[论文解读] DFUNet: Convolutional Neural Networks for Diabetic Foot Ulcer Classification

Manu S. Goyal, Neil D. Reeves+4 more|arXiv (Cornell University)|Nov 28, 2017

Diabetic Foot Ulcer Assessment and Management被引用 4

一句话总结

本文提出DFUNet，一种轻量级卷积神经网络，专为足部图像中糖尿病足溃疡（DFU）的自动分类而设计。通过采用具有更大卷积核尺寸的定制架构以增强特征提取，DFUNet在10折交叉验证中实现了0.961的AUC，其敏感性和准确率优于传统的机器学习方法以及现有的CNN模型（如GoogLeNet和AlexNet）。

ABSTRACT

Globally, in 2016, one out of eleven adults suffered from Diabetes Mellitus. Diabetic Foot Ulcers (DFU) are a major complication of this disease, which if not managed properly can lead to amputation. Current clinical approaches to DFU treatment rely on patient and clinician vigilance, which has significant limitations such as the high cost involved in the diagnosis, treatment and lengthy care of the DFU. We collected an extensive dataset of foot images, which contain DFU from different patients. In this paper, we have proposed the use of traditional computer vision features for detecting foot ulcers among diabetic patients, which represent a cost-effective, remote and convenient healthcare solution. Furthermore, we used Convolutional Neural Networks (CNNs) for the first time in DFU classification. We have proposed a novel convolutional neural network architecture, DFUNet, with better feature extraction to identify the feature differences between healthy skin and the DFU. Using 10-fold cross-validation, DFUNet achieved an AUC score of 0.962. This outperformed both the machine learning and deep learning classifiers we have tested. Here we present the development of a novel and highly sensitive DFUNet for objectively detecting the presence of DFUs. This novel approach has the potential to deliver a paradigm shift in diabetic foot care.

研究动机与目标

• 开发一种自动化、低成本且可远程实现的糖尿病足溃疡（DFU）早期检测方案，利用计算机视觉技术。
• 解决当前临床方法的局限性，包括高成本、依赖专家临床医生以及诊断延迟等问题。
• 设计一种新型深度学习架构DFUNet，专为在多样的成像条件下区分DFU与健康皮肤而优化。
• 评估DFUNet在异质数据集上的鲁棒性，包括移动设备拍摄的图像和面部皮肤区域图像。
• 为未来在自动化溃疡分割、多类别病理分类以及移动健康工具中的应用奠定基础。

提出的方法

• 提出一种新型CNN架构DFUNet，采用更深更宽的并行卷积层，并使用更大的卷积核尺寸，以增强DFU与健康皮肤分类的特征提取能力。
• 使用在标准条件下采集的大型专家标注足部图像数据集对DFUNet进行训练和评估，数据采集使用单反相机。
• 采用10折交叉验证以确保性能估计的稳健性并减少过拟合风险。
• 通过FootSnap应用程序使用iPad相机拍摄的异质数据集测试模型泛化能力，以模拟真实世界条件。
• 将评估扩展至三分类面部皮肤区域数据集（正常、斑点、皱纹），以评估模型在DFU分类之外的鲁棒性。
• 使用标准指标（包括AUC、敏感性、特异性、精确率、F1值和MCC）将DFUNet与成熟模型（GoogLeNet、AlexNet）及传统机器学习方法进行对比。

实验结果

研究问题

• RQ1 定制设计的CNN架构是否能在临床图像中对糖尿病足溃疡与健康足部皮肤进行分类时，优于现有的深度学习模型？
• RQ2 与标准单反相机图像相比，DFUNet在使用智能手机等不同设备拍摄的异质图像数据集上的表现如何？
• RQ3 DFUNet在多大程度上可泛化至其他皮肤病变分类任务，例如区分正常皮肤、斑点和皱纹？
• RQ4 架构设计选择（特别是更大的卷积核尺寸和减少网络深度）对分类性能和推理速度有何影响？
• RQ5 在低资源环境下，DFUNet能否实现高敏感性和特异性，从而支持远程且可扩展的DFU筛查？

主要发现

• 在主数据集上，DFUNet通过10折交叉验证实现了0.961的AUC得分，显著优于传统机器学习方法和深度学习基线模型。
• 在使用iPad相机拍摄的异质测试集中，DFUNet的敏感性为0.929，特异性为0.908，精确率为0.942，F1值为0.931，AUC为0.950。
• 在三分类面部皮肤分类任务中，DFUNet的敏感性（0.867）优于GoogLeNet（0.783），特异性（0.930）优于GoogLeNet（0.882），F1值（0.867）也优于GoogLeNet（0.784）。
• 该模型对光照条件和设备类型变化表现出高度鲁棒性，表明其具备强大的泛化潜力。
• 尽管层数更少且模型设计轻量化，DFUNet的敏感性和特异性仍高于更深的模型（如GoogLeNet和AlexNet）。
• 误分类主要发生在小型溃疡以及红斑或皱纹明显的区域，提示未来架构优化可重点关注这些区域。