《Frontiers in Endocrinology》:An attention-guided dense convolutional network for automated diabetic foot ulcer segmentation
编辑推荐:
引言:大量糖尿病患者患有糖尿病足溃疡(diabetic foot ulcer,DFU),及时准确地分割溃疡区域对于治疗至关重要。由于溃疡形状高度不规则且病变区域极小(可小至DFU图像的0.04%),分割任务非常困难。方法:研究人员旨在开发一种注意力引导的密集卷
引言:大量糖尿病患者患有糖尿病足溃疡(diabetic foot ulcer,DFU),及时准确地分割溃疡区域对于治疗至关重要。由于溃疡形状高度不规则且病变区域极小(可小至DFU图像的0.04%),分割任务非常困难。方法:研究人员旨在开发一种注意力引导的密集卷积网络,称为UlcerNet,能够在不同尺度上提取细粒度溃疡特征。该网络引入密集卷积、多尺度残差注意力块(Multi-Scale Residual Attention Dense Block,MRADB)和改进的感受野模块(Modified Receptive Field Block,MRFB)以增强特征传播和上下文建模。研究人员使用包含4000张足部特写图像的公开DFUC 2022数据集来训练和评估UlcerNet模型。结果:该模型取得了73.50%的Dice系数和76.04%的平均交并比(mean Intersection over Union,mIoU),优于标准分割基线(FCN8 49.93%、SegNet 47.68%、DeepLabV3+ 62.77%)以及近期DFU分割基线(TransUNet 42.61%、HarDNet-DFUS 59.81%、UFOS-Net 73.09%)。讨论:消融研究进一步表明,密集块、通道注意力、空间注意力、MRADB和MRFB等各组件对准确性均有显著贡献。这些发现表明,UlcerNet提供了良好而精确的DFU分割,可在现实临床环境中发挥作用。
糖尿病足溃疡(diabetic foot ulcer,DFU)是糖尿病患者常见的严重并发症,国际糖尿病联盟报告显示糖尿病负担日益加重。DFU的准确分割对于监测溃疡面积和愈合进程至关重要。然而,DFU分割面临巨大挑战:溃疡轮廓高度不规则,病变区域可小至图像面积的0.04%,且溃疡与周围皮肤的边界对比度低,导致传统图像分割方法难以适用。现有深度学习方法虽取得进展,但在小病变和复杂形态下仍有不足。因此,研究人员旨在开发一种能够提取细粒度、多尺度特征并有效建模上下文的自动分割网络。
研究人员提出了UlcerNet,这是一种注意力引导的密集卷积网络,结合了密集连接、多尺度残差注意力密集块(Multi-Scale Residual Attention Dense Block,MRADB)和改进的感受野模块(Modified Receptive Field Block,MRFB)。研究使用了公开的DFUC 2022数据集,其中包含4000张足部特写图像,但仅使用有公开标注的1999张图像用于监督训练和评估,划分为1620张训练图像和379张测试图像,图像分辨率640×480,溃疡面积占图像面积从0.04%到35.05%。实验结果表明,UlcerNet在测试集上达到了Dice系数73.50%、平均交并比(mean Intersection over Union,mIoU)76.04%的性能,显著优于标准分割基线(FCN8 49.93%、SegNet 47.68%、DeepLabV3+ 62.77%)和近期DFU分割基线(TransUNet 42.61%、HarDNet-DFUS 59.81%、UFOS-Net 73.09%)。该研究的重要意义在于提供了高精度、可重复的DFU自动分割工具,有望辅助临床决策和糖尿病足管理。
