通过使用双阶段自适应性马转换和深度神经网络,在主动热图中对糖尿病平脚部脚部进行细分
Zhenjie Cao1,2, Zhi Zeng2,3, Jinfang Xie2
1College of Mechatronics and Control Engineering, Shenzhen University, Shenzhen 518000, China.
Sensors (Basel, Switzerland)
|October 28, 2023
概括
这项研究引入了一种新的深度学习方法,PFSNet,用于在热图像中对糖尿病脚进行细分. 该方法提高了从冷应力红外热学识别脚轮的准确性.
科学领域:
- 医疗成像医学成像
- 生物医学工程 生物医学工程
- 人工智能的人工智能
背景情况:
- 糖尿病足部并发症会导致温度变化,可通过红外热谱检测到.
- 活性冷却温度学提供了更丰富的数据,但由于微妙的温度差异,它带来了细分挑战.
- 精确的足底细分对于分析糖尿病人的冷压脚的热数据至关重要.
研究的目的:
- 开发新的足部脚部细分方法,用于从冷应力主动热学中获得单通道红外图像.
- 为了应对细分糖尿病脚部区域的挑战,使用最小的温度对比度.
- 为了提高糖尿病脚分析热成像中自动化脚部细分的准确性.
主要方法:
- 提出了用于图像预处理的两阶段自适应性马变换,以管理热对比差异.
- 介绍了平脚分段网络 (PFSNet),这是一个集成U-Net,多尺度特征和注意力模块的深度神经网络.
- 在没有颜色或深度数据的冷压红外热谱上评估PFSNet.
主要成果:
- 拟议的PFSNet在足部脚部细分方面实现了高精度.
- 在欧盟 (IOU) 上实现了97.3%的交叉点和95.4%的子相似系数 (DSC).
- 优于现有的深度神经网络,用于从冷应力温度学中分割单通道红外图像.
结论:
- 在具有挑战性的热成像场景中,PFSNet和自适应性玛变换的组合为脚下脚部细分提供了有效的解决方案.
- 这种方法增强了使用冷应力主动热谱的糖尿病脚热恢复的分析.
- 这些发现有助于改善糖尿病脚病的非侵入性监测和诊断.
