Desarrollo de un sistema de diagnóstico en la detección temprana de cataratas utilizando redes neuronales convolucionales
Date
2024Author(s)
Infante Cueva Wilder Pablo
Cruzado Benites Marco Salvador
Metadata
Show full item recordAbstract
En esta tesis se presenta el desarrollo de un sistema de diagnóstico para la detección
temprana de cataratas utilizando redes neuronales convolucionales (CNNs). Las
cataratas son la principal causa de discapacidad visual a nivel mundial, y su
detección temprana es crucial para prevenir la progresión de la enfermedad y mejorar
los resultados visuales de los pacientes. El sistema propuesto tiene como objetivo
proporcionar una herramienta automatizada y precisa para identificar cataratas en
imágenes oftalmológicas, facilitando así el acceso a la atención oftalmológica y
mejorando la eficiencia del diagnóstico.
La metodología empleada incluye la recolección de un conjunto de datos de
imágenes oftalmológicas, el diseño de una arquitectura de CNN optimizada para la
detección de cataratas, y el entrenamiento del modelo utilizando técnicas de
procesamiento de imágenes y aprendizaje profundo. El sistema se evaluó mediante
métricas de rendimiento como precisión, sensibilidad y especificidad, demostrando
una alta capacidad para distinguir entre imágenes con y sin cataratas.
Los resultados obtenidos muestran que el sistema desarrollado es capaz de detectar
cataratas con un alto grado de precisión, lo que sugiere su viabilidad como
herramienta de apoyo en entornos clínicos. Además, el uso de este sistema puede
reducir la carga de trabajo de los oftalmólogos, permitir diagnósticos más rápidos y
precisos, y aumentar la accesibilidad a exámenes oftalmológicos en áreas con
recursos limitados.
En conclusión, el desarrollo de este sistema de diagnóstico basado en CNNs
representa un avance significativo en la aplicación de la inteligencia artificial en la
medicina oftalmológica, ofreciendo una solución prometedora para mejorar la
detección temprana de cataratas y, en última instancia, contribuir a la reducción de
la ceguera evitable a nivel mundial This thesis presents the development of a diagnostic system for the early detection
of cataracts using convolutional neural networks (CNNs). Cataracts are the leading
cause of visual impairment worldwide, and early detection is crucial to prevent
disease progression and improve patient visual outcomes. The proposed system
aims to provide an automated and accurate tool to identify cataracts in ophthalmic
images, thereby facilitating access to eye care and improving diagnostic efficiency.
The methodology employed includes the collection of a dataset of ophthalmic images,
the design of a CNN architecture optimized for cataract detection, and the training of
the model using image processing and deep learning techniques. The system was
evaluated using performance metrics such as accuracy, sensitivity, and specificity,
demonstrating a high ability to distinguish between images with and without cataracts.
The results obtained show that the developed system can detect cataracts with a high
degree of accuracy, suggesting its viability as a support tool in clinical settings.
Additionally, the use of this system can reduce the workload of ophthalmologists,
enable faster and more accurate diagnoses, and increase accessibility to eye
examinations in resource-limited areas.
In conclusion, the development of this CNN-based diagnostic system represents a
significant advancement in the application of artificial intelligence in ophthalmic
medicine, offering a promising solution to improve the early detection of cataracts
and, ultimately, contribute to the reduction of preventable blindness worldwide.