编辑推荐：
慢性伤口给临床治疗带来沉重负担。研究人员开展慢性伤口分割研究，提出改进的 HarDNet-CWS 模型。结果显示该模型在指标和专家评估上优于基线模型，有助于自动监测伤口，减少患者就医次数，提升医疗效率。
在健康医学领域，慢性伤口问题一直困扰着全球的医疗机构和患者。糖尿病的全球流行，使得动脉腿溃疡（ALUs）、糖尿病足溃疡（DFUs）等慢性伤口的发病率不断上升。这些慢性伤口不仅给患者带来身体上的痛苦，如肢体截肢风险增加、生活质量严重下降，还造成了沉重的经济负担，像美国治疗糖尿病腿和足溃疡的费用高昂。同时，慢性伤口的管理也颇具挑战，伤口若不能及时发现和治疗，后续治疗会更加复杂，且复发率高。在远程医疗兴起的背景下，利用深度学习技术实现慢性伤口的精准分割和监测成为研究热点。然而，目前该领域存在诸多问题，比如缺乏大量公开可用且标注完整的数据集，现有模型对深色皮肤患者伤口的分割关注不足，存在肤色偏见，不同模型在慢性伤口分割任务上的表现参差不齐 。为了解决这些问题，来自多个研究机构的研究人员开展了慢性伤口分割的相关研究。他们提出了一种基于多色空间张量融合的增强谐波密集连接混合变压器网络架构（HarDNet-CWS），相关研究成果发表在《Computers in Biology and Medicine》上。
研究人员在此次研究中用到的主要关键技术方法包括：首先，构建了包含多种公开和私有数据集的训练、验证和测试集，其中测试集专门选取了深色皮肤患者的伤口图像。其次，采用了一系列评估指标，如 Dice 相似系数（DSC）、交并比（IoU）、假阳性误差（FPE）和假阴性误差（FNE）等，来衡量模型性能。再者，对传统的 HarDNet-DFUS 网络架构进行改进，形成 HarDNet-CWS 架构，涉及多色空间张量合并、归一化方式调整、激活函数替换等技术手段。最后，运用生成对抗网络（GAN）预训练、引入动物肉数据集进行跨域弱监督训练以及 5 折交叉验证和测试时间增强（TTA）等方法提升模型性能。
下面来详细看看研究结果：
- 基线实验结果：研究人员使用最大的公开慢性伤口数据集（DFUC 2022）对一系列深度学习分割网络进行测试，结果表明 HarDNet-DFUS 在训练、验证和测试指标上表现最佳，但部分模型在该数据集上存在局限性，如更深的 U - Net 变体表现不佳，视觉 Transformer（ViT）模型因数据集小而效果差。
- HarDNet-CWS 模型性能提升：通过一系列改进，HarDNet-CWS 模型在多个方面取得了性能提升。在多色空间张量合并实验中，合并 RGB 与其他颜色通道（如 Y、A、eY）形成的新张量能提高模型性能，其中 RGB + eY (SC) 的效果尤为显著。此外，结合其他改进措施（如 IBN、PReLU、SN 和调整 HarDNet 块谐波结构），进一步提升了模型的性能。使用 GAN 预训练、引入动物肉数据集以及采用 5 折交叉验证和 TTA 后，模型性能得到了进一步增强。
- 定性分析结果：研究人员邀请两位临床伤口专家对 HarDNet-DFUS（基线）和 HarDNet-CWS（改进）模型的预测结果进行 5 星级评分，并通过组内相关系数（ICC）评估评分的可靠性。结果显示，两个模型的可靠性为中等到优秀，且 HarDNet-CWS 模型在专家定性评估中的得分更高，在 5 星级评分和 4 - 5 星级评分方面均有显著提升。
在研究结论和讨论部分，该研究具有重要意义。HarDNet-CWS 模型在实验室指标和专家定性评估方面均优于基线模型，显著提高了慢性伤口分割的准确性。研究首次证明了仅在浅色皮肤患者伤口图像上训练的模型，能够对深色皮肤患者的伤口进行分割，一定程度上解决了慢性伤口深度学习研究中的肤色偏见问题。同时，研究发现动物肉图像可用于提升慢性伤口分割模型的性能，为解决伤口图像获取困难的问题提供了新的思路。不过，研究也存在一些局限性，例如实验室指标与定性评估的衡量尺度不一致，现有公开数据集的局限性导致实验室指标的准确性受限等。未来的研究可以朝着更精细的定性评估、多模态数据的应用、制定慢性伤口分割的准确性和评估标准以及利用伤口视频数据等方向展开。总体而言，该研究为慢性伤口分割技术的发展做出了重要贡献，有望推动远程慢性伤口监测技术的进步，减少患者就医次数，改善患者护理，具有显著的临床应用价值和社会意义。
