[論文レビュー] A Pressure Ulcer Care System For Remote Medical Assistance: Residual U-Net with an Attention Model Based for Wound Area Segmentation

Jinyeong Chae, Ki Yong Hong+1 more|arXiv (Cornell University)|Jan 23, 2021

Pressure Ulcer Prevention and Management参考文献 25被引用数 5

ひとこと要約

本論文では、正確な傷領域セグメンテーションを実現するため、アテンション機構を備えたリーマンスU-Netを用いた遠隔圧瘡ケアシステムを提案する。トランスファー学習、データ拡張（回転、反射、ウォーターシェッド）、およびバイリニア補間を用いた画像前処理により、モデルは99.0%の精度、99.99%のIoU、93.4%のDice類似係数を達成し、先行手法を上回った。

ABSTRACT

Increasing numbers of patients with disabilities or elderly people with mobility issues often suffer from a pressure ulcer. The affected areas need regular checks, but they have a difficulty in accessing a hospital. Some remote diagnosis systems are being used for them, but there are limitations in checking a patient's status regularly. In this paper, we present a remote medical assistant that can help pressure ulcer management with image processing techniques. The proposed system includes a mobile application with a deep learning model for wound segmentation and analysis. As there are not enough data to train the deep learning model, we make use of a pretrained model from a relevant domain and data augmentation that is appropriate for this task. First of all, an image preprocessing method using bilinear interpolation is used to resize images and normalize the images. Second, for data augmentation, we use rotation, reflection, and a watershed algorithm. Third, we use a pretrained deep learning model generated from skin wound images similar to pressure ulcer images. Finally, we added an attention module that can provide hints on the pressure ulcer image features. The resulting model provides an accuracy of 99.0%, an intersection over union (IoU) of 99.99%, and a dice similarity coefficient (DSC) of 93.4% for pressure ulcer segmentation, which is better than existing results.

研究の動機と目的

• 高齢者や障害を有する圧瘡患者が医療機関にアクセスしづらい課題に対処すること。
• 画像ベースの解析を用いて、圧瘡の定期的で遠隔的なモニタリングを可能にすること。
• トランスファー学習とデータ拡張を活用し、低データ環境下での傷セグメンテーション精度を向上させること。
• 実時間で利用可能な遠隔医療支援を実現するため、モバイルアプリに統合されたシステムの開発。

提案手法

• データ不足を克服するため、類似した皮膚傷画像で事前学習されたリーマンスU-Netアーキテクチャを採用する。
• 画像のリサイズと正規化を標準化するため、バイリニア補間を適用する。
• 訓練のロバスト性を高めるために、回転、反射、ウォーターシェッドアルゴリズムを含むデータ拡張技術を用いる。
• 圧瘡画像における重要な特徴を強調するため、アテンションモジュールを統合し、セグメンテーションの焦点を向上させる。
• 臨床的妥当性を最適化するために、圧瘡画像の限定的データセット上でモデルをファインチューニングする。
• 実時間での傷画像のキャプチャとセグメンテーションを可能にするモバイルアプリケーションの設計。

実験結果

リサーチクエスチョン

• RQ1 限られた学習データで、深層学習モデルが高精度な圧瘡セグメンテーションを達成できるか？
• RQ2 アテンション機構の統合が、圧瘡画像におけるセグメンテーションパフォーマンスにどのように寄与するか？
• RQ3 回転、反射、ウォーターシェッドなどのデータ拡張技術が、モデルの一般化性能をどの程度向上させるか？
• RQ4 関連ドメインからの事前学習モデルを用いたトランスファー学習アプローチが、このタスクにおいて標準的なU-Netアーキテクチャを上回るか？
• RQ5 提案されたシステムは、臨床現場における実時間で可能な遠隔傷モニタリングにどの程度有効か？

主な発見

• 提案モデルは99.0%のセグメンテーション精度を達成し、ベースライン手法を顕著に上回った。
• 交差率（IoU）は99.99%に達し、予測領域と正解領域との間でほぼ完全な重複が確認された。
• Dice類似係数（DSC）は93.4%であり、セグメンテーション品質の高い一貫性を示した。
• アテンションモジュールの統合により、複雑な領域や低コントラスト領域における特徴学習が向上した。
• トランスファー学習とターゲットされたデータ拡張の組み合わせが、データ不足問題を効果的に緩和した。
• 本システムは、モバイルベースの遠隔傷モニタリングアプリケーションへの展開において、強く有望な可能性を示した。