1. Repositorio Institucional UAQ
  2. Tesis
  3. Facultad de Ingeniería
  4. Doctorado
  5. Doctorado en Ingeniería
Por favor, use este identificador para citar o enlazar este ítem: https://ri-ng.uaq.mx/handle/123456789/9918
Registro completo de metadatos
Campo DC Valor Lengua/Idioma
dc.rights.licensehttp://creativecommons.org/licenses/by-nc-nd/4.0es_ES
dc.contributorSaúl Tovar Arriagaes_ES
dc.contributorManuel Toledano Ayalaes_ES
dc.contributorJuvenal Rodríguez Reséndizes_ES
dc.contributorJesús Carlos Pedraza Ortegaes_ES
dc.contributorMarco Antonio Aceves Fernándezes_ES
dc.creatorGendry Alfonso Franciaes_ES
dc.date2026-01-09-
dc.date.accessioned2024-02-08T18:05:16Z-
dc.date.available2024-02-08T18:05:16Z-
dc.date.issued2026-01-09-
dc.identifier.urihttps://ri-ng.uaq.mx/handle/123456789/9918-
dc.descriptionEl Deep Learning (DL) se ha utilizado ampliamente para detectar anomalías en imágenes retinianas. Por lo general, esta tarea se ha centrado en un dominio específico, como las enfermedades relacionadas con el glaucoma o la retinopatía diabética, pero no ambas. En este estudio, proponemos identificar lesiones asociadas a ambas enfermedades utilizando un único modelo base, evitando el uso de múltiples modelos de DL. Se comenzó el estudio con un análisis comparativo del rendimiento de varios modelos de detección de objetos en la tarea de segmentar el disco y la copa ópticos. Los resultados arrojaron resultados excelentes y se seleccionó el modelo Cascade R-CNN. La tarea se complica por la necesidad de anotaciones en conjuntos de datos relacionados con daños en otro dominio para el que fue creado. Además, el tamaño y la forma de los objetos y el sesgo hacia las clases predominantes son evidentes. Varias técnicas caracterizan este trabajo, incluido el etiquetado suave para predicciones de máscaras, la distancia de Wasserstein normalizada para manejar objetos pequeños y experimentos en el muestreo de imágenes durante el entrenamiento con pérdida de entropía cruzada combinada con Online Hard Negative Mining o pérdida asimétrica. Para el refinamiento de resultados, el cluster-weighted con Distance IoU mejoró las predicciones finales. Basado en la precisión media promedio (mAP), una métrica estándar en modelos de detección de objetos, el resultado informado fue de 0.46. Cuatro conjuntos de datos públicos fueron empleados, REFUGE, ORIGA, G1020 y DDR. Se proporcionó un análisis de error detallado por categoría. En conclusión, se demostró la viabilidad de usar un solo modelo, mientras que las técnicas empleadas ayudaron a aumentar las métricas relacionadas con mAP. Nuestra investigación proporciona información novedosa sobre el uso de fotografías de retina para la predicción de biomarcadores sistémicos asociados con múltiples enfermedades.es_ES
dc.formatAdobe PDFes_ES
dc.language.isospaes_ES
dc.publisherUniversidad Autónoma de Querétaroes_ES
dc.relation.requiresSies_ES
dc.rightsEn Embargoes_ES
dc.subjectIngeniería y Tecnologíaes_ES
dc.subjectCiencias Tecnológicases_ES
dc.subjectTecnología de los Ordenadoreses_ES
dc.titleDetección de enfermedades crónicas en imágenes de retina a través de técnicas de aprendizaje profundo.es_ES
dc.typeTesis de doctoradoes_ES
dc.creator.tidCVUes_ES
dc.contributor.tidORCIDes_ES
dc.creator.identificador1140517es_ES
dc.contributor.identificadorhttps://orcid.org/0000-0002-2695-1934es_ES
dc.contributor.roleDirectores_ES
dc.contributor.roleSecretarioes_ES
dc.contributor.roleVocales_ES
dc.contributor.roleSuplentees_ES
dc.contributor.roleSuplentees_ES
dc.degree.nameDoctorado en Ingenieríaes_ES
dc.degree.departmentFacultad de Ingenieríaes_ES
dc.degree.levelDoctoradoes_ES
Aparece en: Doctorado en Ingeniería

Archivos:
Fichero Descripción Tamaño Formato  
IGDCC-275459.pdf3.54 MBAdobe PDFVisualizar/Abrir
Mostrar el registro sencillo del ítem


Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.