Derechos de autor 2023 Investigación e Innovación en Ingenierías
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Detección de signos de retinopatía hipertensiva usando algoritmos de aprendizaje automático en imágenes digitales de fondo de ojo
Corresponding Author(s) : Christian Delgado Molina
Investigación e Innovación en Ingenierías,
Vol. 11 Núm. 1 (2023): Enero-Junio
Resumen
Objetivo: el objetivo de este trabajo es aplicar una arquitectura de detección como estrategia para identificar y estadificar signos de retinopatía hipertensiva en imágenes digitales de fondo de ojo. Metodología: El modelo propuesto se fundamenta en la metodología CRISP-ML que es el método más utilizado en proyectos de aprendizaje automático y consta de seis etapas. Estas etapas se siguen de manera exhaustiva, pero se realizan adaptaciones donde sea necesario. Resultados: Los resultados obtenidos en este trabajo muestran que el sistema propuesto es capaz de detectar signos de retinopatía hipertensiva en una imagen de fondo de ojo con una precisión del 96%. Conclusiones: las técnicas de clasificación de imágenes y aprendizaje automático se presentan como una alternativa para el apoyo de la toma de decisiones necesarias en la detección de signos de esta complicación ocular. Con esto se espera que beneficien tanto los médicos especialistas como los pacientes con retinopatía hipertensiva.
Palabras clave
Descargar cita
Endnote/Zotero/Mendeley (RIS)BibTeX
- EEVV, estadisticas vitales DANE, “difuciones fetales y no fetales” 28/05/2022,online:https://www.dane.gov.co/files/investigaciones/poblacion/bt_estadisticasvitales_defunciones_Itrim_2022pr.pdf.
- OMS,Organización mundial de la salud. “¿de que morimos?” 18/03/2019, online: online: https://www.who.int/es/news-room/fact-sheets/detail/hypertension.
- OMS, Organización mundial de la salud : ``hipertensión`` 17 de mayo del 2021: online: https://www.who.int/es/news-room/fact-sheets/detail/hypertension.
- MinSalud,Ministerio de Salud y protección Social de Colombia: “Conoce tus números” 14 de Junio del 2020: online: https://www.minsalud.gov.co/Paginas/Conoce-tus-numeros-para-prevenir-la-hipertension-arterial.aspx.
- Daniela Gasca Cuello. P. Manifestaciones de la retinopatía hipertensiva y de la retinopatía diabetica en población adulta. Scientific & Education Medical Journal / Vol. 1, N° 1, 2021, 9.
- Tsukikawa M, W Stacey A. A Review of Hypertensive Retinopathy and Chorioretinopathy; 12: 67-73. 2020, doi: 10.2147/OPTO.S183492.
- Zhang Y, Zhao L, Li H, Wang Y. Risk factors for hypertensive retinopathy in a Chinese population with hypertension: The Beijing Eye study. Experimental and therapeutic medicine. Experimental and therapeutic medicine. 2020; 17 (1): 435-458, doi: 10.3892/etm.2018.6967.
- Isabella Torres Revelo, U. A. Interpretabilidad De Un Modelo Basado En Aprendizaje Profundo Para El Diagnóstico De Retinopatía Diabética. Cali. (2020).
- Visión atlas “numero de personas afectadas porperdida de visión”, 2020, online: https://www.iapb.org/es/learn/vision-atlas/.
- ANORO, A. T. Retinopatía hipertensiva. Medicina General 11,Revisión. 2020; 524-564.
- Herrera, M. D. Análisis Y Diseño De Un Sistema Para Identificar Signos De Retinopatía Hipertensiva A Través De Imágenes De Retina, Aplicando La Tecnología De Deep Learning. Guayaquil, 2018.
- Sarmad Khitran, M. U. Automated System for the Detection of Hypertensive. Image Processing Theory, Tools and Applications, 6, 2014, DOI: 10.1109/IPTA.2014.7001984.
- Irshad, S. Classification of Retinal Vessels into Arteries and Veins for detection of Hypertensive Retinopathy. Cairo International Biomedical Engineering Conference, 4, 2015.
