Interfaz gráfica para detección automática del grado de progresión de retinopatía diabética mediante un modelo de inteligencia artificial

La retinopatía diabética es una de las enfermedades derivadas de la diabetes mellitus que causa daños en los vasos sanguíneos que irrigan el globo ocular. Clínicamente, se establecen 5 estados de la enfermedad: i) Sin retinopatía diabética. ii) Retinopatía diabética no proliferativa leve. iii) Retin...

Full description

Autores:: Suescún Mejía, Angela Dayana

Tipo de recurso:: Trabajo de grado de pregrado

Fecha de publicación:: 2025

Institución:: Universidad Autónoma de Bucaramanga - UNAB

Repositorio:: Repositorio UNAB

Idioma:: spa

id	UNAB2_ca6a782bd88abaa195cfb636738737cf
oai_identifier_str	oai:repository.unab.edu.co:20.500.12749/30027
network_acronym_str	UNAB2
network_name_str	Repositorio UNAB
repository_id_str
dc.title.spa.fl_str_mv	Interfaz gráfica para detección automática del grado de progresión de retinopatía diabética mediante un modelo de inteligencia artificial
dc.title.translated.spa.fl_str_mv	Graphical Interface for Automatic Detection of Diabetic Retinopathy Progression Level Using an Artificial Intelligence model
title	Interfaz gráfica para detección automática del grado de progresión de retinopatía diabética mediante un modelo de inteligencia artificial
spellingShingle	Interfaz gráfica para detección automática del grado de progresión de retinopatía diabética mediante un modelo de inteligencia artificial Diabetic Retinopathy Machine learning Deep learning Fundus image Convolutional neural network Biomedical engineering Engineering Biophysics Bioengineering Medicine Biomedical Neural networks (Computer science) Artificial intelligence Theory of machines Graphical user interfaces (Computers) Ingeniería biomédica Ingeniería Biofísica Bioingeniería Medicina Biomédica Redes neuronales (Computadores) Inteligencia artificial Teoría de las máquinas Interfaces gráficas de usuario (Computadores) Fondo de ojo Retinopatía diabética Aprendizaje profundo Aprendizaje automático Red neuronal convolucional
title_short	Interfaz gráfica para detección automática del grado de progresión de retinopatía diabética mediante un modelo de inteligencia artificial
title_full	Interfaz gráfica para detección automática del grado de progresión de retinopatía diabética mediante un modelo de inteligencia artificial
title_fullStr	Interfaz gráfica para detección automática del grado de progresión de retinopatía diabética mediante un modelo de inteligencia artificial
title_full_unstemmed	Interfaz gráfica para detección automática del grado de progresión de retinopatía diabética mediante un modelo de inteligencia artificial
title_sort	Interfaz gráfica para detección automática del grado de progresión de retinopatía diabética mediante un modelo de inteligencia artificial
dc.creator.fl_str_mv	Suescún Mejía, Angela Dayana
dc.contributor.advisor.none.fl_str_mv	Arizmendi Pereira, Carlos Julio Franco Arias, Manuel Hernando
dc.contributor.author.none.fl_str_mv	Suescún Mejía, Angela Dayana
dc.contributor.cvlac.spa.fl_str_mv	Arizmendi Pereira, Carlos Julio [1381550] Franco Arias, Manuel Hernando [0001427755]
dc.contributor.googlescholar.spa.fl_str_mv	Arizmendi Pereira, Carlos Julio [JgT_je0AAAAJ]
dc.contributor.orcid.spa.fl_str_mv	Franco Arias, Manuel Hernando
dc.contributor.scopus.spa.fl_str_mv	Arizmendi Pereira, Carlos Julio [16174088500]
dc.contributor.researchgate.spa.fl_str_mv	Arizmendi Pereira, Carlos Julio [Carlos_Arizmendi2]
dc.contributor.apolounab.spa.fl_str_mv	Arizmendi Pereira, Carlos Julio [carlos-julio-arizmendi-pereira]
dc.subject.keywords.spa.fl_str_mv	Diabetic Retinopathy Machine learning Deep learning Fundus image Convolutional neural network Biomedical engineering Engineering Biophysics Bioengineering Medicine Biomedical Neural networks (Computer science) Artificial intelligence Theory of machines Graphical user interfaces (Computers)
topic	Diabetic Retinopathy Machine learning Deep learning Fundus image Convolutional neural network Biomedical engineering Engineering Biophysics Bioengineering Medicine Biomedical Neural networks (Computer science) Artificial intelligence Theory of machines Graphical user interfaces (Computers) Ingeniería biomédica Ingeniería Biofísica Bioingeniería Medicina Biomédica Redes neuronales (Computadores) Inteligencia artificial Teoría de las máquinas Interfaces gráficas de usuario (Computadores) Fondo de ojo Retinopatía diabética Aprendizaje profundo Aprendizaje automático Red neuronal convolucional
dc.subject.lemb.spa.fl_str_mv	Ingeniería biomédica Ingeniería Biofísica Bioingeniería Medicina Biomédica Redes neuronales (Computadores) Inteligencia artificial Teoría de las máquinas Interfaces gráficas de usuario (Computadores)
dc.subject.proposal.spa.fl_str_mv	Fondo de ojo Retinopatía diabética Aprendizaje profundo Aprendizaje automático Red neuronal convolucional
