一种用于皮肤创面分析的超像素驱动深度学习方法
图像与视频处理
2019-09-24 v2 计算机视觉与模式识别
机器学习
摘要
背景。基于图像识别皮肤创面中的不同组织可提升患者护理，因为无需侵入性评估。本手稿提出了一种我们命名为 QTDU 的方法，它结合深度学习模型与超像素驱动分割方法，用于评估皮肤溃疡的组织质量。方法。QTDU 由一个三阶段流水线组成，用于获取溃疡分割、组织标记和创面区域量化。我们使用真实且带标注的皮肤溃疡集来训练若干深度学习模型以识别溃疡超像素，从而构建我们的方法。结果。在划分为四类的 179,572 个超像素上的实证评估显示，QTDU 准确识别创面组织（AUC = 0.986，灵敏度 = 0.97，特异度 = 0.974），并通过基于 ResNet 的模型微调，在 F1-Score 上比机器学习方法高出至多 8.2%。最后同样重要的是，实验评估还显示 QTDU 以 0.089 平均绝对误差比正确量化了创面组织区域。结论。结果表明 QTDU 在组织分割与创面区域量化任务上的有效性。与现有机器学习方法相比，超像素与深度学习模型的结合在强显著水平上优于竞争者。
引用
@article{arxiv.1909.06264,
title = {A superpixel-driven deep learning approach for the analysis of dermatological wounds},
author = {Gustavo Blanco and Agma J. M. Traina and Caetano Traina and Paulo M. Azevedo-Marques and Ana E. S. Jorge and Daniel de Oliveira and Marcos V. N. Bedo},
journal= {arXiv preprint arXiv:1909.06264},
year = {2019}
}