- Triwijoyo, B. K. The Classification of Hypertensive Retinopathy using Convolutional Neural Network. ScienceDirect, 8, 2017. DOI: 10.1109/CIBEC.2014.7020937.
- Arasy, R. Detection of hypertensive retinopathy using principal component analysis (PCA) and backpropagation neural network methods. AIP Conference Proceedings 2092, 9, 2019, https://doi.org/10.1063/1.5096735.
- E. Decencière et al., 2013, http://dx.doi.org/10.1016/j.irbm.2013.01.010, El enlace para acceder a este dataset es: http://www.adcis.net/en/third-party/e-ophtha/,
- Cuello Navarro, J., Barraza Peña, C. & Escorcia-Gutierrez, J. (2020). Una revisión de los métodos de deep learning aplicados a la detección automatizada de la retinopatía diabética. Revista Sextante, 23, pp. 12 - 27, 2020, El enlace para acceder a este dataset es: https://www.kaggle.com/c/diabetic-retinopathy-detection/data
- Niemeijer et al., 2010 El enlace para acceder a esta base de datos de imágenes es http://webeye.ophth.uiowa.edu/ROC/.
- Mauricio Menegaz. “Understanding YOLO.” Hackernoon. https://hackernoon.com/understanding- YOLO-f5a74bbc7967 . Fecha de ultima consulta: Septiembre 2022.
- Data augmentation-assisted Deep learning of hand-drawn partially colored sketches for visual, search: https://www.researchdate.net/publication/319413978_Data_augmentation-assisted_Deep_learning_of_handfrawn_artially_colored_sktches_for_visual_search,DOI: https://doi.org/10.1371/journal.pone.0183838.
- Asado-García, Á., Domínguez, C., García-Domínguez, M. et al. CLoDSA: a tool for augmentation in classification, localization, detection, semantic segmentation and instance segmentation tasks. BMC Bioinformatics 20, 323, 2019.
- Joseph Redmon, Santosh Divvala, Ross Girshick, Ali Harhali. “You Only Look Once: Unified, Real-Time Object Detection.”, 2016. https://arxiv.org/abs/1506.02640.
- Jonathan Hui. “Real-time Object Detection with YOLO, YOLOv2, and now YOLOv3.” Fecha de última consulta: Septiembre 2022.
- C. A. Ruíz Ramírez, D. M. Montoya Quintero, y J. A. Jimenez Builes, "Un Ambiente visual integrado de desarrollo para el aprendizaje de programación en robótica", Investigación e Innovación en Ingenierías, vol. 9, n.º 1, pp. 7–21, 2021. DOI: https://doi.org/10.17081/invinno.9.1.3957
Referencias
EEVV, estadisticas vitales DANE, “difuciones fetales y no fetales” 28/05/2022,online:https://www.dane.gov.co/files/investigaciones/poblacion/bt_estadisticasvitales_defunciones_Itrim_2022pr.pdf.
OMS,Organización mundial de la salud. “¿de que morimos?” 18/03/2019, online: online: https://www.who.int/es/news-room/fact-sheets/detail/hypertension.
OMS, Organización mundial de la salud : ``hipertensión`` 17 de mayo del 2021: online: https://www.who.int/es/news-room/fact-sheets/detail/hypertension.
MinSalud,Ministerio de Salud y protección Social de Colombia: “Conoce tus números” 14 de Junio del 2020: online: https://www.minsalud.gov.co/Paginas/Conoce-tus-numeros-para-prevenir-la-hipertension-arterial.aspx.
Daniela Gasca Cuello. P. Manifestaciones de la retinopatía hipertensiva y de la retinopatía diabetica en población adulta. Scientific & Education Medical Journal / Vol. 1, N° 1, 2021, 9.
Tsukikawa M, W Stacey A. A Review of Hypertensive Retinopathy and Chorioretinopathy; 12: 67-73. 2020, doi: 10.2147/OPTO.S183492.
