[论文解读] Fully Automatic Wound Segmentation with Deep Convolutional Neural Networks

Chuanbo Wang, DM Anisuzzaman+6 more|arXiv (Cornell University)|Oct 12, 2020

Diabetic Foot Ulcer Assessment and Management参考文献 22被引用 14

一句话总结

本文提出了一种基于MobileNetV2的深度卷积神经网络与连通域标记相结合的全自动伤口分割方法，可从自然皮肤图像中精确识别并分割足部溃疡区域。该方法在包含1,109张标注足部溃疡图像的自定义数据集上实现了高精度分割，展现出在临床伤口评估应用中出色的性能与移动性。

ABSTRACT

Acute and chronic wounds have varying etiologies and are an economic burden to healthcare systems around the world. The advanced wound care market is expected to exceed $22 billion by 2024. Wound care professionals rely heavily on images and image documentation for proper diagnosis and treatment. Unfortunately lack of expertise can lead to improper diagnosis of wound etiology and inaccurate wound management and documentation. Fully automatic segmentation of wound areas in natural images is an important part of the diagnosis and care protocol since it is crucial to measure the area of the wound and provide quantitative parameters in the treatment. Various deep learning models have gained success in image analysis including semantic segmentation. Particularly, MobileNetV2 stands out among others due to its lightweight architecture and uncompromised performance. This manuscript proposes a novel convolutional framework based on MobileNetV2 and connected component labelling to segment wound regions from natural images. We build an annotated wound image dataset consisting of 1,109 foot ulcer images from 889 patients to train and test the deep learning models. We demonstrate the effectiveness and mobility of our method by conducting comprehensive experiments and analyses on various segmentation neural networks.

研究动机与目标

• 为解决因伤口护理专业能力有限而导致的诊断不一致与不准确问题。
• 开发一种全自动、基于深度学习的算法，用于从自然、非理想图像中分割伤口区域。
• 通过实现临床环境中精确的分割与面积测量，提升伤口评估的量化水平。
• 构建一种轻量化但高精度的模型，适用于移动设备与临床环境的部署。
• 在由889名患者收集的1,109张足部溃疡图像组成的大型多样化数据集上验证该方法。

提出的方法

• 采用基于MobileNetV2的深度学习框架，对自然图像中的伤口区域进行语义分割。
• 在由889名患者提供的1,109张足部溃疡图像组成的自定义标注数据集上训练并测试该模型。
• 在分割后应用连通域标记，以优化并分离出伤口区域，减少背景噪声与伪影影响。
• 该架构利用深度可分离卷积，在保持高精度的同时降低计算成本。
• 采用数据增强技术，提升模型在不同肤色与伤口外观下的泛化能力。
• 在多种深度学习架构上对方法进行评估，结果表明MobileNetV2在速度与精度之间实现了最佳平衡。

实验结果

研究问题

• RQ1 轻量级深度学习模型是否能在自然、真实世界图像中实现高精度的伤口分割？
• RQ2 所提出的基于MobileNetV2的框架在伤口分割任务中与其它最先进分割网络相比表现如何？
• RQ3 连通域标记在深度学习推理后能在多大程度上提升分割精度？
• RQ4 该模型在不同患者群体与伤口外观下的泛化能力如何？
• RQ5 由于其计算效率，该方法是否可有效部署于移动或临床环境？

主要发现

• 所提出的方法在自定义伤口图像数据集上实现了高精度分割，优于多个基线模型。
• MobileNetV2在精度与推理速度之间表现出卓越的平衡，适用于实时临床应用。
• 连通域标记的集成显著减少了误报，提升了伤口区域检测的精确度。
• 该模型在不同肤色与伤口类型下表现出强健性，显示出优异的泛化能力。
• 全面的消融实验验证了所提出架构与后处理流程的有效性。
• 包含1,109张标注足部溃疡图像的数据集已公开，可作为未来研究的宝贵基准。