Show simple item record

dc.contributor.advisorRodríguez Alvira, Francisco José 
dc.creatorPinilla Gomez, Carlos Mario 
dc.creatorRosenstiehl, Shirley Margarita 
dc.creatorGomez, Flor Edith 
dc.creatorGonzalez, Fabio 
dc.creatorPerdomo Charry, Oscar Julian 
dc.creatorRodríguez Alvira, Francisco José 
dc.date.accessioned2018-12-03T20:49:41Z
dc.date.available2018-12-03T20:49:41Z
dc.date.created2018-11-23
dc.date.issued2018
dc.identifier.urihttp://repository.urosario.edu.co/handle/10336/18768
dc.descriptionObjetivo: Determinar la exactitud de una red neuronal artificial para el diagnóstico de edema macular diabético en imágenes de tomografía de coherencia óptica de la macula. Diseño: Estudio transversal de prueba diagnóstica. Métodos: Se recolectaron 100 grupos de 5 imágenes obtenidas de ojos con diagnóstico de edema macular diabético y 100 grupos de imágenes sin edema macular diabético. El 70% de las imágenes se usaron para entrenar la red neuronal artificial y el 30% se usaron para el desarrollo de la prueba. Resultados: En el análisis por grupos de 5 imágenes se encontró una sensibilidad del 81.82% (IC 64.54-93.02%) y una especificidad del 88,89% (IC 70.84-97.65%), con una exactitud del 85,00% (IC 73.43-92.90%). El Valor Predictivo Positivo fue de 90.00% (IC 75.37-96.36%) y el Valor Predictivo Negativo del 80.00% (65.71-89.30%). Conclusiones: La RNA mostro un buen rendimiento para la identificación de EMD en imágenes de TCO de pacientes con DM. Se requieren estudios con mayor tamaño de muestra para mejorar la precisión de los resultados.
dc.description.abstractPurpose: To calculate the accuracy of “OCT-net”, an artificial neural network, to diagnose diabetic macular edema using optical coherence tomography images. Study design: Cross-sectional diagnostic test study. Methods: we collected 100 image volumes from eyes diagnosed with diabetic macular edema and 100 volumes of healthy individuals, each volume contains 5 B-scan images. We split the images randomly in two datasets: 70% of the images were used to train the artificial neural network and 30% for testing its accuracy. Results: sensitivity was found to be 81,82% (CI 64,54-93,02%) and specificity 88,89% (CI 70,84-97,65%) in the image volume analysis. Positive and negative predictive values were 90% (CI 75,37-96,36%) and 80% (CI 65,71-89,30%) respectively. Conclusions: In our study, OCT-net showed a good performance on detecting diabetic macular edema in optic coherence tomography images. More studies with greater sample size are required.
dc.format.mimetypeapplication/pdf
dc.language.isospa
dc.rightsAtribución-NoComercial-SinDerivadas 2.5 Colombia
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/2.5/co/
dc.sourceinstname:Universidad del Rosario
dc.sourcereponame:Repositorio Institucional EdocUR
dc.subjectEdema Macular Diabético
dc.subjectInteligencia Artificial
dc.subjectRetinopatía Diabética
dc.subjectTomografía de coherencia óptica
dc.subjectRedes neuronales artificiales
dc.subject.ddcVarias ramas de la medicina, Cirugía  
dc.subject.lembEnfermedades de la retina
dc.subject.lembInteligencia artificial
dc.subject.lembRetinopatía diabética
dc.titleRed neuronal artificial para la detección de edema macular diabético en imágenes de tomografía de coherencia óptica : estudio transversal de prueba diagnóstica
dc.typemasterThesis
dc.publisherUniversidad del Rosario
dc.creator.degreeAbogado
dc.publisher.programEspecialización en Retina y Vítreo
dc.publisher.departmentFacultad de medicina
dc.title.alternativeRed neuronal artificial para la detección de edema macular diabético en imágenes de tomografía de coherencia óptica en la Fundación Oftalmológica Nacional
dc.subject.keywordDIabetic macular edema
dc.subject.keywordDiabetic retinopathy
dc.subject.keywordArtificial intelligence
dc.subject.keywordNeural networks
dc.subject.keywordOptical coherence tomography
dc.rights.accesRightsinfo:eu-repo/semantics/openAccess
dc.type.spaTrabajo de grado
dc.rights.accesoAbierto (Texto Completo)
dc.type.hasVersioninfo:eu-repo/semantics/acceptedVersion
dc.source.bibliographicCitationYau JWY, Rogers SL, Kawasaki R, Lamoureux EL, Kowalski JW, Bek T, et al. Global prevalence and major risk factors of diabetic retinopathy. Diabetes Care. 2012 Mar;35(3):556–64.
