DETECTION OF OCULAR CATARACTS WITH CONVOLUTIONAL NEURAL NETWORKS

Detection of ocular cataracts with convolutional neural networks

Detección de la catarata ocular con redes neuronales convolucionales
Andrés Felipe Parra, Diego Alejandro Perdomo, Ferley Medina
Received: July _th 2019

Accepted: July_th 2019

ABSTRACT
Nowadays, ophthalmological organizations detect cataracts with traditional methods. As are the complete ophthalmological check-
up, and the ocular echography. However, people do not undergo these surgeries, because of high costs. Another big reason is that
affected individuals do not perform these processes in time. Therefore, when they perform these eye exams, the disease is already
advanced and their only alternative is surgery.

The objective of the study is to automate the process of detecting ocular cataracts. In order that many more people have access to
this examination at a low cost and in a simple way. It is solved through a series of deep learning algorithms for the automation of
ocular cataract detection. The process is divided into: first, data augmentation: this is done because of the scarcity of data. This
allows me to significantly increase the diversity of available data. Then the fundamental factor is the processing of images using
convolutional neural networks. Thanks to that you are very effective in analyzing images, because they are able to detect
characteristics - patterns. It should be noted that convolutional neural networks are very effective in the classification process, with
adjusted parameters.

The results of the project "Location and diagnostic framework for pediatric cataracts based on slit lamp images using deep features
of a convolutional neural network" by Xiyang Liu , Jiewei Jiang , Kai Zhang, Erping Long, Jiangtao Cui, Mingmin Zhu, Yingying An, Jia
Zhang, Zhenzhen Liu, Zhuoling Lin, Xiaoyan Li, Jingjing Chen, Qianzhong Cao, Jing Li, Xiaohang Wu, Dongni Wang, Haotian Lin, threw
a classification of (97.07%, 97.28%, y 96.83%)

The experimental results show that our proposed method offers an accuracy of 85%. In conclusion, the classifier proves to be very
effective. Another point to address is that this type of computer diagnosis reduces erroneous tests, high costs, and gives greater
accessibility to the public.

Keywords: ocular cataracts, deep learning, data augmentation, processing of images, convolutional neural networks, automate

RESUMEN
Actualmente las organizaciones oftalmológicas detectan las cataratas con métodos tradicionales. Como lo son el chequeo
oftalmológico completo, y la ecografía ocular. Sin embargo, las personas no se someten a estos procesos quirúrgicos, por altos
costos. Otra gran razón es que los individuos afectados, no realizan estos procesos a tiempo. Por consiguiente, cuando efectúan
estos exámenes oculares ya la enfermedad está avanzada y su única alternativa es la cirugía.

El objetivo del estudio es automatizar el proceso de detección de las cataratas oculares. Con el fin de que muchas más personas
tengan acceso a este examen a un bajo costo y de manera sencilla. Se resuelve mediante una serie de algoritmos de aprendizaje
profundo, para la automatización de la detección de las cataratas oculares. El proceso se divide en: primero, aumento de datos: se
realiza por la escasez de datos. Este me permite aumentar de manera significativa la diversidad de datos disponibles. Luego el factor
fundamental que es el procesamiento de las imágenes mediante redes neuronales convolucionales. Gracias a que estás son muy
efectivas en el análisis de imágenes, debido a que son capaces de detectar características - patrones. Cabe destacar que las redes
neuronales convolucionales son muy efectivas en el proceso de clasificación, con parámetros ajustados

Los resultados del proyecto de " Marco de localización y diagnóstico para cataratas pediátricas basado en imágenes de lámpara de
hendidura usando características profundas de una red neural convolucional " por Xiyang Liu , Jiewei Jiang , Kai Zhang, Erping Long,
Jiangtao Cui, Mingmin Zhu, Yingying An, Jia Zhang, Zhenzhen Liu, Zhuoling Lin, Xiaoyan Li, Jingjing Chen, Qianzhong Cao, Jing Li,
Xiaohang Wu, Dongni Wang, Haotian Lin, arrojaron una classification de (97.07%, 97.28%, y 96.83%)

