universidad de guayaquilrepositorio.ug.edu.ec/bitstream/redug/33081/1/b-cint-ptg... ·...
TRANSCRIPT
UNIVERSIDAD DE GUAYAQUIL
FACULTAD DE CIENCIAS MATEMÁTICAS Y FÍSICAS
CARRERA DE INGENIERÍA EN NETWORKING Y
TELECOMUNICACIONES
“Análisis Y Diseño De Un Sistema Para Identificar Signos De
Retinopatía Hipertensiva A Través De Imágenes De Retina, Aplicando
La Tecnología De Deep Learning”
PROYECTO DE TITULACIÓN
Previa a la obtención del título de:
INGENIERA EN NETWORKING Y TELECOMUNICACIONES
AUTOR:
Meyvi De Los Ángeles Hagó Herrera
TUTOR:
Ing. Roberto Crespo Mendoza, MSIG.
GUAYAQUIL – ECUADOR
II
2018
REPOSITORIO NACIONAL EN CIENCIA Y TECNOLOGÍA
FICHA DE REGISTRO DE TESIS/TRABAJO DE GRADUACIÓN
TÍTULO Y SUBTÍTULO: Análisis Y Diseño De Un Sistema Para Identificar Signos De Retinopatía Hipertensiva A
Través De Imágenes De Retina, Aplicando La Tecnología De Deep Learning
AUTOR (ES): Meyvi De Los Ángeles Hagó Herrera
REVISOR(ES)/TUTOR(ES): Ing. Roberto Crespo Mendoza, MSIG.
INSTITUCIÓN: Universidad de Guayaquil
UNIDAD/FACULTAD: Facultad de Ciencias Matemáticas y Físicas
GRADO OBTENIDO: INGENIERA EN NETWORKING Y TELECOMUNICACIONES
FECHA DE PUBLICACIÓN: No. DE PÁGINAS: 204
ÁREAS TEMÁTICAS: Informática Médica – Data Science
PALABRAS CLAVES /KEYWORDS:
Deep Learning, Retinopatía Hipertensiva, Redes Neuronales Convolucionales, Aprendizaje
Supervisado, Retinografías.
RESUMEN/ABSTRACT: Este proyecto plantea un prototipo de inteligencia artificial mediante la creación de un algoritmo
para el limitante tecnológico en el área de la oftalmología, que es la detección manual de la retinopatía hipertensiva. Su finalidad es predecir mediante imágenes si una persona tiene o no la enfermedad. Para la creación de este sistema se decidió por la metodología de prototipado ya que tiene etapas funcionales que sirven para la creación del mismo. Se trabajó con la tecnología de aprendizaje supervisado mediante deep Learning y redes neuronales convolucionales. Se utilizó la base de datos de kaggle para la obtención y estudio de imágenes de retinas. Debido a que las imágenes tenían tamaños diferentes y ruidos dentro de ellas, se procedió a realizar un pre-procesamiento en las retinografías. Después de procesadas estas imágenes se pasan a una red neuronal de dos clases donde se estudia las características mínimas, que para una persona puede llevar años de estudios. Se dio solución a varias pruebas de sobre-entrenamiento que se presentaron en las verificaciones. Al final se llegó a obtener un prototipo con una interfaz gráfica y amigable al usuario, que detecta si una persona tiene RHTA. Además de esto, el proyecto guarda las imágenes para llevar un control de los pacientes para una futura prevención de la enfermedad. Los recursos tecnológicos requeridos deben ser de alto rendimiento, se aconseja una máquina con GPU NVIDIA. Este proyecto busca que personas del Ecuador incursionen en el mundo de la inteligencia artificial y Big Data, ya que ahora son predicciones en imágenes de retina pero mañana podrían ser fotografías de pulmones, cerebro o corazones, que ayuda a las personas a prevenir la enfermedad
N° DE REGISTRO (en base de datos): N° DE CALIFICACIÓN:
DIRECCIÓN URL
ADJUNTO PDF: SI X NO
CONTACTO CON AUTOR/ES: Teléfono: 0961518484 E-mail: [email protected]
CONTACTO CON LA INSTITUCIÓN:
Nombre: Ab. Juan Chávez Atocha
Teléfono: 042307729
E-mail: [email protected]
III
CARTA DE APROBACIÓN DEL TUTOR
En mi calidad de Tutor del trabajo de titulación, “Análisis Y Diseño De Un
Sistema Para Identificar Signos De Retinopatía Hipertensiva A Través
De Imágenes De Retina, Aplicando La Tecnología De Deep Learning”
elaborado por la Srta. Meyvi De Los Ángeles Hagó Herrera, Alumna no
titulada de la Carrera de Ingeniería en Networking y Telecomunicaciones,
Facultad de Ciencias Matemáticas y Físicas de la Universidad de
Guayaquil, previo a la obtención del Título de Ingeniero en Networking y
Telecomunicaciones, me permito declarar que luego de haber orientado,
estudiado y revisado, la Apruebo en todas sus partes.
Atentamente
__________________________________
Ing. Roberto Crespo Mendoza, MSIG
TUTOR
IV
DEDICATORIA
A mis padres y a mi hermano, les dedico mis esfuerzos y triunfos
que viví a lo largo de mi carrera en reconocimiento a todo el
sacrificio que hacen para que yo pueda estudiar.
A mis sobrinos Nashly, Aaron y Ángel, que llegaron a mí para
alegrarme la vida, les dedico este triunfo para que sigan adelante
en sus estudios y que mi Dios les permita llegar lejos cumpliendo
cada una de sus metas.
A Dios, por su inmensurable amor hacia mí.
V
AGRADECIMIENTO
A Dios por permitirme la vida, la sabiduría y la fuerza de
voluntad para llevar a cabo este proyecto.
A mi padre, José Hagó Barzola, por ayudarme a realizar cada
meta propuesta en mi vida estudiantil y personal.
A mi madre, Ruth Herrera Camba, por ser mi ejemplo de valentía
y sacrificio a seguir. Gracias por estar siempre conmigo apoyándome y guiándome en cada decisión. Gracias por ser el pilar fundamental de mi vida. Por enseñarme a ser fuerte y no dejarme vencer ante cualquier situación.
A mi hermano Edwin Hagó, por comprenderme y acolitarme en
cada necesidad. Por ser mi modelo e inspiración a seguir. Gracias también a mi cuñada Melany Gónzales por su apoyo incondicional y su entera confianza en mi capacidad para realizar todo lo que me propongo.
A Daniel Lascano, mi compañero en grandes batallas. Gracias por
la paciencia, apoyo y aliento durante estos 5 años de carrera.
A mis compañeros que me apoyaron de manera incondicional en
este proyecto.
A mi especialista Lcda. Judith L. Tejada, por su disponibilidad,
enseñanza en la rama de la oftalmología.
VI
TRIBUNAL PROYECTO DE TITULACIÓN
Ing. Eduardo Santos Baquerizo, M.Sc.
DECANO DE LA FACULTAD
CIENCIAS MATEMÁTICAS Y FÍSICAS
Ing. Harry Luna Aveiga, M.Sc.
DIRECTOR DE LA CARRERA DE
INGENIERÍA EN NETWORKING Y
TELECOMUNICACIONES
Ing. Lídice Haz López, Msi PROFESOR REVISOR DEL
ÁREA TRIBUNAL
Ab. Juan Chávez Atocha, Esp.
SECRETARIO TITULAR
Ing. Roberto Crespo, M.Sc
PROFESOR TUTOR DEL ÁREA
PROYECTO DE TITULACION
VII
DECLARACIÓN EXPRESA
“La responsabilidad del contenido de este
Proyecto de Titulación, me corresponden
exclusivamente; y el patrimonio intelectual
de la misma a la UNIVERSIDAD DE
GUAYAQUIL”.
____________________________________
MEYVI DE LOS ÁNGELES HAGÓ HERRERA
VIII
UNIVERSIDAD DE GUAYAQUIL
FACULTAD DE CIENCIAS MATEMÁTICAS Y FÍSICAS
CARRERA DE INGENIERÍA EN NETWORKING Y
TELECOMUNICACIONES
“Análisis Y Diseño De Un Sistema Para Identificar Signos De
Retinopatía Hipertensiva A Través De Imágenes De Retina, Aplicando
La Tecnología De Deep Learning”
Proyecto de Titulación que se presenta como requisito para optar por el
título de INGENIERO EN NETWORKING Y TELECOMUNICACIONES.
Autor: Meyvi De Los Ángeles Hagó Herrera
C.I.: 0940920127
Tutor: Ing. Roberto Crespo Mendoza, MISG.
Guayaquil, septiembre de 2018
IX
CERTIFICADO DE APROBACIÓN DEL TUTOR
En mi calidad de Tutor del proyecto de titulación, nombrado por el Consejo
Directivo de la Facultad de Ciencias Matemáticas y Físicas de la
Universidad de Guayaquil.
CERTIFICO:
Que he analizado el Proyecto de Titulación presentado por el
estudiante MEYVI DE LOS ÁNGELES HAGÓ HERRERA, como requisito
previo para optar por el título de Ingeniero en Networking y
Telecomunicaciones cuyo tema es:
“Análisis Y Diseño De Un Sistema Para Identificar Signos De
Retinopatía Hipertensiva A Través De Imágenes De Retina, Aplicando
La Tecnología De Deep Learning”
Considero aprobado el trabajo en su totalidad.
Presentado por:
Hagó Herrera Meyvi De Los Ángeles C.I. 0940920127
Tutor: Ing. Roberto Crespo Mendoza, MSIG.
Guayaquil, septiembre de 2018
X
UNIVERSIDAD DE GUAYAQUIL
FACULTAD DE CIENCIAS MATEMÁTICAS Y FÍSICAS CARRERA DE INGENIERÍA EN NETWORKING Y
TELECOMUNICACIONES
Autorización para publicación de Proyecto de Titulación en Formato Digital
1. Identificación del Proyecto de Titulación
Nombre Alumno: Meyvi De Los Ángeles Hagó Herrera
Dirección: Daule
Teléfono: 0961518484 E-mail: [email protected]
Facultad: Facultad de Ciencias Matemáticas y Físicas
Carrera: Ingeniería en Networking y Telecomunicaciones
Título al que opta: Ingeniera en Networking y Telecomunicaciones
Profesor guía: Ing. Roberto Crespo Mendoza, MSIG.
Título del Proyecto de titulación: “Análisis Y Diseño De Un Sistema Para Identificar Signos De Retinopatía Hipertensiva A Través De Imágenes De Retina, Aplicando La Tecnología De Deep Learning”
Tema del Proyecto de Titulación: Deep Learning, Retinopatía Hipertensiva, Redes Neuronales Convolucionales, Aprendizaje Supervisado, Retinografías.
XI
2. Autorización de Publicación de Versión Electrónica del Proyecto
de Titulación
A través de este medio autorizo a la Biblioteca de la Universidad de
Guayaquil y a la Facultad de Ciencias Matemáticas y Físicas a publicar la
versión electrónica de este Proyecto de Titulación.
Publicación Electrónica:
Inmediata X Después de 1 Año
Firma Alumno:
3. Forma de Envío
El texto del proyecto de titulación debe ser enviado en formato Word, como
archivo .Doc. O .RTF y .Puf para PC. Las imágenes que la acompañen
pueden ser: .gif, .jpg o .TIFF.
DVDROM CDROM X
XII
ÍNDICE GENERAL CARTA DE APROBACIÓN DEL TUTOR ................................................................................. III
DEDICATORIA ..................................................................................................................... IV
AGRADECIMIENTO .............................................................................................................. V
ÍNDICE GENERAL ............................................................................................................... XII
ABREVIATURAS .............................................................................................................. XVIII
SIMBOLOGÍA .................................................................................................................... XIX
ÍNDICE DE CUADROS ......................................................................................................... XX
ÍNDICE DE GRÁFICOS ........................................................................................................ XXI
RESUMEN ....................................................................................................................... XXIII
ABSTRACT ....................................................................................................................... XXIV
INTRODUCCIÓN ................................................................................................................... 1
CAPÍTULO I .......................................................................................................................... 4
PLANTEAMIENTO DEL PROBLEMA .................................................................................. 4
Ubicación del problema en un contexto ..................................................................... 4
Situación Conflicto, Nodos Críticos ............................................................................. 5
Causas y Consecuencias del Problema........................................................................ 6
Delimitación del Problema .......................................................................................... 7
Formulación del Problema .......................................................................................... 8
Evaluación del Problema ............................................................................................. 8
Delimitado ................................................................................................... 8
Claro ............................................................................................................ 8
Evidente....................................................................................................... 9
Concreto ...................................................................................................... 9
Relevante ..................................................................................................... 9
Factible ........................................................................................................ 9
Original ..................................................................................................... 10
Identifica los productos esperados ............................................................ 10
Objetivos ................................................................................................................... 11
Objetivo General ....................................................................................... 11
Objetivos Específicos ................................................................................ 11
Alcances Del Problema .............................................................................................. 11
Justificación E Importancia....................................................................................... 12
XIII
Metodología Del Proyecto ........................................................................................ 13
Recolección y planeación de requisitos. ................................................... 16
Modelo o Diseño rápido. ........................................................................... 16
Construcción del Prototipo. ....................................................................... 16
Desarrollo, Entrega y Realimentación. ..................................................... 16
Desarrollo .............................................................................................. 16
Entrega .................................................................................................. 17
Realimentación ...................................................................................... 17
Comunicación y refinamiento del prototipo ............................................. 17
Entrega Final ............................................................................................. 17
CAPÍTULO II ....................................................................................................................... 21
MARCO TEÓRICO .......................................................................................................... 21
Antecedentes Del Estudio ......................................................................................... 21
Fundamentación Teórica .......................................................................................... 25
Informática Médica ................................................................................... 25
Aplicaciones .......................................................................................... 26
Telemedicina ............................................................................................. 27
Área de la salud ......................................................................................... 29
Anatomía del Ojo .................................................................................. 29
Hipertensión Arterial ............................................................................. 34
Retinopatía Hipertensiva ....................................................................... 36
Área De La Tecnología. ............................................................................ 40
Inteligencia Artificial ............................................................................ 40
Machine Learning ................................................................................. 42
Deep Learning ....................................................................................... 43
Fundamentación Legal .............................................................................................. 51
Pregunta Científica A Contestarse ............................................................................ 62
Definiciones Conceptuales ........................................................................................ 62
Definiciones Conceptuales - Términos de Tecnología ............................. 62
Phyton ................................................................................................... 62
Lenguaje de programación de alto nivel ............................................... 62
Lenguaje de bajo nivel .......................................................................... 63
XIV
IDE ........................................................................................................ 63
Editor de texto ....................................................................................... 63
Anaconda............................................................................................... 63
Programación en Paralelo ..................................................................... 64
Ipython .................................................................................................. 65
Repositorio ............................................................................................ 65
Base de Datos ........................................................................................ 65
Crowdsourcing ...................................................................................... 66
Convolucional ....................................................................................... 66
Luminosidad (subexpuesta y sobreexpuesta) ........................................ 66
RGB ...................................................................................................... 66
TUPLAS ................................................................................................ 67
Definiciones Conceptuales - Términos de Medicina ................................ 67
OCT ....................................................................................................... 67
RFG ....................................................................................................... 67
Oftalmoscopio ....................................................................................... 68
Patologías .............................................................................................. 68
Fisiopatología. ....................................................................................... 68
Historia Clínica ..................................................................................... 68
Datos clínicos ........................................................................................ 68
Epicrisis ................................................................................................. 68
Documentación clínica .......................................................................... 69
Definiciones Conceptuales - Términos Generales .................................... 69
Entrevista............................................................................................... 69
CAPÍTULO III ...................................................................................................................... 70
PROPUESTA TECNOLÓGICA........................................................................................... 70
Análisis de Factibilidad .............................................................................................. 70
Factibilidad Operacional ........................................................................... 71
Factibilidad Técnica .................................................................................. 74
Factibilidad Legal...................................................................................... 76
Factibilidad Económica ............................................................................. 78
Factibilidad Del Proyecto En General ...................................................... 82
XV
Etapas De La Metodología Del Proyecto ................................................................... 83
Recolección y planeación de requisitos. ................................................... 83
Modelo o Diseño rápido. ........................................................................... 84
Bases de datos ....................................................................................... 85
Repositorio Final ................................................................................... 88
Diferencias de Tecnologías ................................................................... 89
Algoritmo .............................................................................................. 90
Metodología ........................................................................................ 104
Herramientas para la Construcción del Modelo .................................. 104
Construcción - Desarrollo, entrega y realimentación del Prototipo. ....... 108
Modelo # 0 .......................................................................................... 109
Modelo # 1 .......................................................................................... 111
Modelo # 2 .......................................................................................... 111
Modelo # 3 .......................................................................................... 113
Modelo # 4 .......................................................................................... 114
Modelo # 5 .......................................................................................... 119
Entrega Final ........................................................................................... 122
Entregables Del Proyecto ........................................................................................ 122
Recolección y planeación de requisitos. ................................................. 122
Modelo o Diseño rápido. ......................................................................... 122
Construcción - Desarrollo, entrega y realimentación del Prototipo. ....... 123
Entrega Final ........................................................................................... 123
Criterios De Validación De La Propuesta ................................................................ 124
Informe de Pruebas ................................................................................. 124
Prueba De Estrés ................................................................................. 124
Encuesta de Satisfacción del proyecto .................................................... 129
Procesamiento y Análisis .................................................................... 130
Conclusión de encuestas de satisfacción ............................................. 135
CAPÍTULO IV .................................................................................................................... 137
CRITERIOS DE ACEPTACIÓN DEL PRODUCTO O SERVICIO........................................... 137
Especificaciones técnicas ........................................................................................ 137
Valoración del Proyecto .......................................................................................... 138
XVI
Informe de aceptación y aprobación para productos de Software ........................ 140
Funcionalidad Del Sistema ..................................................................... 140
Informe de aseguramiento de la calidad para productos de Software .................. 141
Establecer mecanismos de control .......................................................... 141
Definir métodos para corrección. ............................................................ 141
Conclusiones ............................................................................................................... 143
Recomendaciones ....................................................................................................... 145
Bibliografía ...................................................................................................................... 146
Anexos ............................................................................................................................. 149
Anexo # 1 .................................................................................................................... 149
Entrevista a Especialistas ........................................................................................ 149
Anexo # 2 .................................................................................................................... 150
Cronograma ............................................................................................................ 150
Anexo # 3 .................................................................................................................... 152
Fotos de Entrevistas ................................................................................................ 152
Anexo # 4 .................................................................................................................... 153
Fotos del Personal Médico ...................................................................................... 153
Anexo # 5 .................................................................................................................... 154
Base de Datos .......................................................................................................... 154
Anexo # 6 .................................................................................................................... 155
Modelo 0 ................................................................................................................. 155
Anexo # 7 .................................................................................................................... 156
Modelo 4 ................................................................................................................. 156
Anexo # 8 .................................................................................................................... 158
Prototipo Final 5 ...................................................................................................... 158
Anexo # 9 - Manual de Usuario ................................................................................... 160
INTRODUCCIÓN ....................................................................................................... 160
INSTALACIÓN .......................................................................................................... 160
Prerrequisitos de Hardware ..................................................................... 160
Prerrequisitos de Software ...................................................................... 160
Descarga de Python. ............................................................................ 160
Instalación de Python. ......................................................................... 161
Descarga e Instalación de Anaconda................................................... 162
XVII
Instalación de Anaconda ..................................................................... 162
Contenido ............................................................................................ 165
Guía de uso .............................................................................................. 165
Anexo # 10 - Manual Técnico ...................................................................................... 170
INSTALACIÓN .......................................................................................................... 170
Prerrequisitos de Hardware ..................................................................... 170
Prerrequisitos de Software ...................................................................... 170
Descarga de Python. ............................................................................ 170
Instalación de Python. ......................................................................... 171
Descarga e Instalación de Anaconda................................................... 171
Instalación de Anaconda ..................................................................... 172
Abrir Jupyter Notebook....................................................................... 175
Diseño de entradas y salidas ............................................................... 178
Anexo # 11 .................................................................................................................. 180
Encuesta de Satisfacción ......................................................................................... 180
Anexo # 12 .................................................................................................................. 181
Criterio de juicio de experto ................................................................................... 181
Anexo # 13 .................................................................................................................. 182
Validación de Experto en Optometría .................................................................... 182
XVIII
ABREVIATURAS
AM Amplitud Modulada
BD Base de Datos
CVPR Conference on Computer Vision and Pattern Recognition
DL Deep Learning
DAO Diagnostico asistido por computadoras
DD Disco Duro
FM Frecuencia Modulada
HTA Hipertensión Arterial
ML Machine Learning
NIH National Eye Institute
MLP Perceptrón Multicapa
RN Redes Neuronales
RNA Redes Neuronales Artificiales
RNC Redes Neuronales Convolucionales
RD Retinopatía Diabética
RHT Retinopatía Hipertensiva
SO Sistema Operativo
XIX
SIMBOLOGÍA
mmHg milímetros de mercurio
XX
ÍNDICE DE CUADROS
Cuadro N° 1. Causas y Consecuencias del Problema ...................................... 6
Cuadro N° 2. Delimitación Del Problema .......................................................... 7
Cuadro N° 3 Ventaja y Desventajas de la Metodología Prototipado ............... 14
Cuadro N° 4. Requerimientos del Modelo ....................................................... 75
Cuadro N° 5. Recursos Técnicos Obtenidos ................................................... 76
Cuadro N° 6. Cuadro de Costos y Financiamientos para el Proyecto ............. 79
Cuadro N° 7. Estimación de Utilidades netas anuales .................................... 80
Cuadro N° 8. Valores del Flujo Efectivo Neto .................................................. 80
Cuadro N° 9. Resultados del VAN y TIR ......................................................... 80
Cuadro N° 10. Flujo de caja y acumulados ....................................................... 81
Cuadro N° 11. Ponderación de Valores para el cálculo del TRI ........................ 81
Cuadro N° 12. Resultado del TRI ...................................................................... 81
Cuadro N° 13. Algoritmo Del Proyecto .............................................................. 92
Cuadro N° 14 Tabla de Resultado de las Pruebas ......................................... 102
Cuadro N° 15. Características de Laptops ...................................................... 104
Cuadro N° 16. Características de diferentes lenguajes de programación A .... 105
Cuadro N° 17. Características de diferentes Lenguajes de Programación B ... 106
Cuadro N° 18. Tabla de Porcentajes de la Pregunta 1 de la Encuesta de
Satisfacción ..................................................................................................... 130
Cuadro N° 19. Tabla de Porcentajes de la Pregunta 2 de la Encuesta de
Satisfacción ..................................................................................................... 131
Cuadro N° 20 .Tabla de Porcentajes de la Pregunta 3 de la Encuesta de
Satisfacción ..................................................................................................... 132
Cuadro N° 21. Tabla de Porcentajes de la Pregunta 4 de la Encuesta de
Satisfacción ..................................................................................................... 133
Cuadro N° 22. Tabla de Porcentajes de la Pregunta 5 de la Encuesta de
Satisfacción ..................................................................................................... 134
Cuadro N° 23. Especificaciones Técnicas...................................................... 137
Cuadro N° 24. Valoración de Logros Del Proyecto ........................................ 138
Cuadro N° 25. Ponderación de valores .......................................................... 140
Cuadro N° 26. Criterios De Aceptación Del Prototipo .................................... 140
Cuadro N° 27. Cronograma del Proyecto ....................................................... 150
XXI
ÍNDICE DE GRÁFICOS
Gráfico N° 1. Ciclo de Vida Del Modelo Prototipado ..................................... 15
Gráfico N° 2. Ciclo de Etapas de Prototipado Utilizadas para este Proyecto . 19
Gráfico N° 3. Anatomía Del Ojo .................................................................... 30
Gráfico N° 4. Esclerótica-Anatomía del ojo ................................................... 31
Gráfico N° 5. Pupila-Anatomía del ojo ........................................................... 31
Gráfico N° 6. Iris-Anatomía del ojo. ............................................................... 32
Gráfico N° 7. Cornea-Anatomía del ojo ......................................................... 32
Gráfico N° 8. Mácula -Anatomía del ojo ........................................................ 33
Gráfico N° 9. Nervio Óptico-Anatomía del ojo ............................................... 33
Gráfico N° 10. Retina-Anatomía del Ojo ......................................................... 34
Gráfico N° 11. Alteraciones Arteriales ............................................................. 37
Gráfico N° 12. Trasudados Periarteriolares ..................................................... 37
Gráfico N° 13. Manchas Isquémicas ............................................................... 38
Gráfico N° 14. Hemorragias de Retina ............................................................ 38
Gráfico N° 15. Depósito Retiniano .................................................................. 38
Gráfico N° 16. Edema Retinal ......................................................................... 39
Gráfico N° 17. Línea del tiempo de la Inteligencia Artificial ............................. 41
Gráfico N° 18. Algoritmo Utilizado para Imágenes con Deep Learning ........... 44
Gráfico N° 19. Anatomía del ojo Fuente .......................................................... 45
Gráfico N° 20. Retos de la Clasificación de Imagen ........................................ 46
Gráfico N° 21. Clasificación de Imágenes para un Programa. ......................... 47
Gráfico N° 22. Topología de una red neuronal ................................................ 48
Gráfico N° 23. Porción Max de Pooling ........................................................... 50
Gráfico N° 24. Retinografía con Diferentes Luminosidades ............................ 86
Gráfico N° 25. Retinografía Distorsionada ...................................................... 86
Gráfico N° 26. Retinografías con Diferentes Zoom ......................................... 86
Gráfico N° 27. Retinografía con Distinta Ubicación del Nervio Óptico ............. 87
Gráfico N° 28. Retinografía con Imagen Cortada. ........................................... 87
Gráfico N° 300. Retinografía sin la Enfermedad0 ............................................. 88
Gráfico N° 30. Retinografía Con la Enfermedad ............................................. 88
Gráfico N° 31. Distribución de Carpetas para el Repositorio ........................... 89
Gráfico N° 32. Datos para la Creación del Repositorio ................................... 89
Gráfico N° 33. Diferencia entre ML y DL ......................................................... 90
Gráfico N° 34. Modelo de Adquisición ............................................................. 94
Gráfico N° 35. Retinografía Original ................................................................ 95
Gráfico N° 36. Recorte de Retinografía ........................................................... 95
Gráfico N° 37. Retinografía al 50% Gris .......................................................... 96
Gráfico N° 38. Aislamiento de Borde de Retinografía ..................................... 96
Gráfico N° 39. Redimensionamiento de la Retinografía .................................. 97
Gráfico N° 40. Importación-Keras ................................................................... 98
Gráfico N° 41. Modelo de Capas Convolucionales .......................................... 99
Gráfico N° 42. Prueba Sin la Enfermedad ..................................................... 101
Gráfico N° 43. Prueba Con la Enfermedad ................................................... 101
XXII
Gráfico N° 44. Prueba Sin la Enfermedad .................................................... 102
Gráfico N° 45. Modelo del Algoritmo Propuesto ........................................... 103
Gráfico N° 46. Elección de IDE para el modelo ............................................ 107
Gráfico N° 47. Equipos utilizados para el entrenamiento del modelo ........... 108
Gráfico N° 48. Prototipo #0. Prueba Laptop A .............................................. 110
Gráfico N° 49. Prototipo #0. Prueba Laptop B .............................................. 110
Gráfico N° 50. Prototipo #2. Prueba Laptop A .............................................. 113
Gráfico N° 51. Prototipo #4. Capas Finales .................................................. 116
Gráfico N° 52. Prototipo#4. GUI del Prototipo .............................................. 118
Gráfico N° 53. Prototipo#4. GUI del Prototipo .............................................. 118
Gráfico N° 54. Reconocimiento de Imagen- Retina con la enfermedad ........ 120
Gráfico N° 55. Reconocimiento de Imagen-Retina sin la enfermedad .......... 120
Gráfico N° 56. Detección de RHTA - Imagen Retina .................................... 121
Gráfico N° 57. Detección de RHTA - Imagen Gato ...................................... 121
Gráfico N° 58. Prueba de Estrés- Prototipo 1 ............................................... 125
Gráfico N° 59. Prueba de Estrés- Prototipo 0 ............................................... 126
Gráfico N° 60. Prueba de Estrés-Prototipo 2 ................................................ 127
Gráfico N° 61. Prueba de Estrés 2-Prototipo 4 ............................................. 128
Gráfico N° 62. Prueba de Estrés 1-Prototipo 4 ............................................. 128
Gráfico N° 63. Prueba de Estrés 3-Prototipo 4 ............................................. 129
Gráfico N° 64. Gráfico de Barras de la Pregunta 1 ....................................... 130
Gráfico N° 65 Gráfico de Barras de la Pregunta 2 ....................................... 131
Gráfico N° 66 Gráfico de Barras de la Pregunta 3 ....................................... 133
Gráfico N° 67 Gráfico de Barras de la Pregunta 4 ....................................... 134
Gráfico N° 68 Gráfico de Barras de la Pregunta 5. ...................................... 135
Gráfico N° 69. Entrevista a Especialista Imagen A ....................................... 152
Gráfico N° 70. Entrevista a Especialista Imagen B ....................................... 152
Gráfico N° 71. Aprendizaje de signos de RHTA ........................................... 153
XXIII
UNIVERSIDAD DE GUAYAQUIL
FACULTAD DE CIENCIAS MATEMÁTICAS Y FÍSICAS CARRERA DE INGENIERÍA EN NETWORKING Y
TELECOMUNICACIONES
“Análisis Y Diseño De Un Sistema Para Identificar Signos De Retinopatía Hipertensiva A Través De Imágenes De Retina, Aplicando
La Tecnología De Deep Learning”
Autor: Meyvi De Los Ángeles Hagó Herrera Tutor: Ing. Roberto Crespo Mendoza, MISG.
RESUMEN Este proyecto plantea un prototipo de inteligencia artificial mediante la creación de un algoritmo para el limitante tecnológico en el área de la oftalmología, que es la detección manual de la retinopatía hipertensiva. Su finalidad es predecir mediante imágenes si una persona tiene o no la enfermedad. Para la creación de este sistema se decidió por la metodología de prototipado ya que tiene etapas funcionales que sirven para la creación del mismo. Se trabajó con la tecnología de aprendizaje supervisado mediante deep Learning y redes neuronales convolucionales. Se utilizó la base de datos de kaggle para la obtención y estudio de imágenes de retinas. Debido a que las imágenes tenían tamaños diferentes y ruidos dentro de ellas, se procedió a realizar un pre-procesamiento en las retinografías. Después de procesadas estas imágenes se pasan a una red neuronal de dos clases donde se estudia las características mínimas, que para una persona puede llevar años de estudios. Se dio solución a varias pruebas de sobre-entrenamiento que se presentaron en las verificaciones. Al final se llegó a obtener un prototipo con una interfaz gráfica y amigable al usuario, que detecta si una persona tiene RHTA. Además de esto, el proyecto guarda las imágenes para llevar un control de los pacientes para una futura prevención de la enfermedad. Los recursos tecnológicos requeridos deben ser de alto rendimiento, se aconseja una máquina con GPU NVIDIA. Este proyecto busca que personas del Ecuador incursionen en el mundo de la inteligencia artificial y Big Data, ya que ahora son predicciones en imágenes de retina pero mañana podrían ser fotografías de pulmones, cerebro o corazones, que ayuda a las personas a prevenir la enfermedad.
Palabras Claves: Deep Learning, Machine Learning, Redes Neuronales, Redes
Convolucionales, Crowdsourcing, Retinopatía hipertensiva.
XXIV
UNIVERSIDAD DE GUAYAQUIL
FACULTAD DE CIENCIAS MATEMÁTICAS Y FÍSICAS CARRERA DE INGENIERÍA EN NETWORKING Y
TELECOMUNICACIONES
“Análisis Y Diseño De Un Sistema Para Identificar Signos De Retinopatía Hipertensiva A Través De Imágenes De Retina, Aplicando
La Tecnología De Deep Learning”
Autor: Meyvi De Los Ángeles Hagó Herrera Tutor: Ing. Roberto Crespo Mendoza, MISG.
ABSTRACT This project proposes a prototype of artificial intelligence through the creation of an algorithm for the technological limitation in the area of ophthalmology, which is the manual detection of hypertensive retinopathy. Its purpose is to predict by images if a person has the disease or not. For the creation of this system, it was decided by the prototyping methodology since it has functional stages that serve to create it. We worked with the technology of supervised learning through deep Learning and convolutional neural networks. Data bases such as kaggle were used to obtain and study retinal images. Because the images had different sizes and noises within them, we proceeded to pre-process the retinographies. After processing these images are passed to a neural network of two classes where the minimum characteristics are studied, which for a person can take years of studies. A solution was given to several over-training tests that were presented in the verifications. In the end it was possible to obtain a prototype with a user-friendly graphical interface, which detects if a person has RHTA. In addition to this, the project saves the images to keep track of the patients for a future prevention of the disease. The technological resources required must be high performance, we recommend a NVIDIA GPU machine. This project seeks that people from Ecuador venture into the world of artificial intelligence and Big Data, since now they are predictions in retina images but tomorrow could be photographs of lungs, brain or hearts, which helps people to prevent the disease.
Key words: Deep Learning, Machine Learning, Neural Networks, Convolutional Networks,
Crowdsourcing, Hypertensive Retinopathy.
1
INTRODUCCIÓN
La Inteligencia Artificial abre caminos a la obtención de información de manera
rápida, ella se renuevan a niveles inimaginables dando lugar a nuevas
características que facilitan la resolución de problemas para cualquier índole.
En el mundo de la medicina hay diferentes tipos de enfermedades que se pueden
descubrir de algunas formas fáciles y otras que necesitan de estudios minuciosos
para detectarse. Como ejemplo a estas últimas se tienen las enfermedades de
fondo de ojo, que actualmente solo se la diagnostica por medio de imágenes.
