Ramos, LucíaS. Hervella, ÁlvaroOrtega Hortas, MarcosJuaristi Pérez, EduardoUniversidade da Coruña. Facultade de Informática2025-09-162025-09-162025-06https://hdl.handle.net/2183/45775[Resumen]: El glaucoma es la principal causa de pérdida de visión a nivel mundial. Esta enfermedad ocular se caracteriza por un aumento de la presión intraocular que daña progresivamente distintos tejidos de la retina, habitualmente sin síntomas perceptibles hasta etapas avanzadas. En este contexto, el análisis automatizado de imágenes de fondo de ojo resulta crucial para facilitar su detección temprana y prevenir la progresión de la pérdida visual. Las redes neuronales profundas han demostrado un gran potencial en el análisis automático de imágenes de retina para el apoyo al diagnóstico de enfermedades como el glaucoma. Sin embargo, su entrenamiento efectivo suele requerir grandes volúmenes de datos anotados, cuya obtención en el ámbito médico es costosa y limitada. Para abordar esta limitación, en este trabajo se propone un enfoque de preentrenamiento auto-supervisado que permita a la red aprender representaciones útiles a partir de imágenes no etiquetadas o con etiquetas obtenidas de forma automática. En particular, se plantea incorporar una fase de preentrenamiento basada en tareas como la clasificación entre ojo derecho e izquierdo y la estimación del ángulo de rotación de la imagen, ya sea abordándolas de forma individual o conjunta. Estas tareas permiten a la red aprender representaciones específicas del dominio retiniano, que serán posteriormente transferidas y refinadas para la tarea objetivo de detección de glaucoma, reduciendo así la dependencia de anotaciones manuales y mejorando el rendimiento diagnóstico. En la fase de evaluación se utilizarán imágenes capturadas con distintos dispositivos para analizar la robustez y capacidad de generalización del modelo ante variaciones en los datos. Se compararán las distintas variantes de preentrenamiento y sus efectos sobre el rendimiento para obtener conclusiones aplicables tanto a la detección de glaucoma como a otras tareas de análisis automatizado de imágenes médicas.[Abstract]: Glaucoma is the leading cause of vision loss worldwide. This eye disease is characterized by an increase in intraocular pressure that progressively damages various retinal tissues, usually without noticeable symptoms until advanced stages. In this context, the automated analysis of fundus images is crucial for facilitating early detection and preventing the progression of visual loss. Deep neural networks have shown great potential in the automatic analysis of retinal images to support the diagnosis of diseases such as glaucoma. However, effective training of these models typically requires large volumes of annotated data, which are costly and limited in the medical field. To address this limitation, this work proposes a self-supervised pretraining approach that enables the network to learn useful representations from unlabelled images or images with automatically generated labels. Specifically, we propose incorporating a pretraining phase based on tasks such as classifying between right and left eyes and estimating the image rotation angle, either individually or jointly. These tasks allow the network to learn domain-specific retinal representations, which are later transferred and refined for the target task of glaucoma detection, thereby reducing the reliance on manual annotations and improving diagnostic performance. In the evaluation phase, images captured with different devices will be used to analyze the model’s robustness and generalization capability in the face of data variations. Different pretraining variants and their effects on performance will be compared to draw conclusions applicable not only to glaucoma detection but also to other automated medical image analysis tasks.spaAttribution 4.0 Internationalhttp://creativecommons.org/licenses/by/4.0/Aprendizaje profundoRedes neuronalesRetinografíaGlaucomaAprendizaje por transferenciaAumento de datosDeep learningNeural networksRetinographyGlaucomaTransfer LearningData augmentationbachelor thesisopen access