La Tomografía de Coherencia Óptica (en inglés, Optical Coherence Tomography OCT), es una técnica no invasiva de imagen médica que utiliza dispositivos ópticos para obtener imágenes de alta resolución de estructuras internas en tejidos biológicos, como el ojo. Se utiliza comúnmente en oftalmología para diagnosticar y monitorear enfermedades oculares.
A partir de las imágenes OCT, el principal objetivo del trabajo será desarrollar un modelo para clasificar de forma automática y precisa las imágenes OCT con el fin de obtener más información sobre el paciente y ser más eficientes al obtener resultados. La clasificación automática de estas regiones sería de gran ayuda para los oftalmólogos en el diagnóstico y seguimiento del tratamiento.
Para ello se usará técnicas basadas en Deep Learning y se usará el entorno Google Colab con Python. Los datos correspondientes a las imágenes se obtendrán de un dataset extraído de la página Mendeley Data, que contiene imágenes clasificadas en 4 tipos: choroid neovascularization (CNV) , diabetic macular edema (DME), Drusen y Normal.
Con los resultados obtenidos del modelo, se realizará una matriz de confusión y se evaluará el modelo con distintas métricas como Accuracy, Precission, Recall o el F1 Score.
Además, se obtendrán unas conclusiones sobre el trabajo realizado y se expondrán posibles líneas futuras en el ámbito de la oftalmología y tomando como base este TFG.
Optical Coherence Tomography (OCT) is a non-invasive medical imaging technique that uses optical devices to obtain high-resolution images of internal structures in biological tissues, such as the eye. It is commonly used in ophthalmology to diagnose and monitor eye diseases.
The main objective of this work will be to develop a model to automatically and accurately classify OCT images to obtain more information about the patient and increase efficiency in obtaining results. The automatic classification of these regions would be of great help to ophthalmologists in diagnosis and treatment monitoring.
The model will be created using Deep Learning techniques within the Google Colab environment using Python. The dataset, sourced from Mendeley Data, includes images categorized into four types: choroid neovascularization (CNV), diabetic macular edema (DME), Drusen, and Normal.
The model's performance will be assessed through a confusion matrix and evaluated using metrics such as Accuracy, Precision, Recall, and F1 Score. The project will conclude with a discussion of the findings and propose potential future directions in ophthalmology based on the outcomes of this study.
