Apr, 2023

量化图像相似度对糖尿病足溃疡分类的影响

PDF
TL;DR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。
deep learningdiabetic foot ulcerimage similaritybiasmulti-class classifiers
发现论文，激发创造
  • 用于糖尿病足溃疡分割的全卷积网络

    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

  • 糖尿病足溃疡检测中的深度学习：一项全面评估

    本文总结了 DFUC2020 举办的比赛结果，比较了各获胜团队所提出的基于深度学习的算法，主要采用 Faster R-CNN 算法实现对糖尿病足溃疡的识别和检测。

    Oct, 2020

  • 利用深度学习进行糖尿病足溃疡图像的伤口组织分割：一项初步研究

    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

  • 利用维恩图的多标签分类解释糖尿病足溃疡及其色彩与清晰度增强

    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

  • 通过扩散模型合成糖尿病足溃疡图像

    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

  • 2022 年糖尿病足溃疡大挑战总结

    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

  • 适用于糖尿病足溃疡检测的领域特定深度学习特征提取器

    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

  • 引导式条件扩散分类器（ConDiff）用于增强糖尿病足溃疡感染预测

    使用 Guided Conditional Diffusion Classifier（ConDiff）来检测糖尿病足溃疡（DFUs）中的感染性伤口，预防严重并发症和截肢。

    May, 2024

  • FUSegNet：用于足部溃疡分割的深度卷积神经网络

    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

  • 创伤分类的图像和位置综合分析：一种深度学习方法

    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