DFUC2020：糖尿病足溃疡检测分析

糖尿病足溃疡缺血和感染的识别：数据集和技术

Recognition of Ischaemia and Infection in Diabetic Foot Ulcers: Dataset and Techniques

Manchester Metropolitan University（曼彻斯特城市大学）；Lancashire Teaching Hospital（兰开夏教学医院）；University of Manchester（曼彻斯特大学）；Manchester Royal Infirmary（曼彻斯特皇家医院）；Sun Yat-sen University（中山大学）

随着基于图像的机器学习算法的发展，使用计算机方法识别和分析糖尿病足溃疡（DFU）是一个新兴的研究领域。现有的研究使用视觉计算机化的方法主要集中在识别，检测和分割的视觉外观的DFU以及组织分类。根据DFU医学分类系统，感染（伤口中的细菌）和缺血（血液供应不足）的存在对DFU评估具有重要的临床意义，用于预测截肢的风险。在这项工作中，我们提出了一个新的数据集和计算机视觉技术来识别DFU中感染和缺血的存在。这是第一次为研究目的引入带有缺血和感染病例地面真实标签的DFU数据集。对于手工机器学习方法，我们提出了一种新的特征描述符，即超像素颜色描述符。然后，我们使用卷积神经网络（CNN）模型更有效地识别缺血和感染。我们建议使用一种自然的数据增强方法，该方法识别足部图像上的感兴趣区域，并专注于寻找该区域中存在的显著特征。最后，我们评估了我们提出的技术的二进制分类，即缺血与非缺血和感染与非感染的性能。总的来说，我们的方法在缺血的分类中比感染表现得更好。我们发现，与手工机器学习算法相比，我们提出的Ensemble CNN深度学习算法在两个分类任务中的表现更好，在缺血分类中的准确率为90%，在感染分类中的准确率为73%。

2020-02-08cs.CVeess.IV

2022年糖尿病足溃疡大挑战赛总结

Diabetic Foot Ulcer Grand Challenge 2022 Summary

Manchester Metropolitan University（曼彻斯特城市大学）；Lancashire Teaching Hospitals NHS Foundation Trust（兰开夏教学医院NHS基金会信托）；Waikato District Health Board（怀卡托地区卫生委员会）

本文总结2022年DFU分割挑战赛，介绍4000张图像数据集、参赛方法与结果比较，最佳改进版HarDNet-MSEG取得0.7287的Dice分数。

2023-04-24cs.CV

DFUNet：用于糖尿病足溃疡分类的卷积神经网络

DFUNet: Convolutional Neural Networks for Diabetic Foot Ulcer Classification

Manchester Metropolitan University（曼彻斯特城市大学）；University of Manchester（曼彻斯特大学）；Lancashire Teaching Hospital（兰开夏教学医院）；Lancashire Care NHS Foundation Trust（兰开夏护理NHS基金会信托）

在全球范围内，2016年，每11名成年人中就有一人患有糖尿病。糖尿病足溃疡（DFU）是这种疾病的主要并发症，如果处理不当可能导致截肢。目前DFU治疗的临床方法依赖于患者和临床医生的警惕性，这具有显著的局限性，例如DFU的诊断、治疗和长期护理所涉及的高成本。我们收集了广泛的足部图像数据集，其中包含来自不同患者的DFU。在本文中，我们提出了使用传统的计算机视觉功能检测糖尿病患者的足部溃疡，这代表了一个具有成本效益的，远程和方便的医疗保健解决方案。此外，我们首次在DFU分类中使用了卷积神经网络（CNN）。我们提出了一种新的卷积神经网络架构DFUNet，具有更好的特征提取来识别健康皮肤和DFU之间的特征差异。使用10倍交叉验证，DFUNet的AUC得分为0.962。这优于我们测试过的机器学习和深度学习分类器。在这里，我们提出了一种新的和高度敏感的DFUNet客观地检测DFU的存在的发展。这种新的方法有可能提供糖尿病足护理的范式转变。

2017-12-10cs.CV

量化图像相似性对糖尿病足溃疡分类的影响

Quantifying the Effect of Image Similarity on Diabetic Foot Ulcer Classification

Manchester Metropolitan University（曼彻斯特城市大学）；Lancashire Teaching Hospitals NHS Trust（兰开夏教学医院国民保健服务信托基金）

该研究利用开源模糊算法识别并移除 DFUC2021 中不同相似度的图像，训练多种分类器，发现移除80%相似图像可使 InceptionResNetV2 的 F1、精确率和召回率分别提升0.023、0.029和0.013。

