使用多级热图图像数据自动识别糖尿病脚
Ikramullah Khosa1, Awais Raza1, Mohd Anjum2
1Department of Electrical and Computer Engineering, COMSATS University Islamabad, Lahore Campus, Lahore 54000, Pakistan.
Diagnostics (Basel, Switzerland)
|August 26, 2023
概括
糖尿病足 (DFU) 构成截肢的重大风险. 这项研究表明,一个定制的CNN模型使用温度学准确检测DFU,优于其他方法并改善早期诊断.
科学领域:
- 医学成像医学成像
- 计算诊断是指计算机诊断.
- 糖尿病研究研究 糖尿病研究
背景情况:
- 糖尿病足 (DFU) 是糖尿病 (DM) 的严重并发症,有15-25%的终身风险和高达85%的下肢截肢风险.
- 早期和准确的DFU诊断对于预防严重后果至关重要.
- 热力学提供了一种非侵入性的方法来检测糖尿病患者脚上的植栽与相关的温度变化.
研究的目的:
- 评估机器学习和深度学习模型在使用热图数据检测糖尿病足 (DFU) 的有效性.
- 开发和验证一个定制的卷积神经网络 (CNN) 模型,以改进DFU识别.
- 为了比较图像级,补丁级和DFU检测的组合热图数据的性能.
主要方法:
- 利用公开可用的热图数据集,包括对照组和糖尿病患者组.
- 用于DFU识别的机器学习分类器使用了手工制作的功能和深度学习模型 (ResNet50,DenseNet121).
- 开发并测试了一个自定义的CNN模型,使用图像级,补丁级和组合温度计数据.
主要成果:
- 与现有模型相比,拟定制的CNN模型在曲线下的面积 (AUC) 和精度方面取得了卓越的性能.
- 机器学习和深度学习方法都显示了使用图像级温度计与补丁级或组合数据的更高的识别准确性.
- 定制的CNN模型在DFU检测方面显著超过了最先进的方法.
结论:
- 采用热图数据的定制CNN模型显示了糖尿病足检测的高准确性和有效性.
- 图像级热图分析为DFU提供了优越的诊断准确性,与补丁级或组合方法相比.
- 这种方法有望改善糖尿病足并发症的早期诊断和管理,并可能降低截肢率.
