Convolutional Neural Networks (CNNs) are frequently used to tackle image classification and segmentation problems due to its recently proven successful results. In particular, in medical domain, it is more and more common to see automated techniques to help doctors in their diagnosis. In this work, we study the retinal lesions segmentation problem using CNNs on the Indian Diabetic Retinopathy Image Dataset (IDRiD). Additionally, the idea of adversarial training used by Generative Adversarial Networks (GANs) will be also added to the previous CNN to improve its results, making segmentation maps more accurate and realistic. A comparison between these two architectures will be made. One of the main challenges we will be facing is the high-imbalance between lesions and healthy parts of the retina and the fact that some lesion classes are very scattered in small fractions. Thus, different loss functions, optimizers and training schemes will be studied and evaluated to see which one best addresses our problem.

Las Redes Neuronales Convolucionales (CNNs) son muy usadas usan para abordar problemas de clasificación y segmentación de imágenes, debido al éxito de los resultados obtenidos en numerosos casos. En el ámbito de la medicina, es cada vez más común ver el uso de técnicas automáticas para ayudar a los médicos en sus diagnósticos. En este trabajo, se estudia un problema de segmentación de lesiones en la retina del ojo usando CNNs sobre la base de datos Indian Diabetic Retinopathy Image Dataset (IDRiD). Además, a esta CNN se le añadirá la idea de entrenamiento adversario usada en las Redes Generativas Antagónicas (GANs) para intentar mejorar sus resultados, generando unos mapas de segmentación más precisos y realistas. También se hará una comparación entre las dos arquitecturas. Uno de los principales retos que tendremos que afrontar será la alta desproporción entre las lesiones y las zonas sanas de la retina, así como que algunas lesiones estén muy dispersas y en porciones muy pequeñas. Consecuentemente, diferentes funciones de coste, optimizadores y esquemas de entrenamiento se estudiarán y evaluarán para ver cuál de ellos se adapta mejor a nuestro problema.

Les Xarxes Neuronals Convolucionals (CNNs) són molt utilitzades per abordar problemes de classificació i segmentació d'imatges, gràcies a l'èxit dels resultats obtinguts. En el cas de l'àmbit de la medicina, és cada vegada més comú veure l'ús de tècniques automatitzades per tal d'ajudar als metges en els seus diagnòstics. En aquest treball, s'estudia un problema de segmentació de lesions a la retina de l'ull utilitzant CNNs sobre la base de dades Indian Diabetic Retinopathy Image Dataset (IDRiD). A més a més, la idea d'entrenament adversari utilitzada en de les Xarxes Generatives Antagòniques (GANs) s'afegirà a l'anterior CNN per intentar millorar els seus resultats, generant uns mapes de segmentació més acurats i realistes. També es farà una comparació entre les dues arquitectures. Un dels principals reptes al que ens enfrontarem serà l'alta desproporció entre les lesions i les parts sanes de la retina, així com que algunes lesions es troben molt disperses i en porcions molt petites. Conseqüentment, s'estudiaran i s'avaluaran diferents funcions de cost, optimitzadors i esquemes d'entrenament per veure quin d'ells aborda millor el nostre problema.