Una revisión de los métodos de Deep Learning aplicados a la

detección automatizada de la retinopatía diabética

José Cuello Navarro, Carlos Barraza Peña & José Escorcia-Gutiérrez

Ingeniería Electrónica y Telecomunicaciones, Universidad Autónoma del Caribe, Barranquilla, Colombia

[email protected], [email protected], [email protected]

Recibido: Agosto 23, 2020.

Recibido en su versión corregida: Octubre 05, 2020.
Aceptación: Octubre 15, 2020.

Cómo citar: Cuello Navarro, J., Barraza Peña, C. & Escorcia-Gutierrez, J. (2020). Una revisión de los métodos de deep learning
aplicados a la detección automatizada de la retinopatía diabética. Revista Sextante, 23, pp. 12 - 27, 2020.

Resumen
La retinopatía diabética (RD) es una enfermedad ocular caracterizada por cambios anormales a nivel de la retina, que
se manifiesta con gran frecuencia en personas que padecen diabetes mellitus. El debido seguimiento y tratamiento
puede evitar que la enfermedad afecte gravemente al paciente, sin embargo, debido a la necesidad de contar con
profesional especializado y lo costoso del proceso, puede resultar difícil realizar diagnósticos periódicamente,
corriendo el riesgo de presentar ceguera. Para contribuir a la solución de dicho problema, se han visto en los últimos
años trabajos que emplean tecnología de inteligencia artificial, más precisamente aplicando técnicas de Deep
Learning (DL) para el reconocimiento automatizado de los síntomas de la RD presentes en la retina. En este artículo
se plantean las bases para la detección de la RD, así como las técnicas DL utilizadas por diversos investigadores para
su diagnóstico automatizado y el desempeño de dichos sistemas en este ámbito.

Palabras claves: Clasificación; Diagnóstico; Procesamiento de imágenes médicas; Redes neuronales

convolucionales; Retinopatía diabética.

A survey on deep learning for automated detection of diabetic retinopathy

Abstract
Diabetic Retinopathy (DR) is an eye disease characterized by abnormal changes at the level of the retina that is very
common in people with Diabetes Mellitus. The proper monitoring and treatment can prevent the disease from
seriously affecting the patient, however, due to the need for specialized professionals and the cost of the process, it
can be difficult to make periodic diagnoses, running the risk of blindness. In order to contribute to the solution of this
1ystems1, in recent years there have been 1yste that use artificial intelligence technology, more precisely applying
Deep Learning (DL) techniques for the automated recognition of the DR symptoms present in the retina. In this
article, the bases for the detection of DR are presented, as well as the DL techniques used by various researchers for
automated diagnosis and the performance of these 1ystems in this field.

Keywords: Convolutional neural networks; Diabetic retinopathy; Diagnosis; Image classification; Medical image
análisis.

Esta obra está bajo una Licencia Creative Commons Atribución-NoComercial-SinDerivadas 4.0 Internacional.
Revista SEXTANTE, 23, pp. 12 – 27, 2020. ISSN Printed 1909-4337, ISSN Online 2665-3923
 Cuello Navarro et al. (2020). Revista Sextante, 23, pp. 12 - 27, 2020.

1. Introducción Según Perdomo & González (2019), en el mundo

de la medicina la aplicación de métodos de
La visión es uno de los sentidos más aprendizaje profundo se ha visto principalmente en
indispensables que tienen los seres humanos para la la rama de la oftalmología con el análisis de
realización de actividades en el día a día. El ojo es imágenes de fondo de ojo y en tomografías de
el órgano sensorial responsable de nuestra vista y se coherencia óptica. El panorama según estos
compone de varias partes como la pupila, el investigadores indica que dichos métodos han
cristalino, el iris, la córnea, la retina y otras. Ahora logrado un rendimiento de alto impacto en la
bien, la retina es la parte del ojo en donde se detección de enfermedades oculares, tales como la
manifiestan la mayoría de los síntomas producidos retinopatía diabética (RD), el glaucoma, la
por enfermedades relacionadas a la visión, el globo degeneración macular diabética y la degeneración
ocular y el sistema circulatorio. (Mittal & Rajam, relacionada con la edad.
2020).
Por otro lado, varios investigadores y
Una de estas enfermedades es la retinopatía competencias realizadas a nivel mundial han
diabética, la cual según Scanlon (2019), se refiere a desarrollado trabajos y colocado, a la disposición de
la patología de los capilares, arteriolas y vénulas de toda la comunidad científica e investigativa, datos
la retina, y los efectos posteriores de fuga u oclusión relevantes sobre procesos como la segmentación de
de los vasos pequeños. Los cambios que ocurren las estructuras oculares (ver Figura 1); es el caso de
dentro de los capilares de la retina incluyen Samper et al. (2020), que presentan una
engrosamiento de la membrana basal, disfunción de metodología para la detección y segmentación del
las células epiteliales (pérdida de las uniones disco óptico y los vasos sanguíneos. También se han
epiteliales estrechas), pérdida de células propuesto trabajos e investigaciones que brindan
endoteliales, aumento de la permeabilidad capilar, información sobre el reconocimiento de las
debilitamiento capilar, muerte de las células del anomalías necesarias para poder establecer y dar un
músculo liso, oclusión capilar y formación de micro diagnóstico sobre enfermedades que se pueden
aneurismas. presentar en el globo ocular, un ejemplo de esto es
la investigación de Gondal et al. (2018), en donde
Pero aquí el problema fundamental de la hacen uso de una red neuronal convolucional (CNN,
retinopatía diabética lo explica Asiri et al. (2019) por sus siglas en inglés) para realizar una
cuando menciona que esta enfermedad se vuelve discriminación de las regiones oculares en el ojo con
incurable en etapas avanzadas, por lo que el ayuda de múltiples imágenes provenientes de una
diagnóstico precoz es importante. Sin embargo, esto base de datos que contiene imágenes de retinas en
implica una dificultad notable en el sistema sanitario diferentes estados, para posteriormente analizarlas y
debido a la gran cantidad de pacientes potenciales y detectar las lesiones que puedan estar presentes en
al reducido número de técnicos experimentados. ellas.
Esta situación ha llevado al desarrollo de diversos
sistemas de diagnóstico automático para ayudar en Por último, también se han propuesto trabajos
el diagnóstico precoz de la RD, los cuales se para indicar la importancia de factores que son
soportan en técnicas y métodos obtenibles gracias a determinantes al momento de lograr un diagnostico
los avances tecnológicos que ha logrado la ciencia automatizado de enfermedades oculares, en especial
de la inteligencia artificial. la retinopatía diabética por medio de métodos de
DL. Es el caso de Moreira et al. (2020), aquí se
La inteligencia artificial, y en especial las redes presenta el desarrollo de redes tipo CNN para
enfocadas al aprendizaje profundo (DL, por sus detectar retinopatía diabética junto con un apartado
siglas en inglés), son modelos computacionales que descriptivo sobre el impacto de la resolución de las
intentan emular la función que ejecuta el cerebro imágenes y la red en la precisión de la predicción.
humano. Estás tienen la capacidad de poder
aprender mediante un entrenamiento y se han El DL ofrece algunas ventajas como el
convertido en una herramienta muy reconocida por procesamiento de gran cantidad de imágenes con el
su amplia variedad y diversidad de aplicación en uso de unidades de procesamiento gráfico (GPU,
muchas ramas de la ciencia. (Rodríguez, 2019). por sus siglas en inglés) y unidades de
2
 Cuello Navarro et al. (2020). Revista Sextante, 23, pp. 12 - 27, 2020.

procesamiento tensorial (TPU, por sus siglas en

inglés). Gracias a todas estas características las
técnicas de DL han podido superar los métodos
tradicionales en varias tareas de análisis de
imágenes y visión por computadora. Este éxito ha
motivado su aplicación al análisis de imágenes
médicas, incluidas, por supuesto, las imágenes
oftalmológicas. (Perdomo & González, 2019).

