Show simple item record

dc.contributor.advisorSarmiento, Jefferson 
dc.creatorFierro Castro, Pierina Alexandra 
dc.date.accessioned2020-03-16T15:28:04Z
dc.date.available2020-03-16T15:28:04Z
dc.date.created2019
dc.identifier.urihttps://repository.urosario.edu.co/handle/10336/21008
dc.descriptionEn este trabajo se muestra la forma en que los oftalmólogos diagnostican si un paciente presenta o no glaucoma utilizando equipos biomédicos no invasivos que brindan información útil al respecto. Se hizo una lista de las ventajas y desventajas que ofrecen cada una de las técnicas oftalmológicas encontradas, donde finalmente, se escogió la toma de fotografías de fondo de ojo como el examen con mayor cantidad de virtudes de acuerdo con el objetivo de este proyecto.
dc.description.abstractThis work shows how ophthalmologists diagnose whether or not a patient has glaucoma using non-invasive biomedical equipment that provides useful information in this regard. A list of the advantages and disadvantages offered by each of the ophthalmological techniques found was made, where finally, the taking of fundus photographs was chosen as the examination with the greatest number of virtues according to the objective of this project.
dc.format.mimetypeapplication/pdf
dc.language.isospa
dc.rightsAtribución-NoComercial-CompartirIgual 2.5 Colombia
dc.rights.urihttp://creativecommons.org/licenses/by-nc-sa/2.5/co/
dc.sourceinstname:Universidad del Rosario
dc.sourceinstname:Universidad del Rosario
dc.subjectGlaucoma
dc.subjectInteligencia artificial
dc.subjectImágenes tomográficas
dc.subject.ddcOtras ramas de la ingeniería 
dc.subject.ddcSistemas 
dc.subject.ddcCiencias médicas, Medicina 
dc.subject.lembGlaucoma - Diagnostico por imágenes
dc.subject.lembInteligencia artificial para el diagnostico medico
dc.subject.lembTecnología medica
dc.titleEstructuración de un método para la detección de glaucoma mediante reconocimiento de imágenes usando inteligencia artificial
dc.typebachelorThesis
dc.publisherUniversidad del Rosario
dc.creator.degreeIngeniero Biomédico
dc.publisher.programIngeniería Biomédica
dc.publisher.departmentEscuela de Medicina y Ciencias de la Salud
dc.title.alternativeStructuring a method for detecting glaucoma by image recognition using artificial intelligence
dc.subject.keywordGlaucoma
dc.subject.keywordArtificial intelligence
dc.subject.keywordTomographic images
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.bibliographicCitation"IBM - Archives - History of IBM - United States", Ibm.com, 2019. [Online]. Available: https://www.ibm.com/ibm/history/history/history_intro.html. [Accessed: 16- Oct- 2019].
dc.source.bibliographicCitation"Healthcare chronology", Ibm.com, 2019. [Online]. Available: https://www.ibm.com/ibm/history/exhibits/healthcare/healthcare_ch1.html. [Accessed: 16- Oct- 2019].
dc.source.bibliographicCitationN. Congdon, B. O’Colmain, C. Klaver, “Causes and prevalence of visual impairment among adults in the United States”, WHO World Health Organization, 2004.
dc.source.bibliographicCitationE. Perez and L. Leon, "La fotografía de fondo de ojo como método de diagnóstico en el glaucoma", Medicentro Electrónica, Santa Clara, vol. 21, pp. 3- 10, 2017.
dc.source.bibliographicCitationJ. Rios Zuluaga, L. Bettin Torres, S. Naranjo Salazar, J. Suárez Garavito and C. De Vivero Arciniegas, "Pautas para el examen oftalmológico. Enfoque para el estudiante de medicina y el médico general", Universitas Médica, vol. 58, no. 2, 2017.
