Deprecated: The each() function is deprecated. This message will be suppressed on further calls in /home/zhenxiangba/zhenxiangba.com/public_html/phproxy-improved-master/index.php on line 456
ES2976657B2 - Procedimiento de control y soporte comparativo relativos a lesiones dermatológicas - Google Patents
[go: Go Back, main page]

ES2976657B2 - Procedimiento de control y soporte comparativo relativos a lesiones dermatológicas - Google Patents

Procedimiento de control y soporte comparativo relativos a lesiones dermatológicas Download PDF

Info

Publication number
ES2976657B2
ES2976657B2 ES202231088A ES202231088A ES2976657B2 ES 2976657 B2 ES2976657 B2 ES 2976657B2 ES 202231088 A ES202231088 A ES 202231088A ES 202231088 A ES202231088 A ES 202231088A ES 2976657 B2 ES2976657 B2 ES 2976657B2
Authority
ES
Spain
Prior art keywords
dermatological
area
roi
image
lesion
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
ES202231088A
Other languages
English (en)
Other versions
ES2976657A1 (es
Inventor
Langa Alberto Siré
Jiménez David Reifs
Elorrieta Ibon Uribe
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Skilled Skin Sl
Original Assignee
Skilled Skin Sl
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Skilled Skin Sl filed Critical Skilled Skin Sl
Priority to ES202231088A priority Critical patent/ES2976657B2/es
Priority to US18/370,559 priority patent/US12602787B2/en
Priority to EP23199188.6A priority patent/EP4390964A1/en
Publication of ES2976657A1 publication Critical patent/ES2976657A1/es
Application granted granted Critical
Publication of ES2976657B2 publication Critical patent/ES2976657B2/es
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/44—Detecting, measuring or recording for evaluating the integumentary system, e.g. skin, hair or nails
    • A61B5/441—Skin evaluation, e.g. for skin disorder diagnosis
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Measuring devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/1032—Determining colour of tissue for diagnostic purposes
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/44—Detecting, measuring or recording for evaluating the integumentary system, e.g. skin, hair or nails
    • A61B5/441—Skin evaluation, e.g. for skin disorder diagnosis
    • A61B5/445—Evaluating skin irritation or skin trauma, e.g. rash, eczema, wound, bed sore
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—Two-dimensional [2D] image generation
    • G06T11/10—Texturing; Colouring; Generation of textures or colours
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—Two-dimensional [2D] image generation
    • G06T11/20—Drawing from basic elements
    • G06T11/26—Drawing of charts or graphs
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30088—Skin; Dermal
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30096—Tumor; Lesion
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Epidemiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Primary Health Care (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Dermatology (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Dentistry (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Description

DESCRIPCIÓN
Procedimiento de control y soporte comparativo relativos a lesiones dermatológicas
Campo de la invención
Esta invención concierne a un procedimiento de control y soporte comparativo relativo a lesiones dermatológicas, implementado por ordenador, basado en diferentes modalidades de imagen y parámetros clínicos y sociales del paciente. En particular se relaciona con las lesiones dermatológicas visibles desde el exterior como pueden ser las úlceras cutáneas.
La lesión dermatológica cutánea es un daño que sufre la piel debido a causas externas o procesos patológicos; pueden clasificarse como lesiones primarias, aquellas que se forman sobre la piel sana y lesiones secundarias, aquellas que se forman a partir de una alteración previa como pueden ser las úlceras y escaras. Entre otras causas de esta afección, entran dentro del objeto de esta invención las úlceras causadas por la diabetes, que puede desarrollarse en el 20% de los pacientes. Esto se debe a la afectación de la enfermedad diabética sobre vasos y nervios, fundamentalmente. Por otra parte, son pacientes que por su propia patología de base tienen un elevado riesgo de infección, provocando complicaciones importantes. Por ello resulta sumamente importante identificar la fase en la que se encuentra la lesión dermatológica y aplicar el tratamiento más adecuado según las necesidades de cada paciente a fin de evitar indeseadas complicaciones, para lo que se ha desarrollado el procedimiento de control y soporte de la presente invención, que es en cualquier caso aplicable a cualquier tipo de lesión dermatológica crónica (que perdura en el tiempo).
Estado de la técnica anterior
Tradicionalmente, para la evaluación de lesiones dermatológicas se evalúa el área de la herida por medio de métodos que requieren contacto con la misma, con el consiguiente trastorno al paciente. En la actualidad se conocen métodos no invasivos para el análisis de lesiones dermatológicas, entre ellos, aquellos basados en la toma de imágenes de la lesión dermatológica.
Como referencia al estado de la técnica, son conocidos métodos para el análisis de lesiones dermatológicas con ayuda de toma de imágenes que determinan la región de interés (ROI) de una lesión dermatológica, determinan el límite de la herida y calculan el valor del área en píxeles, segmentan la imagen y clasifican los tejidos de la lesión dermatológica y evalúan la curación de la lesión dermatológica en base a la reducción del área de la misma. Pero el soporte que ofrecen al profesional es limitado dado que las imágenes de lesiones dermatológicas y datos que se comparan entre sí son siempre de la misma herida en distintas fases y no se puede predecir su evolución en comparación con casos similares anteriores, ni asignan un riesgo a cada paciente, no relacionándose con precedentes relevantes para dar un adecuado y eficaz soporte al profesional.
Existen también, métodos para evaluar el riesgo del paciente en base a la reducción del área de la herida, aunque no llevan a cabo una clasificación de los tejidos, basándose únicamente en la reducción del área total de la lesión dermatológica y tampoco dan apoyo alguno al profesional en la toma de decisiones o en la determinación del mejor tratamiento a seguir.
Entre los métodos basados en toma de imágenes, existen aquellos que realizan la toma de imagen en distintas longitudes de onda o mediante ultrasonidos entre otros, pero para ello se precisa siempre de instrumental específico asociado, no siempre al alcance de todos los usuarios o de los centros de salud.
Explicación de la invención y ventajas
Frente a este estado de la técnica anterior, la presente invención hace referencia a un procedimiento de control y soporte comparativo relativo a lesiones dermatológicas, implementado por ordenador que comprende las siguientes etapas:
- Medida del área de la lesión dermatológica y ROI (1) mediante la imagen del área de la lesión dermatológica y ROI (1.a) procesada mediante una API (interfaz de programación de aplicaciones, que proporciona la distancia en cm entre dos puntos de la imagen como referencia) determinando el área de la lesión dermatológica en cm2.
- Segmentación de los tejidos (2) obtenidos en la imagen del área de la lesión dermatológica y ROI (1.a).
- Obtención del vector de características base (5) obtenido añadiendo a los datos de la imagen del área de la lesión dermatológica y ROI (1.a), la medida del área de la lesión dermatológica y ROI (1) y la segmentación de los tejidos (2)
- Representación de los datos analizados; estado de los tejidos (necrótico, esfacelo...) y superficie del área de la lesión dermatológica (en centímetros cuadrados).
- Clasificación de la lesión dermatológica.
- Emisión de resultados de soporte.
- Archivo de los casos clínicos registrados.
En esta patente se entiende por vector o matriz a una zona de almacenamiento contiguo que contiene una serie de elementos del mismo tipo, en nuestro caso, datos. Desde el punto de vista lógico una matriz se puede ver como un conjunto de elementos ordenados en filas y columnas, siendo un vector el conjunto de elementos de la matriz relativos a una sola fila. La diferencia entre vector y matriz estriba en la manera de acceder a dichas estructuras, mientras los vectores son accedidos con un subíndice, las matrices usan dos subíndices (indican la posición en fila y columna).