description	La retinopatía diabética es una de las enfermedades derivadas de la diabetes mellitus que causa daños en los vasos sanguíneos que irrigan el globo ocular. Clínicamente, se establecen 5 estados de la enfermedad: i) Sin retinopatía diabética. ii) Retinopatía diabética no proliferativa leve. iii) Retinopatía diabética no proliferativa moderada. iv) Retinopatía diabética no proliferativa severa. v) Retinopatía diabética proliferativa. Cada una de las fases se asocia con síntomas y anormalidades identificables en las imágenes de fondo de ojo de color. Las imágenes de fondo de ojo se pueden agrupar y clasificar según su pronóstico clínico. Esta información puede extraerse, teniendo en cuenta que cada uno de los estados (estado de progresión de la enfermedad) de preferencia cuenten con el mismo número de imágenes, de no ser así, primero se hace el balanceo de clases y mediante redes neuronales convolucionales, se selecciona la capa de la cual se desea extraer la información. Seguidamente, se realiza una reducción de dimensionalidad en caso de ser aplicable, eliminando las variables irrelevantes; luego se cargan las variables restantes en un sistema de decisión, este predice el estado de progresión de la retinopatía diabética en la imagen seleccionada. Para proporcionar mayor confiabilidad se entrenan y validan tres modelos, uno con cada red neuronal convolucional seleccionada y se comparan sus resultados. Se realizan pruebas adicionales con diferente cantidad de imágenes cada uno de los grupos, entrenamiento validación y testeo, los cuales constituyen modelos potenciales para la clasificación, los cuales obtienen resultados por debajo del modelo propuesto en la metodología. Finalmente, se obtiene un modelo capaz de clasificar el estado de la enfermedad con un porcentaje de acierto del 74,49% para el grupo de datos de validación realizando la extracción de características con la red DarkNet19, siendo este el implementado en la interfaz gráfica para prever el estado de progresión de la retinopatía diabética.
publishDate	2025
dc.date.accessioned.none.fl_str_mv	2025-06-20T16:20:33Z
dc.date.available.none.fl_str_mv	2025-06-20T16:20:33Z
dc.date.issued.none.fl_str_mv	2025-05-26
dc.type.driver.none.fl_str_mv	info:eu-repo/semantics/bachelorThesis
dc.type.local.spa.fl_str_mv	Trabajo de Grado
dc.type.coar.none.fl_str_mv	http://purl.org/coar/resource_type/c_7a1f
dc.type.hasversion.none.fl_str_mv	info:eu-repo/semantics/acceptedVersion
dc.type.redcol.none.fl_str_mv	http://purl.org/redcol/resource_type/TP
format	http://purl.org/coar/resource_type/c_7a1f
status_str	acceptedVersion
dc.identifier.uri.none.fl_str_mv	http://hdl.handle.net/20.500.12749/30027
dc.identifier.instname.spa.fl_str_mv	instname:Universidad Autónoma de Bucaramanga - UNAB
dc.identifier.reponame.spa.fl_str_mv	reponame:Repositorio Institucional UNAB
dc.identifier.repourl.spa.fl_str_mv	repourl:https://repository.unab.edu.co
url	http://hdl.handle.net/20.500.12749/30027
identifier_str_mv	instname:Universidad Autónoma de Bucaramanga - UNAB reponame:Repositorio Institucional UNAB repourl:https://repository.unab.edu.co
dc.language.iso.spa.fl_str_mv	spa
language	spa
dc.relation.references.spa.fl_str_mv	Aiche, I., Brik, Y., Attallah, B., Lahmar, H., & Zohra, Z. (2022). Transfer learning for diabetic retinopathy detection. 2022 International Conference of Advanced Technology in Electronic and Electrical Engineering (ICATEEE), 1–5. https://doi.org/10.1109/ICATEEE57445.2022.10093089 Amaya Lara, J. L., Beltrán Villegas, A., Chavarro, D., Romero Silva, G., Matallana Gómez, M. A., Puerto García, S., . . . Vásquez Candia, M. E. (2013). Disponibilidad DistribuciónMdEspecialistasCendex American Diabetes Association. (2017). Classification and diagnosis of diabetes. Diabetes Care, 40(1), S11. Retrieved from https://care.diabetesjournals.org/content/35/Supplement_1/S11 Batista, G. E. A. P. A., Prati, R. C., & Monard, M. C. (2004). A study of the behavior of several methods for balancing machine learning training data. SIGKDD Explorations: Newsletter of the Special Interest Group (SIG) on Knowledge Discovery & Data Mining, 6(1), 20–29. https://doi.org/10.1145/1007730.1007735 Boyd, K. (2018). What is diabetic retinopathy? Burgoyne, F. H. (1961). The pathology of diabetes mellitus Cantero, A. (2013). Mi vida como miope: Y mi tránsito por la baja visión. Editorial Martín Mar De La Plata, Retrieved from http://www.webmati.es/index.php?option=com_content&view=article&id=21:el-proceso-de-duelo-y-la-baja-vision&catid=13&Itemid=160 Chawla, N. V., Bowyer, K. W., Hall, L. O., & Kegelmeyer, W. P. (2011). SMOTE: Synthetic minority over-sampling technique. En arXiv [cs.AI]. http://arxiv.org/abs/1106.1813 Cheloni, R., Gandolfi, S. A., Signorelli, C., & Odone, A. (2019). Global prevalence