Por:
Carmen Andrea; Miskovic Rozo Mendez
|
Fecha:
2022
Abstract:
The incidence of burn injuries is higher in low-and middle-income countries, and particularly in remote areas where the access to specialized burn assessment, care and recovery is limited. Given the high costs associated with one of the most used techniques to evaluate the severity of a burn, namely laser Doppler imaging (LDI), an alternative approach could be beneficial for remote locations. This study proposes a novel approach to estimate the LDI from digital images of a burn. The approach is a pixelwise regression model based on convolutional neural networks. To minimize the dependency on the conditions in which the images are taken, the effect of two image normalization techniques is also studied. Results indicate that the model performs satisfactorily on average, presenting low mean absolute and squared errors and high structural similarity index. While no significant differences are found when changing the normalization of the images, the performance is affected by their quality. This suggests that changes in the intensity of the images do not alter the relevant information about the wound, whereas changes in brightness, contrast and sharpness do.
Resumen:
La incidencia de lesiones por quemaduras es mayor en países de ingresos bajos y medianos, especialmente en áreas remotas donde el acceso a evaluación, cuidado y recuperación especializados para quemaduras es limitado. Dados los altos costos asociados con una de las técnicas más utilizadas para evaluar la gravedad de una quemadura, en particular las imágenes de Doppler láser (LDI), un enfoque alternativo podría ser beneficioso para ubicaciones remotas. Este estudio propone un enfoque novedoso para estimar el LDI a partir de imágenes digitales de una quemadura. El enfoque es un modelo de regresión píxel a píxel basado en redes neuronales convolucionales. Para minimizar la dependencia de las condiciones en las que se toman las imágenes, también se estudia el efecto de dos técnicas de normalización de imágenes. Los resultados indican que el modelo tiene un rendimiento satisfactorio en promedio, presentando errores absolutos y cuadrados medios bajos y un índice de similitud estructural alto. Si bien no se encuentran diferencias significativas al cambiar la normalización de las imágenes, el rendimiento se ve afectado por su calidad. Esto sugiere que los cambios en la intensidad de las imágenes no alteran la información relevante sobre la herida, mientras que los cambios en brillo, contraste y nitidez sí lo hacen.
