基于联合边界分割与多分类模型提高自动伤口评估 accuracy
计算机视觉与模式识别
2026-03-31 v1 人工智能
摘要
准确的伤口分类和边界分割是管理慢性和急性伤口时指导临床决策的关键。然而，大多数现有AI模型都受限于仅关注狭窄的伤口类型或仅执行单一任务（分割或分类），这降低了其临床适用性。本研究提出一种基于YOLOv11的深度学习模型，同时实现伤口边界分割（Wound Boundary Segmentation，WBS）和伤口分类（Wound Classification，WC），覆盖五种临床相关的伤口类型：烧伤（Burn Injury，BI）、压疮（Pressure Injury，PI）、糖尿病足溃疡（Diabetic Foot Ulcer，DFU）、血管溃疡（Vascular Ulcer，VU）和手术伤口（Surgical Wound，SW）。创建了一个包含2,963个标注图像的伤口类型平衡数据集，用于训练双任务模型，并采用分层五折交叉验证确保了稳健且不偏倚的评估。在原始非增强数据集上训练的模型在各折中表现一致，尽管BI检测准确率相对较低。因此，使用旋转、翻转以及亮度、饱和度和曝光的变化对数据集进行增强，以帮助模型学习更通用和不变的特征。这种增强显著改善了模型性能，尤其是在检测视觉上细微的BI案例方面。在所测试的变体中，YOLOv11x实现了最高的性能，分别在WBS和WC上的F1分数分别为0.9341和0.8736，而轻量级YOLOv11n提供了相当的准确率，同时计算成本较低，适用于资源受限的部署。基于混淆矩阵和可视化检测输出，结果确认了该模型对复杂背景和较高类别内变异性的鲁健性，表明YOLOv11-based架构在临床和远程护理环境中具有准确、实时伤口分析的潜力。
引用
@article{arxiv.2603.27325,
title = {Improving Automated Wound Assessment Using Joint Boundary Segmentation and Multi-Class Classification Models},
author = {Mehedi Hasan Tusar and Fateme Fayyazbakhsh and Igor Melnychuk and Ming C. Leu},
journal= {arXiv preprint arXiv:2603.27325},
year = {2026}
}