Sistema de procesamiento de imágenes para la identificación de biomarcadores en las etapas de la retinopatía diabética [recurso electrónico] / Andre Ivann Herrera Chávez ; directora, Wendy Flores Fuentes ; codirector, Oscar Humberto Montiel Ross
Tipo de material:
TextoDetalles de publicación: Mexicali, Baja California, 2025Descripción: 1 recurso en línea ; 131 p. ; il. col., gráficas, fotsTema(s): Diagnóstico por imágenes -- Tesis y disertaciones académicas | Diagnóstico por imágenes: métodos -- Tesis y disertaciones académicas | Diagnóstico por imágenes: procesamiento de datos -- Tesis y disertaciones académicasClasificación LoC:RC78.7.D53 | H47 2025Recursos en línea: Tesis Digital 
Nota de disertación: Tesis (Maestría) --Universidad Autónoma de Baja California, Facultad de Ingeniería, Mexicali, 2025 Resumen: Esta tesis tiene como propósito el desarrollo de un sistema especializado de procesamiento de imágenes para la detección y segmentación de biomarcadores asociados a las etapas de la retinopatía diabética. El sistema propuesto integra técnicas avanzadas de visión por computadora y aprendizaje profundo, empleando arquitecturas como CNN (de sus siglas en inglés, Convolutional Neural Networks) y ViT (de sus siglas en inglés, Visión Transformers) para la clasificación de imágenes. Así como, SAM (de sus siglas en inglés, Segment Anything Model) para la segmentación y YOLO (de sus siglas en inglés, You Only Look Once) para la localización de biomarcadores, como microaneurismas, exudados duros, exudados suaves y hemorragias.
El enfoque incluye la implementación de preprocesamientos que mejoran la calidad de las imágenes mediante técnicas como CLAHE (de sus siglas en inglés, Contrast Limited Adaptive Histogram Equalization) y Filtro de Ben. Además, se utiliza la generación de imágenes sintéticas a través de CycleGan (de sus siglas en inglés, Cycle Generative Adversarial Network) y
NST (de sus siglas en inglés, Neural Style Transfer) para ampliar y diversificar los conjuntos de datos, superando las limitaciones de disponibilidad de imágenes sintéticas.
El sistema fue validado mediante métricas de rendimiento como precisión, Accuracy, Recall, F1-Score y Confusion Matrix. Estas métricas permitieron medir la efectividad del modelo en la
detección de biomarcadores y clasificación de las etapas de la retinopatía diabética.
| Tipo de ítem | Biblioteca actual | Colección | Signatura | Copia número | Estado | Fecha de vencimiento | Código de barras |
|---|---|---|---|---|---|---|---|
| Tesis | Biblioteca Central Mexicali | Colección de Tesis | RC78.7.D53 H47 2025 (Browse shelf(Abre debajo)) | 1 | Disponible | MXL125728 |
Navegando Biblioteca Central Mexicali Estantes, Código de colección: Colección de Tesis Cerrar el navegador de estanterías (Oculta el navegador de estanterías)
Maestría y Doctorado en Ciencias e Ingeniería.
Tesis (Maestría) --Universidad Autónoma de Baja California, Facultad de Ingeniería, Mexicali, 2025
Incluye referencias bibliográficas
Esta tesis tiene como propósito el desarrollo de un sistema especializado de procesamiento de imágenes para la detección y segmentación de biomarcadores asociados a las etapas de la retinopatía diabética. El sistema propuesto integra técnicas avanzadas de visión por computadora y aprendizaje profundo, empleando arquitecturas como CNN (de sus siglas en inglés, Convolutional Neural Networks) y ViT (de sus siglas en inglés, Visión Transformers) para la clasificación de imágenes. Así como, SAM (de sus siglas en inglés, Segment Anything Model) para la segmentación y YOLO (de sus siglas en inglés, You Only Look Once) para la localización de biomarcadores, como microaneurismas, exudados duros, exudados suaves y hemorragias.
El enfoque incluye la implementación de preprocesamientos que mejoran la calidad de las imágenes mediante técnicas como CLAHE (de sus siglas en inglés, Contrast Limited Adaptive Histogram Equalization) y Filtro de Ben. Además, se utiliza la generación de imágenes sintéticas a través de CycleGan (de sus siglas en inglés, Cycle Generative Adversarial Network) y
NST (de sus siglas en inglés, Neural Style Transfer) para ampliar y diversificar los conjuntos de datos, superando las limitaciones de disponibilidad de imágenes sintéticas.
El sistema fue validado mediante métricas de rendimiento como precisión, Accuracy, Recall, F1-Score y Confusion Matrix. Estas métricas permitieron medir la efectividad del modelo en la
detección de biomarcadores y clasificación de las etapas de la retinopatía diabética.
