Ítem
Acceso Abierto

Red neuronal artificial para la detección de edema macular diabético en imágenes de tomografía de coherencia óptica : estudio transversal de prueba diagnóstica

Mostrar el registro sencillo de la publicación
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 Julián
dc.creatorRodríguez Alvira, Francisco José
dc.creator.degreeAbogadospa
dc.creator.degreetypeFull timespa
dc.date.accessioned2018-12-03T20:49:41Z
dc.date.available2018-12-03T20:49:41Z
dc.date.created2018-11-23
dc.date.issued2018
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.spa
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.spa
dc.description.embargo2019-12-04 01:01:01: Script de automatizacion de embargos. info:eu-repo/date/embargoEnd/2019-12-03spa
dc.format.mimetypeapplication/pdf
dc.identifier.doihttps://doi.org/10.48713/10336_18768
dc.identifier.urihttp://repository.urosario.edu.co/handle/10336/18768
dc.language.isospa
dc.publisherUniversidad del Rosariospa
dc.publisher.departmentFacultad de medicinaspa
dc.publisher.programEspecialización en Retina y Vítreospa
dc.rightsAtribución-NoComercial-SinDerivadas 2.5 Colombiaspa
dc.rights.accesRightsinfo:eu-repo/semantics/openAccess
dc.rights.accesoAbierto (Texto Completo)spa
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.spa
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/2.5/co/
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.spa
dc.source.bibliographicCitationLobo C, Pires I, Cunha-Vaz J. Diabetic Macular Edema. Opt Coherence Tomogr. 2012;32(2):1–21.spa
dc.source.bibliographicCitationCheung N, Mitchell P, Wong TY. Diabetic retinopathy. Lancet. 2010;376(9735):124–36.spa
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.pdfspa
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=abstractspa
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.spa
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.spa
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;spa
dc.source.bibliographicCitationAguirre AH. Introducción a las Redes Neuronales Artificiales. Rev Mex Ing Biomed. 2001;22(1):4–11.spa
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.spa
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.spa
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.spa
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/10.1080/09286586.2017.1290257spa
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.spa
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&spa
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.spa
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.spa
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/27898976spa
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/S0161642016317742spa
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.spa
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.pdfspa
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:journspa
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.spa
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.spa
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.spa
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.htmspa
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.spa
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.2011.01.003spa
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.spa
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.spa
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.2017.06.026spa
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;spa
dc.source.bibliographicCitationMinisterio de Salud. Resolución 8430 de 1993. Minist Salud y Protección Soc República Colomb. 1993;1993(Octubre 4):1–19.spa
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/S0161642017314240spa
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;spa
dc.source.instnameinstname:Universidad del Rosariospa
dc.source.reponamereponame:Repositorio Institucional EdocURspa
dc.subjectEdema Macular Diabéticospa
dc.subjectInteligencia Artificialspa
dc.subjectRetinopatía Diabéticaspa
dc.subjectTomografía de coherencia ópticaspa
dc.subjectRedes neuronales artificialesspa
dc.subject.ddcVarias ramas de la medicina, Cirugía spa
dc.subject.keywordDIabetic macular edemaspa
dc.subject.keywordDiabetic retinopathyspa
dc.subject.keywordArtificial intelligencespa
dc.subject.keywordNeural networksspa
dc.subject.keywordOptical coherence tomographyspa
dc.subject.lembEnfermedades de la retinaspa
dc.subject.lembInteligencia artificialspa
dc.subject.lembRetinopatía diabéticaspa
dc.titleRed neuronal artificial para la detección de edema macular diabético en imágenes de tomografía de coherencia óptica : estudio transversal de prueba diagnósticaspa
dc.title.alternativeRed neuronal artificial para la detección de edema macular diabético en imágenes de tomografía de coherencia óptica en la Fundación Oftalmológica Nacionalspa
dc.typemasterThesiseng
dc.type.hasVersioninfo:eu-repo/semantics/acceptedVersion
dc.type.spaTrabajo de gradospa
Archivos
Bloque original
Mostrando1 - 1 de 1
Miniatura
Nombre:
Protocolo OCTnet Urosario Rev.pdf
Tamaño:
1.57 MB
Formato:
Adobe Portable Document Format
Descripción:
Protocolo aprobado con resultados
Descargar
Colecciones
Especialización en Retina y Vítreo