La emisión de resultados de soporte al usuario, en la presente invención, se fundamenta en la comparación de vectores; en particular, del vector de características global (3) y los vectores de características globales de los casos clínicos registrados (4). En este vector de características global (3) se almacenan los datos globales que caracterizan el caso clínico relativo a las lesiones dermatológicas que se está analizando y se compara con los vectores de características globales de los casos clínicos de lesiones dermatológicas registradas (4) anteriores, siendo estos últimos el conjunto de vectores de características global de casos clínicos de lesiones dermatológicas anteriormente analizados, almacenados y registrados. Gracias a la comparación entre vectores, los datos de los casos se pueden comparar de forma estructurada y objetiva, permitiendo así localizar el o los casos cuyas características se aproximen más a las características de la lesión dermatológica que se está analizando.
Al vector de características base (5) obtenido de la segmentación de los tejidos (2) de la imagen del área de la lesión dermatológica (1.a) (vector que incluye los datos del área de la lesión dermatológica y el tipo de tejidos que la componen), se le añade el vector de datos del paciente (6) (vector que incluye los datos relevantes del paciente y acompañan el caso clínico concreto para mejor interpretación de la evolución del área de la lesión dermatológica) con el fin de obtener un vector de características global (3) y este se compara con los vectores de características globales de los casos clínicos de lesiones dermatológicas registrados (4) para obtener el caso clínico registrado cuyas características se aproximen más a las características del caso clínico analizado. Esta comparación, se realiza mediante el cálculo de la distancia euclidiana (ecuación matemática que permite obtener un valor numérico que representa la menor distancia entre dos vectores), entre vectores de características globales. Este dato nos dará el vector de características global de los casos clínicos registrados (4) que más se acerca al vector de características global (3) (aquél cuya distancia euclidiana sea la más pequeña), siendo por tanto el caso clínico registrado que más se asemeja al caso clínico que se está analizando. Gracias a este procedimiento, implementado por ordenador, el usuario dispone de datos sobre el tratamiento que se utilizó en el caso clínico de lesión dermatológica registrado más similar y así obtenido, conoce los resultados de este tratamiento para basar la toma de decisión en un caso real actual con una mayor información y acierto.
El vector de datos del paciente (6) se obtiene de las características relativas al paciente (6.a) (como pueden ser peso, altura, edad, etc.), datos clínicos del paciente (6.b) (como pueden ser análisis clínicos (diabetes, anemias, ...), pruebas clínicas (termografías, ecografías, ...), historial médico (lesiones previas, ...), etc.) y escala de riesgos del paciente (6.c) (datos de la escala indicada por cada centro, para valorar el riesgo de cada paciente respecto a la lesión dermatológica, por ejemplo, Resvech) previamente almacenados. Al introducir estos datos, se mejora el vector base obtenido de la segmentación de tejidos, introduciendo valores en la comparación como pueden ser factores de riesgo como la diabetes, problemas cardíacos, etc. obteniéndose el vector de características global, mucho más completo. La introducción en el vector de los datos relativos al riesgo determinado por el centro sanitario garantiza que los resultados se obtendrán en base a una escala con la que el usuario está familiarizado, la escala aplicada por el centro al que pertenece. Con esto se logra estandarizar el uso de la escala determinada por el centro, generalmente validada clínicamente, reduciendo la subjetividad en la evaluación de las lesiones dermatológicas por parte del personal sanitario.
La segmentación de los tejidos (2) obtenidos en la imagen del área de la lesión dermatológica y ROI (1.a) se realiza mediante la CNN (Redes Neuronales Convolucionales) preentrenada que clasifica los tejidos como granulado, esfacelo y necrótico. Además, como se analiza mediante el mismo algoritmo CNN, el análisis de los tejidos no está sujeto a distintas interpretaciones subjetivas por parte de los usuarios, pudiendo así ser comparables los distintos casos que de forma eficaz determinan la clasificación del tejido.
La representación de los tejidos reconstruye la imagen en base al vector de características base (5) representando cada tipo tejido con un color específico (habitualmente rojo para granulado, amarillo para esfacelo y negro para necrótico), lo que facilita la interpretación de la lesión dermatológica al resaltar cada tejido mediante colores sobre la imagen tomada, esto facilita al usuario y especialista, la comprobación de la evolución de la lesión dermatológica de forma visual y rápida.
