Optimización de la arquitectura U-NET en segmentación automática de úlceras de pie diabético

Resumen

Las úlceras de pie diabético representan una complicación médica crítica que requiere una monitorización exacta para prevenir amputaciones. Los enfoques previos basados en detección de objetos presentaron limitaciones al incluir ruido de fondo y tejido sano en el análisis, afectando la precisión diagnóstica. El objetivo de este estudio fue desarrollar y optimizar un modelo de segmentación semántica automatizada para delimitar con exactitud la morfología irregular de estas lesiones. Metodológicamente, se implementó la arquitectura U-Net utilizando ResNet34 como codificador preentrenado. Se llevó a cabo una búsqueda sistemática de hiperparámetros, evaluando el impacto de los optimizadores Adam y AdamW, así como variaciones en la tasa de aprendizaje y el tamaño de lote sobre la convergencia del modelo. Los resultados experimentales demostraron que la configuración óptima, utilizando el optimizador AdamW con una tasa de aprendizaje de 0.0001, alcanzó un coeficiente Dice de 0.8119 y una exactitud del 99.10%. Se concluyó que el modelo propuesto permite una segmentación robusta a nivel de píxel, eliminando interferencias visuales y proporcionando una herramienta superior a los métodos de detección convencionales para la cuantificación objetiva y el seguimiento clínico de la evolución de la herida