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

基于 MobileNetV2 和联通区域标记的卷积框架可以对自然图像中的伤口区域进行有效的分割，为伤口的面积测量和定量参数提供重要的诊断和治疗信息。

Oct, 2020

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

该论文报告了一项由 Mersey Care NHS 基金会信托所进行的临床试验的结果，该试验评估了更快的基于区域的卷积神经网络和移动平台的性能，该网络和平台可以对压疮进行分类和记录，分类结果可以被用于临床决策和标准化报告。

Mar, 2022

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

本文介绍了我们用于分类 ISIC 2019 挑战数据集皮损 dermoscopic 照片的方法和技术，我们的方法旨在使用合奏深度神经网络及其一些强大的技术来处理不平衡数据集，以提高 CNN 模型性能。

Nov, 2019

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

通过整合智能手机拍摄的图像与临床和人口统计信息，将多模态方法引入皮肤病变分类的诊断过程中，通过辅助任务的超分辨率图像预测组成，提高特征提取和类别区分的能力，并展示了在资源匮乏的医疗环境中应用此方法的有效性。

Feb, 2024