[論文レビュー] Attention-based Pin Site Image Classification in Orthopaedic Patients with External Fixators

Yubo Wang, Marie Fridberg+5 more|arXiv (Cornell University)|Mar 25, 2026

Diabetic Foot Ulcer Assessment and Management被引用数 0

ひとこと要約

本論文は、ピン部位画像を炎症/感染と非感染に分類するための注意機構付きCNNとEfficient Redundant Reconstruction Convolution (ERRC) を提案し、少量の手動注釈付きデータセットで高いAUCと小規模モデルを達成している。

ABSTRACT

Pin sites represent the interface where a metal pin or wire from the external environment passes through the skin into the internal environment of the limb. These pins or wires connect an external fixator to the bone to stabilize the bone segments in a patient with trauma or deformity. Because these pin sites represent an opportunity for external skin flora to enter the internal environment of the limb, infections of the pin site are common. These pin site infections are painful, annoying, and cause increased morbidity to the patients. Improving the identification and management of pin site infections would greatly enhance the patient experience when external fixators are used. For this, this paper collects and produces a dataset on pin sites wound infections and proposes a deep learning (DL) method to classify pin sites images based on their appearance: Group A displayed signs of inflammation or infection, while Group B showed no evident complications. Unlike studies that primarily focus on open wounds, our research includes potential interventions at the metal pin/skin interface. Our attention-based deep learning model addresses this complexity by emphasizing relevant regions and minimizing distractions from the pins. Moreover, we introduce an Efficient Redundant Reconstruction Convolution (ERRC) method to enhance the richness of feature maps while reducing the number of parameters. Our model outperforms baseline methods with an AUC of 0.975 and an F1-score of 0.927, requiring only 5.77 M parameters. These results highlight the potential of DL in differentiating pin sites only based on visual signs of infection, aligning with healthcare professional assessments, while further validation with more data remains essential.

研究の動機と目的

• 視覚外観に基づいて感染 vs 非感染を分類するためのピン部位画像データセット（NCH）を収集・ラベル付けする。
• 皮膚–ピン界面でのピン干渉に頑健な注意機構付きCNNアーキテクチャを開発する。
• 特徴を豊富にしつつパラメータを削減するEfficient Redundant Reconstruction Convolutionを導入する。
• ベースラインと性能を比較し、Grad-CAMによるモデル解釈性を提供する。
• 整形外科領域におけるリモートで非接触の創傷評価の限界と可能性を議論する。

提案手法

• Nationwide Children’s Hospital から666枚のピン部位画像データセットを構築し、YOLOv5でピン位置を検出してROIsを定義する。
• CBAM注意機構とERRCブロックを備えた5ブロックCNNを提案し、特徴マップを豊富にしつつピン干渉を抑制する。
• Focal loss (alpha=0.15, gamma=2)でクラス不均衡に対処する。
• 70/30のトレイン/テスト分割（トレイン内に80/20のトレイン/バリデーションを含む）で事前学習なしで訓練し、Precision, Recall, AUC, F1を報告する。
• パラメータ効率と推論速度を評価し、VGG-16/19、ResNet-50、EfficientNetV2-b0との比較を行い、Focal lossあり/なし、ERRCあり/なしで比較する。

実験結果

リサーチクエスチョン

• RQ1 視覚的外観のみに基づいて、軽量な注意機構付きCNNはピン部位画像を炎症/感染と非感染に正確に分類できるか。
• RQ2 ERRCモジュールはパラメータ数を削減しつつ特徴マップを豊富にして感染検出性能を向上させるか。
• RQ3 Focal lossは不均衡なピン部位データセットでモデル性能にどう影響するか。
• RQ4 この小規模医療画像データセットに対して、提案モデルは標準アーキテクチャとどう比較されるか。
• RQ5 Grad-CAMでモデルの注意がピン周辺の意味のある皮膚領域に局在するか。

主な発見

• 提案されたERRCモデルはAUC0.975、F10.927、パラメータ数5.77Mを達成。
• 比較ベースラインにはVGG-16（Precision 99.4、Recall 53.2、AUC 0.807、F1 0.69）、VGG-19（Precision 98、Recall 52.69、AUC 0.822、F1 0.685）、ResNet-50（Precision 70、Recall 80.46、AUC 0.931、F1 0.749）、EfficientNetV2-b0（Precision 90、Recall 88.23、AUC 0.954、F1 0.889）が含まれる。
• FLを用いたモデルはPrecision 89.1、Recall 90、AUC 0.957、F1 0.895; FLなしモデルはPrecision 95.4、Recall 79、AUC 0.907、F1 0.864。
• ERRCは inverted residual block に比べてパラメータを30.6%削減し、AUCとF1で上回る。
• 推論時間：ERRCモデルは平均2.37 ms、42.4 FPS（バッチサイズ1）。
• Grad-CAMの可視化は、ピン付近の傷病皮膚にモデルが焦点を合わせ、ピン干渉を抑制することを示す。