UA-61751701-2

Hybrid Deep Learning Gaussian Process for Diabetic Retinopathy Diagnosis and Uncertainty Quantification
    • español
    • English
EscuelaIng
  • English 
    • español
    • English
  • Login
  • Inicio
  • Guías de Uso
    • Directrices
    • Procedimientos de Trabajo de Grado
    • Guía de Autoarchivo
    • Formato de Autorización para Publicación
  • Navegar
    • Comunidades
    • Autores
    • Títulos
    • Fechas
    • Materias
    • Tipo de Material
  • Investigadores
  • Organizaciones
  • Proyectos

Repositorio Digital

  • Comunities Comunities
  • Authors Authors
  • Titles Titles
  • Dates Dates
  • Subjects Subjects
  • Resource Type Resource Type
View Item 
  •   DSpace Home
  • 2 - Investigación
  • A - Grupos de Investigación
  • AA. Gibiome
  • View Item
  •   DSpace Home
  • 2 - Investigación
  • A - Grupos de Investigación
  • AA. Gibiome
  • View Item
JavaScript is disabled for your browser. Some features of this site may not work without it.

Cambiar vista

Browse

All of DSpaceCommunities & CollectionsBy Issue DateAuthorsTitlesSubjectsResource TypeThis CollectionBy Issue DateAuthorsTitlesSubjectsResource Type

My Account

LoginRegister

Statistics

View Usage Statistics

Hybrid Deep Learning Gaussian Process for Diabetic Retinopathy Diagnosis and Uncertainty Quantification


Gonzalez Osorio, Fabio
Perdomo Charry, Oscar Julian
Toledo Cortes, Santiago
De La Pava, Melissa

Artículo de revista

2020

Springer Science

Retinopatía diabéticaBuscar en Repositorio UMECIT
AprendizajeBuscar en Repositorio UMECIT
Método gaussianoBuscar en Repositorio UMECIT
Gaussian methodBuscar en Repositorio UMECIT
Deep LearningBuscar en Repositorio UMECIT
Diabetic RetinopathyBuscar en Repositorio UMECIT
Gaussian ProcessBuscar en Repositorio UMECIT
Uncertainty QuantificationBuscar en Repositorio UMECIT
Aprendizaje profundoBuscar en Repositorio UMECIT
Retinopatía diabéticaBuscar en Repositorio UMECIT
Proceso gaussianoBuscar en Repositorio UMECIT
Cuantificación de la incertidumbreBuscar en Repositorio UMECIT

La retinopatía diabética (RD) es una de las complicaciones microvasculares de la diabetes mellitus, que sigue siendo una de las principales causas de ceguera en todo el mundo. Los modelos computacionales basados ​​en redes neuronales convolucionales representan el estado del arte para la detección automática de RD utilizando imágenes de fondo de ojo. La mayor parte del trabajo actual aborda este problema como una tarea de clasificación binaria. Sin embargo, incluir la estimación de leyes y la cuantificación de la incertidumbre de las predicciones puede aumentar potencialmente la solidez del modelo. En este artículo, se presenta un método de proceso híbrido de aprendizaje profundo y gaussiano para el diagnóstico de RD y la cuantificación de la incertidumbre. Este método combina el poder de representación del aprendizaje profundo con la capacidad de generalizar a partir de pequeños conjuntos de datos de modelos de procesos gaussianos. Los resultados muestran que la cuantificación de la incertidumbre en las predicciones mejora la interpretabilidad del método como herramienta de apoyo al diagnóstico
 
Diabetic retinopathy (DR) is one of the microvascular complications of diabetes mellitus, which remains a leading cause of blindness worldwide. Computational models based on convolutional neural networks represent the state of the art for automatic detection of DR using fundus images. Most of the current work addresses this problem as a binary classification task. However, including law estimation and quantification of prediction uncertainty can potentially increase model robustness. In this paper, a hybrid deep learning and Gaussian process method for DR diagnosis and uncertainty quantification is presented. This method combines the representational power of deep learning with the ability to generalize from small data sets of Gaussian process models. The results show that the quantification of uncertainty in the predictions improves the interpretability of the method as a diagnostic support tool. Translated with www.DeepL.com/Translator (free version)
 

https://repositorio.escuelaing.edu.co/handle/001/1425

https://doi.org/10.1007/978-3-030-63419-3_21

  • AA. Gibiome [38]

Descripción: Hybrid Deep Learning Gaussian Process for.pdf
Título: Hybrid Deep Learning Gaussian Process for.pdf
Tamaño: 226.9Kb

Unicordoba LogoPDFOpen AccessFLIPLEER EN FLIP

Show full item record

Cita

Cómo citar

Cómo citar

Miniatura

Thumbnail

Gestores Bibliográficos

Exportar a Bibtex

Exportar a RIS

Exportar a Excel

Buscar en google Schoolar

Buscar en microsoft academic

untranslated

Código QR

Envíos recientes

    No hay artículos recientes

Oferta académica

Carreras profesionales

Especializaciones

Maestrías

Doctorado

Nustros Campus

Introducción al campus

Tecnología

Fortalezas

Premios y reconocimientos

Flora y fauna

Visita el campus

Internacionalización

Programas y alianzas

Movilidad

Sobre la Escuela y Bogotá

Convenios internacionales, nacionales y con colegios

Ayuda

PQRSFC

Centro de Ayuda

Contáctenos

Habeas Data

Centro de Servicios Tecnológicos

Directorio Escuela

acriditación institucional
icoMaps

AK. 45 No. 205 - 59, Autopista Norte.

PBX: +57(1) 668 3600 - Bogotá.

Línea nacional gratuita:

018000112668.

Sistema DSPACE - Metabiblioteca | logo