La medida del área de la lesión dermatológica y ROI (1) mediante toma de imagen se realiza con la imagen tomada de la región de interés (ROI) procesada mediante una API (interfaz de programación de aplicaciones, que proporciona la distancia en cm entre dos puntos de la imagen como referencia a utilizar para calcular el área de la ROI) determinando el área de la lesión dermatológica en cm2. La imagen puede ser una imagen convencional, o una imagen termográfica. Mediante esta medición, el usuario obtiene el valor numérico del área en un sistema métrico reconocido sin necesidad del uso de métodos invasivos que requieran contacto directo con la lesión dermatológica y los consecuentes trastornos que puede presentar al paciente ni se requiere la complicada conversión del tamaño de área proporcionado para poder interpretar el progreso de la lesión dermatológica. Una ventaja añadida es que al basarse el procedimiento en una imagen que se puede adquirir con cualquier dispositivo móvil como puede ser un teléfono o Tablet, el paciente no se tiene que desplazar de su domicilio habitual. Por lo tanto, puede aplicarse tanto en asistencia domiciliaria como en teleasistencia, además, no solo se analiza el área de la lesión dermatológica, sino el de la ROI, lo que permite la observación del área circundante y su evolución en el tiempo, ya que el tejido circundante puede verse afectado. En algunas situaciones, esta API también puede sustituirse por un calibrador adhesivo biocompatible que se colocaría en el mismo plano de la herida, siempre aplicado sin contacto directo con la lesión dermatológica.
Además, este procedimiento prevé el archivo del vector de características global (3) del caso clínico de la lesión dermatológica en un entorno seguro. Este vector de características global pasará a formar parte de los vectores de características globales de casos clínicos registrados (4) para ser utilizado como referencia en próximos casos cínicos. Así el procedimiento, implementado por ordenador, se retroalimentará generándose cada vez más casos clínicos para la comparación. Además, se permite la integración con el sistema de almacenamiento de la organización donde se implante a través de diferentes tipos de estándares (HL7-FHIR, SAP, REST API, ad hoc...). Dado que el vector de características global (3) contiene datos del paciente, es evidente la importancia de adaptarse a estándares clínicos reconocidos por cada centro de salud.
Dibujos y referencias
Para comprender mejor la naturaleza del invento, en los dibujos adjuntos se representa una forma de realización que tiene carácter de ejemplo meramente ilustrativo y no limitativo.
La Figura 1 muestra un diagrama de flujo de las etapas que componen el procedimiento La Figura 2 muestra un diagrama de flujo de la emisión de resultados de soporte
La Figura 3 muestra la representación gráfica de la segmentación de tejidos (2) y la evolución del tamaño de la lesión dermatológica que en conjunto forman el vector de características base (5).
Las Figuras 4.1-4.6 muestran la representación gráfica de los valores característicos de una escala de ejemplo (Resvech), que componen el vector de escala de riesgos del paciente (6.c).
En estas figuras están indicadas las siguientes referencias:
1. - Medida del área de la lesión dermatológica y ROI.
1.a.-Imagen del área de la lesión dermatológica y ROI
2. - Segmentación de los tejidos
3. - Vector de características global.
4. - Vector de características global de los datos clínicos de lesiones dermatológicas registrados
5. - Vector de características base
6. - Vector de datos del paciente
6.a.- Características relativas al paciente
6.b.- Datos clínicos del paciente
6.c.- Escala de riesgos del paciente
Exposición de una realización preferente
Con relación a las figuras y referencias arriba enumerados, se ilustra un modo de ejecución preferente del objeto de la invención, referido a un procedimiento de control y soporte comparativo relativo a lesiones dermatológicas, implementado por ordenador, que comprende las siguientes etapas:
- Medida del área de la lesión dermatológica y ROI (1) mediante la imagen del área de la lesión dermatológica y ROI (1.a) procesada mediante una API (interfaz de programación de aplicaciones, que proporciona la distancia en cm entre dos puntos de la imagen como referencia) determinando el área de la lesión dermatológica en cm2.
- Segmentación de los tejidos (2) obtenidos en la imagen del área de la lesión dermatológica y ROI (1.a).
- Obtención del vector de características base (5) obtenido añadiendo a los datos de la imagen del área de la lesión dermatológica y ROI (1.a), la medida del área de la lesión dermatológica y ROI (1) y la segmentación de los tejidos (2).
- Representación del estado de los tejidos.
- Clasificación de la lesión dermatológica.
- Emisión de resultados de soporte.
- Archivo de los casos clínicos registrados.
