利用移動窗口變換器級聯區域基底卷積神經網路於壓瘡偵測與診斷

Abstract

" 壓瘡是一種發生率高的傷病，雖然致死機會不大但治療的代價高昂。為了給予壓瘡適當的治療，國際壓瘡諮詢委員會(National Pressure Ulcer Advisory Panel, NPUAP)將傷口依照侵入皮膚的嚴重度分從第一級至第四級。然而，不同傷口範圍及深度會影響判斷，甚至有出現診斷錯誤的可能性。因此需要一個電腦輔助診斷系統(Computer-aided Diagnosis System)協助醫護人員進行壓瘡的診斷。近年，卷積神經網路(CNN)被廣泛地用於診斷壓瘡。藉由專注在區域特徵，區域基底卷積神經網路(Region-based CNN, R-CNN)架構更是對偵測且診斷壓瘡具有優異的能力。由於區域基底卷積神積網路(R-CNN)架構的表現依賴於有效的特徵抓取，所以一個強力的特徵抓取模型為增強偵測及診斷壓瘡是需要的。 因此，為了設計一套電腦輔助診斷系統以進行壓瘡偵測及診斷，在這篇研究中我們使用了級聯區域基底卷積神經網路(Cascade R-CNN)與壓縮激勵移動窗口變換器(Squeeze-and-excitation Shifted Windows Transformer, SE-Swin Transformer)模型。此套電腦輔助診斷系統由資料擴增、特徵提取和傷口評級三部分組成。在資料擴增的部分我們調整了影像尺寸並增加影像，而後將經過擴增的影像送進我們提出的壓縮激勵移動窗口變換器(SE-Swin Transformer)做特徵提取。經過特徵擷取後，具階層式的特徵會被送進傷口評級產生出壓瘡偵測及診斷之結果。在傷口評級中，由於級聯區域基底卷積神經網路(Cascade R-CNN)可以產生一階階精準的偵測，因此將其作為我們的評級模型，最後產生壓瘡偵測與診斷之結果。此研究總共使用了883張壓瘡影像，其中包含240個第一級傷口，226個第二級傷口，203個第三級傷口和214個第四級傷口。根據實驗結果顯示，我們提出的系統能在偵測表現上達到平均精度均值81.3%，也能在診斷表現上達到準確率87.1%、靈敏度85.7%、陽性預測值86.6%的結果，顯示出我們提出的電腦輔助系統具良好的偵測與診斷能力。"