Detección automatizada de retinopatía diabética y evaluación de la gravedad

Este artículo demuestra un enfoque revolucionario de aprendizaje profundo para la detección automatizada de retinopatía diabética (RD) utilizando redes neuronales convolucionales (CNN). Con la ayuda de conjuntos de datos de las competiciones de Detección de Retinopatía Diabética 2015 y Detección de Ceguera APTOS 2019, nuestro modelo intenta clasificar con precisión las imágenes de la retina en dos categorías: Sin RD y RD Proliferativa, según la gravedad de la degeneración macular. Mejoramos la calidad del conjunto de datos y la robustez del modelo mediante un preprocesamiento y aumento cuidadosos utilizando diversos enfoques como rotación, inversión, corte, reescalado, translación, corrección de brillo y normalización. Entrenamos dos modelos: un modelo de regresión y un modelo de aprendizaje profundo. Con una precisión de validación del 88%, demostramos que nuestra técnica de aprendizaje profundo supera al modelo de regresión. Para determinar y clasificar adecuadamente los niveles de gravedad de la RD, este estudio presenta un sistema robusto y tolerante al ruido que evoluciona el campo de la detección automatizada de la RD. Nuestro enfoque permite la detección e intervención temprana combinando arquitecturas de CNN de vanguardia con técnicas de preprocesamiento sofisticadas, lo que puede disminuir la carga de la ceguera relacionada con la RD sobre los sistemas de salud. También demostramos nuestras desventajas y sugerimos áreas para una investigación adicional, como el análisis del aprendizaje en conjunto y el uso de diversos conjuntos de datos para mejorar la generalizabilidad del modelo. Al concluir, nuestro estudio enfatiza el potencial de las técnicas de aprendizaje profundo para transformar el diagnóstico y tratamiento de la RD, con el objetivo de mejorar la calidad de atención para los diabéticos a nivel global.