用于糖尿病足溃疡半监督多标签分类的深度子空间分析

糖尿病是一种全球日益增长的流行病。糖尿病患者有发生通常导致肢体截肢的足溃疡的风险。为开发自监测移动应用，本文中我们提出一种用于糖尿病足溃疡半监督多标签分类的新型深度子空间分析流程。为避免任何过拟合可能，与近期最先进的深度半监督方法不同，所提流程不包含任何数据增强。相反，在提取深度特征后，为使表示具有平移不变性，我们对每幅图像采用多种数据增强方法并生成图像集，随后将其映射至线性子空间。此外，所提流程降低了当有更多新无标签数据可用时的重训练成本。因此，流程的第一阶段通过修改并重训练一种称为Xception的深层卷积网络架构，采用迁移学习概念进行特征提取。然后，提取中间层输出，借助数据增强方法生成任意给定图像的图像集表示。在此阶段，每幅图像被转移至线性子空间，该子空间是Grassmann流形拓扑空间上的一个点。因此，为对其进行分析，必须考虑此类流形的几何结构。据此，每幅有标签图像表示为到若干无标签图像的距向量，使用Grassmann流形上的测地距离。最后，训练随机森林用于糖尿病足溃疡图像的多标签分类。该方法随后在DFU2021竞赛提供的盲测试集上评估，结果相较使用带数据增强的经典迁移学习有显著改进。