糖尿病足溃疡中缺血与感染的识别：数据集与技术

随着基于图像的机器学习算法的发展，利用计算机方法识别和分析糖尿病足溃疡（DFU）是一个新兴的研究领域。现有基于视觉计算机方法的研究主要关注 DFU 视觉外观的识别、检测和分割以及组织分类。根据 DFU 医学分类系统，感染（伤口中的细菌）和缺血（供血不足）的存在对 DFU 评估具有重要的临床意义，用于预测截肢风险。在这项工作中，我们提出了一个新的数据集和计算机视觉技术，以识别 DFU 中感染和缺血的存在。这是首次引入带有缺血和感染病例真值标签的 DFU 数据集用于研究目的。对于手工设计的机器学习方法，我们提出了一种新的特征描述子，即超像素颜色描述子（Superpixel Color Descriptor）。然后我们使用集成卷积神经网络（CNN）模型来更有效地识别缺血和感染。我们提出使用一种自然数据增强方法，该方法识别足部图像中的感兴趣区域并专注于发现该区域中存在的显著特征。最后，我们在二分类（即缺血与非缺血、感染与非感染）上评估了我们提出的技术的性能。总体而言，我们的方法在缺血分类上表现优于感染分类。我们发现，与手工设计的机器学习算法相比，我们提出的集成 CNN 深度学习算法在两项分类任务上表现更好，缺血分类准确率为 90%，感染分类准确率为 73%。