📄 health informatics

FootNet: A Multi-View Smartphone Dataset and Four-Model Benchmark for Clinical Foot Segmentation

Este artículo presenta FootNet, un conjunto de datos de smartphone de múltiples vistas con máscaras anotadas por expertos para la segmentación clínica del pie, y establece un punto de referencia que demuestra que una U-Net con un codificador MobileNetV2 supera significativamente a otros modelos, incluyendo DeepLabV3, UNet++ y SAM ViT-B, en términos de precisión de segmentación.

Autores originales: Vijay, A., Prabhune, A., Srihari, V. R., Rayampalli, A.

Publicado 2026-07-17

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Vijay, A., Prabhune, A., Srihari, V. R., Rayampalli, A.

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Esta es una explicación generada por IA de un preprint que no ha sido revisado por pares. No es consejo médico. No tome decisiones de salud basándose en este contenido. Leer descargo de responsabilidad completo

Imagina que estás intentando enseñarle a un robot a ver el mundo, pero en lugar de darle una foto perfecta de un zapato, iluminada en un estudio, le entregas una instantánea desordenada tomada con mano temblorosa en una clínica concurrida. Este es el desafío de la visión artificial, una rama de la ciencia donde intentamos que las máquinas comprendan las imágenes tal como lo hacen los humanos. Específicamente, este artículo se sumerge en la segmentación de imágenes médicas, que es como jugar un juego de alto riesgo de "unir los puntos" donde los puntos son píxeles. El objetivo es dibujar una línea perfecta alrededor de un objeto específico —en este caso, un pie humano— separándolo del desorden del fondo compuesto por suelos, ropa y sombras. ¿Por qué es esto importante? Porque si una computadora puede medir con precisión un pie a partir de una simple foto de un smartphone, los médicos podrían rastrear heridas fácilmente, ajustar zapatos para personas con diabetes o detectar deformidades sin necesidad de escáneres 3D costosos y voluminosos. Se trata de llevar herramientas médicas de alta tecnología a la palma de tu mano, incluso cuando la iluminación es mala y el fondo es caótico.

Ahora, conoce a FootNet, la nueva estrella en este juego. Los investigadores crearon un enorme álbum de fotos multivista de 453 pies, tomadas con smartphones comunes por el personal de la clínica. No son tomas de estudio perfectas; son imágenes del mundo real con iluminación y fondos variados, capturadas desde seis ángulos diferentes: la parte superior (dorsal), el lateral (medial) y la parte inferior (plantar) de ambos pies, izquierdo y derecho. Cada uno de los pies en este álbum fue cuidadosamente trazado por expertos humanos para crear un mapa de "verdad fundamental" (ground truth), que muestra exactamente dónde termina el pie y dónde comienza el suelo.

El equipo organizó entonces una competencia amistosa (pero feroz) entre cuatro modelos de IA diferentes para ver cuál podía dibujar el mejor contorno alrededor de estos pies. Piensa en estos modelos como cuatro artistas diferentes con distintos estilos:

U-Net (con un codificador MobileNetV2): El artista clásico y confiable, conocido por preservar detalles finos.
UNet++: Una versión más compleja del primer artista, que intenta ser extra meticulosa con rutas anidadas.
DeepLabV3 (con MobileNetV3-Large): Un especialista en comprender el contexto y la escala.
SAM (Segment Anything Model): Un famoso "súper-artista" preentrenado que usualmente necesita una pista (como un cuadro delimitador) para saber qué dibujar.

Los resultados fueron claros. U-Net se llevó la corona, logrando la mayor precisión con un IoU (Intersección sobre Unión, una puntuación que mide cuánto se superpone la línea dibujada con el pie real) de 0.9268 y una puntuación Dice de 0.9608. En términos sencicos, su contorno estaba casi perfectamente alineado con el dibujo del experto. El artículo descarta explícitamente la idea de que los modelos más sofisticados y complejos sean siempre mejores; UNet++ no superó significativamente al más simple DeepLabV3, lo que sugiere que añadir complejidad extra no ayudó en esta tarea específica.