of diabetic retinopathy: protocol for a systematic review and meta-analysis. BMJ open, 9(3), e022188. https://doi.org/10.1136/bmjopen-2018-022188 Chong, D. D., Das, N., & Singh, R. P. (2024). Diabetic retinopathy: Screening, prevention, and treatment. Cleveland Clinic Journal of Medicine, 91(8), 503–510. https://doi.org/10.3949/ccjm.91a.24028 Fong, D. S., Aiello, L., Gardner, T. W., King, G. L., Blankenship, G., Cavallerano, J. D., . . . Klein, R. (2004). Retinopathy in diabetes Galvis Ramirez, V., Rey Serrano, J. J., Rodríguez Villamizar, L. A., Serrano Calderón, C., & Tello Hernández, A. (2009). Prevalencia de la ceguera en el departamento de santander - colombia Gattullo, B. A., & Edelman, M. (2008). Retinopatía diabética. Nursing (Ed. española), 26(10), 17. doi:10.1016/S0212-5382(08)70811-2 Retrieved from https://www.sciencedirect.com/science/article/pii/S0212538208708112 He, H., Bai, Y., Garcia, E. A., & Li, S. (2008). ADASYN: Adaptive synthetic sampling approach for imbalanced learning. 2008 IEEE International Joint Conference on Neural Networks (IEEE World Congress on Computational Intelligence), 1322–1328 Hosny, A., & Aerts, H. J. W. L. (2019). Artificial intelligence for global health. Science (New York, N.Y.), 366(6468), 955–956. https://doi.org/10.1126/science.aay5189 Instituto de Microbiología Ocular. (2018). La mayoría de diabéticos tipo 1 padecerá retinopatía diabética, su detección precoz puede evitar ceguera en más del 90% de los casos Jiménez, S., Alemany, P., Núñez, F. J., Fondón, I., Serrano, C., Acha, B., & Failde, I. (2012). Automated detection of microaneurysms by using region growing and fuzzy artmap neural network. Archives of the Spanish Society for Ophthalmology (Archivos De La Sociedad Española De Oftalmología, English Edition), 87(9), 284-289. doi:10.1016/j.oftale.2012.04.012 Kaggle. (2015). Diabetic retinopathy detection [Data set]. https://www.kaggle.com/c/diabetic-retinopathy-detection Karami, N., & Rabbani, H. (Nov 2017). A dictionary learning based method for detection of diabetic retinopathy in color fundus images. Paper presented at the 119-122. doi:10.1109/IranianMVIP.2017.8342333 Retrieved from https://ieeexplore.ieee.org/document/8342333 Kaya, C., Erkaymaz, O., Ayar, O., & Ozer, M. (May 2017). Detection of diabetic retinopathy disease from video-oculography (VOG) signals by artificial neural networks. Paper presented at the 1-4. doi:10.1109/SIU.2017.7960420 Retrieved from https://ieeexplore.ieee.org/document/7960420 Kumar, S., & Kumar, B. (Feb 2018). Diabetic retinopathy detection by extracting area and number of microaneurysm from colour fundus image. Paper presented at the 359-364. doi:10.1109/SPIN.2018.8474264 Retrieved from https://ieeexplore.ieee.org/document/8474264 Lam, C., Yi, D., Guo, M., & Lindsey, T. (2018). Automated detection of diabetic retinopathy using deep learning. AMIA Joint Summits on Translational Science Proceedings, 2017, 147–155 Lee, R., Wong, T. Y., & Sabanayagam, C. (2015). Epidemiology of diabetic retinopathy, diabetic macular edema and related vision loss. Eye and Vision (London, England), 2(1), 17. doi:10.1186/s40662-015-0026-2 Magan, T., Pouncey, A., Gadhvi, K., Katta, M., Posner, M., & Davey, C. (2019). Prevalence and severity of diabetic retinopathy in patients attending the endocrinology diabetes clinic at mulago hospital in uganda. Diabetes Research and Clinical Practice, 152, 65-70. doi:10.1016/j.diabres.2019.04.024 Manjushree, R., Bhoomika, D., Nair, R. R., & Babu, T. (2022). Automated detection of diabetic retinopathy using deep learning in retinal fundus images: Analysis. En 2022 3rd International Conference on Communication, Computing and Industry 4.0 (C2I4) (pp. 1–6). IEEE. https://doi.org/10.1109/C2I456876.2022.10051419 MathWorks. (R2018b). FSCNCA (feature selection using neighborhood component analysis). Mathworks.com. Recuperado el 13 de febrero de 2025, de https://la.mathworks.com/help/stats/fscnca.html Mathworks Inc. (2020b). relieff. Mathworks.com. https://la.mathworks.com/help/stats/relieff.html?searchHighlight=relieff&s_tid=srchtitle_support_results_1_relieff Mera, J., & Arrieta, C. (2015). Estudio Comparativo de Técnicas de Balanceo de Datos en el Aprendizaje de Múltiples Instancias. LACNEM2015 - Latin American Conference on Networking and Electronic Media. Ministerio de Salud y Protección social. (2019). Complicaciones y enfermedades asociadas a la diabetes Ministerio de Salud y Protección Social, & Universidad Nacional de Colombia. (2016). Análisis de la situación de salud visual en colombia Mittal, N., & Kumar, A. (2022). Analysis of supervised feature selection in bioinformatics. En Blockchain Applications for Healthcare Informatics (pp. 431–446). Elsevier. Nagpal, D., Panda, S. N., Malarvel, M., Pattanaik, P. A., & Khan, M. Z. (2022). A review of diabetic retinopathy: Datasets, approaches, evaluation metrics and future trends. Journal of King Saud University - Computer and Information Sciences, 34(9), 7138–7152. https://doi.org/10.1016/j.jksuci.2021.06.006 Neri, G., Sharma, S., Ghezzo, B., & Others. (2025). Deep learning model for automatic detection of different types of microaneurysms in diabetic retinopathy. Eye, 39, 570–577. https://doi.org/10.1038/s41433-024-03585-1 Noble, J., & Chaudhary, V. (2010). Diabetic retinopathy. Canadian Medical Association Journal (CMAJ), 182(15), 1646. doi:10.1503/cmaj.090536 Salem, N., & Hussein, S. (2019). Data dimensional reduction and principal components analysis. Procedia Computer Science, 163, 292–299. https://doi.org/10.1016/j.procs.2019.12.111 Sánchez Gutiérrez, C. I., López Gálvez, M. I., Hornero Sánchez, R., & Poza Crespo, J. (2004). Retinal image analysis to detect lesions associated with diabetic retinopathy. Archivos De La Sociedad Española De Oftalmología, 79(12), 623-628. Satyanandam, N., Satyanarayana, C., Riyazuddin, M., & Shaik, A. (2012). Data mining, machine learning approaches and medical diagnose systems: A survey. International Journal of Computer & Organization Trends, 2(3), 1–6. http://www.ijcotjournal.org St. Paul's Eye Unit. (2006). Automated Retinal Image Analysis (ARIA) Data Set [Data set]. http://www.damianjjfarnell.com/?page_id=276 Toan Bui, Maneerat, N., & Watchareeruetai, U. (Nov 2017). Detection of cotton wool for diabetic retinopathy analysis using neural network. Paper presented at the 203-206. doi:10.1109/IWCIA.2017.8203585 Retrieved from https://ieeexplore.ieee.org/document/8203585 Valerio, M. (2017). Retinopatía, la ceguera de la diabetes Vallejo. M, E., & Rodriguez. A, F. (2016). Epidemiología de la retinopatía diabética y su relación con la diabetes. Revista Colombiana De Endocrinología, Diabetes Y Metabolismo, 3(1), 12-15. Retrieved from http://www.endocrino.org.co/revista/pdf/7662a8105289b032f44fcbf9968f1cab.pdf Webb, M. P. K., & Sidebotham, D. (2020). Bayes’ formula: a powerful but counterintuitive tool for medical decision-making. BJA Education, 20(6), 208–213. https://doi.org/10.1016/j.bjae.2020.03.002 Westerfeld Corey, & Miller Joan. (2010). Neovascularization in diabetic retinopathy. Ocular disease mechanisms and management (pp. 514-518) World Health Organization. (2014). La OMS estima que hay 285 millones de personas con discapacidad visual en el mundo. Retrieved from https://www.infosalus.com/actualidad/noticia-oms-estima-hay-285-millones-personas-discapacidad-visual-mundo-20131010134206.html World Health Organization. (2016). Global report on diabetes Ying, X. (2019). An Overview of Overfitting and its Solutions. Journal of Physics. Conference Series, 1168(2), 022022. https://doi.org/10.1088/1742-6596/1168/2/022022 Zerguine, A., & Bensegueni, M. (2010, June). Comparison between Levenberg-Marquardt and Scaled Conjugate Gradient training algorithms for Breast Cancer Diagnosis using MLP. In 2010 6th International Colloquium on Signal Processing & Its Applications (CSPA) (pp. 1–5). IEEE. https://doi.org/10.1109/CSPA.2010.5545325 Zuley, Y., & Cárdenas, C. (2003). Ciencia y tecnología para la salud visual & ocular. Retrieved from https://dialnet.unirioja.es/servlet/revista?codigo=24437
dc.relation.uriapolo.spa.fl_str_mv	https://apolo.unab.edu.co/en/persons/carlos-julio-arizmendi-pereira
dc.rights.coar.fl_str_mv	http://purl.org/coar/access_right/c_abf2
dc.rights.uri.*.fl_str_mv	http://creativecommons.org/licenses/by-nc-nd/2.5/co/
dc.rights.local.spa.fl_str_mv	Abierto (Texto Completo)
dc.rights.creativecommons.*.fl_str_mv	Atribución-NoComercial-SinDerivadas 2.5 Colombia
rights_invalid_str_mv	http://creativecommons.org/licenses/by-nc-nd/2.5/co/ Abierto (Texto Completo) Atribución-NoComercial-SinDerivadas 2.5 Colombia http://purl.org/coar/access_right/c_abf2
dc.format.mimetype.spa.fl_str_mv	application/pdf
dc.coverage.spatial.spa.fl_str_mv	Bucaramanga (Santander, Colombia)
dc.coverage.campus.spa.fl_str_mv	UNAB Campus Bucaramanga
dc.publisher.grantor.spa.fl_str_mv	Universidad Autónoma de Bucaramanga UNAB
dc.publisher.faculty.spa.fl_str_mv	Facultad Ingeniería
dc.publisher.program.spa.fl_str_mv	Pregrado Ingeniería Biomédica
dc.publisher.programid.none.fl_str_mv	IBM-1788
institution	Universidad Autónoma de Bucaramanga - UNAB
bitstream.url.fl_str_mv	https://repository.unab.edu.co/bitstream/20.500.12749/30027/1/Interfaz%20Grafica%20para%20el%20deteci%c3%b3n%20automatica%20del%20grado%20de%20progresi%c3%b3n%20de%20retinopat%c3%ada%20diab%c3%a9tica.pdf https://repository.unab.edu.co/bitstream/20.500.12749/30027/5/Licencia.pdf https://repository.unab.edu.co/bitstream/20.500.12749/30027/4/license.txt https://repository.unab.edu.co/bitstream/20.500.12749/30027/6/Interfaz%20Grafica%20para%20el%20deteci%c3%b3n%20automatica%20del%20grado%20de%20progresi%c3%b3n%20de%20retinopat%c3%ada%20diab%c3%a9tica.pdf.jpg https://repository.unab.edu.co/bitstream/20.500.12749/30027/7/Licencia.pdf.jpg
