通过协议分析和组织细分来加强慢性伤口评估
Ana C Morgado1, Rafaela Carvalho1, Ana Filipa Sampaio1
1Fraunhofer Portugal AICOS, Porto, Portugal.
Scientific reports
|July 2, 2025
概括
自动化的深度学习模型,包括DeepLabV3-R50,通过准确地细分和量化伤口组织来改善慢性伤口监测. 这种方法提高了评估愈合进展的一致性和效率,克服了手工方法的局限性.
科学领域:
- 医学成像分析分析 医学成像分析
- 计算病理学计算病理学
- 医疗保健中的人工智能
背景情况:
- 手动慢性伤口评估是主观的,耗时的.
- 精确的组织细分对于监测伤口愈合动态至关重要.
- 现有的方法缺乏一致性和效率.
研究的目的:
- 开发和评估用于慢性伤口组织细分和定量化的自动化深度学习框架.
- 为了比较卷积神经网络 (CNN) 和基于变压器的模型的性能.
- 评估转移学习和后处理对细分精度的影响.
主要方法:
- 探索DeepLabV3-R50 (CNN) 和SegFormer-B0 (变压器) 用于组织细分.
- 从现有的开放伤口数据集中调查转移学习.
- 将集成的细分模型集成到一个具有伤口和标记器检测的框架中.
- 应用后处理技术来完善细分面具.
主要成果:
- 对于独立的组织细分,DeepLabV3-R50获得了62.95%的IoU和76.82%的Dice平均分数.
- 使用DeepLabV3-R50的完整框架的平均IOU为59.67%和Dice的得分为74.38%.
- 获得的平均绝对误差为14.33% (粒度),14.31% (泥) 和8.84% (痕) 的组织比例估计.
结论:
- 深度学习,特别是带有转移学习的DeepLabV3-R50,为伤口组织细分提供了一个有希望的自动化解决方案.
- 拟议的框架提高了伤床表征的一致性和效率.
- 结果突出了简化慢性伤口监测和改善临床决策的潜力.