Este artículo presenta una revisión del panorama

actual de las técnicas y modelos de CNN aplicados
a las imágenes oculares retinianas para lograr un
diagnóstico automatizado de la retinopatía diabética
a partir de la identificación de signos de lesiones
ocasionadas por esta enfermedad, como lo son los
micro aneurismas (MAs), exudados (EXs),
hemorragias y anomalías microvasculares Figura 1. Imagen de fondo de ojo con la región macular
centrada.
intrarretinianas (IRMA, por sus siglas en inglés). Fuente: Tomado de (Badar et al., 2020)

Se muestran los diferentes conjuntos de datos de técnicas de DL aplicadas a la detección

imágenes oculares de acceso público más populares automatizada de la RD. En la Sección 6 se presenta
en el ámbito científico. Adicionalmente, se hace una un apartado de discusión de acuerdo con la opinión
breve explicación de los enfoques utilizados por presentada por los autores.
diferentes investigadores y científicos junto con sus
respectivos resultados. Finalmente, en la Sección 7 se encuentran las
conclusiones derivadas de este artículo de revisión
Todo esto con el objetivo de lograr una revisión
del estado del arte.
útil para las investigaciones futuras de las personas
que deseen seguir la línea de estudio de la detección
2. Detección automática de la retinopatía
de la RD con ayuda de las técnicas de DL.
diabética
La organización de este documento es como
2.1. Retinopatía Diabética
sigue: en la Sección 2 se presentan las generalidades
de la detección automatizada de la RD, incluyendo
La retinopatía sigue siendo una de las
su definición, los principales síntomas y anomalías
complicaciones microvasculares más debilitantes de
que ella empieza a desarrollar en el ojo humano, sus
la diabetes y la principal causa de ceguera adquirida
etapas, los diferentes grados que puede presentar y
que afecta aproximadamente a 4,2 millones de
el marco general que se debe seguir para su
personas en todo el mundo, con proyecciones de
detección.
hasta 191 millones de personas afectadas para 2030
a nivel global. (Drankowska et al., 2019)
En la Sección 3 se muestran los diferentes
conjuntos de datos de imágenes oculares de acceso
Además de ser una complicación de la diabetes
público más populares y utilizados por los diferentes
que afecta los ojos, es una enfermedad progresiva
trabajos académicos presentes en el estado del arte.
que se diagnostica de acuerdo con algunas
Posterior a esto, en la Sección 4 se exponen las
anormalidades clínicas de difícil detección, debido
métricas de rendimiento más comunes usadas por
a que es asintomática hasta altas etapas del
los investigadores para hacer la comparativa de sus
desarrollo de la enfermedad, y si no se realiza un
resultados con base a otros trabajos previamente
tratamiento adecuado evoluciona en una patología
desarrollados.
mayor conocida como edema macular diabético que
podría conllevar a la pérdida irreversible de la
En la Sección 5 se plantean los diferentes
métodos e investigaciones recientes, basados en
3
 Cuello Navarro et al. (2020). Revista Sextante, 23, pp. 12 - 27, 2020.

visión. (Giancardo et al., 2011, 2012; Rudas & Neovascularización: también llamada isquemia
Torres, 2013) retiniana, ocurre cuando el cierre de los vasos
sanguíneos retinianos genera que el suministro de
Según Mayo Clinic (2018) cualquier persona con oxígeno, que llega a las regiones retinianas, sea
diabetes tipo 1 o 2 puede padecer este trastorno. limitado. (Kowluru & Chan, 2008)
Cuanto más tiempo lleve la persona con diabetes y
cuanto menos se haya controlado el azúcar en la El crecimiento del endotelio vascular intenta
sangre, mayor es la probabilidad de presentar esta compensar la disminución del suministro de
complicación en los ojos. Esta afirmación es oxígeno, lo que da como resultado la formación de
soportada por Ishtiaq et al. (2020) cuando explica la pequeños vasos sanguíneos débiles en la superficie
forma en la que se desarrolla la retinopatía diabética de la retina, lo que conduce a la pérdida de la visión.
en el ojo humano, esto es como sigue, la sangre es (Badar et al., 2020)
transportada a las capas del tejido retiniano por
micro vasos sanguíneos que requieren un nivel de Hemorragias: son producto del colapso de los
azúcar en sangre mantenido y un flujo sanguíneo sin microaneurismas y son visualmente apreciables
obstrucciones. Si una gran cantidad de azúcares, como manchas de sangre sobre la superficie de la
como glucosa o fructosa, se acumulan en la sangre, retina, de tamaño muy superior a las de los
estos vasos sanguíneos comienzan a descomponerse microaneurismas. (Rudas & Torres, 2013)
debido a la distribución inadecuada de oxígeno a las
células. Las anomalías estructurales (ver Figura 2) Exudados duros: son objetos de color amarillo
ocurren como resultado de la disminución de la tasa brillante o blanco en la retina. Estos objetos tienen
metabólica que conduce a la RD. una apariencia cerosa y bordes afilados contra el
fondo de los vasos sanguíneos. Los exudados duros
Los principales síntomas y patologías de la RD se desarrollan debido a la pérdida de sangre de las
incluyen: venas y los exudados tienen forma circular
alrededor de los vasos. (Salamat et al., 2019)
Microaneurismas: son deformaciones en las
paredes de los vasos sanguíneos. (Mookiah et al., Exudados suaves: también llamados manchas de
2013). Son difíciles de detectar con la oftalmoscopia algodón, son infartos de la capa de fibras nerviosas;
convencional si no se tiene experiencia, pero tienen un aspecto más blanquecino. (Mittal &
aparecen como pequeñas manchas rojas con limites Rajam, 2020
nítidos. (Jimenez, 2014)

a)

b)

c)
Figura 2. (a) Imagen de la retina con sus patologías. (b) Hemorragias. (c) Exudados duros.
(d) Exudados suaves.
Fuente: Tomado de (Badar et al., 2020)

4
 Cuello Navarro et al. (2020). Revista Sextante, 23, pp. 12 - 27, 2020.

2.2. Etapas de la retinopatía diabética notan muchos cambios en la calidad de su visión. Es

por eso por lo que una persona con diabetes debe
La RD se divide en dos etapas principales: no realizarse constantes chequeos médicos para así
proliferativa y proliferativa, llamada así por la lograr un oportuno diagnóstico de la enfermedad y
ausencia o presencia de nuevos vasos sanguíneos comenzar un tratamiento efectivo ya que cuando se
anormales que emanan de la retina. (Fraser et al., presentan síntomas como visión borrosa o
2017). Según Mittal & Rajam (2020), la primera deficiencia en la percepción de colores significa que
etapa, la no proliferativa (NPDR, por sus siglas en ya la enfermedad ha ido evolucionando
inglés) se subdivide en las siguientes fases: (1) fase considerablemente.
medio, (2) fase moderada y (3) fase severa (ver
Figura 3). De acuerdo con Randive et al. (2019), la 2.3. Grados de la retinopatía diabética
NPDR crece con el daño de los vasos sanguíneos
dentro de la retina, debido a que hace que la retina La clasificación del grado de la RD es una
se hinche y se humedezca más, debido a la fuga de actividad de suma importancia en el proceso de
líquidos en las regiones de esta. La segunda etapa, detección y diagnóstico de las enfermedades de la
considerada la etapa avanzada, es la retinopatía retina (Asiri et al., 2019).
diabética proliferativa (PDR, por sus siglas en
inglés). Se cuenta con varios sistemas que se encargan
de brindar un estándar para la calificación de los
Esta etapa, de acuerdo con la investigación cambios de tipo vascular, que se presentan y pueden
realizada por Asiri et al. (2019), se caracteriza por observarse en las imágenes de fondo de ojo
una proliferación vascular anormal dentro de la ocasionados por la RD, como la clasificación que
retina hacia la cavidad vítrea. Estos frágiles vasos fue implementada gracias al Estudio de tratamiento
sanguíneos nuevos pueden sangrar en la cavidad temprano de la retinopatía diabética (ETDRS, por
vítrea y causar una pérdida visual severa debido a sus siglas en inglés) y el protocolo de clasificación
una hemorragia vítrea. dado por el Ministerio de Salud Neozelandés
(Ministry of Health, 2016), en el cual según Asiri et
Cabe resaltar que la mayoría de los pacientes con al. (2019) solo se toma un campo por ojo, que se
retinopatía diabética, en sus etapas tempranas, no centra en la fóvea.

