Avances en el desarrollo de un clasificador de imgenes

termograficas de planta del pie diabtico basado en una red

neuronal de retro-propagacin.
Ramrez Cruz Jos Federico, Bonilla Huerta Edmundo, Reyes Cocoletzi Lauro, Hernndez Hernndez
Jos Crispn

Resumen Actualmente incremento de enfermedades crnicas (diabetes) y el diagnostico preventivo en el

campo de la medicina nos llevan a usar la tecnologa para prevenir complicaciones a largo plazo o incluso a
predecir con un rango de confiabilidad el porcentaje de probabilidad a ser propensos a estas patologas. En la
literatura mdica se tiene una relacin entre la temperatura de algunas zonas de las plantas del pie en relacin
a el flujo sanguneo y el grado de azcar en este, por lo que en este trabajo se presenta una propuesta para la
implementacin de una red neuronal (tipo retro-propagacin) que ser capaz de realizar la clasificacin de
patrones de imgenes digitalizadas en base a la variacin trmica e identificar patrones para la clasificacin de
angiosomas planares de individuos sanos y posibles individuos diabticos no diagnosticados (a travs de
anormalidades en la lectura de la imagen trmica).
La red neuronal de retropropagacin implementada tiene la caracterstica que pre-clasifica a travs del
almacenamiento de los pesos de los patrones de entrenamiento, para evaluar la mayor relacin (a travs de la
correlacin de Pearson) existente entre las distintas imgenes evaluadas lo que conlleva a un mayor grado de
confiabilidad en la clasificacin.

Palabras claveCorrelacin de Pearson, red neuronal de retro propagacin, angiosomas planares.

1.-Introduccin.

El pie tiene como importantes funciones la sustentacin del peso corporal, la postura bpeda, el equilibrio
y la locomocin, condiciones indispensables para la mayora de las actividades del ser humano. La vitalidad
de sus estructuras depende de su sistema arterial, cuyo elemento central es el arco plantar profundo, del
que se originan las arterias metatarsianas plantares, fundamentales para la irrigacin de los dedos y de la
regin plantar profunda. En el paciente sano el flujo arterial al pie es redundante, pero no es as en el
paciente isqumico.

La teora del angiosoma explica las variaciones que existen en los aportes de sangre arterial a la piel y
estructuras adyacentes entre las diferentes regiones del cuerpo, proporciona la base para interpretar
muchos procesos fisiolgicos y patolgicos [7].

Figura 1 a) Angiosoma del pie originado en la arteria tibial anterior b) arterias del pie con sus colaterales, c)
concepto de angiosoma.

El objetivo de este trabajo es presentar avances en la cuantificacin de anormalidades presentes en la

imagen trmica de las plantas de los pies a travs de una termografia (la termografa arroja caractersticas
de la irrigacin de la sangre que a su vez influye en la temperatura alrededor de la arteria por la teora del
angiosoma) que nos permita evaluar y cuantificar defectos congnitos o patologas para la prevencin sin
tener que realizar un anlisis invasivo sobre el paciente [6].

2.-Estado del arte.

Algunos puntos importantes en la toma y anlisis de las imgenes (muestreo) se retoman en base a
trabajos previos existentes, estos se consideran a continuacin: Las imgenes trmicas se representan
en colores RGB que a su vez se ligan a una escala en grados centgrados (C). A travs de imgenes trmicas
de ambos pies, se pueden identificar diferencias entre reas correspondientes del pie derecho y el pie
izquierdo con el fin de aportar informacin cuantitativa acerca de la distribucin de la temperatura
plantar, por ejemplo la informacin se obtiene mediante la segmentacin de cada imagen trmica en
cuatro regiones del angiosoma planar y, a travs de una clasificacin de los pxeles se obtienen regiones
diferentes que cubre un rea planar [1].

Investigaciones con termografa relacionan la existencia de una asociacin positiva entre una alta
diferencia asimetra trmica de los angiosomas planares vs riego de padecer diabetes tipo 2 o ulceraciones
que conlleven a problemas de amputacin [2].

