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

本研究介绍了一种用于定量分析烧伤严重程度的机器学习流水线，结合了卷积神经网络和边界注意力映射技术，有效地对皮肤烧伤区域进行定位和分割，并在两个数据集上进行了评估。

May, 2023

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

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

我们提出基于深度学习的创新方法，通过分析创伤组织的组织学图像中的胶原纤维特征，预测创伤愈合的进展。通过利用深度学习模型的独特学习能力，我们的方法能够捕捉来自不同阶段创伤愈合的组织学图像中胶原纤维特征的变化，并将其分类为不同的创伤愈合阶段。通过迁移学习策略，我们对在ImageNet数据集上预训练的VGG16模型进行微调，以适应创伤组织的组织学图像分类任务。我们的模型在分类六个创伤愈合阶段的任务中达到了82％的准确率。此外，我们还采用一种称为LayerCAM的类激活映射技术来增强模型的解释能力。LayerCAM揭示了模型在做出预测时所依赖的图像区域，提供了对模型决策过程的透明度。这种可视化不仅有助于理解模型如何识别和评估胶原纤维特征，还增强了对模型预测结果的信任。据我们所知，我们提出的模型是第一个用于预测创伤愈合阶段的基于深度学习的分类模型。

May, 2024

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

本研究针对创伤分类中的数据稀缺问题，探讨了数据增强技术的应用，以提升深度学习模型的训练效果。通过几何变换和先进的生成对抗网络（GAN），我们证明了这些技术能显著提高分类性能，尤其在多个关键创伤类别中的F1分数提高了最高达11%。此研究突出了数据增强在医疗领域的潜力，特别是在实际的基于机器学习的创伤护理系统中的应用价值。

Nov, 2024

本研究解决了在深色皮肤上检测压疮（PI）面临的挑战，尤其是由于视觉检查不可靠的问题。论文提出利用热成像作为替代方案，并引入了一个针对深色皮肤的新型热光成像数据集，研究表明，基于热成像的卷积神经网络（CNN）在不同的数据收集协议下能够稳健地检测各种肤色的压疮。

Nov, 2024