[论文解读] 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 Hong+1 more|arXiv (Cornell University)|Jan 23, 2021

Pressure Ulcer Prevention and Management参考文献 25被引用 5

一句话总结

本文提出了一种基于残差U-Net与注意力机制的远程压力性溃疡护理系统，用于实现精准的伤口区域分割。通过利用迁移学习、数据增强（旋转、反射、分水岭算法）以及通过双线性插值进行图像预处理，该模型实现了99.0%的准确率、99.99%的IoU以及93.4%的Dice相似系数——超越了先前的方法。

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.

研究动机与目标

• 解决老年或残疾患者因医疗资源有限而难以获得医疗服务的挑战。
• 通过基于图像的分析，实现在远程环境下对压力性溃疡进行定期监测。
• 通过迁移学习与数据增强技术，提升在低数据量环境下的伤口分割精度。
• 开发一种与移动设备集成的系统，实现实时、远程的伤口管理医疗支持。

提出的方法

• 采用在相似皮肤伤口图像上预训练的残差U-Net架构，以应对数据稀缺问题。
• 使用双线性插值进行图像缩放与归一化，以标准化输入数据。
• 应用包括旋转、反射和分水岭算法在内的数据增强技术，以提升模型训练的鲁棒性。
• 集成注意力模块以突出压力性溃疡图像中的关键特征，提升分割聚焦能力。
• 在有限的压力性溃疡图像数据集上对模型进行微调，以优化其临床相关性。
• 设计移动应用程序，支持实时拍摄伤口图像并进行分割，适用于远程医疗场景。

实验结果

研究问题

• RQ1 在训练数据有限的情况下，深度学习模型能否实现高精度的压力性溃疡分割？
• RQ2 集成注意力机制在压力性溃疡图像分割中的表现有何提升？
• RQ3 像旋转、反射和分水岭算法这样的数据增强技术在多大程度上提升了模型的泛化能力？
• RQ4 使用相关领域预训练模型的迁移学习方法是否能在此任务中优于标准U-Net架构？
• RQ5 所提出的系统在临床环境中实现实时、远程伤口监测的有效性如何？

主要发现

• 所提出的模型实现了99.0%的分割准确率，显著优于基线方法。
• 交并比（IoU）达到99.99%，表明预测区域与真实标注区域几乎完全重叠。
• Dice相似系数（DSC）为93.4%，表明分割质量具有高度一致性。
• 注意力模块的集成增强了特征学习能力，尤其在复杂或低对比度的伤口区域表现更优。
• 迁移学习与针对性数据增强的结合有效缓解了数据稀缺问题。
• 该系统在移动端远程伤口监测应用中展现出强大的部署潜力。