[论文解读] Translating Clinical Delineation of Diabetic Foot Ulcers into Machine Interpretable Segmentation

Connah Kendrick, Bill Cassidy+7 more|arXiv (Cornell University)|Apr 22, 2022

Diabetic Foot Ulcer Assessment and ManagementMedicine被引用 17

一句话总结

本文介绍了DFUC2022，这是迄今为止最大的糖尿病足溃疡（DFUs）临床分割数据集，包含由临床医生标注的4,000张图像。研究结果表明，通过图像处理技术对临床医生勾画的轮廓进行预处理，生成平滑的掩码，可显著提升深度学习分割性能，Dice分数达到0.7446，超过最佳基线模型（0.5708）和DFUC2022挑战赛冠军（0.7287）。

ABSTRACT

Diabetic foot ulcer is a severe condition that requires close monitoring and management. For training machine learning methods to auto-delineate the ulcer, clinical staff must provide ground truth annotations. In this paper, we propose a new diabetic foot ulcers dataset, namely DFUC2022, the largest segmentation dataset where ulcer regions were manually delineated by clinicians. We assess whether the clinical delineations are machine interpretable by deep learning networks or if image processing refined contour should be used. By providing benchmark results using a selection of popular deep learning algorithms, we draw new insights into the limitations of DFU wound delineation and report on the associated issues. This paper provides some observations on baseline models to facilitate DFUC2022 Challenge in conjunction with MICCAI 2022. The leaderboard will be ranked by Dice score, where the best FCN-based method is 0.5708 and DeepLabv3+ achieved the best score of 0.6277. This paper demonstrates that image processing using refined contour as ground truth can provide better agreement with machine predicted results. DFUC2022 will be released on the 27th April 2022.

研究动机与目标

• 创建迄今为止最大的糖尿病足溃疡（DFUC2022）临床分割数据集，包含由临床医生提供的真实标注。
• 探究未经处理的临床医生勾画轮廓是否适合作为深度学习模型的真值标签，或图像处理优化是否能提升模型性能。
• 在DFUC2022数据集上对当前最先进的深度学习分割网络进行基准测试，并识别关键性能瓶颈。
• 提出并验证一种新型训练策略，通过修改FCN32 VGG网络架构，以解决数据分布偏差、噪声以及区域相似性等问题，从而提升分割精度。
• 证明通过图像处理生成的平滑掩码相较于锯齿状的临床轮廓，能与模型预测结果实现更优对齐。

提出的方法

• 收集并整理了4,000张DFU图像（2,000张训练集，2,000张测试集），并由专家临床医生进行临床轮廓勾画。
• 应用图像处理技术，将原始、锯齿状的临床医生绘制轮廓转化为平滑、机器可读的掩码，以提升真值表示的准确性。
• 在原始掩码和光滑掩码上分别训练并评估多种深度学习分割模型（如DeepLabv3+、FCN32 VGG），以比较性能差异。
• 通过消融实验，分离分析数据分布偏差、背景噪声以及纹理相似性对模型性能的影响。
• 对FCN32 VGG网络架构进行修改，以减少过度下采样，提升对小尺寸、低对比度DFU区域的特征学习能力。
• 采用可解释人工智能技术（如类别激活图）分析模型注意力机制，验证网络在预测过程中是否聚焦于溃疡区域。

实验结果

研究问题

• RQ1 糖尿病足溃疡的临床轮廓能否直接用作深度学习分割的真值标签？图像处理优化是否能提升模型性能？
• RQ2 在DFU分割任务中，训练深度学习模型面临的主要挑战是什么？数据分布、噪声以及纹理相似性如何影响模型性能？
• RQ3 使用从临床医生轮廓生成的平滑掩码，是否能实现模型预测与临床标注之间的更优对齐？
• RQ4 对标准分割网络（如FCN32 VGG）进行架构修改，是否能在无需后处理的情况下提升对小尺寸、低对比度DFU区域的性能？
• RQ5 所提出方法在DFUC2022基准测试中的性能表现如何，特别是在Dice分数以及对噪声和小病灶的鲁棒性方面，相较于最先进模型有何优势？

主要发现

• DFUC2022数据集是迄今为止最大的可用DFU分割数据集，包含2,000张训练图像和2,000张测试图像，均由临床医生进行标注。
• 通过图像处理将临床医生绘制的轮廓优化为平滑掩码，显著提升了分割性能，Dice分数从基线最佳模型的0.5708提升至0.7446。
• 所提出的改进型FCN32 VGG网络在测试中取得0.7446的Dice分数，优于DFUC2022挑战赛排行榜第一名模型（0.7287）。
• 基线模型在小尺寸DFU区域表现较差，主要由于过度下采样和数据分布偏差，超过95%的图像中DFU区域面积不足图像总面积的5%。
• 背景噪声以及DFU、周围组织与健康皮肤之间的纹理相似性显著降低了模型性能，导致误分类和对背景的过拟合。
• 标准网络中快速上采样导致像素化和假阳性区域，而通过架构改进提升特征图分辨率和定位能力后，该问题得到有效缓解。