相关实验视频
Updated: Jun 23, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
386
慢性伤口图像增强和评估使用半监督的渐进式多粒度高效网
Ziyang Liu1, Emmanuel Agu1, Peder Pedersen2
1Computer Science DepartmentWorcester Polytechnic Institute Worcester MA 01609 USA.
IEEE open journal of engineering in medicine and biology
|June 20, 2024
概括
半监督学习有效地增加了使用未标记图像的小型伤口数据集,显著提高了基于深度学习的伤口评估准确性. 这种方法提高了慢性伤口分级的性能.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 慢性伤口评估依赖于标准化工具,如摄影伤口评估工具 (PWAT).
- 深度学习模型需要大型,注释良好的数据集,对于像伤口图像这样的专业医疗数据来说,这些数据通常很少.
- 数据增强技术对于在有限的数据集下提高模型性能至关重要.
研究的目的:
- 用半监督学习来增强一个小的,不平衡的伤口图像数据集,用一个更大的未标记的数据集.
- 开发和评估基于增强数据集的深度学习模型,用于基于增强数据集的全面伤口评估.
- 将拟议方法的性能与基线模型和先前的最先进方法进行比较.
主要方法:
- 使用摄影伤口评估工具 (PWAT) 定义8个关键的伤口属性进行评估.
- 采用半监督学习和渐进式多细分化 (PMG) 培训机制,利用9870张未标记的伤口图像和1639张标记的图像数据集.
- 在增强数据集上应用了EfficientNet卷积神经网络用于伤口评分.
主要成果:
- 半监督的PMG EfficientNet (SS-PMG-EfficientNet) 实现了所有8个PWAT子分数的平均分类准确度和F1分数约90%.
- 拟议的方法表现优于现有的基线模型,比之前的最先进方法有7%的改进.
- 合成伤口图像生成的生成对抗网络 (GAN) 并没有提高伤口评估性能.
结论:
- 半监督学习是一种强大的技术,可以利用未标记的医疗数据来提高深度学习模型的性能.
- 基于SS-PMG-EfficientNet的方法显示了基于深度学习的准确和自动化的伤口分级的巨大潜力.
- 这项研究强调了半监督学习在克服专业医疗图像分析数据限制方面的有效性.
