基于集成深度CNN分类器的多类伤口图像分类
计算机视觉与模式识别
2021-06-07 v1
摘要
急性和慢性伤口是全球医疗系统面临的挑战，每年影响许多人的生活。伤口分类是伤口诊断的关键步骤，有助于临床医生确定最优治疗方案。因此，拥有高性能分类器可协助该领域专家以更低的费用和时间成本对伤口进行分类。文献中已提出不同的基于机器学习和深度学习的伤口分类方法。在本研究中，我们开发了一种基于集成深度卷积神经网络(Deep Convolutional Neural Network)的分类器，用于将包括手术、糖尿病和静脉性溃疡在内的伤口图像分为多类。两个分类器（块级与图像级）的输出分类分数被输入多层感知机(Multi-Layer Perceptron)以提供更优的分类性能。采用5折交叉验证评估所提方法。我们在二分类上获得最高和平均分类准确率分别为96.4%和94.28%，在3类分类问题上分别为91.9%和87.7%。结果表明，我们所提方法可有效用作伤口图像分类或其他相关临床应用的决策支持系统。
引用
@article{arxiv.2010.09593,
title = {Multiclass Wound Image Classification using an Ensemble Deep CNN-based Classifier},
author = {Behrouz Rostami and D. M. Anisuzzaman and Chuanbo Wang and Sandeep Gopalakrishnan and Jeffrey Niezgoda and Zeyun Yu},
journal= {arXiv preprint arXiv:2010.09593},
year = {2021}
}