检测-分割：一种自动化伤口图像分割的深度学习方法
计算机视觉与模式识别
2021-11-03 v1 图像与视频处理
摘要
慢性伤口严重影响生活质量。如果处理不当，伤口可能严重恶化。基于图像的伤口分析可通过量化与愈合相关的重要特征，辅助客观评估伤口状态。然而，伤口类型、图像背景构成及拍摄条件的高度异质性，对伤口图像的鲁棒分割构成挑战。我们提出 Detect-and-Segment (DS)，一种具有高泛化能力的深度学习方法，用于生成伤口分割图。在该方法中，专用深度神经网络检测伤口位置，将伤口与无信息背景隔离，并计算伤口分割图。我们使用一个包含糖尿病足溃疡图像的数据集评估了该方法。为进一步测试，使用了来自不同身体部位、伤口类型更丰富的 4 个补充独立数据集。当在完整图像上计算分割时，Matthews 相关系数 (MCC) 为 0.29，而在同一方法中结合检测与分割后，MCC 提升至 0.85。在来自补充数据集的伤口图像上测试时，DS 方法将平均 MCC 从 0.17 提升至 0.85。此外，DS 方法使得在保持分割性能的同时，能够使用最多减少 90% 的训练数据来训练分割模型。
引用
@article{arxiv.2111.01590,
title = {Detect-and-Segment: a Deep Learning Approach to Automate Wound Image Segmentation},
author = {Gaetano Scebba and Jia Zhang and Sabrina Catanzaro and Carina Mihai and Oliver Distler and Martin Berli and Walter Karlen},
journal= {arXiv preprint arXiv:2111.01590},
year = {2021}
}