Asistencia en el diagnóstico de enfermedades oculares mediante el análisis y procesamiento de imágenes fotográficas

• Autor: Guerra Tacca, Johan Yerzinio
• Formato: tesis de grado
• Fecha de Publicación: 2019
• Institución: Universidad Nacional de San Agustín
• Repositorio: UNSA-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.unsa.edu.pe:20.500.12773/20761
• Enlace del recurso: https://hdl.handle.net/20.500.12773/20761
• Nivel de acceso: acceso abierto
• Materia: Extracción de características; Preprocesamiento; Máquinas de soporte vectorial (SVM); https://purl.org/pe-repo/ocde/ford#2.02.04

Las enfermedades oculares representan, en la actualidad, un problema de considerable magnitud, cuya incidencia y prevalencia continúan en constante incremento. A nivel global, se estima que aproximadamente 1,300 millones de personas padecen alguna forma de deficiencia visual, de las cuales 39 millones se encuentran en condición de ceguera. Se estima que el 80% de todos los casos de ceguera a nivel mundial son considerados evitables. La realización de un examen oftalmológico constituye el primer paso en la evaluación de cualquier patología ocular y en la determinación del tratamiento más adecuado para el paciente. La identificación temprana de enfermedades oculares aporta un beneficio incalculable, permitiendo al paciente acceder a un tratamiento adecuado y evitar el avance de la enfermedad. La presente tesis propone el desarrollo de un sistema de asistencia para la detección de enfermedades oculares a través del análisis y procesamiento de imágenes fotográficas, con el fin de ofrecer una segunda opinión al médico especialista en oftalmología, tanto para fines de investigación básica como para estudios en el ámbito de la salud pública. El desarrollo del presente trabajo involucra las siguientes etapas: a) pre-procesamiento, b) segmentación, c) extracción de características, d) clasificación y e) análisis de colores. Para evaluar el desempeño de los métodos de preprocesamiento, se empleó la métrica de evaluación denominada Peak Signal-to-Noise Ratio (PSNR), la cual permite medir la calidad de la imagen. Los resultados experimentales alcanzaron un PSNR de 30. 58 para un método combinado, el cual ha sido denominado Clahe-UnsharpMasking-Guide. En la etapa de segmentación se usó el método de Viola-Jonnes y la transformada de Hough, obteniendo los siguientes resultados: detección de rostro correcta 91.25% , detección de ojos correcta 91.25%, detección de iris correcta 76.25% y una detección de pupilas correctas de 70%. En la etapa de extracción de características se usó de colorimetría con la finalidad de extraer datos de color sobre el área de interés(pupila). En la etapa de clasificación se uso SVM(Support Vector Machine) considerando dos tipos de clases: a) imágenes sin presencia de alguna enfermedad ocular e b) imágenes con presencia de alguna enfermedad ocular, obteniendo un 86.63% de precisión.