Los resultados experimentales demuestran que nuestro método propuesto ofrece una precisión 85%. Concluyendo, el clasificador
demuestra ser muy eficaz. Otro punto por abordar es que este tipo de diagnósticos por computadora, reducen pruebas erróneas,
altos costos, y dan mayor accesibilidad al público

Palabras claves: cataratas oculares, aprendizaje profundo, aumento de datos, procesamiento de imágenes, redes neuronales
convolucionales, automatizado
DETECTION OF OCULAR CATARACTS WITH CONVOLUTIONAL NEURAL NETWORKS
__________________________________________________________________________________________________________________
1. Tnlgo Desarrollo de Software, Universidad Surcolombiana, Neiva – Huila, u20182171975@usco.edu.co
2. Tnlgo Desarrollo de Software, Universidad Surcolombiana, Neiva – Huila, u20182171975@usco.edu.co
INTRODUCCIÓN
Las cataratas son manchas o zonas nubladas en la lente
interior del ojo. Se pueden formar en un ojo o en los
dos. A menudo, un ojo puede estar más perjudicado que
el otro.
Según la organización mundial de la salud la cataratas
esta entre las principales causas de la visión deficiente
en el mundo en conjunto con la glaucoma, opacidad de
la córnea, errores de refracción, tracoma, entre otras
(“Evolución de las cataratas: tipos, diagnóstico y
tratamiento - Meditip,” n.d.).
Normalmente, la lente es transparente. Deja atravesar la
luz hasta el fondo del ojo, permitiendo la visión nítida
de imágenes. Si algunas partes de la lente están
nubladas (opacas), la luz no puede atravesar las
manchas nubladas.
Figura 1.
(“¿Qué son las cataratas y por qué se originan? - Hospital Intermutual
de Levante. (n.d.). Retrieved July 22, 2019”)
Con el paso del tiempo, estas manchas normalmente se
agrandan y se forman otras. A medida que pasa menos
luz a través de la lente, la visión se vuelve borrosa o
nublada. Cuanto más se nubla la lente, más perjudica a
la vista. Normalmente esta enfermedad se empieza a
desarrollar y se empieza a notar algo de opacidad del
cristalino a los 50 años de edad, suele ser bilateral y por
lo general es peor en uno de los ojos (Marcello Furtado
Van Lansingh Fernando Yaacov Peña Mariano Yee
Melgar Fernando Barría, n.d.).
La detección de enfermedades crónicas en el cuerpo
humano se ha convertido en un camino largo y
complejo, para las personas que la sufren los cuales se
someten a costosos procesos quirúrgicos que muchas
personas de bajos recursos desisten en intentar en llevar
a cabo dichos procesos y solo esperan el día que la
enfermedad deje consecuencias. Unidad de
Investigación Científica (2014). Catarata, una causa
prevenible de ceguera, y las líneas prioritarias de
investigación en oftalmología en Honduras. Recuperado
de (Rojas, Barahona, Alvarado, & Alger, 2014) donde
se menciona que “la catarata, opacificación total o
parcial del cristalino, es la principal causa de ceguera y
deficiencia visual grave siendo una causa tratable”. El
diagnóstico se realiza por observación directa de la
opacidad, en una clínica oftalmológica o en el hogar
con una linterna de mano.
TIPOS DE CATARATA
Puede presentarse en el cristalino tres tipos de catarata
según la ubicación donde aparece, inicialmente tenemos
la catarata nuclear la cual aparece en el núcleo del
cristalino y es el tipo de catarata más frecuente y se
asocia normalmente al envejecimiento y puede producir
un fenómeno llamado segunda visión. Posteriormente
tenemos la catarata subcapsular cuyo tipo de catarata
afecta en la parte posterior del cristalino, es la catarata
más común en diabéticos o en personas que utilizan
cortico esteroides o trauma ocular. Finalmente tenemos
la catarata cortical, esta afecta los bordes del cristalino,
está relacionada con la edad avanzada tal como la
catarata nuclear como también a la exposición al sol y a
la diabetes.
Figura 2.
(“Evolución de las cataratas: tipos, diagnóstico y tratamiento -
Meditip,” n.d.)
Según la causa por la cual aparece, tenemos la catarata
senil cuyo tipo de catarata son las más frecuentes y
están vinculadas por la edad.
Las cataratas metabólicas son aquellas que aparecen
asociadas a enfermedades metabólicas, la más frecuente
de las cuales es la Diabetes Mellitus. Adicionalmente
tenemos la catarata congénita, es aquella que están
presentes al nacer o que se desarrollan durante los
primeros meses de vida. Su aparición puede asociarse
con condiciones genéticos o bien con alguna
enfermedad sufrida por la madre durante el embarazo,
DETECTION OF OCULAR CATARACTS WITH CONVOLUTIONAL NEURAL NETWORKS

