自动化伤口评估:基于卷积神经网络的移动应用程序,用于SINBAD分类系统
Farideh Mostafavi1, Sujit Kumar Das2, Mohammad Reza Amini3
1Department of Epidemiology, School of Public Health and Safety, Shahid Beheshti University of Medical Sciences, Shahid Shahriari Sq., Student Blvd., Valenjak, Tehran, 1983969411 Iran.
Journal of diabetes and metabolic disorders
|December 29, 2025
概括
一个新的移动应用程序使用MobileNetV3小自动分类糖尿病足 (DFU) 组件使用SINBAD系统. 这种高效的工具可以改善DFU在临床环境中的评估.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算生物学 计算生物学
背景情况:
- 糖尿病足 (DFU) 评估对于临床决策至关重要,但往往缺乏专家访问.
- SINBAD系统是DFU分类的标准.
研究的目的:
- 开发和评估使用轻量级卷积神经网络 (CNN) 进行自动化DFU分类的移动应用程序.
- 评估MobileNetV3 Small在为DFU分类五个SINBAD组件中的性能.
主要方法:
- 使用了996张临床医生标记的DFU图像的数据集.
- 一个MobileNetV3小模型被训练来分类五个SINBAD组件.
- 使用准确度,F1分数,精度,回忆和AUC来评估性能,并与VGG16,ResNet50和DenseNet121.1进行比较.
主要成果:
- 移动网络V3 小小在细菌感染 (93.1%),区域 (89.8%) 和神经病变 (86.2%) 中获得了高F1分,记忆力很好.
- 对于缺血和深度,MobileNetV3 Small显示了适度的F1得分 (74.4%,61.6%) 和AUC (84.3%,80.3%),表现优于VGG16.
- 紧的MobileNetV3小型号显示了与较大型号相比或超过的召回能力,适合敏感检测.
结论:
- 移动NetV3小提供了一个实用和高效的解决方案,以移动为基础的DFU评估.
- 该应用程序的强大的回忆和紧的架构使其在资源有限的设置中实现部署,以实现一致的SINBAD分类.