Aplicación de técnicas de Inteligencia Artificial para el diagnóstico asistido de glaucoma
El fin de este proyecto se centra en la implementación de una solución software que mediante el uso de una red neuronal convolucional permita asistir el diagnóstico de glaucoma tomando como entrada un fondo ocular. Debido a la problemática que representa el glaucoma para la salud ocular en la socied...
| Autores: | , , |
|---|---|
| Tipo de documento: | artigo |
| Data de publicação: | 2022 |
| País: | Colombia |
| Recursos: | Universidad del Norte |
| Repositório: | Repositorio Uninorte |
| Idioma: | espanhol |
| OAI Identifier: | oai:manglar.uninorte.edu.co:10584/11235 |
| Acesso em linha: | http://hdl.handle.net/10584/11235 |
| Access Level: | Acceso aberto |
| Palavra-chave: | Glaucoma Diagnostico asistido Deep Learning Afección ocular Keras Tensorflow InceptionV3 ResNet50 Fondo ocular Assisted diagnosis Ocular disease Fundus image |
| Resumo: | El fin de este proyecto se centra en la implementación de una solución software que mediante el uso de una red neuronal convolucional permita asistir el diagnóstico de glaucoma tomando como entrada un fondo ocular. Debido a la problemática que representa el glaucoma para la salud ocular en la sociedad, es indispensable el diagnóstico rápido y confiable de esta enfermedad con el fin de tomar acciones ágiles de mitigación y/o reducción que ataquen la pérdida de la visión que causa esta afección. Dentro del proyecto, se busca en general diseñar, implementar y validar un prototipo que permita reducir tiempos en el proceso de diagnóstico, esto, es llevado a cabo siguiendo la metodología de desarrollo CRISP-DM, donde a grandes rasgos el proceso seguido es: el entendimiento del problema a través de una revisión sistemática de la literatura, recopilando la información de estrategias e información ya existentes para la agilización del diagnóstico; la obtención de los datos de alguna fuente, que en este caso se trata de un dataset tomado de la plataforma Kaggle; el entendimiento y preparación de estos datos, donde se busca entender y dar la estructura correcta a los datos para los próximos pasos; el modelado de la solución, donde se realiza el diseño que va a seguir la solución; la implementación, realizada sobre Python utilizando Keras y TensorFlow y por último la validación, donde comprobamos mediante un proceso de validación cruzada que los objetivos planteados hayan sido cumplidos. |
|---|