Este proyecto tiene la finalidad de apoyar a los oftalmólogos en la toma de
decisiones para sus pacientes. El estudio de las retinografías de forma manual, es
una tarea complicada que demanda tiempo y suele ser realizado por especialistas
calificados. En la parte automatizada también es difícil, debido a su pequeño rango
de características a estudiar por las computadoras, la calidad de la imagen y un
sinnúmero de complicaciones técnicas.
Aquí se explora diferentes aplicaciones que resuelven problemas de diagnósticos
médicos relacionados con imágenes disponibles. De tal forma que aplicando
métodos de procesamiento de imágenes, ayuden a automatizar una parte de la
medicina que actualmente se lo hace de forma manual.
Se implementa además un algoritmo de aprendizaje de máquina que puedan usar
estas características para construir modelos de diagnóstico predictivo. Dada la
idea se hace posible la creación de prototipo sistemático que ayuda a extraer
características relevantes en la imagen escogida indicando si tiene o no tiene la
enfermedad conocida como retinopatía hipertensiva.
El proyecto concluye con la creación de un modelo con interfaz gráfica amigable
a través de la tecnología de deep learning, redes neuronales convolucionales y
entrenamiento supervisado, con 8000 retinografías. En el cual se establece el
2
algoritmo y métodos de pre-procesamiento de imágenes. Además se lleva un
registro para luego dar predicciones iniciales o tempranas de enfermedades.
A continuación se describe como están estructurados cada uno de los capítulos.
CAPÍTULO I: EL PROBLEMA
Se plantea el problema estableciendo sus nodos críticos, causas y consecuencias,
mediante diferentes variables se indica las limitaciones que tiene para su
elaboración. Se muestra el alcance y la justificación del mismo y se decide que la
metodología a seguir en el desarrollo del sistema es prototipo.
CAPÍTULO II: MARCO TEÓRICO
Se exponen los antecedentes relacionados con el proyecto y en fundamentación
legal se da a conocer los artículos relacionados con los derechos y obligaciones
que se tiene para el proyecto.
Como es una tesis que habla sobre la automatización de una parte de las ciencias
médicas, el fundamento teórico se divide en dos, la primera parte hace referencia
a la medicina y la segunda a la tecnología. Así mismo se encuentra diferenciada
las definiciones conceptuales.
CAPÍTULO III: PROPUESTA TECNOLÓGICA
En este capítulo se encuentra el análisis de factibilidad de la propuesta,
considerando los siguientes aspectos: La operacional se realizó a través de una
entrevista hecha a expertos en el área, la técnica se plantea con los recursos que
se necesitan para una red neuronal. En la factibilidad legal se mencionan las
responsabilidades al momento de obtener las imágenes y en lo económico se
establecen precios que indican el gasto y el costo final del proyecto. Al final se
hace un resumen de todas las factibilidades anteriormente nombradas para indicar
si es factible o no seguir con el proyecto.
3
Por otra parte, se describen las etapas de la metodología aplicada en el desarrollo,
aquí se detallan todas las pruebas y erros hechas por cada uno de los prototipos.
Además se realiza un informe de pruebas para establecer el avance del proyecto
y a la vez la prueba de estrés indica cuán importante es tener lista la factibilidad
técnica en este proyecto. Así también se realiza una encuesta de satisfacción del
proyecto a diferentes oftalmólogos, utilizado como mecanismos de evaluación.
CAPÍTULO IV: CRITERIOS DE ACEPTACIÓN DEL PRODUCTO O SERVICIO.
Se da a conocer la matriz de criterios en relación a los alcances del proyecto.
Finalmente se procede con las conclusiones, recomendaciones y en esta los
trabajos futuros para este tipo de investigación.
4
CAPÍTULO I
PLANTEAMIENTO DEL PROBLEMA
Ubicación del problema en un contexto
En el campo de la medicina existen diferentes métodos para detectar una
enfermedad de cualquier índole. El diagnostico asistido por computadora es uno
de los más importantes, permitiendo resultados más confiables y ahorro de
tiempos en sus predicciones. Existen muchas enfermedades que se ayudan con
esta técnica, en cambio otras, aún siguen dando su predicción de manera tediosa.
Ciertamente la gran cantidad de comparar imágenes médicas y reconocer
patrones necesarios que identifican cada enfermedad, puede provocar
agotamiento y errores al comparar muchas cantidades de datos. Es por ello que
este trabajo se enfoca en darle solución a una enfermedad que es peligrosa a
largo plazo y su detección aparte de ser costosa demanda de mucho tiempo.
La detección de la Retinopatía Hipertensiva (RHTA), enfermedad que se deriva
de la Hipertensión Arterial (HTA), es una actividad que consume recursos
importantes como lo son el tiempo y el dinero. Desafortunadamente este
procedimiento se lo realiza actualmente de manera manual. Los especialistas
utilizan diferentes equipos o dispositivos que ayudan a visualizar la retina, pero
éstos solo sirven para poder tener una mejor visión del fondo de ojo humano. A
través de ellos se pueden también obtener imágenes para luego diagnosticar la
enfermedad a través de los signos. Se necesita de un médico especialista en esta
rama, que evalúe los diferentes síntomas que conlleva esta enfermedad. Además
se está consciente que son pocos los médicos preparados en esta rama y que
comúnmente se los encuentran en las grandes ciudades.
5
También es normal que si se desea atención médica para este tipo de
especialidades en los diferentes organismos públicos del Gobierno Ecuatoriano,
se debe esperar mucho tiempo para poder tener una cita médica en esa
especialidad, mientras tanto la enfermedad seguirá avanzando.
Situación Conflicto, Nodos Críticos
La HTA altera los vasos sanguíneos y también afecta a las arterias de varios
órganos del cuerpo como la retina. Actúa silenciosamente por mucho tiempo antes
de que el daño en los órganos sea clínicamente visto. La HTA puede generar
hipertensión ocular y a la vez esta genera en una persona RHTA, si esta sigue
avanzando sin detectarse puede terminar en ceguera.
Las alteraciones se pueden observar mediante dispositivos médicos usados en la
rama de la oftalmología. Existen pocas técnicas para conocer enfermedades en la
retina, la mayoría son manuales. Para esta área de la medicina siempre hay un
especialista que detecta si tiene o no tiene la enfermedad a través de un examen
de fondo de ojo o verificando detenidamente una fotografía del mismo.
Desafortunadamente el proceso actual es demasiado manual y hace uso
ineficiente de recursos importante para cada persona que puede padecer RHTA.
Un doctor a diario atiende a 16 pacientes, esto quiere decir que en un día obtendrá
32 imágenes debido a que son dos ojos por cada paciente, salvo en diferentes
ocasiones. En una semana serán 160 imágenes, que otro especialista deberá de
estudiarlas y reconocer el tipo de enfermedad que tenga.
Los recursos que se desperdician son el tiempo y el dinero, haciendo que el país
sea menos sostenible y competitivo en el ámbito de la salud y quienes más se
perjudican son los pacientes.
A continuación se mencionan los aspectos que más se afectan dentro de los
recursos mencionados anteriormente:
6
1. La falta de tecnología en el ámbito de la salud.
2. Costos activos al país, Ecuador debe contratar doctores de otros países
porque en éste, existen poca cantidad de especialistas en el área a
evaluar.
3. Por lo general, la mayoría de centros especialistas para la retina se
encuentran en las grandes ciudades del país, es decir que las personas
que no vivan cerca, deben gastar dinero en viajes hasta llegar al lugar.
4. Un especialista para realizar este estudio cobra un aproximado de $70 o
más, muy aparte de lo que cuesta la consulta.
5. Si es por citas médicas en las entidades públicas, para esta clase la rama
de la medicina, se demoran bastantes en darlas, por la misma escases de
los médicos.
6. De forma manual, se puede generar diagnósticos erróneos debido al
cansancio por la gran cantidad de datos y patrones que se deben comparar
entre las diferentes imágenes.
Causas y Consecuencias del Problema
Cuadro N° 1. Causas y Consecuencias del Problema
Causas Consecuencias
1 Incremento de la tensión arterial
Aumenta o altera los vasos sanguíneos y
puede perjudicar a diferentes órganos
del ser humano, uno de estos puede
llegar a ser la retina, provocando
permeabilidad o salida de fluidos
maliciosos, edemas, hemorragias, hasta
la ceguera.
2
Falta de acceso a los servicios de salud,
por pocos doctores especialistas
en esta área
Las personas se demoran en obtener una
cita médica para esta especialidad.
Si lo hacen de forma particular, la consulta
con el especialista es cara
muy aparte del examen.
Las personas deben de viajar hasta otra
ciudad para que pueda ser atendido.
7
La enfermedad de la RHTA avanza hasta
poder ser un problema de visibilidad.
3 Búsqueda de información en grandes
de bases de datos
Cometer errores al indicar el pronóstico
de los resultados de forma empírica
Rápido agotamiento físico e intelectual
por aprehensión de contenidos en una
base de datos
Dinero y tiempo desperdiciado para el
reconocimiento de RTH en Bases de
datos que contienen grandes cantidades
de imágenes con patrones repetitivos y
un determinado comportamiento.
Delimitación del Problema
Cuadro N° 2. Delimitación Del Problema
Campo Salud
Área Telemedicina, oftalmología
Aspecto Modelo Informático
Tema
Análisis y diseño de un modelo para
identificar signos de retinopatía
hipertensiva a través de imágenes
de retina, aplicando la tecnología
de Deep learning
Elaboración: Meyvi Hagó Herrera.
Fuente: Datos de la Investigación
Elaboración: Meyvi Hagó Herrera.
Fuente: Datos de la Investigación
8
Formulación del Problema
¿Qué tan eficiente es para el área de la medicina en la ciudad de Guayaquil, la
creación de un modelo informático para identificar signos de retinopatía
hipertensiva a través de imágenes de retina, aplicando la tecnología de Deep
learning?
Evaluación del Problema
Para este estudio se emplean los siguientes aspectos.
Delimitado
Este proyecto se enfoca en la automatización de estudios en imágenes de fondo
de ojos. Específicamente en retinas con padecimientos de HTA. Se utilizará la
tecnología de deep learning para detectar a través de diferentes imágenes las
características que conllevan a la enfermedad en el fondo del ojo. Además se
obtendrá un banco de imágenes de fondos de ojos, tomadas de los últimos 3 años
por diferentes pacientes alrededor del mundo.
Claro
El presente documento abarca conocimientos desconocidos en el área de estudio,
debido a que no solo involucra tecnología sino que también añade partes de la
medicina. Para el área tecnológica, este proyecto se redacta en forma clara y
precisa para cualquier tipo de personas que tengan conocimientos básicos en las
carreras de networking, sistemas o afines. Para la parte médica no se necesita ser
un especialista en el área ya que las diferentes definiciones de la medicina
propuestas en este estudio, tienden a una sencilla compresión.
Se identificarán ideas concisas con términos bien definidos, de manera que se
facilita el entendimiento para las personas interesadas en el tema. Con el objetivo
de que se utilice este proyecto para futuros temas relacionados al uso de
algoritmos con sistema de aprendizaje por computadoras. Sin embargo, si se
9
necesita tener conocimientos básicos pero claros de probabilidades estadística,
matemáticas y programación para una mejor comprensión.
Evidente
La RHTA no es evidente a simple vista ya que son estudios profundizados en la
oftalmología. Esta enfermedad se detecta con ayuda de varios dispositivos o a
través de estudios de imágenes por algún especialista.
Sin embargo, es incuestionable la falta de tecnologías, esta rama de la medicina
no tiene mucho aporte tecnológico. Por lo tanto este proyecto contribuirá
efectivamente a la automatización del mismo.
Concreto
En el contexto presente, se expresan puntos de vistas precisos para ayudar con
la resolución del problema, destinando directamente al comportamiento de
patrones visibles en imágenes coordinando junto con herramientas de la AI. De tal
forma el proyecto no será exclusivamente corto por su proporcionado contenido
entre las dos diferentes áreas.
Relevante
Es importante para la comunidad ya que se va a automatizar el servicio que
brindan los médicos oftalmólogos y a la vez beneficiará a los pacientes para que
sus diagnósticos sean atendidos en menos tiempo. Se lo requiere resolver de
manera científica para tener una guía de futuras investigaciones en la Inteligencia
Artificial (IA) y diagnostico asistido por computadoras (DAO).
Factible
Este proyecto no es factible debido a los pocos recursos obtenidos, tanto en
tiempo como en factibilidad técnica.
10
Se necesita un ordenador con recursos tecnológicos de alto rendimiento para su
efectividad al momento de la predicción. Además mediante investigaciones y
pruebas se indica que se necesitan más de 5.000 imágenes para que el programa
pueda ser entrenado de manera correcta, pero por el limitante del tiempo no se
puede buscar la disponibilidad de pacientes y especialistas para el proceso de la
retinografías. Sin embargo se buscarán todos los métodos posibles para presentar
un prototipo que simule el sistema final al cuál se desea llegar.
Original
Este proyecto es original ya que pocas personas han incursionado en este mundo
de la medicina, diferentes investigaciones indican que son pocos los
latinoamericanos que estudian esta área. Existen temas parecidos con el
aprendizaje de máquina pero no está explorado a fondo con los diferentes tipos
de enfermedades que puede llegar a tener una retina.
Actualmente se puede indicar que el proyecto es novedoso debido a que la
automatización de un sistema, ayudará a los médicos a tener una herramienta de
última tecnología para darse apoyo. Por ende tiene un nuevo enfoque ya que no
será realizado ahora de forma manual sino que también existirá una técnica más
automatizada.
Identifica los productos esperados
La solución a elaborar será de gran utilidad para médicos oftalmólogos, pacientes
y comunidad en general, dado que contribuye con una solución alternativa a la
falta de tecnología en esta rama de la medicina. El problema se lo realiza por
ahora de forma manual pero mediante el resultado dado con las técnicas de deep
learning se hará de forma automática, colocando imágenes en un sistema para
que este ayude al diagnóstico del médico.
11
Objetivos
Objetivo General
Analizar y diseñar un modelo informático mediante técnicas de deep learning para
la detección de los diversos signos de la retinopatía hipertensiva a través de
diferentes imágenes de retina.
Objetivos Específicos
Definir los parámetros que serán considerados para conocer los
diferentes signos de retinopatía hipertensiva según el especialista.
Obtener diferentes imágenes de retina con la enfermedad estudiada
para crear una clasificación dentro de un repositorio.
Establecer la metodología y algoritmo más adecuado basado en deep
learning para el diseño del modelo.
Diseñar un modelo para demostrar la funcionalidad del sistema en la
detección de la enfermedad.
Alcances Del Problema
El presente proyecto analizó de una forma básica la falta de tecnología que existe
en el país con respecto a la medicina. Esto es ocasionado debido a la falta de
interés por el estudio en conjunto de ambas áreas. Por ende en este proyecto se
aplica una medida que ayudará a la integración, social y sostenible de la
telemedicina en el país (exclusivamente en la oftalmología), y se recomienda
estrategias que ofrezcan una mejor actualización para no desperdiciar recursos
importantes.
A través de diferentes pruebas e investigaciones científicas se puede indicar que
el proyecto puede ser factible si se obtienen más de 5.000 imágenes de retinas
que tengan o no la enfermedad a tratar, con la finalidad de tener una red entrenada
que sobrepase el 50% de acierto. Caso contrario no se podrá realizar un prototipo
predictivo.
12
Para este proyecto se realizó diferentes entrevistas con especialistas en el área,
en donde se llegó a la conclusión de que los signos de la RD y RHTA son
parecidos. Los optómetros u oftalmólogos a través del fondo de ojo de una retina
pueden visualizar los signos de manchas algodonosas, hemorragias, etc. Pero ello
no significa que puedan detectar con exactitud si tiene RD o RHTA. Esta
identificación se hace a través de un examen de sangre que identifica la
enfermedad. Hay casos en que vienen en conjunto, es decir ambas enfermedades
al mismo tiempo.
La idea aquí es identificar los signos dentro de una retinografía y que se
automatice este proceso para que más tarde no se convierta en una ceguera.
A pesar de las diferentes investigaciones hechas con el tipo de enfermedad a tratar
no se encontró la cantidad de imágenes deseas en pacientes de la ciudad de
Guayaquil. Por ende se escogió repositorios de la RD para el estudio, del cual se
encuentran más de 88.000 imágenes a utilizar en la bases de datos llamada
kaggle.
Luego se comenzó evaluando diferentes tecnologías para encontrar la
metodología acorde al proyecto. Se buscó aplicaciones para encontrar el mejor
método de procesamientos de imágenes disponibles. Al mismo tiempo se estudió
algoritmos de aprendizajes profundos que puedan usar estas características para
construir un modelo de diagnóstico predictivo. Cabe recalcar que este proyecto,
no entrega ningún tipo de hardware como equipos o dispositivos. Sino más bien
un modelo de sistema que ayuda con la detección de la enfermedad a tratar.
Se espera que este proyecto influya de forma positiva al contraste de estos dos
grandes sectores, como son la tecnología y la medicina.
Justificación E Importancia
La detección de la RHTA a través de las imágenes de fondo de ojo, es una labor
que consume mucha demanda de tiempo debido a que se realiza de forma
13
manual. A efecto a las insuficientes infraestructuras y médicos especialistas que
se requieren en esa área.
Dada la importancia del problema antes mencionado surge la necesidad de un
sistema que reduzca el tiempo invertido y dinero gastado. El mismo es un modelo
de herramienta que mediante técnicas de clasificación de imágenes, servirá de
apoyo a la toma de decisiones necesarias para su respectiva ayuda en la
detección de la enfermedad. Se beneficiarán los médicos especialista y a la vez
los diferentes pacientes.
Esta herramienta da la posibilidad de aumentar la eficiencia y reducir las barreras
de acceso a la medicina cotidiana y contribuirá con mucho aporte a la investigación
científica. Se abre el campo para que una próxima persona, desee seguir
realizando estudios de todas y cada una de las enfermedades de la retinopatía,
con el fin de tener un sistema global que detecte todo tipo de padecimiento de
fondo de ojo. Y no solo enfermedades de la retinopatía, esta tecnología abre un
mundo lleno de posibilidades para estudio de imágenes por computadoras. De
aquí a mañana puede ser que se descubra una manera de combatir el cáncer de
tiroides a través de imágenes, solo se necesita imaginación y fuerza de voluntad
para la creación. Recordando que la optimización de estos sistemas beneficiará
al área de la salud y el desarrollo sostenible del país.
Metodología Del Proyecto
Las metodologías de desarrollo de software se utilizan para ayudar a los
programadores a obtener una guía de cómo realizar el proyecto, mediante
técnicas, herramientas y documentos de ayudas. Este tipo de metodologías sirve
para mantener un orden en la estructura, planificación y control de un sistema de
información. CMS (2017). “Todo proyecto de software deberá planearse,
estructurarse y desarrollarse con habilidad, paciencia y conocimiento”. (Velandia
& López, 2015). En este apartado se establece una metodología que influya en la
clase de investigación que se está desarrollando, para obtener resultados
concisos, ordenados, claros y específicos.
14
El tipo de metodología que más satisface a la investigación es el de prototipado,
éste permitirá un desarrollo básico del modelo sin necesidad de presentar un
sistema exitoso debidamente terminado. El proceso de prototipado se construye
cuando una persona no está segura de que tipos de algoritmos puede utilizar en
el proceso. Se realiza de una forma rápidamente y fácil para comprender lo que
se propone. (Velandia & López, 2015) Indica que la metodología del prototipo “Es
un modelo recomendado cuando no se conocen ciertamente las necesidades,
pues guía al programador según las sugerencias del cliente”.
No se asegura un uso real del modelo, sobre qué aspecto tendrá o cómo
funcionará. Sin embargo se mantendrá en proceso hasta llegar a su funcionalidad
final. Se lo realiza a través de etapas y no solo se utiliza para la creación de un
sistema sino que también puede ser utilizado para su modificación. (Chandra,
2015). En este caso el cliente dará la finalización del proyecto y se modificará cada
vez que se vea necesario para poder cumplir con las expectativas y
funcionalidades esperadas.
A continuación se logra ver que las ventajas son más que las desventajas en este
tipo de metodología para el proyecto planteado.
Ventajas Desventajas
El programa siempre será bien visto para el cliente
El cliente cree que el último prototipo es su programa final
Ofrece un mejor enfoque mediante las pruebas para la creación del mismo
El usuario se desespera por trabajar de forma rápida con el prototipo
El prototipo se puede utilizar para proyectos futuros
Tiene una buena interfaz con el usuario
Reduce el costo y aumenta la probabilidad de éxito
Cuadro N° 3 Ventaja y Desventajas de la Metodología Prototipado
Elaboración: Meyvi Hagó Herrera.
Fuente: Datos de la Investigación
15
En el gráfico n° 1 se muestra el ciclo de la metodología de prototipado, recordando
que el mismo viene del modelo de desarrollo evolutivo se inicia definiendo el
problema y extrayendo requisitos. Luego se desarrolla el prototipo, se presenta su
avance y se define si se necesita más requisitos o se comienza a desarrollar el
sistema. De la misma forma este proyecto de investigación se dividirá en bloques
como se mencionó anteriormente, siendo cada uno de estos un mini proyecto
nuevo. De manera que, cada vez que se comience con un bloque se recolectará
la debida información de herramientas y requisitos. Se finalizará la etapa con
pruebas para saber si el producto es eficiente.
Siguiendo este ciclo se nombra a continuación sus etapas.
1. Recolección y planeación de requisitos.
2. Modelado
3. Elaboración del Prototipo
4. Desarrollo, Entrega y Retroalimentación
Elaboración: J. García G. y Rojas I.
Fuente: http://gestionrrhhusm.blogspot.com/2011/05/modelo-de-prototipo.
Gráfico N° 1. Ciclo de Vida Del Modelo Prototipado
16
5. Comunicación con el Cliente
6. Entrega del producto final.
A continuación se da una breve descripción de cada una.
Recolección y planeación de requisitos.
En esta etapa se analizan las diferentes necesidades que conlleva el proyecto, de
manera rápida se identifican los objetivos y se plantean medidas para llegar a
ellos. Se consideran todas las oportunidades y problemas que se pueden cruzar
en el camino para estudiarlos como futuros modelos. Aquí se conoce si existen
programas de los cuales se modifica a conveniencia de la investigación o se
realizará uno de forma original.
Modelo o Diseño rápido.
Así mismo como la etapa 1 de manera muy breve, se comienza a realizar un
análisis minucioso de las herramientas, necesidades y problemas que se puedan
presentar al poder crear el prototipo del diseño. Además se debe presentar un
boceto rápido o diseño de cómo quedará el prototipo.
Construcción del Prototipo.
Es una etapa técnica e importante y se la maneja de una forma lenta y detallada
puesto que aquí se procede a elaborar el diseño del proyecto de manera lógica y
física (en caso de entregar un hardware). Así mismo se describe de manera formal
los errores obtenidos y las mejoras que se realizan.
Desarrollo, Entrega y Realimentación.
Desarrollo
Se procede a desarrollar el código fuente para elaborar el prototipo.
17
Entrega
Se le hace la rendición al cliente, en este caso será el tutor.
Realimentación
Se hace una revisión por parte del tutor (cliente) al prototipo o modelo que se está
desarrollando y se le explica al cliente cómo utilizar el sistema.
Básicamente las 3 etapas consisten en comprobar la correcta utilización del
modelo, que se cumpla con los objetivos del cliente hasta que no necesite ninguna
modificación. Es decir que corra de manera normal, que no se estanque y que no
emita errores.
Comunicación y refinamiento del prototipo
La metodología de prototipo siempre permitirá la comunicación amena con el
cliente. En esta etapa no solo se sigue escuchando las exigencias del usuario sino
también se sigue con el control del sistema para saber sus falencias y por ende si
es necesario reprogramarlo o hacerle una actualización para que funcione de
manera correcta.
Entrega Final
En esta etapa se entrega la finalización del prototipo para empezar a la creación
del software.
En el gráfico n° 2, se presenta el bosquejo de cómo quedan las etapas de la
metodología prototipado para el planteamiento de esta investigación. Se hace
hincapié en la etapa 3 y 4 ya que estas estarán en bucle mientras que no se finalice
el prototipo final. Además para esta investigación se omitirá la etapa de
comunicación y refinamiento puesto que hace lo mismo en la etapa de desarrollo
entrega y realimentación. Es resumen, el contenido de la etapa 5 decir se colocará
en la etapa 4
19
Gráfico N° 2. 1 Ciclo de Etapas de Prototipado Utilizadas para este Proyecto 2
3
Elaboración: Meyvi Hagó Herrera.
Fuente: Datos de la Investigación
21
CAPÍTULO II
MARCO TEÓRICO
Antecedentes Del Estudio
El diagnostico asistido por computadoras es un método eficaz que ayudan a los
médicos a redactar la valoración de cualquier enfermedad de manera más precisa
a través de contenidos multimedia. “Estas técnicas incluyen la detección de
enfermedades, estructuras anatómicas de interés, la clasificación de las lesiones,
la cuantificación de la enfermedad, el análisis volumétrico, la progresión de la
enfermedad y la respuesta temporal a la terapia”. (González, 2011). Esto se debe
a que las máquinas procesan toda la información de forma completa y sin
escaparse el mínimo detalle que, ante un ojo humano fatigado, se pueden pasar
por alto.
La tecnología de deep learning es en la actualidad quién permite desarrollar
centenares de aplicaciones que ayudan a diferentes áreas como lo son: las
finanzas, el transporte, la contabilidad, la música, el aseo, etc. Sin embargo hace
pocos años atrás se busca emparejar esta tecnología con la medicina para llevar
a cabo una mejor relación y sacar beneficios importantes. Como ejemplo a ello se
pueden evitar barreras de acceso en el campo de la salud, dar mayor cobertura a
través de programas, aumentar la eficiencia y eficacia de las respuestas de algún
padecimiento médico, entre otras.
Empleando el método de DAO junto con la tecnología de DL se han creado
aplicaciones increíbles para la detección de cáncer de pulmón, mamas, detección
de infarto al miocardio, entre otros. El algoritmo de DL ayuda a dar un resultado
óptimo a través del entrenamiento de imágenes, validadas anteriormente por
especialistas.
22
No se encuentran estudios de DAO para la RHTA según investigaciones actuales.
Sin embargo existen pocos estudios sobre la tecnología de DL pero con la RD,
estudiados desde el año 2016 por diferentes organismos y con más de 100.000
imágenes para tener una buena eficiencia en sus diagnósticos. También se
registra un concurso por medio de la plataforma de Kaggle el cuál consistía en
recibir un proyecto que tenga el menos porcentaje de error posible para identificar
los 4 niveles de la enfermedad de la RD. El ganador obtuvo un premio de $100.000
con un margen de acierto en kappa cuadrático de 0,84945%. Actualmente el
repositorio aún está abierto y de él se obtienen muchas pruebas de diferentes
estudiantes que desean incursionar en este mundo de la Inteligencia Artificial.
En el 2016 Google desarrollo una visión por computadoras de la RD. Utilizó la
tecnología de DL con 128.175 imágenes de retina obtenidas por EyePacs y 3
hospitales de ojos más. Esta cantidad de imágenes fueron evaluadas entre 3 a 7
veces para descartar errores médicos y además dejar obsoletas a las retinografías
con mala calidad. En la clasificación de imágenes participaron alrededor de 54
oftalmólogos de USA detectando 4 niveles de la enfermedad. El sistema utilizó
Redes Neuronales Convolucionales junto con el algoritmo de gradiente
descendente estocástico distribuido.
Durante su programación se decidió utilizar normalización por batch para evitar
sobre-entrenamiento. Y al finalizar, su trabajo se midió por especificidad y
sensibilidad con nuevas imágenes de dos repositorios como son EyePacs y
Messidor-2, para evitar analizar imágenes ya entrenadas. Estas nuevas
retinografías fueron separadas y detectadas en caso de tener la enfermedad por
al menos 7 oftalmólogos certificados a más de los 54 que solo se utilizaron para
el entrenamiento de imágenes. Los valores de acierto redundaron entre los 87%
y 97,5%. Tanto para especificidad como para sensibilidad y también para ambos
repositorios. Sin embargo google concluye indicando que su sistema necesita de
mayor cantidad de imágenes y más validaciones para ponerlo en marcha. (Álvarez
Triviño, 2017).
23
En la tesis de “Sistema Diagnóstico Asistido por Computadora para la detección
de la Retinopatía Diabética No Proliferativa usando la Red Neuronal de
Retropropagación” desarrollada por el Ingeniero Jesús Salvador Velázquez
González, en el 2011 con MatLab. Indica que después de a ver evaluado la
enfermedad hizo un programa el cuál se clasificaba por etapas las cuales son:
detectar la imagen, segmentar y calcular las diferentes áreas, además utilizó un
algoritmo para cada una de esas fases como son vasos sanguíneos,
microneurismas y exudados duros. Así como también realizó algoritmos “para
calcular los valores de Homogeneidad y Entropía de la imagen del fondo de ojo a
analizar”. Señala también que para la aplicación y muestreo de este tipo de
sistemas se utilizó Redes Neuronales de Retro-propagación entrenadas por el
aprendizaje supervisado, en el programa de Matlab, éste obtuvo un error del
0,10% para ejemplos nuevos no usados en la etapa de entrenamiento. (González,
2011).
Otra tesis competitiva en este tipo de investigación fue el “Estudio de métodos
para identificar signos de retinopatía diabética en imágenes de fondo del ojo” por
Selene Montes Fuentes en el presente año (2018). Para el Centro de
Investigaciones Científicas y de Educación Superior de Ensenada, Baja California.
En esta tesis se estudió a la RD en sus 4 niveles a través de DL con alrededor de
2.948 imágenes en formato TIFF, bajadas de las bases de datos (Messidor-1 y
Messidor-2), para estudios científicos. Según su algoritmo se le aplica en principio
un pre-procesamiento a las imágenes, debido a que venían en diferentes
dimensiones, del cual resulta cortar sus tamaños dejando en 128x128, 256x256,
512x512. También el pre-procesamiento de retinografías se hizo un aumento de
datos en rotación, traslación, escala, extendido y aumento de color. Como eran
pocos datos se utilizó la técnica de validación cruzada. La máquina con el cual
realizaron las pruebas, fue una potente con 1.5Tb de ram, con 64 núcleos, un S.O
Ubuntu v16.04, el lenguaje de programación fue Python y utilizaron las librerías
de Tensorflow y digits.
Las bases de datos se estudiaron y entrenaron por separados, divididas éstas por
conjunto de entrenamiento, conjunto de validación y el de pruebas. Para el
24
entrenamiento se utilizaron 3 capas ocultas y sus pesos fueron dados como
resultado de la cantidad de clases que había por cada clasificación de la RD.
Se hicieron aproximadamente 4 tipos de modelos llegando a la conclusión de que
no fue factible debido a las pocas imágenes que se tenían. El programa emitía
más resultados de clase 0 debido a la gran cantidad de imágenes para esa
clasificación. Su acierto estaba entre el 0.45% y pese a todos los esfuerzos no se
dieron resultados favorables debido a la poca cantidad de imágenes.(Fuentes,
2018)
La última tesis estudiada fue “Deep Learning Aplicado A Imágenes De Retina
Como Herramienta De Tamizaje En Un Proceso De Diagnóstico Médico”.
Realizada por María Camila Álvarez Triviño, en Suiza y Colombia 2017. Ella utilizó
una máquina muy potente, la cual contenía una GPU NVIDIA GeForce GTX 980,
de 6gb a una velocidad de 7gbps, su CPU era un Intel Core i7, con 15 Gb de ram.
El S.O. fue Ubuntu v16.04 LTS, con en lenguaje de programación de Python.
Las imágenes fueron descargadas desde la base de datos de kaggle y venían en
diferentes tamaños y condiciones. Camila en su proyecto tomó estas imágenes
solo para el entrenamiento de la red y para la validación utilizó otra base de datos
proporcionada por Skipgh, quien estaba liderada por el hospital de Luisana en
Suiza. Para que la red no pueda equivocarse al aprender por las diferentes
tonalidades o estandarización de tamaños, se realizó un procesamiento básico en
las imágenes. Se utilizaron varias librerías como lo son: Keras, para realizar el
proceso de deep learning, OpenCV para procesar las imágenes, etc. Aplicó redes
neuronales convolucionales con un entrenamiento supervisado. La métrica de
evaluación fue kappa cuadrática ponderada, para medir el desempeño de la red.
Hubo problemas de sobre-entrenamiento y se utilizaron capas de normalización
por batch para evitarlos. Esto ocurrió porque la mayoría de las imágenes no tenía
la enfermedad. Los resultados obtenidos se dieron con 9 capas convolucionales,
144 épocas y 30.000 imágenes de pruebas obteniendo un 0,70309 de acierto.
25
Por ultimo cabe recalcar a RetinaLyze, es un software basado en la nube para la
detección de enfermedades oculares en tiempo real. Lo hace a través de la
detección de signos a través de fotos de la retina. Lo pueden utilizar optómetros,
oftalmólogos, retinólogos o cualquier médico especializado en el área. El sistema
es tan confiable como el de los diagnosticos dado por los humanos, sus resultados
aparecen en forma de semáforo, es decir por colores verde, amarillo y rojo, siendo
rojo la representación de la más alta gravedad de la enfermedad y una alerta para
posible operación. Su finalidad radica no solo en dar una mejor atención en el
negocio sino que también ayuda a combatir la ceguera a temprana edad. No
obstante se recuerda que esta aplicación sirve para la toma de decisiones de un
médico. La aplicación indica que enfermedad tiene entre las cuales está: RD,
edemas, hemorragias, pero la última palabra como los tipos de medicamentos a
tomar, la tiene el médico.