关键技术方法方面,UlcerNet采用编码器-解码器结构,输入384×384×3图像。首先使用坐标卷积层嵌入空间信息,并通过折叠层降低空间分辨率、增加通道数。编码器由多个MRADB组成,每个MRADB通过不同尺度卷积提取特征,结合通道注意力和残差连接增强特征传播;瓶颈处使用MRFB融合多种核大小和膨胀率的卷积以捕获多尺度上下文。解码器采用上采样和跳跃连接恢复空间细节,最后应用卷积块注意力模块(Convolutional Block Attention Module,CBAM)细化特征,并通过展开层输出384×384×2的分割图。损失函数为Dice损失与交叉熵损失的加权组合。训练使用Adam优化器,初始学习率0.001,批量大小4,训练250个周期。
研究结果分析如下:
3.4 侧输出层结果:研究人员比较了不同侧输出层与融合输出的分割性能。融合输出的Dice系数为0.7350,mIoU为0.76047;最浅侧输出x1的Dice为0.7311,mIoU为0.76105;而较深侧输出x2、x3、x4的Dice分别为0.72496、0.71944、0.72,mIoU依次略降。这表明融合输出能有效整合多尺度特征,获得最优分割性能。
3.5 消融研究结果:通过逐步添加坐标卷积、MRADB、MRFB和CBAM进行消融。完整模型的Dice为0.7350、mIoU为0.76047;去掉坐标卷积后Dice降至0.6291;保留坐标卷积而去掉CBAM时Dice为0.7112;仅基础编码器-解码器的Dice为0.612、mIoU为0.701。这证明每个组件对分割精度均有重要贡献。
3.6 统计显著性分析:使用379张测试图像进行图像级配对Wilcoxon符号秩检验,UlcerNet相对于匹配基线的Dice中位配对改善为0.0209(95%置信区间0.0119–0.0336,p=2.17×10
?14),IoU改善为0.0290(95%置信区间0.0184–0.0488,p=6.32×10
?15)。所有九种随机种子配对组合的p值均小于1×10
?10。三次独立训练的Dice均值为0.7397±0.0057,IoU均值为0.6339±0.0070,验证了模型的稳定性和可重复性。
3.7 与基准模型对比:在DFUC 2022上的对比显示,UlcerNet的Dice(0.7350)和mIoU(0.76047)优于所有对比模型,包括DeepLabV3+(Dice 0.6277,mIoU 0.5224)、FCN8和SegNet等。与近年DFU专用模型相比,UlcerNet也优于HarDNet-DFUS(Dice 0.5981)和UFOS-Net(Dice 0.7309),展示了其优越的分割能力。
3.8 计算效率与模型复杂度:UlcerNet包含约782万个可训练参数,模型检查点大小30.27 MB,输入384×384×3时计算量为158.12 GFLOPs(2×MACs)。在NVIDIA GeForce RTX 4070 SUPER上,批量1的推理时间为68.59毫秒/张(14.6 FPS),批量8时为34.21毫秒/张(29.2 FPS)。这表明该模型具有中等规模和高效的推理性能,具备临床计算可行性。
讨论部分指出,UlcerNet在分割不同大小和形态的DFU方面表现优异,统计检验证实性能提升并非随机初始化所致。注意力可视化显示,成功案例中Grad-CAM和CBAM注意力集中于溃疡区域及边界,而失败案例(如极低对比度或极小且不规则病变)中注意力较弱且分散。局限性包括:仅使用DFUC 2022单一数据集,未进行独立外部验证;未与Swin-UNet、MedNeXt等最新架构比较;未系统评估光照、肤色、相机等采集条件变化的鲁棒性;临床验证和专家评估尚未开展。未来方向包括在独立数据集上进行测试、与更多先进架构比较、鲁棒性研究、专家评估和临床应用优化。
结论:本文提出了UlcerNet,一种新的多尺度残差注意力密集卷积网络,用于自动分割糖尿病足溃疡。它通过密集卷积块、层次化注意力机制和坐标卷积层解决了小面积、不规则形态和低对比度边界等挑战。在DFUC 2022上的大规模实验表明,UlcerNet取得了Dice系数0.735和mIoU 0.76047,优于当前最优模型。消融研究证实了坐标层和全局注意力层的关键作用,移除这些组件后Dice降至0.612,mIoU降至0.701。结果突出了该模型在DFU自动分割中的准确性和有效性,适合作为数字决策支持系统的一部分,辅助早期诊断和治疗计划制定。未来改进将着重于在其他基准数据集上的验证,并增强其对临床环境中不同图像条件的适应性。