2023-04-25cs.CV

MSSDA：用于糖尿病足神经病变识别的多子源域自适应

MSSDA: Multi-Sub-Source Adaptation for Diabetic Foot Neuropathy Recognition

South China University of Technology（华南理工大学）；City University of Hong Kong（香港城市大学）；The First Affiliated Hospital of Jinan University（暨南大学附属第一医院）

针对糖尿病足神经病变识别中数据域差异问题，提出基于卷积特征统计的多子源域自适应方法，通过拆分数据集、选择子源域并对其分布以最小化域差距，有效避免了负迁移并提升了识别效率。

2024-09-21cs.AIcs.CV

采用超分辨率和降噪深度学习技术监测糖尿病足溃疡

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

National Technical University of Athens（雅典国立技术大学）

糖尿病足溃疡（DFU）是糖尿病患者的严重并发症。DFU患者的护理可以通过自我管理得到实质性改善，以实现早期诊断，溃疡预防和现有溃疡的并发症管理。在本文中，我们研究了两类图像到图像的翻译技术（ItITT），这将支持决策和监测糖尿病足溃疡：降噪和超分辨率。在前一种情况下，我们研究了卷积神经网络堆叠自动编码器（CNN-SAE）的噪声去除能力。CNN-SAE在RGB图像上进行测试，用高斯噪声诱导。后一种场景涉及四个深度学习超分辨率模型的部署。所有模型的性能，这两种情况下，执行时间和感知质量方面进行了评估。结果表明，应用技术包括一个可行的，易于实施的替代方案，应该使用的任何系统设计的DFU监测。

2022-09-20cs.CVeess.IV

一种用于糖尿病足溃疡检测的改进深度学习架构

A Refined Deep Learning Architecture for Diabetic Foot Ulcers Detection

Dartmouth College（达特茅斯学院）

糖尿病足溃疡（DFU）影响下肢是糖尿病的主要并发症。每年，超过100万糖尿病患者因未能识别DFU并从临床医生那里获得适当的治疗而截肢。因此，迫切需要一种用于DFU检测的CAD系统。在本文中，我们提出使用深度学习方法（EfficientDet Architectures）来检测DFUC 2020挑战数据集中的DFU，该数据集由4，500张DFU图像组成。我们进一步完善了EfficientDet架构，以避免假阴性和假阳性预测。该方法的代码可在https://github.com/Manugoyal12345/Yet-Another-EfficientDet-Pytorch上获得。

2020-07-15cs.CVcs.LG

用于增强糖尿病足溃疡感染预测的引导条件扩散分类器（ConDiff）

Guided Conditional Diffusion Classifier (ConDiff) for Enhanced Prediction of Infection in Diabetic Foot Ulcers

Worcester Polytechnic Institute（伍斯特理工学院）

本文提出引导条件扩散分类器ConDiff，结合引导图像合成与去噪扩散模型，通过嵌入空间最小欧氏距离分类糖尿病足溃疡感染，准确率达83%，优于现有模型至少3%。

2024-05-01cs.CV

HarDNet-DFUS：一种用于糖尿病足溃疡图像分割和结肠镜息肉分割的增强型谐波连接网络

HarDNet-DFUS: An Enhanced Harmonically-Connected Network for Diabetic Foot Ulcer Image Segmentation and Colonoscopy Polyp Segmentation

National Tsing Hua University（国立清华大学）

我们提出了一个神经网络架构的糖尿病足溃疡和结肠镜息肉的医学图像分割。糖尿病足溃疡是由糖尿病的神经和血管并发症引起的。为了提供正确的诊断和治疗，伤口护理专业人员需要从足部伤口中提取准确的形态特征。利用计算机辅助系统是一种很有前途的方法来提取相关的形态特征和分割病变。我们提出了一种称为HardNet-DFUS的卷积神经网络，通过增强骨干并替换HardNet-MSEG的解码器，这是2021年结肠镜息肉分割的SOTA。对于MICCAI 2022糖尿病足溃疡分割挑战赛（DFUC 2022），我们使用DFUC 2022数据集训练HarDNet-DFUS，并通过五重交叉验证，测试时间增加等方式提高其鲁棒性。在DFUC 2022的验证阶段，HarDNet-DFUS达到0.7063平均骰子，在所有参与者中排名第三。在DFUC 2022的最终测试阶段，它获得了0.7287的平均骰子，并获得了第一名。HardNet-DFUS还为结肠镜息肉分割任务提供了出色的性能。它在著名的Kvasir数据集上实现了0.924的平均Dice，比原始的HardNet-MSEG提高了1.2%。代码可在https://github.com/kytimmylai/DFUC2022（糖尿病足溃疡分割）和https://github.com/YuWenLo/HarDNet-DFUS（结肠镜息肉分割）上获得。

