WoundAmbit: 连接领先语义分割与实际伤口护理
摘要
慢性伤口影响广大人群，尤其是老年人和糖尿病患者，他们常有受限的活动性和共存的健康问题。通过移动图像捕获实现自动化伤口监测可减少现场医生就诊，实现对伤口大小的远程跟踪。语义分割是这一过程的关键，但伤口分割在医学影像研究中仍不被充分代表。为此，我们对比评估了来自通用视觉、医学影像以及来自公开伤口挑战赛的领先深度学习模型。为确保公平比较，我们统一了训练、数据增强和评估方式，通过交叉验证以最小化分区偏差。我们还评估了实际部署方面，包括对不规则分布伤口数据集的泛化性、计算效率和可解释性。此外，我们提出了一种基于参考对象的方法，将 AI 生成的掩码转换为临床相关的伤口大小估计，并对这五个最佳架构的掩码质量和大小检索精度进行评估。总体而言，基于 Transformer 的 TransNeXt 显示出最高的泛化性。尽管推理时间有所不同，所有模型在 CPU 上至少以每秒处理一张图像的速度运行，被认为足够适用于此应用。可解释性分析通常显示，在伤口区域显著激活，强调对临床相关特征的关注。专家评估显示，所有分析模型的掩码均获得高通过率，其中 VWFormer 和 ConvNeXtS 主干架构表现最佳。大小检索精度在各模型之间相似，且预测与专家注释高度吻合。最后，我们展示了 WoundAmbit 这一 AI 驱动的伤口大小估计框架如何集成到定制的远程健康系统中。
引用
@article{arxiv.2504.06185,
title = {WoundAmbit: Bridging State-of-the-Art Semantic Segmentation and Real-World Wound Care},
author = {Vanessa Borst and Timo Dittus and Tassilo Dege and Astrid Schmieder and Samuel Kounev},
journal= {arXiv preprint arXiv:2504.06185},
year = {2025}
}
备注
Main paper: 18 pages; supplementary material: 15 pages; the paper has been accepted for publication at the Applied Data Science (ADS) track of the European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases (ECML PKDD 2025)