Categorización de retinopatía diabética utilizando algoritmos de inteligencia artificial
| dc.contributor.advisor | Delgado Saavedra, Carlos Andrés | |
| dc.contributor.author | Ocampo Arbeláez, Héctor Fabio | |
| dc.date.accessioned | 2020-09-04T21:09:24Z | |
| dc.date.available | 2020-09-04T21:09:24Z | |
| dc.date.issued | 2018 | |
| dc.description.abstract | El diagnóstico oportuno de una enfermedad es un proceso crítico, debido a que hay enfermedades de alto riesgo en las cuales un temprano diagnóstico es fundamental para evitar consecuencias irreversibles. Nuestro trabajo se enfoca en diseñar y probar estrategias para la categorización de la retinopatía diabética, a partir de información de imágenes procesadas de fondo de ojo con su respectivo diagnóstico. Esta enfermedad debe ser detectada en una etapa temprana, ya que de lo contrario el paciente presentará pérdida parcial o total de la visión, proceso gradual e irreversible. En diferentes estudios realizados se indica que el diagnóstico de un médico se ve afectado positivamente al estar apoyado de un sistema de decisión, lo que conlleva a una disminución de los exámenes realizados y así disminución de tiempo de espera. Para realizar la categorización de esta enfermedad, se utilizaron datos de imágenes de fondo de ojo procesadas, proporcionados por la base de datos Messidor y el proyecto An ensemble-based system for automatic screening of diabetic retinopathy . Así mismo, se realizó una exhaustiva revisión de literatura sobre algoritmos que se utilizan para el diagnóstico de la enfermedad, encontrando que los más relevantes son: Redes neuronales y Máquinas de Soporte Vectorial. Posteriormente, se llevó a cabo la implementación de tres algoritmos de inteligencia artificial para el diagnóstico de la enfermedad: Redes neuronales entrenadas con Backpropagation, Redes neuronales evolutivas y Máquina de soporte Vectorial. Al realizar un análisis comparativo de estos algoritmos, se encuentra que las redes neuronales entrenadas con Backpropagation son las que presentan mejores resultados en términos de precisión y tiempo de ejecución. | spa |
| dc.description.degreelevel | Pregrado | spa |
| dc.description.degreename | INGENIERO(A) DE SISTEMAS | spa |
| dc.format.extent | 1 recurso en línea (70 páginas) | spa |
| dc.format.mimetype | application/pdf | spa |
| dc.identifier.uri | https://hdl.handle.net/10893/17569 | |
| dc.language.iso | spa | spa |
| dc.publisher | Universidad del Valle | spa |
| dc.publisher.faculty | FACULTAD DE INGENIERÍA | spa |
| dc.publisher.place | Colombia | spa |
| dc.publisher.program | INGENIERIA DE SISTEMAS | spa |
| dc.rights.accessrights | info:eu-repo/semantics/openAccess | spa |
| dc.subject.ddc | Inteligencia artificial | |
| dc.subject.ddc | Algoritmos genéticos | |
| dc.subject.ddc | Diagnóstico de enfermedades | |
| dc.subject.ddc | Máquina de soporte vectorial | |
| dc.subject.ddc | Redes neuronales | |
| dc.subject.ddc | Retinopatía | |
| dc.title | Categorización de retinopatía diabética utilizando algoritmos de inteligencia artificial | spa |
| dc.type | Trabajo de grado - Pregrado | spa |
| dc.type.coar | http://purl.org/coar/resource_type/c_7a1f | spa |
| dc.type.content | Text | spa |
| dc.type.driver | info:eu-repo/semantics/bachelorThesis | spa |
| dc.type.redcol | https://purl.org/redcol/resource_type/TP | spa |
| dc.type.version | info:eu-repo/semantics/publishedVersion | spa |
| dspace.entity.type | Publication | |
| oaire.accessrights | http://purl.org/coar/access_right/c_abf2 | spa |
| oaire.version | http://purl.org/coar/version/c_970fb48d4fbd8a85 | spa |