基于混合人工神经网络与多CNN特征融合的糖尿病足溃疡图像诊断方法研究

《Scientific Reports》：Hybrid deep feature fusion framework with maximum entropy based selection for accurate diabetic foot ulcer diagnosis from enhanced and segmented medical images

　　糖尿病足溃疡（DFU）带来显著风险，包括伤口愈合延迟、感染，严重时甚至需要截肢。早期诊断对于降低这些风险、改善患者预后至关重要。人工评估可能受到观察者间变异性和工作流程延误的影响，这促使人们研究人工智能辅助方法用于DFU图像分类。本研究开发了几种混合人工神经网络（ANN）策略，结合不同卷积神经网络（CNN）模型的特征，用于糖尿病溃疡图像诊断。特征选择算法（特别是主成分分析（PCA）和基于最大熵得分的选择（MESbS））的使用增强了模型的判别能力。通过使用融合滤波器——均值滤波器和拉普拉斯滤波器——来增强图像、突出糖尿病溃疡特征并强调病灶边界，改善了图像质量。几何活动轮廓（GAC）算法有助于将受损区域与健康区域分离。AlexNet、MobileNetV2和VGG16模型处理这些区域并提取深层特征图。这些特征图随后被组合，形成全局特征向量，即AlexNet-MobileNetV2、MobileNetV2-VGG16、AlexNet-VGG16和AlexNet-MobileNetV2-VGG16。来自多个CNN模型的特征融合产生了高维向量，这促使应用PCA和MESbS进行特征选择。所提出的混合策略在评估数据集上展现了强大的诊断性能。在评估的配置中，使用MESbS的AlexNet-MobileNetV2-VGG16-ANN模型取得了最高性能，AUC达到99%，灵敏度为99.7%，准确率为99.5%，精确率为99.5%，特异度为99.75%。这些发现表明，在评估的实验条件下，结合互补的CNN特征表示与特征选择可能改善DFU分类。