[论文解读] Deep Learning in Diabetic Foot Ulcers Detection: A Comprehensive Evaluation

Moi Hoon Yap, Ryo Hachiuma+19 more|arXiv (Cornell University)|Oct 7, 2020

Diabetic Foot Ulcer Assessment and Management参考文献 70被引用 153

一句话总结

本论文在包含2,000张训练图像和2,000张测试图像的DFUC2020数据集上，评估了最先进的深度学习目标检测模型，包括Faster R-CNN变体、YOLOv3、YOLOv5、EfficientDet以及一种新型的Cascade Attention DetNet，用于糖尿病足溃疡（DFU）检测。表现最佳的模型——基于可变形卷积的Faster R-CNN，实现了0.6940的平均精度均值（mAP）和0.7434的F1分数，表明其在真实临床环境中实现自动化DFU检测方面具有强大潜力。

ABSTRACT

There has been a substantial amount of research involving computer methods and technology for the detection and recognition of diabetic foot ulcers (DFUs), but there is a lack of systematic comparisons of state-of-the-art deep learning object detection frameworks applied to this problem. DFUC2020 provided participants with a comprehensive dataset consisting of 2,000 images for training and 2,000 images for testing. This paper summarises the results of DFUC2020 by comparing the deep learning-based algorithms proposed by the winning teams: Faster R-CNN, three variants of Faster R-CNN and an ensemble method; YOLOv3; YOLOv5; EfficientDet; and a new Cascade Attention Network. For each deep learning method, we provide a detailed description of model architecture, parameter settings for training and additional stages including pre-processing, data augmentation and post-processing. We provide a comprehensive evaluation for each method. All the methods required a data augmentation stage to increase the number of images available for training and a post-processing stage to remove false positives. The best performance was obtained from Deformable Convolution, a variant of Faster R-CNN, with a mean average precision (mAP) of 0.6940 and an F1-Score of 0.7434. Finally, we demonstrate that the ensemble method based on different deep learning methods can enhanced the F1-Score but not the mAP.

研究动机与目标

• 系统评估并比较最先进的深度学习目标检测框架在真实世界、非实验室成像条件下对糖尿病足溃疡（DFU）检测的性能。
• 解决因趾甲、疤痕和过度角化等皮肤特征导致的DFU检测中高假阳性率的问题。
• 通过数据增强、后处理和集成学习策略提升检测的鲁棒性。
• 探索远程、AI辅助DFU监测的可行性，以减轻临床负担并支持糖尿病护理中的远程医疗。
• 为未来医学图像分析研究提供可复现的基准，使用公开可用的DFUC2020数据集。

提出的方法

• 采用全面的评估流程，包括数据预处理、数据增强（如mixup、cutout、随机水平翻转）以及后处理（如非极大值抑制和重叠框移除），适用于所有模型。
• 训练并评估了多种目标检测框架：使用标准卷积和可变形卷积的Faster R-CNN、三种Faster R-CNN变体、YOLOv3、YOLOv5、EfficientDet，以及一种新型的Cascade Attention DetNet架构。
• 使用DFUC2020数据集中专家标注图像的实例分割标注，评估指标包括平均精度均值（mAP）和F1分数。
• 实施了一种集成方法，结合五种不同模型（基于可变形卷积的Faster R-CNN、EfficientDet、YOLOv5等）的预测结果，以提升检测鲁棒性。
• 应用IoU（交并比）阈值0.3、0.4和0.5以评估对定位精度的敏感性，结果显示0.4和0.3的阈值能提升真正例检测。
• 探索了在Cascade Attention DetNet中引入可变形卷积和注意力机制等架构创新，以更好地捕捉不规则和弯曲的溃疡形态。

实验结果

研究问题

• RQ1 在真实世界成像条件下，哪种深度学习目标检测框架在DFUC2020数据集上对糖尿病足溃疡检测的mAP和F1分数最高？
• RQ2 数据增强和后处理技术如何影响DFU检测模型的泛化能力和假阳性率？
• RQ3 集成学习在多大程度上能提升检测性能，特别是在降低假阳性和提升真正例检测方面？
• RQ4 不同IoU阈值（0.3、0.4、0.5）如何影响DFU检测中精确率与召回率之间的平衡？
• RQ5 像Cascade Attention DetNet这样的新型架构能否在检测小、大或弯曲的溃疡方面优于标准检测器？

主要发现

• 基于可变形卷积的Faster R-CNN实现了最高的mAP（0.6940）和F1分数（0.7434），优于其他模型，包括YOLOv5、EfficientDet和标准Faster R-CNN。
• 数据增强对所有模型都至关重要，显著提升了训练稳定性和泛化能力，尤其对小尺寸和不规则形状的溃疡效果明显。
• 后处理，特别是非极大值抑制和重叠框移除，对于减少假阳性和提高定位精度至关重要。
• 结合五种不同模型的集成方法将预测边界框数量从基于可变形卷积的Faster R-CNN的2,240个减少至1,475个，提升了精确率但未提高mAP。
• 将IoU阈值从0.5降低至0.3或0.4，显著增加了真正例数量——在IoU ≥0.3时，基于可变形卷积的Faster R-CNN达到1,883个真正例，表明更严格的定位阈值可能损害检测灵敏度。
• Cascade Attention DetNet在训练集10%的子集上实现了0.9的mAP，但在完整测试集上表现欠佳，表明可能存在过拟合现象，可通过改进数据增强或集成学习策略加以缓解。