dc.source.bibliographicCitationBalle, "¿QUÉ ES Y CÓMO SE TRATA EL GLAUCOMA?", Excimer Láser - Oftalmología láser en Palma de Mallorca, 2018. [Online]. Available: https://excimerlaserpalma.com/que-es-y-como-se-trata-el-glaucoma-palma-mallorca/. [Accessed: 22- Oct- 2019].
dc.source.bibliographicCitationA. Espinosa Castañeda, V. Peña Martínez and M. Carrizosa, "Descripción y análisis de las tecnologías diagnósticas OCT, HRT y GDx en glaucoma: un enfoque para la optometría clínica", Ciencia & Tecnología para la Salud Visual y Ocular, vol. 12, no. 2, p. 87, 2015.
dc.source.bibliographicCitationK. Townsend et al., "Heidelberg Retina Tomograph 3 machine learning classifiers for glaucoma detection", British Journal of Ophthalmology, vol. 92, no. 6, pp. 814-818, 2008.
dc.source.bibliographicCitationJ. Maslin, K. Mansouri and S. Dorairaj, "HRT for the Diagnosis and Detection of Glaucoma Progression", The Open Ophthalmology Journal, vol. 9, no. 1, pp. 58-67, 2015.
dc.source.bibliographicCitation"Centro de Diagnósticos Oftalmológicos | Tomografía Hrt de Glaucoma", Cdosa.cl, 2019. [Online]. Available: http://www.cdosa.cl/w/examenes/hrt-topografia-computarizada-de-papila/. [Accessed: 2- Nov- 2019].
dc.source.bibliographicCitationC. García, F. Lugo, M. León, S. Ligero, J. Ruiz and J. Moreno, “Tomografía de Coherencia Óptica (OCT) Funcionamiento y utilidad en patología macular (I)”. Gaceta Óptica, pp. 12-14.
dc.source.bibliographicCitationF. Gutiérrez Ruiz, "EVALUACIÓN DE LA FUNCIÓN VISUAL EN LOS PACIENTES CON FIBROMIALGIA - PDF", Docplayer.es, 2019. [Online]. Available: https://docplayer.es/43537716-Evaluacion-de-la-funcion-visual-en-los-pacientes-con-fibromialgia.html, [Accessed: 2- Nov-2019].
dc.source.bibliographicCitationA. Fernández, “Técnica de exploración del fondo de ojo”. Zaragoza: Universidad de Zaragoza, pp. 29-33.
dc.source.bibliographicCitation«Optometría Ilarduya,» Óptica Ilarte, 2018. [En línea]. Available: http://optometriailarduya.com/retinografo-fondo-de-ojo/. [Último acceso: 2 11 2019].
dc.source.bibliographicCitationL. Herguedas, “Guía práctica clínica para la realización de una retinografía”. Valladolid, Universidad de Valladolid, 2018, pp. 7-8.
dc.source.bibliographicCitationGupta, N., Aung, T., Congdon, N., Lerner, F., Olawoye, S., Resnikoff, S., Wang, N. and Wormald, R., Guías del Consejo Internacional de Oftalmología (ICO) para el Glaucoma, 2015.
dc.source.bibliographicCitationInstituto Gabriel Simón, (2019). GLAUCOMA. [online] Available at: https://www.iogs.es/glaucoma-5/ [Accessed 2 Nov. 2019].
dc.source.bibliographicCitationBetancourt, G. LAS MÁQUINAS DE SOPORTE VECTORIAL (SVMs), vol. 1 no. 27, abril 2005.
dc.source.bibliographicCitationNumerentur.org. (2018). Máquina de Soporte Vectorial SVM. [online] Available at: http://numerentur.org/svm/ [Accessed 2 Nov. 2019].
dc.source.bibliographicCitationD. Polo, L. Pedraza, E. Martinez, “Comparison of Neural Network applied to prediction of times Series”, Prospect, vol. 13, no. 02, pp. 88-95, 2015.
dc.source.bibliographicCitationMuñoz, E., Cedeño, F., Ruiz, S. and Cruz, J. “Aplicación de redes neuronales para predecir el éxito de la compra de deuda a una entidad financiera”. Revista Espacios, vol. 40, no. 20, pp.6-25, 2019.
dc.source.bibliographicCitationContreras, S. and De la Rosa, F. (2016). Aplicación de deep learning en robótica móvil para exploración y reconocimiento de objetos basados en imágenes. 2016 IEEE 11th Colombian Computing Conference (CCC).
dc.source.bibliographicCitationCalvo, D., Campos, F., Rodriguez, Y. and Atienza, A. (2017). Red Neuronal Convolucional CNN - Diego Calvo. [online] Diego Calvo. Available at: http://www.diegocalvo.es/red-neuronal-convolucional/ [Accessed 2 Nov. 2019].