Como ya se ha mencionado, en esta patente se entiende por vector o matriz a una zona de almacenamiento contiguo que contiene una serie de elementos del mismo tipo, en nuestro caso, datos. Desde el punto de vista lógico una matriz se puede ver como un conjunto de elementos ordenados en filas y columnas y un vector como el conjunto de elementos de la matriz relativos a una sola fila. La diferencia entre vector y matriz estriba en la manera de acceder a dichas estructuras, mientras los vectores son accedidos con un subíndice (indica la posición en la columna), las matrices usan dos subíndices (indican la posición en fila y columna).
La emisión de resultados de soporte al usuario o especialista en la presente invención se realiza mediante la comparación de vectores; en particular, mediante la comparación del vector de características global (3). En este vector de características global (3), se almacenan los datos globales que caracterizan el caso clínico concreto que se está analizando. Estos datos almacenados en el vector de características global (3) se comparan con los vectores de características globales de los casos clínicos de lesiones dermatológicas registradas (4) preexistentes, siendo estos últimos el conjunto de vectores de características global de casos clínicos de lesiones dermatológicas anteriormente analizados, almacenados y registrados. Es decir, cada caso analizado mediante este procedimiento produce un vector de características global (3), este vector, una vez almacenado pasa a formar parte de una “biblioteca” de vectores denominada vectores de características globales de los casos clínicos de lesiones dermatológicas registradas (4). Cada nuevo vector de características global (3) se compara con cada uno de los vectores que integran los vectores de características globales de los casos clínicos de lesiones dermatológicas registradas (4). Esta comparación entre vectores permite que los datos de los casos se puedan comparar de forma estructurada y objetiva, pudiendo así localizar el caso clínico cuyas características más se aproximen al caso relativo a la lesión dermatológica que se está analizando y emitir resultados que soporten la decisión del especialista, exponiendo el tratamiento y evolución de un caso lo más similar posible al que se está evaluando.
En aplicación de este procedimiento, un ejemplo de ejecución sería el siguiente.
Tomando como referencia un sujeto que sufre una úlcera (lesión dermatológica), situada en la zona metatarsiana a la altura de la cuarta falange. Para obtener el vector de características global (3), se tiene en cuenta las distintas mediciones que se toman en las distintas visitas, partiendo de la imagen tomada del área de la lesión dermatológica y la región de interés (ROI) (1.a), lo que permite ver la evolución de la lesión dermatológica según se observa en la Figura 3. Se clasifican los tejidos del área de la lesión dermatológica según el tipo de tejido al que pertenecen (generalmente, granulado, esfacelo o necrótico), obteniendo así la segmentación de los tejidos (2). Con los datos del área de la lesión dermatológica y el tipo de tejidos que la componen, se obtiene el vector de características base (5).
Al vector de características base (5) así obtenido, se le añade el vector de datos del paciente (6) (vector que incluye los datos relevantes, relativos al paciente y se relacionan con el expediente para mejor interpretación de la evolución del área de la lesión dermatológica) para obtener un vector de características global (3) y este se compara con los vectores de características globales de los casos clínicos de lesiones dermatológicas registrados (4) anteriores para obtener el caso clínico registrado cuyas características se aproximan más al caso clínico relativo a la lesión dermatológica analizado.
Esta comparación, se realiza principalmente mediante el cálculo de la distancia euclidiana entre vectores de características globales (ecuación matemática que permite obtener un valor numérico que representa la menor distancia entre dos vectores). Así se calcula la distancia entre varios vectores globales registrados (4) y el vector de características global (3), seleccionando aquel que presenta la menor distancia euclidiana, que será el caso clínico más cercano al analizado. Por lo tanto, obtenemos el caso clínico registrado anterior que más se asemeja al caso clínico que se está analizando. Gracias a este procedimiento el usuario o especialista dispone de datos sobre el tratamiento que se utilizó en el caso clínico de lesión dermatológica registrado más similar y conoce los resultados de este tratamiento para asistirle en la toma de decisión.
Como ya se ha mencionado, para mejorar el vector de características base (5), a este se la añade un vector de datos del paciente (6). Este vector se forma a partir de los datos de características relativas al paciente (6.a) (como pueden ser peso, altura, edad, etc.), en este ejemplo de ejecución;
• Índice de Masa Corporal (IMC) de 25-29
• Paliativo
• No fumador,
Al que se la suman datos clínicos del paciente (6.b) (como pueden ser análisis clínicos (diabetes, anemias, etc.), pruebas clínicas (termografías, ecografías, etc.), historial médico (lesiones previas, etc.). Así, en un ejemplo de ejecución, estos datos serían:
• Sin arteriopatía coronaria
• Sin insuficiencia cardíaca congestiva
• Con afección pulmonar obstructiva
• Con diabetes
• Sin enfermedad vascular periférica
• Con paraplejia
• Sin hipertensión
