Simposio “Transferencia de Conocimiento en Tecnologías de la Información”

Fusion Strategies to Automatically Classify Diabetic Foot Ulcer Images using Computer Vision Techniques

Abstract

•    Problem: Diabetic foot ulcers are one of the serious complications presented by diabetic patients. The follow-up and identification of the lesions is of vital importance in order to apply a timely treatment because if they are poorly treated, they can lead to the amputation of the limb of the patient and even cause death.
•    Objective(s): This study aims to evaluate different fusion strategies to improve performance rates in the diabetic foot ulcer image classification task.
•    Methodology: Two fusion approaches are evaluated, at the feature level and at the decision level. Also, two feature selection techniques, ReliefF and MRMR, were used. An SVM classifier with three kernel types was used and combined from five aggregation functions using the best five from each evaluated stage.
•    Results and discussion: The best results were obtained using the feature-level fusion strategy. These in turn come from the use of classifiers using the feature-level fusion strategy and using feature selection techniques. The results achieved exceed those reported in the literature.

Resumen

•    Problemática: Las úlceras de pie diabético constituyen una de las complicaciones graves que presentan los pacientes diabéticos. El seguimiento e identificación de las lesiones es de vital importancia para aplicar un tratamiento oportuno pues mal atendidas pueden conducir a la amputación del miembro del paciente e incluso provocar su muerte.
•    Objetivo(s): Este estudio tiene como objetivo evaluar distintas estrategias de fusión para mejorar los índices de desempeño en la tarea de clasificación de imágenes de úlceras de pie diabética.
•    Metodología: Se evalúan dos enfoques de fusión, a nivel de rasgos y a nivel de decisión. Asimismo, se utilizaron dos técnicas de selección de rasgos, ReliefF y MRMR. Se utilizó un clasificador SVM con tres tipos de kernel y se combinaron a partir de cinco funciones de agregación utilizando los cinco mejores de cada etapa evaluada.
•    Resultados y discusión: Los mejores resultados se obtuvieron usando la estrategia de fusión a nivel de rasgos. Estos a su vez provienen del uso de clasificadores que usaron la estrategia de fusión a nivel de rasgos y usando técnicas de selección de rasgos. Los resultados alcanzados superan a los reportados en la literatura.
•    Conclusiones: Ambas alternativas de fusión unidas a los métodos de selección de rasgos mejoraron la clasificación automática de imágenes de úlceras de pie diabético.