Sistemas de información para la red neuronal convolucional en la detección de diabetes usando imágenes de fondo de ojo

• Autores: Villegas Cubas, Juan Elías, Capuñay-Uceda, Oscar Efraín, Coronado-Navarro, Alex Franklin, Delgado-Chavarri, Anthony Hans, Osores-Granda, Oscar Enrique
• Formato: artículo
• Fecha de Publicación: 2022
• Institución: Universidad Tecnológica del Perú
• Repositorio: UTP-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.utp.edu.pe:20.500.12867/7032
• Enlace del recurso: https://hdl.handle.net/20.500.12867/7032
• Nivel de acceso: acceso abierto
• Materia: Redes neuronales artificiales; Diabetes; Diagnóstico por imágenes; https://purl.org/pe-repo/ocde/ford#1.02.00; https://purl.org/pe-repo/ocde/ford#3.00.00

La diabetes es considerada como una enfermedad crítica, y su detección temprana permite mejorar la atención y calidad de vida del paciente. Esta investigación desarrolla una red neuronal convolucional para la detección de la diabetes usando imágenes del fondo de ojo del conjunto de imágenes IDRID. El análisis de rendimiento de la red neuronal convolucional aplica una validación cruzada y se compara con otros modelos utilizados en estudios previos basados en métodos como Random Forest, Extra Trees, SVM y AdaBoost. Nuestro modelo CNN consta de una capa de entrada, tres capas convolucionales, tres capas de agrupación, dos capas completamente conectadas, y una capa de salida con dos neuronas. Los resultados de la evaluación del modelo de red neuronal convolucional con 103 imágenes produjeron un accuracy de 83.50% lo que representa un mejor rendimiento comparado con estudios previos.