Utilizing Mask R-CNN for Automated Evaluation of Diabetic Foot Ulcer Healing Trajectories: A Novel Approach
Notice bibliographique
Résumé
The healing trajectory of diabetic foot ulcers (DFUs) is commonly determined through manual inspection, a method which is often subjective and prone to errors.In an effort to address these limitations, this study explores an artificial intelligence-based, computer-aided assessment technique as an alternative.This approach leverages the power of a Hue, Saturation, and Value (HSV)-based image fusion technique, integrating thermal and visual data to deliver precise wound characterizations.Further, through the deployment of an instance segmentation-based Mask Region-based Convolutional Neural Network (Mask-RCNN), the area of the wound is estimated.This randomized, prospective, single-blind study was conducted over a 12-week period, focusing on neuropathic DFUs (Wagner grade 2) located on the plantar aspect of the foot.Forty-two patients were enrolled, with an average age of 54.28 ±7.45 years and an average ulcer duration of 5.86±2.22years.The healing trajectory of eight patients, observed weekly, was further analyzed.The absolute temperature difference (ATD) between contralateral ulcer regions was found to be 2.63± 1.99℃, with the respective z-score values of ATD providing a significant p-value of 0.000040412 (i.e., p<0.05).The correlation between the ground truth (ulcer area estimation by clinicians using Woundly software) and the proposed method was found to be at an average of 92.50%.The study ultimately concludes that the Mask-RCNN technique, when applied to fused images, can facilitate automated and user-independent assessments of DFUs.This method has the potential to aid in the accurate characterization of healing trajectories, thereby enhancing the overall understanding of wound progression in diabetic patients.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».