a) b) c) d)

e)
Figura 3. Imágenes típicas de fondo de retina: (a) Normal, (b) Fase media NPRD, (c) Fase moderada NPRD, (d) Fase severa
NPRD, (e) Retinopatía diabética proliferativa.
Fuente: Tomadas de conjunto de imágenes APTOS 2019 Blindness Detection.

5
 Cuello Navarro et al. (2020). Revista Sextante, 23, pp. 12 - 27, 2020.

El protocolo de clasificación antes mencionado de algoritmos que se desarrollan, así, dependiendo

se ve representado y detallado en la Tabla 1. del tipo de salida, suele darse una subcategoría que
diferencia entre modelos de clasificación, si la
2.4. Marco general para los procesos de detección de salida es un valor categórico (por ejemplo, una
la RD enumeración, o un conjunto finito de clases), y
modelos de regresión, si la salida es un valor de un
El marco general para la detección, espacio continuo, es decir, el sistema se enseña
segmentación y clasificación implica los pasos utilizando datos etiquetados para inferir el mapeo
específicos de preprocesamiento, funcional. (Asiri et al., 2019; Li et al., 2016; Sancho
extracción/selección de características, elección de Caparrini, 2020)
un método de clasificación adecuado y, finalmente,
evaluación de los resultados. Los sistemas de Por otra parte, los modelos de aprendizaje no
clasificación DR se pueden dividir en dos tipos supervisado son aquellos en los que no estamos
según el procedimiento de aprendizaje: aprendizaje interesados en ajustar pares (entrada, salida), sino en
supervisado y no supervisado. (Asiri et al., 2019) aumentar el conocimiento estructural de los datos
Los modelos de aprendizaje supervisado son disponibles (y posibles datos futuros que provengan
aquellos en los que se aprenden funciones, del mismo fenómeno). (Sancho Caparrini, 2020) Es
relaciones que asocian entradas con salidas, por lo decir, este tipo de modelo hace que la red aprenda
que se ajustan a un conjunto de ejemplos de los que por sí misma secuencias o patrones ocultos a partir
conocemos la relación entre la entrada y la salida de las similitudes que encuentra en todo el conjunto
deseada. Este hecho, incluso, llega a proporcionar de imágenes del que se alimenta. (Arunkumar &
una de las clasificaciones más habituales en el tipo Karthigaikumar, 2017).
Tabla 1. Clasificación de grados de retinopatía diabética.
Grado Signos clínicos Decisión
Tipo1: Volver a examinar a los 2 años,
ajustando los modificadores clínicos.
Tipo 2: Reevaluación a los 2-3 años,
R0: No RD No existen anormalidades. ajustando los modificadores clínicos. La
presencia de modificadores clínicos
puede requerir una reevaluación más
temprana.
Reevaluación a los 2 años dependiendo
R1: Leve Menos de 5 microaneurismas o puntos de hemorragia
de los modificadores clínicos.
- Más de 4 microaneurismas o puntos de hemorragia.
- Exudados > 2 diámetros de disco de la fóvea.
R2: Media - Algunas manchas y hemorragias más grandes son Volver a evaluar después de 12 meses.
aceptables. Si hay más de 20MA o hemorragias por
campo fotográfico se debe actualizar a R3 Moderado.
Cualquier característica de R2.
R3: Moderado Manchas y hemorragias más grandes. Volver a evaluar después de 6 meses.
Hasta un cuadrante de reborde venoso
Uno o más de:
- Anomalías microvasculares intrarretinianas definidas
(IRMA).
R4: Severa Revisión por oftalmólogo en 6 semanas.
- Dos cuadrantes o más de cuentas cenosas.
- Cuatros cuadrantes de manchas o hemorragias más
grandes.
Uno o más de:
- Neovascularización
Remisión urgente a un oftalmólogo;
R5: Proliferativa - Hemorragia subhialoidea o vítrea.
considere revisar dentro de 2 semanas.
- Desprendimiento de retina por tracción o gliosis de
retina.
Fuente: Adaptado de (Ministry of Health, 2016)

6
 Cuello Navarro et al. (2020). Revista Sextante, 23, pp. 12 - 27, 2020.

Un ejemplo del modelo de una estructura de Kaggle DR Dataset: esta base de datos es
CNN aplicada a las imágenes de fondo de ojo se proporcionada por EyePACS, (n.d.) para colaborar
puede observar en la Figura 4. en la investigación y desarrollo de trabajos
relacionados a la detección y diagnóstico de la RD.
3. Conjuntos de datos de imágenes oculares En total posee 88,702 imágenes, de las cuales
(Datasets) 35,126 son para tareas de entrenamiento y 53,576
son para tareas de pruebas. El enlace para acceder a
En esta sección se mostrará un benchmarking de este dataset es: https://www.kaggle.com/c/diabetic-
los conjuntos de datos de mayor uso en las retinopathy-detection/data
investigaciones y trabajos relacionados a la
detección de la RD por medio de técnicas de DL, DIARETDB0: consiste en 130 imágenes de
junto con una breve descripción característica de fondo de ojo, de las cuales 110 presentan signos de
cada una de las bases de imágenes oculares que se RD y 20 son de ojos sanos. En esta base de datos las
mencionarán. imágenes que pertenecen al grupo de RD contienen
la etiqueta de los signos que presentan, es decir,
ROC (Retinopathy Online Challenge): contiene exudados, microaneurismas, hemorragias y
100 imágenes digitales a color de fondo de ojo con neovascularización. (Tomi Kauppi et al., n.d.) El
microaneurismas en todas las imágenes. Estas enlace para acceder a ella es:
imágenes se encuentran aleatoriamente distribuidas https://www.it.lut.fi/project/imageret/diaretdb0/
y se dividen en 50 imágenes para entrenamiento de
la red y 50 imágenes para pruebas. (Niemeijer et al., DIARETDB1: la base de datos consta de 89
2010) El enlace para acceder a esta base de datos de imágenes de fondo de ojo en color, de las cuales 84
imágenes es http://webeye.ophth.uiowa.edu/ROC/ contienen al menos signos no proliferativos leves
(microaneurismas) de la retinopatía diabética, y 5 se
E-Ophta: este conjunto de datos se divide en 2 consideran normales: que no contienen ningún
categorías: una llamada E-Ophta MA y la otra E- signo de la retinopatía diabética según todos los
Ophta EX. E-Ophta MA posee 148 imágenes con expertos que participaron en la evaluación. Las
microaneurismas y pequeñas hemorragias, y 233 imágenes se capturaron utilizando una cámara de
imágenes sin lesiones; en cambio E-Ophta EX posee fondo de ojo digital con campo de visión de 50
un conjunto de 47 imágenes de fondo de ojo con una grados con diferentes configuraciones de imagen.
segmentación de exudados y 35 imágenes sin Los datos corresponden a una situación práctica
ningún tipo de lesión y que se encuentran buena (no necesariamente típica), donde las
etiquetadas como imágenes normales. (E. imágenes son comparables y pueden usarse para
Decencière et al., 2013) El enlace para acceder a evaluar el desempeño general de los métodos de
este dataset es: http://www.adcis.net/en/third- diagnóstico. (T Kauppi et al., n.d.) El enlace para ir
party/e-ophtha/ a esta base de datos es:
https://www.it.lut.fi/project/imageret/diaretdb1/

Figura 4. Modelo de CNN aplicado a las imágenes retinográficas.

