Automatic Foot Ulcer Segmentation Using an Ensemble of Convolutional Neural Networks

要約

足部潰瘍は糖尿病の一般的な合併症であり、かなりの罹患率と死亡率に関連しており、下肢切断の主要な危険因子であり続けています。
足の傷から正確な形態学的特徴を抽出することは、適切な治療のために重要です。
医療専門家による目視検査は診断の一般的なアプローチですが、これは主観的でエラーが発生しやすいため、コンピューター支援アプローチは興味深い代替手段を提供します。
深層学習ベースの方法、特に畳み込みニューラルネットワーク（CNN）は、医療画像のセグメンテーションを含む医療画像分析のさまざまなタスクに対して優れたパフォーマンスを示しています。
本論文では、足潰瘍のセグメンテーションを実行するために、2つのエンコーダ-デコーダベースのCNNモデル、すなわちLinkNetとU-Netに基づくアンサンブルアプローチを提案します。
限られた数の利用可能なトレーニングサンプルを処理するために、事前にトレーニングされた重み（LinkNetモデルの場合はEfficientNetB1、U-Netモデルの場合はEfficientNetB2）を使用し、Medetecデータセットを使用してさらに事前トレーニングを実行します。
ベースおよびカラーベースの増強技術。
セグメンテーションのパフォーマンスを向上させるために、5分割交差検定、テスト時間の拡張、および結果の融合を組み込んでいます。
公開されている慢性創傷データセットとMICCAI2021Foot Ulcer Segmentation（FUSeg）チャレンジに適用されたこの方法は、データベースのダイススコアがそれぞれ92.07％と88.80％で、最先端のパフォーマンスを達成し、トップになります。
FUSegチャレンジリーダーボードでランク付けされたメソッド。
Docker化されたガイドライン、推論コード、および保存されたトレーニング済みモデルは、https：//github.com/masih4/Foot_Ulcer_Segmentationで公開されています。

要約(オリジナル)

Foot ulcer is a common complication of diabetes mellitus and, associated with substantial morbidity and mortality, remains a major risk factor for lower leg amputations. Extracting accurate morphological features from foot wounds is crucial for appropriate treatment. Although visual inspection by a medical professional is the common approach for diagnosis, this is subjective and error-prone, and computer-aided approaches thus provide an interesting alternative. Deep learning-based methods, and in particular convolutional neural networks (CNNs), have shown excellent performance for various tasks in medical image analysis including medical image segmentation. In this paper, we propose an ensemble approach based on two encoder-decoder-based CNN models, namely LinkNet and U-Net, to perform foot ulcer segmentation. To deal with a limited number of available training samples, we use pre-trained weights (EfficientNetB1 for the LinkNet model and EfficientNetB2 for the U-Net model) and perform further pre-training using the Medetec dataset while also applying a number of morphological-based and colour-based augmentation techniques. To boost the segmentation performance, we incorporate five-fold cross-validation, test time augmentation and result fusion. Applied on the publicly available chronic wound dataset and the MICCAI 2021 Foot Ulcer Segmentation (FUSeg) Challenge, our method achieves state-of-the-art performance with data-based Dice scores of 92.07% and 88.80%, respectively, and is the top ranked method in the FUSeg challenge leaderboard. The Dockerised guidelines, inference codes and saved trained models are publicly available at https://github.com/masih4/Foot_Ulcer_Segmentation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google