在糖尿病足诊所收集元数据和图像的协议:使伤口分析和深度学习的研究
Reza Basiri1,2, Karim Manji3,4, Philip M LeLievre3,4
1Institute of Biomedical Engineering, University of Toronto, Toronto, Canada. Reza.basiri@mail.utoronto.ca.
Biomedical engineering online
|January 29, 2024
概括
这项研究介绍了Zivot数据集用于糖尿病足 (DFU) 检测. 在这种多式联运数据集上训练的深度学习模型取得了有希望的结果,为改善DFU管理铺平了道路.
科学领域:
- 医疗信息学 医疗信息学
- 计算机视觉 计算机视觉
- 生物医学成像技术 生物医学成像技术
背景情况:
- 糖尿病足 (DFU) 影响全球数百万人,对患者的生活质量和医疗保健资源构成重大挑战.
- 高血糖和与糖尿病相关的生理变化阻碍了DFU的愈合,需要先进的诊断和管理策略.
- 人工智能 (AI) 提供了早期DFU检测和高效处理的潜力,特别是在资源有限的环境中.
研究的目的:
- 建立一个标准化的框架,用于收集多式联络数据,用于糖尿病足 (DFU) 研究.
- 介绍Zivot数据集,这是DFU患者临床特征和成像数据的全面集合.
- 为使用人工智能和开发的数据集提供DFU检测的基线.
主要方法:
- 开发一个专门的案例报告表格,用于标准化DFU数据收集.
- 创建Zivot数据集,包括269名DFU患者的临床数据,RGB图像,热图和深度图.
- 实施深度学习模型,利用EfficientNet和UNet架构进行DFU检测和细分.
主要成果:
- 成功编译了Zivot数据集,包含大约3700张图像和相关的多式联运数据.
- 基于UNet的深度学习网络展示了有效的DFU检测和细分.
- 实现了有前途的评估指标,包括0.79的F1分数和0.86的分段化mAP.
结论:
- 齐沃特数据库为多式联运DFU研究提供了坚实的基础.
- 这项工作支持开发DFU诊断和管理的整体方法.
- 促进对糖尿病足并发症的AI驱动解决方案的进一步调查.