bitstream.checksum.fl_str_mv	eee3785ffabab1bbfb2367dadafad5ec b48591c9ef5b12daa942d0173c6230f1 3755c0cfdb77e29f2b9125d7a45dd316 798fef2855bd6d849b42050351f616e8 68734f1e3207547e9d38e630d3bd695d
bitstream.checksumAlgorithm.fl_str_mv	MD5 MD5 MD5 MD5 MD5
repository.name.fl_str_mv	Repositorio Institucional \| Universidad Autónoma de Bucaramanga - UNAB
repository.mail.fl_str_mv	repositorio@unab.edu.co
_version_	1837097763308830720
spelling	Arizmendi Pereira, Carlos Julio79e0125f-b191-4144-999b-281177ddaaf9Franco Arias, Manuel Hernandof54597c9-3b82-4525-9a23-1cf6369a6a66Suescún Mejía, Angela Dayanaf7ace1ea-0472-436f-b40d-8f1ab7e3b9d1Arizmendi Pereira, Carlos Julio [1381550]Franco Arias, Manuel Hernando [0001427755]Arizmendi Pereira, Carlos Julio [JgT_je0AAAAJ]Franco Arias, Manuel HernandoArizmendi Pereira, Carlos Julio [16174088500]Arizmendi Pereira, Carlos Julio [Carlos_Arizmendi2]Arizmendi Pereira, Carlos Julio [carlos-julio-arizmendi-pereira]Bucaramanga (Santander, Colombia)UNAB Campus Bucaramanga2025-06-20T16:20:33Z2025-06-20T16:20:33Z2025-05-26http://hdl.handle.net/20.500.12749/30027instname:Universidad Autónoma de Bucaramanga - UNABreponame:Repositorio Institucional UNABrepourl:https://repository.unab.edu.coLa retinopatía diabética es una de las enfermedades derivadas de la diabetes mellitus que causa daños en los vasos sanguíneos que irrigan el globo ocular. Clínicamente, se establecen 5 estados de la enfermedad: i) Sin retinopatía diabética. ii) Retinopatía diabética no proliferativa leve. iii) Retinopatía diabética no proliferativa moderada. iv) Retinopatía diabética no proliferativa severa. v) Retinopatía diabética proliferativa. Cada una de las fases se asocia con síntomas y anormalidades identificables en las imágenes de fondo de ojo de color. Las imágenes de fondo de ojo se pueden agrupar y clasificar según su pronóstico clínico. Esta información puede extraerse, teniendo en cuenta que cada uno de los estados (estado de progresión de la enfermedad) de preferencia cuenten con el mismo número de imágenes, de no ser así, primero se hace el balanceo de clases y mediante redes neuronales convolucionales, se selecciona la capa de la cual se desea extraer la información. Seguidamente, se realiza una reducción de dimensionalidad en caso de ser aplicable, eliminando las variables irrelevantes; luego se cargan las variables restantes en un sistema de decisión, este predice el estado de progresión de la retinopatía diabética en la imagen seleccionada. Para proporcionar mayor confiabilidad se entrenan y validan tres modelos, uno con cada red neuronal convolucional seleccionada y se comparan sus resultados. Se realizan pruebas adicionales con diferente cantidad de imágenes cada uno de los grupos, entrenamiento validación y testeo, los cuales constituyen modelos potenciales para la clasificación, los cuales obtienen resultados por debajo del modelo propuesto en la metodología. Finalmente, se obtiene un modelo capaz de clasificar el estado de la enfermedad con un porcentaje de acierto del 74,49% para el grupo de datos de validación realizando la extracción de características con la red DarkNet19, siendo este el implementado en la interfaz gráfica para prever el estado de progresión de la retinopatía diabética.Resumen 4 Capítulo I 13 Introducción 13 Planteamiento del problema 15 Justificación 17 Pregunta de investigación 19 Objetivos 19 Objetivo General 19 Objetivos Específicos 19 Capítulo II 20 Estado del arte 20 Marco conceptual 24 Capítulo III 31 Metodología 31 1. Pertinencia de la base de datos 31 1. Redes neuronales existentes 33 2. Ajuste de parámetros para entrenamiento 34 3. Entrenamiento de la red neuronal convolucional y extracción de características 36 4. Entrenamiento de los sistemas de predicción 37 5. Reducción de dimensionalidad 38 6. Entrenamiento de las máquinas de soporte vectorial y redes neuronales 39 7. Evaluación de los resultados de predicción 39 8. Obtención e implementación del modelo final 40 Capítulo VI 42 Resultados 42 1. Pertinencia de la base de datos 42 2. Redes Neuronales Preexistentes 47 3. Ajuste de parámetros de entrenamiento 50 4. Entrenamiento de la red neuronal convolucional y extracción de características 52 5. Entrenamiento de los sistemas de predicción 61 6. Reducción de dimensionalidad 62 7. Entrenamiento de redes neuronales y máquinas de soporte vectorial 64 8. Evaluación de los resultados de predicción 66 9. Obtención e implementación del modelo final 67 Capítulo V 73 Análisis de resultados 73 Conclusiones 76 Referencias 78PregradoDiabetic retinopathy is one of the complications derived from diabetes mellitus that causes damage to the blood vessels supplying the eyeball. Clinically, five stages of the disease