Wound Tissue Segmentation in Diabetic Foot Ulcer Images Using Deep Learning: A Pilot Study

该段落介绍了在糖尿病足溃疡（DFU）图像中识别个体组织（所谓的组织分割）是一项具有挑战性的任务，并且由于临床图像数据集的有限可用性，已发表的相关工作很少。为了填补这一空白，作者们创建了一个DFUTissue数据集，供研究社区评估伤口组织分割算法。该数据集包含110个由伤口专家标记的组织图像和600个未标记的图像。此外，作者们进行了一个关于使用深度学习分割伤口特征（包括纤维蛋白、肉芽组织和鸡眼）的试点研究。由于标注数据量有限，作者们的框架包括监督学习（SL）和半监督学习（SSL）两个阶段。在SL阶段，他们提出了一个混合模型，其中编码器采用了Mix Transformer（MiT-b3），解码器采用了CNN，并通过集成并行空间和通道压缩和激发（P-scSE）模块来提高边界准确性。SSL阶段采用基于伪标签的方法，迭代地识别和合并有价值的未标记图像，以提高整体分割性能。作者们进行了与最先进方法的比较评估，包括SL和SSL两个阶段。SL阶段实现了84.89%的Dice相似系数（DSC），在SSL阶段提高到了87.64%。此外，作者们还将结果与两种广泛使用的SSL方法进行了基准测试：生成对抗网络和交叉一致性训练。此外，当在慢性伤口数据集上进行二元分割DFU伤口区域的测试时，作者们的混合模型以92.99%的DSC优于最先进的方法。代码和数据可在https://github.com/uwm-bigdata/DFUTissueSegNet上获得。

解决问题：本文试图解决糖尿病足溃疡图像中组织分割的问题，提出了一种混合模型，并使用半监督学习方法来提高分割性能。

关键思路：本文提出了一种混合模型，结合了Mix Transformer和CNN，并采用P-scSE模块来提高边界准确性。使用半监督学习方法，通过迭代地识别和整合有价值的未标记图像来提高分割性能。

亮点：本文提出的混合模型在二元分割DFU伤口区域的性能达到92.99%的Dice相似系数，优于现有方法。实验使用了DFUTissue数据集和Chronic Wound数据集，并提供了开源代码。

相关研究：最近的相关研究包括使用生成对抗网络和交叉一致性训练的SSL方法。