dc.source.bibliographicCitationLobo C, Pires I, Cunha-Vaz J. Diabetic Macular Edema. Opt Coherence Tomogr. 2012;32(2):1–21.
dc.source.bibliographicCitationCheung N, Mitchell P, Wong TY. Diabetic retinopathy. Lancet. 2010;376(9735):124–36.
dc.source.bibliographicCitationFederación Internacional de Diabetes. Atlas de Diabetes [Internet]. Artículo de la FID. 2015. 160 p. Available from: http://www.fmdiabetes.org/fmd/des/SP_6E_Atlas_Full.pdf
dc.source.bibliographicCitationLee R, Wong TY, Sabanayagam C. Epidemiology of diabetic retinopathy, diabetic macular edema and related vision loss. Eye Vis (London, England) [Internet]. 2015;2:17. Available from: http://www.ncbi.nlm.nih.gov/pubmed/26605370%5Cnhttp://www.pubmedcentral.nih.gov/articlerender.fcgi?artid=PMC4657234%5Cnhttp://www.pubmedcentral.nih.gov/articlerender.fcgi?artid=4657234&tool=pmcentrez&rendertype=abstract
dc.source.bibliographicCitationAyala Garcia J. La Salud en Colombia: más cobertura pero menos acceso. Doc Trab sobre Econ Reg Banco la República ISSN 1692-3715. 2014;45.
dc.source.bibliographicCitationBursell SE, Cavallerano JD, Cavallerano AA, Clermont AC, Birkmire-Peters D, Aiello LP, et al. Stereo nonmydriatic digital-video color retinal imaging compared with Early Treatment Diabetic Retinopathy Study seven standard field 35-mm stereo color photos for determining level of diabetic retinopathy. Ophthalmology. 2001 Mar;108(3):572–85.
dc.source.bibliographicCitationRodríguez FJ, Ríos OJP, González FA, Gómez FE, Rosenstiehl SM, Ríos HA. RED NEURONAL EN LA DETECCIÓN DEL EDEMA MACULAR DIABÉTICO EN IMÁGENES DE FONDO DE OJO. 2016;
dc.source.bibliographicCitationAguirre AH. Introducción a las Redes Neuronales Artificiales. Rev Mex Ing Biomed. 2001;22(1):4–11.
dc.source.bibliographicCitationMadonna R, Balistreri CR, Geng Y-J, De Caterina R. Diabetic microangiopathy: Pathogenetic insights and novel therapeutic approaches. Vascul Pharmacol. 2017;90:1–7.
dc.source.bibliographicCitationFaran AAL, Mousa A, Shamsi HAL, Gaeed AAL, Ghazi NG. SPECTRAL DOMAIN OPTICAL COHERENCE TOMOGRAPHY PREDICTORS OF VISUAL OUTCOME IN DIABETIC CYSTOID MACULAR EDEMA AFTER BEVACIZUMAB INJECTION. :1208–15.
dc.source.bibliographicCitationCunha-Vaz J. An Integrated Perspective on Diabetic Retinopathy in Type 2 Diabetes. In: World Scientific NEW, editor. Diabetic Retinopathy. I. Coimbra-Portugal: World Scientific Publishing Co. Pte. Ltd. All; 2011.
dc.source.bibliographicCitationRaman R, Ganesan S, Pal SS, Gella L, Kulothungan V, Sharma T. Incidence and Progression of Diabetic Retinopathy in Urban India: Sankara Nethralaya-Diabetic Retinopathy Epidemiology and Molecular Genetics Study (SN-DREAMS II), Report 1. Ophthalmic Epidemiol [Internet]. 2017;00(00):1–9. Available from: https://www.tandfonline.com/doi/full/10.1080/09286586.2017.1290257
dc.source.bibliographicCitationHernández C, Simó-Servat A, Bogdanov P, Simó R. Diabetic retinopathy: new therapeutic perspectives based on pathogenic mechanisms. J Endocrinol Invest. 2017;0(0):0.
