高斯随机场作为患者元数据的抽象表示用于多模态医学图像分割
图像与视频处理
2025-05-30 v2 计算机视觉与模式识别
摘要
慢性伤口（尤其是糖尿病患者中的慢性伤口）的发生率近年来呈令人担忧的增长趋势。慢性伤口难以且昂贵治疗，已成为全球医疗保健系统的严重负担。慢性伤口可能对患者造成严重后果，感染常常导致生活质量下降和死亡风险增加。用于检测和监测此类伤口的创新深度学习方法有望减轻对患者和临床医生的影响。我们提出了一种新颖的多模态分割方法，允许将患者元数据引入训练工作流，在此过程中患者数据被表示为高斯随机场。我们的结果表明，所提出的方法在利用多个模型时性能有所提升，每个模型分别训练于不同的元数据类别。在使用糖尿病足溃疡挑战赛 2022 测试集时，与基线结果（交并比 = 0.4670，Dice 相似系数 = 0.5908）相比，我们在交并比和 Dice 相似系数方面分别展示了 +0.0220 和 +0.0229 的提升。本文首次聚焦于将患者数据整合到慢性伤口分割工作流中。我们的结果表明，使用特定元数据类别分别训练个体模型后，通过距离变换对预测掩码进行平均合并，可获得显著的性能提升。本研究的所有源代码均可在以下地址获取：https://github.com/mmu-dermatology-research/multimodal-grf
引用
@article{arxiv.2503.05214,
title = {Gaussian Random Fields as an Abstract Representation of Patient Metadata for Multimodal Medical Image Segmentation},
author = {Bill Cassidy and Christian McBride and Connah Kendrick and Neil D. Reeves and Joseph M. Pappachan and Shaghayegh Raad and Moi Hoon Yap},
journal= {arXiv preprint arXiv:2503.05214},
year = {2025}
}