2022-09-15cs.CVeess.IV

卷积网络与Vision Transformers在糖尿病足溃疡分类中的比较

Convolutional Nets Versus Vision Transformers for Diabetic Foot Ulcer Classification

Universitat Pompeu Fabra（庞培法布拉大学）；University of Adelaide（阿德莱德大学）；ICREA（加泰罗尼亚研究与创新高级研究所）

本文将成熟的卷积神经网络（CNN）与最近推出的Vision Transformers进行了比较，用于在DFUC 2021年大挑战赛的背景下进行糖尿病足溃疡分类任务，这项工作获得了第一名。综合实验表明，现代CNN仍然能够在低数据条件下胜过Transformers，这可能是由于它们能够更好地利用空间相关性。此外，我们的经验表明，最近的尖锐度感知最小化（SAM）优化算法大大提高了这两种模型的泛化能力。我们的结果表明，对于这项任务，CNN和SAM优化过程的组合比任何其他考虑的方法都具有更好的性能。

2021-11-12cs.CVeess.IV

用于Wagner溃疡分类系统实时检测与分析的深度学习方法

Deep Learning Methods for Real-time Detection and Analysis of Wagner Ulcer Classification System

Diabetes Research Institute of Fujian Province（福建省糖尿病研究所）

针对足病医生不足难以满足糖尿病足诊断需求的问题，本文构建带标注数据集，基于YOLOv3结合多种技术改进算法，部署到安卓端实现Wagner溃疡实时分类定位，mAP达91.95%，可辅助临床诊疗。

2023-05-02cs.CV

基于云的糖尿病足溃疡远程检测深度学习框架

A Cloud-based Deep Learning Framework for Remote Detection of Diabetic Foot Ulcers

Manchester Metropolitan University（曼彻斯特城市大学）；Lancashire Teaching Hospitals NHS Foundation Trust（兰开夏教学医院NHS基金会信托）；The University of Manchester（曼彻斯特大学）；Manchester University NHS Foundation Trust（曼彻斯特大学NHS基金会信托）；Salford Royal NHS Foundation Trust（索尔福德皇家NHS基金会信托）

这项研究提出了一个移动和基于云的框架，用于自动检测糖尿病足溃疡，并对其性能进行了调查。该系统使用跨平台移动框架，可以使用单个TypeScript代码库将移动应用部署到多个平台。一个深度卷积神经网络被部署到一个基于云的平台上，移动应用程序可以发送患者足部的照片进行推理，以检测糖尿病足部溃疡的存在。该系统的功能和可用性在两个临床环境中进行了测试：索尔福德皇家NHS基金会信托和兰开夏郡教学医院NHS基金会信托。讨论了该系统的好处，例如患者可能使用该应用程序来识别和监测他们的病情。

2021-05-17cs.CVcs.LG

利用应变弹性成像定量比较溃疡和非溃疡患者足底软组织应变分布和均匀性

A quantitative comparison of plantar soft tissue strainability distribution and homogeneity between ulcerated and non-ulcerated patients using strain elastography

Staffordshire University（斯塔福德郡大学）；AR Diabetes Hospitals（AR糖尿病医院）；Technische Universität München（慕尼黑工业大学）

本研究的主要目的是开发一种方法，可以精确量化足底软组织刚度分布和均匀性。本研究的次要目的是调查是否可以在溃疡和非溃疡足之间检测到软组织硬度分布和均匀性的差异。提出了一种新的测量单个像素刚度的方法，称为定量应变能力（QS）和相对应变能力（RS）。SE数据来自39例（9例活动性糖尿病足溃疡）糖尿病神经病变患者。活动性糖尿病足溃疡患者的足部部分有伤口，而不是进行弹性成像测量的第一跖骨头和足跟。RS用于测量有和没有活动性糖尿病足溃疡的参与者足底软组织硬度分布的变化和梯度。溃疡组左前足足底上下方向软组织均匀性显著高于非溃疡组（p<0.05）。均匀性的评估表明，有可能进一步解释可增加内应力的组织变化的性质。这可能对评估糖尿病软组织损伤和溃疡的脆弱性产生影响。

2022-03-28cs.CVcs.RO

UlcerGPT：一种利用大语言与视觉模型进行糖尿病足溃疡图像转录的多模态方法

UlcerGPT: A Multimodal Approach Leveraging Large Language and Vision Models for Diabetic Foot Ulcer Image Transcription

