Comparación de múltiples redes neuronales convolucionales para el diagnóstico automático de la degeneración macular asociada a la edad usando retinografías

  1. Romero Oraá, R.
  2. Herrero Tudela, M.
  3. Hornero, R.;
  4. López Gálvez, M. I.
  5. García, M.
Libro:
CASEIB 2023. Libro de Actas del XLI Congreso Anual de la Sociedad Española de Ingeniería Biomédica: Contribuyendo a la salud basada en valor
  1. Joaquín Roca González (coord.)
  2. Dolores Ojados González (coord.)
  3. Juan Suardíaz Muro (coord.)

Editorial: Universidad Politécnica de Cartagena

ISBN: 978-84-17853-76-1

Año de publicación: 2023

Páginas: 480-483

Congreso: Congreso Anual de la Sociedad Española de Ingeniería Biomédica. CASEIB (41. 2023. Cartagena)

Tipo: Aportación congreso

DIALNET GOOGLE SCHOLAR lock_openAcceso abierto editor

Resumen

La degeneración macular asociada a la edad (DMAE) es la principal causa de pérdida irreversible de visión en la población anciana. Los algoritmos de deep learning y, en particular, las redes neuronales convolucionales (CNN), han demostrado ser útiles en el diagnóstico precoz de la enfermedad. En este trabajo se compararon 12 modelos CNN preentrenados: VGG-19 ResNet, InceptionV3, InceptionResNetV2, Xception, DenseNet, NASNet, MobileNetV3, RegNet, EfficientNetV2, ResNet-RS y ConvNeXt. se utilizó la base de datos ADAM, compuesta por 1,200 retinografías. Los resultados obtenidos permitieron seleccionar el modelo basado en la arquitectura ResNet-RS como aquel más adecuado para el diagnóstico, alcanzando una precisión del 89.50%, una sensibilidad del 90.35%, una especificidad del 86.52%, un F1-score de 0.93 y un área bajo la curva ROC de 0.9497. Cabe destacar que la arquitectura ResNet- RS nunca había sido explorada en el contexto de la DMAE. El modelo propuesto ...

Fuente de los datos: Dialnet