[논문 리뷰] 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 Hong외 1명|arXiv (Cornell University)|2021. 01. 23.

Pressure Ulcer Prevention and Management참고 문헌 25인용 수 5

한 줄 요약

이 논문은 정확한 상처 부위 분할을 위해 주의 메커니즘을 갖춘 잔류 U-Net을 사용하는 원격 압박성 궤양 관리 시스템을 제안한다. 전이 학습, 데이터 증강(회전, 반사, 워터셰드), 이중선형 보간을 통한 이미지 전처리를 활용하여 모델은 99.0%의 정확도, 99.99%의 IoU, 93.4%의 Dice 유사도 계수를 달성하였으며, 이는 이전 방법들을 능가한다.

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.

연구 동기 및 목표

• 노인성 또는 기능 장애가 있는 환자들이 의료 서비스에 접근하기 어려운 문제를 해결하기 위해.
• 이미지 기반 분석을 통해 압박성 궤양의 정기적인 원격 모니터링을 가능하게 하기 위해.
• 전이 학습과 데이터 증강을 통해 자료가 적은 환경에서도 상처 분할 정확도를 향상시키기 위해.
• 실시간 원격 의료 지원을 위한 모바일 통합 시스템 개발을 위해.

제안 방법

• 자신과 유사한 피부 상처 영상으로 미리 훈련된 잔류 U-Net 아키텍처를 사용하여 자료 부족 문제를 완화하기 위해.
• 이중선형 보간을 적용하여 이미지 크기 조정 및 정규화를 수행하여 입력 데이터 표준화를 위해.
• 훈련의 강건성을 향상시키기 위해 회전, 반사, 워터셰드 알고리즘을 포함한 데이터 증강 기법을 적용하기 위해.
• 압박성 궤양 영상에서 중요한 특징을 강조하기 위해 주의 모듈을 통합하여 분할 집중도 향상시키기 위해.
• 임상적 관련성을 최적화하기 위해 제한된 압박성 궤양 영상 데이터셋으로 모델를 미세 조정하기 위해.
• 실시간 상처 영상 촬영 및 분할을 위한 원격 의료 용도의 모바일 애플리케이션 설계하기 위해.

실험 결과

연구 질문

• RQ1 제한된 훈련 데이터로 딥러닝 모델이 높은 정확도의 압박성 궤양 분할을 달성할 수 있는가?
• RQ2 주의 메커니즘의 통합이 압박성 궤양 영상의 분할 성능에 어떻게 기여하는가?
• RQ3 회전, 반사, 워터셰드와 같은 데이터 증강 기법이 모델의 일반화 능력에 얼마나 기여하는가?
• RQ4 유사 도메인에서 사전 훈련된 모델을 사용한 전이 학습 접근 방식이 이 작업에서 표준 U-Net 아키텍처를 능가하는가?
• RQ5 제안된 시스템은 임상 환경에서 실시간 원격 상처 모니터링에 얼마나 효과적인가?

주요 결과

• 제안된 모델은 99.0%의 분할 정확도를 달성하여 기준 모델을 크게 능가하였다.
• 교차율(Intersection over Union, IoU)은 99.99%에 도달하여 예측된 영역과 진짜 상처 영역 간의 거의 완벽한 겹침을 나타내었다.
• Dice 유사도 계수(Dice Similarity Coefficient, DSC)는 93.4%였으며, 분할 품질의 높은 일관성을 보여주었다.
• 주의 모듈의 통합으로 복잡하거나 저대비 상처 영역에서의 특징 학습이 향상되어 분할 집중도가 향상되었다.
• 전이 학습과 목표 지향적 데이터 증강의 조합이 자료 부족 문제를 효과적으로 완화시켰다.
• 이 시스템은 모바일 기반 원격 상처 모니터링 응용 분야에 강력한 잠재력을 보였다.