O pé diabético é uma das principais complicações observadas em pacientes diabéticos, à qual está associada o desenvolvimento de úlceras nos pés e que podem levar à amputação. Dado que o risco de ulceração está diretamente ligado ao aumento da temperatura na região plantar, diversos estudos utilizam a termografia como método de identificação automática de problemas no pé diabético. Como a distribuição da temperatura plantar dos pacientes diabéticos não segue um padrão específico, é difícil mensurar as mudanças de temperatura e, portanto, existe o interesse no desenvolvimento de métodos que permitam a deteção dessas mudanças anormais. Para auxiliar nas suas decisões e ajudar a prevenir erros, o recurso aos sistemas de diagnóstico assistido por computador utilizando técnicas de inteligência artificial está a aumentar gradualmente, visto que estes sistemas podem auxiliar os profissionais de saúde a melhorar a exatidão dos exames, aumentar a consistência na interpretação das imagens, auxiliar na avaliação prognóstica e apoiar a tomada de decisão terapêutica. O objetivo deste trabalho é desenvolver uma metodologia que utilize termogramas dos pés de indivíduos diabéticos e saudáveis para classificar e analisar a diversidade de mudanças térmicas na região plantar. Para isso, são propostos e comparados dois modelos para a classificação de termogramas dos pés de indivíduos diabéticos e saudáveis. Para detetar e classificar mudanças anormais na temperatura plantar, algoritmos de machine learning são usados em ambos os modelos. No primeiro modelo, Modelo 1, os termogramas dos pés são classificados em quatro classes: saudáveis e três categorias para diabéticos. O segundo modelo, Modelo 2, tem duas etapas: na primeira etapa, cada pé é classificado como pertencente a um indivíduo diabético ou saudável, enquanto, na segunda etapa é feito um refinamento da classificação, classificando o pé diabético em 3 classes de gravidade progressiva. Os resultados ilustrados mostram que ambos os modelos propostos apresentam um desempenho satisfatório, porém, quando comparados, o Modelo 2 supera o Modelo 1 e permite um melhor desempenho de classificação quanto à categoria saudável e primeira classe de diabéticos. Esses resultados demonstraram que a metodologia proposta pode ser uma ferramenta de auxílio ao diagnóstico médico.

Diabetic foot is one of the main complications observed in diabetic patients, it is associated with the development of foot ulcers and can lead to amputation. As the risk of ulceration is directly linked to an increase of the temperature in the plantar region, several studies use thermography as a method for automatic identification of problems in diabetic foot. As the distribution of plantar temperature of diabetic patients do not follow a specific pattern, it is difficult to measure temperature changes and, therefore, there is an interest in the development of methods that allow the detection of these abnormal changes. To aid their decisions and help prevent mistakes, the resort to computer assisted diagnostic systems using artificial intelligence techniques is gradually increasing, since these systems can help health professionals to improve the accuracy of the exams, increase the consistency in the interpretation of the images, assist in the prognostic evaluation and support the therapeutic decision making. The objective of this work is to develop a methodology that uses thermograms of the feet of both diabetic and healthy individuals to classify and analyse the thermal changes diversity in the plantar region. For this, two classification models of thermograms for the feet of diabetic and healthy individuals are proposed and compared. In order to detect and classify abnormal changes in the plantar temperature, machine learning algorithms are used in both models. The first model, Model 1, classifies the foot thermograms into four classes: healthy and three categories for diabetics. The second model, Model 2, has two stages: in the first stage, the foot is classified as belonging to a diabetic or healthy individual, while, in the second stage, a classification refinement is done, classifying diabetic foot in 3 classes of progressive severity. The illustrated results show that both proposed models have a satisfactory performance, however, when compared Model 2 outperforms Model 1 and allows a better classification performance concerning the healthy category and the first class of diabetic individuals. These results demonstrate that the proposed methodology can be a tool to aid medical diagnosis.

Dissertação apresentada por Pedro Miguel Bento Teixeira à Universidade Trás-Os-Montes e Alto-Douro para cumprimento dos requisitos necessários à obtenção do grau de Mestre em Engenharia Informática