Técnicas de inteligencia artificial para detección temprana de retinopatía diabética
Resumen
Este artículo ofrece una revisión de estudios recientes que exploran el uso de inteligencia artificial (IA) en el diagnóstico temprano de la retinopatía diabética (RD). Se destacan técnicas avanzadas como el transfer learning (TL), redes neuronales convolucionales (CNN) y deep learning (DL) como herramientas prometedoras para mejorar la detección temprana de RD. Dada la naturaleza crónica y progresiva de la RD, que afecta gravemente la salud ocular y la calidad de vida de los pacientes, su detección temprana es crucial. A pesar de los avances en el tratamiento, la RD sigue siendo una de las principales causas de ceguera en adultos en edad laboral a nivel mundial. Este enfoque en IA busca prevenir la progresión de la enfermedad y mitigar sus efectos adversos.
Descargas
Citas
Afrin, R. y Shill, P. C. (2019). Automatic lesions detection and classification
of diabetic retinopathy using fuzzy logic. 2019 International Conference on
Robotics,Electrical and Signal Processing Techniques (ICREST), pp. 527–
Aliseda, D. y Ber ́astegui, L. (2008). Retinopat ́ıa diab ́etica. Anales del sistema
sanitario de Navarra, 31:23–34.
Beevi, S. Z. (2023). Multi-level severity classification for diabetic retinopathy
based on hybrid optimization enabled deep learning. Biomedical Signal Pro-
cessing and Control, 84:104736.
Butt, M., Latif, G., Iskandar, D., Alghazo, J., y Khan, A. (2019). Multi-channel
convolutions neural network based diabetic retinopathy detection from fun-
dus images. Procedia Computer Science, 163:283–291.
Momeni Pour, A., Seyedarabi, H., Abbasi Jahromi, S. H., y Javadzadeh, A.
(2020). Automatic detection and monitoring of diabetic retinopathy using
efficient convolutional neural networks and contrast limited adaptive histo-
gram equalization. IEEE Access, 8:136668–136673.
Nagpal, D., Alsubaie, N., Soufiene, B. O., Alqahtani, M. S., Abbas, M., y
Almohiy, H. M. (2023). Automatic detection of diabetic hypertensive
retinopathy in fundus images using transfer learning. Applied Sciences,
(8):4695.
Qomariah, D. U. N., Tjandrasa, H., y Fatichah, C. (2019). Classification of dia-
betic retinopathy and normal retinal images using cnn and svm. 2019 12th
International Conference on Information & Communication Technology and
System (ICTS), pp. 152–157.
Shankar, K., Sait, A. R. W., Gupta, D., Lakshmanaprabu, S. K., Khanna, A., y
Pandey, H. M. (2020a). Automated detection and classification of fundus
diabetic retinopathy images using synergic deep learning model. Pattern
Recognition Letters, 133:210–216.
Shankar, K., Zhang, Y., Liu, Y., Wu, L., y Chen, C. H. (2020b). Hyperparame-
ter tuning deep learning for diabetic retinopathy fundus image classification.
IEEE access, 8:118164–118173.
Sikder, N., Masud, M., Bairagi, A. K., Arif, A. S. M., y Nahid, A. A. ans Alhum-
yani, H. A. (2021). Severity classification of diabetic retinopathy using an
ensemble learning algorithm through analyzing retinal images. Symmetry,
(4):670.
Vega, R., Sanchez-Ante, G., Falcon-Morales, L. E., Sossa, H., y Guevara, E.
(2015). Retinal vessel extraction using lattice neural networks with dendri-
tic processing. Computers in biology and medicine, 58:20–30.
Derechos de autor 2024 Miriam de Jesús Sánchez-Villa, Edgar Omar Martinez-Jimenez
Esta obra está bajo licencia internacional Creative Commons Reconocimiento-NoComercial-SinObrasDerivadas 4.0.