Fuente: (Diagnóstico de Retinopatía Diabética Aplicando Redes Neuronales Convolucionales | by EAl | Data Science Bolivia |
Medium, n.d.)
7
 Cuello Navarro et al. (2020). Revista Sextante, 23, pp. 12 - 27, 2020.

Messidor: consta de 1.200 imágenes numéricas Estas métricas de rendimiento son: (ver Tabla 2).
de color de fondo de ojo. Las imágenes se Donde:
capturaron utilizando 8 bits por plano de color a
1440*960, 2240*1488 o 2304*1536 píxeles. Posee TP = Positivos verdaderos (número de píxeles del
800 imágenes con dilatación pupilar (una gota de vaso correctamente clasificados).
tropicamida al 0,5%) y 400 sin dilatación. Todo el TN = Negativo verdadero (número de píxeles de
conjunto de imágenes se encuentra empaquetado en fondo correctamente clasificados)
3 juegos. Cada conjunto está dividido en 4
subconjuntos comprimidos que contienen 100 FP = Falsos positivos (número de píxeles de fondo
imágenes en formato TIFF y un archivo Excel con clasificados incorrectamente).
diagnósticos médicos para cada imagen. (Etienne FN = Falsos negativos (número de píxeles del vaso
Decencière et al., 2014). El enlace de esta base de incorrectamente clasificados).
datos es el siguiente: http://www.adcis.net/en/third-
party/messidor/ 𝑝𝑜 = Probabilidad de acuerdo o clasificación
correcta entre los calificadores.
DRIVE: la base de datos DRIVE se ha 𝑝𝑒 = Probabilidad de acuerdo de azar entre los
establecido para permitir estudios comparativos calificadores.
sobre la segmentación de los vasos sanguíneos en
las imágenes de la retina. Consta de 40 fotografías, 5. Extracción de características y métodos de DL
de las cuales 33 no presentan ningún tipo de RD y 7 como herramienta para el diagnóstico
muestran signos de RD temprana leve. La automatizado de la RD
resolución de las imágenes es de 768*584 píxeles.
En este conjunto de datos 20 imágenes son de De acuerdo a la investigación ejecutada por
entrenamiento y la misma cantidad para pruebas. Randive et al. (2019), para clasificar la RD, cada
(Aggarwal & Khare, 2015). El enlace para acceder imagen del fondo digital está representada por un
a ella es: https://drive.grand-challenge.org/DRIVE/ vector de características visuales llamado Firma. Se
encuentra que los microaneurismas, las
STARE: consta de 400 imágenes. Estas poseen hemorragias, los exudados y las anomalidades
anotaciones de expertos según las características microvasculares intraretinianas aparecen con varios
visibles de cada imagen, las cuales se encuentran vectores significativos de características visuales o
tabuladas en archivos de texto. El enlace para Firmas como son el tamaño, la forma, el color, la
acceder a esta base de datos es el siguiente: intensidad, la textura, la densidad de vasos
https://cecas.clemson.edu/~ahoover/stare/ sanguíneos, el contraste, entre otros.

4. Métricas de rendimiento Es por esto por lo que muchos investigadores

centran el desarrollo de su estudio en la extracción
A continuación, se mostrarán las métricas de de dichas características, ya que así se puede
rendimiento más utilizadas por los investigadores, determinar si existe algún tipo de anomalía,
para poder establecer una comparativa entre los teniendo como referencia una imagen de fondo de
resultados obtenidos por los trabajos académicos ojo en estado sano. Es el caso de Arunkumar &
realizados por otras personas o por ellos mismos en Karthigaikumar, (2017) el cual presenta un trabajo
el diagnóstico de las enfermedades oculares, de los para el diagnóstico de enfermedades oculares a
que disponen en su estado del arte y los resultados través de la extracción de características de DL y un
obtenidos en su actual investigación. Para hacer esta clasificador SVM (Suppor Vector Machine) de
comparativa se utilizan lo que conocemos como varias clases. Chetoui & Akhloufi (2020) propuso
métricas estadísticas, estas son las que van a mostrar un método con el cual, gracias a la extracción de
qué tan en acuerdo o en desacuerdo están el experto características, logró demostrar que el modelo era
y el método propuesto para calificar una enfermedad capaz de identificar de manera eficiente diferentes
ocular. (Farsiu et al., 2014; Perdomo & González, signos de RD. La red propuesta logró unas métricas
2019) de rendimiento considerablemente altas, con un
AUC de 0,986 usando la base de datos EyePACS.

8
 Cuello Navarro et al. (2020). Revista Sextante, 23, pp. 12 - 27, 2020.

Tabla 2. Métricas de rendimiento.

Medida Formula Descripción

𝑇𝑃 Relación entre los verdaderos positivos clasificados y los

Sensitividad (Se o recall) verdaderos positivos reales en la verdad básica. También
𝑇𝑃 + 𝐹𝑁 conocido como tasa de verdaderos positivos (TPR).

𝑇𝑁 Relación entre los verdaderos negativos clasificados y los

Especificidad (Sp)
(𝑇𝑁 + 𝐹𝑃) verdaderos negativos reales en la verdad básica. (1-SP) también
se conoce como tasa de falsos positivos (FPR).

𝑇𝑃 + 𝑇𝑁 La precisión mide la proporción de píxeles clasificados

Exactitud (Acc) correctamente (tanto de los vasos como de los no vasos) con
𝑇𝑃 + 𝑇𝑁 + 𝐹𝑃 + 𝐹𝑁 respecto al número total de píxeles en el campo de visión de la
imagen (FOV).
𝑇𝑃 El porcentaje de casos positivos detectados.
Precisión (Pr)
(𝑇𝑃 + 𝐹𝑃)
𝑆𝑒 + 𝑆𝑝 Área cubierta por la curva ROC cuando se logra la
Área bajo la curva (AUC)
2 optimización.

𝑆𝑒 + Pr F-score es el promedio ponderado de precisión y recuerdo.

Puntuación – F 2∗
(𝑆𝑒 + 𝑃𝑟) Tiene en cuenta tanto los falsos positivos como los falsos
negativos.

