Análisis de la capa de células ganglionares con deep learning en el diagnóstico de glaucoma

  1. Valentín Tinguaro Díaz-Alemán 1
  2. Francisco José Fumero Batista 2
  3. Silvia Alayón Miranda 2
  4. Denisse Ángel Pereira 1
  5. Víctor Javier Arteaga-Hernández 1
  6. José Francisco Sigut Saavedra 2
  1. 1 Hospital Universitario de Canarias
    info

    Hospital Universitario de Canarias

    San Cristóbal de La Laguna, España

    ROR https://ror.org/05qndj312

  2. 2 Universidad de La Laguna
    info

    Universidad de La Laguna

    San Cristobal de La Laguna, España

    ROR https://ror.org/01r9z8p25

Revista:
Archivos de la Sociedad Española de Oftalmologia

ISSN: 0365-6691

Año de publicación: 2021

Volumen: 96

Número: 4

Páginas: 181-188

Tipo: Artículo

DOI: 10.1016/J.OFTAL.2020.09.010 DIALNET GOOGLE SCHOLAR

Otras publicaciones en: Archivos de la Sociedad Española de Oftalmologia

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.