本研究旨在通过利用卷积神经网络完成外科手术创面分类的任务，并提出了一种多标签 CNN 集成算法 Deepwound，该算法能够通过图像像素和相应标签，准确地识别手术创面的九种状态，包括引流、纤维性渗出物、肉芽组织、手术部位感染、裸露伤口、钉子、医用绷带和缝线等。同时，本研究还展示了一种基于智能手机的移动应用前端 Deepwound，可以方便地跟踪患者的创面和手术恢复。

Jul, 2018

通过创新的多模态网络，将伤口分类为糖尿病性溃疡、压力性溃疡、手术性溃疡和静脉性溃疡，结合伤口图像和相应的部位信息进行更精确的分类，提高了传统伤口图像分类技术的准确性。该多模态网络在两个不同的数据集上进行了训练和评估，取得了比文献中先前报道的性能指标显著提高的结果，表明它作为伤口图像分类的有效决策支持工具在各种临床环境中应用的潜力。

Aug, 2023

本文提出了一种基于深度学习的伤口分类工具，通过可用摄像设备拍摄的彩色图像帮助非伤口护理专业人员对五种关键伤口情况进行分类，并采用多任务深度学习框架，首次同时对深度、感染、动脉、静脉和压力性五种伤口进行分类，且模型性能与医疗专业人员的表现相同或更佳，这一方法可为非伤口护理专业人员提供帮助。

Mar, 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

本文介绍了一种基于自监督学习方案的伤口治愈进程自动化诊断方法，使用学习的嵌入来表示伤口的时间动态，并进行聚类以自动发现不同的治愈阶段。该方法在小型数据集上进行训练，并取得了较高的预文本和各治愈阶段分类准确率。

Jun, 2022

本论文提出了一种远程医疗助手系统，利用图像处理和深度学习技术，包括预处理方法和数据增强技术，实现了对压力性溃疡的精确识别与分析，准确性达到 99.0%，交集比例 99.99%，Dice 相似度系数 93.4% 以上，较现有结果有显著提高。

Jan, 2021

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

利用人工智能中的深度学习技术，基于 nnU-Net 框架实现了高质量的三维生物医学图像分割和量化，该框架不需要人工参与，能够自动适应不同的数据集和分割任务，同时在 19 项公共比赛中取得了优于大部分深度学习算法的表现。

Apr, 2019

该研究介绍了基于深度学习的自动化脑肿瘤分割技术，利用 3D U-Net 模型，通过大规模的脑 MRI 扫描数据集进行分割，并强调了数据预处理的重要性以及模型性能的优化。该综合框架展示了深度学习在自动化脑肿瘤检测中的功效，为临床实践提供有价值的支持。

Apr, 2024

本研究提出了一种基于二流图卷积网络的自动 3D 面部创口分割方法，可应用于医学预操作规划及优化患者结果；该方法使用 Cir3D-FaIR 数据集对数据失衡进行了广泛的实验，并基于测试套件获得了出色的 3D 面部伤口填充精度，同时提出了改进方法，并采用 3D 打印技术，可协助诊断和优化手术，并发展使用机器学习和 3D 生物打印制造皮肤组织植入物。

Jul, 2023