Resumen

La retinopatía diabética (RD) es un problema mundial asociado con la retina humana. Conduce a ceguera leve y grave y es más prevalente entre adultos. El cribado automatizado ahorra tiempo a los especialistas en atención médica. En este trabajo, hemos utilizado diferentes arquitecturas de redes neuronales convolucionales 3D (3D-CNN) basadas en aprendizaje profundo (DL) para la clasificación binaria y multiclase (5 clases) de RD. Hemos considerado las categorías de RD leve, moderada, ninguna, proliferativa y grave. Hemos implementado dos métodos de aumento/mejora de datos artificiales: desenfoque gaussiano débil aleatorio y desplazamiento aleatorio junto con su combinación para llevar a cabo estas tareas en el dominio espacial. En el caso de clasificación binaria, encontramos que el rendimiento de la arquitectura 3D-CNN entrenada mediante la implementación de métodos de aumento combinados es el mejor, mientras que en el caso multiclase, el rendimiento del modelo entrenado sin aumento es el mejor. Se

• Materias:Comunicación inalámbrica Dispositivos móviles Seguridad de la información Algoritmo de inteligencia Sensor inteligente
• Subjects:Wireless communication Mobile devices Information security Algorithm intelligence Intelligent sensor
• Palabras claves:Retinopatía diabética; Aprendizaje profundo; Red neuronal convolucional 3D; Clasificación; Aumento de datos; Rendimiento
• Keywords:Diabetic retinopathy; Deep learning; 3d convolutional neural network; Classification; Data augmentation; Performance