UA-61751701-2

A lightweight deep learning model for mobile eye fundus image quality assessment
    • 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

A lightweight deep learning model for mobile eye fundus image quality assessment


Perdomo Charry, Oscar Julian
Gonzalez Osorio, Fabio
Perez Perez, Andrés

Artículo de revista

2020

SPIE

Aprendizaje profundo (Aprendizaje automático)Buscar en Repositorio UMECIT
Calidad de imagenBuscar en Repositorio UMECIT
Image qualityBuscar en Repositorio UMECIT
Deep Learning (Machine Learning)Buscar en Repositorio UMECIT
Diagnóstico por imagenBuscar en Repositorio UMECIT
Diagnostic imagingBuscar en Repositorio UMECIT

Image acquisition and automatic quality analysis are fundamental stages and tasks to support an accurate ocular diagnosis. In particular, when eye fundus image quality is not appropriate, it can hinder the diagnosis task performed by experts. Portable, smart-phone-based eye fundus image acquisition devices have the advantage of their low cost and easy deployment, however, their main disadvantage is the sacrifice of image quality. This paper presents a deep-learning-based model to assess the eye fundus image quality which is small enough to be deployed in a smart phone. The model was evaluated in a public eye fundus dataset with two sets of annotations. The proposed method obtained an accuracy of 0.911 and 0.856, in the binary classification task and the three-classes classification task respectively. Besides, the presented method has a small number of parameters compared to other state-of-the-art models, being an alternative for a mobile-based eye fundus quality classification system.
 
La adquisición de imágenes y el análisis automático de la calidad son etapas y tareas fundamentales para apoyar un diagnóstico ocular preciso. En particular, cuando la calidad de la imagen del fondo del ojo no es adecuada, puede dificultar la tarea de diagnóstico realizada por los expertos. Los dispositivos portátiles de adquisición de imágenes de fondo de ojo basados en teléfonos inteligentes tienen la ventaja de su bajo coste y fácil despliegue, sin embargo, su principal desventaja es el sacrificio de la calidad de la imagen. Este artículo presenta un modelo basado en el aprendizaje profundo para evaluar la calidad de la imagen del fondo del ojo que es lo suficientemente pequeño como para ser desplegado en un teléfono inteligente. El modelo fue evaluado en un conjunto de datos de fondo de ojo público con dos conjuntos de anotaciones. El método propuesto obtuvo una precisión de 0,911 y 0,856, en la tarea de clasificación binaria y en la de tres clases, respectivamente. Además, el método presentado tiene un número reducido de parámetros en comparación con otros modelos del estado de la técnica, siendo una alternativa para un sistema de clasificación de la calidad del fondo del ojo basado en el móvil. Traducción realizada con la versión gratuita del traductor www.DeepL.com/Translator
 

https://repositorio.escuelaing.edu.co/handle/001/1488

https://doi.org/10.1117/12.2547126

  • AA. Gibiome [38]

Descripción: Artículo de revista
Título: A lightweight deep learning model for mobile eye fundus image quality assessment.pdf
Tamaño: 8.504Mb

Unicordoba LogoPDFClosed Access

Show full item record

Cita

Cómo citar

Cómo citar

Miniatura

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