Tercer Parcial Imágenes Diagnosticas

TERCER PARCIAL: RETINOPATIA DIABETICA

Sofia Aragon Jurado
e-mail: [Link]@[Link]

su efectividad en diversas aplicaciones médicas, como la

RESUMEN: Este trabajo aborda el desarrollo de algoritmos de detección de tumores y lesiones en imágenes de diferentes
segmentación de imágenes para la detección temprana de la modalidades, como radiografías, tomografías computarizadas
retinopatía diabética. Se implementaron cuatro algoritmos y resonancias magnéticas.
diferentes para la segmentación del disco óptico, hemorragias, En el caso particular de la retinopatía diabética, una
exudados blandos y exudados duros en imágenes de fondo de complicación ocular grave causada por la diabetes mellitus, la
ojo. Los algoritmos se basaron en técnicas de procesamiento de segmentación de imágenes de fondo de ojo es fundamental
imágenes y aprendizaje automático enseñadas en el curso de para la detección temprana y el seguimiento de la
Procesamiento Digital de Imágenes Diagnósticas. Se evaluó el enfermedad. La identificación precisa de lesiones
rendimiento de los algoritmos utilizando métricas estándar, como características, como el disco óptico, hemorragias, exudados
el puntaje F1, en un conjunto de datos de 30 imágenes anotadas blandos y exudados duros, puede facilitar el diagnóstico
a nivel de píxel. Los resultados obtenidos demuestran la eficacia asistido por computadora y contribuir a prevenir la pérdida de
de los enfoques propuestos para la segmentación precisa de las visión en los pacientes [2].
lesiones características de la retinopatía diabética. En este trabajo, se aborda el desarrollo de algoritmos de
segmentación de imágenes para la detección de lesiones
PALABRAS CLAVE: Phyton, Segmentacion, Retinopatia características de la retinopatía diabética en imágenes de
diabetica. fondo de ojo. Se implementan diferentes enfoques basados
en técnicas de procesamiento de imágenes y aprendizaje
ABSTRAC: This work addresses the development of image automático, con el objetivo de lograr una segmentación
segmentation algorithms for the early detection of diabetic precisa y confiable de estas lesiones. La evaluación del
retinopathy. Four different algorithms were implemented for the rendimiento de los algoritmos se realiza utilizando métricas
segmentation of the optic disc, hemorrhages, soft exudates, and estándar, como el puntaje F1, en un conjunto de datos de
hard exudates in retinal fundus images. The algorithms were imágenes anotadas a nivel de píxel..
based on image processing and machine learning techniques
taught in the Digital Processing of Diagnostic Images course. The
performance of the algorithms was evaluated using standard 2 METODOLOGÍA
metrics, such as the F1 score, on a dataset of 30 pixel-level
annotated images. The results obtained demonstrate the Se implementaron cuatro algoritmos de segmentación
effectiveness of the proposed approaches for the accurate diferentes basados en técnicas de procesamiento de
segmentation of characteristic diabetic retinopathy lesions. imágenes y aprendizaje automático enseñadas en el curso de
Procesamiento Digital de Imágenes Diagnósticas.
KEYWORDS: Python, Segmentation, Diabetic retinopathy.
Segmentación del disco óptico.
Segmentación de hemorragias.
1 INTRODUCCIÓN Segmentación de exudados blandos.
Segmentación de exudados duros.
La segmentación de imágenes es una técnica de visión por
Aunque se implementaron diferentes algoritmos, cada uno se
computadora que divide una imagen digital en grupos de píxeles.
basó en la siguiente estructura:
Este análisis facilita el procesamiento rápido y avanzado de los
datos visuales. Actualmente, existen diversas técnicas de
Paso 1: Carga y procesa la imagen.
segmentación que van desde el análisis visual hasta la
Paso 2: Conversión a Escala de Grises.
implementación de Deep Learning [1].
Paso 3: Corrección de Contraste.
En el campo del análisis de imágenes médicas, la segmentación
Paso 4: Normalización.
juega un papel crucial en la detección y evaluación de lesiones y
Paso 5: Desarrollo de segmentación: para este paso se
anomalías. Técnicas como la segmentación semántica, la
diferencia cada algoritmo de acuerdo a su necesidad, más
segmentación de instancias y la segmentación panóptica se
adelante se explican las diferencias en las segmentaciones.
utilizan combinadas para identificar y aislar estructuras y regiones
Paso 6: Evaluación del algoritmo.
de interés en imágenes diagnósticas [1].
Paso 7: Refinar la segmentación con Detección de bordes.
Entre las técnicas tradicionales de segmentación se encuentran
Paso 8: Evaluar y refinar la segmentación.
el umbralizado, los histogramas, la detección de bordes y la
segmentación por regiones basadas en agrupamiento de píxeles
con características similares [1]. Estas técnicas han demostrado