are established: i) No diabetic retinopathy, ii) Mild non-proliferative diabetic retinopathy, iii) Moderate non-proliferative diabetic retinopathy, iv) Severe non-proliferative diabetic retinopathy, and v) Proliferative diabetic retinopathy. Each phase is associated with identifiable symptoms and abnormalities in color fundus images. These images can be grouped and classified according to their clinical prognosis. This information can be extracted, considering that each disease stage (progression state) should preferably have the same number of images. If not, class balancing is first performed, and then, using convolutional neural networks (CNNs), the layer from which to extract the information is selected. Next, dimensionality reduction is applied if necessary, eliminating irrelevant variables; the remaining variables are then loaded into a system to predict the diabetic retinopathy progression stage corresponding to the selected image. To provide greater reliability, three models are trained and validated, each with a different selected CNN, and their results are compared. Additional tests are carried out using different numbers of images for the training, validation, and testing groups. These models are potential classifiers but achieve lower performance than the one proposed in the methodology. Finally, a model capable of classifying the disease stage with an accuracy of 74,49% on the validation dataset is obtained. This model uses DarkNet19 for feature extraction and is implemented in a graphical interface to predict the progression stage of diabetic retinopathy.Modalidad Presencialapplication/pdfspahttp://creativecommons.org/licenses/by-nc-nd/2.5/co/Abierto (Texto Completo)Atribución-NoComercial-SinDerivadas 2.5 Colombiahttp://purl.org/coar/access_right/c_abf2Interfaz gráfica para detección automática del grado de progresión de retinopatía diabética mediante un modelo de inteligencia artificialGraphical Interface for Automatic Detection of Diabetic Retinopathy Progression Level Using an Artificial Intelligence modelIngeniero BiomédicoUniversidad Autónoma de Bucaramanga UNABFacultad IngenieríaPregrado Ingeniería BiomédicaIBM-1788info:eu-repo/semantics/bachelorThesisTrabajo de Gradohttp://purl.org/coar/resource_type/c_7a1finfo:eu-repo/semantics/acceptedVersionhttp://purl.org/redcol/resource_type/TPDiabetic RetinopathyMachine learningDeep learningFundus imageConvolutional neural networkBiomedical engineeringEngineeringBiophysicsBioengineeringMedicineBiomedicalNeural networks (Computer science)Artificial intelligenceTheory of machinesGraphical user interfaces (Computers)Ingeniería biomédicaIngenieríaBiofísicaBioingenieríaMedicinaBiomédicaRedes neuronales (Computadores)Inteligencia artificialTeoría de las máquinasInterfaces gráficas de usuario (Computadores)Fondo de ojoRetinopatía diabéticaAprendizaje profundoAprendizaje automáticoRed neuronal convolucionalAiche, I., Brik, Y., Attallah, B., Lahmar, H., & Zohra, Z. (2022). Transfer learning for diabetic retinopathy detection. 2022 International Conference of Advanced Technology in Electronic and Electrical Engineering (ICATEEE), 1–5. https://doi.org/10.1109/ICATEEE57445.2022.10093089Amaya Lara, J. L., Beltrán Villegas, A., Chavarro, D., Romero Silva, G., Matallana Gómez, M. A., Puerto García, S., . . . Vásquez Candia, M. E. (2013). Disponibilidad DistribuciónMdEspecialistasCendexAmerican Diabetes Association. (2017). Classification and diagnosis of diabetes. Diabetes Care, 40(1), S11. Retrieved from https://care.diabetesjournals.org/content/35/Supplement_1/S11Batista, G. E. A. P. A., Prati, R. C., & Monard, M. C. (2004). A study of the behavior of several methods for balancing machine learning training data. SIGKDD Explorations: Newsletter of the Special Interest Group (SIG) on Knowledge Discovery & Data Mining, 6(1), 20–29. https://doi.org/10.1145/1007730.1007735Boyd, K. (2018). What is diabetic retinopathy?Burgoyne, F. H. (1961). The pathology of diabetes mellitusCantero, A. (2013). Mi vida como miope: Y mi tránsito por la baja visión. Editorial Martín Mar De La Plata, Retrieved from http://www.webmati.es/index.php?option=com_content&view=article&id=21:el-proceso-de-duelo-y-la-baja-vision&catid=13&Itemid=160Chawla, N. V., Bowyer, K. W., Hall, L. O., & Kegelmeyer, W. P. (2011). SMOTE: Synthetic minority over-sampling technique. En arXiv [cs.AI]. http://arxiv.org/abs/1106.1813Cheloni, R., Gandolfi, S. A., Signorelli, C., & Odone, A. (2019). Global prevalence of diabetic retinopathy: protocol for a systematic review and meta-analysis. BMJ open, 9(3), e022188. https://doi.org/10.1136/bmjopen-2018-022188Chong, D. D., Das, N., & Singh, R. P. (2024). Diabetic retinopathy: Screening, prevention, and treatment. Cleveland Clinic Journal of Medicine, 91(8), 503–510. https://doi.org/10.3949/ccjm.91a.24028Fong, D. S., Aiello, L., Gardner, T. W., King, G. L., Blankenship, G., Cavallerano, J. D., . . . Klein, R. (2004). Retinopathy in diabetesGalvis Ramirez, V., Rey Serrano, J. J., Rodríguez Villamizar, L. A., Serrano Calderón, C., & Tello Hernández, A. (2009). Prevalencia de la ceguera en el departamento de santander - colombiaGattullo, B. A., & Edelman, M. (2008). Retinopatía diabética. Nursing (Ed. española), 26(10), 17. doi:10.1016/S0212-5382(08)70811-2 Retrieved from https://www.sciencedirect.com/science/article/pii/S0212538208708112He, H., Bai, Y., Garcia, E. A., & Li, S. (2008). ADASYN: Adaptive synthetic sampling approach for imbalanced learning. 