Zastosowanie analizy obrazu jako metody przesiewowej do wykrywania
polineuropatii u chorych na cukrzycę
Niniejsza praca opisuje badania przeprowadzone na grupie składającej się z 45 chorych na cukrzycę i 12 zdrowych osób poprzez analizę rozkładu nacisku pod ich stopami. Taka informacja została uzyskana za pomocą pedobarografu PEL 38 w formie obrazów rozkładu nacisku na podeszwowej stronie stopy. Wczesna diagnoza zespołu stopy cukrzycowej może zapewnić odpowiednie leczenie i zapobiec amputacji kończyny. Można używać różnych metod analizy obrazu, aby przyspieszyć proces diagnozy, a zautomatyzowana analiza obrazu może zostać użyta jako technika przesiewowa, żeby zredukować jej koszt. Zastosowano trzy główne metody do tego badania. Najpierw obliczono dwuwymiarową dyskretną transformatę Fouriera (DFT) oraz dyskretną transformatę kosinusową (DCT) dla przednich i tylnych stref stóp, na podstawie czego wprowadzono nowe parametry diagnostyczne. Kolejne podejście polegało na wyliczeniu współczynnika korelacji liniowej Pearsona (PPMCC) dla siedmiu różnych anatomicznych stref stopy. Trzecia metoda była najbardziej złożona i wyszukana, gdyż wykorzystywała konwolucyjną sieć neuronową (CNN) w połączeniu z rozkładem falkowym bazującym na funkcji Haara, który dokonywał redukcji cech w pierwszej warstwie ukrytej. Oprócz tych algorytmów, opracowano zestaw narzędzi do analizy nacisku na podeszwowej stronie stopy, nowy format pliku oraz bibliotekę do sztucznych sieci neuronowych. Wszystko to ma na celu pomóc wykrywać polineuropatię lub chociaż zasygnalizować, że pacjent może ją mieć bez czasochłonnego bądź inwazyjnego badania. Ta informacja mogłaby być potem użyta przez lekarzy w celu zapobiegania rozwijaniu się wrzodów na stopach u chorych na cukrzycę.
Application of Image Analysis as a Screening Method for Detection of
Polyneuropathy in Diabetic Patients
The present work describes a study performed on a group consisting of 45 diabetic patients and 12 healthy subjects by analyzing the pressure distribution under their feet. Such information was obtained using the PEL 38 pedobarograph in the form of plantar pressure distribution images. Early diagnosis of diabetic foot syndrome can ensure proper treatment and prevent limb amputation. Various image analysis methods can be used to accelerate the diagnosis process, and automated image analysis can be applied as a screening technique to reduce its cost. Three main methods were employed for this study. First, the two-dimensional discrete Fourier (DFT) and discrete cosine transforms (DCT) were computed for the forefoot and the rearfoot regions, based on which new diagnostic parameters were introduced. The next approach involved computing the Pearson product-moment correlation coefficient (PPMCC) for seven different anatomical regions of the foot. The third method was the most complex and sophisticated one, as it used a convolutional neural network (CNN) in combination with Haarbased wavelet decomposition that performed feature pooling in the first hidden layer. Alongside those algorithms, a plantar pressure analysis toolbox, a new file format, and an artificial neural network library were developed. All of this aims to help to detect polyneuropathy or at least indicate that the patient may have it without a time- consuming or invasive examination. This information could later be used by doctors to prevent foot ulcers from developing in diabetic patients.