Incluso el "súper-artista" SAM, cuando se le dio una pista perfecta (un cuadro delimitador "oráculo" dibujado alrededor del pie), obtuvo un IoU de 0.9219 en el subconjunto de imágenes en las que fue probado. Aunque impresionante, las pruebas estadísticas mostraron que U-Net superó significativamente a SAM (con un valor p de 0.005), demostrando que un modelo entrenado específicamente para estas fotos de pies es mejor que un modelo de propósito general, incluso cuando el modelo general recibe una pista perfecta. Los investigadores también probaron un truco de "limpieza" llamado post-procesamiento de componentes conectados, con la esperanza de que arreglara partes desordenadas en los dibujos, pero descubrieron que apenas hacía diferencia (mejorando la puntuación en solo 0.0003 en promedio), por lo que decidieron que no valía la pena usarlo.

Un descubrimiento interesante fue que la IA funcionó mejor en las vistas plantares (inferiores), con puntuaciones de IoU alrededor de 0.95, probablemente porque la suela del pie crea una forma clara y de alto contraste contra el suelo. Las vistas dorsales (superiores) fueron más complicadas, especialmente para el pie derecho, donde el fondo era más desordenado, causando más variación en los resultados.

En conclusión, este artículo sugiere que para el trabajo específico de trazar pies a partir de fotos desordenadas de smartphones, la arquitectura clásica U-Net es la herramienta más confiable, superando tanto a su prima compleja como a la famosa IA de propósito general. El conjunto de datos en sí, FootNet, está disponible para que otros investigadores lo utilicen, con las 191 imágenes originales abiertas al público y el conjunto completo de 453 disponible bajo petición. Los autores advierten cuidadosamente que, si bien los resultados son sólidos, provienen de una sola clínica y los modelos no han sido probados en diferentes dispositivos o en diferentes países, por lo que aún queda trabajo por hacer antes de que esto se convierta en un estándar médico universal.

Resumen Técnico: FootNet

Planteamiento del Problema
La segmentación automatizada de todo el pie a partir de fotografías de teléfonos inteligentes de consumo es un paso de preprocesamiento crítico para los flujos de trabajo clínicos, que incluyen la medición del área de las heridas, la gradación de deformidades y la adaptación de calzado. Sin embargo, los conjuntos de datos públicos existentes se centran principalmente en la segmentación a nivel de la herida (por ejemplo, el Desafío de Úlceras de Pie Diabético) en lugar de todo el pie. Además, el análisis actual de todo el pie suele depender de entornos controlados utilizando escáneres plantares 3D, cámaras térmicas o sensores de profundidad, los cuales no están disponibles en entornos de atención en el punto de atención (point-of-care). Las fotografías clínicas del mundo real presentan desafíos significativos debido a la captura manual, la iluminación ambiental y los diversos fondos, que a menudo son de color piel, lo que hace que la segmentación sea sustancialmente más difícil que en entornos controlados. Antes de este trabajo, no existía un conjunto de datos de todo el pie de múltiples vistas disponible públicamente que fuera adquirido bajo condiciones realistas de atención en el punto de atención.

Metodología
Los autores presentan FootNet, un conjunto de datos y un punto de referencia (benchmark) diseñado para abordar estas brechas.

Construcción del Conjunto de Datos: FootNet consta de 453 pares de imagen-máscara recolectados en clínicas ambulatorias utilizando varios teléfonos inteligentes de consumo sin trípodes ni iluminación controlada. El conjunto de datos cubre seis vistas anatómicas (dorsal, medial y plantar para ambos pies, izquierdo y derecho). Las imágenes fueron anotadas por personal capacitado utilizando LabelMe para trazar los límites del pie, convertidas a máscaras binarias PNG y desidentificadas. El conjunto de datos se divide en un conjunto público original (191 imágenes) y un conjunto extendido (262 imágenes) pendiente de revisión de desidentificación.
Evaluación Comparativa de Modelos: El estudio evalúa cuatro arquitecturas de segmentación bajo un protocolo controlado:
1. U-Net con un codificador MobileNetV2.
2. UNet++ con un codificador MobileNetV2.
3. DeepLabV3 con un codificador MobileNetV3-Large.
4. Segment Anything Model (SAM) ViT-B, evaluado en un entorno de capacidad cero (zero-shot) utilizando un prompt de caja delimitadora "oráculo" (la caja de la verdad de campo ajustada con un margen de 20px) para establecer un límite superior de la calidad del prompt.
Entrenamiento y Evaluación: Los modelos supervisados fueron entrenados en el conjunto completo de 453 imágenes utilizando una pérdida combinada de Dice + Entropía Cruzada Binaria (BCE), optimizador AdamW y estrategias de aumentación específicas (giros, rotaciones, perturbaciones afines). Las métricas de evaluación incluyeron la Intersección sobre la Unión (IoU) y el coeficiente Dice. La significancia estadística se evaluó mediante pruebas de rango con signo de Wilcoxon corregidas con Bonferroni a través de seis comparaciones por pares, reportando los tamaños del efecto como correlaciones de rango-biserial.