como rubeola o la toxoplasmosis. Por otra parte,
tenemos la catarata que se producen tras un
traumatismo ocular y es llamada catarata traumática.
Finalmente, la catarata toxica se asocia al uso crónico o
al abuso de algunos fármacos o tóxicos, siendo los
corticoides el elemento casual más frecuente.
Pero nos podemos hacer una pregunta ¿existe otros
tipos de cataratas a parte de las ya mencionadas? Y la
respuesta es que si, aunque la mayoría de las cataratas
están relacionadas con el envejecimiento. Estos tipos de
catarata son:
La catarata secundaria se puede formar después de una
cirugía para otros problemas de los ojos, tal como el
glaucoma. Las cataratas también se pueden desarrollar
en personas que tienen otros problemas de salud, como
la diabetes. A veces las cataratas están relacionadas al
uso de esteroides y la catarata por radiación que como
su nombre lo indica se puede desarrollar después de
estar expuesto a ciertos tipos de radiación.
PROBLEMÁTICA
Para empezar uno de los problemas que tienen las
personas de Colombia para realizar los exámenes
correspondientes acerca de las cataratas oculares, es
que muchas veces no tienen los recursos necesarios
para efectuar este diagnóstico. Igualmente, otros
individuos no lo hacen, porque es un proceso que toma
tiempo. Habitualmente para ejecutar una prueba para
la detección de esta enfermedad ocular, en primer
lugar, tienes que pedir cita. Muchas veces el proceso
citación puede tardar un poco, motivo por el cual, las
personas desisten de realizarlo. En segundo lugar, el
proceso del examen y la entrega de los resultados,
generalmente tienen otro gran lapso para su
otorgarlos. Sin embargo, a pesar de estas pequeñas
circunstancias que son menores, una de las principales
es que las poblaciones afectadas no conocen cuando
deberían hacer el chequeo por parte de un
oftalmólogo. Esto se debe porque no hay campañas
para concientizar e informar a las personas de este tipo
de enfermedades, para así mismo poder controlarlas a
tiempo.
entrada, es decir, una imagen que ingresa el usuario.
La cual es objeto de comparación con el gran la
diversidad de datos, aglomerada en el software.
METODOLOGÍA
Tratamiento de las imágenes
El procesamiento de imágenes, “tiene como objetivo
mejorar el aspecto de las imágenes y hacer más
evidentes en ellas ciertos detalles que se desean hacer
notar.” VI. PROCESAMIENTO DE IMÁGENES.
(n.d.). En este punto nuestro recurso principal son los
datos, es decir, las imágenes. Por lo tanto, debemos
asegurarnos, de tener un conjunto de datos formidable,
limpio y coherente.
Aumento de datos
Por la escasa diversidad de datos, se usa data
augmentation que, como lo indica su nombre nos
permite aumentar nuestra variedad de datos. El aumento
de datos es una forma de crear nuevos "datos" con
diferentes orientaciones. Los beneficios de estos son
dos: la primera es la capacidad de generar "más datos" a
partir de datos limitados y, en segundo lugar, evita el
ajuste excesivo. Data Augmentation Experimentation
- Towards Data Science. (n.d.).
En nuestro proyecto usamos dos técnicas las cuales
son:
Dar la vuelta y rotación
Flip – Dar la vuelta: Puedes voltear las imágenes
horizontal y verticalmente. Algunos marcos no
proporcionan una función para voltear verticalmente.
Pero, un giro vertical es equivalente a rotar una imagen
180 grados y luego realizar un giro horizontal.

