Mecanismos de Atención e Interpretabilidad en el Aprendizaje Automático para la Detección de Enfermedades Oculares a través del Uso de Tomografías

Gil Romero, RobertAlba Acosta, David Camilo2021-02-042021-02-042021-02-04Alba Acosta, D. C. (2021). Mecanismos de Atención e Interpretabilidad en el Aprendizaje Automático para la Detección de Enfermedades Oculares a través del Uso de Tomografías. [Trabajo de Grado, Universidad Santo Tomás]. Repositorio Institucional.http://hdl.handle.net/11634/31964El Deep learning o “aprendizaje profundo” vino para quedarse por mucho tiempo; es así que, en los últimos años producto del desarrollo de la inteligencia artificial, su actuar ha venido aplicándose en varias áreas del conocimiento principalmente en las ciencias de la salud. Ante este fenómeno señalado, la medicina tradicionalmente ha venido desarrollando los diagnósticos de enfermedades como de traumatologías, incorporando el uso de rayos x, resonancias magnéticas y tomografías entre otras. En ese sentido, la ciencia de la medicina ha venido implementando sistemas autónomos, los cuales, han venido a complementar la forma de analizar la información médica. La ciencia médica hoy en día viene desarrollando en sus diferentes áreas del conocimiento la aplicación de la inteligencia artificial mediante el uso del deep learning, como es el caso de la oftalmología y de la optometría. De conformidad con lo explicitado, el trabajo propuesto tiene como objetivo principal: Encontrar la mejor arquitectura CNN “Convolutional neural network” que se adapte a un conjunto de datos que contiene tomografías oculares en la región de la retina, y que sea capaz de clasificar estos cuatro tipos de diagnóstico ocular: Normal, Drusen, CNV (Neurovascularización coroidea) y DME(Edema Macular diabético).Deep learning is here to stay for a long time; thus, in recent years, as a result of the development of artificial intelligence, it has been applied in several areas of knowledge, mainly in the health sciences. Faced with this phenomenon, medicine has traditionally been developing the diagnosis of diseases such as traumatology, incorporating the use of x-rays, magnetic resonance imaging and tomography, among others. In this sense, the science of medicine has been implementing autonomous systems, which have come to complement the way of analyzing medical information. Medical science today is developing in its different areas of knowledge the application of artificial intelligence through the use of deep learning, as is the case of ophthalmology and optometry. In accordance with the above, the main objective of the proposed work is: To find the best CNN architecture "Convolutional neural network" that adapts to a dataset containing ocular tomographies in the retina region, and that is able to classify these four types of ocular diagnosis: Normal, Drusen, CNV (Choroidal Neurovascularization) and DME (Diabetic Macular Edema).application/pdfspaAtribución-NoComercial-SinDerivadas 2.5 Colombiahttp://creativecommons.org/licenses/by-nc-nd/2.5/co/Mecanismos de Atención e Interpretabilidad en el Aprendizaje Automático para la Detección de Enfermedades Oculares a través del Uso de Tomografíasbachelor thesisDeep learningCNNNeural networksAttention modulesOcular diseasesEnfermedades de los ojosOftalmologíaEstadísticaTomografíaAbierto (Texto Completo)info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Aprendizaje profundoRedes neuronalesCNNMódulos de atenciónEnfermedades ocularesreponame:Repositorio Institucional Universidad Santo Tomásinstname:Universidad Santo Tomásrepourl:https://repository.usta.edu.co