1
Tercer Parcial Imágenes Diagnosticas

I. Disco Optico

A continuación se muestra el diagrama de flujo correspondiente

al programa final.

Figura 1. Diagrama de flujo.

Figura 4. Imagen IDRiD_12 separada en los canales R, G y B.
Ahora, como ejemplo, se utilizará la imagen "IDRiD_12.jpg"
(tomada del conjunto de datos proporcionado), que se muestra a Para luego unificar en porcentajes de 10% en el canal rojo,
continuación. El código comienza con la función imread, para leer 40% en el canal verde y 50% en el canal azul.
la image y imshow para mostrarla en cmap=gray para mnostrarla
en escala de grises.

Figura 2. Imagen IDRiD_12.jpg en escala de grises. Figura 5. Imagen IDRiD_12 resultante de la unificación de los
canales en porcentajes de R con el 10%, G con el 40% y B con
El código lee una imagen de un ojo en escala de grises usando el 50%.
[Link].
Luego, lee la imagen y la guarda como Icv, para luego
redimensionarla con la función howis. Y luego a través de operaciones morfológicas, llegar a una
segmentación final:

Figura 3. Imagen IDRiD_12.

Luego con la imagen en escala de grises se divide en los canales

RGB, los cuales se observan a contiuacion.
Figura 6. Resultado de la aplicación de operadores lógicos en la
segmentación.

2
Tercer Parcial Imágenes Diagnosticas
Y para mejorar la segmentación se le aplica erosión, dilatación y
apertura.

Figura 7. Resultado de la imagen al aplicar la operación de erosión

Luego, con detección de bordes, aplicamos sobre la imagen

original la segmentación para observar la diferencia:

Figura 9. Resultado de la evaluación del algoritmo.

II. Exudados blandos

Inicialmente se realizó el preprocesamiento de la imagen,

como ejemplo para este algoritmo se utilizó la imagen
IDRiD_13, para ellos inicialmente se cargó la imagen de
fondo de ojo en formato JPG utilizando la función
[Link]() de la biblioteca OpenCV.

Figura 8. Resultado de la detección de bordes de la segmentación sobre

la imagen origina.

Y por ultimo para obtener una evaluación mas exacta del

algoritmo, se realiza el calculo de F1, TPR y FPR en
comparación en la segmentación proporcionada por el docente

3
Tercer Parcial Imágenes Diagnosticas
Conversión a escala de grises:

Se convirtió la imagen a escala de grises utilizando una

combinación ponderada de los canales RGB. Se asignaron
diferentes pesos a cada canal para resaltar ciertas
características de la imagen.
Se exploraron diferentes esquemas de ponderación, como
(1/3, 1/3, 1/3) para una ponderación igual y (1.0, 0.0, 0.0) para
considerar únicamente el canal rojo.

Figura 12. Imagen IDRiD_13 separada en los canales R, G y B.

Figura 10. Imagen IDRiD_13.jpg.
Segmentación de exudados blandos:
Se aplicó una ecualización de histograma adaptativa (CLAHE) en
el canal de valor (V) del espacio de color HSV para mejorar el Se aplicaron operaciones morfológicas y filtros para mejorar
contraste de la imagen. Esto se realizó mediante la conversión de la segmentación de los exudados blandos.
la imagen a HSV, la ecualización del canal V utilizando Se utilizaron umbrales adaptativos para separar los exudados
[Link](), y luego la conversión de vuelta a BGR. blandos del fondo de la imagen.
Se implementaron etapas adicionales de procesamiento,
como la eliminación de componentes conectados pequeños y
la aplicación de filtros de erosión, dilatación y mediana, para
refinar la segmentación.