Zhang Y, Zhao L, Li H, Wang Y. Risk factors for hypertensive retinopathy in a Chinese population with hypertension: The Beijing Eye study. Experimental and therapeutic medicine. Experimental and therapeutic medicine. 2020; 17 (1): 435-458, doi: 10.3892/etm.2018.6967.
Isabella Torres Revelo, U. A. Interpretabilidad De Un Modelo Basado En Aprendizaje Profundo Para El Diagnóstico De Retinopatía Diabética. Cali. (2020).
Visión atlas “numero de personas afectadas porperdida de visión”, 2020, online: https://www.iapb.org/es/learn/vision-atlas/.
ANORO, A. T. Retinopatía hipertensiva. Medicina General 11,Revisión. 2020; 524-564.
Herrera, M. D. Análisis Y Diseño De Un Sistema Para Identificar Signos De Retinopatía Hipertensiva A Través De Imágenes De Retina, Aplicando La Tecnología De Deep Learning. Guayaquil, 2018.
Sarmad Khitran, M. U. Automated System for the Detection of Hypertensive. Image Processing Theory, Tools and Applications, 6, 2014, DOI: 10.1109/IPTA.2014.7001984.
Irshad, S. Classification of Retinal Vessels into Arteries and Veins for detection of Hypertensive Retinopathy. Cairo International Biomedical Engineering Conference, 4, 2015.
Triwijoyo, B. K. The Classification of Hypertensive Retinopathy using Convolutional Neural Network. ScienceDirect, 8, 2017. DOI: 10.1109/CIBEC.2014.7020937.
Arasy, R. Detection of hypertensive retinopathy using principal component analysis (PCA) and backpropagation neural network methods. AIP Conference Proceedings 2092, 9, 2019, https://doi.org/10.1063/1.5096735.
E. Decencière et al., 2013, http://dx.doi.org/10.1016/j.irbm.2013.01.010, El enlace para acceder a este dataset es: http://www.adcis.net/en/third-party/e-ophtha/,
Cuello Navarro, J., Barraza Peña, C. & Escorcia-Gutierrez, J. (2020). Una revisión de los métodos de deep learning aplicados a la detección automatizada de la retinopatía diabética. Revista Sextante, 23, pp. 12 - 27, 2020, El enlace para acceder a este dataset es: https://www.kaggle.com/c/diabetic-retinopathy-detection/data
Niemeijer et al., 2010 El enlace para acceder a esta base de datos de imágenes es http://webeye.ophth.uiowa.edu/ROC/.
Mauricio Menegaz. “Understanding YOLO.” Hackernoon. https://hackernoon.com/understanding- YOLO-f5a74bbc7967 . Fecha de ultima consulta: Septiembre 2022.
Data augmentation-assisted Deep learning of hand-drawn partially colored sketches for visual, search: https://www.researchdate.net/publication/319413978_Data_augmentation-assisted_Deep_learning_of_handfrawn_artially_colored_sktches_for_visual_search,DOI: https://doi.org/10.1371/journal.pone.0183838.
Asado-García, Á., Domínguez, C., García-Domínguez, M. et al. CLoDSA: a tool for augmentation in classification, localization, detection, semantic segmentation and instance segmentation tasks. BMC Bioinformatics 20, 323, 2019.
Joseph Redmon, Santosh Divvala, Ross Girshick, Ali Harhali. “You Only Look Once: Unified, Real-Time Object Detection.”, 2016. https://arxiv.org/abs/1506.02640.
Jonathan Hui. “Real-time Object Detection with YOLO, YOLOv2, and now YOLOv3.” Fecha de última consulta: Septiembre 2022.
C. A. Ruíz Ramírez, D. M. Montoya Quintero, y J. A. Jimenez Builes, "Un Ambiente visual integrado de desarrollo para el aprendizaje de programación en robótica", Investigación e Innovación en Ingenierías, vol. 9, n.º 1, pp. 7–21, 2021. DOI: https://doi.org/10.17081/invinno.9.1.3957