arXiv cs.AI· Vanessa Borst, Timo Dittus, Tassilo Dege, Astrid Schmieder, Samuel Kounev·· 6 天前AI 评分22
WoundAmbit：连接最先进语义分割与真实世界伤口护理
WoundAmbit: Bridging State-of-the-Art Semantic Segmentation and Real-World Wound Care
AI 导读
研究团队提出 WoundAmbit 框架，将 AI 生成的伤口分割掩码通过参考物方法转换为临床伤口尺寸估计，并集成到远程医疗系统中。
正文 · AI 翻译
摘要：慢性伤口影响大量人群，尤其是老年人和糖尿病患者，他们往往行动不便并伴有其他健康问题。通过移动图像采集进行自动伤口监测，可实现伤口大小的远程追踪，从而减少亲自就诊的次数。语义分割是这一过程的关键，但伤口分割在医学影像研究中仍然代表性不足。为解决这一问题，我们对来自通用视觉、医学影像的最先进深度学习模型以及公开伤口挑战赛中的顶尖方法进行了基准测试。为公平比较，我们统一了训练、数据增强和评估流程，并进行交叉验证以最小化划分偏差。我们还评估了实际部署方面的因素，包括对分布外伤口数据集的泛化能力、计算效率和可解释性。此外，我们提出了一种基于参考物体的方法，将 AI 生成的分割掩码转换为临床相关的伤口大小估计，并基于医生的评估，对五种最佳架构评估了该方法以及掩码质量。总体而言，基于 Transformer 的 TransNeXt 表现出最高的泛化水平。尽管推理时间存在差异，所有模型在 CPU 上均能以每秒至少一张图像的速度处理，这被认为足以满足预期应用。可解释性分析通常显示伤口区域有显著激活，表明模型关注临床相关特征。专家评估显示，所有分析的模型均获得较高的掩码认可度，其中 VWFormer 和 ConvNeXtS 主干表现最佳。各模型的大小检索准确率相似，预测结果与专家标注高度吻合。最后，我们展示了 AI 驱动的伤口大小估计框架 WoundAmbit 如何集成到定制的远程医疗系统中。
| 评论： | 正文：18 页；补充材料：15 页 |
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2504.06185 [cs.CV] |
| （或 arXiv:2504.06185v3 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2504.06185 arXiv 颁发的 DOI（通过 DataCite） |
|
| 期刊 参考： | Machine Learning and Knowledge Discovery in Databases. Applied Data Science Track (ECML PKDD 2025). Lecture Notes in Computer Science, vol. 16021, pp. 285-303. Springer, Cham (2026) |
| 相关 DOI： | https://doi.org/10.1007/978-3-032-06118-8_17
链接到相关资源的 DOI |
提交历史
来自：Vanessa Borst [查看邮箱]
[v1]
2025年4月8日星期二 16:25:59 UTC（23,298 KB）
[v2]
2025年6月25日星期三 09:21:21 UTC（23,309 KB）
[v3]
2026年10月9日星期五 16:07:10 UTC（23,571 KB）
来源：arXiv cs.AI · arxiv.org