Применение методов машинного обучения для анализа изображений хронических ран

Нейронные сети и алгоритмы глубокого обучения все шире применяются в медицине, включая анализ изображений. В хирургии раны мягких тканей остаются актуальной проблемой, при этом измерение раневого дефекта необходимо для оценки течения раневого процесса и эффективности лечения. Использование цифровых изображений раны позволяет оценивать ее, не контактируя. Работа содержит результаты применения предобученных сетевых моделей (AlexNet, ResNet50, ResNet152, VGG16) для классификации изображений пролежней, как одного из видов хронических ран. Сегментационная модель Segment Anything Model (SAM) продемонстрировала точность 86,46% при решении задачи сегментации краев раневого дефекта и типов тканей в его пределах. Результаты исследований могут быть использованы для создания экспертной системы по анализу изображений ран мягких тканей.

Neural networks and deep learning algorithms are increasingly used in medicine, including image analysis. In surgery, soft tissue wounds assessment remains challenging but necessary issue to assess the course of healing process and treatment effectiveness. Digital wound images are used for noncontact wound analysis. The paper presents the results of pre-trained network models (AlexNet, Res-Net50, ResNet152, VGG16) used to classify pressure ulcer images as examples of chronic wounds. The Segment Anything Model (SAM) demonstrated an accuracy of 86.46% in solving the problem of segmenting the edges of a wound defect and tissue types within it. The results can be used to create an expert system for analyzing soft tissue wound images.