Buscar en
Archivos de la Sociedad Española de Oftalmología
Toda la web
Inicio Archivos de la Sociedad Española de Oftalmología Análisis de la capa de células ganglionares con deep learning en el diagnósti...
Información de la revista
Vol. 96. Núm. 4.
Páginas 181-188 (Abril 2021)
Compartir
Compartir
Descargar PDF
Más opciones de artículo
Visitas
250
Vol. 96. Núm. 4.
Páginas 181-188 (Abril 2021)
Artículo original
Análisis de la capa de células ganglionares con deep learning en el diagnóstico de glaucoma
Ganglion cell layer analysis with deep learning in glaucoma diagnosis
Visitas
250
Valentín Tinguaro Díaz-Alemána,
Autor para correspondencia
vtdac@hotmail.com

Autor para correspondencia.
, Francisco José Fumero Batistab, Silvia Alayón Mirandab, Denisse Ángel-Pereiraa, Víctor Javier Arteaga-Hernándeza, José Francisco Sigut Saavedrab
a Unidad de Glaucoma. Servicio de Oftalmología. Hospital Universitario de Canarias, Santa Cruz de Tenerife, España
b Departamento de Ingeniería Informática y de Sistemas. Facultad de Física. Universidad de La Laguna, Santa Cruz de Tenerife, España
Este artículo ha recibido
Información del artículo
Resumen
Texto completo
Bibliografía
Descargar PDF
Estadísticas
Figuras (3)
Mostrar másMostrar menos
Tablas (2)
Tabla 1. Datos demográficos del estudio
Tabla 2. Precisión, sensibilidad, especificidad y área ROC de los modelos ResNet50 y VGG19
Mostrar másMostrar menos
Resumen
Objetivo

Determinar y comparar la precisión diagnóstica en glaucoma de dos modelos de aprendizaje profundo, usando imágenes en infrarrojo del nervio óptico, del fondo de ojo y de la capa de células ganglionares (CCG).

Métodos

Hemos seleccionado una muestra de pacientes normales y con glaucoma. Se recogieron tres imágenes en infrarrojo con un tomógrafo de coherencia óptica de tipo spectral-domain (SD-OCT). La primera corresponde a la imagen de barrido confocal del fondo de ojo, la segunda es un recorte de la primera centrada en el nervio óptico, y la tercera fue la imagen del corte SD-OCT de la CCG. Nuestros modelos de aprendizaje profundo se desarrollaron en la plataforma MATLAB con las redes neuronales preentrenadas ResNet50 y VGG19.

Resultados

Se recogieron 498 ojos de 298 pacientes. De los 498 ojos, 312 son glaucomatosos y 186 son normales. En la prueba, la precisión de los modelos fue de 96% (ResNet50) y 96% (VGG19) para las imágenes de la CCG, de 90% (ResNet50) y 90% (VGG19) para las imágenes del nervio óptico y de 82% (ResNet50) y 84% (VGG19) para las de fondo de ojo. El área ROC en la prueba fue de 0,96 (ResNet50) y 0,97 (VGG19) para las imágenes de la CCG, de 0,87 (ResNet50) y 0,88 (VGG19) para las imágenes del nervio óptico, y de 0,79 (ResNet50) y 0,81 (VGG19) para las imágenes de fondo de ojo.

Conclusiones

Los dos modelos de aprendizaje profundo analizados, aplicados sobre las imágenes de la CCG, ofrecen una alta precisión diagnóstica, sensibilidad y especificidad en el diagnóstico de glaucoma.

Palabras clave:
Glaucoma
Aprendizaje profundo
Tomografía
Células ganglionares
Abstract
Objective

To determine and compare the diagnostic precision in glaucoma of two deep learning models using infrared images of the optic nerve, eye fundus, and the ganglion cell layer (GCL).

Methods

We have selected a sample of normal and glaucoma patients. Three infrared images were registered with a spectral-domain optical coherence tomography (SD-OCT). The first corresponds to the confocal scan image of the fundus, the second is a cut-out of the first centered on the optic nerve, and the third was the SD-OCT image of the GCL. Our deep learning models are developed on the MatLab platform with the ResNet50 and VGG19 pre-trained neural networks.

Results

498 eyes of 298 patients were collected. Of the 498 eyes, 312 are glaucoma and 186 are normal. In the test, the precision of the models was 96% (ResNet50) and 96% (VGG19) for the GCL images, 90% (ResNet50) and 90% (VGG19) for the optic nerve images and 82% (ResNet50) and 84% (VGG19) for the fundus images. The ROC area in the test was 0.96 (ResNet50) and 0.97 (VGG19) for the GCL images, 0.87 (ResNet50) and 0.88 (VGG19) for the optic nerve images, and 0.79 (ResNet50) and 0.81 (VGG19) for the fundus images.

Conclusions

Both deep learning models, applied to the GCL images, achieve high diagnostic precision, sensitivity and specificity in the diagnosis of glaucoma.

Keywords:
Glaucoma
Deep learning
Tomography
Ganglion cells

Artículo

Opciones para acceder a los textos completos de la publicación Archivos de la Sociedad Española de Oftalmología
Suscriptor
Suscriptor de la revista

Si ya tiene sus datos de acceso, clique aquí.

Si olvidó su clave de acceso puede recuperarla clicando aquí y seleccionando la opción "He olvidado mi contraseña".
Suscribirse
Suscribirse a:

Archivos de la Sociedad Española de Oftalmología

Comprar
Comprar acceso al artículo

Comprando el artículo el PDF del mismo podrá ser descargado

Precio 19,34 €

Comprar ahora
Contactar
Teléfono para suscripciones e incidencias
De lunes a viernes de 9h a 18h (GMT+1) excepto los meses de julio y agosto que será de 9 a 15h
Llamadas desde España
932 415 960
Llamadas desde fuera de España
+34 932 415 960
E-mail
Opciones de artículo
Herramientas
es en pt

¿Es usted profesional sanitario apto para prescribir o dispensar medicamentos?

Are you a health professional able to prescribe or dispense drugs?

Você é um profissional de saúde habilitado a prescrever ou dispensar medicamentos