Atención espacial | Grupo separador de gravedad Co., Ltd

Scientific Reports volumen 13, número de artículo: 12516 (2023) Citar este artículo

340 Accesos

1 altmétrica

Detalles de métricas

El diagnóstico de quemaduras en humanos se ha vuelto fundamental, ya que la identificación temprana puede salvar vidas. El proceso manual de diagnóstico de quemaduras requiere mucho tiempo y es complejo, incluso para médicos experimentados. Los modelos de aprendizaje automático (ML) y redes neuronales convolucionales profundas (CNN) se han convertido en el estándar para el diagnóstico por imágenes médicas. El enfoque basado en ML normalmente requiere funciones artesanales para el entrenamiento, lo que puede resultar en un rendimiento subóptimo. Por el contrario, los métodos basados en DL extraen características automáticamente, pero diseñar un modelo robusto es un desafío. Además, los métodos de DL superficial carecen de dependencia de funciones de largo alcance, lo que reduce la eficiencia en diversas aplicaciones. Implementamos varios modelos CNN profundos, ResNeXt, VGG16 y AlexNet, para el diagnóstico de quemaduras humanas. Se descubrió que los resultados obtenidos de estos modelos eran menos confiables ya que los modelos CNN poco profundos necesitan módulos de atención mejorados para preservar las dependencias de características. Por lo tanto, en el estudio propuesto, el mapa de características se divide en varias categorías y se resaltan las dependencias de canales entre dos asignaciones de canales dentro de una clase determinada. Un mapa de atención espacial se construye considerando los vínculos entre las características y sus ubicaciones. Nuestro modelo basado en atención BuRnGANeXt50 kernel y capas convolucionales también están optimizados para el diagnóstico de quemaduras humanas. El estudio anterior clasificó la quemadura según la profundidad del injerto y sin injerto. Primero clasificamos la quemadura según el grado. Posteriormente, se clasifica en injertado y no injertado. Además, el rendimiento del modelo propuesto se evalúa en Burns_BIP_US_database. La sensibilidad del BuRnGANeXt50 es del 97,22% y del 99,14%, respectivamente, para clasificar quemaduras según el grado y la profundidad. Este modelo se puede utilizar para una detección rápida de pacientes quemados y se puede ejecutar en la nube o en una máquina local. Se puede acceder al código del método propuesto en https://github.com/dhirujis02/Journal.git en aras de la reproducibilidad.

La quemadura es una afección potencialmente mortal que necesita tratamiento temprano. Se clasifica en varias categorías según su gravedad y los tejidos afectados. El método más frecuente para categorizar las quemaduras es el mecanismo de "grado", que divide las quemaduras en tres categorías principales: quemaduras de primer grado (dérmicas superficiales), de segundo grado (dérmicas profundas) y de tercer grado (de espesor total). La quemadura superficial sólo afecta la capa superior de la piel (epidermis). Los síntomas principales incluyen enrojecimiento, dolor e hinchazón leve. La curación suele producirse en unos pocos días sin dejar cicatrices1. La quemadura dérmica profunda afecta la epidermis y parte de la dermis (la segunda capa de piel). Los síntomas incluyen enrojecimiento, ampollas, dolor intenso e hinchazón. El tiempo de curación puede variar y pueden aparecer cicatrices según la profundidad y extensión de la quemadura. La quemadura de espesor total se extiende por toda la epidermis y la dermis, llegando hasta el tejido subcutáneo. Los síntomas pueden incluir una apariencia coriácea o carbonizada, insensibilidad al dolor (debido a daño a los nervios) y coloración blanca o marrón oscura. La curación es lenta y puede requerir un injerto de piel, y es común que queden cicatrices. Para el tratamiento de quemaduras humanas, no se pueden administrar primeros auxilios a una víctima de quemaduras antes de diagnosticar adecuadamente la lesión2. Cuanto más profunda sea la quemadura, más grave será la lesión. Un dermatólogo evalúa la gravedad de las quemaduras antes de realizar el injerto. El injerto implica reemplazar la piel dañada con tejido sano de un área no quemada. Después de 14 a 21 días de tratamiento, se recuperará una quemadura superficial (de primer grado). En la Tabla 1 vemos cómo un médico determina la gravedad de las quemaduras en función del color de las zonas afectadas.

El proceso de diagnóstico manual de quemaduras requiere la participación de expertos, lo que hace que el proceso sea lento y costoso. Los expertos dermatológicos emplean fluorometría de fluorescencia, fluorescencia e imágenes por ultrasonido para predecir la profundidad de las quemaduras, logrando una precisión diagnóstica de entre el 50 y el 80 %3. Las quemaduras dérmicas profundas afectan la segunda capa de la piel, mientras que las quemaduras de espesor total penetran la tercera capa y a menudo involucran tejidos, músculos y cicatrices dañados, lo que afecta significativamente la vida del paciente. El tratamiento eficaz de las cicatrices de quemaduras es esencial y los médicos utilizan técnicas anticicatrices4. La gravedad de las quemaduras también puede tener consecuencias negativas a largo plazo para los pacientes5. Estudios anteriores han empleado métodos de aprendizaje automático para el diagnóstico de quemaduras, que normalmente implican el preprocesamiento de imágenes quemadas para reducir su tamaño y el ruido. Las características de textura y forma hechas a mano se extraen manualmente para entrenar y clasificar los tipos de quemaduras, pero este enfoque requiere un pequeño conjunto de datos y experiencia especializada, lo que genera errores potenciales que reducen el rendimiento del modelo.

Por el contrario, los modelos de aprendizaje profundo pueden aprender automáticamente características a través de sus capas, lo que demuestra capacidades prometedoras para el reconocimiento de imágenes médicas en los últimos años6. Sin embargo, el rendimiento profundo del modelo CNN depende del tamaño del conjunto de datos y de la arquitectura del modelo7. Investigaciones anteriores que utilizan técnicas profundas de CNN han demostrado un rendimiento mejorado8,9,10,11,12,13. Sin embargo, algunos modelos de aprendizaje profundo con pocas capas y conjuntos de datos de entrenamiento limitados han dado lugar a un rendimiento subóptimo para el diagnóstico de quemaduras. Modelos como ResNeXt, AlexNet y VGG16 eran computacionalmente costosos y no lograban una precisión notable en el diagnóstico de quemaduras. Para la categorización del grado de quemadura, ResNeXt, AlexNet y VGG16 lograron precisiones de clasificación del 84,31 %, 70,57 % y 76,32 %, respectivamente, similar al enfoque manual. Proponemos un modelo basado en la atención espacial llamado BuRnGANeXt50 para abordar estos desafíos. Este modelo utiliza un mapa de características dividido en categorías, resalta las dependencias de canales dentro de cada clase y crea un mapa de atención espacial para mejorar la precisión de la clasificación. Captar de manera eficiente información sobre la profundidad de la región quemada es crucial para la evaluación de la gravedad y las recomendaciones quirúrgicas para el injerto. El modelo propuesto demuestra un rendimiento excelente en la detección rápida de diferentes tipos de quemaduras y, al mismo tiempo, es computacionalmente eficiente.

La contribución significativa del manuscrito es la siguiente.

El BuRnGANeXt50 propuesto es una red residual que requiere menos tiempo de cálculo que ResNeXt. Dado que ReNext tiene 23 × 106 y nuestro modelo tiene 5 × 106 neuronas

Los mapas de dos canales se separan en categorías y se resaltan las dependencias de canales entre ellos. Mientras tanto, un mapa de atención espacial se construye a partir de las relaciones espaciales entre características.

La pérdida de capacitación y validación en la base de datos BIP_US es significativamente menor, lo que confirma que el modelo propuesto es sensible para el diagnóstico de quemaduras.

El resto del documento está organizado de la siguiente manera:

La sección “Revisión de la literatura” describe un estudio que involucra una revisión detallada de quemaduras humanas. Al mismo tiempo, la sección "Método propuesto" describe la arquitectura del modelo BuRnGANeXt50. La sección “Resultados” describe los procedimientos experimentales para el diagnóstico de urna según el grado y la profundidad. Finalmente, en la sección “Discusión”, se describe en detalle el estudio comparativo de diferentes modelos y BuRnGANXt50.

Para segmentar el tejido renal e identificar células inflamatorias inmunológicas (CD3+), Hermsen et al.14 desarrollaron dos modelos de CNN. La evaluación humana de los tipos de lesiones de Banff se comparó con la medición automatizada de glomérulos, fibrosis intersticial e inflamación (total), y se encontraron fuertes correlaciones. Los cambios a largo plazo en la tasa de filtración glomerular estimada (TFGe) están inversamente relacionados con la inflamación dentro de las regiones cicatrizadas, según un examen visual y automatizado de una pequeña cohorte14. La técnica de aprendizaje automático utilizada por Abubakar et al.15,16,17 clasifica las quemaduras humanas utilizando el conjunto de datos africano. Los tiempos de curación de las quemaduras se pueden utilizar para predecir la profundidad de las quemaduras. Específicamente, utilizaron SVM Uno contra Uno para examinar la eficacia de aprovechar características profundas obtenidas de un modelo previamente entrenado para abordar un problema multiclase. Las características discriminatorias relevantes de las imágenes se obtuvieron utilizando VGG16 y ResNet50 previamente entrenado. Con las características de VGG16 (VggFeat16), el método propuesto logró una precisión de predicción del 85,67 %, mientras que el modelo ResNet50 logró una precisión de clasificación máxima del 95,43 %15.

Además, Suha et al.18 propusieron un modelo basado en una red neuronal convolucional profunda (DCNN) con aprendizaje por transferencia y ajuste fino para evaluar el grado de quemaduras de la piel a partir de fotografías de quemaduras de pacientes en tiempo real. El diseño utiliza varias capas convolucionales y ajuste de hiperparámetros para la extracción de características y clasificación de imágenes en tres clases distintas. También se probó y evaluó para este problema de clasificación multiclase el enfoque tradicional, que utilizaba procesamiento de imágenes digitales y clasificadores habituales de aprendizaje automático. Abubakar et al.15,16,17 observaron que el 90,45% de las veces fue posible identificar correctamente los diferentes tipos de quemaduras. Este estudio sienta las bases para futuras investigaciones, especialmente en el ámbito de la atención sanitaria, para centrarse en cómo las representaciones de características raciales pueden integrarse con datos de entrenamiento para producir herramientas de diagnóstico eficaces y ampliamente utilizadas16.

El enfoque basado en redes neuronales convolucionales para la identificación de imágenes de quemaduras de partes del cuerpo Chauhan et al. (2020) ha introducido un modelo CNN profundo que se puede utilizar para desarrollar herramientas de diagnóstico de quemaduras asistidas por computadora más efectivas combinando imágenes sin quemaduras con el modelo de clasificación de gravedad de quemaduras específico de una parte del cuerpo. La clasificación de partes del cuerpo de imágenes quemadas (BI-BPC) y el modelo de evaluación de gravedad de quemaduras específicas de partes del cuerpo utilizaron redes neuronales convolucionales profundas para evaluar los dos conjuntos de datos de imágenes quemadas etiquetadas (BPBSAM). El uso de BI-BPC y ResNet50 para la extracción de características en la evaluación de la gravedad muestra la máxima eficiencia19. Pabitha et al.20 presentaron un modelo híbrido que combina DenseMask RCNN con aprendizaje por transferencia para clasificar las quemaduras cutáneas con precisión. Realizan una estimación de la postura densa20 para dividir la zona quemada, clasificarla en distintos grados y calcular la profundidad de la quemadura según la gravedad de la lesión.

Khan et al.21 recopilaron imágenes de quemaduras de personas de diversas edades y etnias. Era casi imposible recopilar imágenes de los centros de atención médica debido a preocupaciones éticas. Utilizando la minería de imágenes y la clasificación DCNN, se describe un método para segmentar la piel dañada y calcular la profundidad de la quemadura. Un método de segmentación híbrido elimina el fondo de una imagen de carne quemada. Las profundidades de las quemaduras se clasificaron utilizando un DCNN con una precisión del 79,4%21. Wu et al.22 desarrollaron un método de red neuronal convolucional (CNN) para el reconocimiento de imágenes grabadas. Los resultados experimentales de este trabajo muestran que el modelo basado en CNN puede clasificar y detectar eficazmente áreas quemadas22.

Una investigación reciente de Khan et al.21 discriminó entre síntomas de quemaduras leves y graves mediante métodos de preprocesamiento y muestreo de imágenes. La técnica de Otsu se utiliza para eliminar el área quemada de la imagen. Su método clasifica las quemaduras en primer, segundo o tercer grado. El rendimiento del modelo puede ser mejor utilizando modelos CNN más complejos y conjuntos de datos más grandes21. Recientemente, Rostami et al.23 desarrollaron un modelo de aprendizaje profundo para diagnosticar quemaduras humanas. Su método emplea un modelo CNN profundo para la extracción de características, mientras que SVM se emplea para la clasificación. El método de validación cruzada quíntuple logra una precisión del 87,7% en la clasificación multiclase, mientras que la clase binaria logra una precisión del 94,28%23. Algunos de los métodos recientes utilizados para el diagnóstico de quemaduras mediante ML y DL se muestran en la Tabla 2.

El diagnóstico preciso de las quemaduras humanas requiere un modelo sensible. ML y DL se emplean comúnmente en imágenes médicas para el diagnóstico de enfermedades. ResNeXt, AlexNet y VGG16 son modelos de aprendizaje profundo de última generación que se utilizan con frecuencia para el diagnóstico de imágenes médicas. En este estudio, evaluamos y comparamos el rendimiento de estos modelos para diagnosticar imágenes de quemaduras. Sin embargo, estos modelos mostraron una efectividad limitada en el diagnóstico preciso del grado de quemadura y en distinguir los injertos de los no injertos.

ResNeXt, un modelo residual profundo, consta de 50 capas, mientras que AlexNet y VGG16 son modelos secuenciales con ocho y 16 capas, respectivamente. Estas capas extraen características de las imágenes grabadas durante el proceso de entrenamiento del modelo. Desafortunadamente, distinguir entre quemaduras dérmicas profundas y quemaduras de espesor total puede resultar un desafío, ya que comparten colores similares: blanco, rojo oscuro y marrón. En consecuencia, se requieren métodos muy delicados y rigurosos para una diferenciación precisa. AlexNet y VGG16, al ser modelos secuenciales, extraen principalmente características de bajo nivel, mientras que ResNeXt sobresale en la extracción de características de alta dimensión. Una limitación es que estos modelos solo pueden aprender características de peso positivas debido a la función de activación ReLu. Esta limitación puede obstaculizar su capacidad para identificar con precisión las características críticas de las quemaduras. Los modelos DL, AlexNet, ResNeXt, VGG16 e InceptionV3 se utilizan ampliamente para el diagnóstico por imágenes médicas; sin embargo, estos modelos enfrentan desafíos a la hora de categorizar con precisión los grados de quemaduras y diferenciar los injertos de los no injertos. Encontrar formas efectivas de manejar estos desafíos y mejorar la extracción de características podría conducir a modelos de diagnóstico de quemaduras más sensibles y confiables.

El modelo ResNeXt33 influyó en el modelo BuRnGANeXt50. Para construir un modelo BuRnGANeXt50, se modifica la topología del modelo ResNeXt original. Además, el ResNeXt original fue creado para clasificar imágenes en varias categorías con altos costos de cálculo. En este estudio, el método realiza una tarea de clasificación de clases binarias y multiclase. La clasificación multiclase se utiliza para evaluar la gravedad de las quemaduras en función de su profundidad. Después de eso, según la profundidad, las quemaduras se pueden dividir en dos tipos distintos: con injerto y sin injerto. Reducir el tamaño del filtro de la primera capa de 7 × 7 a 5 × 5 es el primer cambio en el diseño del modelo ResNext original porque un tamaño de filtro más grande resultó en una menor intensidad de píxeles en la región quemada. Esto ha llevado a un aumento en la frecuencia de resultados negativos espurios tanto para injertos como para no injertos. Además, los tamaños de convolución de Conv1, Conv2, Conv3, Conv4 y Conv5 también se cambian para reducir el costo de cálculo y al mismo tiempo mantener la cardinalidad. Además, aplicamos Leaky ReLu en lugar de la activación de ReLU para una convergencia más rápida del modelo. La Tabla 2 también muestra que conv2, conv3 y conv4 están reduciendo su tamaño. Después de implementar todas las modificaciones, las neuronas disminuyeron de 23 × 106 a 5 × 106, como se muestra en la Tabla 3. La arquitectura detallada del modelo propuesto se muestra en la Fig. 1.

Topología de BuRnGANeXt50 para el diagnóstico de quemaduras humanas.

Este modelo tiene varios bloques de construcción esenciales, que incluyen convolución, residual, ReLU, activación, softmax y capa aplanada. Los resultados de la convolución de neuronas de los grupos dentro del mismo mapa del núcleo se suman mediante capas de agrupación, lo que reduce la dimensionalidad de entrada y mejora el rendimiento del modelo. Las unidades de agrupación en el modelo propuesto constituyen una cuadrícula, en la que cada píxel representa una única ubicación de votación, y el valor se selecciona para obtener superposición y al mismo tiempo reducir el sobreajuste. La Figura 2 describe la estructura de la capa de convolución del modelo. Las unidades de votación forman una cuadrícula, en la que cada píxel representa un único lugar de votación centrado en \(z \times z\). En el modelo proporcionado, empleamos la CNN estándar con parámetros establecidos en \(S = z\), pero agregamos una carga de \(S < z\) para aumentar la superposición y disminuir el sobreajuste34. La arquitectura propuesta se desarrolló para manejar los problemas únicos del diagnóstico de quemaduras, enfatizando la disminución del sobreajuste y la mejora de la precisión del modelo.

Las capas de agrupación son convoluciones de forma agrupada.

El producto escalar interno es una parte esencial que realizan las neuronas para la base de las capas convolucionales y completamente conectadas de una red neuronal artificial. El producto escalar interno puede calcular la transformada agregada, como se ilustra en la ecuación. (1).

representa el vector de entrada del canal k de la neurona. El peso del filtro viene dado por \(w_{i}\)para i-las neuronas. Este modelo reemplaza las transformaciones elementales con una función más genérica \(\left( {w_{i} \rho_{i} } \right)\). Al expandirse a lo largo de una nueva dimensión, esta función genérica reduce la profundidad. Este modelo calcula las transformaciones agregadas de la siguiente manera:

La función \(\Upsilon_{i} (\rho )\) está definida arbitrariamente. \(\Upsilon_{i}\) proyecta \(\rho\) en una incrustación de baja dimensión y luego lo cambia, de forma similar a una neurona primaria. \({\mathbb{C}}\) representa el número de transformaciones que se suman en la ecuación. (2). \({\mathbb{C}}\) se conoce como cardinalidad35. Como función residual, la ecuación. La transformación agregada de (2) sirve36. (Fig. 3):

donde \(x\) es el resultado previsto del modelo.

Los módulos de atención espacial y de canal se representan en (A) y (B), respectivamente, en estas ilustraciones esquemáticas.

Finalmente, en la parte superior del modelo se agrega una agrupación promedio global y aplanada. La activación de Softmax clasifica el burn en binario y multiclase. El optimizador softmax utiliza el exponente de cada capa de salida para convertir logits en probabilidades37. El vector \(\Phi\) es la entrada del sistema y representa el conjunto de características. Nuestro estudio utiliza la clasificación k cuando hay tres niveles de gravedad de las quemaduras (k = 3) y dos niveles de injerto versus no injerto (k = 2). Para predecir los resultados de la clasificación, el sesgo \(W_{0} X_{0}\) se agrega a cada iteración.

El bloque de atención residual, que permite dirigir la atención a través de grupos de mapas de características separados, se muestra en la Fig. 3. Además, los grupos de mapas de características adicionales del canal combinan la información espacial de todos los grupos a través del módulo de atención espacial, lo que aumenta la capacidad de CNN para representan características. Comprende grupos de mapas de características, canales de transformación de características, algoritmos de atención espacial, etc. Se pueden realizar procedimientos de convolución en grupos de características y la cardinalidad especifica el número de grupos de mapas de características. Un nuevo parámetro, "S", indica el número total de grupos en el conjunto de canales38 y el número de subgrupos en cada uno de los N grupos de características de entrada. Un programador de canales es una herramienta que optimiza el procesamiento de datos entrantes a través de canales. Este método transforma subconjuntos de características. G = N * S es la fórmula para el número total de grupos de características.

Usando la ecuación. (6), llevamos a cabo una modificación de características esenciales en los subgrupos dentro de cada grupo después de la mezcla de canales.

Aquí \(0\le r<4,\left(i,j\right)\) representa las coordenadas de la matriz original. K representa la convolución 3 × 3 del bloque de cuello de botella y la salida se escribe como \(y_{s}\). Entonces, para cada entrada \(x_{s}\)

tenemos:

\(g\& r\) aquí representa la entrada \(x_{s}\). “\(\odot\)” corresponde a la multiplicación de elementos en la transformación de características relacionadas de la matriz. Las características de x que se transforman se comparten entre los tres operadores de convolución K de 3 × 3.

Las representaciones de características semánticas específicas se pueden mejorar explotando las interdependencias entre los gráficos de canales. Usamos los canales del mapa de características como detectores individuales. La Figura 3A muestra cómo enviamos el mapa de características del grupo \(no\in \mathrm{1,2},...,N\) \({G}^{no}\in {R}^{C/ N\times H\times W}\) al módulo de atención del canal. Como primer paso, utilizamos la agrupación de promedios geográficos (GAP) para recopilar información de contexto global vinculada a las estadísticas del canal39. Los mapas de atención del canal 1D \({C}^{no}\in {R}^{C/N}\) se infieren luego utilizando las capas compartidas completamente conectadas.

\("{D}_{sigmoid}y{D}_{\mathit{Re}LU}"\) representa una capa completamente vinculada que utiliza tanto "Sigmoid" como "ReLU" como funciones de activación. Por último, los productos Hadamard se utilizan para inferir el mapa de atención de un grupo y las características de entrada correspondientes. Luego, los componentes de cada grupo se ponderan y se suman para producir un vector de características de salida. El mapa final de atención del canal.

El peso del núcleo de convolución 1 × 1 de cada grupo se multiplica por el peso del núcleo 3 × 3 de la capa convolucional del subgrupo. La dependencia de características globales se conserva agregando las ponderaciones de atención del canal del grupo, que suman todas el mismo valor.

Se utiliza un módulo de atención espacial para sintetizar enlaces espaciales y aumentar el tamaño espacial de las características asociadas. El módulo de atención del canal es independiente de ese componente. La información espacial de los mapas de características se agrega primero utilizando la agrupación promedio global (GAP) y la agrupación global máxima (GMP)39 para obtener dos descriptores contextuales distintos. A continuación, uniendo \(GAP(C)\in {R}^{1\times H\times W}yGMP(C)\in {R}^{1\times H\times W}\) conéctese para obtener \ ({S}_{c}\en {R}^{2\times H\times W}\).

El signo más “+” indica un mapa de características vinculado. La capa convolucional regular recupera la información de peso dimensional espacial para redondear las cosas. \(S_{conv}\) El mapa de atención espacial final \(S\in {R}^{C/N\times H\times W}\) se obtiene multiplicando por elementos el mapa de características de entrada \(C\) consigo mismo.

\("Con{v}_{3\times 3}"\) significa convolución regular, mientras que "Sigmoide" denota la función de activación.

Los modelos de aprendizaje profundo basados en activación de Leaky ReLU no dependen de la normalización de entrada para la saturación. Las neuronas en este modelo son más eficientes a la hora de aprender de información negativa. A pesar de esto, la actividad neuronal se calcula \({\alpha }_{u,v}^{i}\) en un punto \((u,v)\) utilizando el núcleo \(i\), lo que facilita la generalización. . Luego se implementa la no linealidad de ReLU. Luego se implementa la no linealidad de ReLU. La respuesta normalizada \({\alpha }_{u,v}^{i}\) se determina utilizando la ecuación proporcionada. (12).

¿Dónde \(N\) es el número total de capas y \(t,\alpha ,n,\beta\) son constantes? Este \(\sum {}\) se calcula para cada uno de los \(n\) vecinos40. Entrenamos la red usando una imagen \(100 \times 100 \times 3\) y el hiperparámetro de cardinalidad de la topología ResNeXt CNN original \({\mathbb{C}}=32\). El algoritmo del método propuesto se muestra a continuación.

Algoritmo del método propuesto.

Todos los autores contribuyeron a la concepción y diseño del estudio. Todos los autores leyeron y aprobaron el manuscrito final.

El conjunto de datos incluye imágenes de quemaduras humanas con varias profundidades (súper dérmica, dérmica profunda y de espesor total) y tipos (con injerto, sin injerto). El Grupo de Procesamiento de Imágenes Biomédicas (BIP) del Departamento de Teoría de la Señal y Comunicaciones de la Universidad de Sevilla (España) en el Hospital Virgen del Roco (España) recopiló imágenes. Hay 94 imágenes con diferentes tamaños en el conjunto de datos original compilado a partir de41. Se aplicaron cuatro tipos de técnicas de aumento de datos a la imagen grabada: giro horizontal, giro vertical, rotación de 30° y rotación de 30°. Finalmente, 6000 imágenes conservaron el conjunto de datos aumentado. Las Figuras 4a-e muestran las imágenes aumentadas del conjunto de datos modificado.

(a) original, (b) rotación en sentido antihorario de 300 grados, (c) un proceso en la otra dirección antihoraria de 300 grados, (d) una rotación horizontal de 90 grados y (e) rotación vertical de 90 grados.

El método propuesto se implementa en la GPU Nvidia GeForce GTX TITAN X utilizando Python 3.8 y Tensor Flow 2.0. El BuRnGANeXt50 se entrena con imágenes de un tamaño de lote 32 y una tasa de aprendizaje inicial de 1e-3 en el sistema operativo Windows 10.

La eficacia del sistema se evalúa utilizando una matriz de confusión y sus valores de puntuación f1, exactitud, precisión, recuperación, sensibilidad y especificidad. Se calculan utilizando los indicadores verdadero positivo (TP), falso positivo (FP), falso negativo (FN) y verdadero negativo (TN) (Verdadero Negativo).

donde \(TN=\) El modelo lo etiqueta como desfavorable ya que es un número negativo. \(TP=\) Es un valor positivo genuino y el modelo también lo clasifica como positivo. \(FP=\) El modelo interpreta incorrectamente un valor negativo como positivo. \(FN=\) Es un número positivo y una categoría de modelos negativa.

El conjunto de datos ampliado41 comprende imágenes de quemaduras superficiales, quemaduras profundas y quemaduras de espesor total. Para garantizar un modelo imparcial, se emplea una validación cruzada quíntuple. En este proceso, el conjunto de datos se divide en un 80% para entrenamiento y un 20% para validación, y cada pliegue utiliza particiones diferentes. El entrenamiento se lleva a cabo con una tasa de aprendizaje inicial de 1e-3 y el tamaño de la imagen de entrada se reduce a 100 × 100 píxeles. El modelo se somete a 100 iteraciones de entrenamiento, utilizando un tamaño de mini lote de 32. Después del entrenamiento en cada uno de los cinco pliegues de datos de prueba, se generan matrices de confusión (CM), como se muestra en la Fig. 5. Las matrices de confusión obtenidas se muestran en la Fig. 5a-e. Los resultados del modelo BuRnGANeXt50 proporcionado para cada pliegue se muestran en la Tabla 4. Los valores promedio para la sensibilidad, especificidad, puntuación F1, recuperación y precisión del modelo fueron 97,25 %, 97,22 %, 97,2 %, 98,65 % y 97,17 %. La precisión de la clasificación para quemaduras de diferentes profundidades en la piel (superficiales, profundas y de espesor total) es superior al 98 % con este enfoque.

(a) Confusion_Matrix para Fold1, (b), Confusion_Matrix para Fold2, (c), Confusion_Matrix para Fold3, (d), Confusion_Matrix para Fold4 (e) y Confusion_Matrix para Fold5.

El entrenamiento del modelo y la pérdida de validación se muestran en la Fig. 6. La Figura 6a muestra que el modelo tiene una precisión de entrenamiento de alrededor del 100% y una precisión de validación de más del 98%. La Figura 6b muestra que después de 80 iteraciones, la pérdida de entrenamiento y la pérdida de validación se han reducido a casi cero.

Propuesta de entrenamiento de clasificación multiclase y precisión y pérdida de validación.

Para un diagnóstico adicional, se requiere el grado de quemadura. La gravedad de una quemadura puede determinarse por la profundidad42. Un médico utiliza el procedimiento de injerto para reemplazar la piel quemada en el cuerpo de un paciente. A menudo, el injerto es necesario para quemaduras graves y de espesor total43. El conjunto de datos de quemaduras mejorado consta de injertos y no injertos. Los injertos representan quemaduras dérmicas profundas y de espesor total, mientras que los no injertos representan quemaduras superficiales. Para la clasificación binaria se utilizaron cuatro mil imágenes de quemaduras humanas. Además, se realizó cinco validaciones cruzadas en el conjunto de datos. El conjunto de datos se divide en dos mitades, 80% y 20%, mediante una validación cruzada quíntuple. El conjunto de entrenamiento utiliza el 80% de los datos para cada pliegue, mientras que el conjunto de validación utiliza el 20%. La imagen de entrada se escala a 100 × 100 × 3 píxeles y la tasa de aprendizaje inicial del modelo se establece en 1e-3. Después de eso, se utilizó un tamaño de mini lote de 32 y 100 iteraciones para entrenar el modelo. La Figura 7 muestra las matrices de confusión (CM) adquiridas después del entrenamiento para cada uno de los 5 pliegues de datos de prueba. Las figuras 7a a e son cinco matrices de confusión obtenidas para injerto y no injerto. Las medidas de rendimiento del modelo BuRnGANeXt50 en todos los pliegues se muestran en la Tabla 4. El modelo también tiene una sensibilidad del 99,14 %, una especificidad del 99,84 % y una precisión del 99,48 % al clasificar datos en categorías binarias.

(a) Confusion_Matrix para Fold1, (b) Confusion_Matrix para Fold2, (c) Confusion_Matrix para Fold3, (d) Confusion_Matrix para Fold4 y (e) Confusion_Matrix para Fold5.

La precisión de la clasificación del entrenamiento y la validación, así como la pérdida, se muestran en la Fig. 8. Después de 45 iteraciones, la precisión durante el entrenamiento es cercana al 100% (Fig. 8a). De manera similar, las pérdidas de entrenamiento y validación del modelo están cerca de 0 y se saturan después de 45 iteraciones (Fig. 8b). La Tabla 5 muestra el rendimiento de los 5 pliegues del modelo BuRnGANeXt50 propuesto.

Análisis computacional de entrenamiento y validación de precisión (a) y pérdida de bronceado y validación (b).

En varios estudios se han explorado métodos automatizados para el diagnóstico de quemaduras humanas, que utilizan aprendizaje profundo, aprendizaje automático y aprendizaje por transferencia. Por ejemplo, Abubakar et al.15,16,17 emplearon aprendizaje de transferencia profunda con ResNet50 y VGG16 para extraer patrones visuales de un conjunto de datos de 2080 imágenes RGB que contienen piel sana y quemaduras. Su técnica propuesta logró una precisión de predicción máxima del 95,43% con ResNet50 y del 85,63% con VggFeat16. De manera similar44, utilizaron ResNet101 para la predicción de quemaduras en la piel, logrando una tasa de precisión del 95,9 %.

Otro estudio de Yadav et al.40 se centró en diagnosticar quemaduras y categorizarlas en injertos o no injertos, alcanzando una precisión del 82%. Abubakar et al.15,16,17 emplearon el aprendizaje por transferencia para clasificar la piel como quemada o sana, alcanzando una precisión del 99,3% con el conjunto de datos caucásicos y del 97% con el conjunto de datos africanos.

Shin et al. presentaron modelos de aprendizaje automático para evaluar la gravedad de las quemaduras, logrando una tasa de precisión del 70,0% en un conjunto de datos sin etiquetar de 170 imágenes aprendidas mediante técnicas de aprendizaje autosupervisadas. Rahman et al.46 sugirieron un método basado en la visión para identificar quemaduras en la piel, y su modelo SVM alcanzó una precisión máxima del 93,33%.

A pesar de su utilidad, estos enfoques tienen inconvenientes, como altos costos de cálculo y menor eficiencia en la predicción de injertos y no injertos. Para abordar estos desafíos, propusimos BuRnGANeXt50, una red residual basada en la atención que es menos costosa y más eficiente que ResNeXt. El enfoque sugerido optimiza el tamaño de la convolución y el tamaño del kernel, y se emplea la activación de Leaky ReLu para acelerar la convergencia. También se incluyen un canal y un módulo de atención espacial para mejorar la correlación de características locales. Las metodologías existentes para diagnosticar quemaduras utilizando diversos conjuntos de datos se resumen en la Tabla 6. En la Tabla 6, podemos observar que los modelos de clasificación entrenados automáticamente tienen un mejor rendimiento en comparación con los modelos de clasificación de características extraídos manualmente.

Se logró una precisión del 80 %, 82,23 % y 84 % utilizando técnicas de aprendizaje automático como SVM y kNN en el conjunto de datos utilizado en esta investigación16,20,47. Para una comparación justa del rendimiento, utilizamos ResNeXt, AlexNet y VGG16 para la clasificación multiclase (superficial versus dérmica profunda versus espesor total) y clase binaria (injerto versus no injerto). Además, se utilizaron la misma configuración de entrenamiento y conjunto de datos para evaluar el rendimiento del modelo. En la Tabla 7, resumimos el desempeño de la clasificación multiclase, y en la Tabla 7, se analiza el desempeño de injerto y no injerto. En la Tabla 6, podemos ver que AlexNet logró la precisión de clasificación más baja del 70,57 %, mientras que ResNeXt obtuvo el 84,31 % y el BuRnGANeXt50 propuesto logró una precisión de clasificación del 98,14 %.

En la Tabla 8, podemos ver que la precisión y la puntuación F1 de AlexNet son 73,14% y 71,62%, respectivamente. Se notó una ligera mejora en VGG16. La segunda precisión más alta y puntuación F1 lograda por ResNeXt. Mientras que el modelo propuesto logró valores de precisión y recuperación del 99,86% y 99,49%, respectivamente.

El modelo BuRnGANeXt50 proporcionado mostró los mejores resultados para la clasificación de clases binarias y multiclase. Además, el tiempo de cálculo por época y los parámetros entrenables son muy menores, como se muestra en la Tabla 9. El modelo BuRnGANeXt50 se puede utilizar para aplicaciones en tiempo real y proporcionar una segunda opinión sanitaria.

Comparamos el rendimiento del método propuesto y ResNeXt, AlexNet y VGG16 para la clasificación de clases binarias y multiclase que se muestran en las Figs. 9 y 10, respectivamente. En la Fig. 9, podemos notar que todas las barras de medición de rendimiento del BuRnGANeXt50 son mucho más altas que las de otros métodos de última generación. De manera similar, en la Fig. 10, podemos notar que las barras de medición de rendimiento de ResNeXt son mucho mejores que AlexNet y VGG16. Sin embargo, el rendimiento del método propuesto mide la precisión, la recuperación, la puntuación F1 y la precisión es mucho mejor que ResNeXt.

Comparación basada en gráficos de barras para clasificación multiclase.

Comparación basada en diagramas de barras para clasificación binaria.

Además, trazamos la curva ROC (característica operativa del receptor) de la tasa de verdaderos positivos y la tasa de falsos positivos del método propuesto para la clasificación multiclase, que se muestra en la Fig. 11. Podemos notar que el valor ROC de la quemadura superficial y de espesor total es 1, mientras que la quemadura dérmica profunda es 0,99. Esto confirma que el BuRnGANeXt50 propuesto es altamente sensible para el diagnóstico de quemaduras.

Curva ROC del diagnóstico de quemaduras multiclase.

El costo de cálculo del algoritmo del modelo propuesto sigue siendo un desafío. Además, el módulo de atención proporciona sólo dependencias locales de las funciones. Eso puede reducir el rendimiento en algunos escenarios.

El diagnóstico de quemaduras es oportuno y preciso, es necesario para salvar la vida del paciente. El método tradicional de diagnóstico de quemaduras requiere mucho tiempo y la precisión depende de la experiencia del dermatólogo. Los avances recientes en ML y DL en imágenes médicas han mejorado la precisión y reducido el tiempo de diagnóstico. Sin embargo, los métodos basados en ML requieren funciones artesanales para el entrenamiento de modelos que pueden reducir la eficiencia. Por el contrario, el método Shallow DL extrae características automáticamente pero carece de la dependencia de correlación de características. Realizamos experimentos utilizando AlexNet, VGG16 y ResNext. Sin embargo, el rendimiento de estos modelos para clasificar quemaduras podría ser más óptimo y los costos de cálculo son altos debido a los altos parámetros entrenables. El rendimiento original de ResNext es mejor en comparación con AlexNet y VGG16 debido a la capacidad de capturar características de alta dimensión. Muchos parámetros entrenables y funciones de activación hacen que el modelo sea menos confiable para aplicaciones en tiempo real.

En este estudio, propusimos una red residual modificada con parámetros menos entrenables y un bloque de atención para el diagnóstico de quemaduras. Después de extensos experimentos, se optimizan la convolución y el tamaño del filtro. Además, en lugar de la activación de ReLu, se utiliza la activación de Leaky ReLu, lo que mejora la tasa de convergencia. El módulo de atención espacial permite que el modelo se centre en regiones importantes de interés, como bordes de quemaduras, ampollas y regiones con distintos grados de lesión. Mientras tanto, el módulo de atención del canal se concentra en características cruciales dentro de cada capa de red, lo que permite al modelo extraer los aspectos más informativos de los datos de entrada. La combinación de mecanismos de atención espacial y de canal permite a nuestro modelo aprender patrones discriminativos a partir de imágenes grabadas, lo que da como resultado un rendimiento de diagnóstico superior. El rendimiento del modelo para clasificar quemaduras según el grado y la profundidad en tres clases y una clase binaria es mucho mejor que el método de última generación. La precisión y exactitud del BuRnGANeXt50 para la clasificación multiclase son del 97,22% y 98,14%, respectivamente. Además, el modelo propuesto clasifica la quemadura en injerto y no injerto con una precisión y exactitud del 99,86% y 99,48%, respectivamente. Esto confirma que el modelo es muy sensible para el diagnóstico de quemaduras y puede proporcionar una segunda opinión a un médico. Además, el tiempo de cálculo del modelo por época es mucho menor, lo que lo hace adecuado para aplicaciones en tiempo real.

El tiempo de cómputo de la propuesta sigue siendo un desafío que necesita mayor mejora. Además, el modelo debe probarse en otros conjuntos de datos diversos y en un conjunto de datos en tiempo real para una evaluación adicional. Encontramos algunas imágenes de piel profunda clasificadas en espesor total debido a características similares de textura y color. Además, los resultados deben ser evaluados por el experto en atención sanitaria. En investigaciones futuras, exploraremos la captura de la relación global de las características utilizando un modelo basado en transformador de visión para mejorar la dependencia de largo alcance de las características. Además, las características extraídas se pueden optimizar utilizando algoritmos inspirados en la naturaleza para mejorar la precisión de la clasificación. Además, se puede aplicar una técnica de calibración para medir el sesgo del modelo. Además, abordar los desafíos asociados con la interpretabilidad del modelo se puede mejorar utilizando una cámara de graduación.

Los datos que respaldan los hallazgos de este estudio están disponibles previa solicitud a los autores correspondientes.

Van Yperen, DT y cols. Adherencia a los criterios de derivación al manejo de emergencia de quemaduras graves en pacientes quemados ingresados en un hospital con o sin un centro especializado en quemados. Quemaduras 47 (8), 1810–1817 (2021).

Artículo PubMed Google Scholar

Brekke, RL, Almeland, SK, Hufthammer, KO y Hansson, E. Acuerdo de evaluación clínica del tamaño y profundidad de las quemaduras entre hospitales remitentes y centros de quemados: una revisión sistemática. Quemaduras 49(3), 493–515 (2022).

Artículo PubMed Google Scholar

Lee, S. y col. Clasificación de quemaduras en tiempo real mediante ecografía. Ciencia. Rep. 10(1), 5829 (2020).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Deflorin, C. y col. Manejo físico del tejido cicatricial: una revisión sistemática y un metanálisis. J. Alterno. Complementar. Medicina. 26(10), 854–865 (2020).

Artículo PubMed PubMed Central Google Scholar

Rangel-Olvera, B. & Rosas-Romero, R. Detección y clasificación de piel quemada mediante representación escasa de señales mediante diccionarios excesivamente redundantes. Computadora. Biol. Medicina. 132, 104310 (2021).

Artículo PubMed Google Scholar

Rahman, AU y cols. Un marco para el análisis de susceptibilidad de tumores cerebrales basado en modelos analíticos inciertos y algorítmicos. Bioingeniería 10(2), 147 (2023).

Artículo PubMed Central Google Scholar

Husham, S. y col. Análisis comparativo entre los algoritmos de segmentación de umbral activo y otsu en la segmentación de imágenes por resonancia magnética de tumores cerebrales. J.Inf. Tecnología. Gestionar. 12 (Número especial: Aprendizaje profundo para el análisis y la gestión de información visual), 48–61 (2020).

Google Académico

Kapoor, B., Nagpal, B., Jain, PK, Abraham, A. y Gabralla, LA Predicción de ataques epilépticos basada en un clasificador de conjunto sintonizado con optimización de búsqueda híbrida utilizando señales de EEG. Sensores 23(1), 423 (2023).

ADS del artículo Google Scholar

Rathor, S. & Agrawal, S. Un modelo robusto para el reconocimiento de dominio de comunicación acústica utilizando LSTM bidireccional y red neuronal profunda. Computación neuronal. Aplica. 33(17), 11223–11232 (2021).

Artículo de Google Scholar

Sharma, H. & Srivastava, S. Modelo visual de respuesta a preguntas basado en la fusión de características multimodales mediante un mecanismo de coatención bidireccional. Ciencia de la imagen. J. 69(1–4), 177–189 (2022).

Google Académico

Shen, C., Zhang, K. & Tang, J. Un algoritmo de detección de covid-19 que utiliza funciones profundas y optimización de enjambres de partículas de aprendizaje social discreto para dispositivos informáticos de vanguardia. Transmisión ACM. En t. Technol 22(3), 1–17 (2021).

Artículo de Google Scholar

Hua, X. et al. Un método novedoso para la clasificación de señales de ECG mediante una red neuronal convolucional unidimensional. Multimed. Sistema. 28, 1-13 (2020).

Google Académico

Rajinikanth, V., Kadry, S., Damaševičius, R., Sujitha, RA, Balaji, G. y Mohammed, MA Detección de glioma/glioblastoma en resonancia magnética cerebral mediante un esquema de aprendizaje profundo previamente entrenado. 2022 Tercera Conferencia Internacional sobre Tecnologías de Control e Instrumentación de Computación Inteligente (ICICICT) 987–990 (IEEE, 2022).

Hermsen, M. y col. Redes neuronales convolucionales para la evaluación de lesiones crónicas e inflamatorias en biopsias de trasplante de riñón. Soy. J. Pathol. 192(10), 1418–1432 (2022).

Artículo CAS PubMed Google Scholar

Abubakar, A., Ugail, H., Smith, KM, Bukar, AM y Elmahmudi, A. Evaluación en profundidad de Burns utilizando funciones de aprendizaje profundo. J. Med. Biol. Ing. 40, 923–933 (2020).

Artículo de Google Scholar

Abubakar, A., Ugail, H. y Bukar, AM Evaluación de quemaduras en la piel humana: un enfoque de aprendizaje por transferencia profunda. J. Med. Biol. Ing. 40, 321–333 (2020).

Artículo de Google Scholar

Abubakar, A., Ugail, H. & Bukar, AM Evaluación y clasificación no invasivas de quemaduras en la piel humana utilizando imágenes de pacientes caucásicos y africanos. J. Electrón. Imágenes 29(4), 041002–041002 (2020).

Anuncios Google Scholar

Suha, SA y Sanam, TF Un enfoque basado en una red neuronal convolucional profunda para detectar la gravedad de las quemaduras a partir de imágenes de quemaduras en la piel. Mach. Aprender. Aplica. 9, 100371 (2022).

Google Académico

Chauhan, J. & Goyal, P. BPBSAM: Modelo de evaluación de la gravedad de quemaduras específicas de partes del cuerpo. Quemaduras 46(6), 1407–1423 (2020).

Artículo PubMed Google Scholar

Pabitha, C. y Vanathi, B. Densemask RCNN: un modelo híbrido para la clasificación de imágenes de quemaduras cutáneas y la clasificación de gravedad. Proceso neuronal. Letón. 53, 319–337 (2021).

Artículo de Google Scholar

Khan, FA y cols. Diagnóstico asistido por computadora de imágenes de piel quemada utilizando una red neuronal convolucional profunda. Multimed. Herramientas Aplica. 79, 34545–34568 (2020).

Artículo de Google Scholar

Wu, X., Chen, H., Wu, X., Wu, S. & Huang, J. Reconocimiento de imágenes grabadas de imágenes médicas basado en el aprendizaje profundo: de las CNN a las redes avanzadas. Proceso neuronal. Letón. 53, 2439–2456 (2021).

Artículo de Google Scholar

Rostami, B. y col. Clasificación de imágenes de heridas multiclase utilizando un clasificador profundo de conjunto basado en CNN. Computadora. Biol. Medicina. 134, 104536 (2021).

Artículo PubMed Google Scholar

Boissin, C. y col. Desarrollo y evaluación de algoritmos de aprendizaje profundo para la evaluación de quemaduras agudas y la necesidad de cirugía. Ciencia. Rep. 13(1), 1794 (2023).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Anisuzzaman, DM, Patel, Y., Niezgoda, JA, Gopalakrishnan, S. & Yu, Z. Una aplicación móvil para la localización de heridas mediante aprendizaje profundo. Acceso IEEE 10, 61398–61409 (2022).

Artículo de Google Scholar

Khani, ME y cols. Predicción precisa y temprana del resultado de la curación de heridas por quemaduras utilizando la entropía de Shannon de ondas de formas de onda de terahercios en el dominio del tiempo. J. Biomed. Optar. 27(11), 116001–116001 (2022).

Artículo ADS PubMed PubMed Central Google Scholar

Anisuzzaman, DM et al. Clasificación de heridas multimodal mediante imagen de herida y ubicación mediante red neuronal profunda. Ciencia. Rep. 12(1), 20057 (2022).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Lee, S. y col. Un modelo de aprendizaje profundo para la clasificación de la profundidad de las quemaduras mediante imágenes por ultrasonido. J. Mech. Comportamiento. Biomédica. Madre. 125, 104930 (2022).

Artículo PubMed Google Scholar

Kumar, BKS, Anandakrishan, KC, Sumant, M. & Jayaraman, S. Cuidado de heridas: sistema de tratamiento de heridas. Acceso IEEE 11, 45301–45312. https://doi.org/10.1109/ACCESS.2023.3271011 (2023).

Artículo de Google Scholar

Santos, E., Santos, F., Dallyson, J., Aires, K., Tavares, JMR y Veras, R Clasificación de las úlceras del pie diabético mediante un conjunto de CNN optimizado. 2022 IEEE 35.º Simposio internacional sobre sistemas médicos basados en computadora (CBMS) 282–287 (IEEE, 2022).

Eldem, H., Ülker, E. & Işıklı, OY Efectos de los parámetros de entrenamiento de la arquitectura AlexNet en la clasificación de imágenes de heridas. Traitément du Signal 40(2), 811–817 (2023).

Artículo de Google Scholar

Ahsan, M., Naz, S., Ahmad, R., Ehsan, H. y Sikandar, A. Un enfoque de aprendizaje profundo para la clasificación y el reconocimiento de las úlceras del pie diabético. Información 14(1), 36 (2023).

Artículo de Google Scholar

Zhang, G. y col. Clasificación de nódulos pulmonares basada en imágenes de TC mediante red de compresión y excitación y transformaciones residuales agregadas. Radiol. Medicina. 125, 374–383 (2020).

Artículo PubMed Google Scholar

Aprendizaje, D. Aprendizaje profundo. Agrupación difusa de alta dimensión (2020).

Artículo PubMed Google Scholar

Ye, P., Tang, S., Li, B., Chen, T. y Ouyang, W. Entrenamiento estimulante de redes residuales: una perspectiva de psicología social de la holgazanería. Preimpresión en arXiv:2210.04153 (2022).

Shafiq, M. & Gu, Z. Aprendizaje residual profundo para el reconocimiento de imágenes: una encuesta. Aplica. Ciencia. 12(18), 8972 (2022).

Artículo CAS Google Scholar

Zhang, X. y col. SAMS-Net: Fusión de mecanismo de atención y red de características multiescala para la segmentación de linfocitos infiltrantes de tumores. Matemáticas. Biosci. Ing. 20(2), 2964–2979 (2023).

Artículo PubMed Google Scholar

Lei, B. y col. Segmentación de lesiones cutáneas a través de redes generativas adversarias con discriminadores duales. Medicina. Imagen Anal. 64, 101716 (2020).

Artículo PubMed Google Scholar

Yadav, DP, Sharma, A., Singh, M. y Goyal, A. Aprendizaje automático basado en extracción de características para el diagnóstico de quemaduras humanas a partir de imágenes de quemaduras. IEEE J. TranslEng. Medicina de Salud. 7, 1800507. https://doi.org/10.1109/JTEHM.2019.2923628 (2019).

Artículo CAS Google Scholar

Grupo de Procesamiento de Imágenes Biomédicas (BIP) del Departamento de Teoría de la Señal y Comunicaciones (Universidad de Sevilla, ESPAÑA) y Hospital Virgen del Rocío (Sevilla, España). Base de datos Burns BIP_US, consultada el 5 de enero de 2023. http://personal.us.es/rboloix/Burns_BIP_US_database.zip.

Wang, R. y col. Precisión diagnóstica de las imágenes láser Doppler para la evaluación de la profundidad de las quemaduras: un metanálisis y una revisión sistemática. J. Res. de cuidado de quemaduras. 41(3), 619–625 (2020).

Artículo PubMed Google Scholar

Przekora, A. Una revisión concisa sobre injertos de piel artificiales diseñados para el tratamiento de heridas crónicas: ¿podemos reconstruir tejido cutáneo funcional in vitro? Celdas 9(7), 1622 (2020).

Artículo CAS PubMed PubMed Central Google Scholar

Abubakar, A. y Ugail, H. Discriminación de quemaduras en la piel humana mediante el aprendizaje automático. Computación inteligente: Actas de la Conferencia de Computación de 2019, vol. 1641–647 (Springer, 2019).

Shin, H. y col. Técnicas de aprendizaje profundo eficientes en muestras para la evaluación de la gravedad de las quemaduras con condiciones de datos limitadas. Aplica. Ciencia. 12(14), 7317 (2022).

Artículo CAS Google Scholar

Rahman, MA, Hasan, ST y Kader, MA Detección de quemaduras en la piel basada en visión por computadora utilizando una máquina de vector de soporte (SVM). Conferencia internacional de 2022 sobre innovaciones en ciencia, ingeniería y tecnología (ICISET) 233–238 (IEEE, 2022).

Butt, AUR, Ahmad, W., Ashraf, R., Asif, M. y Cheema, SA Diagnóstico asistido por computadora (CAD) para la segmentación y clasificación de la piel humana quemada. 2019 Congreso Internacional de Ingeniería Eléctrica, Comunicaciones e Informática (ICECCE). 1 a 5 (IEEE, 2019).

Chang, CW y cols. Aplicación de múltiples modelos de aprendizaje profundo para la evaluación automática de heridas por quemaduras. Quemaduras 49(5), 1039–1051 (2023).

Artículo PubMed Google Scholar

Descargar referencias

Departamento de Ingeniería Informática y Aplicaciones, Universidad GLA, Mathura, India

DP Yadav y Ankit Kumar

Departamento de Ciencias de la Computación. e Ing., Universidad de Hafr Al-Batin, Hafar Al-Batin, 39524, Arabia Saudita

Aljrees turcos

Departamento de Ciencias de la Computación, NIT Meghalaya, Shillong, India

Deepak Kumar

Escuela de Computación, Universidad Graphic Era Hill, Dehradun, 248002, India

Kamred Udham Singh

Departamento de Ingeniería y Ciencias de la Computación, Era Gráfica considerada Universidad, Dehradun, 248002, India

Tekam Singh

También puedes buscar este autor en PubMed Google Scholar.

Conceptualización, software, TA: metodología, validación, DPY: análisis formal, investigación, KUS: curación de datos, redacción: preparación del borrador original DK: redacción: revisión y edición, AK: visualización y TS: supervisión. Todos los autores han leído y aceptado la versión publicada del manuscrito.

Correspondencia a Ankit Kumar.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado a los autores originales y a la fuente. proporcione un enlace a la licencia Creative Commons e indique si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la normativa legal o excede el uso permitido, deberá obtener permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Yadav, DP, Aljrees, T., Kumar, D. et al. Red residual basada en atención espacial para la identificación y clasificación de quemaduras humanas. Informe científico 13, 12516 (2023). https://doi.org/10.1038/s41598-023-39618-0

Descargar cita

Recibido: 24 de abril de 2023

Aceptado: 27 de julio de 2023

Publicado: 02 de agosto de 2023

DOI: https://doi.org/10.1038/s41598-023-39618-0

Cualquier persona con la que comparta el siguiente enlace podrá leer este contenido:

Lo sentimos, actualmente no hay un enlace para compartir disponible para este artículo.

Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.