• Con una herida concurrente
• Características de la herida: Signos biofilm
oEritema en la perilesión
oEdema en la perilesión
oAumento en la temperatura
oLesiones satélite
• Tratamientos recibidos o historial médico
oDescarga
oEspuma de poliuretanos
oHidrogeles
oPlata nanocristalina
• Variantes genómicas de incidencia:
oHIF-1 a
oMCP-1-2518A/G
oTLR9-1237 T/C
oMAPK14 rs80028505
Así como se incorpora la escala de riesgos del paciente (6.c) (datos de escala asignados por cada centro que valoran el riesgo de cada paciente, por ejemplo, Resvech) según se observa en las Figuras 4.1-4.6.
Cara a la comparación con casos anteriores es importante para el usuario basar la toma de decisiones en casos que, además de tener semejanza en la composición de los tejidos, pueda preverse una evolución similar, por ello se considera una mejora en la comparación la introducción de datos que puedan influir en la evolución de la lesión dermatológica, como pueden ser factores de riesgo como la diabetes, problemas cardíacos, etc.
La introducción de la escala de riesgos del paciente (6.c), vector de riesgos determinado por el centro logra estandarizar el uso de la escala determinada por el centro y generalmente validada clínicamente, reduce la subjetividad en la evaluación de las lesiones dermatológicas por parte del usuario.
La segmentación de los tejidos obtenidos en la imagen del área de la lesión dermatológica y ROI (1.a) y la obtención del vector de características base (5) se realiza mediante la CNN (Redes Neuronales Convolucionales) preentrenada. Para ello, la CNN primero segmenta la imagen (divide la imagen en múltiples fracciones). Después y en base al preentrenamiento recibido, clasifica cada fracción de imagen según su tipo de tejido como granulado, esfacelo y necrótico, e hipergranulado en su caso, para después representar los tejidos clasificados en la imagen, manteniendo en cada fracción de imagen la clasificación. Así, se generan las zonas de la imagen con las características de tejido similares que son indicativo del estado de curación de la lesión dermatológica.
La representación de los tejidos reconstruye la imagen en base al vector de características base (5), representando cada tipo tejido con un color específico (habitualmente rojo para granulado, amarillo para esfacelo y negro para necrótico). Así se obtiene la imagen tomada del área de la lesión dermatológica y de la ROI (1.a) con las fracciones resaltadas en un color u otro en función del tipo de tejido que lo compone (visualmente, con zonas resaltadas en los distintos colores), lo que facilita la interpretación a "golpe de vista” de la lesión dermatológica. El poder ver la composición de los tejidos resaltada sobre la propia imagen en colores, a los que está habituado el usuario e identificando automáticamente un tipo de tejido, facilita al usuario la comprobación de la evolución de la lesión dermatológica de forma visual y rápida.
La medida del área de la lesión dermatológica y ROI (1) mediante toma de imagen se realiza con la imagen tomada del área de la lesión dermatológica y la región de interés (ROI) (1.a) procesada mediante una API (interfaz de programación de aplicaciones). La imagen puede ser una imagen convencional, o una imagen termográfica o cualquier modo de toma de imagen que pueda desarrollarse tecnológicamente. La API permite obtener la distancia en cm entre dos puntos de una imagen. Valiéndose del dato proporcionado por la API, se determina el área de la lesión dermatológica en cm2. Este dato, proporciona al usuario un mejor control de la evolución de la lesión dermatológica sin necesidad del uso de métodos invasivos que requieran contacto directo con la lesión dermatológica y los consecuentes trastornos que puede presentar al paciente.
El procedimiento se fundamenta en una imagen que se puede adquirir con cualquier dispositivo móvil como puede ser un teléfono o Tablet, o cualquier tipo de dispositivo que se desarrolle capaz de tomar una imagen y con conectividad. Por lo tanto, el paciente no debe desplazarse, pudiendo aplicarse el presente procedimiento, implementado por ordenador, en asistencia domiciliaria o en teleasistencia.
En el caso de que se trate de una imagen termográfica, al dispositivo móvil se le debería acoplar una cámara térmica convencional. Para este tipo de imágenes sería necesario la utilización de un calibrador adhesivo biocompatible determinado, que se colocaría en el mismo plano de la herida, siempre aplicado sin contacto directo con la lesión dermatológica. Se trata de un adhesivo determinado porque la temperatura que irradia es claramente distinguible de la que pueda irradiar la piel de la lesión dermatológica en cuestión.
Mediante el procedimiento, no solo se analiza el área de la lesión dermatológica, sino el área de la lesión dermatológica y la ROI, lo que permite la observación del área circundante y su evolución en el tiempo. Así se comprueba el tejido circundante al área de la lesión dermatológica que, a pesar de no formar parte de la lesión dermatológica en un primer momento, puede verse afectado por la misma en función de la evolución y pasa a formar parte del dossier del caso clínico.

