用于增强 PICU 病人监测中遮挡分割的混合深度学习方法
计算机视觉与模式识别
2024-07-19 v1 信号处理
摘要
远程病人监测作为一种前沿的非侵入性方法，正逐渐成为使用数字技术和计算机视觉（CV）以替代传统侵入性监测的热门选择。尽管新生儿和儿童科室拥抱了这一方法，但儿童急性照护单元（PICU）面临着遮挡阻碍准确图像分析和解读的挑战。\textit{目标}：本研究提出一种混合方法，有效分割 PICU 远程监测应用中常见的遮挡。我们的做法核心在于针对训练数据有限的场景构建深度学习管线。\textit{方法}：首先，构想一种将已建立的 Google DeepLabV3+ 分割模型与基于转换器的 Segment Anything Model（SAM）相结合，用于遮挡分割掩码的提议与细化。随后，我们使用来自真实 PICU 环境、配备 Microsoft Kinect 相机的小型数据集进行训练与验证，实现了 85\% 的 Intersection-over-Union（IoU）指标。\textit{结果}：定量与定性分析均凸显了所提方法的有效性。该框架实现了 92.5\% 的整体分类准确率、93.8\% 的召回率、90.3\% 的精确率和 92.0\% 的 F1 分数。结果表明，该方法在所有指标上均实现了平均提升约 2.75\%。\textit{结论}：所提混合方法显著增强了 PICU 场景下遮挡的分割，推动了儿童护理质量的提升，解决了临床实践中的关键需求，确保更准确可靠的远程监测。
引用
@article{arxiv.2407.13341,
title = {Hybrid Deep Learning-Based for Enhanced Occlusion Segmentation in PICU Patient Monitoring},
author = {Mario Francisco Munoz and Hoang Vu Huy and Thanh-Dung Le},
journal= {arXiv preprint arXiv:2407.13341},
year = {2024}
}
备注
Under revision