Diabetic foot ulcers monitoring by employing super resolution and noise reduction deep learning techniques

要約

糖尿病性足潰瘍 (DFU) は、糖尿病患者にとって深刻な合併症です。
DFU患者のケアは、早期診断、潰瘍予防、および既存の潰瘍の合併症管理を達成するために、自己管理によって大幅に改善できます。
この論文では、糖尿病性足潰瘍の意思決定とモニタリングをサポートする画像から画像への変換技術 (ItITT) の 2 つのカテゴリ、ノイズ低減と超解像を調査します。
前者のケースでは、畳み込みニューラル ネットワーク スタック オートエンコーダー (CNN-SAE) のノイズ除去機能を調査しました。
CNN-SAE は、ガウス ノイズで誘発された RGB 画像でテストされました。
後者のシナリオには、4 つのディープ ラーニング超解像モデルの展開が含まれます。
両方のシナリオのすべてのモデルのパフォーマンスは、実行時間と体感品質の観点から評価されました。
結果は、適用された技術が、DFU 監視用に設計されたあらゆるシステムで使用されるべき、実行可能で実装が容易な代替手段で構成されていることを示しています。

要約(オリジナル)

Diabetic foot ulcers (DFUs) constitute a serious complication for people with diabetes. The care of DFU patients can be substantially improved through self-management, in order to achieve early-diagnosis, ulcer prevention, and complications management in existing ulcers. In this paper, we investigate two categories of image-to-image translation techniques (ItITT), which will support decision making and monitoring of diabetic foot ulcers: noise reduction and super-resolution. In the former case, we investigated the capabilities on noise removal, for convolutional neural network stacked-autoencoders (CNN-SAE). CNN-SAE was tested on RGB images, induced with Gaussian noise. The latter scenario involves the deployment of four deep learning super-resolution models. The performance of all models, for both scenarios, was evaluated in terms of execution time and perceived quality. Results indicate that applied techniques consist a viable and easy to implement alternative that should be used by any system designed for DFU monitoring.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google