Generación de imágenes sintéticas para mejorar la precisión de los modelos de detección de retinopatía diabética

• Autor: Victoria Iparraguirre, Alberto Giovanni
• Formato: tesis de maestría
• Fecha de Publicación: 2024
• Institución: Universidad Ricardo Palma
• Repositorio: URP-Tesis
• Lenguaje: español
• OAI Identifier: oai:repositorio.urp.edu.pe:20.500.14138/9170
• Enlace del recurso: https://hdl.handle.net/20.500.14138/9170
• Nivel de acceso: acceso embargado
• Materia: Retinopatía diabética -- Diagnóstico clínico; Sistemas de imágenes; Procesamiento de imágenes; https://purl.org/pe-repo/ocde/ford#1.02.00

Este estudio analiza el desempeño de los modelos ResNet18, ResNet50 y ResNet101 en la detección de retinopatía diabética, utilizando un conjunto de datos innovador que combina imágenes reales y aumentadas. Ante la ausencia de imágenes sintéticas generadas por StyleGAN3, se optó por implementar un enfoque temporal como solución provisional. Entre los modelos analizados, ResNet18 sobresalió por su rendimiento general, alcanzando una precisión del 57.88% y mostrando un equilibrio destacado entre precisión y sensibilidad, especialmente en las etapas avanzadas de la enfermedad (clase 4). No obstante, los resultados globales no evidenciaron mejoras significativas, principalmente debido a las limitaciones en el tamaño y la diversidad del conjunto de datos empleado. En cuanto a StyleGAN3, aunque sigue en desarrollo, los avances fueron prometedores. Su Frechet Inception Distance (FID) se redujo de 498.93 a 103.65, lo que representa un progreso importante en la calidad de las imágenes sintéticas que genera. Específicamente, se pretende retomar el preentrenamiento de StyleGAN3 para generar imágenes de alta fidelidad y proveer a los modelos ResNet de un conjunto de datos mixto igualados. Con esta aproximación se persigue subsanar las actuales deficiencias y mejorar tanto la precisión como la capacidad de generalización de los modelos en entornos clínicos. El trabajo resalta el potencial de las GAN para potenciar la clasificación de imágenes médicas y avanzar hacia un diagnóstico más automatizado en oftalmología