Automatic detection of diabetic retinopathy using a computer vision model and deep learning

García Avila, Sandra Milena; Mateus Abaunza, Paola Andrea; Peña Pérez, Carlos Javier; García Avila, Sandra Milena; Mateus Abaunza, Paola Andrea; Peña Pérez, Carlos Javier

Detección automática de retinopatía diabética mediante un modelo de visión por computadora y aprendizaje profundo

dc.creator	García Avila, Sandra Milena	es
dc.creator	Mateus Abaunza, Paola Andrea	es
dc.creator	Peña Pérez, Carlos Javier	es
dc.creator	García Avila, Sandra Milena	en
dc.creator	Mateus Abaunza, Paola Andrea	en
dc.creator	Peña Pérez, Carlos Javier	en
dc.date	2025-10-07
dc.date.accessioned	2025-10-21T20:29:57Z
dc.date.available	2025-10-21T20:29:57Z
dc.identifier	https://publicaciones.unad.edu.co/index.php/wpecbti/article/view/9994
dc.identifier	10.22490/ECBTI.9994
dc.identifier.uri	https://repository.unad.edu.co/handle/10596/75046
dc.description	The research focuses on the early and accurate detection of diabetic retinopathy using advanced artificial intelligence and computer vision techniques. Public databases such as DRIVE, STARE and KAGGLE are used, which contain retinal images of healthy individuals and those with diabetic retinopathy. The study applies several computer vision techniques, including grayscale conversion, adaptive binarization, contour detection, and exudate highlighting. For the classification of retinal images, convolutional neural network (CNN) models were developed using K-Fold cross-validation. A pre-trained network, VGG16, was integrated and data augmentation techniques were used to optimize classification accuracy. The effectiveness of the algorithm was evaluated and adjusted, and the results were analyzed to contribute to early and accurate detection of the disease. The model demonstrated a validation accuracy of 90.91%, indicating its ability to correctly generalize to new data.	en
dc.description	La investigación se enfoca en la detección temprana y precisa de la retinopatía diabética utilizando técnicas avanzadas de inteligencia artificial y visión por computadora. Se emplean bases de datos públicas como DRIVE, STARE y KAGGLE, las cuales contienen imágenes de retinas de individuos sanos y con retinopatía diabética. El estudio aplica varias técnicas de visión por computadora, incluyendo la conversión a escala de grises, la binarización adaptativa, la detección de contornos y el resaltado de exudados. Para la clasificación de imágenes retinianas, se desarrollaron modelos de redes neuronales convolucionales (CNN) utilizando la validación cruzada K-Fold. Se integró una red pre-entrenada, la VGG16, y se usaron técnicas de aumento de datos para optimizar la precisión de clasificación. La efectividad del algoritmo se evaluó y ajustó, y los resultados se analizaron para contribuir a la detección temprana y precisa de la enfermedad. El modelo demostró una precisión de validación del 90.91%, lo que indica su capacidad para generalizar correctamente a nuevos datos.	es
dc.format	application/vnd.openxmlformats-officedocument.wordprocessingml.document
dc.language	spa
dc.publisher	Sello Editorial UNAD	es
dc.relation	https://publicaciones.unad.edu.co/index.php/wpecbti/article/view/9994/7912
dc.rights	Derechos de autor 2025 Documentos de Trabajo ECBTI	es
dc.rights	https://creativecommons.org/licenses/by-nc-sa/4.0	es
dc.source	Documentos de Trabajo ECBTI; Vol. 5 Núm. 2 (2024)	es
dc.subject	Image Processing	en
dc.subject	Diabetic Retinopathy	en
dc.subject	Exudates	en
dc.subject	Neural Networks	en
dc.subject	Procesamiento de Imágenes	es
dc.subject	Retinopatía Diabética	es
dc.subject	Exudados	es
dc.subject	Redes Neuronales.	es
dc.title	Automatic detection of diabetic retinopathy using a computer vision model and deep learning	en
dc.title	Detección automática de retinopatía diabética mediante un modelo de visión por computadora y aprendizaje profundo	es
dc.type	info:eu-repo/semantics/article
dc.type	info:eu-repo/semantics/publishedVersion
dc.type	Artículo revisado por pares	es