Herramienta de apoyo en diagnóstico preventivo de pie plano utilizando procesamiento de imágenes de profundidad

Abstract

El arco plantar desempeña un papel importante en la distribución de cargas durante la marcha y su alteración puede estar relacionada con molestias, dolor crónico y otras patologías. En la práctica clínica, la detección del pie plano suele apoyarse en índices obtenidos a partir de huellas plantares 2D o en estudios instrumentados de mayor costo. En este trabajo se propuso una metodología para analizar huellas plantares mediante mapas de profundidad y técnicas de aprendizaje automático, con el fin de explorar una alternativa accesible para el apoyo al diagnóstico preventivo del pie plano en población adulta. La base de datos se obtuvo con una cámara Intel RealSense y un sistema de captura diseñado para este propósito, que permite registrar de manera simultánea información RGB y de profundidad de las huellas sobre una superficie de vidrio. A partir de los mapas de profundidad, se aplicó una etapa de preprocesamiento que incluye corrección de plano, segmentación de la huella mediante información de color y profundidad, y cálculo de métricas morfológicas como ´área proyectada, volumen bajo el arco y altura promedio. De forma complementaria se calcularon índices clínicos tradicionales (Staheli y Chippaux–Smirak) y se construyeron imágenes normalizadas para alimentar un extractor de vectores de características basado en redes neuronales convolucionales. Con estos insumos se llevaron a cabo diversos experimentos de clasificación binaria (pie plano / pie no plano), comparando modelos bayesianos basados en estimación de densidad por núcleo (kernel density estimation, KDE), perceptrones multicapa y clasificadores clásicos entrenados sobre matrices de profundidad completas y sobre embeddings. Los resultados muestran que el uso de representaciones latentes de dimensión moderada, combinado con estrategias explícitas de balanceo de clases como sobre muestreo de la clase minoritaria sintética (synthetic minority over-sampling technique, SMOTE), mejora de manera notable la sensibilidad hacia la clase pie plano sin sacrificar el desempeño global. Estos hallazgos sugieren que la integración de sensores de profundidad, descriptores morfológicos y modelos de aprendizaje automático puede convertirse en una herramienta complementaria de bajo costo para el estudio cuantitativo del arco plantar.