KITE Research Institute（凯特研究所）；University Health Network（大学健康网络）；Institute of Biomedical Engineering, University of Toronto（多伦多大学生物医学工程研究所）；University of Toronto Mississauga（多伦多大学密西沙加分校）

本文提出UlcerGPT多模态框架，结合大语言与视觉模型对糖尿病足溃疡图像进行联合检测、分类和定位，实验表明其转录准确高效，可支持远程医疗中的及时临床护理。

2024-10-02cs.AIcs.CV

经典-量子混合方法用于糖尿病足溃疡分类

Hybrid Classical-Quantum method for Diabetic Foot Ulcer Classification

RMIT University（皇家墨尔本理工大学）；Baker Heart and Diabetes Institute（贝克心脏与糖尿病研究所）；Cisco（思科）

糖尿病是一个影响全球许多人的日益严重的问题。糖尿病患者有发生足部溃疡的风险，这通常会导致截肢，导致严重的发病率和心理困扰。为了开发一个自我监测的移动应用程序，有必要能够将这些溃疡分为以下类别之一：感染，缺血，无，或两者兼而有之。在这项工作中，我们比较了一个经典的基于迁移学习的方法的性能，与一个混合的经典量子分类器对糖尿病足溃疡分类任务的性能。因此，我们将预训练的Xception网络与多类变分分类器合并。因此，在修改和重新训练Xception网络之后，我们提取中间层的输出，并将其用作给定图像的深层特征表示器。最后，我们使用这些深层功能训练多类变分分类器，其中每个分类器是在一个单独的变分电路上实现的。然后在盲测试集DFUC 2021上对该方法进行评估。结果证明，我们提出的混合经典-量子分类器通过训练Xception网络的修改版本，与单独依赖迁移学习概念相比，有了相当大的改进。

2021-10-05cs.CVcs.LGeess.IV

深度学习在糖尿病足溃疡检测中的综合评价

Deep Learning in Diabetic Foot Ulcers Detection: A Comprehensive Evaluation

Manchester Metropolitan University（曼彻斯特城市大学）；Keio University（庆应义塾大学）；Baker Heart and Diabetes Institute（贝克心脏与糖尿病研究所）；University of Applied Sciences and Arts Dortmund (FH Dortmund)（多特蒙德应用科学与艺术大学）；Dartmouth College（达特茅斯学院）；Shanghai University（上海大学）

已经有大量的研究涉及用于检测和识别糖尿病足溃疡（DFU）的计算机方法和技术，但是缺乏对应用于该问题的最先进的深度学习目标检测框架的系统比较。DFUC 2020为参与者提供了一个全面的数据集，包括2,000张用于训练的图像和2,000张用于测试的图像。本文通过比较获奖团队提出的基于深度学习的算法来总结DFUC 2020的结果：Faster R-CNN，Faster R-CNN的三种变体和集成方法; YOLOv 3; YOLOv 5; EfficientDet;和一个新的级联注意力网络。对于每一种深度学习方法，我们都提供了模型架构、训练参数设置以及包括预处理、数据增强和后处理在内的附加阶段的详细描述。我们对每种方法进行了全面的评估。所有的方法都需要一个数据增强阶段来增加可用于训练的图像数量，并需要一个后处理阶段来消除误报。最佳性能来自可变形卷积，这是Faster R-CNN的变体，平均精度（mAP）为0.6940，F1得分为0.7434。最后，我们证明了基于不同深度学习方法的集成方法可以提高F1-Score，但不能提高mAP。

2021-05-24cs.CV

通过pix2pixHD的伪标签和合成图像提高EfficientNets的Entrance性能，用于糖尿病足溃疡的感染和缺血分类

Boosting EfficientNets Ensemble Performance via Pseudo-Labels and Synthetic Images by pix2pixHD for Infection and Ischaemia Classification in Diabetic Foot Ulcers

University of Applied Sciences and Arts Dortmund (FH Dortmund)（多特蒙德应用科学与艺术大学）；University Hospital Essen（埃森大学医院）