dc.source.bibliographicCitationBolster NM, Giardini ME, Bastawrous A. The Diabetic Retinopathy Screening Workflow: Potential for Smartphone Imaging. J Diabetes Sci Technol [Internet]. 2015;10(2):318–24. Available from: http://ovidsp.ovid.com/ovidweb.cgi?T=JS&CSC=Y&NEWS=N&PAGE=fulltext&D=prem&AN=26596630 http://sfxhosted.exlibrisgroup.com/cmc?sid=OVID:medline&id=pmid:26596630&id=doi:10.1177/1932296815617969&issn=1932-2968&isbn=&volume=10&issue=2&spage=318&pages=318-24&
dc.source.bibliographicCitationRajalakshmi R, Arulmalar S, Usha M, Prathiba V, Kareemuddin KS, Anjana RM, et al. Validation of smartphone based retinal photography for diabetic retinopathy screening. PLoS One. 2015;10(9):e0138285.
dc.source.bibliographicCitationKinyoun JL, Martin DC, Fujimoto WY, Leonetti DL. Ophthalmoscopy versus fundus photographs for detecting and grading diabetic retinopathy. Investig Ophthalmol Vis Sci. 1992;33(6):1888–93.
dc.source.bibliographicCitationGulshan V, Peng L, Coram M, Stumpe MC, Wu D, Narayanaswamy A, et al. Development and Validation of a Deep Learning Algorithm for Detection of Diabetic Retinopathy in Retinal Fundus Photographs. Jama [Internet]. 2016;304(6):649–56. Available from: http://www.ncbi.nlm.nih.gov/pubmed/27898976
dc.source.bibliographicCitationGargeya R, Leng T. Automated Identification of Diabetic Retinopathy Using Deep Learning. Ophthalmology [Internet]. 2017;1–8. Available from: http://linkinghub.elsevier.com/retrieve/pii/S0161642016317742
dc.source.bibliographicCitationSrinivasan PP, Kim LA, Mettu PS, Cousins SW, Comer GM, Izatt JA, et al. Fully automated detection of diabetic macular edema and dry age-related macular degeneration from optical coherence tomography images. 2014;5(10):3568–77.
dc.source.bibliographicCitationSankar M, Batri K, Parvathi R. Earliest Diabetic Retinopathy Classification Using Deep Convolution Neural Networks. Int J Adv Eng Technol E Int J Adv Engg Tech [Internet]. 2016;466–70. Available from: http://www.technicaljournalsonline.com/ijeat/VOL VII/IJAET VOL VII ISSUE I JANUARY MARCH 2016/20167187.pdf
dc.source.bibliographicCitationAlsaih K, Lemaitre G, Rastgoo M, Massich J, Sidibe D, Meriaudeau F. Machine learning techniques for diabetic macular edema (DME) classification on SD-OCT images. Biomed Eng Online [Internet]. 2017;16:1–12. Available from: http://proxy.lib.umich.edu/login?url=https://search.proquest.com/docview/1915251920?accountid=14667%0Ahttp://mgetit.lib.umich.edu/?ctx_ver=Z39.88-2004&ctx_enc=info:ofi/enc:UTF-8&rfr_id=info:sid/ProQ%3Abiotechresearch&rft_val_fmt=info:ofi/fmt:kev:mtx:journ
dc.source.bibliographicCitationLee CS, Tyring AJ, Drruyter NP, Yue W, Rokem A, Lee AY. Deep-learning based , automated segmentation of macular edema in optical coherence tomography. 2017;8(7):530–3.
dc.source.bibliographicCitationElTanboly A, Ismail M, Shalaby A, Switala A, El-Baz A, Schaal S, et al. A computer-aided diagnostic system for detecting diabetic retinopathy in optical coherence tomography images. Med Phys. 2017 Mar;44(3):914–23.
dc.source.bibliographicCitationEnhuizen FRG V, Inneken BRAMVANG, Iefers BARTL, Rinsven MARKJJPVANG, Ascha S, Auser F, et al. Robust total retina thickness segmentation in optical coherence tomography images using convolutional neural networks. 2017;8(7):794–800.
dc.source.bibliographicCitationWong RL, Tsang C, Wong DS, McGhee S, Lam C, Lian J, et al. Are we making good use of our public resources? The false-positive rate of screening by fundus photography for diabetic macular oedema. Hong Kong Med J [Internet]. 2017;1–9. Available from: http://www.hkmj.org/earlyrelease/hkmj166078.htm
dc.source.bibliographicCitationPopescu DP, Choo-Smith LP in., Flueraru C, Mao Y, Chang S, Disano J, et al. Optical coherence tomography: Fundamental principles, instrumental designs and biomedical applications. Biophys Rev. 2011;3(3):155–69.