El coeficiente Kappa refleja la concordancia interobservador,

𝑝𝑜 − 𝑝𝑒 puede tomar valores entre -1 y +1. Mientras más cercano a +1,
Coeficiente Kappa mayor es el grado de concordancia interobservador, por el
1 − 𝑝𝑒
contrario, mientras más cercano a -1, mayor es el grado de
discordancia interobservador. (Cerda & Villarroel Del, 2008)
Fuente: Tomado y adaptado de (Badar et al., 2020; Mittal & Rajam, 2020; Perdomo & González, 2019)

Y para MESSIDOR, MESSIDOR-2, de datos MESSIDOR, logrando una puntuación

DIARETDB0, DIARETDB1, STARE, IDRID, E- promedio de coincidencia del 85,4%.
ophtha y UoA-DR, logró un AUC de 0.963, 0.979,
0.986, 0.988, 0.964, 0.957, 0.984 y 0.990, Maninis et al. (2016) expone en su investigación
respectivamente. lo que se conoce como Comprensión profunda de la
imagen retiniana (DRIU, por sus siglas en inglés), el
Por otra parte, Wu et al. (2016) propuso un cual es un marco unificado de análisis de imágenes
método que utiliza una red neuronal convolucional retinianas que proporciona segmentación de los
profunda (CNN) para poder conocer las vasos retinianos y del disco óptico. Hace uso de
características de apariencia del objetivo. Los CNN, la cual en su arquitectura se encuentran dos
resultados cualitativos y cuantitativos sobre los conjuntos de capas especializadas para resolver la
datos del fondo de retina demostraron que los segmentación de los vasos retinianos y del disco
autores lograron una precisión comparable con óptico, así como el trabajo de (Qiaoliang Li et al.,
métodos más avanzados. 2016) en donde presentan un método para la
segmentación de dicha estructura ocular, pero
Zhao et al. (2018) presentan un algoritmo de haciendo uso de un método supervisado.
segmentación y localización del disco óptico de
forma automática, basado en una red tipo Faster R- He et al. (2016) presenta una metodología en la
CNN y un conjunto de niveles con restricciones de que reformula explícitamente las capas de su red
forma. El algoritmo fue entrenado con 4.000 como funciones residuales de aprendizaje con
imágenes tomadas de Kaggle y probadas en la base
9
 Cuello Navarro et al. (2020). Revista Sextante, 23, pp. 12 - 27, 2020.

referencia a las entradas de las capas, en lugar de totalmente convolucional supervisada en

aprender funciones no referenciadas. profundidad, aprovechando las características
jerárquicas multinivel de las redes profundas.
Gondal et al. (2018) en su publicación muestra Usaron las bases de datos de DRIVE, STARE Y
que en las imágenes de las retinas se detectan CHASE_DB1, logrando resultados exitosos.
diferentes áreas de lesiones, fundamentales para el
diagnóstico oportuno de la RD a nivel de imagen, Lim et al. (2016) describe una solución integral,
con una alta precisión comparable, e incluso para la segmentación del disco y la copa ópticos,
superando a los métodos supervisados. A nivel de basada en la aplicación de CNN. En esta solución
las lesiones logró pocos falsos positivos con alta hace uso de mapas de probabilidades, los cuales son
sensibilidad, sin embargo, la red está únicamente refinados con conocimientos previos de las
entrenada en etiquetas a nivel de imagen que no estructuras retinianas. Lim et al. hace énfasis en que
incluyen información sobre las lesiones existentes. logrando la proporción entre la copa y el disco
Clasificando entre imágenes enfermas y sanas, óptico puede alcanzar una detección eficaz de
Gondal et al. Logró un AUC de 0,954 usando la base enfermedades como el glaucoma y la RD. Este
de datos DiaretDB1. estudio lo hizo con ayuda de dos bases de datos muy
populares, una de ellas MESSIDOR.
Escorcia-Gutierrez et al. (2016) en su trabajo
manifiesta que logró la segmentación de la principal Abràmoff et al. (2016) hicieron una comparativa
estructura anatómica de la retina, la cual es el disco del rendimiento de un algoritmo mejorado de DL
óptico, haciendo uso del algoritmo Convexity Shape para la detección automatizada de la RD con el
Prior. Además, como aporte complementario rendimiento publicado con anterioridad de ese
explica la forma en que se alcanzó la extracción de mismo algoritmo. Para la clasificación usaron el
los vasos sanguíneos por medio de filtros, como: el estándar de referencia de consenso, reportado
de onda media, mediana, Gaussiana y Gabor. previamente de RD referible, definido como
Clasificación Clínica Internacional de Retinopatía
Zilly et al. (2015) propone un método basado en diabética moderada, no proliferativa severa (NPDR,
una CNN para la segmentación del disco y la copa por sus siglas en inglés), RD proliferativo y/o edema
óptica. Entrena un clasificador de regresión logística macular (ME, por sus siglas en inglés). Los
tipo softmax posterior al proceso de los filtros, los resultados fueron los siguiente: 96,8% de
cuales aprenden a lo largo de varias capas y la salida sensibilidad, la especificidad fue del 87,0%, con
de las capas anteriores alimentan a las capas 6/784 de falsos negativos, lo cual significó un valor
siguientes. predictivo negativo del 99,0% y el AUC fue de
0,980.
Q Li et al. (2015) desarrolla una investigación
enfocada a la aplicación de un método supervisado Saranya Rubini et al. (2019) proponen un modelo
para la segmentación de los vasos de la retina. Esto de aprendizaje profundo automatizado para la
lo hace con una red neuronal tipo CNN y usaron el detección de la RD basado en CNN, la cual es capaz
conjunto de datos de DRIVE. Pero más tarde, de analizar las imágenes de la retina y clasificarlas
Qiaoliang Li et al. (2016), propone una mejora al como sanas o defectuosas según los síntomas de la
enfoque de segmentación de los vasos presentado RD. El modelo posee cinco capas de convolución y
anteriormente y expone una red neural amplia y cinco agrupadas, seguidas de una capa de abandono
profunda con gran capacidad para realizar el y tres capas completamente conectadas. Este
modelado de una transformación. Esta red, en lugar modelo no necesita preprocesamiento y aprende
de analizar solo el píxel central, puede analizar y dar características discriminatorias de alto nivel de los
salida a un mapa de etiquetas de todos los píxeles síntomas de DR a partir de las intensidades de
para una imagen. Como característica adicional de píxeles para clasificar la imagen de la retina como
este modelo presentado por Qiaoliang Li et al., se sana o defectuosa. Se usaron los conjuntos de datos
puede resaltar el hecho de que no necesita ningún MESSIDOR y ROC, obteniéndose una precisión de
paso de preprocesamiento de la imagen. En adición detección del 97%.
a esto, Mo & Zhang, (2017), sigue la misma línea de
segmentación de vasos y presenta una red
10
 Cuello Navarro et al. (2020). Revista Sextante, 23, pp. 12 - 27, 2020.

Chetoui & Akhloufi, (2020) desarrollaron un fueron sensibilidad de 94% y una especificidad del
algoritmo de DL capaz de detectar signos de RD en 96%.
imágenes del fondo de ojo de la retina. Utilizan los
conjuntos de datos EyePACS, MESSIDOR, Auccahuasi et al. (2020) presentan una
MESSIDOR-2, DIARETDB0, DIARETDB1, metodología para poder reconocer los exudados
STARE, IDRID, E-ophtha y UoA-DR y más de duros, que es la primera manifestación de la
90.000 imágenes para evaluar la eficiencia del retinopatía diabética. Auccahuasi et al. describe una
algoritmo. Además, implementaron un algoritmo de nueva alternativa para el reconocimiento automático
explicabilidad basado en el mapeo de activación de de exudados duros en las imágenes de la retina. Por
clases ponderado por gradiente para mostrar medio de una CNN se trabaja con un conjunto de
visualmente los signos seleccionados por el modelo, datos compuesto por 906 imágenes de exudados
para clasificar las imágenes de la retina como duros y 1.068 imágenes que no corresponden a
positivos para RD. Los resultados obtenidos fueron: exudados duros, que se entrena con un grupo de 400
área bajo la curva (AUC) de 0,986, sensibilidad de imágenes, con una prevalencia de 0,5 con respecto
0,958 y especificidad de 0,971 para EyePACS. Para a la presencia de exudados duros.
MESSIDOR, MESSIDOR-2, DIARETDB0,
DIARETDB1, STARE, IDRID, E-ophtha y UoA- Después de esto se hacen dos comprobaciones al
DR, el AUC es 0.963, 0.979, 0.986, 0.988, 0.964, clasificador, utilizando grupos de imágenes
0.957, 0.984 y 0.990, respectivamente. similares, como el grupo de pruebas y validación,
obteniendo valores de sensibilidad de 0,92% en
Gangwar & Ravi, (2021) exponen un trabajo en ambos casos y valores de especificidad de 0,92% y
el que proponen un hibrido de DL para la detección 0,93% para los grupos de imágenes de prueba y
automática de la RD. Este híbrido se compone de un validación, respectivamente. Se realizaron
bloque personalizado de capas CNN sobre el mediciones adicionales para calcular el Valor
modelo de aprendizaje por transferencia de Predictivo Positivo y el Valor Predictivo Negativo,
Inception-ResNet-v2 previamente entrenado. obteniéndose valores de 0,9207% para el grupo de
Usaron el conjunto de datos MESSIDOR y APTOS imágenes de prueba y 0,93% para el grupo de
2019 (conjunto de datos de Kaggle). Lograron una imágenes de validación. En el caso del Valor
precisión de prueba del 72,33% y el 82,18% en el Predictivo Negativo se obtuvieron valores de
conjunto de datos MESSIDOR y APTOS, 0,9292% para el grupo de imágenes de prueba y
respectivamente. 0,93% para el grupo de imágenes de validación.

