Citas bibligráficas
Esta es una referencia generada automáticamente. Modifíquela de ser necesario
Machaca, A., (2021). Diagnóstico de la retinopatía diabética usando algoritmos de clasificación. [Universidad Nacional de Moquegua]. https://hdl.handle.net/20.500.14655/247
Machaca, A., Diagnóstico de la retinopatía diabética usando algoritmos de clasificación. []. PE: Universidad Nacional de Moquegua; 2021. https://hdl.handle.net/20.500.14655/247
@misc{renati/1042721,
title = "Diagnóstico de la retinopatía diabética usando algoritmos de clasificación.",
author = "Machaca Huanca, Anamelba Lissette",
publisher = "Universidad Nacional de Moquegua",
year = "2021"
}
Título: Diagnóstico de la retinopatía diabética usando algoritmos de clasificación.
Autor(es): Machaca Huanca, Anamelba Lissette
Asesor(es): Silva Delgado, Carlos Alberto
Palabras clave: Retinopatía diabética; Ceguera; Exudados; Diagnóstico
Campo OCDE: http://purl.org/pe-repo/ocde/ford#2.00.00
Fecha de publicación: 18-jun-2021
Institución: Universidad Nacional de Moquegua
Resumen: La Retinopatía Diabética es una complicación de la Diabetes y una de las causas principales de la ceguera debido al deterioro de la retina, que se manifiesta mediante la presencia de exudados, microaneurismas y hemorragias. La presente investigación tiene como objetivo el diagnóstico de la Retinopatía Diabética a partir del modelamiento y comparación de algoritmos de clasificación. En la primera etapa se procedió a la obtención de imágenes de retina del dataset MESSIDOR que contiene 1200 de imágenes adquiridas de 3 departamentos oftalmológicos, establecido para estudios de diagnóstico por computadora, este dataset contiene. En la segunda etapa se realizó pre-procesamiento de imágenes para eliminar el ruido del fondo y para eliminar el disco óptico, debido a que no aportan en el análisis de la imagen. Para la detección de exudados, microaneurismas y hemorragias, realizamos el procesamiento de imágenes, a fin de obtener cuatro características, como el número de exudados, área de exudados, número de microaneurismas y hemorragias y el área de microaneurismas y hemorragias. En la tercera etapa se utilizó modelos Machine Learning para la clasificación de imágenes según la severidad de la enfermedad. Finalmente, se comparó los resultados de las métricas de clasificación, donde el algoritmo SVM obtuvo el mejor resultado.
Enlace al repositorio: https://hdl.handle.net/20.500.14655/247
Disciplina académico-profesional: Ingeniería de Sistemas e Informática
Institución que otorga el grado o título: Universidad Nacional de Moquegua . Escuela Profesional de Ingeniería de Sistemas e Informática
Grado o título: Ingeniero de Sistemas e Informática
Fecha de registro: 23-jul-2021
Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons