基于 Xception 和高斯混合循环神经网络 (GMRNN) 的伤口图像与位置多模态分类
计算机视觉与模式识别
2025-05-14 v1
摘要
有效诊断急性和难以愈合的伤口对于临床护士提供有效患者护理至关重要。感染、周围血管疾病以及伤口深度的增加常常与不良临床结果相关联。然而，基于人工智能 (AI) 的诊断工具能够加快医学图像的解读，并提高疾病的早期检测。本文提出了一种基于迁移学习 (TL) 的多模态 AI 模型，将两种最先进的架构——Xception 和 GMRNN——用于伤口分类。通过连接迁移学习算法提取的特征和位置特征，用于对糖尿病性伤口、压疮、手术伤口和静脉瘤伤口的类型进行分类。本文对所提方法与深度神经网络 (DNN) 在医学图像分析中的综合比较进行了实验。实验结果显示，在各种实验中，伤口分类结果（仅包括糖尿病性伤口、压疮、手术伤口和静脉瘤）范围从 78.77% 到 100%。本研究的结果展示了该方法在使用伤口图像及其相应位置准确分类最常见伤口类型的卓越准确性。
引用
@article{arxiv.2505.08086,
title = {Multi-modal wound classification using wound image and location by Xception and Gaussian Mixture Recurrent Neural Network (GMRNN)},
author = {Ramin Mousa and Ehsan Matbooe and Hakimeh Khojasteh and Amirali Bengari and Mohammadmahdi Vahediahmar},
journal= {arXiv preprint arXiv:2505.08086},
year = {2025}
}