Desarrollo de Preclasificador de Imágenes Térmicas para Pie Diabético
Resumen
La diabetes mellitus tipo II es una enfermedad crónica con base genética, pero factores como la dieta poco saludable, la inactividad física y la obesidad también influyen. Entre las complicaciones de esta, se destaca el pie diabético debido a la neuropatía causada por la hiperglucemia, esto puede llevar a úlceras y lesiones difíciles de tratar, hasta incluso requerir cirugía, el diagnóstico actual implica pruebas costosas y tiempo de espera para resultados. Este proyecto busca desarrollar un preclasificador de imágenes térmicas en MATLAB® mediante deep learning para distinguir entre pies sanos y diabéticos, además, se recopilan datos clínicos del paciente a través de una interfaz en APP DESIGNER® y se almacenan en una base de datos, estos datos se utilizan para categorizar a los pacientes como: sin riesgo, propensos o con síntomas de pie diabético, proporcionando recomendaciones de cuidado según la categorización. Este enfoque tiene como objetivo facilitar la detección temprana y eficaz del pie diabético, reduciendo el tiempo de diagnóstico y el riesgo de complicaciones graves para los pacientes.
Descargas
Citas
Bradley, D., G. Roth (2007), "Adapting Thresholding Using the Integral Image," Journal of Graphics Tools. Vol. 12, No. 2, 2007, pp.13–21. Recuperado 20 de octubre de 2023, de https://ieeexplore.ieee.org/document/4310076
Cohen, J. (1960). A coefficient of agreement for nominal scales. Educational and Psychological Measurement, 20(1), 37-46. https://doi.org/10.1177/001316446002000104
Congalton, R. G., & Green, K. (2008). Assessing the accuracy of remotely sensed data. CRC Press eBooks. https://doi.org/10.1201/9781420055139
Diabetes - NIDDK. (s. f.). National Institute of Diabetes and Digestive and Kidney Diseases. Recuperado el 15 de Octubre, 2023 de https://www.niddk.nih.gov/health-information/diabetes
ElSayed, N. A., Aleppo, G., Aroda, V. R., Bannuru, R. R., Brown, F. C., Bruemmer, D., Collins, B., Hilliard, M. E., Isaacs, D., Johnson, E. L., Kahan, S., Khunti, K., León, J., Lyons, S. K., Perry, M. L., Prahalad, P., Pratley, R. E., Seley, J. J., Stanton, R. C., & Gabbay, R. A. (2022). 2. Classification and diagnosis of diabetes: Standards of Care in Diabetes—2023. Diabetes Care, 46(Supplement_1), S19-S40. Recuperado el 13 de Octubre, 2023 de
https://doi.org/10.2337/dc23-s002
International Diabetes Federation. (2023, 3 octubre). What is diabetes | International Federation of Diabetes. Recuperado el 17 de Octubre, 2023 de
https://www.idf.org/aboutdiabetes/what-is-diabetes.html
Kingma, D. P., & Ba, J. (2014). Adam: A method for stochastic optimization. arXiv preprint arXiv:1412.6980. Recuperado 25 de octubre de 2023, de https://arxiv.org/abs/1412.6980
Madrigal, I (2019). Estudio observacional de la aplicabilidad de la termografía en los cuidados del pie de riesgo Ucv.es. Recuperado el 4 de enero de 2023, de https://riucv.ucv.es/bitstream/handle/20.500.12466/1153/TFG_INES_MADRIGAL_GARCIA.pdf?sequence=1&isAllowed=y
NORMA Oficial Mexicana NOM-024-SSA3-2010, Sistemas de Expediente Clínico Electrónico para garantizar la interoperabilidad, procesamiento, interpretación, confidencialidad, seguridad y uso de estándares y catálogos de la información de los registros electrónicos en salud. (2010). Recuperado 11 de enero de 2023, de https://dof.gob.mx/nota_detalle.php?codigo=5280847&fecha=30/11/2012#gsc.tab=0
Pascanu, R., Mikolov, T., & Bengio, Y. (2013, May). On the difficulty of training recurrent neural networks. In International conference on machine learning (pp. 1310-1318). Pmlr. . Recuperado 25 de octubre de 2023, de https://arxiv.org/abs/1211.5063
Pelegrina, M., Ruiz-Soler, M., López, E. B., & Wallace, A. (2000). Análisis de variables mediante curvas ROC y modelos categóricos. Psicothema, 12(2), 427-430. Recuperado de http://atarazanas.sci.uma.es/docs/articulos/16670085.pdf
Pérez-Aguilar, D.; Risco-Ramos, R. y Casaverde-Pacherrez, L. (2021). «Transfer learning en la clasificación binaria de imágenes térmicas». Ingenius. N.◦ 26, (julio-diciembre). pp. 71-86. Recuperado 20 de octubre de 2023, de doi: https://doi.org/10.17163/ings.n26.2021.07
Ramirez C., J. F., Bonilla Huerta, E., Cocoletzi, R., Crispín, J., & Hernández, H. (2016). Avances en el desarrollo de un clasificador de imágenes termográficas de planta del pie diabético basado en una red neuronal de retropropagación. Ipn.mx. Recuperado el 4 de enero de 2023, de https://rcs.cic.ipn.mx/2016_128/Avances%20en%20el%20desarrollo%20de%20un%20clasificador%20de%20imagenes%20termograficas%20de%20planta%20del%20pie%20diabetico.pdf
Sell Lluveras, J. L., & Domínguez, M. I. (2001). Guía práctica para el diagnóstico y el tratamiento del síndrome del pie diabético. Revista cubana de endocrinología, 12(3), 188–189. Recuperado el 10 de enero de 2023 de
http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S1561-29532001000300008
Soille, P., Morphological Image Analysis: Principles and Applications, Springer-Verlag, 1999, pp. 173–174. Recuperado el 4 de enero de 2023, de http://dx.doi.org/10.1007/978-3-662-03939-7
van den Boomgard, R, and R. van Balen, "Methods for Fast Morphological Image Transforms Using Bitmapped Images," Computer Vision, Graphics, and Image Processing: Graphical Models and Image Processing, Vol. 54, Number 3, pp. 252–254, May 1992. Recuperado 20 de octubre de 2023, de https://www.sciencedirect.com/science/article/abs/pii/1049965292900553?via%3Dihub
Derechos de autor 2023 Zurani Estephania Jiménez Vázquez, Enrique Isaías Solórzano Aguilar , Christian Roberto Ibáñez Nangüelú , Nelson Iván Ruiz Navarro
Esta obra está bajo licencia internacional Creative Commons Reconocimiento 4.0.