2008 IEEE International Joint Conference on Neural Networks (IEEE World Congress on Computational Intelligence), 1322–1328Hosny, A., & Aerts, H. J. W. L. (2019). Artificial intelligence for global health. Science (New York, N.Y.), 366(6468), 955–956. https://doi.org/10.1126/science.aay5189Instituto de Microbiología Ocular. (2018). La mayoría de diabéticos tipo 1 padecerá retinopatía diabética, su detección precoz puede evitar ceguera en más del 90% de los casosJiménez, S., Alemany, P., Núñez, F. J., Fondón, I., Serrano, C., Acha, B., & Failde, I. (2012). Automated detection of microaneurysms by using region growing and fuzzy artmap neural network. Archives of the Spanish Society for Ophthalmology (Archivos De La Sociedad Española De Oftalmología, English Edition), 87(9), 284-289. doi:10.1016/j.oftale.2012.04.012Kaggle. (2015). Diabetic retinopathy detection [Data set]. https://www.kaggle.com/c/diabetic-retinopathy-detectionKarami, N., & Rabbani, H. (Nov 2017). A dictionary learning based method for detection of diabetic retinopathy in color fundus images. Paper presented at the 119-122. doi:10.1109/IranianMVIP.2017.8342333 Retrieved from https://ieeexplore.ieee.org/document/8342333Kaya, C., Erkaymaz, O., Ayar, O., & Ozer, M. (May 2017). Detection of diabetic retinopathy disease from video-oculography (VOG) signals by artificial neural networks. Paper presented at the 1-4. doi:10.1109/SIU.2017.7960420 Retrieved from https://ieeexplore.ieee.org/document/7960420Kumar, S., & Kumar, B. (Feb 2018). Diabetic retinopathy detection by extracting area and number of microaneurysm from colour fundus image. Paper presented at the 359-364. doi:10.1109/SPIN.2018.8474264 Retrieved from https://ieeexplore.ieee.org/document/8474264Lam, C., Yi, D., Guo, M., & Lindsey, T. (2018). Automated detection of diabetic retinopathy using deep learning. AMIA Joint Summits on Translational Science Proceedings, 2017, 147–155Lee, R., Wong, T. Y., & Sabanayagam, C. (2015). Epidemiology of diabetic retinopathy, diabetic macular edema and related vision loss. Eye and Vision (London, England), 2(1), 17. doi:10.1186/s40662-015-0026-2Magan, T., Pouncey, A., Gadhvi, K., Katta, M., Posner, M., & Davey, C. (2019). Prevalence and severity of diabetic retinopathy in patients attending the endocrinology diabetes clinic at mulago hospital in uganda. Diabetes Research and Clinical Practice, 152, 65-70. doi:10.1016/j.diabres.2019.04.024Manjushree, R., Bhoomika, D., Nair, R. R., & Babu, T. (2022). Automated detection of diabetic retinopathy using deep learning in retinal fundus images: Analysis. En 2022 3rd International Conference on Communication, Computing and Industry 4.0 (C2I4) (pp. 1–6). IEEE. https://doi.org/10.1109/C2I456876.2022.10051419MathWorks. (R2018b). FSCNCA (feature selection using neighborhood component analysis). Mathworks.com. Recuperado el 13 de febrero de 2025, de https://la.mathworks.com/help/stats/fscnca.htmlMathworks Inc. (2020b). relieff. Mathworks.com. https://la.mathworks.com/help/stats/relieff.html?searchHighlight=relieff&s_tid=srchtitle_support_results_1_relieffMera, J., & Arrieta, C. (2015). Estudio Comparativo de Técnicas de Balanceo de Datos en el Aprendizaje de Múltiples Instancias. LACNEM2015 - Latin American Conference on Networking and Electronic Media.Ministerio de Salud y Protección social. (2019). Complicaciones y enfermedades asociadas a la diabetesMinisterio de Salud y Protección Social, & Universidad Nacional de Colombia. (2016). Análisis de la situación de salud visual en colombiaMittal, N., & Kumar, A. (2022). Analysis of supervised feature selection in bioinformatics. En Blockchain Applications for Healthcare Informatics (pp. 431–446). Elsevier.Nagpal, D., Panda, S. N., Malarvel, M., Pattanaik, P. A., & Khan, M. Z. (2022). A review of diabetic retinopathy: Datasets, approaches, evaluation metrics and future trends. Journal of King Saud University - Computer and Information Sciences, 34(9), 7138–7152. https://doi.org/10.1016/j.jksuci.2021.06.006Neri, G., Sharma, S., Ghezzo, B., & Others. (2025). Deep learning model for automatic detection of different types of microaneurysms in diabetic retinopathy. Eye, 39, 