Fundamentación Teórica
Este capítulo se divide en dos secciones para su mejor comprensión. En la primera
parte se habla sobre definiciones fundamentales de la anatomía del ojo, sus
partes, la retina con sus componentes principales, la hipertensión, y la retinopatía
hipertensiva. En la otra se habla del área computacional, como inteligencia
artificial, machine learning, deep learning, redes convolucionales, algoritmos de
análisis de retinografías y métricas para la clasificación de imágenes. A su vez se
explica una pequeña introducción de cuán importante es la informática médica y
la telemedicina en Ecuador.
Informática Médica
La informática y la medicina siempre van de la mano para brindar una atención
óptima del paciente y por lo mismo es vital entender cómo funcionan en conjunto.
American Medical Informatics Association (AMIA) la define como la ciencia
tecnológica que se preocupa por mantener la salud del paciente a través
organizaciones y administraciones hospitalarias.
26
La informática médica es un campo interdisciplinario esencial en la actualidad, en
ella se unen muchas disciplinas de las cuales se integra el procesamiento de datos
y comunicación de las prácticas médicas junto con las ciencias de la información
tecnológica. Sirven para investigar, educar y respaldar futuros proyectos de la
salud. (Greenes & Shortliffe, 1990).
En ella se busca el desarrollo de nuevos paradigmas uniendo disciplinas como
son las probabilidades estadísticas, logística, metodologías de la investigación,
lógica matemática, ciencias y por ende la informática. Intenta automatizar todo tipo
de procedimiento manual, por medio de dispositivos y la biomedicina. Sin
quedarse atrás la parte médica administrativa como son los sistemas basados en
la descripción de historias clínicas, recetas médicas, sistemas de información y
comunicación dentro y fuera del hospital, entre otros. Intenta explicar el estado de
salud del paciente y el conocimiento que tiene la población en esta área. Además
de eso pretende enseñar la ciencia médica a través de las diferentes tecnologías
de la información y comunicación (TIC) en las universidades y prácticas clínicas.
Aplicaciones
En la informática médica pueden trabajar personas emprendedoras con previos
conocimientos en educación médica, electrónica, sistemas, telecomunicaciones,
tecnología de la información, administración de gestiones, etc.
Ellas pueden realizar diferentes aplicaciones como el de trabajar con los
laboratorios de análisis clínicos, dispositivos electrónicos para hacer mediciones,
software de gestión hospitalarias, manejos de turnos y de historias clínicas,
diagnósticos por imagen, bases de datos de pacientes, telemedicina, registro
clínico electrónico, información de la salud, informática dental, bioinformática,
veterinaria informática, educación médica, pacientes digitales, el uso de
simuladores o procedimientos médicos quirúrgicos, terapias físicas, prótesis a
través de biomecánica, entre otros.
27
En resumen, la informática médica es la que crea algoritmos para crear sistemas,
los mismos que se dedican al cuidado de la salud. Multiplicando beneficios en la
compleja rama de la medicina. (Van Bemmel, 1984).
Telemedicina
Los sistemas computacionales, tecnología de la Información, redes de
comunicaciones, o áreas afines desarrollan cada vez diferentes métodos para
mantener comunicado al mundo a través del internet. Dentro de ellos se
encuentran muchos países que se benefician con este proceso. La telemedicina
es la prestación de servicios de la medicina a distancia, se la puede también definir
con los nombres de e-salud o telesalud. Esta tecnología se acompaña de una
infraestructura de red eficiente para que esta sea aprovechada eficazmente. Su
plena actividad se apoya en los avances y desarrollo de la informática actual. La
OMS (2008), en su definición de telemedicina indica que, la distancia dada por
ciudades, países inclusive continentes no implica un factor crítico para la ella.
Debido a que, si existe acceso a la conexión de la red entre doctores y pacientes,
se pueden realizar hasta operaciones.
Las diferentes aplicaciones ayudan a ser más eficiente la medicina, reduciendo
los costos y desplazamientos tanto para el médico como también el paciente, así
explica (Meza Bolaños, 2010) “por carencia de recursos humanos y materiales,
buscan en la telemedicina una alternativa eficaz para reducir costos y evitar el
desplazamiento del médico o del paciente además de evitar las molestias que
representan las grandes listas de espera”.
Las redes sociales permiten enviar información mucho más rápida en caso de
enfermedades básicas que se puedan tratar a distancias. Como a ejemplo a redes
sociales se tiene a las páginas de Facebook reconocidas por médicos de mucha
trayectoria, en donde los pacientes preguntan por enfermedades o medicamentos
y éste le contesta incluso haciéndole una historia clínico pero a distancia. Así
mismo se puede programar reuniones de trabajo con otros doctores lejos del país,
a través de Skype, pero no solo es utilizada por profesionales, sino también
28
docentes en el exterior que se requieren comunicar con estudiantes y lo pueden
hacer a través de diferentes plataformas.
La telemedicina derivada de la informática médica, no solo crea unión en
distancias sino también aplicaciones o dispositivos que ayudan al cuidado de la
salud. Así mismo da respuestas de forma rápida que monitorean al paciente en
tiempo real. Por medio de las TIC´s, se logra intercambiar datos para ayudar a un
médico en la toma de decisiones, teniendo más precisión diagnostica. Otra de sus
ventajas está la de prevenir enfermedades, ayudarlas a diagnosticar a tiempo y
poder reducir la lista de espera en pacientes. Todo esto con la finalidad de dar un
mejor servicio y mejorar la calidad de vida a los usuarios y comunidades en
general. (Ferrer Roca, 2001).
En Ecuador se dificulta mucho llevar la medicina y la tecnología juntas de la mano,
debido a que existen zonas en donde aún no hay ni servicios eléctricos. Como
son: las zonas del oriente ecuatoriano, zonas rurales o los barrios urbanos
marginales. Como si fuera poco estos lugares tampoco tienen servicio de medicina
ya que en ocasiones no se encuentran centros de salud en esas áreas y si lo hay,
estos están abastecidos completamente de personas que requieren atención,
dejando pocas oportunidades a los más vulnerables.
Una de las más grandes dificultades para el país es la factibilidad económica, pues
se basa en que las herramientas o dispositivos son muy costosos e indican
también en que las condiciones no son favorables para implementar este tipo de
tecnologías en el país. Así mismo la falta de conocimientos por parte de la
tecnología también es un factor grande para poder implementarla.
Ecuador está impulsando proyectos de telemedicina desde el 2011 y son las
Universidades las que contemplan varios proyectos. La idea es de promover un
mejor acceso de servicios de la salud, a fin de reducir la brecha existente entre la
creciente demanda y la limitada capacidad operativa. Aunque se considera que
29
no es barato ya que se necesita de capacitaciones e infraestructuras más robustas
para que se empiece a integrar a la telemedicina en el país.
Sin embargo las ventajas son notorias como a ejemplo tenemos el ecu 911, con
que una llamada se logra tener acceso a un tele-consultorio a la hora que sea
necesario, ellos están listos 24/7. Para el IESS será un proyecto a futuro.
(Andrade, 2014). Galápagos y la Amazonía son los principales beneficiarios de
esta tecnología, pues reconocen que la telemedicina, ayuda al médico a enviar
exámenes de enfermedades a sus colegas especializados ubicados la mayoría en
Guayaquil o Quito, para su posterior diagnóstico. De esta manera se omite el
costoso viaje y se diagnostica el padecimiento. “Esta modalidad ahorra tiempo y
dinero al enfermo y sus familiares.” (Falconi, 2017)
En el 2014, la tele-radiología utilizada en el IESS da paso para sus pacientes, de
esta forma ellos no viajarán a sacar cita médica, hacerse exámenes,
medicamentos, etc. Por el simple hecho de que viven en un lugar donde no hay
disponibilidad de médicos especialistas. A parte de eso la tele-radiología ayuda a
reducir en un 60% la economía, ya que la información se sube a la nube para que
otros doctores puedan ver el padecimiento del afiliado. La fundación Manuela
Espejo, utiliza una base de datos para encontrar a las personas con discapacidad
y darle apoyo físico y moral. Otro proyecto es el de la Universidad Salesiana de
Guayaquil, creando tele-consultorios.(Meza Bolaños, 2010).
La telemedicina ha ido mejorando a paso lento en Ecuador, grandes proyectos se
han abierto para que se logre sacar beneficios en esta ciencia. Pero se necesitan
aún más mentes emprendedoras que incursionen en este mundo para ayudar a la
al área de la salud y el desarrollo sostenible del país.
Área de la salud
Anatomía del Ojo
El sentido de la vista es importante para una persona ya que con éste puede
describir el color de las cosas, cuán lejos está un objeto y el tamaño del mismo.
30
Este sentido contiene al órgano del ojo, el cual recibe toda la información desde
el exterior. El proceso de la visión es un poco complejo, se entiende que para
alcanzar la correcta visualización de un objeto se necesita al menos un pequeño
rayo de luz. Éste choca con el objeto y a la vez con la córnea, pasando por el lente
hasta el iris, quien refleja la imagen al revés. Luego pasa por la retina y es llevada
por medio de impulsos eléctricos al cerebro. Simultáneamente el cerebro
transforma la imagen a su versión original y se produce la visión correcta de las
cosas. Este proceso aunque se ve largo dura solo milésimas de segundos.
A continuación en el gráfico n° 3, se mencionan las partes más importantes de
este órgano con su pequeña descripción:
Esclerótica
Es un tejido o capa externa, fibrosa duro y de color blanco. “su principal función
es de proteger para que soporte la presión intraocular y no se deforme”. (Fuentes,
2018). Es decir que la esclerótica es quien protege las partes sensibles de los
diferentes traumatismos al que está expuesto el ojo. En el gráfico n° 4 se verá una
imagen de la esclerótica.
Elaboración: Gente con Vista
Fuente: https://www.genteconvista.com/ojo-humano-como-funciona/
Gráfico N° 3.
Anatomía Del Ojo
31
Coroides
Es un tejido intermedio que se encarga de mantener y nutrir al globo ocular como
lo indica (Murray, 2012), “es responsable del suministro de sangre a la pared del
ojo y estructuras externas de la retina”.
Pupila
Es un orificio situado en el centro del iris, de color negro, su función es de regular
la luz. En el gráfico n° 5 se verá una imagen de la pupila.
Iris
Es quién da color al órgano del ojo y junto con la pupila regulan la cantidad de luz.
En el gráfico n° 6 se verá una imagen del iris.
Elaboración: Gente con Vista
Fuente: https://www.genteconvista.com/ojo-humano-como-funciona/
Gráfico N° 4.
Esclerótica-Anatomía del ojo
Elaboración: Gente con Vista
Fuente: https://www.genteconvista.com/ojo-humano-como-funciona/
Gráfico N° 5.
Pupila-Anatomía del ojo
32
El iris y la pupila regulan la cantidad de luz, si hay mucho rayo de luz, la pupila se
torna pequeña para evitar el paso. Si hay poca luz, la pupila se abre lo más grande
posible para captar toda luminosidad.
Córnea
Es un tejido transparente que recubre al iris y la pupila, deja pasar o refractar la luz
hacia dentro del ojo. “Es el primer elemento óptico que participa en el enfoque
preciso de la imagen.”(Alcon Cusí, 2018). En el gráfico n° 7 se verá una imagen de
la córnea.
Elaboración: Gente con Vista
Fuente: https://www.genteconvista.com/ojo-humano-como-funciona/
Gráfico N° 6. Iris-Anatomía del ojo.
Elaboración: Gente con Vista
Fuente: https://www.genteconvista.com/ojo-humano-como-funciona/
Gráfico N° 7.
Cornea-Anatomía del ojo
33
Mácula
Se encuentra dentro de la retina y permite que el ojo alcance a desarrollar la visión
en los detalles más pequeños, es la encargada de la visión central y permite leer.
Su centro se denomina fóvea. (Fuentes, 2018). En el gráfico n° 8 se verá una
imagen de la mácula.
Nervio óptico
La conexión entre el ojo y el cerebro, se denomina nervio óptico. Éste según
(Murray, 2012) “consiste en un conjunto de más de un millón de fibras nerviosas”.
Las cuales a través de impulsos nerviosos originados por la luz se trasforman en
imágenes. (Fuentes, 2018). En el gráfico n° 9 se verá una imagen del nervio óptico.
Elaboración: Gente con Vista
Fuente: https://www.genteconvista.com/ojo-humano-como-funciona/
Gráfico N° 8.
Mácula -Anatomía del ojo
Elaboración: Gente con Vista
Fuente: https://www.genteconvista.com/ojo-humano-como-funciona/
Gráfico N° 9. Nervio Óptico-Anatomía del ojo
34
Retina
Es la capa más interna y principal en el órgano del ojo, debido a que convierte los
rayos de luz en impulsos nerviosos. “Para ello cuenta con foto receptores, un tipo
especial de células para detectar la luz”. (Fuentes, 2018).
Es la clase de tejido más sensible a la luz situada en la superficie interior del ojo,
similar a una tela donde se proyectan las imágenes, contiene los vasos
sanguíneos y tejidos conectivos del ojo. Está formada por células sensibles
llamadas bastones y conos, quienes transforman la información en impulsos
eléctricos y la pasan a través del nervio óptico al cerebro en forma de X. El lado
izquierdo del ojo lleva la información al lado derecho del cerebro y así mismo el
lado derecho del ojo va hacía el lado izquierdo del cerebro. Los bastones ayudan
a ver con poca luz y los conos son responsables de los colores y las formas que
se observan los objetos.
La retina es un tejido complejo formado por muchas capas. Las mismas que
pueden afectarse por diferentes patologías provocando daños en la visión de
forma parcial o total. Las enfermedades que más afectan a la retina son las de RD
y RHTA. Se puede prevenir con exámenes de fondo de ojo mínimo cada 6 meses.
En el gráfico n° 10 se verá una imagen de la retina.
Hipertensión Arterial
La tensión arterial es la medida que marca la presión de la sangre ejercida en los
vasos sanguíneos. Una presión arterial normal es de 120/80mmHg, si sube de
140/90mmHg se caracteriza alta o sistólica en cambio sí es inferior a 90/60mmHg
Elaboración: Gente con Vista
Fuente: https://nei.nih.gov
Gráfico N° 10.
Retina-Anatomía del Ojo
35
se denomina baja o diastólica. Esta enfermedad daña de forma progresiva algunos
órganos como lo son: Cerebro, Hígado, Corazón, Retina, entre otros. Se la conoce
como el asesino silencioso, siendo una de las enfermedades más crónicas dada
por la tensión que genera la sangre al circular por el cuerpo. No muestra ningún
signo de dolencia, hasta que no esté completamente grave. Las formas de saber
que se tiene HTA es cuando la enfermedad está avanzada produciendo daños al
cuerpo o con exámenes médicos regulares, en donde se puede ver que la tensión
arterial varía.
Esta enfermedad afecta a diferentes partes del mundo siendo la tasa de mayor
morbilidad en la población adulta de cualquier país. según (Cáceres Toledo,
Cáceres Toledo, & Cordiés Jackson, 2000).
En Ecuador (Guadalupe, 2017) afirmar que “la hipertensión arterial, según los
últimos datos de la Encuesta Nacional de Salud y Nutrición (Ensanut) está por el
35 y 40 por ciento de prevalencia”, es decir que desafortunadamente del 100% de
las muertes en Ecuador, más o menos la mitad está dada por la HTA. Esto se
debe a los diferentes factores de cuidados que tienen las personas cuando se les
detecta la enfermedad.
Cuando la HTA está demasiado alta produce dolor de cabeza, náuseas, confusión,
sangrados, derrames e incluso la muerte. Una persona tiene riesgos de ser
hipertenso si: es obeso, con frecuencia está estresado, ansioso, toma demasiado
alcohol, consume mucha sal en sus comidas, tiene antecedentes familiares con la
misma enfermedad, diabetes, fuma, etc. En caso de que aumente se debe acudir
a un médico lo más pronto posible. No solo es necesario tomarse la presión sino
también hacerse un análisis de fondo de ojo, ya que por este medio se puede
observar con más detenimiento la “posible duración de la HTA y el daño sufrido
por los vasos en el pasado, el estado actual del proceso y su probable curso
futuro”. (Cáceres Toledo et al., 2000).
Pero, ¿por qué y cómo se puede ver la HTA a través de estudios de fondo de
ojos? Su respuesta es muy fácil. La HTA puede generar hipertensión ocular y a la
vez esta genera en una persona retinopatía hipertensiva. Por esta razón mediante
36
los estudios de fondo de ojos se puede observar de una forma más detenida los
daños que puede causar esta enfermedad en la retina y en el resto del cuerpo
humano.
Retinopatía Hipertensiva
Es el conjunto de alteraciones que tiene en la sangre, la retina causada por la
HTA, afecta de manera precoz y realiza cambios en el fondo de ojo. Los vasos
sanguíneos aumentan su grosor provocando un aumento en su rigidez y una
disminución en su flexibilidad.
El estudio de fondo de ojo consiste en el análisis de la retina y sus vasos por medio
de un oftalmoscopio, PanOptic, CanScanner, entre otros. Es una prueba sencilla
e indolora que se realiza en pocos minutos, La retina puede verse alterada no solo
por RHTA sino también por RD, arteriosclerosis o la edad avanzada. La RHTA se
puede presentar como hemorragias en flama, depósitos anormales, conocidos
como exudados o bien como enema macular.
En la RHTA hay tres grados:
Grado 1.- Las arterias y arteriolas retinianas se han adelgazado.
Grado 2.- Las arterias están adelgazadas y son notorias las compresiones
arteriovenosas.
Grado 3.- El ojo muestra hemorragias en retina y exudados duros en forma
de una hemiestrellada macular.
Los cambios están referidos en grupos:
Grupo 1.- “Adelgazamiento mínimo de las arterias de retina”.(Tasman,
1998)
Grupo 2.- “Adelgazamiento de las arterias de retina junto con zonas de
adulzamientos focal y compresión arteriovenosa”.(Tasman, 1998)
Grupo 3.- “Cambios en el grupo 1 y 2, así como hemorragias en la retina,
exudados duros y manchas algodonosas”. (Tasman, 1998)
37
Grupo 4.- “RHTAmaligna son anomalías de los grupos 1 al 3 con edema
de la cabeza del nervio óptico”.(Tasman, 1998)
Para este proyecto se decidirá solo si la RHTAse encuentra alojada dentro de la
retina o no, sea cualquiera de sus grupos o grados de la enfermedad. Lo más
convincente es que se vea a través de manchas algodonas, hemorragias,
exudados duros, etc.
Lo que se logrará presenciar a través del prototipo serán las siguientes
alteraciones vasculares.
Alteraciones arteriales
Trasudados Periarteriolares, que tras la resolución de la HTA quedan secuelas
Elaboración: William Tasman & Edward Jaeger
Fuente: Atlas Oftalmológicas Clínicas
Gráfico N° 11. Alteraciones Arteriales
Elaboración: William Tasman & Edward Jaeger
Fuente: Atlas Oftalmológicas Clínicas
Gráfico N° 12.
Trasudados Periarteriolares
38
Manchas isquémicas de la retina interna que son algodonosas.
Hemorragias de Retina
Depósito Retiniano o exudados duros, amarillos y redondeados.
Elaboración: William Tasman & Edward Jaeger
Fuente: Atlas Oftalmológicas Clínicas
Elaboración: William Tasman & Edward Jaeger
Fuente: Atlas Oftalmológicas Clínicas
Gráfico N° 13. Manchas Isquémicas
Gráfico N° 14.
Hemorragias de Retina
Elaboración: William Tasman & Edward Jaeger
Fuente: Atlas Oftalmológicas Clínicas
Gráfico N° 15. Depósito Retiniano
39
Edema Retinal y macular
Clasificación de la Retinopatía Hipertensiva
Retinopatía Hipertensiva Aguda
RHTA Maligna o transitorias, aparece en caso de aumento brusco de la presión
arterial. Se la caracteriza por tener síntomas como la visión borrosa y ceguera.
Vuelve a la normalidad cuando se controle HTA
Retinopatía Hipertensiva Crónica
No revela síntomas durante mucho tiempo y suele diagnosticarse en los
exámenes de fondo de ojo. Este tipo de Hipertensión aumenta el riesgo de
oclusiones vasculares, pudiendo afectar la visión. Puede aparecer visión borrosa
o disminución de la agudeza visual y en algunos casos pérdida significativa de la
visión. Sobre todo en casos asociados o diabetes o arteriosclerosis. Puede estar
acompañada de dolor de cabeza, en el fondo de ojo se observa una disminución
de los vasos. En los casos más graves se pueden apreciar hemorragias, exudados
y edema de papila. La mayoría de las personas con HTA no tiene síntomas hasta
que la enfermedad no está avanzada. El único tratamiento para la RHTA es
controlar la presión arterial, tener hábitos de vida saludable y la administración de
farmacéuticos antihipertensivos.
Elaboración: William Tasman & Edward Jaeger
Fuente: Atlas Oftalmológicas Clínicas
Gráfico N° 16. Edema Retinal
40
El paciente debe ser remitido al médico general para ser atendido y hacer los
exámenes y tratamientos correspondiente no cura la hipertensión pero si la
controla. Aunque si se identifica su causa, su tratamiento puede resultar en la
curación.
Área De La Tecnología.
La tecnología avanza muy rápido y con ellos los procesos de automatización de
las diferentes áreas en las pequeñas y medianas empresas. Para este proyecto
de titulación se hará uso de la minería de dato para la clasificación de imágenes.
Según (Álvarez Triviño, 2017), la minería de datos utiliza todo los tipos de
algoritmos que abraca la IA, entre ellos están ML, DL y técnicas estadísticas para
obtener probabilidades de aciertos en sus resultados.
Inteligencia Artificial
La Inteligencia Artificial es emocionante, no tiene una sola definición conceptual
debido a su campo universal extenso. Se ha llegado a convertir en una rama difícil
pero a la vez interesante y útil, produciendo centenares de sistemas que
automatizan el proceso diario de las industrias, empresas, fábricas, etc. El objetivo
de la inteligencia artificial es poder realizar las mismas funciones que el cerebro
humano, pues éste es su inspiración. Una razón importante para estudiar la IA, es
aprender más acerca sobre los seres humanos, quienes son los que innovan en
esta ciencia para obtener una vida mejor. (Russell & Norvig, 2016) En su libro
indica que la IA es el "campo en el que más le gustaría estar a científicos de otras
disciplinas”.
El problema de los usuarios hoy en día, es tener grandes bases de datos para
procesar, esto requiere la ayuda de diferentes programas y sistemas
computacionales. Las máquinas no solo pueden llegar a procesar grandes bases
de datos sino tener muchas más funcionalidades y lo mejor es que se puede
utilizar en todas las áreas existentes. Sirven para las finanzas, transporte y sin
duda alguna para el diagnóstico de enfermedades es una de ellas, uniendo la
salud física con lógica robótica. “El reconocimiento de patrones de datos como
41
imágenes médicas permite encontrar características comunes incluso clasificarlas
en diferentes categorías, como por ejemplo según la existencia o inexistencia de
determinada patología”(Álvarez Triviño, 2017). Es por esta razón que la IA es una
de la rama que se escoge para obtener mejores resultados en el proyecto.
De manera secuencial se simulan procesos humanos a través de sistema
informático, pues se vive en una era donde las máquinas y los humanos aprenden
a diario. Se utiliza la inteligencia humana para crear y entender la inteligencia
artificial. Un robot puede hacer tantas funciones como resultado de la
programación que existe dentro de él. El mismo puede aprender a manejar solo,
razonar, entablar una conversación, etc. Sin embargo se menciona que aún el ser
humano no logra programarle una conciencia a un sistema artificial. Ya sea por su
nivel de complejidad o porque simplemente no desean que un robot tenga
conciencia. ¿Tú qué opinas?
La IA ha pasado por varias etapas, a continuación, en el gráfico n° 17 se menciona
una pequeña línea del tiempo de su recorrido en estos 68 años de vida. En esta
se puede ver que primero fue la IA, dentro de ella existe el ML y dentro de él está
DL.
Gracias al ML y DL se evitan muchas reglas de programación para poder filtrar
grandes cantidades de datos. Con esto quiero subrayar que una cosa es
programar una máquina para moverse y otra es programar a una máquina para
que aprenda a moverse.
Elaboración: NVIDIA 2016
Fuente: Tesis de Selene Montes Fuentes
Gráfico N° 17. Línea del tiempo de la Inteligencia Artificial
42
Machine Learning
Machine Learning, aprendizaje automático o aprendizaje de máquina trata de
generalizar los conocimientos a partir de un conjunto de datos. Lo realiza a través
de algoritmos de aprendizajes automáticos. Estos métodos determinan un
resultado al cual el programador comparará y ajustará los parámetros debidos en
caso de necesitarlos. Es decir, que estos factores se ajustan para que la
tecnología aprenda mejor. Cuando se utiliza la palabra aprender en este tipo de
diálogos, se hace referencia al saber identificar patrones complejos en un mar de
datos. En cambia la palabra automática hace hincapié en que un sistema llega
mejora su aprendizaje con el paso del tiempo y no necesita intervención humana.
Machine learning se enfoca a través de los datos en razonamientos
probabilísticos, recuperación de información y reconocimientos de patrones.
Aplicando estás a predicciones de tráfico, reconocimiento de placas, mapear sitios
u objetos, las prestaciones que ofrecen son incomparables.
El ML tiene las siguientes categorizaciones que cuentan cómo sus tipos de
algoritmos: Aprendizaje supervisado, Aprendizaje no supervisado.
Las técnicas de clasificación sirven para diferenciar los datos propuestos por el
programador entre ellas las más importantes son: arboles de decisiones,
algoritmos genéticos, máquina de soporte vectorial, algoritmo de agrupamiento,
redes neuronales (la principal), entre otras.
Aprendizaje supervisado
Este aprendizaje se trata de la supervisión del trabajo por un agente externo, es
decir que, se le enseña al programa mediante una entrada y una etiqueta, la salida
que se espera del sistema. Se da el caso en que se lo corrige si es necesario, a
esto se le llama aprendizaje reforzado. Para este proyecto se va a utilizar
imágenes con sus respectivas etiquetas y se supervisará su salida.
43
Aprendizaje no supervisado
No es el caso en este proyecto pero de forma breve se lo definirá como un sistema
que tiene entrada pero no tiene etiquetas, ni mucho menos alguien que supervise
que salida se quiere obtener del programa. En este caso aprende asociando
relaciones y buscando patrones de similitud en los datos de entradas.
Deep Learning
Deep learning o aprendizaje profundo es derivado de machine learning, pero en
ML existen reglas que no son de DL, es decir que este último utiliza un nivel más
detallado de entrenamiento a través de grandes cantidades de datos.
Los algoritmos de ML son tradicionalmente fáciles comparados con los de DL, los
primeros son lineales mientras que, en un algoritmo de aprendizaje profundo se
apilan jerarquías o capas de creciente complejidad y abstracción. Esta tecnología
utiliza muchas capas y cada una de estas ayuda a poder resolver el problema. La
primera procesa la información, la segunda analiza y combina resultados
obtenidos de la capa anterior, la tercera y cuarta, harán lo mismo hasta obtener
un modelo con predicciones altas. Es decir cada capa saca su conclusión con
respecto a lo aprendido y luego hace una comparación para indicar porcentajes
de aciertos o errores. Las capas se encargan de aprender que es lo que sirve y
no, aprenden sola, no necesita que un humano esté presente. Más adelante se
mencionará una breve descripción de cada una de las capas.
Si se estuviera usando ML para este tipo de procesos, colapsaría debido a las
grandes cantidades de datos por aprender. Para el DL no hay límites de datos,
éste funciona mejor en big data. A pesar de que en DL y ML se resuelven a través
de algoritmos para un mismo objetivo, estos contienen funciones matemáticas
diferentes capaces de predecir datos complejo, solo es cuestión de saber elegir
bien. La función de mapear es importante para DL, llega a reconocer información
a través de imágenes (conjunto de pixeles). “El aprendizaje profundo resuelve esta
dificultad al dividir el mapeo complicado en una serie de mapeos simples anidados,
cada uno descrito por una capa diferente” (Goodfellow, 2016).
44
Antes de profundizar el mundo del DL, se muestra de forma resumida en el gráfico
n° 18 qué es y cómo hace una máquina para poder aprender patrones a través de
imágenes. Esto resulta fácil para llegar a comprender los conceptos y
procedimientos que utilizan tanto ML como DL.
Si es por medio de imágenes como se lo realizará en esta tesis, primero se le
presentará al programa una figura más una etiqueta, esta etiqueta debe indicar
que es un gato. Luego se busca un algoritmo que estudie y evidencie las
características del gato, para más tarde dé la predicción. Por último, se da su
salida y se estudiará si esta correcta o no.
En caso de que la salida bote una mala respuesta, se procede a modificar el
algoritmo para su futra predicción. Cuando el programa aprenda correctamente ya
no tendrá errores y estará listo para detectar si es o no un gato a cualquier imagen
que se le inserte.
Elaboración: Meyvi Hagó Herrera.
Fuente: Datos de la Investigación
Gráfico N° 18. Algoritmo Utilizado para Imágenes con Deep Learning
45
Clasificación de imágenes
Para un humano clasificar una imagen es fácil pero para una computadora el poder
de clasificar una imagen resulta un gran desafío no solo para el algoritmo sino
también para la persona que lo programa. Existen diferente tipos para categorizar
una imagen pero la idea aquí no es aprender a clasificar sino estudiar los
diferentes tipos de clasificación de imagen y elegir un mejor método de
procesamiento para las fotografías. En la visión por computadora una imagen se
representa como una gran matriz tridimensional de números. (Johnson and
Karpathy 2015).
A continuación en el gráfico n° 19, se
muestra la imagen de un ojo tomada desde
la página web del NIH. La misma tiene t40
píxeles de ancho por 236 de alto y tres
canales de color RGB. Por lo tanto la imagen
consiste en 240x236x3 = 169.920 píxeles,
donde cada número px, es un digito entero
que va desde 0 (negro) a 255 (blanco). La
tarea de la clasificación de imagen es
estudiar cada píxel y convertir el 169.920 en
una predicción que logre indicar si esa imagen es o no es un ojo.
Para las personas es muy fácil reconocer un gato o un perro, sin embargo para
una máquina es un reto muy complicado debido a los diferentes desafíos. En el
gráfico n° 20 se pueden observar los retos a lo que se enfrente un entrenamiento
de imágenes.
En la a) se encuentran las diferentes variaciones relacionadas al punto de vista,
ya que depende como fue tomada la foto para dar una posición a la imagen. En la
B) la iluminación juega un papel importante para que el sistema pueda aprender
bien a reconocer los diferentes patrones. C) la variación de escala, siempre
mostrará variación en su tamaño debido a que son fotografías, también depende
de la perspectiva, de que tan lejos estuvo la cámara o por ejemplo en esa imagen
Elaboración: Instituto Nacional del OJo
Fuente: Cortesía de NIH
Gráfico N° 19.
Anatomía del ojo Fuente
46
el tamaño de una persona. D) La deformación da hincapié a los objetos que se
pueden mover de su forma natural. F) el desorden del fondo indica que los objetos
se pueden confundir con las diferentes cosas a su alrededor como colores, formas,
etc. G) solo una parte del objeto puede verse, a esto se llama oclusión. H) hay
diferentes tipos de modelos y clases para un solo objeto, es por ello que la red se
puede confundir. (Johnson, 2015).
Si se piensa por un momento en los diferentes tipos de mesas, se llega a la
conclusión que existe mesas cuadradas, rectángulas, ovaladas, triangulares, de
vidrios, de madera. Etc. La idea aquí es de No hacer que una RN categorice la
imagen por sus tipos su clasificación, sino entrenarla la red con los diferentes tipos
de clases. Y luego a través de un algoritmo de entrenamiento con todas sus
clasificaciones, indique si es una mesa o no. A este enfoque se conoce como
training test. En la práctica, se puede tener miles de categorías y cientos de miles
de imágenes para cada categoría. Es por esto que los algoritmos que manejan la
clasificación de imágenes tienden a darle una etiqueta a cada figura. A
continuación, en el gráfico n° 21, se muestra un diagrama de cómo resulta para
un programa clasificar una imagen. Lo primero es dar de entrada al programa una
cierta cantidad de imágenes etiquetadas con diferentes clases. Luego el programa
aprende las imágenes siguiendo características similares. Y por último este indica
evalúa, indica y clasifica e indica a que etiqueta pertenece una nueva imagen.
Elaboración: Convolutional Neural Networks for Visual Recognition.
Fuente: http://cs231n.github.io/classification/
Gráfico N° 20. Retos de la Clasificación de Imagen
47
Redes Neuronales Artificiales (RNA)
Una neurona artificial simula una neurona bilógica, siendo esta la unidad básica
de procesamiento que se encuentra en una Red Neuronal (RN). Las neuronas
contiene una entrada y esta misma conlleva a un proceso de datos a través de
cálculos internos o sumas ponderadas, generando a su vez una salida.
Cada neurona consta de: Datos, pesos o parámetros y sesgo (dato de error). “Las
conexiones entre las unidades de procesamientos poseen pesos numéricos que
pueden ser modificados según las entradas que reciba la red, permitiéndole
adaptarse y aprender”. (Álvarez Triviño, 2017).
La unión de muchas neuronas conforma una RN y se agrupan para ser capaces
de aprender. Según (Fuentes, 2018) “Las redes neuronales son modeladas como
colecciones de neuronas contactadas en un grafo a cíclico, por lo que, las salidas
de algunas neuronas se convierten en entradas de otras”.
