Resumen

La retinopatía diabética (RD) es una complicación de la diabetes de larga duración, la cual es difícil de detectar en su etapa temprana porque solo muestra unos pocos síntomas. En la actualidad, el diagnóstico de la RD generalmente requiere tomar imágenes digitales del fondo de ojo, así como imágenes utilizando tomografía de coherencia óptica (OCT). Dado que el equipo de OCT es muy costoso, beneficiará tanto a los pacientes como a los oftalmólogos si se puede realizar un diagnóstico preciso basado únicamente en la lectura de imágenes digitales del fondo de ojo. En el artículo, presentamos un algoritmo novedoso basado en una red neuronal convolucional profunda (DCNN). A diferencia del enfoque DCNN tradicional, reemplazamos las capas de max-pooling comúnmente utilizadas con max-pooling fraccional. Se entrenan dos de estas DCNN con un número diferente de capas para derivar características más discriminativas para la clasificación. Después de combinar características de metadatos de la imagen y DCNN, entrenamos un clasificador de máquina de vectores de soporte (SVM) para aprender los límites subyacentes de las distribuciones de cada clase. Para los experimentos, utilizamos la base de datos pública de detección de RD proporcionada por Kaggle. Utilizamos 34,124 imágenes de entrenamiento y 1,000 imágenes de validación para construir nuestro modelo y lo probamos con 53,572 imágenes de prueba. El clasificador de RD propuesto clasifica las etapas de la RD en cinco categorías, etiquetadas con un número entero que va de cero a cuatro. Los resultados experimentales muestran que el método propuesto puede lograr una tasa de reconocimiento de hasta el 86.17%, que es mayor que lo reportado previamente en la literatura. Además de diseñar un algoritmo de aprendizaje automático, también desarrollamos una aplicación llamada Deep Retina. Equipada con un oftalmoscopio portátil, la persona promedio puede tomar imágenes del fondo de ojo por sí misma y obtener un resultado inmediato, calculado por nuestro algoritmo. Es beneficioso para el cuidado en el hogar, la atención médica remota y la autoexploración.

• Materias:Comunicación inalámbrica Blockchain Comunicaciones vehiculares Enrutamiento Redes centradas
• Subjects:Wireless communication Blockchain Vehicular communications Routing Focused networks
• Palabras claves:Retinopatía diabética; Imágenes digitales de fondo de ojo; Tomografía de coherencia óptica; Red neuronal convolucional profunda; Máquina de vectores soporte; Algoritmo de aprendizaje automático.
• Keywords:Diabetic retinopathy; Digital fundus images; Optical coherence tomography; Deep convolutional neural network; Support vector machine; Machine learning algorithm