图像协议对基于卷积神经网络的压力损伤检测的影响
Miriam Asare-Baiden1, Sharon Eve Sonenblum2, Kathleen Jordan2
1Emory University, Department of Computer Science and Informatics, Emory University,Atlanta, 30322, USA.
Research square
|November 24, 2025
概括
热成像显示了早期压力损伤检测的高精度,优于光学成像. 深度学习模型在不同的皮肤色调和成像条件中具有强大性能,为临床使用铺平了道路.
科学领域:
- 生物医学工程 生物医学工程
- 医疗成像医学成像
- 医疗保健中的人工智能
背景情况:
- 压力损伤是一个重要的临床挑战,需要早期检测.
- 热成像显示了早期压力损伤检测的潜力,但协议和皮肤色调的影响尚不清楚.
研究的目的:
- 评估成像方案变化和患者皮肤色调对深度学习模型性能对早期压力损伤检测的影响.
- 为了比较热成像与光学成像在此应用中的有效性.
主要方法:
- 在12个成像协议下,从35名健康成年人收集了1680张不同肤色的1680张图像.
- 使用了三种深度学习模型 (MobileNetV2,InceptionNetV3,ResNet50),包括光学成像和热成像.
- 在受控环境中通过局部冷却模拟温度变化.
主要成果:
- 热成像实现了>90%的准确性,证明了对协议变化和各种肤色的稳定性.
- 光学成像准确度在协议之间有显著差异 (32-55%),表明高度依赖.
- 深度学习模型对凉爽和温暖的区域都表现出敏感性,这表明静态标签的局限性.
结论:
- 在热成像数据上训练的深度学习模型对于在各种皮肤色和成像条件中早期检测压力损伤非常强大.
- 热成像是一种可靠的压力损伤检测模式,不像光学成像那样容易受到协议变化的影响.
- 这些发现支持热成像和深度学习用于预防压力损伤的临床验证.
