of images from patients with pathological myopia. For this, it is used innovative technologies based on Deep Learning, which are in booming. These techniques based on Artificial Intelligence applied on images from such a huge field like medicine has multiple utilities. However, they are focus on the same goal, improve the welfare of persons accelerating or helping in such tedious or subjective tasks such as the diagnosis of certain diseases. On one hand, the aim is to generate a model that learns the detection of macula task. On the other hand, it is intended to generate a classification model which can learn to discern between Pathological Myopia and Non-Pathological Myopia cases, thus achieving a decision support tool for ophthalmologist. For the generation of the models, it is necessary to previously perform an analysis of study from datasets. For this, it has performed a clustering of images and annotation analysis of annotation with a scatter plot. Macula localization has been approached using an algorithm proposed by Sun YatSen University in China and with a CNN based on YOLO algorithm, called YOLOv5. The outcomes obtained using the proposed algorithm obtain a hit rate of 0.76, while using YOLOv5 achieves 80 %. It should be noted that both solutions achieve these results in ocular pathologies such as Glaucoma or DR. With respect to the classification models, excellent results have been achieved using architectures such as ResNet50 or VGG16, achieving respectively in both cases a 95 % of accuracy. The difference between one model and the other is that ResNet perform a better detection of pathological myopia cases and VGG16 detects cases without the presence of pathological myopia.

More information

Item ID: 68588
DC Identifier: https://oa.upm.es/68588/
OAI Identifier: oai:oa.upm.es:68588
Deposited by: Biblioteca Facultad de Informatica
Deposited on: 21 Sep 2021 08:57
Last Modified: 21 Sep 2021 08:57
  • 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