一个增强的和密集连接的混合变压器网络架构,用于慢性伤口细分,利用多色空间张量融合
Bill Cassidy1, Christian McBride1, Connah Kendrick1
1Department of Computing and Mathematics, Manchester Metropolitan University, Dalton Building, Chester Street, Manchester, M1 5GD, UK.
Computers in biology and medicine
|May 3, 2025
概括
这项研究引入了一种改进的HardNet模型,用于慢性伤口细分,显著提高了黑色皮肤颜色的准确性. 新模型显示了改善的Dice相似系数和工会指标的交叉点,有助于临床护理.
科学领域:
- 医学成像医学成像
- 医疗保健中的人工智能
- 皮肤病学 皮肤病学
背景情况:
- 慢性伤口是一个日益严重的全球健康问题,导致严重的并发症,如截肢.
- 目前的伤口护理方法需要改进,以满足日益增长的临床需求.
- 糖尿病患者,通常具有较深的皮肤色调,面临更高的风险,需要专门的护理.
研究的目的:
- 为慢性伤口开发和验证一个改进的HardNet细分模型.
- 专门解决伤口细分在较深色肤色的挑战.
- 提高自动伤口评估工具的准确性和可靠性.
主要方法:
- 开发了一个增强的HardNet架构,结合了对比度消除和多色空间张量合并.
- 该模型通过光皮肤患者的伤口图像进行训练,并通过较深色肤色数据集进行测试.
- 量化指标 (迪斯相似系数,欧盟交叉) 和定性专家评级被用于评估.
主要成果:
- 拟议的模型实现了0.7610的子相似系数和0.6620的欧盟交叉点在较深的肤色上,超过了基线 (0.6389和0.5350).
- 定性分析显示,与基线模型相比,专家评级有超过3%的改善.
- 这是第一个专注于用于慢性伤口细分的深色皮肤色调的研究,使用在较浅的皮肤图像上训练的模型.
结论:
- 改进的HardNet模型在对较深色肤色的慢性伤口进行细分方面表现出卓越的性能.
- 这一进展对于改善糖尿病患病率较高,皮肤较黑的人群的护理至关重要.
- 该研究为自动伤口分析领域提供了宝贵的见解和工具.
