糖尿病足溃疡检测中的深度学习:一项全面评估
通过使用两阶段迁移学习来训练全卷积网络,我们可以自动地分割 DFU 图像中的溃疡和周围皮肤区域,这为临床医生提供了一种成本更低且精度更高的 DFU 治疗方法。
Aug, 2017
自主监测和评估糖尿病足溃疡(DFU)是卫生保健中一个亟需关注的领域,本研究评估并确定用于开发深度学习伤口检测网络的最准确的特征提取器,并发现 UNet 和 Efficientnetb3 结合的特征提取器在 14 个网络中表现最佳,可作为糖尿病足溃疡领域特定自主伤口检测流程的分类器。
Nov, 2023
本项研究使用开源模糊算法来识别组中的日益相似的图像,发现高度相似的图像可能会在糖尿病足溃疡挑战 2021 数据集中引入偏差并影响分类性能,通过将 80%相似度阈值图像从训练集中删除,可提高 InceptionResNetV2 网络分类器的 F1 得分、精度和召回率。
Apr, 2023
为了解决糖尿病足溃疡(DFU)图像中组织分割的挑战,作者创建了一个名为 DFUTissue 的数据集,其中包含由伤口专家标记的 110 张图像和 600 张未标记的图像。作者提出了一个混合模型,采用了深度学习方法,并结合了半监督学习的方法进行 DFU 伤口组织的分割。通过与现有方法的比较评估,该模型在 DFU 伤口区域的二值分割中取得了 92.99% 的 Dice 相似系数。
Jun, 2024
本文提出了一种基于 CNN 的多分类方法的 Venn Diagram 解释方法,利用不同的图像增强策略来改善多类 DFU 分类。作者将四个类别缩减为两个类别,从而更好地诠释所有四个类别。评价结果表明,该方法比现有方法表现更好,可用于更健壮的远程 DFU 创口分类。
May, 2023
该论文介绍了 2022 年糖尿病足溃疡挑战赛,从先前的 DFU 挑战完成的工作出发,集中关注于糖尿病足溃疡分割任务,提供了 4000 个完整的足部溃疡图像,并附有相应的溃疡区域。在众多参赛者中,最佳表现网络是改进的 HarDNet-MSEG 网络,其 Dice 分数为 0.7287。
Apr, 2023
这项研究探讨了糖尿病视网膜病变(DR)这个潜在导致失明的糖尿病严重并发症。利用卷积神经网络(CNNs)进行迁移学习的提出的方法,通过一张眼底照片实现自动 DR 检测,在 APTOS 2019 获盲视检测竞赛中取得了高达 0.92546 的二次加权 Kappa 分数。研究回顾了关于 DR 检测的现有文献,从经典计算机视觉方法到深度学习方法,特别关注 CNNs。它发现了研究中的空白,强调了在整合预训练的大型语言模型和分割图像输入以生成建议和了解网络应用环境中的动态交互方面的不足。目标包括制定全面的 DR 检测方法、探索模型整合、通过竞赛排名评估性能、在 DR 检测方法方面做出显著贡献,并确定研究中的空白。该方法涉及数据预处理、数据增强以及使用 U-Net 神经网络架构进行分割。U-Net 模型有效地分割视网膜结构,包括血管、硬性和软性渗出物、出血、微血管瘤和眼盘。在 Jaccard 系数、F1 得分、召回率、精确率和准确度方面的高评价分数凸显了该模型在视网膜病理评估中提升诊断能力的潜力。这项研究的成果有望通过及时诊断和干预来改善糖尿病视网膜病变患者的预后,对医学图像分析领域做出重要贡献。
Jan, 2024
该研究提出了一种基于两阶段深度卷积神经网络的自动糖尿病视网膜病变分析算法,能够精确定位和识别图像中的病变类型,评估病变严重程度,并且引入了不平衡权重映射以更好地识别病变区域,实验结果表明该算法在 DR 检测和评分方面效果显著。
May, 2017
研究利用扩散模型合成糖尿病足溃疡图像,通过专业临床医生评估验证其真实性,并探讨评估指标与医生评估的一致性,结果表明扩散模型成功地合成了难以区分的糖尿病足溃疡图像,并强调了其在医学培训和伤口检测与分类研究中的潜力。
Oct, 2023
本文提出了一种名为 FUSegNet 的模型,利用预训练的 EfficientNet-b7 作为骨干网络,通过并行 scSE 模块来提高足部溃疡分割的准确率,并在公开数据集上取得最佳结果,模型代码可在给定链接获得。
May, 2023