HarDNet-DFUS: Ein verbessertes harmonisch verbundenes Netzwerk für die Segmentierung von Bildern diabetischer Fußerulären und von Koloskopie-Polypen

Wir präsentieren eine neuronale Netzwerkarchitektur zur medizinischen Bildsegmentierung von diabetischen Fußulzera und Koloskopie-Polypen. Diabetische Fußulzera entstehen durch neuropathische und vaskuläre Komplikationen der Diabetes mellitus. Um eine korrekte Diagnose und Therapie zu gewährleisten, müssen Wundpflegefachkräfte präzise morphologische Merkmale aus den Fußwunden extrahieren. Computerunterstützte Systeme stellen hierbei einen vielversprechenden Ansatz dar, um relevante morphologische Merkmale zu extrahieren und die Läsionen zu segmentieren. Wir schlagen ein convolutionales neuronales Netzwerk namens HarDNet-DFUS vor, das die Backbone-Architektur verbessert und den Decoder von HarDNet-MSEG ersetzt, welches 2021 die State-of-the-Art-Leistung für die Segmentierung von Koloskopie-Polypen erreichte. Für die MICCAI 2022 Diabetic Foot Ulcer Segmentation Challenge (DFUC2022) trainieren wir HarDNet-DFUS anhand des DFUC2022-Datensatzes und erhöhen dessen Robustheit durch Fünf-Fold-Cross-Validation, Test-Time-Augmentation und weitere Techniken. In der Validierungsphase der DFUC2022 erreichte HarDNet-DFUS einen mittleren Dice-Score von 0,7063 und belegte damit den dritten Platz unter allen Teilnehmern. In der abschließenden Testphase erreichte das Modell einen mittleren Dice-Score von 0,7287 und gewann den ersten Platz. HarDNet-DFUS zeigt zudem hervorragende Leistung bei der Segmentierung von Koloskopie-Polypen: Auf dem bekannten Kvasir-Datensatz erreicht es einen mittleren Dice-Score von 0,924, was einer Verbesserung um 1,2 % gegenüber dem ursprünglichen HarDNet-MSEG entspricht. Der Quellcode ist verfügbar unter https://github.com/kytimmylai/DFUC2022 (für die Segmentierung diabetischer Fußulzera) und https://github.com/YuWenLo/HarDNet-DFUS (für die Segmentierung von Koloskopie-Polypen).