Resumen:
|
[ES] El Glaucoma es una patología crónica que conlleva la muerte precoz de las células ganglionares de la retina, lo cual provoca un daño progresivo e irreversible del nervio óptico. Hoy en día, no existe una cura definitiva, ...[+]
[ES] El Glaucoma es una patología crónica que conlleva la muerte precoz de las células ganglionares de la retina, lo cual provoca un daño progresivo e irreversible del nervio óptico. Hoy en día, no existe una cura definitiva, ya que no es posible regenerar el nervio óptico para recuperar la visión perdida. No obstante, es de vital importancia un diagnóstico precoz que permita controlar la enfermedad en fases tempranas, con el fin de evitar la pérdida de funcionalidad y la reducción del campo visual de los pacientes. Actualmente, la detección temprana del Glaucoma se lleva a cabo mediante campañas de cribado que permiten identificar los primeros signos que evidencian la patología. Este proceso supone una gran carga de trabajo para los especialistas oftalmológicos, ya que, a la búsqueda de patrones anómalos en la retina, se suma el incremento de la población en riesgo, lo cual también conlleva grandes costes económicos. Por este motivo, se hace evidente la necesidad de desarrollar sistemas de cribado capaces de identificar automáticamente el Glaucoma en etapas iniciales de la enfermedad.
Por tanto, el principal objetivo de este Trabajo Fin de Grado reside en el diseño y desarrollo de un sistema de ayuda al diagnóstico que permita detectar de forma automática la enfermedad del Glaucoma. Para ello, se pretende crear modelos predictivos a partir de imágenes circumpapilares obtenidas mediante Tomografía por Coherencia Óptica (OCT). Para llevar a cabo el desarrollo de esos modelos de predicción, en primer lugar, se propone realizar una segmentación de las diferentes capas de la retina para, posteriormente, medir automáticamente los espesores de las mismas. De esta forma, teniendo en cuenta dicha variable clínica, junto con otras demográficas como el sexo, la edad, etc. Se pretende discernir automáticamente entre imágenes de retinas sanas y patológicas. Además, también se propone como objetivo analizar cuáles son las capas de la retina, y los espesores de las mismas, que tienen una mayor significancia a la hora de discriminar entre pacientes sanos y pacientes con Glaucoma
[-]
[EN] Glaucoma represents one of the pathologies that produce the greatest loss of vision
and even blindness among the population. One of the limitations of this disease in clinical
practice is the early detection and ...[+]
[EN] Glaucoma represents one of the pathologies that produce the greatest loss of vision
and even blindness among the population. One of the limitations of this disease in clinical
practice is the early detection and diagnosis before reaching advanced stages and great
loss of the visual field. In this sense, this TFG aims to address the development of an
automatic classification system, based on Optical Coherence Tomography images
focused on the optic nerve (circumpapillary), capable of discriminating between healthy
and glaucomatous subjects. These computer aid-systems make it possible to reduce the
level of subjectivity among ophthalmologists when diagnosing a possible case of
glaucoma, as well as detecting the disease at an early stage.
Artificial intelligence techniques based on machine learning are used to create
models. First of all, it has been carried out a thickness and texture characteristics
extraction from the RNFL layer of the retina, which is showed in these images. The
extracted characteristics are subjected to a deep statistical analysis in order to select those
that are really relevant for this study. From the 376 available samples (199 from healthy
subjects and 177 from patients), a data partitioning strategy is carried out to guarantee the
robustness and reliability of the models; and later, the problem of classification is
addressed with the implementation of non-linear classifiers (Support Vector Machine,
Multilayer Perceptron and K-Nearest Neighbor). Finally, the results obtained from these
models are compared with those from the literature in order to provide new information
and observe possible improvements or discover new lines of research.
[-]
[CA] El glaucoma representa una de les patologies que produeix major pèrdua de visió i,
fins i tot, ceguera a la població. Una de les limitacions que presenta aquesta malaltia en
la pràctica clínica és la detecció i el ...[+]
[CA] El glaucoma representa una de les patologies que produeix major pèrdua de visió i,
fins i tot, ceguera a la població. Una de les limitacions que presenta aquesta malaltia en
la pràctica clínica és la detecció i el diagnòstic previ abans d’arribar a estadis avançats i
produir una gran pèrdua del camp visual. En aquest sentit, el present TFG pretén abordar
el desenvolupament d’un sistema de classificació automàtic, a partir d’imatges de
Tomografia per Coherència Óptica centrades en el nervi òptic (circumpapilares), capaç
de discriminar entre subjectes sans i glaucomatosos. Aquests sistemes d’ajuda al
diagnòstic permeten reduir el nivell de subjectivitat entre els metges especialistes en
oftalmologia a l’hora de diagnosticar un possible cas de glaucoma, de manera que es
detecta una malaltia de forma temporal.
Per a la creació de models, es pot recuperar tècniques d’intel·ligència artificial
basades en machine learning.. En primer lloc, es du a terme una extracció de
característiques de gruix i textures de la capa RNFL de la retina de les imatges, així com
de característiques demogràfiques. Les característiques extretes se sotmeten a una
profunda anàlisi estadística per a seleccionar aquelles que realment són rellevants per a
l'estudi. A partir de les 376 mostres disponibles (199 de subjectes sans i 177 de malalts),
es realitzarà una estratègia de partició de les dades per garantir la robustesa i la fiabilitat
dels models; i posteriorment, s’abordarà el problema de classificació amb la
implementació de classificadors no lineals (Support Vector Machine, Perceptró
Multicapa i K-Nearest-Neighbor). Finalment, els resultats obtinguts a partir d'estos
models es comparen amb els de la literatura a fi d'aportar nova informació i observar
possibles millores o descobrir noves línies d'investigació.
[-]
|