WoundAmbit: Bridging State-of-the-Art Semantic Segmentation and Real-World Wound Care

要約

慢性創傷は、特に高齢者および糖尿病患者に大きな集団に影響を与えます。高齢患者は、しばしば限られた機動性と共存する健康状態を示します。
モバイルイメージキャプチャによる自動化された創傷監視は、創傷サイズのリモートトラッキングを可能にすることにより、個人の医師への訪問を減らすことができます。
セマンティックセグメンテーションはこのプロセスの鍵ですが、創傷セグメンテーションは医療イメージング研究では依然として過小評価されています。
これに対処するために、一般的な視覚、医療イメージング、および公共の傷の課題からの最大の方法から最先端の深い学習モデルをベンチマークします。
公正な比較のために、トレーニング、データの増強、評価を標準化し、分割バイアスを最小限に抑えるために相互検証を実施します。
また、分散外の創傷データセットへの一般化、計算効率、解釈可能性を含む、実際の展開の側面を評価します。
さらに、AIに生成されたマスクを臨床的に関連する創傷サイズの推定値に変換するための参照オブジェクトベースのアプローチを提案し、医師の評価に基づいた最良のモデルについて、マスク品質とともにこれを評価します。
全体として、トランスベースのトランスネックスは、一般化の最高レベルを示しました。
推論時間の変動にもかかわらず、すべてのモデルはCPUで少なくとも1秒あたり1つの画像を処理しました。これは、意図したアプリケーションに適しているとみなされます。
解釈可能性分析は通常、創傷領域で顕著な活性化を明らかにし、臨床的に関連する特徴に焦点を当てました。
専門家の評価では、すべての分析されたモデルの高いマスク承認が示され、VWFormerとConvnextsのバックボーンが最高のパフォーマンスを発揮しました。
サイズの検索精度はモデル間で類似しており、予測は専門家の注釈と密接に一致しました。
最後に、AI駆動型の創傷サイズの推定フレームワークであるRundambitをカスタムテレヘルスシステムに統合する方法を示します。
当社のコードは、公開時にGitHubで利用可能になります。

要約(オリジナル)

Chronic wounds affect a large population, particularly the elderly and diabetic patients, who often exhibit limited mobility and co-existing health conditions. Automated wound monitoring via mobile image capture can reduce in-person physician visits by enabling remote tracking of wound size. Semantic segmentation is key to this process, yet wound segmentation remains underrepresented in medical imaging research. To address this, we benchmark state-of-the-art deep learning models from general-purpose vision, medical imaging, and top methods from public wound challenges. For fair comparison, we standardize training, data augmentation, and evaluation, conducting cross-validationto minimize partitioning bias. We also assess real-world deployment aspects, including generalization to an out-of-distribution wound dataset, computational efficiency, and interpretability. Additionally, we propose a reference object-based approach to convert AI-generated masks into clinically relevant wound size estimates, and evaluate this, along with mask quality, for the best models based on physician assessments. Overall, the transformer-based TransNeXt showed the highest levels of generalizability. Despite variations in inference times, all models processed at least one image per second on the CPU, which is deemed adequate for the intended application. Interpretability analysis typically revealed prominent activations in wound regions, emphasizing focus on clinically relevant features. Expert evaluation showed high mask approval for all analyzed models, with VWFormer and ConvNeXtS backbone performing the best. Size retrieval accuracy was similar across models, and predictions closely matched expert annotations. Finally, we demonstrate how our AI-driven wound size estimation framework, WoundAmbit, can be integrated into a custom telehealth system. Our code will be made available on GitHub upon publication.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google