Boundary Attention Mapping (BAM): Fine-grained saliency maps for segmentation of Burn Injuries

要約

熱傷は、熱、化学、電気的損傷などのメカニズムによって発生する可能性があります。
最終的な臨床治療を決定するには、熱傷の迅速かつ正確な評価が不可欠です。
現在、視覚的および触覚的観察による熱傷評価の主なアプローチは、約 60% ～ 80% の精度です。
ゴールドスタンダードは生検であり、それに近いのは、熱傷の重症度と必要な治癒時間を最大 97% の精度で予測するレーザー ドップラー イメージング (LDI) 評価などの非侵襲的方法です。
この論文では、火傷の重症度を評価し、火傷の影響を受ける皮膚領域をセグメント化するための機械学習パイプラインを紹介します。
熱傷の 2D カラー画像をセグメント化すると、熱傷患者の遠隔監視中であっても、損傷した皮膚と損傷していない皮膚を区別することができ、局所的な熱傷/関心領域の範囲と境界を明確にマークできます。
私たちは、畳み込みニューラル ネットワーク (CNN) をトレーニングして、火傷の 4 つの重症度を分類しました。
私たちは、皮膚熱傷画像から熱傷領域を正確に位置特定してセグメント化する目的で、この学習済み CNN を利用する顕著性マッピング手法である境界アテンション マッピング (BAM) を構築しました。
私たちは、2 つのデータセットを使用した広範な実験と評価を通じて、提案したパイプラインの有効性を実証しました。
1) 4 つの熱傷重症度の 1684 枚の皮膚熱傷画像で構成される大規模な皮膚熱傷画像データセット、2) 合計 184 枚の皮膚熱傷画像と関連する LDI スキャンで構成される LDI データセット。
最初のデータセットを使用してトレーニングされた CNN は、4 つの火傷重症度の分類において、平均 F1 スコア 78%、ミクロ/マクロ平均 ROC 85% を達成しました。
さらに、損傷境界を測定するための BAM 結果と LDI 結果の比較では、私たちの方法によって生成されたセグメンテーションが 91.60% の精度、78.17% の感度、および 93.37% の特異性を達成したことが示されました。

要約(オリジナル)

Burn injuries can result from mechanisms such as thermal, chemical, and electrical insults. A prompt and accurate assessment of burns is essential for deciding definitive clinical treatments. Currently, the primary approach for burn assessments, via visual and tactile observations, is approximately 60%-80% accurate. The gold standard is biopsy and a close second would be non-invasive methods like Laser Doppler Imaging (LDI) assessments, which have up to 97% accuracy in predicting burn severity and the required healing time. In this paper, we introduce a machine learning pipeline for assessing burn severities and segmenting the regions of skin that are affected by burn. Segmenting 2D colour images of burns allows for the injured versus non-injured skin to be delineated, clearly marking the extent and boundaries of the localized burn/region-of-interest, even during remote monitoring of a burn patient. We trained a convolutional neural network (CNN) to classify four severities of burns. We built a saliency mapping method, Boundary Attention Mapping (BAM), that utilises this trained CNN for the purpose of accurately localizing and segmenting the burn regions from skin burn images. We demonstrated the effectiveness of our proposed pipeline through extensive experiments and evaluations using two datasets; 1) A larger skin burn image dataset consisting of 1684 skin burn images of four burn severities, 2) An LDI dataset that consists of a total of 184 skin burn images with their associated LDI scans. The CNN trained using the first dataset achieved an average F1-Score of 78% and micro/macro- average ROC of 85% in classifying the four burn severities. Moreover, a comparison between the BAM results and LDI results for measuring injury boundary showed that the segmentations generated by our method achieved 91.60% accuracy, 78.17% sensitivity, and 93.37% specificity.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google