dc.source.bibliographicCitationO. Contreras, "Desarrollo de una red neuronal convolucional para el procesamiento de imágenes placentarias", Pregrado, Universidad Nacional Autónoma de México, 2018.
dc.source.bibliographicCitationH. Ide and T. Kurita, "Improvement of learning for CNN with ReLU activation by sparse regularization", 2017 International Joint Conference on Neural Networks (IJCNN), 2017.
dc.source.bibliographicCitationD. Kuželev, "Introducción al deep learning parte 2: Redes Neuronales Convolucionales", Medium, 2019. [Online]. 38 Available: https://medium.com/@jcrispis56/introducci%C3%B3n-al-deep-learning-parte-2-redes-neuronales-convolucionales-f743266d22a0, [Accessed: 03-Nov-2019].
dc.source.bibliographicCitationW. Rawat and Z. Wang, "Deep Convolutional Neural Networks for Image Classification: A Comprehensive Review", Neural Computation, vol. 29, no. 9, pp. 2352-2449, 2017.
dc.source.bibliographicCitation«Vinoj Jayasundara, Sandaru Jayasekara, Hirunima Jayasekara, Jathushan Rajasegaran, Suranga Seneviratne, Ranga Rodrigo, "TextCaps: Handwritten Character Recognition With Very Small Datasets", Applications of Computer Vision (WACV),» 2019 IEEE Winter Conference on, pp. 254-262, 2019.
dc.source.bibliographicCitationO. E. Contreras, «Desarrollo de una red neuronal convolucional para el procesamiento de imágenes placentarias,» Universidad Nacional Autónoma de México, pp. 15-38, 2018.
dc.source.bibliographicCitationP. Gleeson, "Which languages should you learn for data science?", Revolut, Agosto 2017.
dc.source.bibliographicCitationCass, S., “The 2017 Top Programming Languages. IEEE Spectrum: Technology, Engineering, and Science News”, IEEE, September 2017.
dc.source.bibliographicCitationL. Rampasek and A. Goldenberg, "TensorFlow: Biology’s Gateway to Deep Learning?", Cell Systems, vol. 2, no. 1, pp. 12-14, 2016.
dc.source.bibliographicCitationA. Gulli and S. Pal, Deep Learning with Keras. Birmingham, 2017, pp. 59 - 62.
dc.source.bibliographicCitationpp. "Guide to the Functional API - Keras Documentation", Keras.io, 2019. [Online]. Available: https://keras.io/getting-started/functional-api-guide/. [Accessed: 03- Nov- 2019].
dc.source.bibliographicCitationA. Almazroa et al., "Retinal fundus images for glaucoma analysis: the RIGA dataset", Medical Imaging 2018: Imaging Informatics for Healthcare, Research, and Applications, 2018.
dc.source.bibliographicCitationF. Fumero, S. Alayon, J. Sanchez, J. Sigut and M. Gonzalez-Hernandez, "RIM-ONE: An open retinal image database for optic nerve evaluation", 2011 24th International Symposium on Computer-Based Medical Systems (CBMS), 2011.
dc.source.bibliographicCitationV. Bhaip, «GitHub,» 2018. [En línea]. Available: https://github.com/vbhaip/glaucoma-cnn. [Último acceso: 3 November 2019].
dc.source.bibliographicCitation"Guide to the Functional API - Keras Documentation", Keras.io, 2019. [Online]. Available: https://keras.io/getting-started/functional-api-guide/. [Accessed: 03- Nov- 2019].
dc.source.bibliographicCitationA. Almazroa et al., "Retinal fundus images for glaucoma analysis: the RIGA dataset", Medical Imaging 2018: Imaging Informatics for Healthcare, Research, and Applications, 2018.
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.
dc.type.documentAnálisis de caso
dc.creator.degreetypeFull time


Files in this item

Thumbnail
Thumbnail

This item appears in the following Collection(s)

Show simple item record

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