糖尿病足溃疡是糖尿病足病变的常见表现，是糖尿病长期并发症的一种综合征。伴随的神经病变和血管损伤促进了由于缺血引起的压力损伤和组织死亡的获得。受影响的区域容易感染，阻碍愈合进程。目前的研究调查了感染和缺血分类的方法，作为2021年糖尿病足溃疡挑战赛（DFUC）的一部分进行。EfficientNet系列的不同型号用于集成。应用扩展策略的训练数据，涉及伪标记为未标记的图像，并通过pix 2 pixHD合成图像的广泛生成，以应付严重的类不平衡。得到的扩展训练数据集特征$8.68$乘以基线的大小，并显示真实图像与合成图像的比率为$1:3$。比较了在基线和扩展训练数据集上训练的模型和集合的性能。合成图像具有广泛的质量多样性。结果表明，在扩展的训练数据集上训练的模型以及它们的集成都受益于大的扩展。F1-稀有职业的分数得到显著提升，而普通职业的分数要么不受伤害，要么适度提升。批判性的讨论具体化了好处，并确定了局限性，提出了改进建议。这项工作的结论是，利用合成图像可以提高单个模型以及集合的分类性能。特别是对稀有类的性能有明显的好处。

2021-11-30cs.CVcs.LG

ConMatFormer：一种多注意力和Transformer集成的ConvNext基于深度学习模型，用于增强糖尿病足溃疡分类

ConMatFormer: A Multi-attention and Transformer Integrated ConvNext based Deep Learning Model for Enhanced Diabetic Foot Ulcer Classification

Department of Information Technology（信息科技系）；Charles Darwin University（查尔斯·达尔文大学）；Department of Computer Science and Engineering（计算机科学与工程系）；University of Liberal Arts Bangladesh（孟加拉自由大学）；BRAC University（BRAC大学）；Center for Advanced Analytics (CAA), COE for Artificial Intelligence, Faculty of Engineering & Technology (FET)（高级分析中心（CAA）、人工智能学院、工程与技术学院）；Multimedia University Melaka（马六甲多媒体大学）；American International University-Bangladesh（美国国际大学-孟加拉）

ConMatFormer通过结合ConvNeXt、多注意力机制和Transformer模块，提升糖尿病足溃疡分类的准确性和可靠性。

2025-10-26cs.CV

用于糖尿病足溃疡检测的领域专用深度学习特征提取器

Domain-Specific Deep Learning Feature Extractor for Diabetic Foot Ulcer Detection

Institute of Biomedical Engineering, University of Toronto（多伦多大学生物医学工程研究所）；KITE, Toronto Rehabilitation Institute, University Health Network（大学健康网络多伦多康复研究所KITE部门）

本文在DFU2020数据集上评估14个网络，发现UNet与EfficientNetb3组合的特征提取器在mAP和F1分数上表现最佳，可作为糖尿病足溃疡自主伤口检测流程的核心分类器。

2023-11-27cs.AIcs.CVcs.LG

糖尿病足溃疡半监督多标记分类的深子空间分析

Deep Subspace analysing for Semi-Supervised multi-label classification of Diabetic Foot Ulcer

RMIT University（皇家墨尔本理工大学）；Baker Heart and Diabetes Institute（贝克心脏与糖尿病研究所）

糖尿病是一种全球性的流行病。糖尿病患者有患足溃疡的风险，这通常会导致截肢。为了开发一个自我监测的移动应用程序，在这项工作中，我们提出了一种新的深度子空间分析管道半监督糖尿病足溃疡多标签分类。为了避免任何过度拟合的机会，与最近的最先进的深度半监督方法不同，所提出的管道不包括任何数据增强。然而，在提取深度特征之后，为了使表示平移不变，我们对每个图像采用各种数据增强方法并生成图像集，然后将其映射到线性子空间。此外，拟议的管道减少了再培训的成本时，更多的新的未标记的数据变得可用。因此，流水线的第一阶段通过修改和重新训练称为Xception的深度卷积网络架构，采用迁移学习的概念进行特征提取。然后，提取中间层的输出，以生成任何给定图像的图像集表示器，并借助数据增强方法。在这个阶段，每个图像被转移到一个线性子空间，这是一个点上的格拉斯曼流形拓扑空间。因此，要对它们进行分析，必须考虑这种流形的几何形状。因此，每个标记的图像被表示为使用格拉斯曼流形上的测地线距离到未标记图像的数量的距离的向量。最后，训练随机森林对糖尿病足溃疡图像进行多标签分类。在DFU2021竞赛提供的盲测试集上对该方法进行了测试，结果表明，该方法与经典的数据增强迁移学习方法相比，具有明显的改进。

2021-10-05cs.CVcs.LGeess.IV

足部溃疡检查中基于不对称分析的重叠替代技术：可扩展扫描

Alternative Technique to Asymmetry Analysis-Based Overlapping for Foot Ulcer Examination: Scalable Scanning