Figura 13. Resultado de la imagen IDRiD_13 después de la

aplicación de filtros.

Evaluación de la segmentación:

Se cargó una imagen de referencia que contenía la anotación

a nivel de píxel de los exudados blandos.
Se comparó la segmentación obtenida con la anotación de
referencia utilizando operaciones lógicas de AND, OR y XOR.
Se calcularon métricas de evaluación, como Verdaderos
Figura 11. Resultado de la ecualización del algoritmo. Positivos (TP), Verdaderos Negativos (TN), Falsos Positivos
(FP) y Falsos Negativos (FN).
Se calcularon métricas adicionales, como el puntaje F1, la
Se realizó un análisis del histograma de la imagen original y la Tasa de Verdaderos Positivos (TPR) y la Tasa de Falsos
imagen con ecualización de histograma para visualizar los Positivos (FPR), para evaluar el rendimiento de la
cambios en la distribución de los valores de píxel. segmentación.

4
Tercer Parcial Imágenes Diagnosticas
Se eliminan los objetos pequeños de la imagen binaria
utilizando la función remove_small_objects() de la biblioteca
scikit-image, con un tamaño mínimo de 20 píxeles.

Se aplica una dilatación binaria a la imagen binaria utilizando

un elemento estructurante de 3x3 píxeles.
Se eliminan los objetos conectados al borde de la imagen
utilizando la función clear_border().
Figura 14. Resultados evaluación del logaritmo de exudados blandos.

III. Hexudados duros

Para explicar este algoritmo, se utilizara como ejemplo la imagen

IDRiD_11. Inicialmente se hace el preprocesamiento, de la
imagen, para ellos se cargó la imagen de fondo de ojo en formato
JPG utilizando la función [Link]() de la biblioteca OpenCV.

Figura 17. Imagen IDRiD_11.jpg despues de aplicar la función clear

border.

Luego, se superpone la máscara binaria final en la imagen

original utilizando la función binview(), que crea una
superposición de color amarillo sobre la imagen en escala de
grises.

Operaciones morfológicas:

Figura 15. Imagen IDRiD_11.jpg en escala de grises. Se aplica una operación morfológica de apertura a la imagen
original utilizando un elemento estructurante elíptico de
Detección de exudados: tamaño 120x120 píxeles.
Se calcula la diferencia entre la imagen original y la imagen
Luego para proceder con el procesamiento se calcula la después de la apertura.
diferencia absoluta entre la imagen filtrada con gaussiano y la Se umbraliza la imagen de diferencia utilizando un umbral de
imagen filtrada con mediana, utilizando operaciones de arreglos 10.
de NumPy.

Figura 16. Imagen IDRiD_11.jpg al aplicarle diferentes filtros.

Se binariza la imagen de diferencia utilizando un umbral de 18.

Figura 18. Imagen IDRiD_11.jpg original y sobrepuesta, su apertura.

5
Tercer Parcial Imágenes Diagnosticas

Limpieza de objetos pequeños:

Se eliminan los objetos pequeños de la imagen binaria utilizando

la función remove_small_objects() de la biblioteca scikit-image,
con un tamaño mínimo de 40 píxeles y una conectividad de 2.
Se visualiza la imagen binaria final después de la limpieza.

Figura 19. Imagen IDRiD_11.jpg segmentada y después de aplicarle la

función remove_small_objects().

Superposición de la máscara final:

Se superpone la máscara binaria final en la imagen original

utilizando la función binview(), pero con color rojo. Figura 21. Comparación resultado de segmentación de imagen
IDRiD_11.jpg con la proporcionada por el docente.
Se visualiza la imagen final con la máscara superpuesta.
Por último, al igual que antes calculan métricas de evaluación,
como Verdaderos Positivos (TP), Verdaderos Negativos (TN),
Falsos Positivos (FP) y Falsos Negativos (FN).
Se calculan métricas adicionales, como el puntaje F1, la Tasa
de Verdaderos Positivos (TPR) y la Tasa de Falsos Positivos
(FPR), para evaluar el rendimiento de la segmentación.

Figura 22. Resultados evaluación del logaritmo.