PROPUESTA

Con la ayuda de la visión artificial, que es “una

disciplina científica que incluye métodos para adquirir,
procesar y analizar imágenes del mundo real con el fin
de producir información que pueda ser tratada por una
máquina.” CONTAVAL. (n.d.). Retrieved July 22, 2019.
Se planteó un software que a través de grandes
conjuntos de datos o es otras palabras datasets,
predice si el ojo de un individuo posee catarata ocular
o no. Sin embargo, esto va en conjunto con una
DETECTION OF OCULAR CATARACTS WITH CONVOLUTIONAL NEURAL NETWORKS
Figura 3.
Fuente: Propia
En la figura 3 observamos lo que sucede al realizar la
técnica de dar la vuelta o “flip”, en este caso hacia la
derecha, con 15 grados. La imagen original cambia su
h=¿?
θ=15°
h=Senθ∗Hipotenusa
h
Senθ=
hipotenusa
h Se obtuvieron, aproximadamente 2000 imágenes,
Sen(15 °)=
hipotenusa
Así hallaríamos la incógnita “h” y podríamos dar la
vuelta a las imágenes
Rotation - Rotación: Una cosa clave para tener en
cuenta sobre esta operación es que las dimensiones de
la imagen pueden no conservarse después de la
rotación. Si su imagen es un cuadrado, girarlo en
ángulo recto conservará el tamaño de la imagen. Si es
un rectángulo, girarlo 180 grados mantendría el
tamaño. La rotación de la imagen en ángulos más finos
también cambiará el tamaño final de la imagen.
rotación, pasando de estar de 0° a 15°.
Matemáticamente deducimos o relacionamos con una
nueva distancia que se origina, y para hallar una nueva
distancia que no conocemos, nos apoyamos gracias a
las identidades trigonométricas. Como lo son seno θ ,
cosenoθ , tangente θ .
Matemáticamente expresamos:
Figura 4
Fuente: Propia
Matemáticamente rotar, dar vuelta tiene relación
debido a que desplazan la imagen con el mismo
objetivo. Generar más información
Dataset;
El conjunto de datos es el recurso más importante de
un proyecto puesto que este es la base, y el soporte
fundamental del trabajo.
como principal fuente internet, de algunos sitios como
kaggle, y en las imágenes de Google.
El conjunto de datos para entrenar a la red neuronal
estará divido en dos carpetas, en la primera carpeta
encontraremos las imágenes de ojos sin cataratas y en
la segunda carpeta encontraremos, imágenes de ojos
con cataratas, debido a la insuficiencia de datos para
clasificarlos por tipos. Nos limitamos a decir si posee o
no la enfermedad ocular.
Limpieza de la imagen
En algunas ocasiones el tratamiento de las imágenes es
complicado debido a las diferentes distorsiones y
variables que podemos encontrar en los datos. Si
jugamos con los datos, junto con estas variables,
DETECTION OF OCULAR CATARACTS WITH CONVOLUTIONAL NEURAL NETWORKS

nuestros resultados podrían variar y confundir a la red

neuronal. Lo que conllevaría a que prediga mal

Por eso, es muy importante realizar el proceso de

limpieza en las fotos, para reducir el ruido en la
imagen, es decir, los factores que no necesitamos que
evalué nuestro algoritmo.