A través de las RN se modelan comportamientos inteligentes que llegan a ser útil
para cualquier mente humana. Para dar un mejor acierto a sus resultados utilizan
la probabilidad como una herramienta perfecta para construir modelos y evitar
equivocarse. Además, dentro de sus capas ocultas utilizan más de dos funciones
matemáticas para poder llegar a su objetivo. Las RN aprenden de forma jerárquica
es decir por niveles o capas las mismas que fueron mencionadas en el apartado
Gráfico N° 21. Clasificación de Imágenes para un Programa.
Elaboración: Meyvi Hagó Herrera.
Fuente: Datos de la Investigación
48
de DL. En el gráfico n° 22, en la imagen a) se puede encontrar una RN con su
respectiva capa de entrada (3 neuronas o clasificaciones), una capa oculta (esta
contiene 4 neuronas) y una capa de salida. Así mismo la imagen b) tiene una de
entrada, 2 ocultas (con 8 neuronas) y una de salida.
Las aplicaciones de las redes neuronales son muchas, dentro de ellas están:
Reconocimiento de caracteres, de imágenes, de voz, traducción de idiomas,
pronóstico de enfermedades, prevención de fraude, conducción autónoma,
análisis genético y un largo etc.
Redes Neuronales Convolucionales (RNC)
Las RNA se subdividen en un conjunto de redes que ayudan de diferentes
maneras al reconocimiento de patrones. Tradicionalmente las RNA se utilizan para
el reconocimiento de texto y voz. En cambio las RNC o CNN, se especializan en
el procesamiento de datos en imágenes. Fueron diseñadas para diferenciarse de
las demás técnicas debido a que se necesita una mínima cantidad de
procesamiento dando como ventaja una mejor eficiencia. El nombre de
convolucional hace referencia a la utilidad de la función lineal matemática la
convolución. El uso de RNC ayuda a reducir el número de parámetros a través de
funciones de activaciones para poder requerir menor cantidad de procesamiento
en cada fotografía. Para ellas no importa si la imagen de perro está virada, boca
abajo, tiene diferentes colores, lo que importa es que la red haya sido bien
entrenada.
Elaboración: Goodfellow, 2016
Fuente: https http://cs231n.github.io/classification/
Gráfico N° 22. Topología de una red neuronal
49
Si se coloca una imagen de 256x256, para una red normal, su peso estaría por
65.536 parámetros, y sin sumarle el tipo de color. Esta cantidad de parámetros en
peso es muy grande para una red sencilla. En cambio las RNC, tienen 196.608,
debido a que se le declara el tipo de color que entra (RBG). Pero no lo estudia
como peso sino más bien como números de neuronas. Los pesos se añaden de
manera automática dependiendo la función matemática que uno le indique.
La diferencia entre las redes neuronales artificiales y las convolucionales, radica
en su especialidad. Si bien es cierto, si se puede programar una red artificial que
pronostique el tipo de imagen, pero ésta tendrá que estudiar muchos parámetros
que conllevan a una fuerte programación y consumo de CPU. A diferencia de las
convolucionales que son específicas para aprender imágenes. Dentro de sus
algoritmos, tienen un fuerte núcleo de programación que ayuda a reducir el tiempo
y uso de recursos, claro está que con una mejor precisión. No obstante se probó
un texto plano con 1.000 épocas para una RNC y funcionó con una buena
predicción.
Las RNC constan de 3 capas: Convolución, Pooling o reducción y Totalmente
conectada.
Convolución
Como se ve, la primera capa se llama convolución como el nombre de su red. Esto
se debe a que es la más importante y principal de una RNC. En su interior está
estructurada por un conjunto de operaciones a través de la función convolución.
Lo que hace básicamente es recibir la imagen y aplicar filtros. Estos filtros ayudan
a detectar bordes, esquinas, manchas, etc. Luego esos filtros de la fotografía
pasarán a convertirse en una matriz. En esta capa se agrega el valor de píxel en
bruto de la imagen y utiliza una función de activación que calcula por medio de
productos, la salida de la red.
Pooling
Esta capa reduce la cantidad de parámetros como lo son el ancho y alto, es la
segunda capa que sigue después de una convolucional. La reducción de esta
capa toma como referencia el volumen de entrada de la siguiente capa. Es cierto
50
que al reducir el tamaño se pierde la información, pero en este caso esa pérdida
se transforma en reducir el sobreajuste para tener menos carga de cálculo.
El algoritmo que ayuda a esta capa es el de max-pooling. Como se observa en el
gráfico n° 23, reduce la gran cantidad de datos dentro de la matriz, en este caso
escoge el máximo número, lo que hace es dejar el parámetro más alto para la
siguiente capa.
Full-Coneted
Cada píxel se transforma en una neurona separada, por ende Full-Conected, une
las neuronas de cada capa con su respectiva salida entre capas. Es decir cada
capa genera un volumen (un dato) y cada neurona de esta capa está conectada a
todos los números del volumen anterior. De esta forma las imágenes en una RNC,
se transforma en cada capa que se programe entre ellas pueden tener funciones
de activaciones o medirse por su peso y sesgo.
Backpropagation
Las RNC son tan técnicas que ellas mismas utilizan su método de autoevaluarse,
lo hacen con backpropagation. Estas redes aprenden de sus errores después de
su entrenamiento. Los números que botan error se apagan y los que son
verdaderos se dejan conectados. Cuando realiza este proceso, backpropagation
actualiza sus pesos de la red, para que tome de referencia a la próxima imagen a
calcular. Este error se calcula en la última capa de salida. Si en caso da negativo,
Elaboración: Meyvi Hagó Herrera.
Fuente: Datos de la Investigación
Gráfico N° 23. Porción Max de Pooling
51
se vuelve hasta las capas intermedias con la finalidad de que estas capas tengan
el valor de error actualizado.
Fundamentación Legal
En este primer tramo se menciona a la “Constitución De La República Del
Ecuador”, donde se indica cuán importante es el desarrollo tecnológico en el país
y que tanto las instituciones públicas y privadas tienen que estar dispuestas a
colaborar con los estudiantes para su formación académica.
CONSTITUCIÓN DE LA REPÚBLICA DEL ECUADOR
TITULO V - Organización Territorial Del Estado
Capítulo Cuarto
Régimen de competencias
Art. 262.- Los gobiernos regionales autónomos tendrán las siguientes
competencias exclusivas, sin perjuicio de las otras que determine la ley que regule
el sistema nacional de competencias:
6. Determinar las políticas de investigación e innovación del conocimiento,
desarrollo y transferencia de tecnologías, necesarias para el desarrollo
regional, en el marco de la planificación nacional.
Art. 277.- Para la consecución del buen vivir, serán deberes generales del Estado:
7. Promover e impulsar la ciencia, la tecnología, las artes, los saberes
ancestrales y en general las actividades de la iniciativa creativa
comunitaria, asociativa, cooperativa y privada.
52
Título VII - Régimen Del Buen Vivir
Capítulo Primero, Sección octava
Ciencia, Tecnología, Innovación Y Saberes Ancestrales
Art. 385.- El sistema nacional de ciencia, tecnología, innovación y saberes
ancestrales, en el marco del respeto al ambiente, la naturaleza, la vida, las culturas
y la soberanía, tendrá como finalidad:
1. Generar, adaptar y difundir conocimientos científicos y tecnológicos.
2. Recuperar, fortalecer y potenciar los saberes ancestrales.
3. Desarrollar tecnologías e innovaciones que impulsen la producción
nacional, eleven la eficiencia y productividad, mejoren la calidad de vida y
contribuyan a la realización del buen vivir.
Art. 386.- El sistema comprenderá programas, políticas, recursos, acciones, e
incorporará a instituciones del Estado, universidades y escuelas politécnicas,
institutos de investigación públicos y particulares, empresas públicas y privadas,
organismos no gubernamentales y personas naturales o jurídicas, en tanto
realizan actividades de investigación, desarrollo tecnológico, innovación y
aquellas ligadas a los saberes ancestrales. El Estado, a través del organismo
competente, coordinará el sistema, establecerá los objetivos y políticas, de
conformidad con el Plan Nacional de Desarrollo, con la participación de los actores
que lo conforman.
Art. 387.- Será responsabilidad del Estado:
1. Facilitar e impulsar la incorporación a la sociedad del conocimiento para
alcanzar los objetivos del régimen de desarrollo.
2. Promover la generación y producción de conocimiento, fomentar la
investigación científica y tecnológica, y potenciar los saberes ancestrales,
para así contribuir a la realización del buen vivir, al sumak kawsay.
3. Asegurar la difusión y el acceso a los conocimientos científicos y
tecnológicos, el usufructo de sus descubrimientos y hallazgos en el marco
de lo establecido en la Constitución y la Ley.
53
4. Garantizar la libertad de creación e investigación en el marco del respeto
a la ética, la naturaleza, el ambiente, y el rescate de los conocimientos
ancestrales.
5. Reconocer la condición de investigador de acuerdo con la Ley.
Art. 388.- El Estado destinará los recursos necesarios para la investigación
científica, el desarrollo tecnológico, la innovación, la formación científica, la
recuperación y desarrollo de saberes ancestrales y la difusión del conocimiento.
Un porcentaje de estos recursos se destinará a financiar proyectos mediante
fondos concursables. Las organizaciones que reciban fondos públicos estarán
sujetas a la rendición de cuentas y al control estatal respectivo.
("Constitucion De La Republica Del Ecuador," 2008).
Aquí se nombra a la “Ley De Propiedad Intelectual”, para indicar la penalización
del plagio ante los derechos del autor. Así mismo se deja claro que esta tesis da
a reconocer al autor en cada entrevista, artículo científico, etc. acogido a la misma.
Se nombra además el derecho a la creación de patentes de programas y
licenciamiento de software.
LEY DE PROPIEDAD INTELECTUAL
Libro I - Título I
De Los Derechos De Autor Y Derechos Conexos
Capítulo I - Del Derecho De Autor
Sección I - Preceptos Generales
Art. 4.- Se reconocen y garantizan los derechos de los autores y los derechos de
los demás titulares sobre sus obras.
Art. 5.- El derecho de autor nace y se protege por el solo hecho de la creación de
la obra, independientemente de su mérito, destino o modo de expresión. Se
protegen todas las obras, interpretaciones, ejecuciones, producciones o emisión
radiofónica cualquiera sea el país de origen de la obra, la nacionalidad o el
domicilio del autor o titular. Esta protección también se reconoce cualquiera que
54
sea el lugar de publicación o divulgación. El reconocimiento de los derechos de
autor y de los derechos conexos no está sometido a registro, depósito, ni al
cumplimiento de formalidad alguna (...).
Art. 7.- Para los efectos de este Título los términos señalados a continuación
tendrán los siguientes significados:
Autor: Persona natural que realiza la creación intelectual.
Base de datos: Compilación de obras, hechos o datos en forma impresa,
en una unidad de almacenamiento de ordenador o de cualquier otra forma.
Distribución: Puesta a disposición del público, del original o copias de la
obra, mediante su venta, arrendamiento, préstamo público o de cualquier
otra forma conocida o por conocerse de transferencia de la propiedad,
posesión o tenencia de dicho original o copia.
Divulgación: el acto de ser accesible por primera vez la obra al público,
con el consentimiento del autor, por cualquier medio o procedimiento
conocido o por conocerse.
Licencia: Autorización o permiso que concede el titular de los derechos al
usuario de la obra u otra producción protegida, para utilizarla en la forma
determinada y de conformidad con las condiciones convenidas en el
contrato. No transfiere la titularidad de los derechos.
Programa de ordenador (software): Toda secuencia de instrucciones o
indicaciones destinadas a ser utilizadas, directa o indirectamente, en un
dispositivo de lectura automatizada, ordenador, o aparato electrónico o
similar con capacidad de procesar información, para la realización de una
función o tarea, u obtención de un resultado determinado, cualquiera que
fuere su forma de expresión o fijación. El programa de ordenador
comprende también la documentación preparatoria, planes y diseños, la
documentación técnica, y los manuales de uso.
Sección II - Objeto Del Derecho De Autor
Art. 8.- La protección del derecho de autor recae sobre todas las obras del ingenio,
en el ámbito literario o artístico, cualquiera que sea su género, forma de expresión,
mérito o finalidad. Los derechos reconocidos por el presente Título son
independientes de la propiedad del objeto material en el cual está incorporada la
55
obra y su goce o ejercicio no están supeditados al requisito del registro o al
cumplimiento de cualquier otra formalidad (…)
Sección V - Disposiciones Especiales Sobre Ciertas Obras
Parágrafo Primero - De Los Programas De Ordenador
Art. 28.- Los programas de ordenador se consideran obras literarias y se protegen
como tales. Dicha protección se otorga independientemente de que hayan sido
incorporados en un ordenador y cualquiera sea la forma en que estén expresados,
ya sea en forma legible por el hombre (código fuente) o en forma legible por
máquina (código objeto), ya sean programas operativos y programas aplicativos,
incluyendo diagramas de flujo, planos, manuales de uso, y en general, aquellos
elementos que conformen la estructura, secuencia y organización del programa.
Art. 29.- Es titular de un programa de ordenador, el productor, esto es la persona
natural o jurídica que toma la iniciativa y responsabilidad de la realización de la
obra. Se considerará titular, salvo prueba en contrario, a la persona cuyo nombre
conste en la obra o sus copias de la forma usual. Dicho titular está además
legitimado para ejercer en nombre propio los derechos morales sobre la obra,
incluyendo la facultad para decidir sobre su divulgación. El productor tendrá el
derecho exclusivo de realizar, autorizar o prohibir la realización de modificaciones
o versiones sucesivas del programa, y de programas derivados del mismo. Las
disposiciones del presente artículo podrán ser modificadas mediante acuerdo
entre los autores y el productor.
Art. 30.- La adquisición de un ejemplar de un programa de ordenador que haya
circulado lícitamente, autoriza a su propietario a realizar exclusivamente:
a) Una copia de la versión del programa legible por máquina (código objeto)
con fines de seguridad o resguardo;
b) Fijar el programa en la memoria interna del aparato, ya sea que dicha
fijación desaparezca o no al apagarlo, con el único fin y en la medida
necesaria para utilizar el programa; y
c) Salvo prohibición expresa, adaptar el programa para su exclusivo uso
personal, siempre que se limite al uso normal previsto en la licencia. El
adquirente no podrá transferir a ningún título el soporte que contenga el
56
programa así adaptado, ni podrá utilizarlo de ninguna otra forma sin
autorización expresa, según las reglas generales.
Se requerirá de autorización del titular de los derechos para cualquier otra
utilización, inclusive la reproducción para fines de uso personal o el
aprovechamiento del programa por varias personas, a través de redes u otros
sistemas análogos, conocidos o por conocerse.
Art. 31.- No se considerará que existe arrendamiento de un programa de
ordenador cuando éste no sea el objeto esencial de dicho contrato. Se considerará
que el programa es el objeto esencial cuando la funcionalidad del objeto materia
del contrato, dependa directamente del programa de ordenador suministrado con
dicho objeto; como cuando se arrienda un ordenador con programas de ordenador
instalados previamente.
Capítulo II - De las Patentes de Invención
Sección VII- Del Régimen de licencias obligatorias
Art. 154.- Previa declaratoria del presidente de la República acerca de la
existencia de razones de interés público de emergencia o de seguridad nacional
y, sólo mientras estas razones permanezcan, el Estado podrá someter la patente
a licencia obligatoria en cualquier momento y en tal caso, la Dirección Nacional de
Propiedad Industrial podrá otorgar las licencias que se soliciten, sin perjuicio de
los derechos del titular de la patente a ser remunerado conforme lo dispone esta
Sección. El titular de la patente será notificado en forma previa a la concesión de
la licencia, a fin de que pueda hacer valer sus derechos.
("Codificacion De La Ley De Propiedad Intelectual," 2006).
En la “Ley Orgánica de Salud”, se nombra el derecho a la salud, responsabilidad
y protección que tiene el estado con los pacientes ya sea por padecimientos
básicos o enfermedades graves.
57
LEY ORGÁNICA DE SALUD
Capítulo I - Del Derecho A La Salud Y Su Protección
Art. 3.- La salud es el completo estado de bienestar físico, mental y social y no
solamente la ausencia de afecciones o enfermedades. Es un derecho humano
inalienable, indivisible, irrenunciable e intransmisible, cuya protección y garantía
es responsabilidad primordial del Estado; y, el resultado de un proceso colectivo
de interacción donde Estado, sociedad, familia e individuos convergen para la
construcción de ambientes, entornos y estilos de vida saludables.
Capítulo II- De La Autoridad Sanitaria Nacional, Sus Competencias Y
Responsabilidades
Art. 6.- Es responsabilidad del Ministerio de Salud Pública:
5. Regular y vigilar la aplicación de las normas técnicas para la detección,
prevención, atención integral y rehabilitación, de enfermedades
transmisibles, no transmisibles, crónico-degenerativas, discapacidades y
problemas de salud pública declarados prioritarios, y determinar las
enfermedades transmisibles de notificación obligatoria, garantizando la
confidencialidad de la información;
5-A.- Dictar, regular y controlar la correcta aplicación de la
normativa para la atención de patologías consideradas como
enfermedades catastróficas, así como, dirigir la efectiva aplicación
de los programas de atención de las mismas.
32. Participar, en coordinación con el organismo nacional competente, en
la investigación y el desarrollo de la ciencia y tecnología en salud,
salvaguardando la vigencia de los derechos humanos, bajo principios
bioéticos; 33
Capítulo III - Derechos Y Deberes De Las Personas Y Del Estado En
Relación Con La Salud
Art. 7.- Toda persona, sin discriminación por motivo alguno, tiene en relación a la
salud, los siguientes derechos:
58
f) Tener una historia clínica única redactada en términos precisos,
comprensibles y completos; así como la confidencialidad respecto de la
información en ella contenida y a que se le entregue su epicrisis;
l) No ser objeto de pruebas, ensayos clínicos, de laboratorio o
investigaciones, sin su conocimiento y consentimiento previo por escrito; ni
ser sometida a pruebas o exámenes diagnósticos, excepto cuando la ley
expresamente lo determine o en caso de emergencia o urgencia en que
peligre su vida.
Libro V - Título Único - Investigación Científica En Salud, Genética Y
Sistema De Información En Salud
Capítulo I - De La Investigación Científica En Salud
Art. 207.- La investigación científica en salud así como el uso y desarrollo de la
biotecnología, se realizará orientada a las prioridades y necesidades nacionales,
con sujeción a principios bioéticos, con enfoques pluricultural, de derechos y de
género, incorporando las medicinas tradicionales y alternativas.
Art. 208.- La investigación científica tecnológica en salud será regulado y
controlado por la autoridad sanitaria nacional, en coordinación con los organismos
competentes, con sujeción a principios bioéticos y de derechos, previo
consentimiento informado y por escrito, respetando la confidencialidad.
("Ley Orgánica De Salud," 2006)
“Ley De Derechos Y Amparo Del Paciente” y el “Reglamento De Información
Confidencial En Sistema Nacional De Salud”, nombran los derechos de
confidencialidad que se tiene por cualquier enfermedad o historia clínica del
paciente, dando como resultado la penalización si se sobrepasa por alguno de los
nombrados a continuación.
59
LEY DE DERECHOS Y AMPARO DEL PACIENTE
Capítulo II - Derechos Del Paciente
Art. 4.- DERECHO A LA CONFIDENCIALIDAD.- Todo paciente tiene derecho a
que la consulta, examen, diagnóstico, discusión, tratamiento y cualquier tipo de
información relacionada con el procedimiento médico a aplicársele, tenga el
carácter de confidencial.
("Ley De Derechos Y Ámparo Del Paciente," 2006)
REGLAMENTO DE INFORMACIÓN CONFIDENCIAL EN SISTEMA
NACIONAL DE SALUD
Capítulo I - Objeto Y Ámbito De Aplicación
Art. 1.- El presente Reglamento tiene por objeto establecer las condiciones
operativas de la aplicación de los principios de manejo y gestión de la información
confidencial de los pacientes y sus disposiciones serán de cumplimiento
obligatorio dentro del Sistema Nacional de Salud.
Capitulo II - Principios
Art. 2.- Confidencialidad.- Es la cualidad o propiedad de la información que
asegura un acceso restringido a la misma, solo por parte de las personas
autorizadas para ello. Implica el conjunto de acciones que garantizan la seguridad
en el manejo de esa información.
Art. 3.- Integridad de la información.- Es la cualidad o propiedad de la información
que asegura que no ha sido mutilada, alterada o modificada, por tanto mantiene
sus características y valores asignados o recogidos en la fuente. Esta cualidad
debe mantenerse en cualquier formato de soporte en el que se registre la
información, independientemente de los procesos de migración entre ellos.
Art. 4.- Disponibilidad de la información.- Es la condición de la información que
asegura el acceso a los datos cuando sean requeridos, cumpliendo los protocolos
definidos para el efecto y respetando las disposiciones constantes en el marco
jurídico nacional e internacional.
60
Art. 5.- Seguridad en el manejo de la información.- Es el conjunto sistematizado
de medidas preventivas y reactivas que buscan resguardar y proteger la
información para mantener su condición de confidencial, así como su integridad y
disponibilidad. Inicia desde el momento mismo de la generación de la información
y trasciende hasta el evento de la muerte de la persona.
El deber de confidencialidad respecto a la información de los documentos que
contienen información de salud perdurará, incluso, después de finalizada la
actividad del establecimiento de salud, la vinculación profesional o el fallecimiento
del titular de la información.
Art. 6.- Secreto Médico.- Es la categoría que se asigna a toda información que es
revelada por un/a usuario/a al profesional de la salud que le brinda la atención de
salud. Se configura como un compromiso que adquiere el médico ante el/la
usuario/a y la sociedad, de guardar silencio sobre toda información que llegue a
conocer sobre el/la usuario/a en el curso de su actuación profesional.
Los profesionales de salud de los establecimientos de salud cumplirán con el
deber del secreto médico, para generar condiciones de confianza en la relación
con los/as usuarios/as y así garantizar el derecho a la intimidad. El secreto médico
es extensible a toda la cadena sanitaria asistencial.
Capítulo III - Confidencialidad En Los Documentos Con Información De
Salud
Art. 7.- Por documentos que contienen información de salud se entienden:
historias clínicas, resultados de exámenes de laboratorio, imageneología y otros
procedimientos, tarjetas de registro de atenciones médicas con indicación de
diagnóstico y tratamientos, siendo los datos consignados en ellos confidenciales.
El uso de los documentos que contienen información de salud no se podrá
autorizar para fines diferentes a los concernientes a la atención de los/las
usuarios/as, evaluación de la calidad de los servicios, análisis estadístico,
investigación y docencia. Toda persona que intervenga en su elaboración o que
tenga acceso a su contenido, está obligada a guardar la confidencialidad respecto
de la información constante en los documentos antes mencionados.
61
La autorización para el uso de estos documentos antes señalados, es potestad
privativa del/a usuario/a o representante legal.
En caso de investigaciones realizadas por autoridades públicas competentes
sobre violaciones a derechos de las personas, no podrá invocarse reserva de
accesibilidad a la información contenida en los documentos que contienen
información de salud.
Art. 9.- El personal operativo y administrativo de los establecimientos del Sistema
Nacional de Salud que tenga acceso a información de los/las usuarios/as durante
el ejercicio de sus funciones, deberá guardar reserva de manera indefinida
respecto de dicha información y no podrá divulgar la información contenida en la
historia clínica, ni aquella constante en todo documento donde reposen datos
confidenciales de los/las usuarios/as.
Art. 12.- En el caso de historias clínicas cuyo uso haya sido autorizado por el/la
usuario/a respectivo para fines de investigación o docencia, la identidad del/a
usuario/a deberá ser protegida, sin que pueda ser revelada por ningún concepto.
El custodio de dichas historias deberá llevar un registro de las entregas de las
mismas con los siguientes datos: nombres del receptor, entidad en la que trabaja,
razón del uso, firma y fecha de la entrega.
Art. 13.- Para proteger a los/las usuarios/as que padecen de enfermedades raras
y de tipo catastrófico como VIH/SIDA, tuberculosis activas, cáncer, entre otras, los
nombres y apellidos del paciente deberán remplazarse por el número de su cédula
de identidad. Para personas que no tienen cédula de identidad o de identidad y
ciudadanía, se procederá conforme establece el Acuerdo Ministerial No. 4934 del
30 de julio de 2014, respecto al uso de un solo código de Historia Clínica Única.
Capítulo IV - Seguridad En La Custodia De Las Historias Clínicas
Art. 18.- Los datos y la información consignados en la historia clínica y los
resultados de pruebas de laboratorio e imageneología registrados sobre cualquier
medio de soporte ya sea físico, electrónico, magnético o digital, son de uso
restringido y se manejarán bajo la responsabilidad del personal operativo y
administrativo del establecimiento de salud, en condiciones de seguridad y
confidencialidad que impidan que personas ajenas puedan tener acceso a ellos.
62
("Reglamento De Información Confidencial En Sistema Nacional De Salud," 2015)
Pregunta Científica A Contestarse
¿Es posible que la creación de un sistema con tecnología de deep learning a
través de parámetros estudiados en las diferentes imágenes de fondos de ojos
obtenidas de manera externa, ayuda verificar la presencia o ausencia de la
enfermedad conocida como RHT?
Definiciones Conceptuales
De la misma forma se va a proceder a separar términos tecnológicos y médicos.
Definiciones Conceptuales - Términos de Tecnología
Phyton
Es un lenguaje de programación orientado a objetos, de alto nivel, open source, y
multiplataforma. Apareció a inicios de los 90, Guido Van Rossum fue quién lo
originó. Es muy versátil ayuda a crear cualquier tipo de aplicación como lo son las
de escritorio, aplicaciones web y/o aplicaciones de servidores. Se acompaña de
una consola, pero si se desea trabajar con grandes investigaciones se necesita
un IDE. Sus librerías son muy amplias, es por esa razón que se eligió como el
lenguaje de programación a usar. Tiene además una gramática muy fácil, legible
y sencilla. Con un tipado dinámico y fuerte distinguiendo de manera clara sus
variables. Un dato curioso del logotipo es que sin duda alguna son dos serpientes
de la clase pitones, pero su nombre viene originalmente del gusto de su creador
por el grupo monty Python.
Lenguaje de programación de alto nivel
Es aquel cuya sintaxis se asemeja más al texto de un lenguaje natural como inglés,
español, etc.
63
Lenguaje de bajo nivel
Es aquel cuya sintaxis se asemeja más al código máquina, no solo de unos y
ceros, sino lo más próximo a este.
Para poder elegir entre IDE o Editor es necesario tener en claro que significa cada
uno, a continuación una diferencia entre ambos.
IDE
Entorno de Desarrollo Integrado, es un software compuesto por diferentes tipos
de herramientas para la programación de aplicaciones. Por lo general un IDE se
dedica a uno o a varios lenguajes de programación. Facilita la vida del
programador incluyendo técnicas como: Interfaces gráficas, completado de
código, colores en las diferentes sintaxis, ayuda contextual, sugerencias para
programar mejor, plugins para obtener más herramientas o librerías, así mismo se
puede compilar y ejecutar el código. Referencia tomada por: (Fortuny, 2012).
Ejemplos de IDE: Eclipse, Netbeans, Sublimetxt, Jupyter.
Editor de texto
Un editor de texto es un software que ya viene integrado en el S.O. o se lo puede
descargar de manera rápida desde la web, son programas ligeros. Permiten crear
y modificar archivos que contengan solo texto, pero no se puede ejecutar una
aplicación dentro de ellos. Por lo general lo utilizan las personas que ya saben
programar y no tienen problema con los nombres o sangrías de la programación.
Para programas más complejos no puede llegar a ser útil. Ejemplos de Editor de
texto: Notepad, Notepad++, Vim, Nano, Gedit
Anaconda
Anaconda es un gestor y administrador de paquetes científicos, distribución que
no solo viene para el lenguaje de programación de Python sino también para R,
en este caso será utilizado con Python. Fue creada para la programación de IA,
64
por su escalabilidad, seguridad y facilidad, permitiendo programar aprendizajes
automáticos y profundos. Se pueden compartir cuadernos, paquetes, proyectos y
entornos. Además se utiliza mucho en Windows ya que facilita la instalación de
diversos paquetes.
Anaconda Enterprise facilita a las organizaciones a desarrollar, gobernar y
automatizar la AI, desde la computadora portátil hasta la producción. Entregando
rápidamente las ideas en manos de los líderes empresariales y los responsables
de la toma de decisiones. (Anaconda, 2012).
Entornos de anaconda
Un ambiente o entorno virtual en anaconda permite aislar paquetes y librerías de
diferentes versiones y jugar con ellas como si se estuviera programando con
diferentes versiones de python. Si cambio de versión en un entorno, los otros
ambientes no serán afectados. Estos entornos se pueden crear, modificar,
eliminar e inclusive compartir con otras máquinas. Sin embargo se debe tener en
cuenta, que los entornos no son multiplataforma. Si se está trabajando en un
ambiente virtual de conda con Windows, solo correrá el entorno compartido en
otra máquina con el mismo S.O. Es muy eficaz para realizar programación en data
science.
Programación en Paralelo
Es en donde pueden ocurrir varios procesos u operaciones de manera simultánea
(al mismo tiempo) con ayuda de múltiples recursos computacionales. Por lo
general se lo utilizan para programas científicos debido a las complejas
operaciones que se pueden realizar. Se necesita de paralelismo para este tipo de
programación ya que distribuye las tareas para que sean realizadas de manera
eficientes.
Se maneja dividiendo el problema en partes discretas, cada parte se descompone
en series de instrucciones y cada una de esas instrucciones se ejecuta de manera
simultánea en diferentes procesadores.
65
Ipython
Es un shell interactivo que permite la ejecución de programación en paralelo. Tiene
un soporte para la visualización interactiva de datos, es flexible e integrable para
cargar diferentes proyectos. Para este tipo de programación existe Notebook
Ipython, basado en la web, similar a un servidor. En él se puede presentar tablas,
dibujos, gráficos e incluso se pueden convertir a en HTML, en pdf, hacer
diapositivas, etc. Este proyecto corre en el kernel de Jupyter.
Jupyter
Jupyter es un proyecto que integra a notebook ipython. Es práctico, corre celda
por celda, permitiendo hacer el entrenamiento en una de ellas y el llamado a la
validación en otra, sin necesidad de que vuelva a ejecutar todo desde cero.
Kernel Ipython
Es quién proporciona soporte de lenguaje de programación de python en
Jupyter. (Jupyter, 2012)
Repositorio
Un repositorio es una base de datos que almacenan muchos datos de diferentes
bases de datos, valga su redundancia.
Base de Datos
Es un lugar para almacenar datos de diferentes índoles.
Diferencias entre Base de Datos y Repositorios.
La primera es un archivo estructurado o un conjunto de ficheros que almacenan y
organizan datos. En cambio, el repositorio es un punto central de almacenamiento
de diferentes bases de datos indiferentemente si se relacionan o no.
66
Crowdsourcing
Se define como Colaboración abierta distribuida y se realiza a través de
convocatorias abiertas para alguna tarea.
Convolucional
La convolución consiste en filtrar una imagen con una máscara, diferentes
máscaras determinan distintos resultados, dentro de las cuales se tiene las
siguientes:
Gaussiana
LoG
En la convolución cada pixel de salida es una combinación lineal de cada pixel de
entrada, esto lo realiza porque es una función matemática, siendo este de forma
lineal o continua, transforma una señal que ingresa en una nueva señal saliente.
Luminosidad (subexpuesta y sobreexpuesta)
En términos básicos la luminosidad subexpuesta es la carencia de claridad, esto
se da debido a que al sensor de la cámara no le llega la luz necesaria para captar
la imagen ideal por lo que no se podrán apreciar los detalles de dicha fotografía.
A diferencia de la luminosidad subexpuesta, la sobreexpuesta es cuando el
sensor de la cámara se expone a una excesiva claridad, permitiendo así que la
imagen tenga una tonalidad blanquinosa.
RGB
Hace referencia a los tres colores primarios (rojo, verde y azul) apunta al modelo
cromático que consiste en la representación de colores a partir de la mezcla de
los tres ya mencionados.
El mismo se basa en lo que se conoce como síntesis aditiva de color, empleando
la luminosidad del rojo, verde y azul en diferentes proporciones dando como
resultado el resto de los colores.
67
Tuplas
La tupla es una agrupación de valores ordenados donde cada uno tiene un
significado en particular, a diferencia de una lista las tuplas sin estáticas.
Sirve para agrupar como si fueran un único valor, varios valores que por su
naturaleza deben ir juntos.
Definiciones Conceptuales - Términos de Medicina
OCT
OCT llamada también Tomografía de Coherencia óptica, es según (Merino, 2011),
“una técnica de diagnóstico, control y seguimiento, que permite el estudio de
cortes histológicos de la retina “en vivo”.”
También es conocido como un aparato que ayuda a la toma de retinografías o
fotografías en la retina para el estudio de la misma. Ayuda además para dar un
diagnostico quirúrgico ya que no solo se puede analizar la retina sino también la
coroides, edemas maculares, etc. A la vez la OCT es rápida, no produce
malestares al paciente y permite hacer un seguimiento de patologías.
RFG
Retino Fluorescenografía, se trata de un examen médico en donde se usa el medio
de contraste fluorecina junto con una cámara de fondo de ojo. Se lo aplica primero
la dilatación de la pupila y mediante una cámara u aparato de fondo de ojo, se
puede visualizar mejor la retina mientras que se le inyecta a la persona un líquido
en la vena. Al inyectar el líquido, el fondo del ojo se vuelve de otro color y aparece
en la vena de las retinas para una mejor visibilidad.