570–577. https://doi.org/10.1038/s41433-024-03585-1Noble, J., & Chaudhary, V. (2010). Diabetic retinopathy. Canadian Medical Association Journal (CMAJ), 182(15), 1646. doi:10.1503/cmaj.090536Salem, N., & Hussein, S. (2019). Data dimensional reduction and principal components analysis. Procedia Computer Science, 163, 292–299. https://doi.org/10.1016/j.procs.2019.12.111Sánchez Gutiérrez, C. I., López Gálvez, M. I., Hornero Sánchez, R., & Poza Crespo, J. (2004). Retinal image analysis to detect lesions associated with diabetic retinopathy. Archivos De La Sociedad Española De Oftalmología, 79(12), 623-628.Satyanandam, N., Satyanarayana, C., Riyazuddin, M., & Shaik, A. (2012). Data mining, machine learning approaches and medical diagnose systems: A survey. International Journal of Computer & Organization Trends, 2(3), 1–6. http://www.ijcotjournal.orgSt. Paul's Eye Unit. (2006). Automated Retinal Image Analysis (ARIA) Data Set [Data set]. http://www.damianjjfarnell.com/?page_id=276Toan Bui, Maneerat, N., & Watchareeruetai, U. (Nov 2017). Detection of cotton wool for diabetic retinopathy analysis using neural network. Paper presented at the 203-206. doi:10.1109/IWCIA.2017.8203585 Retrieved from https://ieeexplore.ieee.org/document/8203585Valerio, M. (2017). Retinopatía, la ceguera de la diabetesVallejo. M, E., & Rodriguez. A, F. (2016). Epidemiología de la retinopatía diabética y su relación con la diabetes. Revista Colombiana De Endocrinología, Diabetes Y Metabolismo, 3(1), 12-15. Retrieved from http://www.endocrino.org.co/revista/pdf/7662a8105289b032f44fcbf9968f1cab.pdfWebb, M. P. K., & Sidebotham, D. (2020). Bayes’ formula: a powerful but counterintuitive tool for medical decision-making. BJA Education, 20(6), 208–213. https://doi.org/10.1016/j.bjae.2020.03.002Westerfeld Corey, & Miller Joan. (2010). Neovascularization in diabetic retinopathy. Ocular disease mechanisms and management (pp. 514-518)World Health Organization. (2014). La OMS estima que hay 285 millones de personas con discapacidad visual en el mundo. Retrieved from https://www.infosalus.com/actualidad/noticia-oms-estima-hay-285-millones-personas-discapacidad-visual-mundo-20131010134206.htmlWorld Health Organization. (2016). Global report on diabetesYing, X. (2019). An Overview of Overfitting and its Solutions. Journal of Physics. Conference Series, 1168(2), 022022. https://doi.org/10.1088/1742-6596/1168/2/022022Zerguine, A., & Bensegueni, M. (2010, June). Comparison between Levenberg-Marquardt and Scaled Conjugate Gradient training algorithms for Breast Cancer Diagnosis using MLP. In 2010 6th International Colloquium on Signal Processing & Its Applications (CSPA) (pp. 1–5). IEEE. https://doi.org/10.1109/CSPA.2010.5545325Zuley, Y., & Cárdenas, C. (2003). Ciencia y tecnología para la salud visual & ocular. Retrieved from https://dialnet.unirioja.es/servlet/revista?codigo=24437https://apolo.unab.edu.co/en/persons/carlos-julio-arizmendi-pereiraORIGINALInterfaz Grafica para el deteción automatica del grado de progresión de retinopatía diabética.pdfInterfaz Grafica para el deteción automatica del grado de progresión de retinopatía diabética.pdfTesisapplication/pdf1594675https://repository.unab.edu.co/bitstream/20.500.12749/30027/1/Interfaz%20Grafica%20para%20el%20deteci%c3%b3n%20automatica%20del%20grado%20de%20progresi%c3%b3n%20de%20retinopat%c3%ada%20diab%c3%a9tica.pdfeee3785ffabab1bbfb2367dadafad5ecMD51open accessLicencia.pdfLicencia.pdfLicenciaapplication/pdf332021https://repository.unab.edu.co/bitstream/20.500.12749/30027/5/Licencia.pdfb48591c9ef5b12daa942d0173c6230f1MD55metadata only accessLICENSElicense.txtlicense.txttext/plain; charset=utf-8829https://repository.unab.edu.co/bitstream/20.500.12749/30027/4/license.txt3755c0cfdb77e29f2b9125d7a45dd316MD54open accessTHUMBNAILInterfaz Grafica para el deteción automatica del grado de progresión de retinopatía diabética.pdf.jpgInterfaz Grafica para el deteción automatica del grado de progresión de retinopatía diabética.pdf.jpgIM Thumbnailimage/jpeg4182https://repository.unab.edu.co/bitstream/20.500.12749/30027/6/Interfaz%20Grafica%20para%20el%20deteci%c3%b3n%20automatica%20del%20grado%20de%20progresi%c3%b3n%20de%20retinopat%c3%ada%20diab%c3%a9tica.pdf.jpg798fef2855bd6d849b42050351f616e8MD56open accessLicencia.pdf.jpgLicencia.pdf.jpgIM Thumbnailimage/jpeg12702https://repository.unab.edu.co/bitstream/20.500.12749/30027/7/Licencia.pdf.jpg68734f1e3207547e9d38e630d3bd695dMD57metadata only access20.500.12749/30027oai:repository.unab.edu.co:20.500.12749/300272025-06-20 22:01:21.637open accessRepositorio Institucional \| Universidad Autónoma de Bucaramanga - UNABrepositorio@unab.edu.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

Interfaz gráfica para detección automática del grado de progresión de retinopatía diabética mediante un modelo de inteligencia artificial

Publicaciones similares