Please use this identifier to cite or link to this item:
https://rinacional.tecnm.mx/jspui/handle/TecNM/11107Full metadata record
| DC Field | Value | Language |
|---|---|---|
| dc.contributor.advisor | LARA ALAVAZARES, DAVID | - |
| dc.contributor.advisor | MELÉNDEZ ARMENTA, ROBERTO ÁNGEL | - |
| dc.contributor.author | SALAZAR ALVAREZ, ANGEL | - |
| dc.creator | SALAZAR ALVAREZ, ANGEL | - |
| dc.date.accessioned | 2025-10-14T19:42:00Z | - |
| dc.date.available | 2025-10-14T19:42:00Z | - |
| dc.date.issued | 2024-08-01 | - |
| dc.identifier.uri | https://rinacional.tecnm.mx/jspui/handle/TecNM/11107 | - |
| dc.description | La retinopatía diabética (DR) es una complicación microvascular de la diabetes melli tus, que afecta la retina y puede llevar a la ceguera si no se detecta y es tratada a tiempo. Con el creciente número de pacientes diabéticos a nivel mundial, la detección temprana y precisa de DR se ha convertido en una prioridad crítico en la salud pública. Las tecnologías de imagen modernas y los algoritmos de aprendizaje automático han abierto nuevas posibilidades para el diagnóstico automatizado y la evaluación del grado de severidad de DR. En esta investigación, nos enfocamos en comparar diferentes métodos de extracción de características y técnicas para la detección y clasificación de DR. Utilizando el dataset APTOS 2019 Blindness Detection, el cual incluye imágenes de retina con diversas condiciones y clasificaciones de DR en cinco etapas de severidad, evaluamos la eficacia y eficiencia de los métodos basados en análisis de textura (LBP y GLCM) y los basados en redes neuronales profundas DenseNet 121 y Ademxapp Model A). El análisis se realiza en dos enfoques de clasificación: binaria y multiclase. La clasificación binaria distingue entre la presencia y ausencia de DR, mientras que la clasificación multiclase identifica los diferentes grados de severidad de la enfermedad. Además, evaluamos la influencia de diferentes espacios de color (RGB, LAB, YCbCr) y técnicas de mejora de imagen en la extracción de características y el rendimiento de los clasificadores. | es_MX |
| dc.language.iso | spa | es_MX |
| dc.publisher | Tecnológico Nacional de México | es_MX |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0 | es_MX |
| dc.subject | info:eu-repo/classification/cti/2 | es_MX |
| dc.subject.other | Retinopatía Diabética, extracción de características, LBP, GLCM, Den seNet121, Ademxapp Model A, RGB, LAB, YCbCr | es_MX |
| dc.title | CLASIFICACIÓN DEL GRADO DE RETINOPATÍA DIABÉTICA CON APRENDIZAJE AUTOMÁTICO | es_MX |
| dc.type | info:eu-repo/semantics/masterThesis | es_MX |
| dc.contributor.director | ARGUIJO HERNÁNDEZ, SIMÓN PEDRO | - |
| dc.folio | TMSC 78 | es_MX |
| dc.rights.access | info:eu-repo/semantics/openAccess | es_MX |
| dc.publisher.tecnm | Instituto Tecnológico Superior de Misantla | es_MX |
| Appears in Collections: | Maestria en sistemas computacionales | |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| ANGEL SALAZAR ALVAREZ.pdf Until 4024-09-08 | 167.39 kB | Adobe PDF | View/Open Request a copy | |
| Tesis_MSC_Angel_Salazar (1).pdf | 15.82 MB | Adobe PDF | View/Open |
This item is protected by original copyright |
This item is licensed under a Creative Commons License