En pies diabticos la ocurrencia de una ulcera es frecuentemente asociada con la hipertermia. La

hipertermia se define como una temperatura superior a 2.2 C en una regin dada de uno de los pies
comparada con la temperatura de la misma regin del pie contralateral observable en la termografia [3].

Cabe mencionar que en el estudio realizado por K. Ammer et al [4] encontr que las deformidades
presentes en los dedos (callosidades, Hammer y claws o las varices) no influyen tan directamente o en
mayor medida en la variacin de la temperatura censada en los pies con la termografa o con los riesgos
en la ulceracin de los pies, aunque se debe tomar en consideracin estas deformidades para considerar
en otras patologas.

Para pacientes diabticos diagnosticados el mayor riesgo corresponde la ulceracin de los pies,
posteriormente infecciones vasculares y culminar con amputacin de miembros. La termografa es un
medio de bajo costo para determinar complicaciones vasculares debidas al riesgo de ulceraciones en la
planta del pie. Esto se lleva en base a la relacin ente la osteomielitis correlacionada por la imagen
infrarroja y el estudio clnico que valide los resultados obtenidos con termografa [5].

3.- Metodologa.

Se toman imgenes trmicas a travs de una cmara Fluke serie 123ABC a una muestra aleatoria de
individuos en un rango de edad de 20 23 aos estas imgenes son procesadas digitalmente y son la
base para el entrenamiento y testeo de la programacin del clasificador a travs de una red neuronal de
retropropagacin por medio de mecanismos de computo.

Para la adquisicin de las imgenes trmicas se propone dar suficientemente tiempo al sujeto de prueba
el equilibrar la temperatura ambiente con la temperatura de sus pies (un mnimo de 15 minutos) en un
espacio donde la temperatura sea de 23C 0.3 durante la toma de la imagen. Colocar al individuo en
posicin horizontal y aislar con un fondo negro los pies para prevenir radiacin externa que afecte la
captura de la imagen. La cmara infrarroja se puede colocar a 1.1 m de distancia de los pies del sujeto
pero en general depende de la resolucin (en pixeles) de la cmara con la que se cuente [3].

La red de retro-propagacin en un red neuronal supervisada tiene limitantes inherentes como lo es el

tiempo de aprendizaje basado en el nmero de iteraciones (pocas) para su entrenamiento en las salidas
deseadas as como variaciones en la salida, pero es bastante buena para clasificar pues su lentitud es
compensada con el grado de fiabilidad en el momento de clasificar, esto principalmente, debido a la
supervisin de pequeas cambios de los pesos hasta llegar al entrenamiento y aprendizaje deseado.

Inicialmente se plantea digitalizar la imagen e implementar como entrada a la red neuronal cada pixel y
su informacin de forma individual, esto es, si la imagen termografa tiene una resolucin de 750 x 450
pixeles el nmero de pixeles a procesar es de 337,500 pixeles en tres capas RGB (337,500 x3).

Este nmero de pixeles totales serian la entrada, las capas ocultas serian una cantidad aun mayor y las
neuronas de salida serian un nmero mucho menor (podran ser cinco salidas binarias). Debido al tiempo
de cmputo se decide plantear otra opcin para la entrada de datos hacia la red neuronal clasificadora y
se describe a continuacin.

El funcionamiento de la red de retro-propagacin consiste en el aprendizaje de un conjunto predefinido

de pares de entradas-salidas dados como ejemplo: primero se aplica un patrn de entrada como estmulo
para la primera capa de las neuronas de la red, se va propagando a travs de todas las capas superiores
hasta generar una salida, se compara el resultado en las neuronas de salida con la salida que se desea
obtener y se calcula un valor de error para cada neurona de salida. A continuacin, estos errores se
transmiten hacia atrs, partiendo de la capa de salida hacia todas las neuronas de la capa intermedia que
contribuyan directamente a la salida [8]. Este proceso se repite, capa por capa, hasta que todas las
neuronas de la red hayan recibido un error que describa su aportacin relativa al error total. Basndose
en el valor del error recibido, se reajustan los pesos de conexin de cada neurona, de manera que se
almacena estos pesos para el patrn aprehendido y en la siguiente vez que se presente el mismo patrn
o similar se reconocer inmediatamente, para el caso de que sea ms de un patrn se almacenaran los
pesos aprendidos para el siguiente patrn, entonces con respecto a la salida que est ms cercana a la
deseada de los pesos de los patrones obtenidos se clasificara de forma ms rpida.

