Identificación de la actividad de la toxoplasmosis ocular mediante distintas redes neuronales convolucionales
Loading...
Date
2025
Director
Journal Title
Journal ISSN
Volume Title
Publisher
Pontificia Universidad Javariana Cali
Abstract
Este proyecto se centró en la aplicación de redes neuronales convolucionales (CNN) para la identificación automática de la actividad de la toxoplasmosis ocular (TO) en imágenes de fondo de ojo. La TO es una causa significativa de discapacidad visual severa. La importancia de este proyecto radica en su potencial para mejorar el diagnóstico y tratamiento de la TO, especialmente en áreas con acceso limitado a especialistas en oftalmología. Los objetivos específicos incluyeron la gestión de una base de datos de imágenes de fondo de ojo, el entrenamiento de CNN’s para identificar la actividad de la TO, y la evaluación del rendimiento de estas técnicas de clasificación. Se aplicó transfer learning con 3 CNN que previamente han sido utilizadas en tareas de clasificación médica (ResNetV2, VGG16, InceptionV3) y se realizaron dos arquitecturas de CNN propias; obteniendo el mejor resultado priorizando una alta sensibilidad hacia la clase activa con una ResNetV2 con 10 épocas, función de activación ReLU, optimizador Adam, Tasa de aprendizaje 1e-4, Tamaño de lote de 32 y utilizando técnicas de balanceo de datos como Synthetic Minority Over-sampling Technique (SMOTE) y data augmentation. Obteniendo una exactitud (accuracy) del modelo de 0.81 ± 0.02. Para la clase activa una sensibilidad de 0.9 ± 0.06, una especificidad de 0.69 ± 0.08 y un F1 Score de 0.77 ± 0.02; mientras que, para la clase inactiva, una sensibilidad de 0.77 ± 0.07, especificidad de 0.91 ± 0.03 y F1 score de 0.84 ± 0.03 Este proyecto demuestra la capacidad de la inteligencia artificial y las CNN en clasificar lesiones retinocoroideas de TO activas o inactivas, facilitando así la toma de decisiones terapéuticas.
Description
item.page.descriptioneng
This project focused on the application of convolutional neural networks (CNN) for the automatic identification of ocular toxoplasmosis (OT) activity in fundus images. OT is a significant cause of severe visual impairment. The importance of this project lies in its potential to improve the diagnosis and treatment of OT, especially in areas with limited access to ophthalmology specialists. Specific objectives included the management of a database of fundus images, the training of CNNs to identify OT activity, and the evaluation of the performance of these classification techniques. Transfer learning was applied with 3 CNNs that have previously been used in medical classification tasks (ResNetV2, VGG16, InceptionV3) and two proprietary CNN architectures were developed; obtaining the best result prioritizing a high sensitivity towards the active class with a ResNetV2 with 10 epochs, ReLU activation function, Adam optimizer, 1e-4 learning rate, Batch size of 32 and using data balancing techniques such as Synthetic Minority Over-sampling Technique (SMOTE) and data augmentation. Obtaining a model accuracy of 0.81 ± 0.02. For the active class a sensitivity of 0.9 ± 0.06, a specificity of 0.69 ± 0.08 and an F1 Score of 0.77 ± 0.02; While for the inactive class, a sensitivity of 0.77 ± 0.07, specificity of 0.91 ± 0.03 and F1 score of 0.84 ± 0.03. This project demonstrates the ability of artificial intelligence and CNNs to classify active or inactive TO retinochoroidal lesions, thus facilitating therapeutic decision-making.
Keywords
Toxoplasmosis, Uveítis, Retina, Inteligencia Artificial, Red Neuronal Convolucional, Uveitis, Artificial intelligence, Convolutional Neural Network