论文部分内容阅读
糖尿病足作为糖尿病最常见的并发症之一,因其治疗周期长,治疗费用高的问题而成为目前最为棘手的皮肤病之一。治愈糖尿病足患者的有效手段之一是对糖尿病足进行合理的分级和筛查。在大部分国家和地区,糖尿病足患者严重程度的分级依然依靠专业的足病医师,这种治疗方法存在治疗费用高、治疗时间长等缺点。且在大部分欠发达的国家和地区,由于缺乏医疗保健设施以及患者认知水平的不足,部分糖尿病足患者随着病情的加重,最终导致截肢。由此可见,开发一种远程、经济且高效的糖尿病足自动筛查系统成为糖尿病足辅助诊断及患者自我管理的有效方法。近些年,随着计算机算力以及深度学习的发展,计算机视觉得到了迅猛的进步,尤其是在医学图像分析领域,如核磁共振成像、皮肤镜以及糖尿病足领域。本文提出一种基于深度学习的自动筛查和检测糖尿病足Wagner等级的方法。本文使用采集到的2688张糖尿病足图片作为深度学习模型训练的数据集,然后采用目标检测算法,如Faster R-CNN,SSD,YOLOv3,对糖尿病足图片实现自动化的筛查和检测。本文使用图像混合、标签平滑以及学习模式转变以及更改Anchor Box数量和尺寸的方法改进上述三种目标检测算法,并且采用堆叠式的方法论证了各个方法对最终精度的贡献程度。经试验表明,改进的YOLOv3算法的均值平均精度(mAP)达到了92.0%,在Tesla V100 GPU显卡加速计算的情况下推理速度达到了每秒32帧,这表明实现了速度与精度之间的权衡。为了便于临床使用,本文将训练好的模型部署到安卓手机端以实现实时的糖尿病足Wagner等级检测。实验结果表明,在没有GPU显卡的情况下,模型仍然能实现不错的实时检测性能,这为糖尿病足溃疡组织分析和愈合状态提供有效评估。综上所述,本文为糖尿病足患者的管理提供了新的治疗思路,有较高的临床应用价值。