[论文解读] A Refined Deep Learning Architecture for Diabetic Foot Ulcers Detection

Manu Goyal, Saeed Hassanpour|arXiv (Cornell University)|Jul 15, 2020

Diabetic Foot Ulcer Assessment and Management参考文献 25被引用 13

一句话总结

本文提出了一种改进的基于EfficientDet的深度学习架构，用于在4,500张足部图像数据集中实现糖尿病足溃疡（DFU）的自动化检测。通过应用颜色恒常性预处理、结合随机旋转和剪切的数据增强，以及通过置信度阈值和非极大值抑制进行后处理，该方法减少了假阳性和假阴性预测，从而在DFUC2020挑战赛数据集上实现了更高的检测准确率。

ABSTRACT

Diabetic Foot Ulcers (DFU) that affect the lower extremities are a major complication of diabetes. Each year, more than 1 million diabetic patients undergo amputation due to failure to recognize DFU and get the proper treatment from clinicians. There is an urgent need to use a CAD system for the detection of DFU. In this paper, we propose using deep learning methods (EfficientDet Architectures) for the detection of DFU in the DFUC2020 challenge dataset, which consists of 4,500 DFU images. We further refined the EfficientDet architecture to avoid false negative and false positive predictions. The code for this method is available at https://github.com/Manugoyal12345/Yet-Another-EfficientDet-Pytorch.

研究动机与目标

• 解决因糖尿病患者中DFU检测延迟而导致的可预防性下肢截肢率过高的问题。
• 开发一种自动化、低成本的计算机辅助检测（CAD）系统，用于DFU的深度学习检测。
• 通过减少假阳性和假阴性预测，提升在DFUC2020数据集上的检测性能。
• 实现在资源有限和农村医疗环境中可扩展、适用于远程医疗的DFU筛查。
• 利用MS-COCO预训练模型进行迁移学习，并微调EfficientDet以适应小样本、多样化的DFU数据集。

提出的方法

• 对4,500张DFU图像应用Shades of Gray颜色恒常性算法，以统一不同光照条件和设备造成的图像差异。
• 采用包括随机旋转和剪切在内的数据增强技术，提升模型对图像变化的鲁棒性。
• 在DFUC2020数据集上，利用迁移学习对预训练的EfficientDet模型（来自MS-COCO）进行微调。
• 采用置信度阈值0.5和非极大值抑制，消除重叠的边界框，减少假阳性预测。
• 在NVIDIA Quadro RTX 8000 GPU上训练100个周期后，基于最小验证损失选择最终模型。
• 使用基于PyTorch的Yet-Another-EfficientDet-Pytorch代码库进行实现和模型训练。

实验结果

研究问题

• RQ1 改进的EfficientDet架构能否提升在异质性医学影像数据中DFU检测的准确性？
• RQ2 颜色恒常性预处理在减少DFU图像中光照和设备相关差异方面效果如何？
• RQ3 如旋转和剪切等数据增强技术在多大程度上提升了模型对DFU检测的泛化能力？
• RQ4 通过置信度阈值和非极大值抑制进行后处理，能否有效减少假阳性和假阴性预测？
• RQ5 从MS-COCO迁移学习是否能提升在小样本、专业医学数据集（如DFUC2020）上的性能？

主要发现

• 通过后处理减少假阳性和假阴性预测，改进的EfficientDet模型显著提升了检测性能。
• Shades of Gray预处理方法有效降低了DFUC2020数据集中由光照和设备引起的噪声。
• 采用随机旋转和剪切的数据增强显著提升了模型对不同大小和严重程度DFU的检测能力。
• 使用0.5置信度阈值和非极大值抑制显著减少了边界框重叠，提高了定位准确性。
• 最终模型基于100个训练周期后最小验证损失选定，表明模型收敛稳定。
• 该方法成功提交至DFUC2020挑战赛，证明了其在真实医学影像任务中的实际应用潜力。