边界注意力映射（BAM）：用于烧伤损伤分割的细粒度显著图
计算机视觉与模式识别
2023-05-25 v1
摘要
烧伤可由热、化学和电击等机制造成。对烧伤及时准确的评估对于确定确定性临床治疗至关重要。目前，通过视觉和触觉观察进行烧伤评估的主要方法准确率约为 60%–80%。金标准是活检，其次是非侵入性方法如激光多普勒成像（LDI）评估，其在预测烧伤严重度和所需愈合时间方面准确率高达 97%。本文中，我们引入了一种机器学习流水线，用于评估烧伤严重度并分割受烧伤影响的皮肤区域。对烧伤的 2D 彩色图像进行分割可区分受伤与未受伤皮肤，清晰标记局部烧伤/感兴趣区域的范围和边界，甚至可在远程监测烧伤患者时实现。我们训练了一个卷积神经网络（CNN）来对四种烧伤严重度进行分类。我们构建了显著图映射方法——边界注意力映射（BAM），利用该训练好的 CNN 精确地从皮肤烧伤图像中定位和分割烧伤区域。我们通过使用两个数据集的广泛实验与评估证明了所提流水线的有效性：1）一个较大的皮肤烧伤图像数据集，包含 1684 张四种烧伤严重度的皮肤烧伤图像；2）一个 LDI 数据集，共包含 184 张皮肤烧伤图像及其关联的 LDI 扫描。使用第一个数据集训练的 CNN 在分类四种烧伤严重度时达到了 78% 的平均 F1 分数和 85% 的微/宏平均 ROC。此外，BAM 结果与 LDI 结果在损伤边界测量上的比较表明，我们的方法生成的分割达到了 91.60% 准确率、78.17% 灵敏度和 93.37% 特异性。
引用
@article{arxiv.2305.15365,
title = {Boundary Attention Mapping (BAM): Fine-grained saliency maps for segmentation of Burn Injuries},
author = {Mahla Abdolahnejad and Justin Lee and Hannah Chan and Alex Morzycki and Olivier Ethier and Anthea Mo and Peter X. Liu and Joshua N. Wong and Colin Hong and Rakesh Joshi},
journal= {arXiv preprint arXiv:2305.15365},
year = {2023}
}