Aprendizaje profundo para la segmentación automática de drusas en imágenes OCT retinianas
Use this link to cite
http://hdl.handle.net/2183/33356
Except where otherwise noted, this item's license is described as Atribución-CompartirIgual 3.0 España
Collections
Metadata
Show full item recordTitle
Aprendizaje profundo para la segmentación automática de drusas en imágenes OCT retinianasAuthor(s)
Directors
Moura, Joaquim deOrtega Hortas, Marcos
Date
2023Center/Dept./Entity
Universidade da Coruña. Facultade de InformáticaDescription
Traballo fin de grao (UDC.FIC). Enxeñaría informática. Curso 2022/2023Abstract
[Resumen]: La degeneración macular asociada a la edad (DMAE) es una de las principales causas
de pérdida de visión en individuos mayores de 50 años. Los primeros indicadores de esta
enfermedad, las drusas, son minúsculas acumulaciones de material que se forman en la retina.
Detectar, segmentar y cuantificar estas drusas en las imágenes de tomografía de coherencia
óptica (OCT) es un paso crítico para el diagnóstico temprano y seguimiento de la DMAE. Sin
embargo, este proceso puede ser un desafío debido a las variaciones en el tamaño, la forma y
la distribución de las drusas.
En este trabajo, presentamos una metodología robusta basada en técnicas de aprendizaje
profundo y procesamiento de imágenes para mejorar la precisión y la eficiencia en la segmentación,
identificación y cuantificación de drusas. La metodología propuesta consta de dos
fases. En la primera, se realiza una segmentación automática de las drusas utilizando diferentes
arquitecturas de aprendizaje profundo, aprovechando su capacidad para manejar las
variaciones en las imágenes OCT. En la segunda fase, implementamos un módulo para la
identificación y cuantificación automática de las drusas, proporcionando información detallada
sobre su número y distribución en la retina.
El impacto potencial de este estudio es considerable. La mejora en la precisión de la segmentación
de drusas abre la puerta a diagnósticos más tempranos y precisos de la DMAE,
lo que puede llevar a tratamientos más efectivos y resultados mejorados para los pacientes.
Además, al abordar un desafío clave en la oftalmología con técnicas de inteligencia artificial y
procesamiento de imágenes, este trabajo podría sentar las bases para futuras investigaciones
en la detección automática de otras características oculares y patologías. [Abstract]: Age-related macular degeneration (AMD) is a leading cause of vision loss in individuals
over the age of 50. Early indicators of this disease, drusen, are tiny accumulations of material
that form in the retina. Detecting, segmenting, and quantifying these drusen in Optical Coherence
Tomography (OCT) images is a critical step in early AMD diagnosis and monitoring.
However, this process can be challenging due to variations in the size, shape, and distribution
of drusen.
In this study, we introduce a robust methodology based on deep learning techniques and
image processing to improve precision and efficiency in drusen segmentation, identification,
and quantification. The proposed methodology consists of two phases. In the first, automatic
segmentation of drusen is performed using different deep learning architectures, leveraging
their ability to handle variations in OCT images. In the second phase, we implement a module
for automatic drusen identification and quantification, providing detailed information about
their number and distribution in the retina.
The potential impact of this study is significant. The improvement in drusen segmentation
accuracy paves the way for earlier and more accurate AMD diagnoses, which could lead to
more effective treatments and improved outcomes for patients. Moreover, by addressing a
key challenge in ophthalmology with artificial intelligence and image processing techniques,
this work could lay the groundwork for future research into the automatic detection of other
ocular features and pathologies.
Keywords
Inteligencia artificial
Aprendizaje profundo
Segmentación de imágenes
Imagen médica
Tomografía de coherencia óptica
Oftalmología
Degeneración macular relacionada con la edad
Drusas
Artificial intelligence
Deep learning
Image segmentation
Medical imaging
Optical coherence tomography
Ophthalmology
Age-related macular degeneration
Drusen
Aprendizaje profundo
Segmentación de imágenes
Imagen médica
Tomografía de coherencia óptica
Oftalmología
Degeneración macular relacionada con la edad
Drusas
Artificial intelligence
Deep learning
Image segmentation
Medical imaging
Optical coherence tomography
Ophthalmology
Age-related macular degeneration
Drusen
Rights
Atribución-CompartirIgual 3.0 España