Guisela & Pozo, (2019) sugieren analizar e Moreira et al. (2020) formulan el desarrollo de
implementar modelos de redes neuronales CNNs para detectar la RD, y el impacto de la
artificiales supervisadas para la detección de resolución y la red de imágenes en la precisión de la
estructuras vasculares retinianas de fondo de ojo. predicción. Obtiene unos resultados de un área de
Aplicaron una red convolucional basada en la 0,93 bajo la curva característica operativa del
arquitectura U-Net, con ventanas de imagen de 16 x receptor al aumentar la resolución de la arquitectura
16 píxeles. La red convolucional estaba compuesta Inception-V3.
por cuatro capas convolucionales y tres capas
deconvolucionales. Obtuvieron unos resultados de Samper et al. (2020) presentan una metodología
sensibilidad del 74,20%, una especificidad del para la detección y segmentación del disco óptico y
90,70% y una exactitud del 88,22%. los vasos sanguíneos en imágenes de fondo de ojo
de pacientes con RD. Hace uso del conjunto de datos
Merino Hernandez et al. (2019) desarrollaron un DRIVE y logra una precisión (Acc) de 95% y una
algoritmo innovador basado en métodos avanzados especificidad (Sp) de 98% para la segmentación de
de clasificación (Deep Learning y Support Vector los vasos sanguíneos y una precisión de 94,6% y
Machine) que identifica automáticamente las 97.8% en especificidad para la segmentación del
imágenes patológicas de forma eficaz y segura. El disco óptico.
software discrimina automáticamente retinografías
normales y patológicas. Los resultados obtenidos

11
 Cuello Navarro et al. (2020). Revista Sextante, 23, pp. 12 - 27, 2020.

6. Discusión de la temática 7. Conclusiones

Los trabajos mostrados con anterioridad son Las técnicas de Deep Learning han demostrado
muestra del extenso desarrollo e investigación que tener el potencial suficiente para desempeñar
presenta en la actualidad la ciencia de la inteligencia labores que requieran del análisis y procesamiento
artificial (IA) y su rama conocida como aprendizaje de imágenes, en este caso dirigido a un campo de la
profundo (DL, por sus siglas en inglés) aplicada a la medicina como lo es el diagnóstico temprano de la
detección automatizada de la RD. Se observa que enfermedad ocular conocida como Retinopatía
muchos son los investigadores que han logrado Diabética en base a los diversos síntomas que se
exitosos resultados en el proceso de segmentación manifiestan a nivel de la retina. De la misma manera
de las estructuras oculares, detección de anomalías resulta muy viable la utilización de esta novedosa
y patologías presentes en las imágenes de fondo de tecnología en otras áreas de trabajo, sin limitarse
ojo, e incluso han logrado establecer algoritmos los únicamente al campo médico, pudiendo adaptarse
cuales, de forma automática y con unas altas según el objeto de estudio que se tenga.
métricas de rendimiento, logran establecer el grado
de RD que puede presentar un paciente, posterior a Aun así, por más completa que pueda parecer
estos haber sido entrenados con diferentes conjuntos estar, el Deep Learning no ha sido explotado en su
de datos de imágenes oculares mostrados en la totalidad, siendo que existen innumerables
Sección 3. posibilidades para su uso y que, con el correr de los
años y a medida que se estudien las múltiples
Pero el punto de discusión aquí es sobre la funcionalidades que puede brindar, surgirán
comparativa y la forma de interpretar los diferentes modelos capaces de procesar situaciones de
métodos expuestos. Como bien se expresó por los naturaleza más compleja, llegando a contribuir en
autores, los métodos y algoritmos desarrollados en gran medida a las labores de los profesionales en lo
los diferentes estudios e investigaciones fueron que a tiempo, costo y precisión se refiere.
entrenados y probados usando conjuntos de datos
diferentes, las métricas de rendimiento arrojan En lo que respecta al impacto social que puede
resultados con base en esos conjuntos de datos, y generar, es cuestión de familiarizar a los
como bien se sabe, existen conjuntos de datos que profesionales con este tipo de métodos, siendo muy
poseen 30 - 40 imágenes, como es el caso de importante darles a conocer los grandes beneficios
DRIVE, la cual cuenta con 40 imágenes, mientras que presentan los sistemas desarrollados, ya que, en
que existen otros que poseen 400 y más imágenes, el caso de la detección de una enfermedad tan
como Messidor, que posee 1.200. Además existen perjudicial como lo es la Retinopatía Diabética, es
trabajos que no usan todas las métricas de muy importante el impacto que puede generar la
rendimiento al momento de dar sus resultados, implementación de dichos sistemas, permitiendo a
como por ejemplo: el caso de Abràmoff et al. más personas acceder a un diagnóstico confiable y
(2016), el cual en sus resultados brinda la más rápido por un costo más reducido, incremento
especificidad, la sensibilidad, el área bajo la curva y considerable de la cantidad de pacientes
el valor predictivo negativo. Mientras que el trabajo diagnosticados de manera oportuna, lograr evitar
realizado por Saranya Rubini et al. (2019) solo numerosos casos de ceguera y, en consecuente, una
brinda el valor referente a la precisión en la mejoría en la calidad de vida de la población.
detección. Todos estos son agentes que dificultan la
comparativa de resultados, ya que se deben analizar
muchos más factores para poder establecer cuál
trabajo es considerablemente mejor que el otro en
términos de eficiencia y eficacia, de acuerdo con los
números arrojados por las métricas de rendimiento
que brindan los autores en sus producciones.