University of North Dakota（北达科他大学）

不对称分析的基础上重叠的热图像证明能够检测炎症和预测足部溃疡。该技术包括三个主要步骤：分割、几何变换和重叠。然而，重叠技术，其中包括从左脚的强度水平减去右脚的强度水平，如果左脚和右脚的投影不相同，也可以检测到假的异常区域。在本文中，我们提出了一种替代技术，以不对称分析为基础的重叠。所提出的技术，可扩展扫描，允许有效的比较，即使脚的形状和大小的投影出现在图像中不同。测试结果表明，基于不对称分析的可扩展扫描比基于不对称分析的重叠提供更少的虚假异常区域。

2016-06-11cs.CV

使用伤口分割和重建生成3D生物可打印补丁以治疗糖尿病足溃疡

Generating 3D Bio-Printable Patches Using Wound Segmentation and Reconstruction to Treat Diabetic Foot Ulcers

ROKIT Healthcare, Inc.（ROKIT医疗保健公司）

我们介绍了AiD Regen，这是一种新型系统，它将2D语义分割与3D重建相结合，生成3D伤口模型，以便在手术期间通过3D生物打印机打印这些模型，以治疗糖尿病足溃疡（DFU）。AiD Regen将完整的流水线无缝绑定到一个可以开箱即用的系统中，其中包括RGB-D图像捕获、语义分割、边界引导点云处理、3D模型重建和3D可打印G代码生成。我们开发了一个多阶段的数据预处理方法来处理小的和不平衡的DFU图像数据集。AiD Regen的人在回路机器学习界面使临床医生不仅可以通过几次触摸交互创建3D再生贴片，还可以定制和确认伤口边界。正如我们的实验所证明的，我们的模型优于以前的伤口分割模型，我们的重建算法能够生成具有令人信服的准确性的3D伤口模型。我们进一步对一名真实DFU患者进行了病例研究，证明了AiD Regen治疗DFU伤口的有效性。

2022-03-08cs.CVcs.HCcs.LG

多模态深度学习在结合RGB和热成像的糖尿病足溃疡分期中的应用

Multimodal Deep Learning for Diabetic Foot Ulcer Staging Using Integrated RGB and Thermal Imaging

本文研究了多模态图像对深度学习模型在糖尿病足溃疡分期中的影响，通过RGB和热成像数据结合提升模型性能，VGG16模型在RGB+热成像数据集上达到93.25%的准确率。

2026-03-27cs.CVcs.LG

足底热成像是否是表征糖尿病足溃疡风险的有效数字生物标志物？

Is plantar thermography a valid digital biomarker for characterising diabetic foot ulceration risk?

London School of Hygiene & Tropical Medicine（伦敦卫生与热带医学院）

本文通过无监督聚类和监督CNN模型分析282张糖尿病足热成像图，发现热成像聚类与DFU风险因素显著相关但预测性能不佳，支持其作为风险表征数字生物标志物的有效性，同时揭示标准化真实标签的挑战。

2024-07-05cs.AIcs.CV

利用跨域增强改进有限监督下的足部溃疡分割

Improving Limited Supervised Foot Ulcer Segmentation Using Cross-Domain Augmentation

Inventec Corporation（英业达公司）；University at Albany, State University of New York（纽约州立大学奥尔巴尼分校）

本文提出跨域增强方法 TransMix，结合 AGP 预训练与 LCF 微调，利用其他皮肤病数据集提升有限标注下的足部溃疡分割性能。

2024-01-16cs.CV

超越标签：基于自注意力扩散模型与文本引导定制潜力的糖尿病足溃疡伤口零样本分割

Beyond Labels: Zero-Shot Diabetic Foot Ulcer Wound Segmentation with Self-attention Diffusion Models and the Potential for Text-Guided Customization

Florida International University（佛罗里达国际大学）；White Memorial Medical Group（怀特纪念医疗集团）；Clemente Clinical Research（克莱门特临床研究中心）

提出ADZUS，一种基于自注意力扩散模型的零样本文本引导分割系统，无需标注即可分割糖尿病足溃疡伤口，在慢性伤口数据集上IoU达86.68%，中位DSC达75%，显著优于监督方法，并支持文本定制分析。

2025-04-24cs.CVeess.IV

利用扩散模型合成糖尿病足溃疡图像

Synthesizing Diabetic Foot Ulcer Images with Diffusion Model

Institute of Biomedical Engineering, University of Toronto（多伦多大学生物医学工程研究所）；University Health Network（多伦多大学健康网络）；Zivot Limb Preservation Centre, Peter Lougheed Centre（齐沃特肢体保护中心（彼得·劳埃德中心））；Cumming School of Medicine, University of Calgary（卡尔加里大学卡明医学院）

本文研究利用扩散模型合成糖尿病足溃疡（DFU）图像，基于2,000张真实图像训练模型，临床评估显示70%的合成图像被误认为真实，同时发现FID和KID指标与临床判断不一致，表明需探索新的评估方法。