Figura 7, imagen a escala de grises como una matriz

Fuente: Propia

Figura 5:

Ojo con catarata ocular

Fuente: Propia
Figura 8
Como podemos apreciar en la imagen, el ruido de esta
imagen puede lograr confundir a la red neuronal y Luego aplicaremos un filtro a la imagen como una
hacer que ese destello de luz, provocado por el flash, o máscara de convolución, que aplicada destacan los
una iluminación externa, y que finalmente altere los pixeles candidatos e inhiben el resto. El filtro gaussiano
resultados. simula una distribución gaussiana bivariante donde el
resultado será un conjunto de valores entre 0 y 1. Para
Cada una de las imágenes de ojos con y sin cataratas se transformar la matriz en una matriz de números enteros
presentarán como una matriz H la cual se divide toda la matriz por el menor de los valores
obtenidos.
H=M ∈ R m× n.
Antes de realizar cualquier proceso, de filtración
debemos transferir la imagen original a una escala de
grises. Cuando se convierte una imagen con los tres
canales originales (R, G, B) se elimina la información
de matiz y saturación mientras conserva la luminancia.
Para trabajar los filtros de supresión de ruidos

Figura 9, imagen con filtro gaussiano

Fuente: Propia

Matemáticamente el filtro gaussiano, se representa de

la siguiente manera:
2 2
−i + j

h ( i , j )=e 2 ×s
2
(1)
Figura 6, imagen original g(i , j )
H ( i, j )= (2)
Fuente: Propia mini , j (h (i, j ))
Figure 6, representación de la matriz de una imagen 1 filtros de pase alto: Su objetivo es resaltar las zonas
de mayor variabilidad eliminando lo que sería la
Debido que debemos pasar a escala de grises, lo que
componente media, precisamente la que detectan los
haremos es igual cada uno de los canales: R, G, B a 1
filtros de paso bajo. Por otra parte, la respuesta de
cada pixel está contaminada por la de los pixeles
DETECTION OF OCULAR CATARACTS WITH CONVOLUTIONAL NEURAL NETWORKS
vecinos ya que, considerando la superficie terrestre
como lambertiana, la radiación reflejada por un pixel
se reparte hacia los pixeles vecinos. Los filtros de paso
alto consiguen también eliminar en parte esta
contaminación. Técnicas de filtrado. (n.d.).
2 Filtros direccionales: Se utilizan para detectar
estructuras que siguen una determinada dirección en
el espacio resaltando el contraste entre los píxeles
situados a ambos lados de la estructura. Técnicas de
filtrado. (n.d.).
Entrenamiento de los datos
Para el entrenamiento de los datos, entramos en el
concepto de las redes neuronales convolucionales, es
un tipo de red neuronal artificial donde las neuronas
corresponden a campos receptivos de una manera muy
similar a las neuronas en la corteza visual primaria (V1)
de un cerebro biológico. Sin embargo, son similares a
las redes neuronales multicanal, su principal ventaja es
que cada parte de la red se le entrena para realizar una
tarea, esto reduce significativamente el número de
capas ocultas, por lo que el entrenamiento es más
rápido.
Las redes neuronales convolucionales son muy
potentes para todo lo que tiene que ver con el análisis
de imágenes, debido a que son capaces de detectar
características simples como por ejemplo detención de
bordes, líneas, etc. y componer en características más
complejas hasta detectar lo que se busca. Red
Neuronal Convolucional CNN - Diego Calvo. (n.d.).
Estructura de la red neuronal convolucional
Las redes neuronales convolucionales están
constituidas por 3 diferentes tipos de capas:
1. Una capa convolucional, que es la que le da
el nombre a la red neuronal
2. Una capa de reducción o en otros términos
de pooling, la cual va a reducir la cantidad de
parámetros y quedarse con las características
más comúnes.
3. Una capa clasificadora conectada, la cual nos
va a dar el resultado final de la red
Figura 10, Introduction to Deep Learning: What Are
Convolutional Neural Networks? Video - MATLAB.
(n.d.).
La capa de convolución:
La capa de convolución es el bloque de construcción
central de la CNN. Lleva la porción principal de la carga
computacional de la red.
Esta capa realiza un producto de puntos entre dos
