Deep Learning-Driven Heat Map Analysis for Evaluating thickness of Wounded Skin Layers

要約

創傷部位の適切な皮膚層の厚さを理解することは、創傷治癒の実践と治療プロトコルを進めるための重要なツールです。
深さを測定する方法は多くの場合、侵襲的であり、具体性が低くなります。
この論文では、ヒートマップ分析による創傷の深さの測定に役立つ、皮膚層の分類を使用した深層学習技術による非侵襲的な新しい方法を紹介します。
約 200 枚のラベル付き皮膚画像のセットにより、傷跡、創傷、健康な皮膚などの 5 つのクラスを区別できます。
各画像には、ソフトウェア Roboflow で重要な層、つまり角質層、表皮、真皮に注釈が付けられています。
準備段階では、ヒートマップ ジェネレーター VGG16 を使用して組織層の可視性を高め、それに基づいて注釈付きの画像を使用して早期停止テクニックで ResNet18 をトレーニングしました。
最終的には97.67%という非常に高い正解率となりました。
これを行うために、モデル ResNet18、VGG16、DenseNet121、および EfficientNet の比較が行われ、EfficientNet と ResNet18 の両方がほぼ 95.35% の精度率を達成しました。
さらにハイパーパラメータを調整するために、EfficientNet と ResNet18 は 6 つの異なる学習率でトレーニングされ、最適なモデル構成が決定されました。
学習率が異なると精度に大きな変動が生じることが注目されています。
EfficientNet の場合、達成可能な最大精度は 0.0001 のレートで 95.35% でした。
同じことが ResNet18 にも当てはまり、同じレートで 95.35% のピーク値に達しました。
これらの事実は、このモデルがリアルタイムの非侵襲的創傷評価に適用および利用できることを示しており、臨床診断と治療計画の改善に大きな期待が寄せられています。

要約(オリジナル)

Understanding the appropriate skin layer thickness in wounded sites is an important tool to move forward on wound healing practices and treatment protocols. Methods to measure depth often are invasive and less specific. This paper introduces a novel method that is non-invasive with deep learning techniques using classifying of skin layers that helps in measurement of wound depth through heatmap analysis. A set of approximately 200 labeled images of skin allows five classes to be distinguished: scars, wounds, and healthy skin, among others. Each image has annotated key layers, namely the stratum cornetum, the epidermis, and the dermis, in the software Roboflow. In the preliminary stage, the Heatmap generator VGG16 was used to enhance the visibility of tissue layers, based upon which their annotated images were used to train ResNet18 with early stopping techniques. It ended up at a very high accuracy rate of 97.67%. To do this, the comparison of the models ResNet18, VGG16, DenseNet121, and EfficientNet has been done where both EfficientNet and ResNet18 have attained accuracy rates of almost 95.35%. For further hyperparameter tuning, EfficientNet and ResNet18 were trained at six different learning rates to determine the best model configuration. It has been noted that the accuracy has huge variations with different learning rates. In the case of EfficientNet, the maximum achievable accuracy was 95.35% at the rate of 0.0001. The same was true for ResNet18, which also attained its peak value of 95.35% at the same rate. These facts indicate that the model can be applied and utilized in actual-time, non-invasive wound assessment, which holds a great promise to improve clinical diagnosis and treatment planning.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google