Implementación de un modelo ensamblado para la detección temprana de retinopatía diabética basado en redes neuronales convolucionales

Abstract

La retinopatía diabética (RD) es una de las complicaciones más comunes de la diabetes, caracterizada por el daño progresivo de los vasos sanguíneos de la retina. A largo plazo, puede causar ceguera irreversible debido al exceso de glucosa en sangre; por ello, su detección temprana resulta fundamental para evitar su avance y adoptar medidas de control adecuadas. En este contexto, las tecnologías de visión computacional han demostrado una alta precisión en la identificación de lesiones ocasionadas por diversas enfermedades oculares. El objetivo de la presente investigación es determinar el nivel de retinopatía diabética mediante un modelo ensamblado que combina las redes neuronales InceptionV3, VGG16 y DenseNet121, con el fin de reducir los efectos severos de la enfermedad. La metodología aplicada incluyó la modificación del conjunto de datos, el preprocesamiento, la selección de la mejor combinación y la evaluación de los modelos. Se utilizó el dataset APTOS 2019, que contiene imágenes clasificadas en cinco grados de RD, posteriormente reorganizados en tres categorías: no RD (N), RD temprano (T) y RD avanzada (A). Durante el preprocesamiento se aplicó desenfoque gaussiano para resaltar cavidades retinianas y la técnica Blob Detection para identificar microaneurismas. Además, se realizaron tres pruebas de validación cruzada para seleccionar los mejores modelos. Los modelos fueron optimizados mediante el ajuste de capas adicionales y la descongelación de las últimas capas para especializar las predicciones. El ensamblaje por promedio de las tres redes alcanzó una exactitud general del 91.65% en la fase de evaluación, evidenciando la efectividad del modelo propuesto y la utilidad del Blob Detection en la detección temprana de la RD

Diabetic retinopathy (DR) is a common complication of diabetes which consists of damage to the retina’s blood vessels. Over the long term, DR can produce blindness in diabetic people due to irreversible damage caused by excess sugar in the blood stream, therefore, early identification can prevent the complication’s development and at the same time allow for the adoption of measures which help control diabetes. Advancements in computational vision have expanded to a point where they can detect lesions caused by different sicknesses which great precision. The purpose of this investigation centers on being able to determine diabetic retinopathy utilizing an assembled model through the networks: InceptionV3, VGG16, and DenseNet121 to prevent fatal effects for diabetics. To accomplish this objective, a methodology based on the medication of the dataset, preprocessing, best model selection, and testing was employed. The APTOS 2019 dataset was employed, this dataset presents images of DR in 5 degrees, of which in preprocessing, were modified through gaussian blur to highlight cavities in the retina and Blob Detection to highlight microaneurysms. Through the same means, the dataset was modified so only 3 degrees would be present: early DR (T), advanced DR (A), and no DR (N). In the investigation, Cross-Validation was used 3 times to obtain the best models for use, this process was accomplished for each individual model and in the assembly. For the training of the proposed models, extra layers were added to improve performance, and the last layers were unfrozen for each model to specialize their predictions for the detection of DR. The averaging ensemble of the three models achieved an overall accuracy of 91.65% was obtained highlighting the efficiency of the model in detecting DR in its early stages. Therefore, the results demonstrate the effective use of Blob Detection as a tool for detecting DR and the use of averaged assembly to improve the accuracy of the models.