面向伤口分类的图像与位置联合分析：一种深度学习方法
计算机视觉与模式识别
2023-08-25 v2 人工智能
摘要
急性和慢性伤口的全球负担凸显了改进伤口分类方法的必要性，这是诊断和确定最佳治疗的关键步骤。认识到这一需求，我们引入了一种基于深度卷积神经网络的多模态网络，用于将伤口分为四类：糖尿病性溃疡、压力性溃疡、手术性溃疡和静脉性溃疡。我们的多模态网络利用伤口图像及其对应的身体位置进行更精确的分类。我们方法的一个独特之处是引入了身体地图系统，便于准确的伤口位置标注，改进了传统的伤口图像分类技术。我们方法的一个显著特征是在新颖架构中集成了VGG16、ResNet152和EfficientNet等模型。该架构包含空间与通道注意力Squeeze-and-Excitation模块、轴向注意力（Axial Attention）和自适应门控多层感知机（Adaptive Gated Multi-Layer Perceptron）等组件，为分类提供了鲁棒基础。我们的多模态网络在两个包含相关图像及对应位置信息的数据集上进行了训练和评估。值得注意的是，我们提出的网络优于传统方法，在感兴趣区域（ROI）无位置分类中准确率达74.79%至100%，ROI带位置分类中达73.98%至100%，整图分类中达78.10%至100%。这标志着相比文献中先前报道的性能指标有显著提升。我们的结果表明，我们的多模态网络作为伤口图像分类的有效决策支持工具具有潜力，为其在多种临床环境中的应用铺平了道路。
引用
@article{arxiv.2308.11877,
title = {Integrated Image and Location Analysis for Wound Classification: A Deep Learning Approach},
author = {Yash Patel and Tirth Shah and Mrinal Kanti Dhar and Taiyu Zhang and Jeffrey Niezgoda and Sandeep Gopalakrishnan and Zeyun Yu},
journal= {arXiv preprint arXiv:2308.11877},
year = {2023}
}