Detección de glaucoma mediante redes neuronales a partir de imágenes de fondo de ojo

Abstract

El glaucoma es una enfermedad ocular crónica caracterizada por un daño progresivo del nervio óptico y constituye una de las principales causas de ceguera irreversible a nivel mundial. Su detección temprana resulta especialmente importante porque, en muchas ocasiones, la enfermedad avanza sin síntomas evidentes hasta fases en las que la pérdida visual ya es significativa. En este trabajo se estudia un problema de visión artificial aplicado al ámbito médico: la detección automática de glaucoma a partir de retinografías centradas en la cabeza del nervio óptico. Para ello se emplea un conjunto de imágenes de fondo de ojo dividido en dos clases, glaucoma y non_glaucoma, y se comparan distintos enfoques basados en redes neuronales: una CNN con clasificador MLP, una CNN con clasificador KAN, autoencoders con espacios latentes de dimensión 16 y 32 combinados con clasificadores MLP y KAN, y un modelo avanzado basado en transfer learning con EfficientNetB2. El objeti vo principal es analizar si estos modelos son capaces de aprender patrones visuales asociados al glaucoma y comparar el efecto de diferentes estrategias de extracción y clasificación de características.