Venn Diagram Multi-label Class Interpretation of Diabetic Foot Ulcer with Color and Sharpness Enhancement

要約

タイトル: カラーとシャープネス強化を利用した糖尿病性足潰瘍のVenn図式多ラベルクラス解釈

要約:
– 研究者たちは、2021年ディアベティックフット潰瘍グランドチャレンジに触発され、感染、虚血、これら両方、およびこれらの状態のない多クラス分類を自動化する方法を設計しました。
– しかし、分類の正確さはまだ十分ではないため、研究者たちは異なる画像強化戦略を利用して、多クラスDFU分類のVenn図式解釈を提案しています。
– 四つのクラスを二つに減らし、それらを感染と虚血の同時発生、および感染と虚血の欠如として解釈することを提案しています。
– 新しいVenn図式表現ブロックを分類子に導入し、これらの二つのクラスから四つのクラスを解釈します。
– DFUイメージの知覚的品質を向上させるために、色とシャープネスの強化を行い、CNNモデルの汎化性能を改善するために、適応的シャープネスに配慮した最小化の微調整技術を採用します。
– この提案手法は、5,734枚の画像を含むDFUC2021のテストデータセットで評価され、DFUC2021のトップ3のエントリーと比較して、Macro-Average F1、Recall、およびPrecisionのスコアが0.6592、0.6593、および0.6652になり、現存する手法よりも優れた結果を示します。
– さらに、提案手法を解釈するために実験を行い、画像品質の測定を行います。
– この提案手法は、キャプチャされた画像の不一致を解決し、より堅牢な遠隔DFU傷の分類に利用できるため、DFUを持つ患者に利益をもたらします。

要約(オリジナル)

DFU is a severe complication of diabetes that can lead to amputation of the lower limb if not treated properly. Inspired by the 2021 Diabetic Foot Ulcer Grand Challenge, researchers designed automated multi-class classification of DFU, including infection, ischaemia, both of these conditions, and none of these conditions. However, it remains a challenge as classification accuracy is still not satisfactory. This paper proposes a Venn Diagram interpretation of multi-label CNN-based method, utilizing different image enhancement strategies, to improve the multi-class DFU classification. We propose to reduce the four classes into two since both class wounds can be interpreted as the simultaneous occurrence of infection and ischaemia and none class wounds as the absence of infection and ischaemia. We introduce a novel Venn Diagram representation block in the classifier to interpret all four classes from these two classes. To make our model more resilient, we propose enhancing the perceptual quality of DFU images, particularly blurry or inconsistently lit DFU images, by performing color and sharpness enhancements on them. We also employ a fine-tuned optimization technique, adaptive sharpness aware minimization, to improve the CNN model generalization performance. The proposed method is evaluated on the test dataset of DFUC2021, containing 5,734 images and the results are compared with the top-3 winning entries of DFUC2021. Our proposed approach outperforms these existing approaches and achieves Macro-Average F1, Recall and Precision scores of 0.6592, 0.6593, and 0.6652, respectively.Additionally, We perform ablation studies and image quality measurements to further interpret our proposed method. This proposed method will benefit patients with DFUs since it tackles the inconsistencies in captured images and can be employed for a more robust remote DFU wound classification.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI