UFOS-Net融合多尺度特征提升糖尿病足溃疡分割精度：基于SRRSH-DF数据集的研究

本研究针对糖尿病足溃疡(DFU)分割中病灶复杂多样、现有数据集不足的难题，开发了融合增强多尺度模块(EMS Block)的UFOS-Net模型，并构建了覆盖多病灶类型的SRRSH-DF数据集。通过改进的MODA数据增强策略，模型在DFUC2022和自建数据集上分别达到0.7309和0.7745的Dice系数，显著提升复杂病灶分割精度，为临床DFU智能诊断提供新工具。

　　

糖尿病足溃疡(DFU)作为糖尿病最严重的并发症之一，其5年死亡率是非溃疡患者的2.5倍，全球每年约2%的糖尿病患者会发展为DFU，其中半数面临截肢风险。然而现有DFU数据集存在病灶多样性不足、图像复杂度低等问题，严重制约了智能诊断模型的性能。更棘手的是，传统分割模型对深浅混合溃疡、微小病灶等复杂情况的识别精度有限，且计算成本高昂。这些瓶颈使得DFU的早期识别和精准测量仍高度依赖临床经验，在医疗资源匮乏地区尤为突出。

针对这一难题，杭州电子科技大学自动化学院与浙江大学医学院附属邵逸夫医院内分泌科联合团队在《Scientific Reports》发表最新研究。团队首先构建了包含1600张高分辨率图像的SRRSH-DF数据集，覆盖术前、术中和术后全周期，并由专家团队进行像素级标注。基于该数据集，研究人员创新性地开发了UFOS-Net分割模型，其核心是在U-Net解码器中嵌入增强多尺度模块(EMS Block)，通过深度可分离卷积(DSC)将参数量降低至传统卷积的1/9，同时采用多算子数据增强(MODA)策略解决样本不足问题。

关键技术方法包括：1) 构建专业标注的SRRSH-DF数据集，分层采集1600张2736×3648像素图像；2) 设计EMS Block模块，采用三层深度可分离卷积堆叠实现多尺度特征提取；3) 开发MODA增强策略，避免同类算子叠加导致的性能下降；4) 在DFUC2022和SRRSH-DF数据集上进行对比验证，评估Dice、IoU等指标。

Dataset板块

研究团队通过三阶段筛选从6426张原始图像中精选1600张纳入SRRSH-DF数据集，按4:1划分训练/验证集。

显示病灶覆盖足部10个解剖区域，包括趾间(W1/W2)、足背(M1)等部位，充分体现临床多样性。标注标准由内分泌专家制定，要求标记实际创面及皮下化脓/坏死区域，仅红斑区域除外。

Methodology板块

UFOS-Net架构中，EMS Block通过层归一化后双分支处理特征：特征投影模块(FC层)扩展通道维度，上下文建模模块(3层DSC)提取空间特征。

显示两分支特征通过元素乘融合，经MLP块处理后残差连接输出。相比传统卷积，该设计使FLOPs降低82.1%。

Experiments and results板块

在SRRSH-DF数据集上，UFOS-Net以0.7745 Dice系数显著优于TransUNet(0.6169)和U-Net++(0.7499)。

直观显示模型对混合型溃疡边缘的识别优势。消融实验证实，当ContextLayer为1时性能最优，增加层数会导致过拟合。MODA策略使IoU提升0.029，显著优于传统几何变换(0.6656)。

这项研究通过构建高质量临床数据集和创新性算法框架，实现了DFU分割技术的三重突破：1) EMS Block模块在保持精度的同时大幅降低计算成本；2) SRRSH-DF数据集首次系统覆盖足部各区域溃疡类型；3) MODA策略为小样本医学图像增强提供新思路。成果已开源数据集和模型代码，将推动DFU智能诊断工具的临床转化，对资源有限地区的早期筛查具有重要社会价值。未来研究可探索跨模态融合，进一步提升对缺血性溃疡等亚型的鉴别能力。