基于深度学习的热图分析用于评估伤口皮肤层厚度
计算机视觉与模式识别
2024-11-20 v1 人工智能
摘要
理解伤口部位皮肤层厚度的合适值对于推进伤口愈合实践和治疗方案具有重要意义。常用的方法测量深度往往是侵入性的且不够具体。本文引入了一种非侵入性的深度学习方法，通过对皮肤层的分类实现伤口深度测量。该方法使用热图分析。约200张标记皮肤图像用于区分五个类别：疤痕、伤口和健康皮肤等。每张图像在软件 Roboflow 中标注了关键层，即角质层、表皮和真皮。在初步阶段，使用 VGG16 生成热图以增强组织层的可见性，基于此获得的标记图像用于训练 ResNet18，采用早停技术。最终以非常高的准确率 97.67% 达成。为此，比较了 ResNet18、VGG16、DenseNet121 和 EfficientNet 模型，其中 EfficientNet 和 ResNet18 的准确率几乎均达到 95.35%。为进一步进行超参数调优，EfficientNet 和 ResNet18 在六个不同的学习率下进行训练，以确定最佳模型配置。结果表明，准确率在不同学习率下存在显著变化。EfficientNet 在学习率为 0.0001 时达到最高准确率 95.35%，ResNet18 亦在相同学习率下达到峰值 95.35%。这些发现表明，该模型可以应用于实际场景中的非侵入性伤口评估，具有巨大的潜力用于临床诊断和治疗计划。
引用
@article{arxiv.2411.12678,
title = {Deep Learning-Driven Heat Map Analysis for Evaluating thickness of Wounded Skin Layers},
author = {Devakumar GR and JB Kaarthikeyan and Dominic Immanuel T and Sheena Christabel Pravin},
journal= {arXiv preprint arXiv:2411.12678},
year = {2024}
}