12
 Cuello Navarro et al. (2020). Revista Sextante, 23, pp. 12 - 27, 2020.

Referencias Decencière, E., Cazuguel, G., Zhang, X., Thibault,

G., Klein, J. C., Meyer, F., Marcotegui, B.,
Abràmoff, M. D., Lou, Y., Erginay, A., Clarida, W., Quellec, G., Lamard, M., Danno, R., Elie, D.,
Amelon, R., Folk, J. C., & Niemeijer, M. (2016). Massin, P., Viktor, Z., Erginay, A., Laÿ, B., &
Improved Automated Detection of Diabetic Chabouis, A. (2013). TeleOphta: Machine
Retinopathy on a Publicly Available Dataset learning and image processing methods for
Through Integration of Deep Learning. teleophthalmology. IRBM, 34(2), 196–203.
Investigative Ophthalmology & Visual Science, https://doi.org/10.1016/j.irbm.2013.01.010
57(13), 5200–5206.
https://doi.org/10.1167/iovs.16-19964 Decencière, Etienne, Zhang, X., Cazuguel, G., Lay,
B., Cochener, B., Trone, C., Gain, P., Ordonez,
Aggarwal, M., & Khare, V. (2015). Automatic R., Massin, P., Erginay, A., Charton, B., & Klein,
localization and contour detection of Optic disc. J.-C. (2014). Feedback on a publicly distributed
https://doi.org/10.1109/ICSPCom.2015.715068 database: the Messidor database. Image
6 Analysis & Stereology, 33(3), 231–234.
https://doi.org/10.5566/ias.1155
Arunkumar, R., & Karthigaikumar, P. (2017).
Multi-retinal disease classification by reduced Diagnóstico de Retinopatía Diabética Aplicando
deep learning features. Neural Computing and Redes Neuronales Convolucionales | by EAl |
Applications, 28(2), 329–334. Data Science Bolivia | Medium. (n.d.). Retrieved
https://doi.org/10.1007/s00521-015-2059-9 October 15, 2020, from
https://medium.com/data-science-
Asiri, N., Hussain, M., Al Adel, F., & Alzaidi, N. bolivia/diagnóstico-de-retinopatía-diabética-
(2019). Deep learning based computer-aided aplicando-redes-neuronales-convolucionales-
diagnosis systems for diabetic retinopathy: A 8dc8328c3ec3
survey. Artificial Intelligence in Medicine,
99(December 2018), 101701. Drankowska, J., Kos, M., Kościuk, A., Marzęda, P.,
https://doi.org/10.1016/j.artmed.2019.07.009 Boguszewska-Czubara, A., Tylus, M., & Święch-
Zubilewicz, A. (2019). MMP targeting in the
Auccahuasi, W., Flores, E., Sernaque, F., Cueva, J., battle for vision: Recent developments and future
Diaz, M., & Oré, E. (2020). Recognition of hard prospects in the treatment of diabetic
exudates using Deep Learning. Procedia retinopathy. Life Sciences, 229, 149–156.
Computer Science, 167(2019), 2343–2353. https://doi.org/https://doi.org/10.1016/j.lfs.2019
https://doi.org/10.1016/j.procs.2020.03.287 .05.038

Badar, M., Haris, M., & Fatima, A. (2020). Escorcia-Gutierrez, J., Torrents-Barrena, J.,
Application of deep learning for retinal image Romero-Aroca, P., Valls, A., & Puig, D. (2016).
analysis: A review. Computer Science Review, Interactive optic disk segmentation ia discrete
35, 100203. convexity shape knowledge using high-order
https://doi.org/10.1016/j.cosrev.2019.100203 functionals. Frontiers in Artificial Intelligence
and Applications, 288, 39–44.
Cerda, J. L., & Villarroel Del, L. P. (2008). https://doi.org/10.3233/978-1-61499-696-5-39
Evaluación de la concordancia inter-observador EyePACS. (n.d.). EyePACS. Retrieved October 4,
en investigación pediátrica: Coeficiente de 2020, from http://www.eyepacs.com/solution
Kappa. Rev Chil Pediatr, 79 (1), 54–58.
Farsiu, S., Chiu, S. J., O’Connell, R. V., Folgar, F.
Chetoui, M., & Akhloufi, M. A. (2020). Explainable A., Yuan, E., Izatt, J. A., & Toth, C. A. (2014).
end-to-end deep learning for diabetic Quantitative classification of eyes with and
retinopathy detection across multiple datasets. without intermediate age-related macular
Journal of Medical Imaging, 7(4), 1–25. degeneration using optical coherence
https://doi.org/10.1117/1.JMI.7.4.044503 tomography. Ophthalmology, 121(1), 162–172.
https://doi.org/10.1016/j.ophtha.2013.07.013
13
 Cuello Navarro et al. (2020). Revista Sextante, 23, pp. 12 - 27, 2020.

Recognition, 2016-Decem, 770–778.

Fraser, C., D’Amico, D., Nathan, D., Trobe, J., & https://doi.org/10.1109/CVPR.2016.90
Mulder, J. (2017). Retinopatía diabética:
clasificación y características clínicas - Ishtiaq, U., Kareem, S. A., Rahayu, E., & Faizal, M.
UpToDate. (2020). Diabetic retinopathy detection through
https://www.uptodate.com/contents/diabetic- artificial intelligent techniques : a review and
retinopathy-classification-and-clinical-features open issues. 15209–15252.

Gangwar, A. K., & Ravi, V. (2021). Diabetic Jimenez, E. (2014, August 21). Retinografia digital
Retinopathy Detection Using Transfer Learning y f o.
and Deep Learning (pp. 679–689). Springer, https://es.slideshare.net/jimenezcuadra/retinogr
Singapore. https://doi.org/10.1007/978-981-15- afia-digital-y-f-o
5788-064
Kauppi, T, Kalesnykiene, V., Kamarainen, J.-K.,
Giancardo, L., Meriaudeau, F., Karnowski, T. P., Lensu, L., Sorri, I., Raninen, A., Voutilainen, R.,
Li, Y., Garg, S., Tobin, K. W., & Chaum, E. Pietilä, J., Kälviäinen, H., & Uusitalo, H. (n.d.).
(2012). Exudate-based diabetic macular edema the DIARETDB1 diabetic retinopathy database
detection in fundus images using publicly and evaluation protocol.
available datasets. Medical Image Analysis, https://doi.org/10.5244/C.21.15
16(1), 216–226.
https://doi.org/https://doi.org/10.1016/j.media.2 Kauppi, Tomi, Kalesnykiene, V., Kamarainen, J.-K.,
011.07.004 Lensu, L., Sorri, I., Uusitalo, H., Kälviäinen, H.,
& Pietilä, J. (n.d.). DIARETDB0: Evaluation
Giancardo, L., Meriaudeau, F., Karnowski, T. P., Database and Methodology for Diabetic
Yi, L., Tobin, K., Chaum, E., Giancardo, L., Retinopathy Algorithms.
Meriaudeau, ❄② F, Karnowski, ❄ T P, Li, ②
Y, Tobin, ③ K W ②, & Chaum, E. (2011). Kowluru, R. A., & Chan, P.-S. (2008). Capillary
AUTOMATIC RETINA EXUDATES Dropout in Diabetic Retinopathy. In Diabetic
SEGMENTATION WITHOUT A MANUALLY Retinopathy (pp. 265–282). Humana Press.
LABELLED TRAINING SET. International https://doi.org/10.1007/978-1-59745-563-311
Symposium on Biomedical Imaging.
http://risa.uthsc.edu/dmed. Li, Q, Xie, L., Zhang, Q., Qi, S., Liang, P., Zhang,
H., & Wang, T. (2015). A supervised method
Gondal, W. M., Kohler, J. M., Grzeszick, R., Fink, using convolutional neural networks for retinal
G. A., & Hirsch, M. (2018). Weakly-supervised vessel delineation. 2015 8th International
localization of diabetic retinopathy lesions in Congress on Image and Signal Processing
retinal fundus images. Proceedings - (CISP), 418–422.
International Conference on Image Processing, https://doi.org/10.1109/CISP.2015.7407916
ICIP, 2017-Septe, 2069–2073.
https://doi.org/10.1109/ICIP.2017.8296646 Li, Qiaoliang, Feng, B., Xie, L., Liang, P., Zhang,
H., & Wang, T. (2016). A cross-modality
Guisela, E., & Pozo, R. (2019). ANÁLISIS DE learning approach for vessel segmentation in
CLASIFICADORES SUPERVISADOS PARA retinal images. IEEE Transactions on Medical
DETECTAR LA ESTRUCTURA VASCULAR EN Imaging, 35(1), 109–118.
IMÁGENES RETINIANAS PATOLÓGICAS. https://doi.org/10.1109/TMI.2015.2457891
ESCUELA POLITÉCNICA NACIONAL.
Lim, G., Cheng, Y., Hsu, W., & Lee, M. L. (2016).
He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep Integrated optic disc and cup segmentation with
residual learning for image recognition. deep learning. Proceedings - International
Proceedings of the IEEE Computer Society Conference on Tools with Artificial Intelligence,
Conference on Computer Vision and Pattern ICTAI, 2016-Janua, 162–169.
https://doi.org/10.1109/ICTAI.2015.36
14
 Cuello Navarro et al. (2020). Revista Sextante, 23, pp. 12 - 27, 2020.

