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

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

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

利用深度学习技术，提出了一种名为 FES-Net 的新型特征增强分割网络，用于准确地分割视网膜血管，无需额外的图像增强步骤，并在多个公开数据集上验证了其卓越的性能。

Sep, 2023

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

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

利用深度学习模型从鼻内窥镜图像中提高鼻部疾病早期诊断的重要性，通过创建具有 11352 张图片的第一个大规模鼻内窥镜图像数据集（7-NasEID），提出了一种创新的 U-SEANNet 架构，该架构基于深度可分离卷积。实验结果表明 U-SEANNet 模型是最先进的模型，具有 93.58％的准确率，90.17％的灵敏度和 91.27％的特异度。

Aug, 2023

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

提出了一种名为 TransMix 的跨域增强方法，通过结合 AGP 和 LCF 来丰富足溃疡分割数据，从而有效改善模型训练；实验证明，TransMix 可以提高足溃疡区域的变异性并显著提高只用 40 个注释图像训练的模型的 Dice 评分。

Jan, 2024

准确检测口腔癌对于改善患者预后至关重要。然而，在这一领域面临两个关键挑战：缺少专门针对口腔癌的深度学习图像分割研究和缺乏带注释的数据。我们的研究提出了 OCU-Net，这是一种独特设计的 U-Net 图像分割架构，专门用于检测血红蛋白和嗜酸性染色（H&E）图像数据集中的口腔癌。OCU-Net 融合了先进的深度学习模块，如通道和空间注意力融合 (CSAF) 模块，这是一种强调 H&E 图像中重要通道和空间区域并探索上下文信息的新颖特性。此外，OCU-Net 还集成了其他创新组件，如挤压激励 (SE) 注意力模块、空洞空间金字塔池化 (ASPP) 模块、残差块和多尺度融合。这些模块的结合在本研究中展现出对两个数据集的口腔癌分割的优越性能。此外，我们有效利用了高效的预训练 ImageNet 的 MobileNet-V2 模型作为 OCU-Net 的骨干网络，创建了 OCU-Netm，一个达到最先进结果的增强版本。全面评估表明，OCU-Net 和 OCU-Netm 优于现有的分割方法，在 OCDC 和 ORCA 数据集的 H&E 图像中准确识别癌细胞。

Oct, 2023