用于增强糖尿病足溃疡感染预测的引导条件扩散分类器
计算机视觉与模式识别
2024-05-03 v1
摘要
旨在从照片中检测糖尿病足溃疡中的感染伤口，以防止严重并发症和截肢。方法：本文提出了引导条件扩散分类器，这是一种新颖的深度学习感染检测模型，它将引导图像合成与去噪扩散模型以及基于距离的分类相结合。该过程包括： 通过向引导图像注入高斯噪声生成引导条件合成图像，随后在以感染状态为条件的反向扩散过程中对受噪声扰动的图像进行去噪；以及 基于合成图像与原始引导图像在嵌入空间中的最小 Euclid 距离对感染进行分类。结果：ConDiff 表现出优越的性能，准确率为 83%，F1 分数为 0.858，比 SOTA 模型高出至少 3%。Triplet 损失函数的使用减少了基于距离的分类器中的过拟合。结论：ConDiff 不仅提高了 DFU 感染的诊断准确率，还开创了将生成式判别模型用于详细医学图像分析的先河，为改善患者预后提供了一种有前景的方法。
引用
@article{arxiv.2405.00858,
title = {Guided Conditional Diffusion Classifier (ConDiff) for Enhanced Prediction of Infection in Diabetic Foot Ulcers},
author = {Palawat Busaranuvong and Emmanuel Agu and Deepak Kumar and Shefalika Gautam and Reza Saadati Fard and Bengisu Tulu and Diane Strong},
journal= {arXiv preprint arXiv:2405.00858},
year = {2024}
}