matrices, donde una matriz es el conjunto de
parámetros que se pueden aprender, también
conocido como núcleo, y la otra matriz es la parte
restringida del campo receptivo. El núcleo es
espacialmente más pequeño que una imagen, pero es
más profundo. Esto significa que, si la imagen está
compuesta por tres canales (RGB), la altura y el ancho
del núcleo serán espacialmente pequeños, pero la
profundidad se extenderá hasta los tres canales.
Matemáticamente
En su forma más general, una convolución es una
operación aplicada a dos funciones con números reales
como argumentos. Se define la operación de
convolución mediante la siguiente expresión
matemática:
s ( t ) =∫ x ( a ) w (t−a ) da
Comúnmente la operación de convolución se simboliza
con un asterisco:
s ( t ) =( x∗w )( t )
El primer término la “x”, se denomina frecuentemente
entrada, mientras que el segundo “w”, se llama kernel.
A la salida o resultado de la operación o convolución se
suele llamar feature map
La capa de reducción – o pooling:
La capa de reducción o pooling se coloca generalmente
después de la capa convolucional. Su utilidad principal
radica en la reducción de las dimensiones espaciales
(ancho x alto) del volumen de entrada para la siguiente
capa convolucional. No afecta a la dimensión de
profundidad del volumen. La operación realizada por
esta capa también se llama reducción de muestreo, ya
que la reducción de tamaño conduce también a la
pérdida de información.
La operación que se suele utilizar en esta capa es max-
pooling, que divide a la imagen de entrada en un
conjunto de rectángulos y, respecto de cada subregión,
se va quedando con el máximo valor.
DETECTION OF OCULAR CATARACTS WITH CONVOLUTIONAL NEURAL NETWORKS
Figura 11, Redes neuronales convolucionales con
TensorFlow. (n.d.).
La capa clasificadora:
Al final de las capas convolucional y de pooling, las
redes utilizan generalmente capas completamente
conectados en la que cada pixel se considera como una
neurona separada al igual que en una red neuronal
regular. Esta última capa clasificadora tendrá tantas
neuronas como el número de clases que se debe
predecir.
Figura 12, representación de la capa de salida
Arquitectura de la red neuronal convolucional:
ResNet: Los desarrolladores de ResNet, propusieron un
remedio: en lugar de tratar de aprender a partir de
mapeos subyacentes de x y H (x), es posible aprender
la diferencia entre los dos, que es el “residuo” y,
posteriormente, ajustar el último a la entrada.
Supongamos que el residuo es F (x) = H (x) -x. Ahora
nuestra red intenta aprender de F (x) + x.
Esto dio origen a los famosos bloques de ResNet (red
residual):
Figura 13, arquitectura resnet
Cada “bloque” ResNet consta de una serie de capas y
un mapeo de identidad que agrega una entrada de
bloque a la salida. Esta operación de “adición” se
realiza elemento por elemento. Y si la entrada y la
salida son de diferentes tamaños, se pueden utilizar
técnicas de relleno cero o de proyección (a través de
convoluciones de 1×1) para crear las dimensiones
correspondientes.
Funciones de activación:
La función de activación se encarga de devolver una
salida a partir de un valor de entrada, normalmente el
conjunto de valores de salida en un rango determinado
como (0,1) o (-1,1).
Se buscan funciones que las derivadas sean simples,
para minimizar con ello el coste computacional.
Tipos:
Sigmoid – Sigmoide
La función sigmoide transforma los valores
introducidos a una escala (0,1), donde los valores altos
tienen de manera asintótica a 1 y los valores muy bajos
tienden de manera asintótica a 0.
1
f (x)=
1−e−x
ReLU – Rectified Lineal Unit
La función ReLU transforma los valores introducidos
anulando los valores negativos y dejando los positivos
tal y como entran.
f ( x )=max ( 0 , x )= 0 for x <0
{
x for x ≥ 0
Softmax – Rectified Lineal Unit
La función Softmax transforma las salidas a una
representación en forma de probabilidades, de tal
manera que el sumatorio de todas las probabilidades
de las salidas de 1.
ez j
f (z) j= k
∑ ez k
k=1
DETECTION OF OCULAR CATARACTS WITH CONVOLUTIONAL NEURAL NETWORKS