Figura 20. Resulttado de segmentación de imagen IDRiD_11.jpg I. Hexudados blandos

sobrepuesta sobre la original.
Inicialmente se realizó el preprocesamiento de imágenes,
Evaluación de la segmentación: para ellos se cargó la imagen de fondo de ojo en formato JPG
utilizando la función [Link]() de la biblioteca OpenCV.
Se carga una imagen de referencia 11_EX.tif que contiene la
anotación a nivel de píxel de los exudados duros. Se aplica una
combinación ponderada de los canales RGB para obtener una
imagen en escala de grises utilizando la función segmenta(). Se
umbraliza la imagen en escala de grises utilizando un umbral de
250 para obtener una máscara binaria. Se compara la máscara
binaria obtenida con la máscara binaria final utilizando
operaciones lógicas de AND, OR y XOR.

6
Tercer Parcial Imágenes Diagnosticas

Se convirtió la imagen a escala de grises utilizando una

combinación ponderada de los canales RGB. Se asignaron
diferentes pesos a cada canal para resaltar ciertas
características de la imagen.
Se exploraron diferentes esquemas de ponderación, como
(1/3, 1/3, 1/3) para una ponderación igual y (1.0, 0.0, 0.0) para
considerar únicamente el canal rojo.

Figura 25. Imagen IDRiD_13.jpg en canales R, G, y B.

Figura 23. Imagen IDRiD_13.jpg. Segmentación de exudados blandos:

Se aplicó una ecualización de histograma adaptativa (CLAHE) en Se aplicaron operaciones morfológicas y filtros para mejorar
el canal de valor (V) del espacio de color HSV para mejorar el la segmentación de los exudados blandos.
contraste de la imagen. Esto se realizó mediante la conversión de Se utilizaron umbrales adaptativos para separar los exudados
la imagen a HSV, la ecualización del canal V utilizando blandos del fondo de la imagen.
[Link](), y luego la conversión de vuelta a BGR. Se implementaron etapas adicionales de procesamiento,
como la eliminación de componentes conectados pequeños y
la aplicación de filtros de erosión, dilatación y mediana, para
refinar la segmentación.

Figura 26. Imagen IDRiD_13.jpg en canales R, G, y B despues de

aplicar operaciones lógicas entre estos canales y aplicar filtros.

Evaluación de la segmentación:

Se cargó una imagen de referencia que contenía la anotación

a nivel de píxel de los exudados blandos.
Se comparó la segmentación obtenida con la anotación de
referencia utilizando operaciones lógicas de AND, OR y XOR.
Se calcularon métricas de evaluación, como Verdaderos
Positivos (TP), Verdaderos Negativos (TN), Falsos Positivos
Figura 24. Imagen IDRiD_13.jpg ecualizada. (FP) y Falsos Negativos (FN).
Se calcularon métricas adicionales, como el puntaje F1, la
Se realizó un análisis del histograma de la imagen original y la Tasa de Verdaderos Positivos (TPR) y la Tasa de Falsos
imagen con ecualización de histograma para visualizar los Positivos (FPR), para evaluar el rendimiento de la
cambios en la distribución de los valores de píxel. segmentación..

Conversión a escala de grises:

7
Tercer Parcial Imágenes Diagnosticas

Figura 27. Resultados evaluación del logaritmo.

II. Hemorragias

Para explicar este algoritmo, se utilizará como ejemplo la imagen

IDRiD_13. Inicialmente se carga y visualiza la imagen original
utilizando la función [Link]() de la biblioteca OpenCV, tanto Figura 30. Imagen IDRiD_11.jpg después de unificar por porcentajes
en escala de grises como en color. Se muestra la imagen original de los tres canales.
en escala de grises utilizando [Link]. Se define una
función howis() para imprimir el tamaño, valor máximo y valor Segmentación basada en umbrales:
mínimo de una imagen. Se muestra la imagen original en color
utilizando cv2_imshow() de la biblioteca [Link]. Se definen umbrales para los canales R, G y B utilizando
operaciones lógicas (Sr, Sg y Sb). Se concatenan las
máscaras binarias de los canales R, G y B en una sola
imagen RGB utilizando [Link](). Se muestra la
imagen concatenada de máscaras binarias utilizando
cv2_imshow().

Figura 30. Imagen IDRiD_11.jpg bajo operaciones lógicas.

