Novel CNN-Based Approach for Burn Severity Assessment and Fine-Grained Boundary Segmentation in Burn Images
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Burn injuries, resulting from thermal, chemical, and electrical mechanisms, require prompt and accurate assessment for effective treatment. The primary method, relying on visual and tactile evaluations, offers 50%–80% accuracy, while noninvasive methods such as laser Doppler imaging (LDI) reach up to 97% accuracy. This article presents a machine learning (ML) pipeline for assessing burn severity and segmenting affected skin regions. We trained a convolutional neural network (CNN) to classify four burn severities: superficial (SPF), superficial partial thickness (SPT), deep partial thickness (DPT), and full thickness (FT). In addition, we introduced boundary attention mapping (BAM), a saliency mapping method that leverages the trained CNN to accurately segment burn regions. Our pipeline was validated using two datasets: a Burn Injury Image dataset with 1385 images and an LDI dataset with 184 images. The CNN achieved 80% accuracy, a 79.5% average F1-score, and 95% ROC in classifying burn severities. Comparing BAM with LDI, our method achieved 91.39% accuracy, 78.12% sensitivity, and 95.07% specificity in segmenting burn regions. These findings demonstrate the robustness of our AI model and its potential clinical application.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 découle