Video Experimental Relacionado
Updated: Apr 30, 2026
10:46
Doppler Optical Coherence Tomography of Retinal Circulation
Published on: September 18, 2012
19.2K
Clasificación de imágenes retinianas mediante encruzamiento vascular-disco óptico y selección de características
Mahapara Khurshid1, Chiranjeev Chiranjeev1, Richa Singh1
1Department of Computer Science and Engineering, Indian Institute of Technology, Jodhpur, India.
Scientific reports
|January 16, 2026
Resumen
Este estudio presenta un método de IA para clasificar imágenes retinianas para detectar glaucoma y retinopatía diabética. El novedoso enfoque mejora la precisión diagnóstica de estas graves afecciones oculares.
Área de la Ciencia:
- Oftalmología; Ciencias de la Computación; Imágenes Médicas
Sus antecedentes:
- Los trastornos retinianos van en aumento, provocando ceguera. La inteligencia artificial (IA) ofrece potencial para el análisis automatizado de imágenes retinianas. Los desafíos incluyen la variabilidad de las imágenes y los datos desequilibrados, lo que dificulta el desarrollo de modelos robustos.
Objetivo del estudio:
- Desarrollar un novedoso enfoque de IA para clasificar imágenes retinianas en categorías de pacientes sanos, con glaucoma y con retinopatía diabética. Mejorar el rendimiento de la clasificación centrándose en la extracción de características discriminatorias e integrando información de múltiples vistas. Abordar desafíos como la baja variabilidad entre clases y los conjuntos de datos desequilibrados.
Principales métodos:
- Se empleó un método de selección de características atentas sensible a anomalías. Se utilizó un marco de segmentación cruzada para extraer e integrar estructuras del disco óptico y vasculares. El enfoque se validó en múltiples conjuntos de datos públicos (FIVES, Drishti-GS1, SUSTech, HRF, PAPILA).
Principales resultados:
- El modelo logró una precisión balanceada del 83% (IC del 95%: 80%-86%). Se reportaron alta sensibilidad, especificidad, VPP y VPN para clasificaciones de pacientes sanos, con glaucoma y con retinopatía diabética. El método demostró robustez para distinguir entre las tres clases en diversos conjuntos de datos.
Conclusiones:
- El método de IA propuesto clasifica eficazmente las imágenes retinianas para la detección de glaucoma y retinopatía diabética. La integración de las estructuras del disco óptico y vasculares mejora la precisión y robustez de la clasificación. Este enfoque muestra ser prometedor para el cribado automatizado de trastornos retinianos críticos.