Claims (1)

  1. REIVINDICACIONES
    1a.- Procedimiento de control y soporte comparativo relativos a lesiones dermatológicas implementado por ordenador que comprende las siguientes etapas:
    - Medida del área de la lesión dermatológica y ROI (1) mediante la imagen del área de la lesión dermatológica y ROI (1.a) procesada mediante una API (interfaz de programación de aplicaciones, que proporciona la distancia en cm entre dos puntos de la imagen como referencia) determinando el área de la lesión dermatológica en cm2.
    - Segmentación de los tejidos (2) obtenidos en la imagen del área de la lesión dermatológica y ROI (1.a).
    - Obtención del vector de características base (5) obtenido añadiendo a los datos de la imagen del área de la lesión dermatológica y ROI (1.a), la medida del área de la lesión dermatológica y ROI (1) y la segmentación de los tejidos (2)
    - Representación del estado de los tejidos.
    - Clasificación de la lesión dermatológica.
    - Emisión de resultados de soporte.
    - Archivo de los casos clínicos registrados.
    Caracterizado porquela emisión de resultados de soporte al usuario se realiza mediante la comparación del vector de características global (3) con los vectores de características globales de los casos clínicos de lesiones dermatológicas registradas (4).
    2a.- Procedimiento de control y soporte comparativo relativos a lesiones dermatológicas implementado por ordenador según la reivindicación 1,caracterizado porqueel vector de características global (3) se obtiene conjugando el vector de datos del paciente (6) con el vector de características base (5) obtenido de la segmentación de los tejidos (2) de la imagen del área de la lesión dermatológica y ROI (1.a) y la medida del área de la úlcera y ROI (1) realizada con la imagen del área de la úlcera y de la región de interés (ROI) (1.a) procesada mediante una API (interfaz de programación de aplicaciones) determinando el área de la úlcera en cm2, y este se compara con los vectores de características globales de los casos clínicos de lesiones dermatológicas registrados (4) obteniéndose el caso clínico registrado cuyas características se aproximan más a las características del caso clínico relativo a lesiones dermatológicas analizado.
    3a.- Procedimiento de control y soporte comparativo relativos a lesiones dermatológicas implementado por ordenador según todas las reivindicaciones anteriores,caracterizado porqueel vector de datos del paciente (6) se obtiene de características relativas al paciente (6.a), datos clínicos del paciente (6.b) y escala de riesgos del paciente (6.c).
    4a- Procedimiento de control y soporte comparativo relativos a lesiones dermatológicas implementado por ordenador según todas las reivindicaciones anteriores,caracterizado porquela segmentación de los tejidos obtenidos en la imagen del área de la lesión dermatológica y ROI (1) y la obtención del vector de características base (5) se realiza mediante la CNN (Redes Neuronales Convolucionales) preentrenada, que clasifica los tejidos como granulado, esfacelo, necrótico e hipergranulado.
    5a- Procedimiento de control y soporte comparativo relativos a lesiones dermatológicas implementado por ordenador según todas las reivindicaciones anteriores,caracterizado porquela representación de los tejidos reconstruye la imagen en base al vector de características base (5) representando cada tipo tejido con un color específico.
ES202231088A 2022-12-21 2022-12-21 Procedimiento de control y soporte comparativo relativos a lesiones dermatológicas Active ES2976657B2 (es)