Medicine, 43(12), 2136–2155.

Maninis, K.-K., Pont-Tuset, J., Arbeláez, P., & Van https://doi.org/https://doi.org/10.1016/j.compbi
Gool, L. (2016). Deep Retinal Image omed.2013.10.007
Understanding. In S. Ourselin, L. Joskowicz, M.
R. Sabuncu, G. Unal, & W. Wells (Eds.), Medical Moreira, F., Schaan, B., Schneiders, J., Reis, M.,
Image Computing and Computer-Assisted Serpa, M., & Navaux, P. (2020). Impacto da
Intervention -- MICCAI 2016 (pp. 140–148). Resolução na Detecção de Retinopatia Diabética
Springer International Publishing. com uso de Deep Learning. 494–499.
https://doi.org/10.5753/sbcas.2020.11546
Mayo Clinic. (2018). Retinopatía diabética -
Síntomas y causas. Niemeijer, M., Van Ginneken, B., Cree, M. J.,
https://www.mayoclinic.org/es-es/diseases- Mizutani, A., Quellec, G., Sanchez, C. I., Zhang,
conditions/diabetic-retinopathy/symptoms- B., Hornero, R., Lamard, M., Muramatsu, C.,
causes/syc-20371611 Wu, X., Cazuguel, G., You, J., Mayo, A., Li, Q.,
Hatanaka, Y., Cochener, B., Roux, C., Karray,
Merino Hernandez, M., Jauregui Garcia, M., F., … Abramoff, M. D. (2010). Retinopathy
Agirrezabala Iturralde, J., Urruzola Lizarribar, online challenge: Automatic detection of
A., Guibelalde Gonzalez, A., Prat Madrazo, M., microaneurysms in digital color fundus
Vergara Mitxeltorena, I., & Soto Ruiz de photographs. IEEE Transactions on Medical
Gordoa, M. (2019). Desarrollo de un software de Imaging, 29(1), 185–195.
cribado automático de retinopatía diabética. https://doi.org/10.1109/TMI.2009.2033909
International Journal of Integrated Care, 19(4),
74. https://doi.org/10.5334/ijic.s3074 Perdomo, O. J., & González, F. A. (2019). A
Systematic Review of Deep Learning Methods
Ministry of Health. (2016). Diabetic Retinal Applied to Ocular Images. Ciencia e Ingeniería
Screening, Grading, Monitoring and Referral Neogranadina, 30(1), 9–26.
Guidance. https://doi.org/10.18359/rcin.4242

Mittal, K., & Rajam, V. M. A. (2020). Computerized Randive, S. N., Senapati, R. K., & Rahulkar, A. D.
retinal image analysis - a survey. In Multimedia (2019). A review on computer-aided recent
Tools and Applications (Vol. 79, Issues 31–32). developments for automatic detection of diabetic
Multimedia Tools and Applications. retinopathy. Journal of Medical Engineering and
https://doi.org/10.1007/s11042-020-09041-y Technology, 43(2), 87–99.
https://doi.org/10.1080/03091902.2019.157679
Mo, J., & Zhang, L. (2017). Multi-level deep 0
supervised networks for retinal vessel
segmentation. International Journal of Rodríguez, F. P. (2019). Prototipo de redes
Computer Assisted Radiology and Surgery, neuronales para predecir posibles
12(12), 2181–2193. complicaciones por diabetes [Universidad
https://doi.org/10.1007/s11548-017-1619-0 Autónoma de Ciudad Juárez].
https://doi.org/10.1017/CBO9781107415324.00
Mohammadi, F., Esmaeili, M., Javadzadeh, A., 4
Tabar, H. A., & Rasta, S. H. (2019). The
computer based method to diabetic retinopathy Rudas, J., & Torres, G. S. (2013). Detección de
assessment in retinal images: A review. patologías derivadas de las afecciones
Electronic Journal of General Medicine, 16(2), diabéticas: una revisión del análisis digital de
1–13. https://doi.org/10.29333/ejgm/108619 imágenes de retina The detection of pathologies
from diabetic disease : a review of digital retinal
Mookiah, M. R. K., Acharya, U. R., Chua, C. K., image analysis. Ingeniería y Desarrollo.
Lim, C. M., Ng, E. Y. K., & Laude, A. (2013). Universidad Del Norte., 3461.
Computer-aided diagnosis of diabetic
retinopathy: A review. Computers in Biology and
15
 Cuello Navarro et al. (2020). Revista Sextante, 23, pp. 12 - 27, 2020.

Salamat, N., Missen, M. M. S., & Rashid, A. (2019). Lecture Notes in Artificial Intelligence and
Diabetic retinopathy techniques in retinal Lecture Notes in Bioinformatics) (Vol. 9352).
images: A review. Artificial Intelligence in Springer Verlag. https://doi.org/10.1007/978-3-
Medicine, 97(January 2018), 168–188. 319-24888-2_17
https://doi.org/10.1016/j.artmed.2018.10.009

Samper, N. M., Escorcia-gutierrez, J., Acosta, M.

G., & Torres, M. (2020). Metodología de
Segmentación de la Estructura Ocular en
Imágenes de Fondo de Ojo de Pacientes con
Retinopatía Diabética Methodology of
Segmentation the Main Retinal Anatomical
Structures in Fundus Images from Patients with
Diabetic Retinopathy. Prospectiva, 18.
https://doi.org/http:://doi.org/10.15665/rp.v18i2
.2401

Sancho Caparrini, F. (2020). Aprendizaje

Supervisado y No Supervisado.
http://www.cs.us.es/~fsancho/?e=77

Saranya Rubini, S., Saai Nithil, R., Kunthavai, A., &

Sharma, A. (2019). Deep convolutional neural
network-based diabetic retinopathy detection in
digital fundus images. Advances in Intelligent
Systems and Computing, 900, 201–209.
https://doi.org/10.1007/978-981-13-3600-3_19

Scanlon, P. H. (2019). Diabetic retinopathy.

Medicine (United Kingdom), 47(2), 77–85.
https://doi.org/10.1016/j.mpmed.2018.11.013

Wu, A., Xu, Z., Gao, M., Buty, M., & Mollura, D. J.
(2016). Deep vessel tracking: A generalized
probabilistic approach via deep learning. 2016
IEEE 13th International Symposium on
Biomedical Imaging (ISBI), 1363–1367.
https://doi.org/10.1109/ISBI.2016.7493520

Zhao, H., Chen, X., Zhang, D., Zhu, W., & Shi, F.
(2018). Automatic localization and segmentation
of optical disk based on faster R-CNN and level
set in fundus image. In E. D. Angelini & B. A.
Landman (Eds.), Medical Imaging 2018: Image
Processing (Vol. 10574, p. 65). SPIE.
https://doi.org/10.1117/12.2292950

Zilly, J. G., Buhmann, J. M., & Mahapatra, D.

(2015). Boosting convolutional filters with
entropy sampling for optic cup and disc image
segmentation from fundus images. In Lecture
Notes in Computer Science (including subseries
16