[論文レビュー] Fully Automatic Wound Segmentation with Deep Convolutional Neural Networks

Chuanbo Wang, DM Anisuzzaman+6 more|arXiv (Cornell University)|Oct 12, 2020

Diabetic Foot Ulcer Assessment and Management参考文献 22被引用数 14

ひとこと要約

本稿では、自然な皮膚画像から足潰瘍領域を正確に特定・分離するため、MobileNetV2をベースとする深層畳み込みニューラルネットワークと連結成分ラベリングを組み合わせた完全自動の傷跡分離手法を提案する。独自に構築した1,109枚のアノテート済み足潰瘍画像データセット上で高い分離精度を達成し、臨床的傷跡評価応用において優れた性能と移動性を示している。

ABSTRACT

Acute and chronic wounds have varying etiologies and are an economic burden to healthcare systems around the world. The advanced wound care market is expected to exceed $22 billion by 2024. Wound care professionals rely heavily on images and image documentation for proper diagnosis and treatment. Unfortunately lack of expertise can lead to improper diagnosis of wound etiology and inaccurate wound management and documentation. Fully automatic segmentation of wound areas in natural images is an important part of the diagnosis and care protocol since it is crucial to measure the area of the wound and provide quantitative parameters in the treatment. Various deep learning models have gained success in image analysis including semantic segmentation. Particularly, MobileNetV2 stands out among others due to its lightweight architecture and uncompromised performance. This manuscript proposes a novel convolutional framework based on MobileNetV2 and connected component labelling to segment wound regions from natural images. We build an annotated wound image dataset consisting of 1,109 foot ulcer images from 889 patients to train and test the deep learning models. We demonstrate the effectiveness and mobility of our method by conducting comprehensive experiments and analyses on various segmentation neural networks.

研究の動機と目的

• 傷ケア分野における専門的知識の不足に起因する、一貫性のないおよび不正確な傷跡診断の課題に対処すること。
• 自然で理想的でない画像からの傷跡領域を完全自動で分離する、深層学習ベースの手法を開発すること。
• 臨床現場における正確な分離と面積測定を可能にすることで、定量的傷跡評価を向上させること。
• モバイルおよび臨床環境への導入に適した、軽量かつ高精度なモデルを構築すること。
• 889名の患者から収集した1,109枚の多様な足潰瘍画像を含む大規模かつ多様なデータセットを用いて、手法の妥当性を検証すること。

提案手法

• 自然な画像における傷跡領域の意味的分離を目的とした、MobileNetV2に基づく深層学習フレームワークを採用する。
• モデルは、889名の患者から得た1,109枚の足潰瘍画像から構築した独自のアノテート済みデータセット上で訓練および評価される。
• 分離処理後に、背景ノイズやアーチファクトから傷跡領域を明確に分離するために、連結成分ラベリングが適用される。
• 深さ方向分離畳み込みを活用することで、計算コストを低減しつつ高い精度を維持するアーキテクチャを実現する。
• 多様な肌色や傷跡の外観にわたるモデルの汎化能力を向上させるために、データ拡張技術が用いられる。
• 複数の深層学習アーキテクチャを比較評価した結果、MobileNetV2が速度と精度の最適なバランスを示した。

実験結果

リサーチクエスチョン

• RQ1 軽量な深層学習モデルは、現実世界の自然な画像においても高精度な傷跡分離を達成できるか？
• RQ2 提案されたMobileNetV2ベースのフレームワークは、他の最先端の分離ネットワークと比較して、傷跡分離タスクにおいてどのように性能を発揮するか？
• RQ3 深層学習推論後に連結成分ラベリングを適用することで、分離精度はどの程度向上するか？
• RQ4 モデルの汎化能力は、多様な患者集団や傷跡の外観にわたってどの程度保たれるか？
• RQ5 計算効率の高さのおかげで、モバイルまたは臨床環境への効果的な導入が可能か？

主な発見

• 提案手法は、独自の傷跡画像データセットにおいて高い分離精度を達成し、複数のベースラインモデルを上回った。
• MobileNetV2は、精度と推論速度の両立に優れており、リアルタイム臨床利用に適していることが示された。
• 連結成分ラベリングの統合により、誤検出の数が顕著に減少し、傷跡領域検出の精度が向上した。
• モデルは多様な肌色や傷跡タイプに対しても頑健であることが確認され、強力な汎化能力を示した。
• 包括的なアブレーションスタディにより、提案されたアーキテクチャおよび後処理パイプラインの有効性が裏付けられた。
• 1,109枚のアノテート済み足潰瘍画像からなるデータセットは公開されており、今後の研究における貴重なベンチマークとして機能する。