Está es la composición de la red neuronal

convolucional trabajada en el proyecto de detección de
las cataratas oculares

Implementación:

Modelo Matemático:

Red Neuronal Convolucional

G [ m, n ] =( f∗h ) [ m , n ] =∑ ∑ h [ i , j ] f [ m−i , n− j ] Figura 15, Convolución

i j
Donde la entrada de la imagen esta denotada por f y
nuestro kernel por h. Los índices de la filas y columnas
de la matriz son marcadas con m y n respectivamente
Capa de reducción
La capa de agrupación (o a veces llamada submuestreo)
hace que la CNN sea un poco invariante en términos de
salida de convolución. Hay dos mecanismos de
agrupación diferentes utilizados en la práctica
(agrupación máxima y agrupación promedio). Nos
referiremos a la agrupación máxima como agrupación,
ya que la agrupación máxima se usa ampliamente en
comparación con la agrupación promedio. Más
precisamente, la operación de agrupación, en una
posición dada, genera el valor máximo de la entrada,
que cae dentro del núcleo.

Figure 14 CNN
Fuente: Propia
Capa de convolución
La operación de convolución genera un valor alto para
una posición dada si la característica de convolución
está presente en esa ubicación; de lo contrario, genera
un valor bajo. Más concretamente, en una posición dada
del núcleo de convolución, tomamos la multiplicación
por elementos de cada valor de celda del núcleo y el
valor de píxel de la imagen correspondiente que se
superpone a la celda del núcleo, y luego tomamos la
suma de eso.
m m
H i , j=∑ ∑ wk , l X i +k −1, j+l−1
k=1 l=1
H j ,k =max ⁡{x i+ k−1 , j+l−1 ∀ 1≤ k ≤ m y 1≤ 1 m}
Pooling max = max
m ancho y alto del núcleo
h salida de la convolución
x entrada
w núcleo de convolución
Arquitectura RESNET
Los desarrolladores de ResNet, propusieron un
remedio: en lugar de tratar de aprender a partir de
mapeos subyacentes de x y H (x), es posible aprender la
diferencia entre los dos, que es el “residuo” y,
posteriormente, ajustar el último a la entrada.

Donde: Supongamos que el residuo es F (x) = H (x) -x. Ahora

nuestra red intenta aprender de F (x) + x.
m ancho y alto del núcleo
Funciones de activación
h salida de la convolución
Sigmoide
x entrada
1
f (x)=
w núcleo de convolución 1−e−x
RELU
DETECTION OF OCULAR CATARACTS WITH CONVOLUTIONAL NEURAL NETWORKS

f ( x )=max ( 0 , x )= 0 for x <0

realizó varios entrenamientos para corrección de
{
x for x ≥ 0 errores.

Conocimientos: Las redes neuronales artificiales son

Softmax
capaces de crear patrones, reconocer información o
resolver enigmas complejos, pudiendo ser de gran
ez j

f (z) j= k
utilidad para sectores como la salud.

∑ ez k
Es importante el estudio de estos grandes temas para
k=1 resolver grandes problemas que tenemos en la
actualidad, logrando automatizar muchos servicios, y
generar más alcance en los proyectos.
Dataset
Conclusiones: Con la ayuda de técnicas de
procesamiento de imágenes, visión artificial, el proceso
de diagnóstico de enfermedad ocular es mucho más
simple y efectivo

Futuro: Realizaremos las correcciones debidas al

proyecto con el fin de sacar el software 99% funcional,
Resultados
añadiendo otros factores que nos hacen falta, como
más datos, más conocimiento en el área de aprendiza
profundo y mayor práctica.

