基于深度学习的糖尿病足溃疡伤口组织分割：一项试点研究
图像与视频处理
2024-06-25 v1 计算机视觉与模式识别
摘要
在糖尿病足溃疡（DFU）图像中识别 individual组织，称为组织分割，是一项具有挑战性的任务，且鲜有文献报道，主要由于临床图像数据集的有限性。为填补这一差距，我们为研究社区创建了一个 DFUTissue 数据集，用于评估伤口组织分割算法。该数据集包含 110 张具有组织标记的图像以及 600 张未标记的图像。此外，我们对分割伤口特征（包括纤维蛋白、坤质组织和结节）进行了试点研究，使用深度学习方法。由于标注数据有限，我们的框架包括监督学习（SL）和半监督学习（SSL）两个阶段。在 SL 阶段，我们提出一种混合模型，采用 Mix Transformer（MiT-b3）作为编码器，CNN 作为解码器，并集成了一种并行空间和通道 squeeze-and-excitation（P-scSE）模块，已被证明在提高边界精度方面效果显著。在 SSL 阶段，我们采用基于伪标签的方法，迭代识别并纳入有价值的未标记图像，以提升整体分割性能。对 SL 和 SSL 两个阶段进行与 SOTA 方法的比较评估。SL 达到 Dice 相似系数（DSC）为 84.89%，在 SSL 阶段提升至 87.64%。此外，我们将结果与两个广泛使用的 SSL 方法（生成对抗网络和交叉一致性训练）进行了基准测试。此外，我们的混合模型在测试 Chronic Wound 数据集上的 DFU 溃疡区域二值分割中达到了 92.99% 的 DSC，优于现有的 SOTA 方法。代码和数据已在 https://github.com/uwm-bigdata/DFUTissueSegNet 提供。
引用
@article{arxiv.2406.16012,
title = {Wound Tissue Segmentation in Diabetic Foot Ulcer Images Using Deep Learning: A Pilot Study},
author = {Mrinal Kanti Dhar and Chuanbo Wang and Yash Patel and Taiyu Zhang and Jeffrey Niezgoda and Sandeep Gopalakrishnan and Keke Chen and Zeyun Yu},
journal= {arXiv preprint arXiv:2406.16012},
year = {2024}
}