Deepwound：基于卷积神经网络的术后伤口自动评估与手术部位监测
计算机视觉与模式识别
2018-07-13 v1
摘要
术后伤口并发症是医院、医生和患者的一项重要开支来源。因此，亟需一种有效的方法来诊断伤口并发症的发生。由于伤口部位外观的多变性，算法化分类伤口图像是一项困难任务。卷积神经网络（CNNs）作为人工神经网络的一个分支，在视觉图像分析方面已展现出巨大潜力，可被用于对外科手术伤口进行分类。我们提出了一个多标签 CNN 集成模型 Deepwound，其仅以图像像素及相应标签作为输入来训练分类伤口图像。我们的最终计算模型能够准确识别九个标签的存在：引流、纤维蛋白性渗出物、肉芽组织、手术部位感染、开放性伤口、皮钉、免缝胶带和缝线。我们的模型在受试者工作特征（ROC）曲线下面积（AUC）得分、灵敏度、特异度及 F1 分数上均优于该领域已有工作。智能手机因其日益普及而为可及的伤口护理提供了手段。结合深度神经网络，它们能够提供临床洞察以协助外科医生进行术后护理。我们还展示了 Deepwound 的移动应用前端，可帮助患者在家中舒适地跟踪其伤口与手术恢复情况。
引用
@article{arxiv.1807.04355,
title = {Deepwound: Automated Postoperative Wound Assessment and Surgical Site Surveillance through Convolutional Neural Networks},
author = {Varun Shenoy and Elizabeth Foster and Lauren Aalami and Bakar Majeed and Oliver Aalami},
journal= {arXiv preprint arXiv:1807.04355},
year = {2018}
}
备注
7 pages, 11 figures, 2 tables