基于超声成像的深度学习烧伤深度分类模型
图像与视频处理
2022-03-31 v1 计算机视觉与模式识别
摘要
以足够高的准确度识别烧伤深度是一个具有挑战性的问题。本文提出一种深度卷积神经网络，基于烧伤皮肤组织形态改变在超声图像中呈现为纹理图案来分类烧伤深度。该网络首先使用编码器-解码器架构学习未烧伤皮肤图像的低维流形，并从烧伤皮肤的超声图像中重建该流形。随后重新训练编码器以分类烧伤深度。编码器-解码器网络使用由离体猪未烧伤和烧伤皮肤的B超图像组成的数据集进行训练。分类器使用从 freshly euthanized postmortem 猪获取的烧伤在体皮肤样本的B超图像开发。20折交叉验证获得的性能指标表明，该模型可识别临床最难诊断的深Ⅱ度烧伤，准确率为99%、灵敏度为98%、特异度为100%。分类器的诊断准确性进一步由受试者工作特征曲线和精确率-召回曲线下面积的高值分别0.99和0.95所说明。事后解释表明，分类器激活了B超图像中用于烧伤分类的判别性纹理特征。所提出的模型有潜力在临床中使用广泛可用的临床成像设备辅助烧伤深度的临床评估。
引用
@article{arxiv.2203.15879,
title = {A deep learning model for burn depth classification using ultrasound imaging},
author = {Sangrock Lee and Rahul and James Lukan and Tatiana Boyko and Kateryna Zelenova and Basiel Makled and Conner Parsey and Jack Norfleet and Suvranu De},
journal= {arXiv preprint arXiv:2203.15879},
year = {2022}
}