1. Repositorio Institucional UNAD

1. Repositorio Institucional UNAD
2. Producción Científica
3. Sello Editorial UNAD
4. Documentos de Trabajo ECBTI

Title:	Automatic detection of diabetic retinopathy using a computer vision model and deep learning Detección automática de retinopatía diabética mediante un modelo de visión por computadora y aprendizaje profundo
metadata.dc.creator:	García Avila, Sandra Milena Mateus Abaunza, Paola Andrea Peña Pérez, Carlos Javier García Avila, Sandra Milena Mateus Abaunza, Paola Andrea Peña Pérez, Carlos Javier
Keywords:	Image Processing;Diabetic Retinopathy;Exudates;Neural Networks;Procesamiento de Imágenes;Retinopatía Diabética;Exudados;Redes Neuronales.
Publisher:	Sello Editorial UNAD
metadata.dc.relation:	https://publicaciones.unad.edu.co/index.php/wpecbti/article/view/9994/7912
metadata.dc.format.*:	application/vnd.openxmlformats-officedocument.wordprocessingml.document
metadata.dc.type:	info:eu-repo/semantics/article info:eu-repo/semantics/publishedVersion Artículo revisado por pares
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. 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.
metadata.dc.source:	Documentos de Trabajo ECBTI; Vol. 5 Núm. 2 (2024)
URI:	https://repository.unad.edu.co/handle/10596/75046
Other Identifiers:	https://publicaciones.unad.edu.co/index.php/wpecbti/article/view/9994 10.22490/ECBTI.9994
Appears in Collections:	Documentos de Trabajo ECBTI

Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.