La úlcera corneal es una de las enfermedades oculares más devastadoras que causan daño permanente. Existen técnicas suaves limitadas disponibles para detectar esta enfermedad. En los últimos años, las redes neuronales profundas (DNN) han resuelto significativamente numerosos problemas de clasificación. Sin embargo, se necesitan muchas muestras para obtener un rendimiento de clasificación razonable utilizando una DNN con una gran cantidad de capas y pesos. Dado que recopilar un conjunto de datos con un gran número de muestras suele ser un proceso difícil y que consume mucho tiempo, redes neuronales pre-entrenadas a gran escala, como AlexNet, ResNet y DenseNet, pueden adaptarse para clasificar un conjunto de datos con un número pequeño de muestras, a través de la utilidad de técnicas de transferencia de aprendizaje. Aunque dichas DNN pre-entrenadas producen resultados exitosos en algunos casos, su rendimiento de clasificación puede ser bajo debido a muchos parámetros, pesos y la aparición de características redundantes que se repiten en muchas capas en algunos casos. La técnica propuesta elimina estas características innecesarias seleccionando sistemáticamente imágenes en las capas utilizando un algoritmo genético (GA). El método propuesto ha sido probado en ResNet en un conjunto de datos a pequeña escala que clasifica úlceras corneales. Según los resultados, el método propuesto aumentó significativamente el rendimiento de clasificación en comparación con los enfoques clásicos.