深度学习在糖尿病足溃疡检测中的综合评估
计算机视觉与模式识别
2021-12-07 v3
摘要
已有大量研究涉及用于糖尿病足溃疡（DFU）检测与识别的计算机方法和技术，但缺乏将最先进的深度学习目标检测框架应用于该问题的系统性比较。DFUC2020 为参与者提供了一个综合数据集，包含 2000 张训练图像和 2000 张测试图像。本文通过比较获奖团队提出的基于深度学习算法来总结 DFUC2020 的结果：Faster R-CNN、三种 Faster R-CNN 变体及一种集成方法；YOLOv3；YOLOv5；EfficientDet；以及一种新的 Cascade Attention Network。对于每种深度学习方法，我们提供模型架构、训练参数设置以及包括预处理、数据增强和后处理的额外阶段的详细描述。我们对每种方法进行了综合评估。所有方法都需要一个数据增强阶段以增加可用于训练的图像数量，以及一个后处理阶段以去除假阳性。最佳性能由 Deformable Convolution（Faster R-CNN 的一种变体）取得，平均精度均值（mAP）为 0.6940，F1 分数为 0.7434。最后，我们证明基于不同深度学习方法的集成方法可以提升 F1 分数但不能提升 mAP。
引用
@article{arxiv.2010.03341,
title = {Deep Learning in Diabetic Foot Ulcers Detection: A Comprehensive Evaluation},
author = {Moi Hoon Yap and Ryo Hachiuma and Azadeh Alavi and Raphael Brungel and Bill Cassidy and Manu Goyal and Hongtao Zhu and Johannes Ruckert and Moshe Olshansky and Xiao Huang and Hideo Saito and Saeed Hassanpour and Christoph M. Friedrich and David Ascher and Anping Song and Hiroki Kajita and David Gillespie and Neil D. Reeves and Joseph Pappachan and Claire O'Shea and Eibe Frank},
journal= {arXiv preprint arXiv:2010.03341},
year = {2021}
}
备注
19 pages, 18 figures, 10 tables