68
Oftalmoscopio
Es un aparato médico utilizado en la oftalmología para tener una mejor visión en
el campo del fondo de ojo, con el objetivo de mirar si el paciente indica alguna
señal de enfermedad dentro de la retina.
Está caracterizado por ser un tipo de dispositivo complejo pero eficaz, la (Martín,
2016), en su sitio web indica que es “un instrumento que ilumina y permite
observar por la misma vía”. Por ende este tipo de aparato es para uso especial en
la rama de la oftalmología o personas que tengan conocimientos en esta.
Patologías
Estudia el desarrollo, causas y evolución de las enfermedades.
Fisiopatología.
Es una rama de la patología, estudia el funcionamiento del organismo durante la
enfermedad.
Historia Clínica
Es un documento técnico que utiliza el personal de salud para registrar datos
estadísticos y resultados obtenidos a través de diagnósticos y tratamientos en la
salud de un paciente. Además de ello este documento es confidencial y
obligatorio.
Datos clínicos
Son los datos que se registran en la historia clínica.
Epicrisis
“Análisis o juicio crítico de un caso clínico, una vez completado”. ("Reglamento De
Información Confidencial En Sistema Nacional De Salud," 2015)
69
Documentación clínica
“Es un conjunto de reportes físicos, electrónicos o de cualquier forma, que
contienen información clínica y asistencial”. ("Reglamento De Información
Confidencial En Sistema Nacional De Salud," 2015).
Definiciones Conceptuales - Términos Generales
Entrevista
La entrevista es una técnica un poco diferente a la encuesta, es realizada con dos
o más personas. Una es quien entrevista y la otra u otras pueden ser los
entrevistados, se clasifican en formales e informales. La primera, son las que
llevan una estructuración en sus interrogantes y las informales, son las preguntas
que salen de manera espontánea en la conversación. Además siempre se debe
tener una pequeña planificación en la presentación de la entrevista, por lo general
se especifican sus objetivos y el problema a resolver.
Las entrevistas se realizan a un número pequeño de personas mientras que las
encuestas están dirigida a muchas más segmentaciones. Con esto quiero decir
que la entrevista busca el punto de vistas de personas seleccionadas y expertas
en el tema. Sus preguntas se las realizan de forma abierta dando en sus
respuestas una amplia y segura explicación con una mezcla de emociones y
comportamientos. En cuanto a la encuesta, sus respuestas son más cerradas,
puntuales y rápidas, para su fácil tabulación de datos.
A diferencia de la encuesta, una entrevista no lleva tabulado en cada una de sus
respuestas. En realidad estás sirven de ayuda para saber realizar breves
conclusiones relativas y relacionadas a la factibilidad del desarrollo del problema.
70
CAPÍTULO III
PROPUESTA TECNOLÓGICA
Análisis de Factibilidad
La factibilidad es una palabra que se define dependiendo la rama a utilizarse. Para
este estudio se escoge el concepto del artículo “Análisis de Factibilidad”, una
contribución del año 2009, donde varios estudios realizados por los autores de
esta aportación indican las formas en que un negocio de x empresa sea viable. La
definición de factibilidad para un proyecto consiste en diferentes estudios que
puedan “determinar si el negocio que se propone será bueno o malo. En qué
condiciones se debe desarrollar para que sea exitoso y si el negocio propuesto
contribuye con la conservación, protección o restauración de los recursos
naturales y ambientales”.(Almaguer, Marrero, & Rodríguez, 2009).
Conforme a las necesidades encontradas en el tema de investigación, se ha
propuesto diferentes interrogantes para saber si el impacto de la aplicación es o
no es factible en diferentes ámbitos mencionados más abajo. Según (Jaramillo,
2006) “El estudio de factibilidad se hace necesario cuando el desarrollo del
sistema no tiene una justificación económica establecida, existe un alto riesgo
tecnológico, operativo, jurídico o no se cuenta con una alternativa clara de
implementación”. Por esta razón es bueno tener en cuenta que este estudio se lo
realiza para indicar el riesgo de poder ejecutar un programa en la sociedad.
En este capítulo no solo se evalúa de forma cualitativa y cuantitativa de la
factibilidad del proyecto para la comunidad, sino que también mide los
requerimientos necesarios de hardware y software para indicar si se puede o no
realizar en los tiempos establecidos. Todas factibilidades tienen un gran nivel de
importancia en el proyecto, cada una se complementa con la otra. En cuanto a lo
antes expuesto se llegará a deducir la factibilidad técnica, legal y económica para
indicar viabilidad del proyecto. Por otra parte la factibilidad operacional se
evidenciará con una pequeña entrevista realizada a 2 médicos especialistas en el
71
área de la oftalmología. La misma concluirá indicando si servirá de ayuda en la
toma de decisiones a especialistas en el área de optometría, oftalmología y
retinología. Con esta propuesta se garantiza cumplir con las diferentes
necesidades encontradas, teniendo en cuenta que la tecnología que se va a
emplear es poco común a lo que se acostumbra escuchar.
Factibilidad Operacional
La factibilidad operacional “Explica cómo hacer funcionar el sistema propuesto en
las operaciones de la organización”(Jaramillo, 2006). Es decir, indica que tan
viable es para los usuarios adquirir el proyecto.
Para esta factibilidad se realizó una entrevista de manera formal a especialistas
en el área de oftalmología para sustentar con pruebas la debida factibilidad. Las
preguntas se podrán ver en el Anexo #1
Los especialistas entrevistados son:
1. Especialista en optometría.
a. Lcda. Judith Lascano Tejada. MSIG.
2. Técnico Optometrista, Técnico Oftalmólogo y Contectólogo.
a. Lcdo. LarryA. Lopesierra Beltran.
Al comienzo de cada diálogo con los especialistas se presentó los diferentes
objetivos de la investigación y se especificó el problema a resolver. Se realizó de
forma oral, grabando cada una de sus respuestas en un teléfono celular para su
posterior redacción en el proyecto, referenciando con el nombre del médico
tratante cada respuesta utilizada en esta tesis.
Las preguntas son las siguientes:
¿Cuáles son los tipos de procedimiento para la RHT?
Esta pregunta fue elaborada para saber con exactitud cuáles son los
procedimientos al realizar la operación de forma manual. Gracias a ello, se pudo
comprender que existen muchas formas de hacer el examen de fondo de ojo.
72
Primero se necesita de un aparato llamado oftalmoscopio, luego se hace
una presión intraocular para ver muestras de RHT. Además se puede
concluir que tiene la enfermedad con exámenes posteriores como son los
de RFG y OCT. Se debe tener en cuenta que la enfermedad es más visible
si la persona tiene justo en el momento la presión alterada. Indicó (Beltran,
2018).
Para la Optometrista Judith Lascano Tejada, existen otras formas para
poder ver la retina. Ella utiliza OCT o PanOptic, del cual obtiene
retinografías del paciente. También utiliza un oftalmoscopio y en ocasiones
cuando se le dificulta ya se por presencia de luz o dilatación en el ojo,
comienza a colocar una parte de su aparato en su teléfono celular.
Mediante una aplicación disponible para IOS, ayuda a obtener una mejor
visión de la retina en la pantalla del celular.
Además indicó que para saber con exactitud que enfermedad de
retinopatía tenía, se debería hacer un examen de sangre que compruebe
si es RD, RHTA o alguna otra enfermedad de la retina. (Lascano Tejada,
2018)
¿Qué cree usted que se necesita para mejorar la detección de la RHTA?
Es una pregunta difícil, indicó (Beltran, 2018), a él le gustaría un sistema
rápido que lea las imágenes y le ayude a resolver si una persona tiene o
no la enfermedad para no hacer perder tiempo al paciente. Además recalcó
que le gustaría un sistema completo que también le ayude a pronosticar si
un paciente va a tener a un futuro cualquier enfermedad de la retina. Esto
se debe a que las retinopatías se las encuentran ya cuando están un poco
avanzadas. Para esto la persona tiene que hacerse exámenes seguidos y
ver si su retina varía. Recalcó que las fotografías de fondo de ojos, siempre
van a ayudar a hacerle seguimiento al paciente.
(Lascano Tejada, 2018), Cree que para mejorar la detección se necesitaría
un instrumento (hardware) que no solo tome la foto del fondo de ojo, sino
que además indique la enfermedad que tiene el paciente. Ella comentó
73
además que un usuario siempre acude más a un optometrista que a un
retinólogo, cuando piensa que tiene algún problema de visión, ya que como
usuario lo único que se viene a la mente es que necesita lentes. Y es ahí
donde los optometristas se hacen conocer, pues ellos no solo deben de
tomar medidas sino también revisar la retina del paciente, ya que toda
acción tiene reacción.
Es decir que si ya un ojo humano está reaccionando de manera negativa
hacia la visión normal, es porque algo dentro del ojo no anda bien.
Entonces los optometristas hacen un estudio y si es el caso, derivan al
paciente a un retinólogo para proceder a una operación.
Bajo su experiencia ¿Usted utilizaría un sistema que le ayude a la toma
de decisiones en la detección de la RHT? y ¿por qué?
En esta pregunta ningún especialista dio una respuesta negativa,
pues para todos sería bueno utilizar un sistema que le ayude a
diagnosticar esos tipos de enfermedades.
¿Estaría dispuesto a recibir una capacitación antes de comenzar a probar
un software en su área? Y ¿Por qué?
Para que esta aplicación tenga posición en el mercado, se necesita de una
pequeña capacitación para los expertos en el área, debido a que conocen muy
poco de tecnológica. Se les hizo la propuesta para saber si están de acuerdo o no
en una pequeña charla sobre el manejo del sistema sea cual sea el precio e
indicaron que estaban de acuerdo. No se dio ninguna negación ante el
presupuesto de la capacitación ya que ellos insistieron que tendrán un beneficio
adicional no solo para su empresa como competitividad laboral sino también para
los pacientes. A continuación las conclusiones sus respuestas.
“Sí estoy dispuesto a pagar por una capacitación, no lo veo por el
lado del costo sino más bien por el beneficio que le da a su empresa
y profesionalismo (…)”. (Beltran, 2018).
Por supuesto que sí, fueron las palabras de (Lascano Tejada,
2018), “esto me ayudará demasiado en mi trabajo y no solo en ello
74
sino también para enseñarle a sus alumnos una forma más rápida
y automatizada”.
Cabe mencionar que no existió el apoyo suficiente por médicos especialistas del
sector público en el área debido a su tiempo laboral para la entrevista. Se cuenta
con el apoyo, respaldo y compromiso de 4 médicos interesados en este proyecto.
Luego de haber conversado con los usuarios finales, se dictamina que el proyecto
es operacionalmente factible. Ellos no se ven afectados sino que al contrario,
consideran que beneficia a su organización. Indicaron además que el prototipo si
será utilizado por los especialistas en su rama. Y que el sistema sería de apoyo
para resguardar la vida del paciente.
Factibilidad Técnica
Esta factibilidad “Se refiere a los recursos necesarios como herramientas,
conocimientos, habilidades, experiencia, etc., que son necesarios para efectuar
las actividades o procesos que requiere el proyecto”. (Carmona, 2010).
Es decir que a través de la factibilidad técnica se podrá conocer la disponibilidad
de infraestructura necesaria tanto lógica como física. En la parte lógica se refiere
a saber si el software se puede o no desarrollar y se tiene las capacidades técnicas
requeridas para su desarrollo. Al mismo tiempo se ayuda a deducir la factibilidad
económica, cuantificando el monto para acceder a las diferentes herramientas y
llegar al objetivo. Una vez escogida la tecnología que complementa la
investigación, se muestra a continuación un análisis preciso de las herramientas
a utilizar para la posibilidad técnica del prototipo.
El prototipo de la investigación se puede realizar siempre y cuando se tengan los
siguientes requerimientos: cuadro n° 4
75
Cuadro N° 4. Requerimientos del Modelo
Basados en los siguientes requerimientos se puede indicar que, en el caso del
hardware, ya se cuenta con una laptop pero no con las características deseadas
para este tipo de proyecto. Por más que se empleó diferentes técnicas para llegar
a adquirir una computadora con esas caracterizas, no se logró ese objetivo debido
a sus grandes precios y/o poca disponibilidad para el préstamo o alquiler de la
misma. También se pensó en la posibilidad de encontrar disponibles plataformas
en la nube que ayudan a tener GPU’s para el entrenamiento de este tipo de
software. Pero su valor excedía el monto destinado para esta tesis.
Por otra parte, para los programas utilizados en la creación del prototipo, se
utilizan elementos de desarrollo gratuitos, entre ellos el lenguaje de programación
y el IDE. Las imágenes se las obtendrá de diferentes formas debido a la gran
cantidad que se necesita.
Si bien es cierto, no se tiene todos los recursos disponibles para la creación del
modelo, también hace falta de capacidades técnicas y disponibilidad en tiempo
para el desarrollo del software. La tecnología que emplea este proyecto, es
compleja y robusta, no se encuentra dentro del rango utilizable debido a su
extensa y difícil disciplina.
Requerimientos del Modelo
Hardware Computadora
Procesador 64x, mayor a 7 núcleos
RAM mayor a 12GB
Disco Duro mayor a 1TB
Tarjeta Gráfica GPU NVIDIA
Software
Sistema Operativo
Indefinido
Lenguaje de Programación
R o Python
Otros Base de Datos de Imágenes
mayor a 5000 imágenes
Elaboración: Meyvi Hagó Herrera.
Fuente: Datos de la Investigación
76
A continuación se muestra la tabla de los diferentes recursos técnicos obtenidos
para el proyecto.
Cuadro N° 5. Recursos Técnicos Obtenidos
Componentes Recursos Descripción
Hardware
Laptop A
Procesador 64, AMD A9-9420
RAM 12GB
Disco Duro 1TB
Laptop B
Procesador 64, Core i7
RAM 16GB
Disco Duro 1TB
Software
Sistema Operativo Windows 10 Pro
Lenguaje de programación
Python
IDE Jupyter & VisualStudioCode
Otros Base De Datos con Imágenes
Cantidad: 88.000
Por todo esto puedo indicar que no es factible el proyecto de forma técnica, debido
a que se necesitaría recursos tecnológicos de alto rendimiento en la parte del
hardware para la creación del prototipo y además, un poco más de tiempo por su
laboriosa disciplina.
No obstante se encontrará la manera de poder realizar con éxito el mejor algoritmo
con la finalidad de crear un prototipo básico en el tiempo mínimo requerido,
utilizando todos los recursos necesarios para apresurar el proceso y obtener un
resultado con eficiencia.
Factibilidad Legal
El desarrollo del prototipo no vulnera o viola ningún estatuto en base a los
diferentes reglamentos de la propiedad intelectual, organizaciones y futuras
comunidades a utilizarlo. Más bien ayudará a los diferentes especialistas con el
Elaboración: Meyvi Hagó Herrera.
Fuente: Datos de la Investigación
77
soporte de una herramienta fácil y ágil para la ayuda en la toma de decisiones de
la enfermedad de RHTA. El desarrollo del mismo se llevará a cabo mediante
estudios académicos y preparaciones personalizadas. Todos los documentos,
libros, artículos electrónicos, revistas, etc. De donde se extrajeron ideas e
informaciones científicas, estarán legalmente referenciados.
El S.O tiene la licencia original de Windows 10. Los otros recursos como el
lenguaje de programación y el IDE, son de acceso libre, por ende no se vulneran
ninguna ley de licenciamiento de software.
Las imágenes a utilizar se han obtenido por medio de plataformas crowdsourcing,
extraídas desde el internet para estudios científicos que ayudan a las personas
interesadas en el tema.
Me gustaría dejar claro que no se divulgará ante nadie, ningún tipo de información
de estos pacientes. De igual forma se resguardará los nombres de los pacientes
y tipos de afecciones que puedan tener estas personas. Caso contrario me rijo a
los diferentes reglamentos del estado nombrados en la fundamentación legal.
Donde indica que si divulgo, opino o me burlo de las diferentes informaciones
obtenidas de los pacientes, no podré volver a obtener cualquier tipo de información
de instituciones públicas o privadas.
El Art 208 de la ("Ley Orgánica De Salud," 2006). Y el Art 1 y 7 del
("Reglamento De Información Confidencial En Sistema Nacional De
Salud," 2015). Indican que toda información pública obtenida para
investigación tecnológica será regulada y controlada por la autoridad
sanitaria nacional.
Se obtendrá la información de instituciones públicas siempre y cuando el paciente
o representante legal haya firmado el permiso para las pruebas. Indica además
que si se obtiene algún tipo de información ya sea de historias clínicas o imágenes
del paciente, estas deben ser llevadas de manera confidencial y no podrá usarse
para otros fines, solo a los concernientes. Por esta razón no se pudo llegar a
obtener imágenes en instituciones públicas o privadas de la ciudad de Guayaquil,
debido a que necesitaba un permiso especial por cada imagen de paciente a
entrenar.
78
Con todo esto puedo indicar que la investigación si es factible en su ámbito legal.
Ya que no se viola ninguna de las reglas sujetas a la investigación.
Factibilidad Económica
La factibilidad económica de un proyecto se mide en costos y beneficios para
determinar si atribuye y conviene o no a la realización del mismo. Este es el punto
culminante de las etapas de factibilidad, pues indica que si el gasto hecho por la
compra del proyecto es rentable en este momento para la empresa donde se
llegue a posesionar. Si se da el caso que no es rentable para la actualidad se
decide posponer su inicio. (Almaguer et al.)
En este apartado se hace una recapitulación breve de todas las factibilidades
anteriormente mencionadas puesto que con esa información se ayudará a deducir
esta viabilidad. Como lo indica (Almaguer et al.) “La evaluación económica
financiera constituye el punto culminante del estudio de factibilidad, pues mide en
qué magnitud los beneficios que se obtienen con la ejecución del proyecto superan
los costos y los gastos para su materialización”.
En el cuadro No.6 se observa los costos y financiamientos generados para el
desarrollo del proyecto. Este necesita de un hardware potente como lo es un
ordenador con GPU NVIDIA, para que pueda realizar el entrenamiento de la red
sin problema alguno. Es claro que no es un monto exagerado para indicar que no
es factible, más con lo que se tenía planeado para este proyecto no alcanza para
que la factibilidad sea viable. Sin embargo, se puede prestar o alquilar el tipo de
hardware para poder llevar a cabo el proyecto.
79
Cuadro N° 6. Cuadro de Costos y Financiamientos para el Proyecto
El proyecto está más dirigido a especialistas como los optómetros es por ende que
su precio será muy bajo, tendrá un total de $3.125 por infraestructura y mano de
obra por $1875.
Para determinar la factibilidad del mismo se hace el uso de los siguientes
indicadores:
TRI. – (Tiempo de recuperación de la inversión), permite determinar el tiempo en
que se recupera el capital invertido en un determinado proyecto.
VAN. - (Valor actual Neto), permite determinar flujos de los futuros ingresos y
egresos, se deduce la inversión inicial y queda ganancia a futuro.
TIR. - (Tasa interna de retorno), es aquel porcentaje de interés que ofrece la
inversión en sobre el tiempo de vida del proyecto.
RECURSOS MARCA/MODELO/VERSIÓN CANTIDAD COSTO UNITARIOCOSTO TOTAL
CPU Solutions Intel i7 3.6ghz Quad Core
PC. 16GB RAM, 1TB HDD & 240GB SSD,
Windows 10, GTX1060 w/3GB, 850W PS
Intel 1 $2.500 $2.500
Monitor Samsung 16" 1 $105 $105
Maquiná Virtual VMWARE 12.0.1 1 $0 $0
Sistema Operativo Windows 10 1 $0 $0
Lenguaje de Programación Python 3.6.5 1 $0 $0
IDE Jupyter 1 $0 $0
Recolección de Imágenes Imágenes de fondos de ojos 25 $0 $0
Profesional en Oftalmología Consultas 1 $20 $20
Profesional en Optometría Consultas 1 $20 $20
Profesional en retinología Consultas 1 $60 $60
Analista Programador Consultas 1 $25 $25
Suministros De Oficina Varios 1 $30 $30
Servicios de Internet Meses 4 $35 $140
Impresiones Color 100 $0,25 $25
Transporte Viajes a Guayaquil 20 $10 $200
TOTAL $3.125
*HARDWARE
*SOFTWARE
*SERVICIOS TÉCNICOS Y PROFESIONALES
*RECURSOS VARIOS
VIAJES Y SALIDAS DE CAMPO
Elaboración: Meyvi Hagó Herrera.
Fuente: Datos de la Investigación
80
Para calcular los indicadores de análisis ya mencionados, procederemos a
determinar la inversión inicial y las utilidades netas para los 5 años de vida que
tiene el proyecto.
Cuadro N° 7. Estimación de Utilidades netas anuales
Periodos Anuales Utilidades Netas
2019 $ 250.000,00
2020 $ 250.000,00
2021 $ 250.000,00
2022 $ 250.000,00
2023 $ 250.000,00
En el cuadro No.7 se observa las utilidades netas que estima en un periodo
posterior de 5 años, los mismos que son usados para calcular el valor neto actual
(VAN) y la tasa interna de retorno.
Cuadro N° 8. Valores del Flujo Efectivo Neto
Flujo Efectivo Neto
No. Año AÑO VALOR
Inv. Inicial $ -(5.000,00)
1 2019 $ 250.000,00
2 2020 $ 250.000,00
3 2021 $ 250.000,00
4 2022 $ 250.000,00
5 2023 $ 250.000,00
En el cuadro No.8 se observa de una manera más detallada el flujo efectivo neto
anual en su tiempo de vida de 5 años además de su inversión inicial que luego
será restada.
Cuadro N° 9. Resultados del VAN y TIR
VAN $ 942.696,69
Elaboración: Meyvi Hagó Herrera.
Fuente: Datos de la Investigación
Elaboración: Meyvi Hagó Herrera.
Fuente: Datos de la Investigación
81
TIR 5000%
VAN, se refleja en el cuadro No.8 con un valor de $ 942.696,69, en donde se
relacionan los ingresos anuales en un periodo de 5 años, el valor de inversión
inicial y una tasa de interés del 10% anual. De la misma manera se refleja el TIR
con un %5000 (cuadro No.9) en donde se intervienen los ingresos anuales y la
inversión inicial.
Cuadro N° 10. Flujo de caja y acumulados
Cuadro N° 11. Ponderación de Valores para el cálculo del TRI
0 1 2 3 4 5
Flujo de caja $ (5.000,00) $ 250.000,00 $ 250.000,00 $ 250.000,00 $ 250.000,00 $ 250.000,00
F. Acumulado -5000 $ 245.000,00 $ 495.000,00 $ 745.000,00 $ 995.000,00 $ 1.245.000,00
Cuadro N° 12. Resultado del TRI
En el cuadro No. 12 se refleja el valor del TRI que es de 0,02, en donde se
determina que el tiempo de recuperación de la inversión es de 20 días
aproximadamente.
Periodo anterior al cambio del signo
0
Valor absoluto del flujo acumulado
$ 5.000,00
Flujo de caja del siguiente periodo
$ 250.000,00
TRI 0,02
Elaboración: Meyvi Hagó Herrera.
Fuente: Datos de la Investigación
Elaboración: Meyvi Hagó Herrera.
Fuente: Datos de la Investigación
Elaboración: Meyvi Hagó Herrera.
Fuente: Datos de la Investigación
Elaboración: Meyvi Hagó Herrera.
Fuente: Datos de la Investigación
82
Como conclusión a esta factibilidad se puede visualizar que el proyecto propone
una inversión considerable para sus grandes beneficios en esa área de la
medicina.
Factibilidad Del Proyecto En General
“El estudio de factibilidad sirve para evitar el desarrollo de proyectos que no son
factibles”. (Jaramillo, 2006).
En este estudio de factibilidad participaron 2 usuarios, del cual todos 2 son
especialistas en el área de oftalmología y a la vez beneficiarios primordiales. Los
otros favorecidos con la investigación son los pacientes de los cuales no se
entrevistó a nadie, pero si conoce la realidad de estos.
De manera breve indico que este proyecto mejorará la eficiencia en el área de la
oftalmología dando un paso más a la telemedicina en Ecuador. Esta investigación
si reducirá un poco el personal pero no implica que acorte el trabajo para los
médicos especialistas. Así mismo será de gran apoyo para las empresas como
ópticas, centros de salud, hospitales, clínicas, etc. Puesto que ayudará a reducir
inversiones, costos y se harán más competitivas en el mercado con una mejora
en sus recursos.
Gracias a esta aplicación se brindará un mejor servicio, se obtendrá una segunda
opinión en la medicina y ayudará a los médicos a tomar decisiones acertadas y
confiables para los pacientes.
Una vez indicada cada una de las factibilidades anteriormente nombradas, es
momento de recapitular las respuestas tanto positivas como negativas para indicar
el veredicto final y más importante para el desarrollo de esta tesis. Indicando de
esta manera que no todas las factibilidades se dieron favor, por ende el proyecto
en el tiempo establecido y con los recursos obtenidos no es factible.
Sin embargo como se indicó anteriormente, se hará todo lo posible para tener un
prototipo aunque sea básico pero eficiente en el tiempo establecido.
83
Etapas De La Metodología Del Proyecto
La detección de la RHTA es una enfermedad que se realiza actualmente de forma
manual, por ende se llegó a la necesidad de querer automatizar este proceso a
través de la inteligencia artificial. Para este proyecto se usan grandes cantidades
de imágenes, con diferentes capas para que la red pueda aprender de mejor
manera las diferentes características de la enfermedad. La idea es hacer un
modelo fácil de estudiar, entrenar y utilizar en otros posibles algoritmos. A
continuación se hace un resumen de la creación del algoritmo y su prototipo,
realizado en cada una de las etapas de la metodología escogida.
Recolección y planeación de requisitos.
En esta etapa se hace una breve descripción de lo que se necesita para crear y
dar funcionamiento al programa. Como ejemplo a esto se hace hincapié en los
objetivos específicos de forma breve y las medidas que se deben tomar para
alcanzar cada uno de ellos conforme a la creación del modelo.
Para la obtención de las diferentes imágenes de la retina se buscó centros
oftalmológicos públicos y privados que deseen participar en el proceso de la
investigación. Además se examinó diferentes plataformas y repositorios en la web
que contienen imágenes oftalmológicas para investigación científica
(crowdsourcing). Todo con la finalidad de recolectar la mayor cantidad de
imágenes para que el programa pueda aprender sin ningún inconveniente.
Se comenzó a indagar en otros tipos de tecnologías para indicar si es factible o
no seguir la investigación con DL. Además se estudió diferentes metodologías
para el desarrollo del software y se estableció el algoritmo más adecuado a través
de estudios y pruebas. El diagrama de flujo representará de manera informática,
la forma apropiada para el análisis profundo de las diferentes imágenes donde se
desea obtener un gran porcentaje de acierto y bajo en error.
También se analizó diferentes lenguajes de programación que ayuden al estudio
de las redes neuronales artificiales. Los IDE o editor de texto son papeles también
84
importantes para este tipo de programación por lo que al final se indica cuál resulta
más rentable en este proyecto. A pesar de varias investigaciones en la web no se
llegó a encontrar un modelo o sistema idéntico al trabajo proyectado. Es decir el
programa se lo creará desde cero, escogiendo diferentes partes de programas ya
existentes de clasificación de imágenes, algunos de ellos hechos en un concurso
por la plataforma Kaggle.
Por último se presenta un diseño de modelo informático realizado con las
diferentes técnicas estudiadas a lo largo de la investigación. El mismo
demostrará su funcionalidad detectando los diversos signos de la RHTA y
logrando predecir si el paciente tiene o no la enfermedad.
Modelo o Diseño rápido.
En esta etapa se mencionan las herramientas que se utilizó, las necesidades que
se presentaron y los problemas que se dieron para la creación del modelo.
Para elaborar el prototipo de este proyecto se necesitó un sinnúmero de
requerimientos tanto de hardware como de software mencionados más abajo.
Esto con la finalidad de que las diferentes pruebas de esta investigación se
desarrollen de la mejor manera hasta quedar con un modelo final eficaz y eficiente
para el cliente.
Entrevista
Para realizar la factibilidad operacional se desarrolló una entrevista formal a 2
especialistas en el área de oftalmología en la cual se aludió que el proyecto si es
factible operacionalmente y servirá de ayuda no solo para médicos sino también
para los pacientes y la competitividad laboral de sus empresas. Además los
entrevistados indicaron que les viene bien un programa interactivo, que no sea
complicado al momento de manejarlo y que ayude a predecir con buena exactitud
si tiene o no la enfermedad, con la imagen de ojo a la cual ellos están evaluando.
85
Bases de datos
Para obtener buenos resultados en esta investigación, se buscó imágenes
médicas en hospitales públicos y centros oftalmológicos privados. Sin embargo
entres estos, no se obtuvo la cantidad deseada para este tipo de proyectos.
Además se tenía que pedir por cada paciente un permiso médico en donde me
otorgue la responsabilidad de las mismas.
Entonces, se optó por buscar imágenes médicas en diferentes sitios web que
ayudan a la investigación científica (crowdsoursing). Entre ellos se encontraron
Kaggle. La primera fue escogida para entrenamiento y validación.
Base de datos - Kaggle
Estas imágenes fueron proveídas por Eyepacs para Kaggel, se descargaron
alrededor de 88.000 imágenes en formato .JPEG, del cual se conformaba por
35.200 de imágenes para entrenamiento y 52.800 para validación. Tenían
imágenes de ojo izquierdo y derecho por cada paciente y a la vez el nivel de RD,
esto último se encontró en un formato cv, obtenido también en la descarga.
Lamentablemente se observó que las imágenes estaban en diferentes
resoluciones y tenían mucho ruido, como: luminosidad (subexpuesta y
sobreexpuesta), nivel de zoom, algunas tenían manchas, estaban viradas, a la
mitad, manchadas, etc., (se asume que fueron tomadas por dispositivos de
diferentes calidades). Algo importante que se puede indicar, es que una cantidad
muy baja estaba mal etiquetadas.
A continuación ejemplos de imágenes dañadas, existentes en la base de datos
kaggle.
Imágenes con diferentes luminosidades claras, en el gráfico n° 24, se observan
dos figuras: la imagen a es de un ojo izquierdo y la b con la c son ojos derechos.
En la a) su luminosidad clara está a lo largo de lateral izquierdo, en la b) se
encuentra en la parte superior derecha y en la imagen c) su luminosidad oscura
está en la parte derecha.
86
Imagen con mancha y distorsionada, en el gráfico n° 25, se puede encontrar
una imagen distorsionada con un color diferente al original. Y en el gráfico n° 26
se encuentra una retinografía con luminosidad oscura y manchas de dedos sobre
ella.
Diferentes zoom, en el gráficno n° 27 se encuentra, la imagen a) con un zoom
extremadamente cerca y en b) con un zoom lejos.
Gráfico N° 24. Retinografía con Diferentes Luminosidades
Elaboración: Diferentes Hospitales Oftalmológicos – EyePACS
Fuente: https://www.kaggle.com/
a) b) c)
Elaboración: Diferentes Hospitales Oftalmológicos – EyePACS
Fuente: https://www.kaggle.com/
Gráfico N° 25. Retinografía con Manchas
Gráfico N° 25. Retinografía Distorsionada
Gráfico N° 26. Retinografías con Diferentes Zoom
Elaboración: Diferentes Hospitales Oftalmológicos – EyePACS
Fuente: https://www.kaggle.com/
a) b)
87
Diferentes focos, diferentes focos se refiere a las distintas posiciones en el que
se encuentra el nervio óptico, del gráfico n° 28 en la imagen a) se puede presenciar
el foco al lado izquierdo siendo un ojo derecho. Y en la imagen b) se presenta el
foco de frente
.
Imagen cortada, en el gráfico n° 29 la imagen a) se nota la retina a la mitad y en
la imagen b) se ve como hay una retinografía encima de otra.
Gráfico N° 27. Retinografía con Distinta Ubicación del Nervio Óptico
Elaboración: Diferentes Hospitales Oftalmológicos – EyePACS
Fuente: https://www.kaggle.com/
a) b)
Gráfico N° 28. Retinografía con Imagen Cortada.
Elaboración: Diferentes Hospitales Oftalmológicos – EyePACS
Fuente: https://www.kaggle.com/
a) b)
88
Repositorio Final
Las imágenes de la base de datos Kaggle, se clasificaron escogiendo, el nivel cero
en una carpeta llamada “no” y las de los 4 niveles de RD, se las colocó en otra
carpeta con nombre “si”. Esta clasificación duró más de tres semana debido a la
gran cantidad de imágenes que se encontraron en las carpetas. Al final se tiene
un repositorio con el nombre de “Repositorio_MeyviHagó”. En cual se van a
encontrar dos carpetas la primera se llama “BD_descargada”, la cual contendrá
todas las carpetas, archivos e imágenes de las bases de datos de Kaggle, con el
objetivo de que el usuario descargue y siga incursionando en este mundo.
También hay otra carpeta con el nombre de “BD_creada”, la misma que se
subdivida en dos: “RD_RHTA_ALL” es el nombre de la carpeta que contiene más
de 12.000 imágenes clasificadas de manera manual siguiendo los parámetros de
kaggle “RD_RHTA_PREPRO” es la carpeta que tiene 10.000 imágenes pre-
procesadas, ya listas para entrenar. Ambas carpetas ya están divididas en
retinografías con y sin la enfermedad. En el gráfico n°32 se puede observar de
una manera más ilustrativa como están divididas las carpetas.
Elaboración: Diferentes Hospitales Oftalmológicos – EyePACS
Fuente: http://www.adcis.net/es/Descargar-Software-Base-De-Datos-Terceros/Messidor.html
Gráfico N° 300. Retinografía sin la Enfermedad0
Gráfico N° 30.
