TY - JOUR 
A1 - García Navarro, Carlos
T1 - Semantic segmentation techniques based on deep learning applied to retinal images

Y1 - 2020
UR - http://hdl.handle.net/10317/9026
AB - [SPA] Los avances de la última década han brindado al Deep Learning de una versatilidad
que permite aplicarlo a problemas de cualquier índole. Esta característica ha propiciado la
creación de diversos modelos de aprendizaje máquina por parte de la comunidad científica,
dedicados a resolver un determinado problema. En el caso que compete, segmentación
semántica, se ha entrenado una red neuronal profunda con el objetivo de identificar dos
zonas en la retinografía, que permiten hacerse una idea del estado del glaucoma. Estas son
el disco óptico y la excavación, con las cuales se obtiene un parámetro conocido como Cupto-Disk ratio, muy útil para diagnosticar esta enfermedad.
En el presente trabajo se busca segmentar retinografías utilizando dos bases de datos
de libre acceso: RIMONEr3 y RIGA. Gracias a su gran extensión, la red ha logrado aprender
las características necesarias para segmentar adecuadamente las imágenes, que se ven reflejadas en una media de índice de Dice de 0.960 y una distancia Hausdorff de 1.649 % para
el disco óptico. Por otro lado, para la excavación, se ha obtenido un índice de Dice medio
de 0.863, y una distancia Hausdorff media de 2.213 % . Estos resultados demuestran que
se trata de un modelo perfectamente válido para la segmentación de retinografías, capaz
de aportar ayuda al sanitario en el diagnóstico de esta enfermedad.
Palabras clave: Deep Learning; segmentación; retinografía; excavación; disco óptico;
glaucoma.
[ENG] The advances of algorithms in the last decade have given Deep Learning a flexibility
that allows it to be applied to different problems. This feature has encouraged the creation of
several machine learning models by the scientific community, aimed at solving a particular
problem. In the case of semantic segmentation, a deep neural network was trained with the
intention of identifying two areas of a retinography, which provide an overview of the state
of glaucoma. These are the optic disk and the cup, which allow to obtain a parameter known
as Cup-to-Disk ratio, which is very useful to diagnose this disease.
In the current project we are looking for segmenting retinographies using two free access databases: RIMONEr3 and RIGA. Due to its wide extension, the network has been able
to learn the necessary features to adequately segment the images, which are represented
by an average Dice index of 0.960 and a Hausdorff distance of 1.649 % for the optic disk.
On the other hand, for the cup, an average Dice index of 0.863 has been obtained, and an
average Hausdorff distance of 2.213 % . These results show a perfectly valid model for the
segmentation of retinographies, which is also capable of helping the health professional in
the diagnosis of this disease.
Keywords: Deep Learning; segmentation; retinography; cup; optic disk; glaucoma.
KW - Teoría de la Señal y las Comunicaciones
KW - Inteligencia artificial
KW - Artificial intelligence
KW - Robots industriales
KW - Industrial robots
KW - Tecnología médica
KW - Medical technology
KW - 1203.04 Inteligencia Artificial
KW - 3314 Tecnología Médica
LA - spa
ER -