dc.source.bibliographicCitationKeane PA, Sadda SR. Predicting visual outcomes for macular disease using optical coherence tomography. Saudi J Ophthalmol [Internet]. 2011;25(2):145–58. Available from: http://dx.doi.org/10.1016/j.sjopt.2011.01.003
dc.source.bibliographicCitationRuia S, Saxena S, Ming C, Cheung G, Gilhotra JS, Lai TYY. Spectral Domain Optical Coherence Tomography Features and Classification Systems for Diabetic Macular Edema : 2016;5(5):360–7.
dc.source.bibliographicCitationDeák GG, Bolz M, Ritter M, Prager S, Benesch T, Schmidt-Erfurth U. A systematic correlation between morphology and functional alterations in diabetic macular edema. Investig Ophthalmol Vis Sci. 2010;51(12):6710–4.
dc.source.bibliographicCitationVujosevic S, Torresin T, Berton M, Bini S, Convento E, Midena E. Diabetic macular edema with and without subfoveal neuroretinal detachment: two different morphological and functional entities. Am J Ophthalmol [Internet]. 2017; Available from: http://dx.doi.org/10.1016/j.ajo.2017.06.026
dc.source.bibliographicCitationPerdomo O, Otálora S, González FA, Meriaudeau F, Müller H. OCT-NET: A convolutional network for automatic classification of normal and diabetic macular edema using SD-OCT volumes, in IEEE International Symposium on Biomedical Imaging (ISBI 2018). ISBI. 2018;
dc.source.bibliographicCitationMinisterio de Salud. Resolución 8430 de 1993. Minist Salud y Protección Soc República Colomb. 1993;1993(Octubre 4):1–19.
dc.source.bibliographicCitationSchlegl T, Waldstein SM, Bogunovic H, Endstraßer F, Sadeghipour A, Philip A-M, et al. Fully Automated Detection and Quantification of Macular Fluid in OCT Using Deep Learning. Ophthalmology [Internet]. 2017;1–10. Available from: http://linkinghub.elsevier.com/retrieve/pii/S0161642017314240
dc.source.bibliographicCitationLee CS, Bs DMB, Msci AYL. Deep learning is effective for the classification of OCT images of normal versus Age-related Macular Degeneration Department of Ophthalmology University of Washington School of Medicine , Seattle WA Corresponding Author : Aaron Y . Lee Assistant Professor. 2016;
dc.rights.licenciaEL AUTOR, manifiesta que la obra objeto de la presente autorización es original y la realizó sin violar o usurpar derechos de autor de terceros, por lo tanto la obra es de exclusiva autoría y tiene la titularidad sobre la misma. PARGRAFO: En caso de presentarse cualquier reclamación o acción por parte de un tercero en cuanto a los derechos de autor sobre la obra en cuestión, EL AUTOR, asumirá toda la responsabilidad, y saldrá en defensa de los derechos aquí autorizados; para todos los efectos la universidad actúa como un tercero de buena fe. EL AUTOR, autoriza a LA UNIVERSIDAD DEL ROSARIO, para que en los términos establecidos en la Ley 23 de 1982, Ley 44 de 1993, Decisión andina 351 de 1993, Decreto 460 de 1995 y demás normas generales sobre la materia, utilice y use la obra objeto de la presente autorización. -------------------------------------- POLITICA DE TRATAMIENTO DE DATOS PERSONALES. Declaro que autorizo previa y de forma informada el tratamiento de mis datos personales por parte de LA UNIVERSIDAD DEL ROSARIO para fines académicos y en aplicación de convenios con terceros o servicios conexos con actividades propias de la academia, con estricto cumplimiento de los principios de ley. Para el correcto ejercicio de mi derecho de habeas data cuento con la cuenta de correo habeasdata@urosario.edu.co, donde previa identificación podré solicitar la consulta, corrección y supresión de mis datos.
dc.creator.degreetypeFull time


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record

Atribución-NoComercial-SinDerivadas 2.5 Colombia
Except where otherwise noted, this item's license is described as Atribución-NoComercial-SinDerivadas 2.5 Colombia