Se propone el almacenar los pesos del entrenamiento obtenido para cada uno de los patrones a clasificar
para obtener una categorizacin optimizada en la relacin de un patrn nuevo de entrada.

Figura 2.- Diagrama a bloques de operacin.

3.1-Clasificacin y distribucin de las regiones de inters en la termografa.

Imagines digitalizadas. Las imgenes digitalizadas representan 5 patrones base para categorizar a las
dems que sean introducidas a la red neuronal.

Con los 5 patrones bases se entrena a la red neuronal para la clasificacin de 5 caractersticas definidas
y diferentes en las que se categorizara a cada uno de los testeos o pruebas de nuevos sujetos de estudio
(pacientes), la descripcin de las categoras se presentan a continuacin.

Patrn 1.- Al tomar una muestra con la cmara termografica lo ideal es que se presente simetra en ambas
plantas de los pies, como en ocasiones esto no es posible el clasificador tambin considera este caso, es
decir, si algn test o prueba se clasifica en este patrn quiere decir que se debe realizar otra toma de
muestra del paciente pues la termografa carece de la simetra mnima requerida para clasificar.

Patrn 2.-Simetria mnima en umbral, analiza las regiones de los falanges y la zona angular de la planta
del pie, establece patrn sano.

Patrn 3.-Pie plano, caracterstica de deformacin congnita tratable y candidato a estudios clnicos para
establecer propensin a la diabetes. Para el patrn 3, el pie plano influye en encontrar las caractersticas
de los angiosomas y la probabilidad de presentar un cuadro clnico de diabetes por lo que se recomendara
realizar un estudio de la sangre.
Patrn 4.-Anormalidad 1 en la distribucin de la temperatura debido a problemas en los angiosomas, pie
de sujeto con posible padecimiento diabtico.

Patrn 5.-Anormalidad 2 en la distribucin de la temperatura de los angiosomas debido a problemas de

circulacin de la sangre, posible padecimiento de diabetes.

P1 P2 P3 P4 P5

Figura 3 Patrones base de aprendizaje y clasificacin (de izquierda a derecha Patrn 1, Patrn 2, Patrn 3, Patrn 4,
Patrn 5).

La binarizacin de las imgenes se emplea para resaltar y separar el fondo de los datos de inters, a su vez
se puede fusionar el fondo con algunas partes del rea de inters que no son necesarias o que no
contienen informacin relevante.

Figura 4.-Imagen digital y su binarizacin.

Se obtienen las reas (total de pixeles) que conforman las regiones obtenidas una vez realizada el
procesamiento digital de la imagen, por ejemplo, Area1=1500 pixeles, Area2=2058 pixeles, Area3 = 3156
pixeles, Area4 = 1204 pixeles, Area5= 3560 pixeles y AreaTotal = sumatoria de todas las reas anteriores.
Se divide a cada una de las regiones por un factor de 100000 o cercano al nmero de pixeles totales que
forman a la imagen para obtener una representacin proporcional de los pixeles que conforman a las
distintas regiones en valores positivos < 1. Estas sern las entradas.

Entonces con esto tendremos una representacin de los pixeles que conforman a la imagen y no a cada
pixel de manera individual, al final de cuentas un conjunto de pixeles en una imagen presentan
caractersticas similares y esto es lo que obtenemos al detectar y trabajar con las regiones.

Para este caso de estudio se trabaja con 6 regiones y la suma total de estas regiones, al final de cuentas la
suma de las regiones indican el total de pixeles que se han detectado y que son relevantes de la imagen.

La salida obtenida se clasifica de acuerdo a la correlacin de cada salida obtenida con respecto a las salidas
aprendidas y clasificadas utilizando la correlacin de Pearson, por lo que la red neuronal proporciona la
informacin y la ecuacin de Pearson interpreta esa informacin y clasifica.
4.-Pruebas y resultados obtenidos.

