Desarrollo de un sistema de diagnóstico en la detección temprana de cataratas utilizando redes neuronales convolucionales

Abstract

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.