Retinografía Con la Enfermedad
89
El total de imágenes que tiene este repositorio es de 108.000. Además estará
disponible en la nube para cualquier persona, lo podrán descargar desde la MEGA
en el siguiente enlace:
En el gráfico n° 33 se puede observar la unión de las 2 BD para obtener el
repositorio:
Diferencias de Tecnologías
Deep learning y Machine learning se pueden confundir como sinónimos, pero en
realidad ambos no son lo mismo. Es cierto que deep learning es una
subclasificación de machine learning pero existen técnicas de ML que no son de
DL.
Gráfico N° 32.
Datos para la Creación del Repositorio
Elaboración: Meyvi Hagó Herrera.
Fuente: Datos de la Investigación
Gráfico N° 31.
Distribución de Carpetas para el Repositorio
Elaboración: Meyvi Hagó Herrera.
Fuente: Datos de la Investigación
90
La primera diferencia se encuentra en sus nombres una es aprendizaje
automático y la otra es aprendizaje profundo.
DL utiliza un nivel más detallado de entrenamiento a través de grandes
cantidades de datos en cambio ML no utiliza grandes cantidades de datos
por su poco método de procesar.
Los algoritmos de ML son tradicionalmente fáciles comparados con los de
DL, los primeros son lineales mientras que, en un algoritmo de aprendizaje
profundo se apilan jerarquías o capas de creciente complejidad y
abstracción.
ML se enfoca más en predecir datos probabilísticos y DL se utiliza en
cualquier big data sobre todo en imágenes por su fuerte poder
computacional y características a estudiar.
Una de las diferencias entre el aprendizaje automático y el modelo de
aprendizaje profundo está en el área de extracción de características. La
extracción de características la realiza el ser humano en el aprendizaje
automático, mientras que el modelo de aprendizaje profundo se da cuenta
por sí mismo. (Karunakaran, 2018). En el gráfico n° 34 se puede observar
cómo funciona ML y DL en esta diferencia.
Para este proyecto se utilizará un
aprendizaje supervisado a través de
Deep learning, escogiendo a las
redes neuronales convolucionales
para mejorar el factor de acierto.
Algoritmo
El propósito de deep learning es que las personas y las maquinas trabajen de la
mano y que sean capaces de aprender como un humano lo haría. Precisamente
Elaboración: Dhanoop Karunakaran
Fuente: https://medium.com/intro-to-artificial-intelligence/deep-
learning-series-1-intro-to-deep-learning-abb1780ee20
Gráfico N° 33.
Diferencia entre ML y DL
91
esto es lo que hacen los algoritmos del aprendizaje profundo, permiten que la
maquina ejecute tareas generales como específicas. Los diferentes algoritmos
que utilizan la herramienta de deep learning se destacan por realizar un sinnúmero
de aplicaciones destinadas a la IA. Los mencionados anteriormente trabajan
mediante capas tratando de imitar a las redes neuronales del cerebro humano.
Todos los algoritmos que tiene DL, se manejan de manera tediosa debido a la
gran cantidad de funciones matemáticas que manejan por debajo de cada
programa. Lo hacen con la finalidad de revisar datos y mejorar la toma de
decisiones.
Para este prototipo se hace uso de un aprendizaje profundo supervisado, debido
a que uno le indica cuáles son las entradas y las posibles salidas que se desea
obtener. Para la cual también se escogió una red neuronal convolucional que sirve
para el aprendizaje y clasificación de imágenes. Para este tipo de red se necesita
siempre una fuerte cantidad de datos etiquetados. En este caso, las retinografía
clasificadas con la enfermedad y sin la enfermedad, le ayuda a algoritmo de RNC
a saber cuándo un ojo está enfermo o no.
A pesar de que en las redes neuronales convolucionales tienen la forma más
directa de ayudar a predecir imágenes junto con su pre-procesamiento interno
(perceptones multicapas) este no es ideal. Hay que ayudarle a la red para que
pueda aprender de forma más rápida y eficiente los parámetros que le se otorgó.
Además ayuda a reducir un poco el poder computacional al momento del
aprendizaje.
En cuadro n° 13 se observa el diagrama de flujo del algoritmo creado para este
proyecto siguiendo los parámetros antes mencionados.
1º. Comienza con la adquisición, en donde se obtienen las imágenes y luego
se las clasifica.
2º. En el pre-procesamiento de imágenes realiza un recorte a la imagen, luego
un escalamiento al 50% y le quita los bordes para finalizar con el
redimensionamiento al 512x512.
3º. Se construye la red con el número de capas a procesar.
92
4º. Se entrena y valida el programa de manera automática, dependiendo del
parámetro de épocas. Si este es menor o igual NE, se debe volver a
entrenar la red.
5º. Finalmente se prueba el programa para indicar el porcentaje en sus
predicciones.
92
Cuadro N° 13. Algoritmo Del Proyecto
Elaboración: Meyvi Hagó Herrera.
Fuente: Datos de la Investigación
93
Adquisición
La adquisición de la imagen se la realiza de forma digital, como se mencionó
anteriormente las imágenes se las obtuvo en diferentes parámetros de nitidez,
luminosidad, zoom, entre otras. Básicamente lo que hace aquí el algoritmo, es
obtener las bases de datos de la web o de diferentes lugares, para luego
ordenarlas y clasificarlas en un almacenamiento interno la misma que servirá para
entrenar al programa. La clasificación de imágenes se da dependiendo el número
de clases que se le programe, puede comenzar con dos y ser mayor a 100. En el
gráfico n° 35, en la imagen a) se podrá ver un ejemplo de la clasificación desde la
BD. Luego de haber divido por clases, se crea otra base de datos o carpeta local
en el ordenador. Aquí se establecerán las carpetas de entrenamiento, validación
y prueba.
Entrenamiento (training_set)
En esta carpeta se colocan las imágenes para entrenar la red, cabe recalcar que
deben ser más de 5.000 para tener un buen acierto. Primero se dividen las
imágenes por la cantidad de clases que se desee y luego se crean carpetas con
los nombres de esas mismas clasificaciones. En el gráfico n° 35, imagen b) se
verifica un ejemplo de lo explicado.
Validación (test_set)
En esta carpeta se colocan las imágenes a ser validadas después del
entrenamiento. Sirven para comparar el desempeño y ajustar los parámetros de
la función de perdida, deben tener los mismo nombres de clases a entrenar. En el
gráfico n° 35, imagen c) se verifica un ejemplo de lo explicado en validación.
Prueba (predict_set)
En esta carpeta se coloca cualquier tipo de imagen que deseemos predecir a que
clase pertenece. Por lo general se colocan imágenes que el sistema nunca haya
visto, ni en el entrenamiento ni en la validación. En el gráfico n° 35, imagen d) se
verifica un ejemplo de lo explicado en predicción.
94
Gráfico N° 34. Modelo de Adquisición
Pre-procesamiento
El pre-procesamiento depende del tipo de RNC que se va a programar, si es bien
cierto como se ha mencionado no es necesario en una imagen. Pero con los
resultados obtenidos a través de pruebas, se le dio un pre-procesamiento a las
imágenes con la finalidad de que la red entrene por cuenta propia y de manera
más fácil, los parámetros diminutos de la enfermedad del ojo.
Mientras mayor es el tamaño de la retinografía, mayores son los recursos
tecnológicos que ocupa para aprender. Para esto se necesita un tamaño
considerable, que no deje pasar por alto el estudio de las retinas.
Las imágenes tienen diferentes dimensiones, la mayoría son demasiadas grandes
y rectangulares. Se revisó algunos métodos de pre-procesamiento de imagen y se
llegó a la conclusión de unir varios de ellos, con la finalidad de que se obtengan
mejores resultados. Se utilizaron librerías de OpenCV y Pillow para la edición y
presentaciones de las imágenes. Además se utilizó la librería Numpy, importante
para convertir cada fotografía en una matriz y poder procesarla de mejor forma.
En el gráfico n° 36, se encuentra la imagen original antes de ser procesada.
Elaboración: Meyvi Hagó Herrera.
Fuente: Datos de la Investigación
95
1º. El recorte, empieza a recorrer la imagen encontrando bordes para saber
dónde cortar. Algunas imágenes contenían la fecha en que fue tomada o de
donde fue adquirida la fotografía, estas historias estaban en la parte posterior
o inferior de la misma. Se consiguió un método que evita que el proceso de
recorte confunda a las historias de cada imagen con un borde o esquina. Este
consistía en recorrer la imagen desde adentro hacia afuera indicando según
diferentes factores cuando ya era negro, se estimaba un fondo.
Con el fin de que todas las imágenes tengan la misma dimensión en cuanto a
la forma de la retina, se procedió a realizar
análisis de sus radios. Se calculó el mismo
obteniendo primero su diámetro a través de la
fila 256, quién era el reglón a la mitad de la
retina. Una vez obtenido su radio se procede a
coger esa variable para llevarla a redimensión
del paso 4to. En la imagen n° 37 se observa
cómo se recortó la imagen.
2º. Convertir la imagen al 50% gris, resulta que las imágenes tienen mucho color
rojo en el globo de retina. Este color tan fuerte no deja ver las características
minúsculas de la enfermedad. Como las hemorragias que a fin de cuentas es
el mismo color de la retina. Para poder solucionar este proceso, se decidió
primero convertir la imagen a gris, luego a contraste azul y se finaliza con el
50% de gris. Concluyendo que la mejor opción sea la última, ya que la retina
Elaboración: Meyvi Hagó Herrera.
Fuente: Datos de la Investigación.
Gráfico N° 35. Retinografía Original
Elaboración: Meyvi Hagó Herrera.
Fuente: Datos de la Investigación
Gráfico N° 36. Recorte de Retinografía
96
junto con el fondo de la imagen, quedan con un tono muy similar. Y las
características se resaltan con una mejor tonalidad.
Para comprender este proceso es bueno recordar que, 1 Byte tiene 8 bits, y
1bits puede almacenar 2 valores, de los cuales los dos son booleanos. 2ˆ8, da
como resultado 256. La imagen al final del pre-procesamiento es de 512x512,
es decir que esta cuenta con 8bytes (64bits). De la cual 7bytes son para los
colores de RGB y 1byte se usa para dar un
efecto de transparencia a la imagen.
De este último byte, se extrae el 50% de
transparencia, es decir que la función lo que
hace es reducir su RGB al 50% y colocar el
50% de la escala gris (128). Gaussianblur,
es la función que ayuda a escoger el 50% de
RGB. En el gráfico n° 38, se observa cómo
queda la imagen al 50% gris.
3º. Aislamiento de Borde, aquí se recortó el 10% del borde de la retina,
conservando un 90% de imagen nítida. Este proceso se hizo con la finalidad de
que la imagen no tenga un borde muy luminoso como se obtiene al finalizar el
proceso anterior. Se comienza creando una imagen a B/N con las mismas
dimensiones que la original, lo negro es el fondo y lo blanco es el resultado del
90% de radio de la retinografía original. Al final se realiza una operación
matemática quedando
como resultado la
retinografía son el borde
luminoso. En el gráfico n°
39 se observa en la imagen
a) la nueva fotografía
creada a B/N y en la imagen
b) el procesamiento final
quitando el borde luminoso.
Elaboración: Meyvi Hagó Herrera.
Fuente: Datos de la Investigación
Gráfico N° 37.
Retinografía al 50% Gris
Gráfico N° 38. Aislamiento de Borde de Retinografía
Elaboración: Meyvi Hagó Herrera.
Fuente: Datos de la Investigación
a) b)
97
4º. Redimensionamiento. Para este método se probaron algunas pruebas de
entrenamiento para indicar cuál es la mejor dimensión en que la red estudia
mejor los parámetros de las retinografías. Pudiendo deducir que entre 64x64 y
128x128, a la red se le complica aprender, debido a que son parámetros muy
minúsculos y por ende en una imagen pequeña va a ser difícil de extraer. A
partir de 256x256 la imagen tiene un acierto más alto. Por ende se decide que
el mejor método de procesamiento para este proyecto será 512x512. Para esto
se utiliza el método resize junto con copyMakeborder de OpenCV, que permite
dimensionar una imagen, agregando un fondo negro sin que se pierda el
aspecto de la retina.
Como formato de arreglo para convertir la
imagen en matriz se escogió unit8 para que
las imágenes no ocupen tamaño
incensarios en la memoria del disco.
Gracias a todos esos parámetros se pudo
obtener imágenes con menos peso, más
centradas y más características para la red.
En el gráfico 40, se observa una imagen con
el pre-procesamiento finalizado, con una
dimensión de 512x512.
Construcción de la Red/Aprendizaje
Para construir la RNC, se debe tener listas las carpetas de entrenamiento,
validación y la de pruebas. En la carpeta de entrenamiento y validación deben
estar las imágenes pre-procesadas. Recuerden que se necesita un número
grande de imágenes para que pueda el programa entrenarse de una buena
manera.
Para la construcción de la red neuronal convolucional se utilizan varias librerías
pero la principal es Keras. Estas son las principales importaciones que no deben
faltar en una red convolucional y se muestran en el gráfico n° 41.
Gráfico N° 39. Redimensionamiento de la
Retinografía
Elaboración: Meyvi Hagó Herrera.
Fuente: Datos de la Investigación
98
Explicación de las importaciones.
Con la línea 1 se construye el modelo. Hay dos formas de iniciar un modelo
por secuencia o por grafos. En este caso se inicia por secuencia, ya que las
RN se conectan secuencialmente una detrás de otra.
En la línea 2 se importa Conv2D o también Convolutional2D, esta realiza el
primer paso a la RNC el cuál es la convolución. Se utiliza 2D debido a que la
imagen se convierte en una matriz de 2 dimensiones, para videos se utiliza
Conv3D (la tercera será el tiempo).
La línea 3, MaxPooling2D, se la utiliza para operaciones de agrupamiento. Se
la utiliza en el proceso de creación de una RNC para escoger el valor máximo,
mínimo o promedio de pixeles. Para este proyecto se utiliza el nivel máximo
de pixeles.
La línea 4, se la utiliza para convertir las matrices de 2D en un único vector.
Se le llama Aplanamiento
En la línea 5, Dense es para realizar la conexión completa de la red.
Luego de haber importado se crea el modelo en forma secuencial, seguida de la
cantidad de capas que desee colocar. Keras tiene el privilegio de leer todas las
capas y predecir la red que quiere el usuario, a partir de la primera. Por lo general
Gráfico N° 40.
Importación-Keras
Elaboración: Meyvi Hagó Herrera.
Fuente: Datos de la Investigación
99
el Ingeniero solo establece dimensiones para la entrada de la primera capa en una
RNC
Para construir una red convolucional se deben agregar sus infaltables 4 capas:
1º. Convolución
2º. Agrupación
3º. Aplanamiento
4º. Conexión completa
Para experimentos se probaron diferentes tipos de capas utilizadas en el proceso
de imágenes a través de Deep Learning. Se trabajó en una red entrenadas desde
cero, para profundizar en el estudio. A través de pruebas se modificaron
parámetros de errores específicos que se presentaban ante un sobre-
entrenamiento o procesamiento de CPU. Además de los problemas que se daban
por clases que no estaban balanceadas en su clasificación.
En esta gráfico n° 42, se encuentra el resumen del modelo propuesto. Si bien es
cierto es un modelo básico pero muy representativo, debido a que sigue los
parámetros que estudiaron a través de esta investigación. Estas mismas capas
Elaboración: Meyvi Hagó Herrera.
Fuente: Datos de la Investigación
Gráfico N° 41.
Modelo de Capas Convolucionales
100
pueden ser utilizadas para para otros tipos de entrenamiento en la red a través de
imágenes.
Entrenamiento Y Validación
Antes de hablar del entrenamiento y validación, se hace un resumen de lo que son
las épocas. Para la inteligencia artificial una época significa un pase de
entrenamiento y validación completa. El entrenamiento y la validación se ejecutan
las veces que el programador crea conveniente y sirve para dar un buen
entrenamiento a la red. Mientras más épocas mejor aprende el programa, hay que
tener en cuenta y equilibrar el número de épocas con el número de imágenes,
demasiadas épocas lleva a un sobre-entrenamiento.
Entrenamiento
Después que se ha construido la red, se procede a ingresar datos para que
estos se entrenen con la x cantidad de imágenes. Cabe recalcar que no
solo se entrena sino que también se ajusta un modelo guardado.
Una vez que se cargaron los datos, se llama a la función fit ( ), con la cual
se comienza el entrenamiento.
Validación
Aquí la red valida por si sola si su eficiencia de entrenamiento fue el
correcto o no. El conjunto de datos que califica son los que están dentro
de la carpeta de test_set y en caso de ser incorrectos ajusta sus
parámetros para la próxima época.
Prueba
La etapa de prueba se realiza con datos que la red no haya entrenado o validado,
con el fin de probar si funciona o no el programa. Para esto se tomó imágenes
descargadas de la web, las mismas que la red desconoce.
Se hizo el uso de una aplicación con interfaz gráfica creada desde cero, en donde
se selecciona la imagen a analizar y da como resultado la imagen elegida, su pre-
101
procesamiento y su veredicto final. (Es decir si padece o no de retinopatía
hipertensiva). El uso de la aplicación con interfaz gráfica promete ser interactiva
ya que los interesados prefieren un ambiente amigable y fácil de usar.
Luego de haber reestructurado la validación, de cada 10 pruebas realizadas 6 sus
resultados fueron acertados por lo que se puede determinar que la credibilidad es
de un 60% fiable, el 40% de error se dio debido a que se necesitaba más datos
(es decir imágenes al momento de entrenar la red). Así mismo se necesita
aumentar el número de épocas porque mientras más épocas tiene el
entrenamiento su aprendizaje es mayor y por ende sus predicciones son más
precisas.
Prueba #1
En el gráfico n° 43 el resultado
indica que si tiene la enfermedad.
En esta prueba se analizó una
imagen en donde el resultado
deseado es que no padece de la
enfermedad de retinopatía
hipertensiva pero su predicción fue
incorrecta.
Prueba #2
En el gráfico n° 44 el resultado indica que
si tiene la enfermedad. En la siguiente
prueba el análisis realizado, dio como
resultado la detección positiva de
retinopatía hipertensiva siendo este el
resultado deseado por lo que se
determina que dio una predicción
certera.
Elaboración: Meyvi Hagó Herrera.
Fuente: Datos de la Investigación
Gráfico N° 42.
Prueba Sin la Enfermedad
Elaboración: Meyvi Hagó Herrera.
Fuente: Datos de la Investigación
Gráfico N° 43. Prueba Con la Enfermedad
102
Prueba #4
En el gráfico n° 45 el resultado indica
que no tiene la enfermedad. En la
presente prueba la detección de la
enfermedad fue negativa siendo este un
valor deseado ante tal predicción por lo
que se determina que el pronóstico fue
exitosa.
En el cuadro n° 14, se encuentra una tabla con los datos probados.
Cuadro N° 14 Tabla de Resultado de las Pruebas
En el gráfico n° 46 se muestra de forma más explicada el algoritmo.
NO. PRUEBA
CORRECTO INCORRECTO RESULTADO DESEADO TIEMPO
1 X 1 No 12s
2 x 0.87401354 No 11s
3 x 0.0 No 11s
4 x 0.99999845 No 15s
5 x 0.5364356 No 12s
6 x 0.2204929 Si 12s
7 x 1.0 Si 12s
8 x 1,27E-20 Si 9s
9 x 1.0 Si 10s
10 x 1.0 Si 27s
Elaboración: Meyvi Hagó Herrera.
Fuente: Datos de la Investigación
Elaboración: Meyvi Hagó Herrera.
Fuente: Datos de la Investigación
Gráfico N° 44.
Prueba Sin la Enfermedad
103
Gráfico N° 45.
Modelo del Algoritmo Propuesto
Elaboración: Meyvi Hagó Herrera.
Fuente: Datos de la Investigación
104
Metodología
La metodología que se escogió es la de prototipado, como se indica en el capítulo.
A continuación una breve descripción del porque la elección.
o Se construye cuando una persona no está segura de que tipos de
algoritmos puede utilizar en el proceso.
o Se realiza de una forma rápidamente y fácil para comprender lo que se
propone.
o Es un modelo recomendado cuando no se conocen ciertamente las
necesidades, pues guía al programador según las sugerencias del cliente.
o Permite un desarrollo básico del modelo sin necesidad de presentar un
sistema exitoso debidamente terminado. No se asegura un uso real del
modelo, sobre qué aspecto tendrá o cómo funcionará.
o Se mantendrá en proceso hasta llegar a su funcionalidad final.
o Se lo realiza a través de etapas y no solo se utiliza para la creación de un
sistema sino que también puede ser utilizado para su modificación.
o Tiene una buena interfaz con el usuario.
Herramientas para la Construcción del Modelo
Hardware y Software
Como se mencionó en la factibilidad técnica (capítulo 3). No se logró obtener una
máquina que trabaje en conjunto con las necesitadas de la IA, por ende se
utilizaron para el desarrollo, dos laptops con las siguientes características
mencionadas en el cuadro n° 15:
Cuadro N° 15. Características de Laptops
Tipo Laptop A Laptop B
Hardware
Procesador 64x, AMD A9-9420 64x, Core™ i7
RAM 12GBram 16GBram
Disco Duro 1TB 1TB
Tarjeta de video AMD Radeon ™ R5 Graphics AMD Radeon R5 M335
Software Sistema Operativo Windows 10 Pro Windows 10 Pro
Elaboración: Meyvi Hagó Herrera.
Fuente: Datos de la Investigación
105
Lenguaje de programación
Hay que mencionar además que se decidió por el lenguaje de programación
Python 3.6.6., gracias a su facilidad de uso, extensas librerías y la forma en cómo
trabaja con la IA. Este lenguaje de programación es muy ágil y ligero para el
entrenamiento de cualquier red artificial. Además se puede encontrar una extensa
cantidad de información acerca de su sintaxis. Otro lenguaje que estudia ML y DL
es R, pero este no se escogió por la sencilla razón de que es reciente en el
mercado y se tiene poca información en la web. En el cuadro n° 16 y 17 se
muestran las características que se compararon con dos lenguajes de
programación más como son R y MatLab.
Cuadro N° 16. Características de diferentes lenguajes de programación A
Aspectos Cualidades Python R MatLab
Descarga e Instalación
Descarga Gratis SI SI SI
Fácil Instalación SI SI SI
Limitaciones por versiones Gratuitas NO SI SI
Requiere Conocimiento de programación SI SI SI
OpenSource SI SI NO
Multiplataforma SI SI SI
Características Básicas
Interfaz amigable SI NO NO
Orientado a Objetos SI SI SI
Rapidez de cálculos SI SI SI
Manipulación de Datos a gran velocidad
SI NO NO
Amplias Librerías SI SI SI
Tipado dinámico y fuerte SI SI SI
Automatización y Lectura de Datos
SI SI SI
Elaboración: Meyvi Hagó Herrera.
Fuente: Datos de la Investigación
106
Cuadro N° 17. Características de diferentes Lenguajes de Programación B
Aspectos Cualidades Python R MatLab
Programación
Proporciona pista de erroress SI NO SI
programación de alto nivel SI SI SI
Se trabaja con diferentes IDE'S SI NO NO
Idioma Inglés SI SI SI
Español SI NO NO
Tipo de Aplicaciones
Escritorio SI SI SI
Web SI SI NO
Recopilación de información
Tiempo en el mercador 28 años 23 años 34 años
GitHub 90000 40000 44000
Data Scientists
Minería de Datos SI SI NO
Análisis de datos SI SI SI
Machine Learning Deep Learning SI NO NO
Curva de Aprendizaje
Lenta y complicada NO SI SI
Rápida y fácil SI NO NO
Matemáticas
Matemáticas Financiers SI SI SI
Estadísticas SI SI SI
vectores, arrays matrices SI SI SI
Gráficos estadísticos SI SI SI
Gráficos 3D SI SI SI
IDE
En el IDE al principio se empezó a trabajar con Visual Studio Code pero
lamentablemente no se siguió trabajando con él, debido a que cada vez que se
deseaba probar el entrenamiento del programa, este volvía a entrenar desde cero
la red, solo para dar un resultado. Por ende se decidió trabajar con Jupyter, el cuál
es un proyecto de Ipython considerado como una de las mejores plataformas para
la IA. Este estudio se basa en la programación paralela que maneja la plataforma
web Ipython Notebook a través del kernel de Ipython. En el gráfico 47, se puede
observar que pasamos de trabajar Visual Studio Code a jupyter.
Elaboración: Meyvi Hagó Herrera.
Fuente: Datos de la Investigación
107
Para poder seguir laborando sin problema en Jupyter Notebook se consideró a
Anaconda 4.5.9, la más grande distribución de Python. Al principio se utilizó su
entorno base y después de tantas pruebas, el entorno antes mencionado se
empezó a dañar. Comenzó dando errores de versiones en librerías hasta el punto
de ya no querer instalar nada.
Para esto se procedió a borrar todo y se volvió a instalar desde cero la distribución
de anaconda, pero esta vez se consideró la creación de un ambiente. Esto fue de
una u otra forma lo más factible y más rápido, ya que si se volvían a dañar (que
fue lo que pasó nuevamente por versiones y librería), no pasaba en toda la base
sino solo el entorno creado en ese momento.
Los errores de las pruebas de cada prototipo se encontraba al finalizar el
entrenamiento, por ende se hicieron pruebas de 1 época en la laptop A y de 3 en
adelante en la laptop B. Se tomó solo una época para la primera laptop con la
finalidad de que el programa indique de forma más rápida, el error que podía dar.
A éste se lo corregía y se lo mandaba a correr de nuevo en la misma laptop.
Ya cuando no se encontraban errores, todo el programa se ejecutaba desde cero
en la laptop B con épocas mayores a 3.
Elaboración: Meyvi Hagó Herrera.
Fuente: Datos de la Investigación
Gráfico N° 46.
Elección de IDE para el modelo
108
Un ambiente en anaconda se puede clonar, esta es otra de las ventajas por la cual
se trabajó con anaconda. El ambiente de la laptop A, fue copiado y pegado en la
laptop B, es decir no fue instalado desde cero.
Gráfico N° 47. Equipos utilizados para el entrenamiento del modelo
Construcción - Desarrollo, entrega y realimentación del
Prototipo.
Para la construcción se procede a investigar la forma de programación que
se ajuste a los parámetros de la red a entrenar.
Para la cuarta etapa se desarrolla y ejecuta el código fuente, para una
posterior entrega de manera presencial. En la realimentación se estimarán
críticas constructivas para la mejora del proyecto, se escucha con atención
lo que desea que se adhiera y lo que no le agrada para su posterior
modificación.
Elaboración: Meyvi Hagó Herrera.
Fuente: Datos de la Investigación
109
Modelo # 0
Construcción y Desarrollo
Para la construcción de esta primera prueba, se siguió un ejemplo de clasificación
de imágenes simple con DL, a través de redes neuronales convolucionales. En
este se estudia la clasificación de perros y gatos, con 10.000 imágenes. Este
archivo fue descargado desde el repositorio de github y estudiado Vekatesh T.-
Becoming Human. (Tata, 2017 ).
La estructura de esta red neuronal radica en cuatro fases, donde la primera capa
es una de convolución, la segunda de agrupamiento, la tercera de aplanamiento
y la última es de conexión completa. Las librerías que se descargaron fueron las
de Keras, ya que es muy útil para el aprendizaje profundo. Cada procesamiento
de imágenes tenía cerca 25 épocas para su aprendizaje. El desarrollo consistía
en descargar desde la web las 10.000 imágenes, ya venían clasificadas por dos
carpetas como lo requiere DL, training_set y test_set. Pero al finalizar la descarga
dieron como resultado solo 8000 y no 10000 como decía en el manual.
Al terminar su primera época se estimó que demoraba alrededor de 2 horas con
la laptop A. Así que se paró el entrenamiento por 25 épocas y se decidió colocar
1 de nuevo para conocer resultados. Se llegó a la conclusión de que cuando
terminó la única época que se puso en funcionamiento, este no predecía muchas
imágenes, solo daba respuestas casi correctas con las imágenes de
entrenamiento (training_set). Entonces se estimó un tiempo ideal y se puso en
funcionamiento con 11 épocas, el entrenamiento de las 11 duró 12 horas en la
laptop B y en la laptop A duró 33 horas. Al finalizar las 11 spoch, se pudo notar
que si predecía con mejor exactitud y mayor cantidad de imágenes. Se utilizaron
imágenes desde el internet y las clasificó de manera correcta.
En la imagen n° 49 y 50, se puede notar una gran diferencia entre las laptops al
terminar la época 8. Su diferencia radica en el error y el acierto que él evalúa, se
asume que como no es el mismo procesador, da este resultado.
110
Antes de seguir cabe recalcar que al principio se empezó a usar Visual Studio
Code para este proyecto, pero al querer correr las predicciones o mejor dicho al
querer saber si una imagen es perro o gato. El mismo se volvía a entrenar desde
cero. Para este problema se empezó a utilizar Jupyter junto con Anaconda. Y
gracias a esta plataforma se pudo lograr que en una celda se corra el
entrenamiento y en la otra solo las predicciones.
Elaboración: Meyvi Hagó Herrera.
Fuente: Datos de la Investigación
Gráfico N° 48. Prototipo #0. Prueba Laptop A
Elaboración: Meyvi Hagó Herrera.
Fuente: Datos de la Investigación
Gráfico N° 49. Prototipo #0. Prueba Laptop B
111
Entrega y Realimentación
Luego de haber terminado se presentó con el tutor este avance y él mismo indicó
que estaba bien pero que ahora se pruebe con las imágenes de retina. Mientras
se presentaba este pequeño proyecto. Se iba clasificando la gran cantidad de
imágenes de retinografías.
Modelo # 1
Construcción y Desarrollo
Para este prototipo se investigó diferentes infraestructuras y se colocaron a
pruebas. Las capas no cambiaron por la forma de entrada de datos. Para ese
momento recién las imágenes de la retina estaban en su etapa de clasificación.
Así que se decidió por realizar la prueba con 400 imágenes, 200 en cada una de
sus clases. Para la validación se utilizaron 200 retinografías más en total.
Al poder ejecutar el programa se notó que las retinografías se demoraban mucho
en ser procesadas a diferencias de las imágenes de perros y gatos. Este
procesamiento en la laptop A, duró aproximadamente 4 horas en su primera época
de 15. Se decidió detenerlo y dejarlo por 10 épocas demoró alrededor de 2 días
en entrenarse. Se obtuvo como resultado un sobre-entrenamiento de la red, es
decir la RNC no aprendió sino más bien se memorizó las imágenes. Este sistema
no era capaz de predecir retinografías fuera de las que se habían entrenado,
además a eso tenía un 90% de error, ya que a la mayoría de imágenes decía que
si tenía la enfermedad aunque no la tuviera dentro de la carpeta de entrenamiento.
Entrega y Realimentación
Este prototipo no se entregó debido a su poca predicción.
Modelo # 2
Construcción y Desarrollo
Este prototipo se construyó con la idea de mandar más imágenes al programa y
tener una época de más para su mejor precisión. Se decidió primero probar con 5
112
etapas en la laptop A, pero cuando iba por su tercera época salió dead kernel,
quizás el motivo fue la gran cantidad de procesos que estaba corriendo en ese
momento, como entrenamiento e investigaciones para la tesis.
Luego se decidió probar con 1 época, está se ejecutó de manera normal y su
primer error fue el de imagen truncada. Esto significa que el programa no estaba
aprendiendo a la perfección ya que las imágenes que estaban dentro de las 5.000
eran de alta calidad con resoluciones muy grandes y el programa hacía que se
cortaran a una dimensión de 64x64 para calcular su entrenamiento.
Se trató de buscar una solución y lo que más se resaltó entre ellas es mandar el
error por verdadero. Es decir forzar al programa a que lea la imagen y convertirla
en 64x64. Se volvió a correr el programa en la laptop A, por una época y no
presentó error. Para la laptop B, se lo ejecutó por 8 épocas.
Al finalizar su entrenamiento se notó que su acierto y error no eran los que se
esperaba, no predecía con exactitud y en 80% de las imágenes ingresadas, el
programa se equivocó.
Entrega y Realimentación
La entrega del programa se hizo con imagen truncada a verdadero. Esto no
simpatizó al cliente debido a que se forzaba al programa a solo validar 64x64. No
aprendiendo bien las características de la retina, por ende se mandó a buscar una
mejor solución que no recorte la imagen sino que la lea dependiendo a su tamaño
para no perder características primordiales de las imágenes al momento de su
predicción.
En el gráfico n° 51, se visualiza el error de imagen truncada.
113
Modelo # 3
Construcción y Desarrollo
Este prototipo se construyó buscando cual sería la mejor resolución para indicarle
al programa su tamaño de imagen y además para tener en claro que es muy
importante balancear el tipo de clases que se le ingrese a una red neuronal
convolucional.
Se probó primero con 128x128 en la laptop A por una época con 1.000 imágenes
y esta no botó error. Pero las mismas instrucciones fueron dadas para la laptop B
y esta botaba error. Así que se continuó haciendo pruebas y en ambas laptops
dejaba de mandar error a partir de 256x256. Pero para 512x512 se pudo notar que
hubo un acierto mejor. Así que se decide dejar la red entrenada por 512x512,
aunque su consumo en tiempo es mayor que 256x256
Cuando se tenía en claro que el tipo de dimensión de la imagen debe de ser mayor
a 256x. Se realizó el tercer prototipo con 6.000 imágenes por 1 época a la laptop
A y por 3 épocas a la laptop B.
Elaboración: Meyvi Hagó Herrera.