Se introducen las imgenes de testeo para observar el funcionamiento del clasificador.

En la figura se muestra los pies de un nuevo sujeto y se muestra el resultado de la clasificacin.

La respuesta de salida de clasificacin obtenida con el clasificador y lo observado de forma visual

cualitativa arroja resultados con variacin, aunque debe de considerarse la regin de inters que est
tomando el clasificador.

De igual forma se realiza la validacin de los resultados obtenidos a travs la validacin cruzada de
kiteraciones, obteniendo resultados de una tasa de error de 0.88 %, lo que significa que tiene an
muchas reas de oportunidad para la mejora del clasificador.
Lo ideal es tener una tasa de error menor al 0.05% para denotar que el clasificador discretizara con un
porcentaje muy alto de validacin.

Entrada Clasificacin Entrada Clasificacin

Figura 5. Testeo, imagen izquierda en la entrada y la imagen derecha es el patrn de clasificacin que se acerca ms,
para este caso es el patrn 3.

5.-Conclusiones.

La estabilizacin de una red neuronal de retro propagacin necesita de ciertas caractersticas adicionales
e inherentes a ella para clasificar de forma adecuada, que pueden ser lgica difusa, Bayes Ingenuo, Control
clsico o estadstica.

Lo importante es fusionar las redes neuronales con otras metodologas para obtener un resultado
optimizado.

Adems, se implementa el almacenamiento de pesos con base a los patrones a clasificar por lo que se
puede ser una ventaja en algunos casos el entrenar exclusivamente para un patrn y en algunos otros
casos una desventaja pero esto depender de la aplicacin a realizar.

6.-Trabajo a futuro.

Continuar con el desarrollo del clasificador tomando en cuenta los tres planos de colores RGB y la relacin
con la variacin trmica ( C), tratar digitalmente la informacin a travs de tcnicas como ecualizacin
de histograma, filtrado digital entre otras tcnicas para definir las reas de inters para obtener mejores
resultados.

Realizar clculos estadsticos de acuerdo a la distribucin de las reas de inters y que afectan en mayor
medida al diagnstico del paciente y no solo de forma cualitativa.

Obtener imgenes termografas de pacientes diagnosticados con diabetes positivo y evaluar el clasificador
con estos sujetos de prueba.

Hacer ms robusto el clasificador para la deteccin de ulceraciones y no solo tomar en consideracin el

procesamiento de las variaciones de temperatura en las plantas de los pies.
Referencias.

[1] H. Peregrina-Barretoa, L. A. Morales-Hernndez, Thermal image processing for quantitative

determination of temperature variations in plantar angiosomes.

[2] Eduardo B. Neves, Antnio J. Almeida, Claudio Rosa, Jos Vilaa-Alves, Victor M. Reis and Romeu
Mendes Anthropometric Profile and Diabetic Foot Risk: A Cross-Sectional Study Using Thermography.

[3] L. Vilcahuaman, R. Harba, R. Canals, M. Zequera, C. Wilches, M.T. Arista, L. Torres and H. Arbail
Detection of Diabetic Foot Hyperthermia by Infrared Imaging.

[4] K. Ammer P. Melnizky, 0. Rathkolb, E.F. Ring THERMAL IMAGING OF SKIN CHANGES ON THE FEET
OF TYPE 2 DIABETICS

[5] J.R.Harding, D.F.Wertheim, R.J.Williams, J.M.Melhuish, D. Banerjee, K.G.Harding INFRARED

IMAGING IN DIABETIC FOOT ULCERATION

[6]Richard F. Neville, Christopher E. Attinger Revascularizacion de angiosomas especficos en isquemia

crtica de la extremidad: es importante la arteria diana?

[7]R. Fernndez-Samos Gutirrez El modelo angiosoma en la estrategia de revascularizacin de la isquemia

crtica

[8]James A. Freeman David M. Skapura Neural Networks :Algorithms, Applications, and Programming
Techniques Addison-Wesley Publishing Company.

[9]Tom M. Mitchell Libro: Machine Learning McGrawnHill