Figura 28. Imagen IDRiD_13.jpg en escala de grises. Se combina las máscaras binarias de los canales R, G y B
utilizando una operación lógica AND para obtener una
Análisis de los canales de color: máscara binaria final S. Se muestra la máscara binaria final S
utilizando cv2_imshow().
Se extraen los canales R, G y B de la imagen original utilizando
el desplazamiento de ejes. Se concatenan los canales R, G y B
en una sola imagen RGB utilizando [Link](). Se muestra
la imagen concatenada utilizando cv2_imshow().

Figura 29. Imagen IDRiD_13.jpg en los tres canales de R,G y B.

Conversión a escala de grises:

Se convierten los canales R, G y B a tipo de dato float. Se define

una combinación ponderada de los canales RGB utilizando
diferentes pesos (k). En este caso, se asignan pesos de 0.5, 0.3
y 0.5 a los canales R, G y B, respectivamente. Se calcula una Figura 31. Resultado de las operaciones lógicas en la imagen
imagen en escala de grises Z utilizando la combinación IDRiD_11.jpg.
ponderada de los canales RGB. Se muestra la imagen en escala
de grises Z utilizando cv2_imshow(). Agudización de la imagen:

8
Tercer Parcial Imágenes Diagnosticas
Se carga la imagen en escala de grises utilizando [Link]() Se aplica una combinación ponderada de los canales RGB
con el modo cv2.IMREAD_GRAYSCALE. para obtener una imagen en escala de grises utilizando la
Se aplica un filtro de agudización en el dominio de la frecuencia función segmenta().
utilizando la Transformada de Fourier 2D y un filtro gaussiano. Se umbraliza la imagen en escala de grises utilizando un
Se amplifica la diferencia entre la imagen original y la imagen umbral de 250 para obtener una máscara binaria.
agudizada para resaltar los detalles. Se compara la máscara binaria obtenida con la máscara
Se guarda la imagen agudizada en un archivo PNG utilizando binaria final utilizando operaciones lógicas de AND, OR y
[Link](). XOR. Se calculan métricas de evaluación, como Verdaderos
Positivos (TP), Verdaderos Negativos (TN) y Falsos Positivos
(FP).
Análisis de la imagen agudizada: Se calcula la métrica del puntaje F1 para evaluar el
rendimiento de la segmentación.
Se carga la imagen agudizada utilizando [Link]().
Se muestra la imagen agudizada utilizando cv2_imshow().

Figura 32. Resultado de la segmentación de la imagen IDRiD_11.jpg.

Se extraen los canales R, G y B de la imagen agudizada. Se

concatenan los canales R, G y B en una sola imagen RGB
utilizando [Link](). Se muestra la imagen concatenada
utilizando cv2_imshow(). Se definen nuevos umbrales para los
canales R, G y B de la imagen agudizada. Se combina las
máscaras binarias de los canales R, G y B utilizando una
operación lógica AND para obtener una nueva máscara binaria
final S. Se muestra la nueva máscara binaria final S utilizando
cv2_imshow().

Figura 34. Resultados evaluación del logaritmo.

3 RESULTADOS

Cada una de las imagenes fue probada de manera individual,

no se obtuvieron resultados satisfactorios a pesar de haber
cambiado los datos de RGB y las operaciones lógicas para
Figura 33. Resultado de la segmentación con operaciones logicas de la todas las imágenes, pero en el caso del algoritmo para
imagen IDRiD_11.jpg. segmentar el disco óptico, fue el más acertado, a
continuación, se muestra la tabla de datos para las 40
Evaluación de la segmentación: imágenes:

Se carga una imagen de referencia 12_HE.tif que contiene la

anotación a nivel de píxel de las hemorragias.

9
Tercer Parcial Imágenes Diagnosticas
algoritmo tiene dificultades para segmentar correctamente
I. SEGMENTACION DEL DISCO OPTICO algunos discos como en el caso de las imágenes 35 y 49,
estas imágenes en la tabla se observan con valores de 0.3.
Tabla 1. Resultados evaluación del logaritmo de disco óptico para
algunas imagenes. II. SEGMENTACION DE EXUDADOS BLANDOS