2023-10-31cs.CVeess.IV

糖尿病足溃疡的维恩图多标签分类解释与颜色和锐度增强

Venn Diagram Multi-label Class Interpretation of Diabetic Foot Ulcer with Color and Sharpness Enhancement

针对糖尿病足溃疡多类分类准确率不足的问题，提出基于维恩图的多标签CNN方法，结合颜色与锐度增强及自适应锐度感知最小化，在DFUC2021数据集上超越前三名方案，实现更稳健的分类。

2023-05-05cs.AIcs.CV

基于深度学习的糖尿病足溃疡图像创面组织分割：一项初步研究

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

University of Wisconsin-Milwaukee（威斯康星大学密尔沃基分校）；Auxillium Health（奥克西利姆健康公司）；Marquette University（马凯特大学）

针对糖尿病足溃疡图像组织分割研究少、数据集缺的问题，构建DFUTissue数据集，提出含监督与半监督阶段的混合深度学习分割框架，在多组对比实验中取得优于现有方法的性能。

2024-06-23cs.CVeess.IV

WoundNet-Ensemble：一种集成自监督深度学习与多模型融合的新型IoMT系统，用于自动化、高精度伤口分类和愈合进程监测

WoundNet-Ensemble: A Novel IoMT System Integrating Self-Supervised Deep Learning and Multi-Model Fusion for Automated, High-Accuracy Wound Classification and Healing Progression Monitoring

The Catholic University of America（美国天主教大学）；Center for Advanced Research in Computer Engineering（计算机工程高级研究中心）

WoundNet-Ensemble通过自监督深度学习和多模型融合，实现高精度伤口分类和愈合监测，提升伤口护理的自动化和准确性。

2025-12-20cs.CV

基于卷积神经网络的足部溃疡自动分割

Automatic Foot Ulcer Segmentation Using an Ensemble of Convolutional Neural Networks

Medical University of Vienna（维也纳医科大学）；Loughborough University（拉夫堡大学）；TissueGnostics GmbH（TissueGnostics有限公司）

足部溃疡是糖尿病的常见并发症，与高发病率和死亡率相关，仍然是小腿截肢的主要危险因素。从足部伤口中提取准确的形态特征对于适当的治疗至关重要。虽然医学专业人员的视觉检查是常见的诊断方法，但这是主观的且容易出错，因此计算机辅助方法提供了一种有趣的替代方案。基于深度学习的方法，特别是卷积神经网络（CNN），在医学图像分析（包括医学图像分割）的各种任务中表现出了出色的性能。在本文中，我们提出了一种集成方法的基础上，两个基于编码器-解码器的CNN模型，即LinkNet和U-Net，进行足部溃疡分割。为了处理有限数量的可用训练样本，我们使用预训练的权重（LinkNet模型的EfficientNetB 1和U-Net模型的EfficientNetB 2），并使用Medetec数据集进行进一步的预训练，同时还应用了一些基于形态和基于颜色的增强技术。为了提高分割性能，我们结合了五重交叉验证，测试时间增强和结果融合。应用于公开的慢性伤口数据集和MICCAI 2021足部溃疡分割（FUSeg）挑战，我们的方法实现了最先进的性能，基于数据的Dice得分分别为92.07%和88.80%，是FUSeg挑战排行榜中排名第一的方法。Dockerised指南，推理代码和保存的训练模型可在https://github.com/masih4/Foot_Ulcer_Segmentation上公开获取。

2022-06-17cs.CVeess.IV

用于足部溃疡分割的轻量级编码器-解码器架构

Lightweight Encoder-Decoder Architecture for Foot Ulcer Segmentation

Kyungpook National University（庆北大学）；Information Technology University（信息技术大学）

需要持续监测足部溃疡愈合情况，以确保给定治疗的有效性并避免任何恶化的可能性。足部溃疡分割是伤口诊断的重要步骤。我们开发了一个在精神上类似于成熟的编码器-解码器和残差卷积神经网络的模型。我们的模型包括一个残差连接，以及在每个卷积块中集成的通道和空间注意力。一个简单的补丁为基础的方法模型训练，测试时间的扩增，并获得的预测的多数表决，导致卓越的性能。我们的模型没有利用任何现成的骨干架构，在类似的外部数据集上进行预训练，或任何迁移学习技术。与用于足部溃疡分割任务的现有最先进模型相比，网络参数的总数约为500万，这使其成为一个非常轻量级的模型。我们的实验给出了块级和图像级的结果。应用于MICCAI 2021公开的足部溃疡分割（FUSeg）挑战数据集，我们的模型在Dice相似性得分方面达到了88.22%的最先进的图像级性能，并在官方挑战排行榜中排名第二。我们还展示了一个非常简单的解决方案，可以与更高级的架构进行比较。

