Desarrollo de un modelo inteligente para detectar el nivel de retinopatía diabética mediante la extracción de...

Área de la Ciencia:

• Oftalmología
• Imágenes médicas
• Visión por computadora

Sus antecedentes:

• La retinopatía diabética es una de las principales causas de ceguera, caracterizada por microaneurismas como indicadores tempranos.
• La detección temprana de los microaneurismas es crucial para el tratamiento eficaz y la prevención de la pérdida de la visión.

Objetivo del estudio:

• Desarrollar y evaluar un método automatizado para la detección precisa de microaneurismas y la clasificación de la retinopatía diabética mediante imágenes del fondo de la retina.
• Mejorar el diagnóstico precoz de la retinopatía diabética mediante técnicas avanzadas de procesamiento de imágenes y aprendizaje automático.

Principales métodos:

• Preprocesamiento de imágenes, incluida la segmentación de los vasos sanguíneos, la detección de bordes circulares y la detección de discos ópticos.
• Detección de microaneurismas mediante la transformación circular de Hough tras la eliminación de las estructuras no pertinentes.
• Extracción de características basadas en el área del vaso/microaneurisma y las características de la Matriz de Coocurrencia de Nivel Gris (GLCM).
• Clasificación mediante una máquina vectorial de soporte (SVM) con un núcleo gaussiano.

Principales resultados:

• El método propuesto logró una precisión del 95,20% y una especificidad del 97% en la base de datos de imágenes del fondo retiniano de EyePacs.
• Los resultados experimentales demuestran un rendimiento superior en comparación con los métodos existentes para la detección de retinopatía diabética.

Conclusiones:

• El sistema automatizado desarrollado detecta eficazmente los microaneurismas, lo que permite el diagnóstico precoz de la retinopatía diabética.
• Este método tiene un potencial significativo de aplicación clínica en el cribado y el manejo de la retinopatía diabética, preservando así la visión del paciente.