Imagen F1 TPR FPR Tabla 4. Resultados evaluación del logaritmo de disco óptico para
algunas imagenes.
12 0,887143871 0,998176589 0,005696761
17 0,421444053 0,644739384 0,013111962 Imagen F1 TPR FPR
31 0,595840013 0,009021595 0,167918109 12 3,39E-05 0,003795547 0,072087352
33 0,858818458 0,424207338 0,004745842 17 5,08E-05 0,001478145 0,066579346
34 0,623515187 0,998911349 0,208939953 31 0,000469637 0,024521824 0,069105236
35 0,352996996 1 0,012211629 33 0,001147861 0,014359881 0,071394558
46 0,54086412 0,405804349 0,002615391 34 0 0 0,065620676
49 0,349989241 0,949966498 0,254241307 35 0,000674899 0,019647067 0,065637818
12 0,887143871 0,998176589 0,005696761 46 0,000619398 0,022703818 0,068894011
17 0,421444053 0,644739384 0,013111962 49 0,003471052 0,097578692 0,074673262
31 0,595840013 0,009021595 0,167918109 12 3,39E-05 0,003795547 0,072087352
33 0,858818458 0,424207338 0,004745842 17 5,08E-05 0,001478145 0,066579346
34 0,623515187 0,998911349 0,208939953 31 0,000469637 0,024521824 0,069105236
35 0,852996996 1 0,012211629 33 0,001147861 0,014359881 0,071394558
46 0,54086412 0,405804349 0,002615391 34 0 0 0,065620676
49 0,349989241 0,949966498 0,254241307 35 0,000674899 0,019647067 0,065637818
46 0,000619398 0,022703818 0,068894011

En la tabla, el FPR representa la proporción de píxeles falsos 49 0,003471052 0,097578692 0,074673262

positivos identificados erróneamente como parte de los discos
ópticos segmentados. Un valor de FPR cercano a 0 indica que el
algoritmo minimiza los errores de segmentación. En la tabla, se También se calcularon el F1 mínimo y máximo:
observa que la mayoría de las imágenes tienen un FPR cercano .
a 0, lo que indica que el algoritmo produce pocos errores de Tabla 5. Resultados evaluación máximos y mínimos de F1.
segmentación.
MAXIMOS F1 0,003471052
También se calcularon el F1 mínimo y máximo: MINIMOS F1
. 0
Tabla 2. Resultados evaluación máximos y mínimos de F1.
Así como el promedio, la desviación estándar y la media:
MAXIMOS F1 0,887143871
Tabla 6. Resultados promedio, desviación estándar y media.
MINIMOS F1 0,349989241
F1 TPR FPR
Así como el promedio, la desviación estándar y la media: PROMEDIO 0,000808451 0,023010622 0,069249032

Tabla 3. Resultados promedio, desviación estándar y media. DESVIACION 0,001146453 0,031648244 0,003285496
ESTANDAR
MEDIA 0,000544518 0,017003474 0,068999624
F1 TPR FPR
0,648826492 0,678853388 0,083685119
PROMEDIO III. SEGMENTACION DE EXUDADOS DUROS
0,20884631 0,372305684 0,107469802
DESVIACION
ESTANDAR Tabla 7. Resultados evaluación del logaritmo de disco óptico para
algunas imágenes.
0,568352066 0,797352941 0,012661795
MEDIA
Imagen F1 TPR FPR

En general, el algoritmo de segmentación de disco óptico 3 0,193257352 0,109806158 0,000672676

presenta un buen rendimiento en la mayoría de las imágenes, 10 0,178276294 0,116887923 0,013724937
con un F1 Score promedio de 0.6488, un TPR promedio de
0.6788y un FPR promedio de 0.083685. Sin embargo, el 11 0,266524084 0,190057124 0,005766581

10
Tercer Parcial Imágenes Diagnosticas
13 0,232998358 0,136639039 0,000647534 35 0,058650306 0,631883186 0,620506218
22 0,142536274 0,134992555 0,005889982 46 0,128414359 0,397747542 0,426784337
25 0,266520719 0,154758392 0,000349188 49 0,246342509 0,769181589 0,465650372
49 0,114416563 0,634330342 0,174954361
3 0,193257352 0,109806158 0,000672676 También se calcularon el F1 mínimo y máximo:
10 0,178276294 0,116887923 0,013724937 .
Tabla 2. Resultados evaluación máximos y mínimos de F1.
11 0,266524084 0,190057124 0,005766581
13 0,232998358 0,136639039 0,000647534 MAXIMOS F1 0,306557498
22 0,142536274 0,134992555 0,005889982 MINIMOS F1 0,010978337
25 0,266520719 0,154758392 0,000349188
Así como el promedio, la desviación estándar y la media:
49 0,114416563 0,634330342 0,174954361
3 0,193257352 0,109806158 0,000672676 Tabla 3. Resultados promedio, desviación estándar y media.

