在使用人工智能算法的慢性伤口图像中检测超颗粒组织
David Reifs1, Lorena Casanova2, Ramon Reig-Bolaño2
1Data and Signal Processing Research Group, University of Vic, Vic, Spain.
概括
这项研究引入了一种深度学习工具,用于在慢性伤口中早期检测超细粒度. 人工智能模型准确地区分高颗粒组织,有助于及时的临床干预和改善伤口愈合结果.
科学领域:
- 医疗技术 医学技术
- 医疗保健中的人工智能
- 伤口愈合研究研究研究
背景情况:
- 慢性伤口中的过度粒度意味着愈合受损,导致恢复延迟和感染风险增加.
- 早期错误地识别过度粒度会阻碍及时和有效的临床干预.
- 目前用于高分离的诊断方法可能缺乏精度,影响治疗疗效.
研究的目的:
- 开发和评估一种基于深度学习的方法,以区分超颗粒和非超颗粒的伤口组织.
- 评估各种深度学习架构在识别超细化方面的性能.
- 提供一个工具,帮助临床医生在早期检测超细粒度.
主要方法:
- 从两个来源编制了6235张伤口图像的数据集,确保了平衡的分类.
- 使用转移学习评估了五个深度学习架构 (ViT,VGG16,RepVGG,MobileViT,RepGhost).
- 性能通过准确度和接收器操作特征曲线 (AUC) 下的面积来衡量.
主要成果:
- RepGhost模型实现了最高的性能,精度为81.4%,AUC为89.4%.
- 像RepGhost和MobileViT这样的轻量级模型显示出高性能,适合移动设备实现.
- 开发的深度学习方法超过了卷积神经网络 (CNN) 和变压器架构.
结论:
- 深度学习提供了一个有前途的方法,用于在慢性伤口中准确和早期检测高颗粒度.
- RepGhost模型显示了在伤口管理中临床应用的巨大潜力.
- 这项研究利用了大量,平衡的数据集,代表了对超细粒度深度学习研究的新贡献.
