Modelo de aprendizaje profundo para detección de anomalías en vasos sanguíneos asociadas al glaucoma en imágenes de fondo de ojo

Jorge Antonio Nava González

Buscar

dc.rights.license	https://creativecommons.org/licenses/by-nc-nd/4.0	es_ES
dc.contributor	Gendry Alfonso Francia	es_ES
dc.creator	Jorge Antonio Nava González	es_ES
dc.date.accessioned	2025-10-07T14:04:47Z
dc.date.available	2025-10-07T14:04:47Z
dc.date.issued	2025-10-02
dc.identifier.uri	https://ri-ng.uaq.mx/handle/123456789/12349
dc.description	El glaucoma es un grupo de enfermedades neurodegenerativas que causan un daño progresivo a las células ganglionares de la retina y sus axones, lo que conduce a una pérdida irreversible de la visión. Una de las principales herramientas de diagnóstico es la fotografía del fondo de ojo, que permite identificar alteraciones en estructuras anatómicas clave. Una de estas alteraciones es la nasalización de los vasos sanguíneos centrales, cuya presencia está estrechamente relacionada con la progresión del deterioro del campo visual. A pesar de su relevancia clínica, la nasalización ha sido un biomarcador relativamente poco explorado, ya que se considera indirecto. En este trabajo se presenta, por primera vez, la aplicación de la inteligencia artificial para segmentar y clasificar el grado de nasalización en imágenes del fondo de ojo. Se seleccionó la arquitectura YOLOv8 para la tarea de segmentación debido a su velocidad y facilidad de implementación, lo que arrojó excelentes resultados en la detección de las regiones nasal y temporal del disco óptico. Estas regiones se consideran de interés, ya que forman parte de la fórmula propuesta para cuantificar el grado de desplazamiento nasal. Posteriormente, se utilizó ResNet50 como modelo de clasificación debido a su uso generalizado y su robustez en el procesamiento de imágenes médicas, lo que permitió clasificar las imágenes como nasalizadas y no nasalizadas con una precisión constante. Otra contribución destacable fue la creación de una base de datos con imágenes nasalizadas y no nasalizadas, así como máscaras correspondientes a las regiones nasal y temporal del disco óptico. Este enfoque sirve como punto de partida para futuros trabajos sobre la nasalización. Tiene el potencial de convertirse en una herramienta valiosa para evaluar la eficacia del tratamiento, ya que permite una observación objetiva de la progresión de la enfermedad.	es_ES
dc.format	pdf	es_ES
dc.format.extent	1 recurso en línea (59 páginas)	es_ES
dc.format.medium	computadora	es_ES
dc.language.iso	spa	es_ES
dc.publisher	Universidad Autónoma de Querétaro	es_ES
dc.relation.requires	Si	es_ES
dc.rights	openAccess	es_ES
dc.subject	Glaucoma	es_ES
dc.subject	Nasalización	es_ES
dc.subject	Fondo de Ojo	es_ES
dc.subject	Inteligencia Artificial	es_ES
dc.subject	Aprendizaje Profundo	es_ES
dc.subject.classification	INGENIERÍA Y TECNOLOGÍA	es_ES
dc.title	Modelo de aprendizaje profundo para detección de anomalías en vasos sanguíneos asociadas al glaucoma en imágenes de fondo de ojo	es_ES
dc.type	Tesis de maestría	es_ES
dc.creator.tid	ORCID	es_ES
dc.contributor.tid	ORCID	es_ES
dc.creator.identificador	0009-0004-5188-4595	es_ES
dc.contributor.identificador	0000-0002-0315-1133	es_ES
dc.contributor.role	Director	es_ES
dc.degree.name	Maestría en Ciencias en Inteligencia Artificial	es_ES
dc.degree.department	Facultad de Ingeniería	es_ES
dc.degree.level	Maestría	es_ES
dc.format.support	recurso en línea	es_ES
dc.matricula.creator	326902	es_ES
dc.folio	IGMAC-326902	es_ES