Contribuciones Clave

Conjunto de Datos FootNet: Un conjunto de datos de pies de smartphone de múltiples vistas con máscaras binarias anotadas por expertos, disponible en dos niveles (191 imágenes públicas y 262 imágenes solicitables).
Benchmark Controlado: Un análisis comparativo de cuatro modelos de segmentación distintos (U-Net, UNet++, DeepLabV3 y SAM) en este dominio específico.
Análisis Estadístico Riguroso: Aplicación de pruebas de significancia corregidas con Bonferroni e intervalos de confianza de bootstrap para validar las diferencias de rendimiento.
Estudio de Ablación: Una evaluación del post-procesamiento de componentes conectados para determinar su utilidad en el refinamiento de los resultados de segmentación.

Resultados

Rendimiento de los Modelos: U-Net con un codificador MobileNetV2 logró el mejor rendimiento general con un IoU de 0.9268 y un puntaje Dice de 0.9608.
- U-Net superó significativamente a DeepLabV3 (IoU 0.8984, $p < 0.001$ ) y a UNet++ (IoU 0.8913, $p < 0.001$ ).
- UNet++ no difirió significativamente de DeepLabV3 ( $p = 0.062$ ).
Comparación con SAM: En el subconjunto emparejado de 191 imágenes, U-Net (IoU 0.9274) superó significativamente a SAM ViT-B con prompts de oráculo (IoU 0.9219, $p = 0.005$ ). Por el contrario, SAM superó significativamente a DeepLabV3 en este subconjunto ( $p < 0.001$ ), mientras que la diferencia entre UNet++ y SAM no fue estadísticamente significativa tras la corrección.
Rendimiento por Vista: Las vistas plantares arrojaron la mayor precisión (por ejemplo, IoU Plantar Izquierdo 0.9526), probablemente debido a las siluetas de alto contraste contra los suelos. La vista dorsal derecha mostró la mayor varianza (desviación estándar 0.102), atribuida a fondos complejos y diversas posturas de los pacientes.
Post-procesamiento: El análisis de componentes conectados produjo un beneficio insignificante, mejorando el IoU medio en solo 0.0003 en todo el conjunto de datos.

Significancia y Reivindicaciones
El artículo sostiene que U-Net con un codificador MobileNetV2 es el modelo más robusto para esta tarea específica, ofreciendo tanto una mayor precisión media como un menor riesgo de fallo en el peor de los casos en comparación con DeepLabV3 y el modelo basado en prompts, SAM. Los autores atribuyen el éxito de U-Net a sus conexiones de salto (skip connections) de codificador-decodificador, que preservan los detalles finos de los límites que el pooling atrous (utilizado en DeepLabV3) podría descartar a la resolución de 384×384 utilizada.

El estudio destaca que, si bien SAM demuestra fuertes capacidades de capacidad cero cuando se le proporcionan prompts perfectos, sigue siendo sensible a la ambigüedad dentro de la caja y requiere significativamente más recursos computacionales (checkpoint de 375 MB) en comparación con el modelo libre de prompts, U-Net. Los autores concluyen que, para los flujos de trabajo clínicos posteriores, U-Net ofrece un equilibrio superior de precisión, eficiencia y fiabilidad.

Limitaciones
Los autores señalan explícitamente varias restricciones: los datos se originan de un único sitio clínico con fiabilidad inter-evaluador desconocida; la división de entrenamiento/validación se realizó a nivel de imagen en lugar de a nivel de paciente (lo que podría introducir filtración de datos o data leakage); y el tamaño del conjunto de datos (453 imágenes) es modesto para los estándares del aprendizaje profundo, lo que limita la generalización de los hallazgos a arquitecturas basadas en transformadores o diversas condiciones de adquisición. No se realizaron evaluaciones de inferencia en el dispositivo.

Más como este