Fuente: Datos de la Investigación
Gráfico N° 50. Prototipo #2. Prueba Laptop A
114
Dando como resultado un sobre-entrenamiento para las imágenes sin la
enfermedad, tanto para la laptop A como la laptop B. Su entrenamiento solo
validaba imágenes para “no”. Se revisó el motivo y se puede indicar que fue por
un desbalanceo de clases. Es decir que la mayor cantidad de imágenes estaban
en la carpeta del “no”. Debido a que en la base de datos había más personas sin
la enfermedad que con la enfermedad. Por ende el programa empezó a indicar
que cada imagen que se ingrese para él era un “no” como respuesta ya que solo
intentaba reconocer a una retina.
Las imágenes en este prototipo estaban por 3.000 y 3.000 para entrenamiento y
validación. Pero tanto en testeo como en training. Tenían 2.350 para la clase “no”.
Mientras se buscaba la solución para el balanceo de imágenes, se decidió
aumentar las capas y reducir el peso de las imágenes a través de Photoshop. Se
ejecutó un pequeño prototipo con 25 épocas y 1.000 imágenes. Este
procesamiento duró 7 días. Sus resultados fueron de: un acierto bajo con un error
alto. Una prueba más que indica que a pocas imágenes no puede llevar muchas
épocas. Luego se decidió correr el programa con más imágenes y el mismo pre-
procesamineto y se identificó un mejor acierto en las imágenes dado por el 40%.
Entrega y Realimentación
No se entregó ningún prototipo, porque demoró más de dos semanas, pasándose
la fecha de su presentación. Además el error que emitía su entrenamiento era aún
muy alto. Sin embargo se comenzó a estudiar pre-procesamiento de imágenes
para un siguiente algoritmo.
Modelo # 4
Construcción y Desarrollo
Con el último prototipo #3 se notó un cambio de procesamiento al momento de
analizar la imagen, debido a que este tenía imágenes más livianas gracias a pre-
procesamiento hecho en Photoshop.
115
Entonces se decidió buscar un pre-procesamiento óptimo para la imagen y como
resultado se obtuvo el siguiente.
Primero, se hace un recorte, ubicando el radio.
Segundo, se convierte la imagen al 50% gris.
Tercero, se aísla el borde.
Cuarto, y último se redimensiona la imagen para que tenga un 512x512
de tamaño.
Para poner a prueba el pre-procesamiento se lo hizo primero para una sola
imagen. Más tarde se metió este procesamiento a un ciclo. Del cual cada fotografía
que pasaba por el ciclo se pre-procesaba, se guardaba en memoria y en una
carpeta y luego se borraba en la RAM para no tener ocupado espacio innecesario
en la memoria. Se logró notar que la mayor parte del trabajo en un procesamiento
lo tiene la memoria RAM. Al principio se mandaron todas las 12.000 imágenes a
pre-procesar. Pero esto elevó a una gran cantidad la memoria de 15GB por lo que
se eligió configurar un parámetro que escoja grupos de imágenes a pre-procesar.
Se dividió por grupos de 50 imágenes las 8.000 guardadas en la carpeta “no”,
dando como resultado 160 grupos. Después el programa empezó a escoger el
primer grupo de 50 fotografías para mandarlas a pre-procesar y las guardaba en
un nuevo directorio. Luego de terminar el primer grupo de 50 imágenes, iba con el
segundo y así sucesivamente, hasta llegar al grupo 160. Lo mismo hizo con las
imágenes del “si”.
Además como formato de arreglo para convertir la imagen en matriz se escogió
unit8 que solo ocupa 1 byte (1). Se escoge este valor para evitar posibles
turbaciones o distorsiones en la intensidad de la imagen. Se recuerda que la
imagen pre-procesada tenía un 50% en RGB (3) por ende sus datos en píxeles
estaban dentro de 0 a 255 (enteros). Sus filas y columnas quedaron como
512x512. En su totalidad cada imagen pre-procesada tenía un valor de
512*512*1=786.432 píxeles, convirtiendo esto a 0.78Mb de memoria en el disco.
Ocupando un total de 9.36GB (por 12.000 imágenes) para almacenar.
116
También se puede escoger el tipo de datos float32 que ocupa 4bytes, pero cada
imagen llegará a tener un valor de 3.14Mb, gastando memoria en disco
innecesarios. (Scikit-Image). Cabe recalcar que este procedimiento hizo que la
memoria no se eleve a su tope, sino al contrario trabajó de muy buena manera
para otros tipos de actividades.
Luego de este pre-procesamiento se añadió una capa de convolución y otra de
maxpooling para un mejor aprendizaje de la red, analizando 11’816.369
parámetros, quedando de la siguiente forma. En el gráfico n° 52 se puede notar
como quedaron sus capas.
Se procede a guardar el modelo para futuras pruebas. Más tarde se ingresa el
batch de 8.000 imágenes para su entrenamiento y validación, se lo realiza por 1
épocas de 512x512. Y se tiene como resultados de acierto un 0.6, también se
guardó sus pesos.
La mayoría de programas de IA que trabajan con Jupyter no tienen GUI. Esto se
debe a la programación paralela que tiene. Sin embargo se realizó una interfaz
Elaboración: Meyvi Hagó Herrera.
Fuente: Datos de la Investigación
Gráfico N° 51. Prototipo #4. Capas Finales
117
gráfica para una mejor interacción con el usuario final y el programa. Cabe recalcar
que esta parte si fue muy compleja debido a como está estructurado el programa
y como se manda a llamar los botones a través de PyQt5.
Para estimar un porcentaje de exactitud se procedió a probar con 10 imágenes de
las cuales constaban retinas oculares afectadas por la enfermedad como otras no.
Al principio comenzó a presentar datos erróneos porque al momento de validar
estaba determinado de que si el resultado de la imagen ingresada y a su vez pre-
procesada es igual a 1 entonces padecía de la enfermedad en caso contrario no.
Presenciando este problema, entonces se volvió a validar la funcionalidad del
programa de la siguiente manera que si el resultado es mayor o igual que 0.95
padecía de esta enfermedad caso contrario no. Las pruebas estadísticas de las
10 imágenes se pueden ver en el apartado de Algoritmo, Capítulo III
Entrega y Realimentación
Se comenzó a realizar todas las pruebas y se identificó que el programa si
predecía en la mayoría de las ocasiones si tenía o no la enfermedad. Luego se
ingresó la imagen de un gato, y dio como resultado que este gato si tenía la
enfermedad.
En realidad esto no está bien porque se debe validar que primero no es una retina
con forma circular más sin embargo el programa se entrenó para indicar
características fuera de lo normal en un 50% gris, por ende calificaba al gato como
que si tuviera la enfermedad ya que en él se resaltaban las características de su
pelaje. Para una mejor decisión se tiene en cuenta esta corrección. Luego de
haber realizado todas las pruebas pertinentes al caso, se dio por aprobado el
prototipo. En el gráfico n° 53 y n° 54 se pueden observar las pruebas realizadas
al programa.
118
Elaboración: Meyvi Hagó Herrera.
Fuente: Datos de la Investigación
Gráfico N° 52. Prototipo#4. GUI del Prototipo
Elaboración: Meyvi Hagó Herrera.
Fuente: Datos de la Investigación
Gráfico N° 53. Prototipo#4. GUI del Prototipo
119
Modelo # 5
Construcción y Desarrollo
En el prototipo 4 se realizó el pre-procesamiento de la imagen y predecía si
padecía o no RTHA. Pero manifestaba un inconveniente, que si analizaba una
imagen X (perro, gato o una persona) seguía prediciendo cuando no debería así.
Es por ello que se creó el prototipo 5 ya dando solución a ese problema, se integró
un algoritmo de reconocimiento de imagen.
El punto fundamental de este reconocimiento de imagen es que toma como base
el Índice de similitud estructural (SSMI). Este algoritmo compara dos imágenes
tomando como patrón su estructura, independientemente del contraste que este
tiene, por lo que da un resultando más certero. Para realizar esta función de
reconocimiento de imagen también se puede utilizar el algoritmo del Error
cuadrático medio (MSE). Pero este a diferencia del SSMI si considera el contraste
de la imagen por lo que los resultados no son tan fiables para los requerimientos
que se necesitan.
Para su construcción se utiliza las librerías matplotlib para el trazado, NumPy para
el procesamiento numérico y cv2 para conversión de imagen a otras tonalidades,
el índice de similitud estructural ya está implementado por scikit-image. Primero
se toma como base la imagen A (una retina) y se selecciona una imagen B
(imagen de retina para predecir RTHA). Luego las imágenes A y B son convertidas
a escala grises para posteriormente realizar la comparación, se las lleva a esa
tonalidad para definir de una mejor manera la estructura de las imágenes para que
el SSMI pueda determinar un resultado más efectivo. Más tarde el algoritmo
elegido SSMI compara la estructura de las 2 imágenes y determina el grado de
similitud, donde su rango es de -1 a 1, siendo 1 la similitud perfecta.
Se realizaron pruebas tomando como base una imagen de retina y la otra de un
gato. El resultado fue de 0,08. Luego el rostro de una persona dando un resultado
de 0,1. Después con un con un globo dio como resultado un 0.15. Posterior con
retinografías con la enfermedad y el resultado de similitud fue de 0.58 (gráfico No.
55).
120
Gráfico N° 54. Reconocimiento de Imagen- Retina con la enfermedad
Y sin la enfermedad el resultado de similitud fue de 0.52 (gráfico Mo.56).
Gráfico N° 55.
Reconocimiento de Imagen-Retina sin la enfermedad
Al finalizar se determinó que el promedio de SSMI para que una imagen pase a la
predicción es de 0.2.
Elaboración: Meyvi Hagó Herrera.
Fuente: Datos de la Investigación
Elaboración: Meyvi Hagó Herrera.
Fuente: Datos de la Investigación
121
La integración de este algoritmo SSMI dio solución al problema que manifestaba
el prototipo 4, dando así un grado de fiabilidad aun mayor al momento de predecir
RHTA.
Se realiza un test en este modelo No. 5 en donde se demuestra el reconocimiento
de la imagen y a su vez la predicción de esta.
Se selecciona una imagen de una retina.
Se selecciona una imagen de un gato
.
Elaboración: Meyvi Hagó Herrera.
Fuente: Datos de la Investigación
Gráfico N° 56. Detección de RHTA - Imagen Retina
Elaboración: Meyvi Hagó Herrera.
Fuente: Datos de la Investigación
Gráfico N° 57. Detección de RHTA - Imagen Gato
122
Entrega y Realimentación
Luego de haber terminado se presentó al tutor determinando de que está bien,
posterior a eso el modelo se presentó a la revisora dando un buen criterio del
mismo. Pero con una recomendación que el resultado final que expone el sistema
debe ser más específico al momento de realizar el reconocimiento de la imagen.
Entrega Final
Luego de haber realizado múltiples pruebas a lo largo de la etapa de creación y
desarrollo, se determina que por el tiempo de entrega la opción más viable para
cumplir con cada uno de los objetivos de este proyecto termina siendo el prototipo
#5.
Se llegó a esta conclusión debido a que por medio de este prototipo se puede
escoger la imagen a analizar, visualizar los efectos del pre-procesamiento de la
imagen y saber a un 0.60/1 si tiene o no tiene la enfermedad. Además es muy
práctico y de fácil uso por su interfaz.
Entregables Del Proyecto
Recolección y planeación de requisitos.
Todas las actividades recolectas y planificadas para el proyecto se procederán a
grabar en un cronograma de actividades hecho en el software de Project para su
correcta procedencia. En el Anexo #2 se encuentra dicho reportorio.
Modelo o Diseño rápido.
Como se mencionó anteriormente, para tener un buen análisis de factibilidad se
procedió a realizar una entrevista a diferentes especialistas, sus preguntas se
pueden observar en el Anexo #1 También se logró una experiencia investigativa
con un médico general para el estudio de la hipertensión. Todas las entrevistas
123
hechas a los expertos se lograron evidenciar con fotos y se encuentran en los
Anexos #3 y Anexo #4. En esta etapa también se entregan las bases de datos
descargadas por Kaggle en un formato de pendrive. Anexo #5.
Construcción - Desarrollo, entrega y realimentación del
Prototipo.
Prototipo # 0
El Anexo #6 evidencia la construcción y desarrollo del prototipo 0.
Prototipo # 1, 2, y 3
No hay entregables, debido a que son prototipos errados.
Prototipo # 4
El Anexo #7 evidencia la construcción y desarrollo del prototipo 4.
Prototipo # 5
El Anexo #8 evidencia la construcción y desarrollo del prototipo 5.
Entrega Final
Una vez concluido los objetivos del proyecto “Análisis Y Diseño De Un Sistema
Para Identificar Signos De Retinopatía Hipertensiva A Través De Imágenes De
Retina, Aplicando La Tecnología De Deep Learning”, se entrega de lo siguiente:
Manual de Usuario – Anexo #9
Manual Técnico – Anexo #10
Encuesta de Satisfacción - Anexo #11
El código fuente del sistema se encuentra en el Anexo #8.
Criterio de Juicio de Experto – Anexo #12
Validación de experto en optometría – Anexo #13
124
Criterios De Validación De La Propuesta
Luego de la sesión con el experto del área Msc. Roberto Crespo. Se verificó que
el prototipo final cumple con los estándares de desarrollo que se marcan dentro
de los alcances y objetivos establecidos. Sin embargo se pueden realizar mejoras
por lo que expuso la siguiente recomendación:
Validar la funcionalidad del programa para que al momento de ingresar una
imagen para que posteriormente sea analizada, este determine si es una
retina ocular u otra cosa diferente.
Siendo este un proyecto de originalidad e innovación tecnológica se emite un
informe favorable en cuanto al desarrollo del sistema. Para más detalles ver Anexo
#13
Informe de Pruebas
Prueba De Estrés
Por lo general las pruebas de estrés o rendimiento del software se las realiza con
la finalidad de determinar el porcentaje de carga y rendimiento de sistema al
ejecutarse (dar resultados).
En el caso de este proyecto sistema muestra inestabilidad para periodos de
entrenamiento asegurando un consumo excesivo de CPU y memoria RAM,
debido a que se trabaja con grandes cantidades de imágenes. Para el estudio y
validación de las fotografías, eleva de una forma muy drástica el CPU y para la
construcción del pre-procesamiento de las imágenes eleva a la memoria RAM.
Cabe señalar que estos parámetros dependen de la máquina en donde se corra
el entrenamiento. Sin embargo en toda máquina con deficiencia de GPU, el CPU
tendrá un gran porcentaje carga.
125
Prototipo 0
En el gráfico n° 55 se puede observar el entrenamiento de perros y gatos por 11
épocas, laptop A
Elaboración: Meyvi Hagó Herrera.
Fuente: Datos de la Investigación
Gráfico N° 58. Prueba de Estrés- Prototipo 1
126
Prototipo 1
En el gráfico n° 56 se puede observar el entrenamiento de 200 imágenes por 10
épocas en la laptop B.
Prototipo 2
En el gráfico n° 56 se puede observar el entrenamiento de 5.000 imágenes por 1
época, imagen de 64x64 en la laptop B.
Prototipo 3
En el gráfico n° 56 se puede observar el entrenamiento con diferentes pruebas
en la laptop B, para imágenes con dimensiones de 128x128, 256x256, 512x512.
Elaboración: Meyvi Hagó Herrera.
Fuente: Datos de la Investigación
Gráfico N° 59. Prueba de Estrés- Prototipo 0
127
Prototipo 4
En cambio para la ejecución de prueba o resultado final del prototipo 4 en la
laptop A. Al iniciar la predicción este se eleva y luego vuelve a su normalidad.
Al momento de iniciar el programa, gráfico # 59.
Mientras predecía el resultado, gráfico # 60.
Después de predecir, gráfico # 61.
Elaboración: Meyvi Hagó Herrera.
Fuente: Datos de la Investigación
Gráfico N° 60. Prueba de Estrés-Prototipo 2
128
Finalmente este programa pasa la prueba de estrés indicando que para dar
resultado, su rendimiento en tiempo es muy bueno, ya que no necesita ejecutar
cargas adicionales.
Gráfico N° 62.
Prueba de Estrés 1-Prototipo 4
Elaboración: Meyvi Hagó Herrera.
Fuente: Datos de la Investigación
Gráfico N° 61. Prueba de Estrés 2-Prototipo 4
Elaboración: Meyvi Hagó Herrera.
Fuente: Datos de la Investigación
129
Encuesta de Satisfacción del proyecto
Esta encuesta se la realizó de forma manual y se utilizó la técnica no probabilística,
debido a que es casi imposible sacar una muestra aleatoria de toda la población
de oftalmólogos, optómetros y retinólogos de la ciudad de Guayaquil. Incluso las
respuestas de la encuesta no dependen de solo un grupo específicos de
especialistas. El método para esta encuesta fue bola de nieve, gracias a que la
Lcda. Guía de la tesis por parte médica, referenció a otros especialistas de su área
para la entrevista.
La muestra total de esta encuesta fue de 10 personas, debido a factores como el
tiempo y el dinero. Cada optómetro por consulta cobra $15, oftalmólogo $35 y
retinólogo $70. Los especialistas encuestados para este proyecto lo hicieron de
forma gratis.
Gráfico N° 63.
Prueba de Estrés 3-Prototipo 4
Elaboración: Meyvi Hagó Herrera.
Fuente: Datos de la Investigación
130
Procesamiento y Análisis
Pregunta # 1
¿El prototipo realizado es un aporte para la telemedicina dentro del país?
Cuadro N° 18. Tabla de Porcentajes de la Pregunta 1 de la Encuesta de Satisfacción
N° Ítem Cantidad Porcentaje
1 TOTALMENTE EN DESACUERDO 0 0,0%
2 EN DESACUERDO 0 0,0%
3 INDIFERENTE 0 0,0%
4 DE ACUERDO 2 20,0%
5 TOTALMENTE DE ACUERDO 8 80,0%
TOTAL 10 100,0%
Gráfico N° 64. Gráfico de Barras de la Pregunta 1
Análisis: Con los resultados expuestos en el gráfico de barras se determina que
el 80% de los encuestados están totalmente de acuerdo en que el prototipo
realizado es un aporte para la telemedicina dentro del país, así mismo se tiene
que un 20% está de acuerdo.
0,0%
0,0%
0,0%
20,0%
80,0%
TOTALMENTE EN DESACUERDO
EN DESACUERDO
INDIFERENTE
DE ACUERDO
TOTALMENTE DE ACUERDO
¿EL PROTOTIPO REALIZADO ES UN APORTE PARA LA TELEMEDICINA DENTRO DEL PAÍS?
Elaboración: Meyvi Hagó Herrera.
Elaboración: Meyvi Hagó Herrera.
Elaboración: Meyvi Hagó Herrera.
Fuente: Datos de la Investigación
Elaboración: Meyvi Hagó Herrera.
Fuente: Datos de la Investigación
131
Pregunta #2
¿Cree que la forma de obtener resultados mediante este sistema, es
amigable?
Cuadro N° 19. Tabla de Porcentajes de la Pregunta 2 de la Encuesta de Satisfacción
Análisis: mediante la recolección de datos, la elaboración del grafico de barras y
la tabla de datos se observa que, el 30% de los encuestados está totalmente en
desacuerdo en que la forma de obtener resultados mediante este sistema es
N° Ítem Cantidad Porcentaje
1 TOTALMENTE EN DESACUERDO 3 30,0%
2 EN DESACUERDO 2 20,0%
3 INDIFERENTE 2 20,0%
4 DE ACUERDO 2 20,0%
5 TOTALMENTE DE ACUERDO 1 10,0%
TOTAL 10 100,0%
30,0%
20,0%
20,0%
20,0%
10,0%
TOTALMENTE EN DESACUERDO
EN DESACUERDO
INDIFERENTE
DE ACUERDO
TOTALMENTE DE ACUERDO
Cree que la forma de obtener resultados mediante este sistema, es amigable
Elaboración: Meyvi Hagó Herrera.
Gráfico N° 65 Gráfico de Barras de la Pregunta 2
Elaboración: Meyvi Hagó Herrera.
Fuente: Datos de la Investigación
Elaboración: Meyvi Hagó Herrera.
Fuente: Datos de la Investigación
132
amigable, en otro caso se tiene el 20% está de acuerdo, el 10% está totalmente
de acuerdo, otro 20% está en desacuerdo y por último que otro 20% le es
indiferente el asunto.
Pregunta #3
¿El resultado obteniendo a través del prototipo ayuda al personal médico en
la toma de decisiones en la enfermedad de Retinopatía Hipertensiva?
Cuadro N° 20 .Tabla de Porcentajes de la Pregunta 3 de la Encuesta de Satisfacción
Análisis: Con los datos obtenidos en las encuestas realizadas a los interesados
se expresa que 50% de ellos están en total de acuerdo en que el resultado
obtenido del prototipo ayuda al personal médico en la toma de decisiones en la
enfermedad de retinopatía hipertensiva, el 30% estuvieron de acuerdo y el 20% le
fue indiferente.
N° Ítem Cantidad Porcentaje
1 TOTALMENTE EN DESACUERDO 0 0,0%
2 EN DESACUERDO 0 0,0%
3 INDIFERENTE 2 20,0%
4 DE ACUERDO 3 30,0%
5 TOTALMENTE DE ACUERDO 5 50,0%
TOTAL 10 100,0%
Elaboración: Meyvi Hagó Herrera.
Fuente: Datos de la Investigación
133
Gráfico N° 66 Gráfico de Barras de la Pregunta 3
Pregunta #4
¿Usaría usted la aplicación para optimizar el tiempo de estudio en las
imágenes de un paciente?
Cuadro N° 21.
Tabla de Porcentajes de la Pregunta 4 de la Encuesta de Satisfacción
N° Ítem Cantidad Porcentaje
1 TOTALMENTE EN DESACUERDO 0 0,0%
2 EN DESACUERDO 0 0,0%
3 INDIFERENTE 0 0,0%
4 DE ACUERDO 3 30,0%
5 TOTALMENTE DE ACUERDO 7 70,0%
TOTAL 10 100,0%
Elaboración: Meyvi Hagó Herrera.
Elaboración: Meyvi Hagó Herrera.
0,0%
0,0%
20,0%
30,0%
50,0%
TOTALMENTE EN DESACUERDO
EN DESACUERDO
INDIFERENTE
DE ACUERDO
TOTALMENTE DE ACUERDO
¿EL RESULTADO OBTENIENDO A TRAVÉS DEL PROTOTIPO AYUDA AL PERSONAL MÉDICO EN LA
TOMA DE DECISIONES EN LA ENFERMEDAD DE RETINOPATÍA HIPERTENSIVA?
Elaboración: Meyvi Hagó Herrera.
Fuente: Datos de la Investigación
134
Gráfico N° 67 Gráfico de Barras de la Pregunta 4
Análisis: mediante la recolección de datos, la elaboración del grafico de barras y
la tabla de datos se determina que el 70% de los encuestados están totalmente
de acuerdo en que usarían la aplicación para optimizar el tiempo de estudio en las
imágenes de un paciente, así mismo el 30% estuvieron de acuerdo en el uso de
la aplicación.
Pregunta #5
¿La velocidad con la que se obtiene los resultados fue agradable para usted?
Cuadro N° 22. Tabla de Porcentajes de la Pregunta 5 de la Encuesta de Satisfacción
0,0%
0,0%
0,0%
30,0%
70,0%
TOTALMENTE EN DESACUERDO
EN DESACUERDO
INDIFERENTE
DE ACUERDO
TOTALMENTE DE ACUERDO
¿USARÍA USTED LA APLICACIÓN PARA OPTIMIZAR EL TIEMPO DE ESTUDIO EN LAS
IMÁGENES DE UN PACIENTE?
N° Ítem Cantidad Porcentaje
1 TOTALMENTE EN DESACUERDO 0 0,0%
2 EN DESACUERDO 0 0,0%
3 INDIFERENTE 0 0,0%
4 DE ACUERDO 1 10,0%
5 TOTALMENTE DE ACUERDO 9 90,0%
TOTAL 10 100,0%
Elaboración: Meyvi Hagó Herrera. Elaboración: Meyvi Hagó Herrera.
Fuente: Datos de la Investigación
Elaboración: Meyvi Hagó Herrera.
Fuente: Datos de la Investigación
135
Gráfico N° 68. Gráfico de Barras de la Pregunta 5
Análisis: Con los datos obtenidos en las encuestas realizadas a los interesados
se determina que el 90% de ellos están totalmente de acuerdo en que la velocidad
con la que se obtiene los resultados es agradable, y el otro 10% está de acuerdo.
Conclusión de encuestas de satisfacción
Como se muestra anteriormente en los gráficos de resultados, los profesionales
en la rama de oftalmología consultaos les agradó el producto indicando respuestas
positivas y de felicitación. Sin embargo un pequeño grupo indicó con temor que
no podrán utilizar la herramienta ya que ni si quiera saben cómo usar un
ordenador.
Es propicio resaltar que esta encuesta fue hecha antes de la parte gráfica del
prototipo, por ende las respuestas en la pregunta dos no fueron tan agradables.
0,0%
0,0%
0,0%
10,0%
90,0%
TOTALMENTE EN DESACUERDO
EN DESACUERDO
INDIFERENTE
DE ACUERDO
TOTALMENTE DE ACUERDO
¿LA VELOCIDAD CON LA QUE SE OBTIENE LOS RESULTADOS FUE AGRADABLE PARA USTED?
Elaboración: Meyvi Hagó Herrera.
Fuente: Datos de la Investigación
136
Finalmente se indica que el presente sistema tiene un grado de satisfacción alto a
pesar de que tenía una limitante gráfica.
Por ende se procedió a buscar la manera de hacer una interfaz básica e interactiva
con el usuario final, la cual se encontró de manera agradable y fácil para el usuario
final.
137
CAPÍTULO IV
CRITERIOS DE ACEPTACIÓN DEL PRODUCTO O
SERVICIO
Especificaciones técnicas
En el cuadro n°23 se muestran las especificaciones técnicas junto con sus
beneficios.
Cuadro N° 23. Especificaciones Técnicas
ESPECIFICACIONESTÉCNICAS
ESPECIFICACIONES TÉCNICAS BENEFICIOS
Rendimiento De La Aplicación Es Eficiente La detección de Retinopatía en los pacientes será más ágil
Desarrollo con la tecnología de Deep Learning y Redes Neuronal Convolucional Entrenadas
Permite que el resultado de la información entrante sea más preciso
Muestra De Resultados Certeros
Los interesados podrán visualizar los resultados con un mayor grado de exactitud
Fácil De Emplear, Especialistas
La funcionalidad es clara de modo que los especialistas tengan facilidad de uso en el aplicativo
Desarrollada en un lenguaje de programación confiable como lo es Python
Posible escalabilidad en cuanto a funciones en la aplicación
Elaboración: Meyvi Hagó Herrera. Elaboración: Meyvi Hagó Herrera.
Fuente: Datos de la Investigación
138
Valoración del Proyecto
Se presenta en el cuadro n° 24, una matriz de aceptación con los alcance del
proyecto.
Cuadro N° 24. Valoración de Logros Del Proyecto
Valoración de Logros Del Proyecto
Alcance Característica de logro
Logrado
Recomendar estrategias que ofrezcan
una actualización en la telemedicina.
Se analizó de forma
básica la falta de
tecnología en el país con
respecto a la salud y se
recomienda la tecnología
de Deep learning para
futuros trabajos en la
telesalud.
SI
Realizar entrevistas con especialistas
en el área.
Se logró captar la
atención de los
interesados de forma
positiva y obtener las
grandes cantidades de
imágenes que se
necesitan para el
programa.
SI
Evaluar y encontrar la mejor
metodología para el proyecto
Desarrollar el proyecto en
base a la metodología
prototipo
SI
139
Estudiar algoritmos que profundicen
en la extracción de características de
imágenes.
Se logró crear un
algoritmos basados en
Deep Learning,
aprendizaje profundo y
redes neuronales
convolucionales
Si
Crear un prototipo de sistema que
ayude con la detección de la
enfermedad a tratar.
Se logró crear un
prototipo que ayude con
la detección de la
enfermedad de
Retinopatía Hipertensiva.
Si
En base al criterio del tutor, se define que el prototipo cumple debidamente cada
uno de los alcances establecidos al principio del mismo. En este se destaca el uso
de la tecnología con la medicina, debido a que son pocos los proyectos que siguen
esta línea. También se hace hincapié en la creación del algoritmo, ya que
sobrepasa las expectativas de los métodos utilizados con Deep learning gracias
al procesamiento de imágenes.
Por último se indica que el proyecto motiva a la expansión del producto de manera
que si se profundiza se puede mejorar la efectividad del sistema.
Elaboración: Meyvi Hagó Herrera. Elaboración: Meyvi Hagó Herrera.
Fuente: Datos de la Investigación
140
Informe de aceptación y aprobación para productos de
Software
Funcionalidad Del Sistema
Cuadro N° 25. Ponderación de valores
Cuadro N° 26. Criterios De Aceptación Del Prototipo
CRITERIOS DE ACEPTACIÓN DEL PROTOTIPO
Criterio Detalles C CP NC
Usabilidad La aplicación es de uso sencillo para los especialistas del área de oftalmología X
Credibilidad
El resultado que muestra el aplicativo es creíble y fiable al momento de realizar la detección de la enfermedad en los pacientes. X
Funcionalidad La aplicación cumple con las funciones básicas propuestas.
X
Tecnología La aplicación está desarrollada con tecnología actual, innovadora, estable y confiable. X
Integridad Los parámetros están debidamente validados al momento de ingresar información X
Escalabilidad
La aplicación utiliza un lenguaje de programación que permita extender la funcionalidad, precisión y actualización del mismo. X
Tiempo La aplicación optimiza el tiempo a la hora de detectar la enfermedad en los pacientes X
C CUMPLE 100%
CP CUMPLE PARCIALMENTE
50%
NC NO CUMPLE 0%
Elaboración: Meyvi Hagó Herrera.
Fuente: Datos de la Investigación
Elaboración: Meyvi Hagó Herrera.
Fuente: Datos de la Investigación
141
En el cuadro n°26 se mencionan los criterios de aceptación para el prototipo y en
el cuadro n°25 se encuentran las ponderaciones del cuadro n°26.
Se comprueba según los resultados obtenidos en la tabla de Criterios De
Aceptación Del Prototipo, que este proyecto cuenta con una gran factibilidad y
optimización de procesos. Sin embargo la credibilidad en el mismo se encuentra
en su 50% debido a que se necesita un mejor entrenamiento del sistema.
A pesar de esto, se indica que los interesados estarían satisfechos con los
resultados obtenidos en las pruebas realizadas para los que fue diseñado este
aplicativo.
Informe de aseguramiento de la calidad para productos de
Software
Establecer mecanismos de control
Se planteó realizar pruebas de estrés que comprueban la calidad y rendimiento
de la aplicación. Así mismo se procedió con las correspondientes pruebas de
usuarios que indican la optimización en tiempo y calidez del trabajo en todos los
escenarios constituidos dentro de los alcances del proyecto.
Definir métodos para corrección.
Dentro de la etapa de prueba de estrés se puede canalizar de inmediato las
necesidades planteadas y resolver de forma óptima el requerimiento del cambio o
necesidad establecida por el futuro usuario de la aplicación. Es decir se necesita
de una máquina con recursos tecnológicos altos, de preferencias GPU NVIDIA
Pero no solo eso, para que el modelo sea más predictivo es necesario generar las
respectivas correcciones o cambios establecidos que se nombra a continuación:
Incrementar el número de imágenes, puede sobrepasar los 60.000
Aumentar el número de capas, teniendo en cuenta el sobre-entrenamiento
de la misma.
142
Añadir más épocas al proceso de aprendizaje
Modificar parámetros de pérdidas y aciertos.
Tomar en cuenta las imágenes con mucho ruido junto con especialistas.
Todo con la finalidad de que la aplicación se vuelva más consistente y eficaz.
143
Conclusiones
Con el análisis de la enfermedad comparada con otras similares se
concluyó, que los signos de la Retinopatía Hipertensiva son parecidos a
los de la Retinopatía Diabética. Esto corroborado por el especialista guía y
los entrevistados. Por esta razón se escogió la base de datos de la
segunda enfermedad para la creación del prototipo.
Gracias a los crowdsourcing se logró obtener más de 88.000 imágenes
para clasificar y estudiar el entrenamiento. Se clasificó 12.000 y para el
prototipo final se escogió 8.000 por diferentes factores, uno de ellos el
desbalanceo de las clases. Además algunas imágenes estaban en
diferentes calidades, tenían mucho ruido como luminosidad, diferentes
zoom, e incluso estaban mal clasificadas por enfermedad y debido a esto
algunas modelos se vieron afectadas.
Luego de revisar diferentes metodologías se determina que para la
creación de este tipo de sistemas es aceptable la técnica de prototipado,
esta metodología contempla realizar diferentes pruebas y en base a ellas
se modifica el prototipo antes de presentar un sistema final.
También se estudiaron varios modelos y procesos con diferentes
cantidades de imágenes para crear un algoritmo. Estableciendo que las
mejores técnicas para el diagnóstico asistido por computadora son: Deep
Learning, redes neuronales convolucionales y aprendizaje supervisado.
Debido a esto el algoritmo diseñado cumple con un pre-procesamiento de
imagen que ayuda a las RNC a extraer la más mínimas características de
la enfermedad.
Con la demostración del prototipo se evidenció que las características de
la computadora inicial no cubrían la demanda de recursos al procesar la
144
gran cantidad de imágenes. Por lo que se necesitó de varios equipos para
completar el proceso.
Después de varios experimentos se determina que para entrenar una red
neuronal convolucional no hay que ser precisos con la cantidad de
imágenes y épocas a procesar. Mientras mayor es la cantidad de épocas,
mejores son los resultados, siempre y cuando la cantidad de imágenes
sean mayores a 5.000. No se pueden poner pocas imágenes y muchas
épocas porque si no el programa se sobreentrena. Si se coloca pocas
fotografías con cortas épocas tampoco va a aprender nada. Sin embargo
aprendizaje si depende del tamaño de fotografía, de cómo son las
imágenes, la salida que se desea, si hace o no un pre-procesamiento, si
se balancearon bien, etc.
