Detección de error refractivo en imágenes de teléfonos inteligentes a través de una red neuronal convolucional

Área de la Ciencia:

• Oftalmología
• Visión por computadora
• Inteligencia artificial

Sus antecedentes:

• El error refractivo es un deterioro de la visión común que puede conducir a la ambliopía.
• Los métodos actuales de detección de la visión a menudo son inaccesibles debido a los requisitos de costo y experiencia.
• El análisis basado en teléfonos inteligentes ofrece una solución potencial para democratizar la detección de la visión.

Objetivo del estudio:

• Investigar el uso de modelos basados en CNN para una estimación precisa del error de refracción.
• Desarrollar un método para detectar el error de refracción miope visualmente significativo utilizando imágenes de teléfonos inteligentes.
• Evaluar la viabilidad de una herramienta de detección de la visión accesible y eficiente.

Principales métodos:

• Se utilizaron modelos de CNN (MobileNetV2, EfficientNetB0, ResNet18) previamente entrenados en ImageNet.
• Utilizó el aumento de datos para abordar la insuficiencia de datos.
• Aplicación de características exploradas para la estimación del error de refracción y la clasificación binaria.

Principales resultados:

• El modelo MobileNetV2 logró un error medio absoluto de aproximadamente 0,616 para la estimación del error de refracción.
• Se logró una precisión de alrededor del 85,3% en la detección de errores de refracción binarios.
• Se ha demostrado un rendimiento prometedor tanto para aplicaciones de estimación como de cribado.

Conclusiones:

• Esta investigación es la primera en aplicar modelos de CNN para la estimación del error de refracción y la detección de la miopía.
• El método propuesto demuestra su potencial como solución accesible y eficiente para el cribado de la visión.
• El análisis de CNN basado en teléfonos inteligentes podría mejorar significativamente el acceso global a los diagnósticos de la visión.