Jove
Visualize
Contáctanos

Videos de Conceptos Relacionados

Diabetic Foot Ulcer01:31

Diabetic Foot Ulcer

33
Definition A diabetic foot ulcer (DFU) is a chronic, non-healing wound that develops in individuals with diabetes. It typically occurs on pressure-bearing areas such as the heel, metatarsal heads, or hallux, and carries a high risk of infection and amputation.Pathophysiology • The development of DFUs can be explained by four interconnected mechanisms: neuropathy, ischemia, infection, and impaired wound healing. • Neuropathy is the most common factor. Sensory...
33
Diabetic Retinopathy01:27

Diabetic Retinopathy

55
DefinitionDiabetic retinopathy is a microvascular complication of diabetes affecting the retinal blood vessels.Risk FactorsDiabetic retinopathy is present in almost all individuals with type 1 diabetes and more than 60% of those with type 2 diabetes after two decades of disease.The risk increases with poor glycemic control, hypertension, dyslipidemia, smoking, pregnancy, and puberty.Although cataracts and glaucoma are also more frequent in people with diabetes, retinopathy remains the leading...
55
Diabetic Neuropathy01:22

Diabetic Neuropathy

59
DefinitionDiabetic neuropathy is nerve damage caused by long-standing diabetes mellitus. It results directly from prolonged high blood sugar levels.PathophysiologyThe pathophysiology of diabetic neuropathy involves both metabolic and vascular disturbances triggered by chronic hyperglycemia.Metabolic injury: Elevated glucose levels activate the polyol pathway within nerve cells, leading to the accumulation of sorbitol and fructose. This increases oxidative stress, disrupts normal nerve...
59

También podría leer

Artículos Relacionados

Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

Ordenar por
Same author

Robust coffee plant disease classification using deep learning and advanced feature engineering techniques.

PeerJ. Computer science·2025
Same author

A new superfluity deep learning model for detecting knee osteoporosis and osteopenia in X-ray images.

Scientific reports·2024
Same author

MOCOVIDOA: a novel multi-objective coronavirus disease optimization algorithm for solving multi-objective optimization problems.

Neural computing & applications·2023
Same author

Classification of Cervical Spine Fracture and Dislocation Using Refined Pre-Trained Deep Model and Saliency Map.

Diagnostics (Basel, Switzerland)·2023
Same author

Enhancing semantic belief function to handle decision conflicts in SoS using k-means clustering.

PeerJ. Computer science·2021
JoVE
x logofacebook logolinkedin logoyoutube logo
ACERCA DE JoVE
Visión GeneralLiderazgoBlogCentro de Ayuda JoVE
AUTORES
Proceso de PublicaciónConsejo EditorialAlcance y PolíticasRevisión por ParesPreguntas FrecuentesEnviar
BIBLIOTECARIOS
TestimoniosSuscripcionesAccesoRecursosConsejo Asesor de BibliotecasPreguntas Frecuentes
INVESTIGACIÓN
JoVE JournalMethods CollectionsJoVE Encyclopedia of ExperimentsArchivo
EDUCACIÓN
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab ManualCentro de Recursos para ProfesoresSitio de Profesores
Términos y Condiciones de Uso
Política de Privacidad
Políticas

Video Experimental Relacionado

Updated: May 6, 2026

Deep Neural Networks for Image-Based Dietary Assessment
13:19

Deep Neural Networks for Image-Based Dietary Assessment

Published on: March 13, 2021

9.3K

Mejorar la detección temprana de las úlceras del pie diabético utilizando redes neuronales profundas

A Sharaf Eldin1,2, Asmaa S Ahmoud3, Hanaa M Hamza4

  • 1Department of Information and Decision Support Systems, Faculty of Information Technology and Computer Science, Sinai University, Arish 16020, Egypt.

Diagnostics (Basel, Switzerland)
|August 28, 2025
PubMed
Resumen
Este resumen es generado por máquina.

Este estudio introduce un nuevo modelo híbrido de IA para la detección temprana de úlceras en el pie diabético (DFU) utilizando imágenes térmicas. El modelo alcanza una alta precisión y rendimiento en tiempo real, superando a los métodos existentes para uso clínico.

Palabras clave:
Aprendizaje profundoRed neuronal profunda (DNN)pie diabéticoÚlceras en el pie diabéticotérmogramas plantaresImágenes térmicas

Más Videos Relacionados

High-Resolution Three-Dimensional Imaging of the Footpad Vasculature in a Murine Hindlimb Gangrene Model
08:16

High-Resolution Three-Dimensional Imaging of the Footpad Vasculature in a Murine Hindlimb Gangrene Model

Published on: March 16, 2022

3.6K
Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications
03:31

Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications

Published on: December 15, 2023

635

Videos de Experimentos Relacionados

Last Updated: May 6, 2026

Deep Neural Networks for Image-Based Dietary Assessment
13:19

Deep Neural Networks for Image-Based Dietary Assessment

Published on: March 13, 2021

9.3K
High-Resolution Three-Dimensional Imaging of the Footpad Vasculature in a Murine Hindlimb Gangrene Model
08:16

High-Resolution Three-Dimensional Imaging of the Footpad Vasculature in a Murine Hindlimb Gangrene Model

Published on: March 16, 2022

3.6K
Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications
03:31

Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications

Published on: December 15, 2023

635

Área de la Ciencia:

  • Imágenes médicas
  • Inteligencia artificial
  • Biología computacional

Sus antecedentes:

  • Las úlceras del pie diabético son una complicación grave de la diabetes, que a menudo conduce a la amputación si no se detecta a tiempo.
  • Los métodos actuales de detección de DFU se enfrentan a desafíos en la complejidad computacional, la generalización y la velocidad de diagnóstico.
  • Se necesitan sistemas de detección asistida por ordenador (CAD) avanzados, eficientes y precisos para las unidades de distribución.

Objetivo del estudio:

  • Desarrollar un nuevo marco de diagnóstico híbrido para la detección en tiempo real asistida por computadora (CAD) de las úlceras del pie diabético (DFU).
  • Mejorar el rendimiento de diagnóstico y la aplicabilidad clínica de los sistemas de detección de DFU.
  • Integrar la extracción de características tradicionales con el aprendizaje profundo para mejorar la identificación de DFU.

Principales métodos:

  • Utilizó termogramas plantares para identificar asimetrías térmicas indicativas de las primeras DFU.
  • BRIEF orientado y rotado combinado (ORB) con bolsa de características (BOF) para la extracción de características artesanales.
  • Integró características profundas de las redes neuronales convolucionales (ResNet50, AlexNet, EfficientNet) y las fusionó con características hechas a mano.
  • Empleado una red neuronal profunda ligera (DNN) para la clasificación binaria.

Principales resultados:

  • Se logró un alto rendimiento diagnóstico: 98,51% de precisión, 100% de precisión, 98,98% de sensibilidad y 1,00 AUC en un conjunto de datos de 1670 imágenes.
  • Demostró la superioridad del enfoque híbrido ORB + DL sobre los métodos independientes a través de estudios de ablación.
  • Superó a los modelos de última generación (DFU_VIRNet, DFU_QUTNet) en precisión y AUC mientras mantenía la capacidad en tiempo real y un menor costo computacional.

Conclusiones:

  • El estudio presenta el primer marco híbrido que integra las características artesanales de ORB con representaciones neuronales profundas para la detección de DFU a partir de imágenes térmicas.
  • El modelo propuesto ofrece una alta precisión, robustez y rendimiento en tiempo real, superando a los métodos existentes.
  • El marco muestra un potencial significativo para el despliegue clínico efectivo en el diagnóstico temprano de la UDF.