[논문 리뷰] Attention-based Pin Site Image Classification in Orthopaedic Patients with External Fixators

Yubo Wang, Marie Fridberg외 5명|arXiv (Cornell University)|2026. 03. 25.

Diabetic Foot Ulcer Assessment and Management인용 수 0

한 줄 요약

논문은 Efficient Redundant Reconstruction Convolution (ERRC)을 갖춘 주의 기반 CNN을 제시하여 핀 부위 이미지를 염증/감염 vs 비감염으로 분류하며, 작은 모델로 작은 수작업 주석 데이터셋에서 높은 AUC를 달성한다.

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.

연구 동기 및 목표

• 비주얼 외관에 근거하여 감염 대 비감염으로 분류하기 위한 핀 부위 이미지 데이터셋(NCH)을 수집 및 레이블링합니다.
• 피부-핀 인터페이스에서 핀 간섭에 강인한 주의 기반 CNN 아키텍처를 개발합니다.
• 특징을 풍부하게 하면서 매개변수를 줄이는 Efficient Redundant Reconstruction Convolution 도입합니다.
• Grad-CAM으로 모델 해석가능성을 제공하고 baselines와 비교하여 모델 성능을 평가합니다.
• 원격 비접촉 상처 평가의 한계와 의학 분야에서의 가능성에 대해 논의합니다.

제안 방법

• Nationwide Children’s Hospital에서 666장의 핀 부위 이미지를 구성하고 YOLOv5로 핀 위치를 탐지하여 ROI를 정의합니다.
• CBAM 주의력과 ERRC 블록으로 특징 맵을 풍부하게 하고 핀 간섭을 억제하는 다섯 블록 CNN을 제안합니다.
• 클래스 불균형을 Focal loss(alpha=0.15, gamma=2)로 addressed합니다.
• 사전 학습 없이 70/30 학습/테스트 분할(학습 내 80/20의 학습/검증)을 사용하여 학습하고 정밀도, 재현율, AUC, F1을 보고합니다.
• 매개변수 효율성과 추론 속력을 평가하고 VGG-16/19, ResNet-50, EfficientNetV2-b0 대비 focal loss 여부 및 ERRC 여부를 비교합니다.

실험 결과

연구 질문

• RQ1 경량의 주의 기반 CNN이 시각적 외관만으로 핀 부위 이미지를 염증/감염 vs 비감염으로 정확하게 분류할 수 있는가?
• RQ2 ERRC 모듈이 특징 맵을 풍부하게 하면서 매개변수 수를 줄여 감염 탐지 성능을 향상시키는가?
• RQ3 Focal loss가 불균형한 핀 부위 데이터셋에서 모델 성능에 어떤 영향을 미치는가?
• RQ4 제안된 모델이 이 작은 의료 영상 데이터셋에서 표준 아키텍처와 비교하여 어떤 차이가 있는가?
• RQ5 Grad-CAM에 의해 모델의 주의가 핀 주위의 의미 있는 피부 영역으로 국한되는가?

주요 결과

• 제안된 ERRC 모델은 5.77M 매개변수로 AUC 0.975 및 F1 0.927을 달성합니다.
• 비교 대상은 VGG-16(정밀도 99.4, 재현율 53.2, AUC 0.807, F1 0.69), VGG-19(정밀도 98, 재현율 52.69, AUC 0.822, F1 0.685), ResNet-50(정밀도 70, 재현율 80.46, AUC 0.931, F1 0.749), EfficientNetV2-b0(정밀도 90, 재현율 88.23, AUC 0.954, F1 0.889)입니다.
• FL(Focal Loss)가 적용된 모델은 정밀도 89.1, 재현율 90, AUC 0.957, F1 0.895를 보이고, FL 없이의 모델은 정밀도 95.4, 재현율 79, AUC 0.907, F1 0.864입니다.
• ERRC는 inverted residual block 대비 매개변수를 30.6% 감소시키며 AUC 및 F1에서 우수한 성능을 보입니다.
• 추론 시간: ERRC 모델의 평균 추론 시간은 2.37 ms, 초당 42.4 프레임(batch size 1)입니다.
• Grad-CAM 시각화는 핀 주변의 상처 피부에 모델이 초점을 맞추고 핀 간섭을 완화함을 보여줍니다.