Regularización de redes neuronales artificiales para la clasificación de imágenes de retinopatía diabética

Abstract

La retinopatía diabética (RD) es una patología retiniana causada por la diabetes, y es una de las principales causas de ceguera en todo el mundo; su detección temprana es primordial con el fin de prevenir su avance en el paciente. Existen diversos métodos para el diagnóstico temprano, entre estos, se ha evidenciado que las redes neuronales convolucionales (CNN – Convolucional Neural Networks) son adecuadas para el análisis de este fenómeno, contribuyendo con el diagnóstico temprano de esta enfermedad. Además, se han empleado técnicas de aprendizaje profundo (DL – Deep Learning), los modelos planteados en la literatura se centran en las etapas de preprocesamiento, extracción y selección de características de la imagen; sin embargo, estos modelos pueden adolecer de sobreajuste (Overfitting) y no se ha considerado el uso de técnicas de regularización para controlarlo. Entonces, en el presente trabajo, se ha propuesto desde un punto de vista conceptual y experimental, la selección de cinco técnicas de regularización sobre cinco modelos de aprendizaje profundo preentrenados y mediante el análisis de métricas (precisión, Recall, F1 score) se determina una técnica de regularización de redes neuronales artificiales que mejora la capacidad de generalización para la clasificación de imágenes de retinopatía diabética. (Texto tomado de la fuente)

Diabetic retinopathy (DR) is a retinal pathology caused by diabetes, and is one of the main causes of blindness worldwide; Its early detection is essential in order to prevent its progression in the patient. There are various methods for early diagnosis, among these, it has been shown that convolutional neural networks (CNN) are suitable for the analysis of this phenomenon, contributing to the early diagnosis of this disease. In addition, deep learning techniques (DL – Deep Learning) have been used, the models proposed in the literature focus on the stages of preprocessing, extraction and selection of image features; however, these models may suffer from overfitting and the use of regularization techniques to control it has not been considered. So, in the present work, it has been proposed from a conceptual and experimental point of view, the selection of five regularization techniques on five pretrained deep learning models and through the analysis of metrics (precision, Recall, F1 score) a Artificial neural network regularization technique that improves the generalization capacity for the classification of diabetic retinopathy images. it is an abbreviated presentation. A maximum length of 250 words should be used. It is recommended that this summary be analytical, that is, that it be complete, with quantitative and qualitative information, generally including the following aspects: objectives, design, place and circumstances, patients (or objective of the study), intervention, measurements and main results, and conclusions. At the end of the summary, keywords taken from the text should be used, which allow the retrieval of information