2022-07-06cs.CVeess.IV

FUSegNet：一种用于足部溃疡分割的深度卷积神经网络

FUSegNet: A Deep Convolutional Neural Network for Foot Ulcer Segmentation

University of Wisconsin-Milwaukee（威斯康星大学密尔沃基分校）

针对糖尿病足部溃疡分割训练样本有限的问题，提出以预训练EfficientNet-b7为骨干、融合改进并行scSE模块的FUSegNet，搭配数据增强策略，在公开数据集和MICCAI 2021 FUSeg挑战赛中均取得最优分割性能。

2024-01-27cs.CV

FUSeg：足部溃疡分割挑战

FUSeg: The Foot Ulcer Segmentation Challenge

University of Wisconsin-Milwaukee（威斯康星大学密尔沃基分校）；Institute for Pathophysiology and Allergy Research, Medical University of Vienna（维也纳医科大学病理生理学与过敏研究所）；Bournemouth University（伯恩茅斯大学）；Advancing the Zenith of Healthcare (AZH) Wound and Vascular Center（AZH伤口与血管中心）

具有不同病因的急性和慢性伤口在经济上给医疗保健系统带来负担。到2024年，先进的伤口护理市场估计将达到220亿美元。伤口护理专业人员在很大程度上依赖图像和图像文档提供适当的诊断和治疗。图像中伤口边界的分割是护理和诊断协议的关键组成部分，因为它对于估计伤口的面积并为治疗提供定量测量是重要的。不幸的是，这个过程非常耗时，需要高水平的专业知识。最近，基于深度学习的自动伤口分割方法表现出了良好的性能，但需要大量的数据集进行训练，目前还不清楚哪种方法性能更好。为了解决这些问题，我们提出了与2021年医学图像计算和计算机辅助干预国际会议（MICCAI）联合组织的足部溃疡分割挑战（FUSeg）。我们建立了一个伤口图像数据集，其中包含2年内从889名患者中收集的1，210张足部溃疡图像。它由伤口护理专家按像素进行注释，并分为1010张图像的训练集和200张图像的测试集进行评估。世界各地的团队开发了自动化方法来预测测试集上的伤口分割，其中注释是保密的。根据平均Dice系数对预测进行评估和排名。FUSeg挑战仍然是一个开放的挑战，作为会议后伤口分割的基准。

2022-01-02cs.CVcs.LGeess.IV

TransUNet-GradCAM: 一种融合自注意力机制和可解释可视化的小说Transformer-U-Net用于足部溃疡分割

TransUNet-GradCAM: A Hybrid Transformer-U-Net with Self-Attention and Explainable Visualizations for Foot Ulcer Segmentation

Ghana Communication Technology University（加纳通信技术大学）；University of Cape Coast（海岸角大学）

TransUNet-GradCAM通过融合自注意力机制和可解释可视化，实现足部溃疡分割的高精度与可解释性。

2026-09-27cs.CVeess.IV

基于热像图的糖尿病足早期检测机器学习模型

A Machine Learning Model for Early Detection of Diabetic Foot using Thermogram Images

Qatar University（卡塔尔大学）；Universiti Kebangsaan Malaysia（马来西亚国民大学）；Hamad Medical Corporation（哈马德医疗公司）；Weill Cornell Medicine-Qatar（威尔康奈尔医学院卡塔尔分校）

糖尿病足溃疡（DFU）和截肢是一个显着的发病率的原因。DFU的预防可以通过识别有DFU风险的患者并通过教育和卸载制定预防措施来实现。几项研究报告说，热谱图图像可能有助于检测DFU之前足底温度的升高。然而，足底温度的分布可能是不均匀的，使得难以量化和利用来预测结果。我们将基于机器学习的评分技术与特征选择和优化技术以及学习分类器与几种最先进的卷积神经网络（CNN）进行了比较，并提出了一种鲁棒的解决方案来识别糖尿病足。MobilenetV2是一个相对较浅的CNN模型，它在基于两英尺热谱图图像的分类中获得了约95%的F1分数，AdaBoost分类器使用了10个特征，获得了97%的F1分数。性能最佳的网络的推理时间的比较证实，所提出的算法可以部署为智能手机应用程序，以允许用户在家庭环境中监控DFU的进展。

2021-06-27cs.CVcs.LGeess.IV