10 0,178276294 0,116887923 0,013724937 F1 TPR FPR

PROMEDIO 0,183945355 0,496479895 0,482019642

También se calcularon el F1 mínimo y máximo: DESVIACION
0,107966727 0,214129439 0,066297935
. ESTANDAR
MEDIA
Tabla 8. Resultados evaluación máximos y mínimos de F1. 0,216453393 0,496439495 0,467814966

MAXIMOS F1 0,266524084
MINIMOS F1 0,114416563

Así como el promedio, la desviación estándar y la media:

Tabla 9. Resultados promedio, desviación estándar y media.

F1 TPR FPR
PROMEDIO 0,19921852 0,211067362 0,028857894

DESVIACION 0,059272061 0,188509165 0,064597336

ESTANDAR
MEDIA 0,193257352 0,136639039 0,005766581

IV. SEGMENTACION DE HEMORRAGEAS

Tabla 10. Resultados evaluación del logaritmo de disco óptico para

algunas imágenes.

Imagen F1 TPR FPR

12 0,193117286 0,334612376 0,46997956

17 0,306557498 0,595131448 0,400961533
31 0,010978337 0,146656833 0,46244905
33 0,2397895 0,382740125 0,497042624
34 0,287713047 0,71388606 0,512783439
35 0,058650306 0,631883186 0,620506218
46 0,128414359 0,397747542 0,426784337
49 0,246342509 0,769181589 0,465650372
12 0,193117286 0,334612376 0,46997956
17 0,306557498 0,595131448 0,400961533
31 0,010978337 0,146656833 0,46244905
33 0,2397895 0,382740125 0,497042624
34 0,287713047 0,71388606 0,512783439

11
Tercer Parcial Imágenes Diagnosticas
3 CONCLUSIONES

En este trabajo, se implementaron diferentes algoritmos de

procesamiento de imágenes y visión por computadora para la
segmentación y detección de lesiones características de la
retinopatía diabética en imágenes de fondo de ojo. El primer
algoritmo, destinado a segmentar el disco óptico, demostró un
excelente rendimiento con un puntaje F1 del 80%. Este resultado
destaca la efectividad de las técnicas empleadas, como la
ecualización de histograma, los filtros gaussianos y de mediana,
y las operaciones morfológicas aplicadas para mejorar la calidad
de la segmentación.
Por otro lado, el segundo algoritmo, diseñado para segmentar
exudados blandos, no funcionó de manera satisfactoria,
obteniendo un puntaje F1 de solo el 10%. Este bajo rendimiento
indica la necesidad de explorar enfoques alternativos o realizar
ajustes significativos en los parámetros y técnicas utilizadas para
lograr una segmentación precisa de este tipo de lesiones.
El tercer algoritmo, destinado a la segmentación de exudados
duros, exhibió un desempeño intermedio con un puntaje F1 de
58%. Si bien este resultado es prometedor, aún hay margen para
mejorar la precisión y robustez del algoritmo mediante la
optimización de los métodos empleados o la incorporación de
nuevas técnicas.
Finalmente, el cuarto algoritmo, enfocado en la segmentación de
hemorragias, obtuvo un rendimiento moderado con un puntaje F1
de 34%. Este resultado sugiere que las técnicas aplicadas, como
la agudización de imágenes en el dominio de la frecuencia y los
enfoques basados en umbrales, fueron parcialmente efectivas
pero requieren refinamiento para lograr una detección más
precisa de las hemorragias.

4 REFERENCIAS
[1] "Retinopatía diabética" ([Link]

[2] "Segmentación de lesiones en retinopatía diabética mediante

aprendizaje automático: Una revisión sistemática"
([Link]
14292011000200001)

[3] "Desarrollo de un sistema de detección automática de retinopatía

diabética utilizando aprendizaje profundo"
([Link]
&lang=en)

12