Use this link to cite:
http://hdl.handle.net/2183/42013 Detección de glistenings en lentes intraoculares con OCT-SA mediante deep learning multi-tarea
Loading...
Identifiers
Publication date
Authors
Álvarez-Rodríguez, Lorena
Fernández-Vigo, José Ignacio
Macarro-Merino, Ana
Fernández-Vigo, José A.
Advisors
Other responsabilities
Journal Title
Bibliographic citation
Álvarez Rodríguez, L.; de Moura Ramos, J.; Fernández-Vigo, J.I.; Macarro Merino, A.; Fernández-Vigo, J.A.; Novo Buján, J.; Ortega Hortas, M. (2025). Detección de glistenings en lentes intraoculares con OCT-SA mediante deep learning multi-tarea. En BioIntegraSaúde - BIS 2025, Santiago de Compostela, 15 de maio de 2025.
Type of academic work
Academic degree
Abstract
[Resumen]: Las lentes intraoculares (LIO) son dispositivos ópticos
implantados quirúrgicamente en la cápsula posterior del
cristalino, habitualmente tras cirugía de cataratas u otros
trastornos del cristalino. Estas lentes pueden desarrollar
glistenings, microvacuolas llenas de agua que aparecen
en su interior y pueden afectar a la transparencia y calidad
óptica. Tradicionalmente, su evaluación se ha realizado
mediante fotografía con lámpara de hendidura, una
técnica sensible a factores externos como la iluminación
o la dilatación pupilar. Recientemente, se ha propuesto la
tomografía de coherencia óptica del segmento anterior
(OCT-SA) como alternativa más rápida y objetiva, con
buenos resultados preliminares.
Con el objetivo de facilitar la evaluación de las LIO y validar
el uso de la OCT-SA, presentamos un enfoque automático
basado en deep learning para detectar y caracterizar
glistenings en imágenes OCT-SA. Desarrollamos un
modelo multi-tarea que identifica simultáneamente las
zonas con glistenings y el área ocupada por la LIO (LIOa).
Este enfoque mejora la precisión, ya que la localización
de la lente aporta un contexto anatómico clave para
interpretar correctamente la presencia y distribución de
los glistenings. A su vez, la detección precisa de la LIOa
es esencial para su evaluación estructural y seguimiento
clínico.
Nuestro estudio es el primero en aplicar esta metodología
combinada y validarla sobre un conjunto de datos clínico
altamente heterogéneo, con imágenes de 19 modelos
distintos de LIO y diversos grados de opacificación.
El modelo alcanzó un alto grado de acuerdo con las
anotaciones de expertos (ICC > 0.93), a la par de estudios
previos con enfoques más simples y menos variedad
de datos.
Estos resultados confirman el potencial de los métodos
automáticos basados en deep learning para facilitar una
evaluación más rápida, objetiva y reproducible de los
glistenings en entornos clínicos, con especial utilidad en el
seguimiento de pacientes con LIO.
Description
Poster presentado en BioIntegraSaúde - BIS 2025, Santiago de Compostela, 15 de maio de 2025.







