通过基于区域的卷积神经网络模型验证伤口严重性评估,用于基于移动图像的尺寸和组织分类
Yogapriya Jaganathan1, Sumaya Sanober2, Sultan Mesfer A Aldossary3
1Department of Computer Science and Engineering, Kongunadu College of Engineering and Technology, Trichy 621215, India.
Diagnostics (Basel, Switzerland)
|September 28, 2023
概括
这项研究引入了使用移动照片进行准确的伤口大小测量的深度学习 (DL) 方法. 这种数字化方法有助于医疗保健专业人员在慢性伤口管理和患者护理方面.
科学领域:
- 医疗技术 医疗技术 医学技术
- 计算机科学 计算机科学
- 生物医学成像技术 生物医学成像技术
背景情况:
- 准确的伤口大小评估对于有效的慢性伤口管理至关重要.
- 传统的伤口测量方法可能是主观的,耗时的.
- 数字技术为客观和高效的伤口评估提供了潜力.
研究的目的:
- 通过移动设备拍摄的照片引入一种用于评估伤口大小的新方法.
- 应用深度学习 (DL) 和计算机视觉技术来加强伤口评估.
- 协助医疗保健专业人员对慢性伤口治疗的决策.
主要方法:
- 使用移动设备照片进行伤口评估.
- 使用超像素技术来确定伤口的感兴趣区域 (ROI).
- 实施区域定CNN框架用于伤口检测,分化和组织分类,使用Resnet50.
主要成果:
- 通过使用Resnet50来检测伤口大小,DL方法实现了高精度 (0.85%).
- 组织分类CNN显示,中位偏差误差为2.91.
- 整体方法显示精度范围为0.96%,表明在现实场景中的有效性.
结论:
- 拟议的DL和计算机视觉方法为客观伤口大小测量提供了有效的解决方案.
- 这项技术有可能显著改善慢性伤口管理中的患者护理和治疗结果.
- 基于移动的数字伤口评估可以增强临床决策和治疗规划.
