Bibliographic citations
This is an automatically generated citacion. Modify it if you see fit
Flores, N., La, J. (2022). Qhaway: una herramienta de apoyo para el diagnóstico del glaucoma con aprendizaje profundo [Universidad Nacional Mayor de San Marcos]. https://hdl.handle.net/20.500.12672/18741
Flores, N., La, J. Qhaway: una herramienta de apoyo para el diagnóstico del glaucoma con aprendizaje profundo []. PE: Universidad Nacional Mayor de San Marcos; 2022. https://hdl.handle.net/20.500.12672/18741
@misc{renati/493049,
title = "Qhaway: una herramienta de apoyo para el diagnóstico del glaucoma con aprendizaje profundo",
author = "La Rosa Menacho, José Carlos",
publisher = "Universidad Nacional Mayor de San Marcos",
year = "2022"
}
Title: Qhaway: una herramienta de apoyo para el diagnóstico del glaucoma con aprendizaje profundo
Authors(s): Flores Gutierrez, Nahum; La Rosa Menacho, José Carlos
Advisor(s): Mauricio Sánchez, David Santos
Keywords: Inteligencia artificial; Aprendizaje profundo; Glaucoma
OCDE field: https://purl.org/pe-repo/ocde/ford#2.02.01; https://purl.org/pe-repo/ocde/ford#1.02.01
Issue Date: 2022
Institution: Universidad Nacional Mayor de San Marcos
Abstract: Propone un método para el diagnóstico del glaucoma basado en un modelo híbrido de modelos DL, con el cual usando imágenes del fondo de ojo de un paciente se consigue hacer el diagnóstico con alta precisión. Se consideró la integración de los dataset públicos de glaucoma HRF, Drishti-GS1, sjchoi86-HRF, RIM-ONE y ACRIMA, con un total de 1707 imágenes (919 normal y 788 glaucoma) del fondo de ojo, un modelo híbrido de Voting sobre los modelos de DL ResNet50 con dos tipos de fine tuning y ResNet50V2, y la implementación usando Keras y Tensor Flow, con lo que se consiguió un diagnóstico con exactitud del 96.55%, sensibilidad del 98.54% y especificidad del 94.32%. Además, los experimentos numéricos muestran que el aprendizaje usando 5 bases de datos permite mejores resultados que por separado, incluso aplicando transfer learning, también muestran que el modelo híbrido voting genera una exactitud superior en 20.69% a la mejor exactitud obtenido por el mejor modelo de DL (DenseNet169) usando un dataset, 13.22% al mejor modelo (ResNet50V2) usando transfer learning con los 5 datasets, y 1.72% al mejor modelo (ResNet50) considerando los 5 dataset.
Link to repository: https://hdl.handle.net/20.500.12672/18741
Discipline: Ingeniería de Software
Grade or title grantor: Universidad Nacional Mayor de San Marcos. Facultad de Ingeniería de Sistemas e Informática. Escuela Profesional de Ingeniería de Software
Grade or title: Ingeniero de Software
Juror: Gamarra Moreno, Juan; Guerra Guerra, Jorge Leoncio
Register date: 17-Nov-2022
This item is licensed under a Creative Commons License