具有类别特定集成和贝叶斯超参数优化的双注 意力 U-Net++用于精确伤口和尺度标记分割-计算机科学-图像分割-深度学习-医学成像-贝叶斯优化.pdf

具有类别特定集成和贝叶斯超参数优化的双注

意力U-Net++用于精确伤口和尺度标记分割

1,211

DanielCieślak,MiriamReca,OlenaOnyshchenko,

JacekRumiński1

1FacultyofElectronics,TelecommunicationsandInformatics,Gdańsk

UniversityofTechnology,Gdańsk,Poland.

2IDEASNCBR,Warsaw,Poland.

本*Correspondingauthor(s).E-mail(s):daniel.cieslak@.pl;

译

中摘要

伤口和临床图像中尺码标记的精确分割仍然是一个重大挑战，这对于有效的伤口

1管理和自动化评估至关重要。在这项研究中，我们提出了一种新颖的双注意力U-

vNet++架构，通过整合通道（SCSE）和空间注意力机制来有效应对医学影像中的

4

1严重类别不平衡和变异性问题。最初，通过对各种架构和编码器进行5折交叉验

3证的广泛基准测试，确定EfficientNet-B7为最优的编码器主干。随后，我们分别

5训练了两个特定类别的模型，并针对预处理、大量数据增强以及贝叶斯超参数调优

0（WandBsweeps）进行了定制化操作。最终的模型集成利用测试时间增强来进一步

.提高预测可靠性。我们的方法在NBC2025PCBBE2025竞赛的基准数据集上

7

0进行评估。分割性能通过加权F1分数（75%伤口，25%尺码标记）量化，该分数由

5比赛组织者使用未公开的硬件外部计算得出。所提出的方法实现了0.8640的F1分

2数，突显了其在复杂医学分割任务中的有效性。

:

vKeywords:图像分割，伤口评估，深度学习，医学成像，U-Net++，注意力机制，贝叶斯优化

i

x

r

a

1介绍

皮肤作为重要的器官，通常被归类为身体最大的器官。这种复杂的分层结构

充当了防护屏障。尽管坚韧，但它同时也很敏感，容易受到事故、长期疾病、手

术和其他原因造成的伤害影响。正确和精确地记录伤口对于其有效愈合至关重要。

1

此外，准确检测皮肤状况对减少发病率、治疗成本、患病率和死亡率非常重要，突

显了检查受损皮肤[1]的必要性。医务人员历来依赖手动测量、照片和视觉评估来

跟踪和评估伤口愈合情况。虽然这些技术通常有效，但它们具有主观性，容易出

错，并且取决于医疗保健提供者的经验[2]。这种变化强调了在伤口评估中需要技

术进步的迫切需求。

计算机视觉和深度学习的最新进展为手动方法提供了一个有吸引力的替代方

案。自动化分割方法通过将医学图像上的像素转化为有价值的临床数据，承诺实

现客观性、一致性和效率。然而，开发一个有效的分割系统并不简单；伤口形状

可能不规则，外观差异显著，且成像条件可能存在很大差异。此外，精确测量需

要图像中可靠的尺度标记，进一步增加了任务的复杂性。

我们对于NBC2025PCBBE2025创伤图像分割挑战的目标不仅是基准测

试前沿的神经网络，也是为了贡献一个更广泛的故事——从手动主观性转向由人

工智能驱动的准确、可重复的创伤评估。