Priority Applications (3)

Application Number Priority Date Filing Date Title
ES202231088A ES2976657B2 (es) 2022-12-21 2022-12-21 Procedimiento de control y soporte comparativo relativos a lesiones dermatológicas
US18/370,559 US12602787B2 (en) 2022-12-21 2023-09-20 Procedure for control, prognosis and comparative support related to dermatological lesions
EP23199188.6A EP4390964A1 (en) 2022-12-21 2023-09-22 Procedure for control, prognosis and comparative support related to dermatological lesions

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
ES202231088A ES2976657B2 (es) 2022-12-21 2022-12-21 Procedimiento de control y soporte comparativo relativos a lesiones dermatológicas

Publications (2)

Publication Number Publication Date
ES2976657A1 ES2976657A1 (es) 2024-08-06
ES2976657B2 true ES2976657B2 (es) 2025-05-26

Family

ID=91270476

Family Applications (1)

Application Number Title Priority Date Filing Date
ES202231088A Active ES2976657B2 (es) 2022-12-21 2022-12-21 Procedimiento de control y soporte comparativo relativos a lesiones dermatológicas

Country Status (3)

Country Link
US (1) US12602787B2 (es)
EP (1) EP4390964A1 (es)
ES (1) ES2976657B2 (es)

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013149038A1 (en) * 2012-03-28 2013-10-03 University Of Houston System Methods and software for screening and diagnosing skin lesions and plant diseases
EP3077956B1 (en) * 2013-12-03 2023-10-11 Children's National Medical Center Method and system for wound assessment and management
US20160038092A1 (en) * 2014-08-11 2016-02-11 Douglas A. Golay Applying non-real time and non-user attended algorithms to stored non-imaging data and existing imaging data for obtaining a dental diagnosis
US11087459B2 (en) * 2015-08-14 2021-08-10 Elucid Bioimaging Inc. Quantitative imaging for fractional flow reserve (FFR)
US10783632B2 (en) * 2018-12-14 2020-09-22 Spectral Md, Inc. Machine learning systems and method for assessment, healing prediction, and treatment of wounds
US10878567B1 (en) * 2019-09-18 2020-12-29 Triage Technologies Inc. System to collect and identify skin conditions from images and expert knowledge
WO2021173763A1 (en) * 2020-02-28 2021-09-02 Spectral Md, Inc. Machine learning systems and methods for assessment, healing prediction, and treatment of wounds
US11869189B2 (en) * 2020-03-19 2024-01-09 Unitedhealth Group Incorporated Systems and methods for automated digital image content extraction and analysis
KR102419567B1 (ko) * 2020-08-05 2022-07-12 주식회사 에이아이투유 피부 질환의 진단 예측 방법 및 장치
KR20220021974A (ko) * 2020-08-14 2022-02-23 정새보미 비대면 피부질환 진단 서비스 제공 시스템 및 그 방법
CN114399510B (zh) * 2021-12-25 2024-06-25 西安交通大学医学院第二附属医院 结合图像和临床元数据的皮肤病灶分割和分类方法及系统

Also Published As

Publication number Publication date
EP4390964A1 (en) 2024-06-26
US12602787B2 (en) 2026-04-14
US20240212151A1 (en) 2024-06-27
ES2976657A1 (es) 2024-08-06

Similar Documents

Publication Publication Date Title
ES3062889T3 (en) Ecg based future atrial fibrillation predictor systems and methods
US11617620B2 (en) Systems and methods for identifying anatomically relevant blood flow characteristics in a patient
Huerta-Brogeras et al. Validation of dermoscopy as a real-time noninvasive diagnostic imaging technique for actinic keratosis
Calin et al. Hyperspectral imaging in the medical field: Present and future
John et al. Clinical applications of dynamic infrared thermography in plastic surgery: a systematic review
Bauer et al. Implementation of artificial intelligence and non-contact infrared thermography for prediction and personalized automatic identification of different stages of cellulite
US20170367580A1 (en) Reflective mode multi-spectral time-resolved optical imaging methods and apparatuses for tissue classification
Yoon et al. Correlation of ICG lymphography and lymphoscintigraphy severity stage in secondary upper limb lymphedema
ES2230976A1 (es) Provision de soporte de decisiones para el infarto agudo de miocardio.
Sung et al. Artificial intelligence in gastroenterology: where are we heading?
Farberg et al. The impact of quantitative data provided by a multi-spectral digital skin lesion analysis device on dermatologists’ decisions to biopsy pigmented lesions
US11452479B2 (en) System and method for diagnosing soft tissue conditions
ES2976657B2 (es) Procedimiento de control y soporte comparativo relativos a lesiones dermatológicas
El-Sharkawy Advancements in non-invasive hyperspectral imaging: Mapping blood oxygen levels and vascular health for clinical and research applications
US10970838B2 (en) Hough transform-based vascular network disorder features on baseline fluorescein angiography scans predict response to anti-VEGF therapy in diabetic macular edema
Koh Melanoma screening: focusing the public health journey
Higgins II et al. Point of care cutaneous imaging technology in melanoma screening and mole mapping
KR102387586B1 (ko) 파킨슨병 환자에서 치매 발병 위험도 예측 방법 및 이를 이용한 치매 발병 위험도 예측용 디바이스
Budden et al. Australian women's prediagnostic decision-making styles, relating to treatment choices for early breast cancer treatment
Moradi Computational Modeling and Machine Learning Methods for Advancing Healthcare: Medical Image Analysis and Model Validation in Kidney Assessment, AMD Detection, and Pulse Oximetry
Carniel et al. A physiological model for the investigation of esophageal motility in healthy and pathologic conditions
Malarz et al. Microneedle radiofrequency for skin rejuvenation: bridging image-derived metrics and photographic assessment
CN115482914B (zh) 一种医疗影像数据处理方法，设备及存储介质
Ferris et al. Promises and Pitfalls of 3D Total-Body Photography for Melanoma Early Detection
Rani The Role of Artificial Intelligence in Diagnosing and Managing Skin Cancer: Current Trends and Future Prospects

Legal Events

Date Code Title Description
BA2A Patent application published

Ref document number: 2976657

Country of ref document: ES

Kind code of ref document: A1

Effective date: 20240806

FG2A Definitive protection

Ref document number: 2976657

Country of ref document: ES

Kind code of ref document: B2

Effective date: 20250526