Se ha visto que el campo de la informática médica ha madurado un poco,
pero todavía es bastante joven, aún existen muchos problemas que deben
ser resueltos. Sin embargo se concluye que esta nueva tecnología ayuda
a mejorar permanentemente la calidad de vida de la sociedad. A través de
herramientas tecnológicas, se logra facilitar el acceso a datos de manera
ordenada, brindando posibilidades al cuidado real del paciente con mejores
monitoreos y diagnósticos por imágenes. La informática en la medicina
ofrece nuevas posibilidades para la investigación reduciendo los índices de
errores en los diagnósticos médicos manuales. Como resultado a esto se
indica que el proceso para detectar la retinopatía hipertensiva de forma
automatizada se hace realidad a través de técnicas del Deep learning y
redes neuronales convolucionales.
145
Recomendaciones
A pesar de que los signos de la RHTA son los mismos que RD se aconseja
realizar un examen de sangre o electrocardiograma para indicar con
exactitud si la persona es diabética o hipertensa.
Verificar además si existe otra clase de enfermedad de retinopatía que
tengan los mismos signos dentro de la retina. O en caso especial entrenar
a una red que contenga toda clase de enfermedades de retina y que al dar
la prueba, indique cuál de ellas tiene.
En vista de que existen imágenes mal clasificadas por la enfermedad, se
recomienda que los crowdsourcing modifiquen la base de datos para que
sus usuarios tengan información idónea y sin errores. Esto para que el
programa no tenga problemas de aprendizaje y mucho menos de
predicción. Se aconseja además trabajar en conjunto con clínicas
especializada en la detección de la retinopatías para evitar clasificaciones
erróneas e intercambiar imágenes en caso de que tengan ruido.
El estudio de la IA es gigante, por lo que se recomienda seguir indagando
metodologías y algoritmos para mejorar la detección de enfermedades a
través de imágenes. Se sugiere que se modifique el desempeño de la red,
experimentando con capas y neuronas más profundas a fin de optimizar
los resultados obtenidos.
Es importante que, para estos trabajos se tenga una computadora con
tarjetas gráficas de preferencia NVDIA, para evitar retrasos de
aprendizajes.
Este trabajo también fue hecho con la finalidad de apoyar el progreso de
la informática médica en Ecuador. Por lo que se invita a estudiar este fácil
algoritmo y aplicarlo en cualquier tipo de imágenes para detectar o predecir
tumores cerebrales, pulmonares, entre miles de enfermedades, en donde
la medicina utiliza las imágenes para dar un diagnóstico.
146
Bibliografía
Codificacion De La Ley De Propiedad Intelectual. (2006). Ley De Derechos Y Ámparo Del Paciente (2006). Ley Orgánica De Salud (2006). Constitución De La República Del Ecuador (2008). Reglamento De Información Confidencial En Sistema Nacional De Salud (2015). Agurto, C., Murray, V., Barriga, E., Murillo, S., Pattichis, M., Davis, H., . . . Soliz,
P. (2010). Multiscale AM-FM Methods for Diabetic Retinopathy Lesion Detection. 29, 502-512. doi: 10.1109/TMI.2009.2037146
Alcon Cusí, S. A. (2018). El ojo humano, nuestra conexión con el mundo. Gente con Vista.
Almaguer, D. R., Marrero, A. S. V., & Rodríguez, Y. D. ETAPAS DEL ANÁLISIS DE FACTIBILIDAD. COMPENDIO BIBLIOGRÁFICO. Contribuciones a la Economía, 1. Retrieved from eumed.ne website: http://www.eumed.net/ce/2009a/amr.htm
Almaguer, D. R., Marrero, A. S. V., & Rodríguez, Y. D. (2009). ETAPAS DEL ANÁLISIS DE FACTIBILIDAD. COMPENDIO BIBLIOGRÁFICO. Contribuciones a la Economía(2009-03).
Álvarez Triviño, M. C. (2017). Deep learning aplicado a imágenes de retina como herramienta de tamizaje en un proceso de diagnóstico médico. Universidad Autónoma de Occidente.
Anaconda. (2012). Anaconda Cloud. 2018, from https://anaconda.org/ Andrade, E. (2014). El IESS implementará sistema de telemedicina para la
atención a sus pacientes, El Ciudadano Retrieved from http://www.elciudadano.gob.ec/para-fortalecer-atencion-a-pacientes-del-iess-se-implementara-el-sistema-de-telemedicina-video/
Anónimo. RFG Digital (Retino Fluorescenografía). from http://centrocharles.com.ar/?page_id=1685
Beltran, L. A. L. (2018). Entrevista para la factibilidad técnica operacional. In M. H. Herrera (Ed.), Tesis. Guayaquil.
Briega, R. E. L. (2016). Redes neuronales convolucionales con TensorFlow. Retrieved 6 de agosto, 2018, from https://relopezbriega.github.io/blog/2016/08/02/redes-neuronales-convolucionales-con-tensorflow/
Cáceres Toledo, M., Cáceres Toledo, O., & Cordiés Jackson, L. (2000). Hipertensión arterial y retinopatía hipertensiva: Su comportamiento en un área de salud. Revista Cubana de Medicina, 39(4), 210-216.
Carmona, E. (2010). Estudio de factibilidad. Esquema aplicable para nuevos productos: México. Mecanograma.
Falconi, M. (2017). La telemedicina, una alternativa social para los sectores vulnerables, Somos Emprendedores by Claro. Retrieved from https://somosemprendedores.byclaro.com.ec/la-telemedicina-una-alternativa-social-para-los-sectores-vulnerables/2/
Fortuny, X. G. (2012). IDE vs Editor de Texto Noticies XGavalda (Vol. 2018, pp. ¿Cuál es mejor, editor de texto o IDE?).
Fuentes, S. M. (2018). Estudio de métodos para identificar signos de retinopatía diabética en imágenes de fondo del ojo. (Maestría en Ciencias en Ciencias de la Computación Proyecto), Centro de Investigación Científica
147
y de Educación Superior de Ensenada, Baja California. (1) García, J., & Rojas, I. (2011). Ciclo de vida del prototipo. In G. d.
Telecomuncaciones (Ed.), Ingeniería de Software (Vol. 2018). González, J. S. V. (2011). Sistema Diagnóstico Asistido por Computadora para la detección de la Retinopatía Diabética No Proliferativa usando la Red Neuronal de Retropropagación”. (Posgrado
Posgrade), INSTITUTO POLITÉCNICO NACIONAL, INSTITUTO POLITÉCNICO NACIONAL. (1)
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. Greenes, R. A., & Shortliffe, E. H. (1990). Medical informatics: an emerging
academic discipline and institutional priority. Jama, 263(8), 1114-1120. Guadalupe, C. (2017). Estadísticas de morbimortalidad que asustan en Ecuador,
El Universo, p. 1. Retrieved from https://www.eluniverso.com/vida/2017/06/03/nota/6211177/estadisticas-que-asustan
Informática, W. s. g. d. p. d. (2015). Modelo de Informe de Ejecución de Pruebas de Software. Retrieved 7 de Agosto, 2018, from http://www.pmoinformatica.com/2015/06/modelo-informe-pruebas-software.html
Jaramillo, A. (2006). Desarrollo de Software: estudio de factibilidad. Rev. De la Universidad de Antioquia, Medellín. Colombia.
Johnson, J., & Karpathy, A. (2015). Convolutional Neural Networks for Visual Recognition. . Standford University.
Jupyter, D. (2012). meaning of the word kernel. from https://jupyter.readthedocs.io/en/latest/glossary.html#term-kernel
Karunakaran, D. (2018). Intro to Artificial Intelligence. Retrieved 30 de julio, 2018, from https://medium.com/intro-to-artificial-intelligence/deep-learning-series-1-intro-to-deep-learning-abb1780ee20
Lascano Tejada, J. (2018). Entrevista para la factibilidad técnica operacional. In M. H. Herrera (Ed.), Tesis. Guayaquil.
Martín, D. (2016). ¿QUÉ ES UN OFTALMOSCOPIO?. Retrieved 2 de agosto, 2018, from http://www.clinica-aver.com/blog/que-es-un-oftalmoscopio/
Merino, D. M. (2011). OCT o Tomografía de Coherencia Óptica. 2018, from http://www.clinicarementeria.es/pruebas-diagnosticas/oct
Meza Bolaños, D. (2010). Telemedicina en el Ecuador: un mundo de desafíos y oportunidades.
Mora, D. L. A., Carvajal, J. P. B., & Álvarez, M. J. F. Metodologías de desarrollo de software.
Murray, T. G. (2012). Anatomía Del Ojo ONCOLOGÍA OCULAR (Vol. 2018). Florida, Estados Unidos.
NIH, I.-. National Eyes Institute - NEI Photos and Images. https://nei.nih.gov Rudas, J., & Sánchez Torres, G. (2013). Detección de patologías derivadas de
las afecciones diabéticas: una revisión del análisis digital de imágenes de retina. Revista Científica Ingeniería y Desarrollo, 31(2), 316-338.
Russell, S. J., & Norvig, P. (2016). Artificial intelligence: a modern approach: Malaysia; Pearson Education Limited.
Scikit-Image. Image data types and what they mean. Retrieved 13 de Agosto, 2018, from http://scikit-image.org/docs/dev/user_guide/data_types.html
Tasman, W. J., Edward. (1998). Atlas de Oftalmología Clínica (R. H. C, Trans. All Ed. Vol. 1). Mexico.
148
Tata, V. (2017). 2.2k. Tinoco Gómez, O., Rosales López, P. P., & Salas Bacalla, J. (2010). Criterios de
selección de metodologías de desarrollo de software. Industrial Data, 13(2).
Torres, J. (2017). Primeros pasos en Keras. Retrieved Agosto, 2018, from https://jorditorres.org/primeros-pasos-en-keras/
Van Bemmel, J. (1984). The structure of medical informatics: Bibliography on educational courses at the Free University, Amsterdam. Medical Informatics, 9(3-4), 175-180.
Velandia, L. N. M., & López, W. M. L. (2015). Escoger una metodología para desarrollar software, difícil decisión. Revista Educación en Ingeniería, 10(20), 98-109.
149
Anexos
Anexo # 1
Entrevista a Especialistas
150
Anexo # 2
Cronograma
Cuadro N° 27. Cronograma del Proyecto
Nombre de tarea Duración Comienzo Fin
PROYECTO RTHA 52 días vie 8/6/18 lun 20/8/18
Recolección y planificación de requisitos
2 días vie 8/6/18 lun 11/6/18
Planeación del IDE, Lengiaje de Programación,algoritmo
1 día vie 8/6/18 vie 8/6/18
Planificación obtención de imagen en diferentes centros oftalmologico públicos y privados e internet.
1 día lun 11/6/18 lun 11/6/18
Modelo o Diseño Rápido 20 días mar 12/6/18
lun 9/7/18
Determinar los signos de RTHA 2 días mar 12/6/18
mié 13/6/18
Entrevista a los expertos del área 2 días mar 12/6/18 mié 13/6/18
Adquisición de imágenes a travez de diferentes CrowSourcing
20 días mar 12/6/18
lun 9/7/18
Creación del repositorio 19 días mar 12/6/18
vie 6/7/18
Clasificación de imágenes 19 días mar 12/6/18 vie 6/7/18
Subir repositorio a internet 1 día lun 9/7/18 lun 9/7/18
Determinar el tipo de tecnología ML y DL
1 día mar 12/6/18
mar 12/6/18
Diferencia entre ML y DL 1 día mar 12/6/18 mar 12/6/18
Determinar el tipo de Algoritmo 2 días mar 12/6/18 mié 13/6/18
Determinar el tipo de Metodologia 1 día mar 12/6/18 mar 12/6/18
Determinar las herramientas para la construcción del modelo
4 días mar 12/6/18
vie 15/6/18
Hardware y Software 2 días mar 12/6/18 mié 13/6/18
Lenguaje de programación 1 día jue 14/6/18 jue 14/6/18
151
IDE 1 día vie 15/6/18 vie 15/6/18
Construcción-Desarrollo, Entrega y Realimentación
29 días mar 10/7/18
vie 17/8/18
Prototipo No. 0 4 días mar 10/7/18
vie 13/7/18
Construcción y Desarrollo 3 días mar 10/7/18
jue 12/7/18
Entrega y retroalimentación 1 día vie 13/7/18 vie 13/7/18
Prototipo No. 1 5 días lun 16/7/18 vie 20/7/18
Construcción y Desarrollo 4 días lun 16/7/18 jue 19/7/18
Entrega y retroalimentación 1 día vie 20/7/18 vie 20/7/18
Prototipo No. 2 5 días lun 23/7/18 vie 27/7/18
Construcción y Desarrollo 4 días lun 23/7/18 jue 26/7/18
Entrega y retroalimentación 1 día vie 27/7/18 vie 27/7/18
Prototipo No. 3 5 días lun 30/7/18 vie 3/8/18
Construcción y Desarrollo 4 días lun 30/7/18 jue 2/8/18
Entrega y retroalimentación 1 día vie 3/8/18 vie 3/8/18
Prototipo No. 4 5 días lun 6/8/18 vie 10/8/18
Construcción y Desarrollo 4 días lun 6/8/18 jue 9/8/18
Entrega y retroalimentación 1 día vie 10/8/18 vie 10/8/18
Prototipo No. 5 5 días lun 13/8/18 vie 17/8/18
Construcción y Desarrollo 4 días lun 13/8/18 jue 16/8/18
Entrega y retroalimentación 1 día vie 17/8/18 vie 17/8/18
Entrega Final 1 día lun 20/8/18 lun 20/8/18
Elaboración: Meyvi Hagó Herrera.
Fuente: Datos de la Investigación
152
Anexo # 3
Fotos de Entrevistas
Gráfico N° 69.
Entrevista a Especialista Imagen A
Elaboración: Meyvi Hagó Herrera.
Fuente: Datos de la Investigación
Descripción gráfico n° 71: Entrevista
realizada al Técnico Optometrista,
Oftalmólogo y Contectólogo. LarryA.
Lopesierra Beltran.
Gráfico N° 70. Entrevista a Especialista Imagen B
Elaboración: Meyvi Hagó Herrera.
Fuente: Datos de la Investigación
Descripción gráfico n° 72: Entrevista
realizada al personal médico del IESS –
Ceibos.
153
Anexo # 4
Fotos del Personal Médico
Elaboración: Meyvi Hagó Herrera.
Fuente: Datos de la Investigación
Gráfico N° 71. Aprendizaje de signos de RHTA
Descripción gráfico n° 73: Guía de
aprendizajes para los diferentes signos de
RTHA con médicos del IESS – Ceibos.
154
Anexo # 5
Base de Datos
En esta etapa se entregan las bases de datos descargadas por kaggle en un
pendrive ya que un CD no tiene la capacidad para el mismo.
155
Anexo # 6
Modelo 0
Se entrega una carpeta con el nombre de Modelo_0, la cual contiene la
programación del prototipo # 0. En él se encuentran dos carpetas.
o La primera se llama Cuaderno_Modelo_0 que contiene los siguientes
archivos:
o Hago.txt, es el archivo de librerías listo para instalar en un entorno
creado en anaconda.
o Los pesos (.hdf5) y el modelo de las capas (.json). Su red fue
entrenada por 11 épocas con más de 6.000 imágenes.
o MeyviHago_UG_LeePredice_PerroGato.ipynb, es el programa que
manda a llamar a los pesos y capas guardados para su predicción
final
o MeyviHago_UG_RNC_PerroGato_Listo, el programa que entrena
y valida la red neuronal.
o README_PG, explicará cómo instalar el archivo txt y como está
estructurado el programa para su debida ejecución y programación.
o La segunda carpeta se llama Imágenes_Modelo_0 y contiene:
o Training_set, contiene imágenes con dos clases, la primera es dog
y la otra es cat.
o Test_set, contiene la misma clasificación de imágenes que
training_set.
o Predicción, dentro de ella diferentes imágenes para probar el
programa.
156
Anexo # 7
Modelo 4
Se entrega una carpeta con el nombre de Modelo_4, la cual contiene la
programación del prototipo # 4. En él se encuentran dos carpetas.
o La primera se llama Cuaderno_Modelo_4 que contiene los siguientes
archivos:
o Hago.txt, es el archivo de librerías listo para instalar en un entorno
creado en anaconda.
o Los pesos (.hdf5) y el modelo de las capas (.json).
Su red fue entrenada por 1 épocas con más de 8.000
imágenes.
El nombre del modelo de las capas es:
meyvi_modelo_capas_5398_1.json
El nombre del modelo de las pesos es:
meyvi_modelo_capas_5398_1.json
o 1.MeyviHago_UG_Pre-procesamiento_solo_1imagen
El programa hace el pre-procesamiento con una sola
imagen
o 2.MeyviHago_UG_PreProcesamiento_Imagenes_NO
El programa realiza el pre-procesamiento con todas las
imágenes que no tienen la enfermedad
o 3.MeyviHago_UG_PreProcesamiento_Imagenes_SI
El programa realiza el pre-procesamiento con todas las
imágenes que si tienen la enfermedad
o 4.MeyviHago_UG_RNC
El programa entrena y valida la red propuesta
o 5.MeyviHago_UG_LeeModelo_Predice_IndicaResultado
El programa solo manda a llamar a los pesos y capas y
predice si tiene o no la enfermedad
o 6.MeyviHago_UG_SoloInterfazconTodo
Es el programa final en él se une todo para presentarlo con
interfaz gráfica y sin comparación.
157
o saveno
Contiene las imágenes pre-procesadas sin la enfermedad
o savesi
Contiene las imágenes pre-procesadas con la enfermedad
o README_PG
Explicará cómo instalar el archivo txt y como está
estructurado el programa para su debida ejecución y
programación.
o La segunda carpeta se llama Imágenes_Modelo_0 y contiene:
o Training_set, contiene imágenes con dos clases, la primera es si y
la otra es no.
o Test_set, contiene la misma clasificación de imágenes que
training_set.
158
Anexo # 8
Prototipo Final 5
Se entrega una carpeta con el nombre de Modelo_5, la cual contiene la
programación del prototipo # 5. En él se encuentran dos carpetas.
o La primera se llama Cuaderno_Modelo_5 que contiene los siguientes
archivos:
o Hago.txt, es el archivo de librerías listo para instalar en un entorno
creado en anaconda.
o Los pesos (.hdf5) y el modelo de las capas (.json).
Su red fue entrenada por 1 épocas con más de 8.000
imágenes.
El nombre del modelo de las capas es:
meyvi_modelo_capas_5398_1.json
El nombre del modelo de las pesos es:
meyvi_modelo_capas_5398_1.json
o 1.MeyviHago_UG_Pre-procesamiento_solo_1imagen
El programa hace el pre-procesamiento con una sola
imagen
o 2.MeyviHago_UG_PreProcesamiento_Imagenes_NO
El programa realiza el pre-procesamiento con todas las
imágenes que no tienen la enfermedad
o 3.MeyviHago_UG_PreProcesamiento_Imagenes_SI
El programa realiza el pre-procesamiento con todas las
imágenes que si tienen la enfermedad
o 4.MeyviHago_UG_RNC
El programa entrena y valida la red propuesta
o 5.MeyviHago_UG_LeeModelo_Predice_IndicaResultado
El programa solo manda a llamar a los pesos y capas y
predice si tiene o no la enfermedad
o 6.MeyviHago_UG_SoloInterfazconTodo
Es el programa final en él se une todo para presentarlo con
interfaz gráfica y sin comparación.
159
o 7.MeyviHago_UG_comparación
El programa hace una comparación de imágenes
o 8.MeyviHago_UG_Iinterfazproyectoretinopatia_comparación
prueba
Es el programa final en él se une todo para presentarlo con
interfaz gráfica y con la comparación
o saveno
Contiene las imágenes pre-procesadas sin la enfermedad
o savesi
Contiene las imágenes pre-procesadas con la enfermedad
o README_PG
Explicará cómo instalar el archivo txt y como está
estructurado el programa para su debida ejecución y
programación.
o La segunda carpeta se llama Imágenes_Modelo_0 y contiene:
o Training_set, contiene imágenes con dos clases, la primera es si y
la otra es no.
o Test_set, contiene la misma clasificación de imágenes que
training_set.
160
Anexo # 9 - Manual de Usuario
INTRODUCCIÓN
Este documento ha sido diseñado para indicar cuáles son las herramientas
necesarias y cómo se instalan cada una de ellas para que el programa lo pueda
emplear el usuario final.
El objetivo es guiar de manera sencilla y rápida al administrador del sistema o
usuario en la instalación del modelo final del proyecto.
INSTALACIÓN
Prerrequisitos de Hardware
El entorno para ejecutar sin problemas la aplicación requiere de ciertos requisitos
sencillos y fácil adquisición, que se deben tener en consideración antes de
comenzar con la ejecución.
Prerrequisitos de Software
Para crear un ambiente de desarrollo se requiere tener instalado ciertos requisitos:
Python 3.6.5.
Anaconda Cloud 4.5.9.
A continuación se muestra como descargar e instalar las versiones de Python,
anaconda y jupyter para el entorno de trabajo.
Descarga de Python.
1. Se busca en google Welcome to Python.org
Procesador Mayor Core i3
Memoria RAM Mayor a 2GB
Disco Duro Mayor a 100GB
Sistema Operativo Windows
161
2. Se da clic en Downloads.
3. Se escoge la versión de Python que se desea descargar. En este caso es
3.6.6.
4. Existen diversos paquetes que contienen los elementos requeridos para el
uso de la aplicación. Para esto se da clic en la versión de S.O. que se
tenga. (consultar características de entorno de trabajo).
5. Se puede acceder de manera más rápida a través de este enlace:
https://www.python.org/downloads/release/python-366/
Instalación de Python.
1. Ejecutamos el instalador descargado de la página oficial de Python
2. Damos click en Install Now
3. Esperamos a que finalice la instalación.
162
Descarga e Instalación de Anaconda
1. Se busca en google Anaconda Cloud
2. Se da clic en Download Anaconda.
3. Se escoge la versión que se desea descargar. En este caso es 3.6 o 2.7.
4. Se puede acceder de manera más rápida a través de este enlace:
https://www.anaconda.com/download/
Instalación de Anaconda
1. Ejecutamos el instalador descargado de la página oficial de Anaconda.
2. Clic en next para continuar con la instalación.
163
3. Se aceptan los términos de licencia.
4. Se selecciona just me o all user. Es indiferente, solo indica en que usuarios
instalar.
5. Se selecciona la ruta de instalación.
164
6. Finaliza la instalación.
Instalación de ambiente clonado en anaconda
Para la creación de un ambiente:
1. Abrir el terminal de anaconda
2. Copiar el archivo a ejecutar en donde esté ubicado anaconda. En este caso
está ubicado en el disco local c, en la sub-carepta de pc, que está dentro
de la carpeta de Users.
3. Luego colocamos el siguiente comando
a. conda create --name myenv --file spec-file.txt
i. myenv, es el nombre del ambiente nuevo
ii. spec-file.txt, es el nombre del ambiente que se va a copiar
4. Más tarde instalamos los paquetes con el siguiente comando.
a. conda install --name myenv --file spec-file.txt
5. para finalizar abrimos, anaconda navigator y elegimos el ambiente nuevo
creado para instalar jupyter
6. después de haber instalado jupyter, abrimos el servidor y listo para trabajar
a. recomendación: en ocasiones es necesario instalar más librerías.
165
Contenido
A quien va dirigido el manual
El presente documento ha sido elaborado para los interesados del sistema, sean
estos operadores o administradores, los cuales deberán poseer nociones básicas
de Windows.
Acerca del manual
Este documento ha sido concebido como una guía para el correcto uso de la
aplicación, explotando así todas sus bondades para beneficio propio.
Guía de uso
El aplicativo está diseñado para ayudar a la integración, social y sostenible
en el área de la informática médica en el país, (exclusivamente en la
oftalmología):
A continuación, detallaremos la guía de uso en breves pasos;
1. Clic en Anaconda Cloud, clic en launch Jupyter Notebook que es
quien ejecutará nuestra aplicación, pero antes nos ubicamos en el
ambiente que se clono con anterioridad.
2. Luego ejecutamos Jupyter Notebook.
166
3. En caso de no salir launch, clic en install.
4. Luego se busca donde se encuentra nuestro proyecto.
5. Una vez abierto el aplicativo ejecutamos dando clic en el siguiente icono.
6. Una vez ejecutada la aplicación se presentará la siguiente interfaz gráfica.
Clic en
launch
Selecciona
el proyecto
y doble clic
Clic en restart y run
167
Información [5] y Acerca [6]
Este botón muestra la información de cómo utilizarla la aplicación y acerca de
quien desarrollo la aplicación y.
Crea los directorios [2]
Este botón crea los directorios Carpeta Retinas y dentro de dicho directorio crea
Capeta_RHTA y Carpeta_Comparación_Final, en Carpeta_RHTA es donde se
almacena las imágenes que podremos desplegar en el listado [1] y seleccionar
para luego comenzar el proceso.
Comenzar el proceso [4]
Este botón realiza todo el procesamiento del programa para la detección RHTA. `
Detener el proceso [3]
Este botón sirve para detener el proceso de la aplicación, es decir detiene la
detección de retinopatía.
1
2
3 4
5
6
7
168
Luego que se haya creado los directorios, colocamos la imagen o imágenes a
analizar dentro de la carpeta “Carpeta_RHTA”, que estará en el escritorio de su
computador.
Se ejecuta el programa y en el listado de imágenes seleccionamos la que
queremos analizar (la que se colocó en el directorio Carpeta_RHTA). Una vez
seleccionada la imagen, clic en comenzar proceso para iniciar el proceso de
detección de retinopatía.
Se
selecciona
una imagen
Comenzamos el
proceso con un clic
169
7. Por último, se muestra el resultado es decir si padece o no la enfermedad
RTHA.
Imagen
preprocesada Imagen
Original
Resultado de
predicción
170
Anexo # 10 - Manual Técnico
INSTALACIÓN
Prerrequisitos de Hardware
La aplicación utiliza un entorno de trabajo en donde se requiere de fuertes
elementos para poder desarrollar, es decir requiere de un computador con
buenas características para que no haya ningún tipo de problema.
En cambio, los clientes o interesados en usar la aplicación no requieren de
fuetes características en un computador.
Prerrequisitos de Software
Para crear un ambiente de desarrollo se requiere tener instalado ciertos
requisitos:
Python 3.6.5.
Anaconda Cloud 4.5.9.
A continuación se muestra como descargar e instalar las versiones de
Python, anaconda y jupyter para el entorno de trabajo.
Descarga de Python.
6. Se busca en google Welcome to Python.org
7. Se da clic en Downloads.
8. Se escoge la versión de Python que se desea descargar. En este
caso es 3.6.6.
Procesador Core i7
Memoria Mayor a 12 GB
Disco Duro 1TB
Sistema Operativo Windows
GPU GPU NVIDIA
171
9. Existen diversos paquetes que contienen los elementos requeridos
para el uso de la aplicación. Para esto se da clic en la versión de
S.O. que se tenga. (consultar características de entorno de trabajo).
10. Se puede acceder de manera más rápida a través de este enlace:
https://www.python.org/downloads/release/python-366/
Instalación de Python.
4. Ejecutamos el instalador descargado de la página oficial de Python
5. Damos click en Install Now
6. Esperamos a que finalice la instalación.
Descarga e Instalación de Anaconda
5. Se busca en google Anaconda Cloud
172
6. Se da clic en Download Anaconda.
7. Se escoge la versión que se desea descargar. En este caso es 3.6
o 2.7.
8. Se puede acceder de manera más rápida a través de este enlace:
https://www.anaconda.com/download/
Instalación de Anaconda
7. Ejecutamos el instalador descargado de la página oficial de
Anaconda.
8. Clic en next para continuar con la instalación.
173
9. Se aceptan los términos de licencia.
10. Se selecciona just me o all user. Es indiferente, solo indica en que
usuarios instalar.
11. Se selecciona la ruta de instalación.
174
12. Finaliza la instalación.
Instalación de ambiente clonado en anaconda
Para la creación de un ambiente:
1. Abrir el terminal de anaconda
2. Copiar el archivo a ejecutar en donde esté ubicado anaconda. En este caso
está ubicado en el disco local c, en la sub-carepta de pc, que está dentro
de la carpeta de Users.
3. Luego colocamos el siguiente comando
a. conda create --name myenv --file spec-file.txt
i. myenv, es el nombre del ambiente nuevo
ii. spec-file.txt, es el nombre del ambiente que se va a copiar
4. Más tarde instalamos los paquetes con el siguiente comando.
a. conda install --name myenv --file spec-file.txt
5. para finalizar abrimos, anaconda navigator y elegimos el ambiente nuevo
creado para instalar jupyter
6. después de haber instalado jupyter, abrimos el servidor y listo para trabajar
a. recomendación: en ocasiones es necesario instalar más librerías.
175
Abrir Jupyter Notebook
Existen muchos editores de texto, que podemos usar para programar, compilar y
ejecutar un programa, donde dos de ellos se destacan por su uso y sencillez los
cuales son Jupyter y Visual Code. El primero me permite programar de una
manera paralela, no se necesita correr todo el código una y otra vez, sino que se
puede ejecutar por celdas.
Anaconda dentro de su panel de navegación trae precargado esta herramienta
por lo que procedemos a instalarla y ejecutarla.
7. Se presiona las teclas Windows (icono de Windows) + Q, aparece el
buscador, escribimos Anaconda Navigator y le damos clic
8. Clic en Anaconda Cloud, clic en launch Jupyter Notebook que es quien
ejecutará nuestra aplicación, pero antes nos ubicamos en el ambiente que
se clono con anterioridad.
9. Luego ejecutamos Jupyter Notebook.
176
10. En caso de no salir launch, clic en install.
11. Luego se busca donde se encuentra nuestro proyecto.
12. Las carpetas del archivo están clasificadas de la siguiente manera
Se entrega una carpeta con el nombre de Modelo_5, la cual contiene la
programación del prototipo # 5. En él se encuentran dos carpetas.
o La primera se llama Cuaderno_Modelo_5 que contiene los siguientes
archivos:
Clic en
launch
Selecciona el
proyecto y
doble clic
177
o Hago.txt, es el archivo de librerías listo para instalar en un entorno
creado en anaconda.
o Los pesos (.hdf5) y el modelo de las capas (.json).
Su red fue entrenada por 1 épocas con más de 8.000
imágenes.
El nombre del modelo de las capas es:
meyvi_modelo_capas_5398_1.json
El nombre del modelo de las pesos es:
meyvi_modelo_capas_5398_1.json
o 1.MeyviHago_UG_Pre-procesamiento_solo_1imagen
El programa hace el pre-procesamiento con una sola
imagen
o 2.MeyviHago_UG_PreProcesamiento_Imagenes_NO
El programa realiza el pre-procesamiento con todas las
imágenes que no tienen la enfermedad
o 3.MeyviHago_UG_PreProcesamiento_Imagenes_SI
El programa realiza el pre-procesamiento con todas las
imágenes que si tienen la enfermedad
o 4.MeyviHago_UG_RNC
El programa entrena y valida la red propuesta
o 5.MeyviHago_UG_LeeModelo_Predice_IndicaResultado
El programa solo manda a llamar a los pesos y capas y
predice si tiene o no la enfermedad
o 6.MeyviHago_UG_SoloInterfazconTodo
Es el programa final en él se une todo para presentarlo con
interfaz gráfica y sin comparación.
o 7.MeyviHago_UG_comparación
El programa hace una comparación de imágenes
o 8.MeyviHago_UG_Iinterfazproyectoretinopatia_comparación
prueba
Es el programa final en él se une todo para presentarlo con
interfaz gráfica y con la comparación
o saveno
Contiene las imágenes pre-procesadas sin la enfermedad
178
o savesi
Contiene las imágenes pre-procesadas con la enfermedad
o README_PG
Explicará cómo instalar el archivo txt y como está
estructurado el programa para su debida ejecución y
programación.
o La segunda carpeta se llama Imágenes_Modelo_0 y contiene:
o Training_set, contiene imágenes con dos clases, la primera es si y
la otra es no.
o Test_set, contiene la misma clasificación de imágenes que
training_set.
Diseño de entradas y salidas
Diseño de pantallas
DISEÑO DE PANTALLA
Sistema de detección de
Rinopatía Hipertensiva
Fecha de creación:
15/08/2018
Autor:
Meyvi de los Ángeles Hagó Herrera
Nombre del Formulario:
Análisis de detención de la enfermedad
Descripción:
Permite analizar las imágenes entrantes
179
LISTA DE ELEMENTOS
Sistema de detección de
Rinopatía Hipertensiva
Fecha de creación:
15/08/2018
Autor:
Meyvi de los Ángeles Hágo Herrera
CONTROL CAMPO DESCRIPCIÓN
Lista de Imágenes a
analizar lista_imgenes Combo box para listar las imágenes
Crear Directorios crear_directorios Boton para crear el directorio donde
estarán las imágenes
Detener Proceso stop_proccess Detiene el proceso de análisis de
imágenes
Comenzar Procesol comenzar_proceso Comienza el proceso de análisis de
imágenes
Información información Muestra información de cómo usar la la
aplicación
Acerca acerca Datos del creador y versión del prototipo
Resuttado texto label_resultado Muestra el resultado en texto
Resultado_Imagen label_imagen Muestra la imagen del resutlado
180
Anexo # 11
Encuesta de Satisfacción
181
Anexo # 12
Criterio de juicio de experto
182
Anexo # 13
Validación de Experto en Optometría