Improving Limited Supervised Foot Ulcer Segmentation Using Cross-Domain Augmentation

要約

糖尿病性足潰瘍は、罹患率、死亡率、切断率の上昇などの健康リスクを引き起こします。
適切なケアには創傷領域のモニタリングが不可欠ですが、複雑な創傷の特徴や背景の変動のため、手動によるセグメンテーションは主観的です。
専門家によるアノテーションはコストと時間がかかるため、大規模なデータセットの作成が妨げられます。
広範な注釈に依存する既存のセグメンテーション モデルは、注釈付きデータが限られている現実のシナリオでは実用的ではありません。
この論文では、拡張されたグローバル事前トレーニング AGP とローカライズされた CutMix 微調整 LCF を組み合わせて、モデル学習用の創傷セグメンテーション データを強化する TransMix という名前のクロスドメイン拡張手法を提案します。
TransMix は、潰瘍の皮膚や傷以外の他の皮膚科学データセットを活用することで、足潰瘍セグメンテーション モデルのトレーニングを効果的に改善できます。
AGP は全体的な画像の変動性を効果的に増加させますが、LCF は創傷領域の多様性を増加させます。
実験結果は、TransMix が創傷領域の変動性を高め、さまざまな比率で 40 枚の注釈付き画像のみを使用してトレーニングされたモデルの Dice スコアを大幅に向上させることを示しています。

要約(オリジナル)

Diabetic foot ulcers pose health risks, including higher morbidity, mortality, and amputation rates. Monitoring wound areas is crucial for proper care, but manual segmentation is subjective due to complex wound features and background variation. Expert annotations are costly and time-intensive, thus hampering large dataset creation. Existing segmentation models relying on extensive annotations are impractical in real-world scenarios with limited annotated data. In this paper, we propose a cross-domain augmentation method named TransMix that combines Augmented Global Pre-training AGP and Localized CutMix Fine-tuning LCF to enrich wound segmentation data for model learning. TransMix can effectively improve the foot ulcer segmentation model training by leveraging other dermatology datasets not on ulcer skins or wounds. AGP effectively increases the overall image variability, while LCF increases the diversity of wound regions. Experimental results show that TransMix increases the variability of wound regions and substantially improves the Dice score for models trained with only 40 annotated images under various proportions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google