Referencias:

[1] Evolución de las cataratas: tipos, diagnóstico y

tratamiento - Meditip. (n.d.). Available:
https://www.meditip.lat/salud-de-la-a-
z/oftalmologia/cataratas/

[2] Marcello Furtado Van Lansingh Fernando Yaacov

Peña Mariano Yee Melgar Fernando Barría, J. C. (n.d.).
Guía práctica de Catarata Senil para Latinoamérica.
Available: http://vistalatinnetwork.com/wp-
content/uploads/2017/08/Guia_practica_catarata_seni
l_2012.pdf

[3] Rojas, N. H., Barahona, M., Alvarado, D., & Alger, J.

(2014). REVISIóN BIBLIOGRÁFICA CATARATA, UNA
CAUSA PREVENIBLE DE CEGUERA, y LAS LÍNEAS
PRIORITARIAS DE INVESTIGACIÓN EN OFTALMOLOGÍA
EN HONDURAS. In REV MED HONDUR (Vol. 82).
Available https://scholar.google.es/

[4] Tipos de cataratas - Clínica Barraquer. (n.d.).

Figura 16. Predicción
Fuente: Propia
Los resultados de validación mostraron un 85% de
precisión, aunque todavía falta por corregir la red
neuronal convolucional. Debido a la ausencia de datos.
Se entrenó la red neuronal con 10 épocas, y se usaron
funciones de activación como RELU, sigmoide. Tardó
aproximadamente 65 minutos en entrenarse. Se
Available: https://www.barraquer.com/noticias/tipos-
de-cataratas/
[5] Ponce-Rivera, E., Villalobos-Castaldi, F., Miroslaba,
D.-R., Camero-Berrones, P. Y., & Gabriela, R. (2017).
Procesamiento y análisis de imágenes digitales de
fondo de ojo para facilitar el tele-diagnóstico oportuno.
In Artículo Revista de Cómputo Aplicado Septiembre
(Vol. 1). Available: www.ecorfan.org/spain
[6] Liu, X., Jiang, J., Zhang, K., Long, E., Cui, J., Zhu, M.,
… Lin, H. (2017). Localization and diagnosis framework
for pediatric cataracts based on slit-lamp images using
DETECTION OF OCULAR CATARACTS WITH CONVOLUTIONAL NEURAL NETWORKS

deep features of a convolutional neural network. PloS

One, 12(3), e0168606. Available:
https://doi.org/10.1371/journal.pone.0168606

[7] Función de activación en redes neuronales. (2018).

Diego Calvo. Available:
http://www.diegocalvo.es/funcion-de-activacion-
redes-neuronales/

[8] Localization and diagnosis framework for pediatric

cataracts base don slit-lamp images using deep
features of a convolutional neural network. (2017).
Available: https://journals.plos.org/plosone/article?
id=10.1371/journal.pone.0168606

[9] Automatic diagnosis of imbalanced ophthalmic

images using a cost-sensitive deep convolutional neural
network. (2017). Available: https://biomedical-
engineering-
online.biomedcentral.com/articles/10.1186/s12938-
017-0420-1

[10] Red Neuronal Convolucional (2017), Diego Calvo.

Available: http://www.diegocalvo.es/red-neuronal-
convolucional/

[11] ¿Cómo funcionan las Convolutional Neural

Networks? Visión por computador. (2018). Available:
https://www.aprendemachinelearning.com/como-
funcionan-las-convolutional-neural-networks-vision-
por-ordenador/

[12] Redes Residuales. (2015) Available:

https://en.wikipedia.org/wiki/Residual_neural_networ
k

[13] West, S. K., Rosenthal, F., Newland, H. S., & Taylor,

H. R. (1988). Use of photographic techniques to grade
nuclear cataracts. Investigative Ophthalmology &
Visual Science, 29(1), 73–77. Available:
http://www.ncbi.nlm.nih.gov/pubmed/3335435