スペース注意

Scientific Reports volume 13、記事番号: 12516 (2023) この記事を引用

340 アクセス

1 オルトメトリック

メトリクスの詳細

早期に発見することで命を救うことができるため、人間の熱傷を診断することは非常に重要になっています。 熱傷診断の手作業によるプロセスは、経験豊富な医師であっても時間がかかり、複雑です。 機械学習 (ML) およびディープ畳み込みニューラル ネットワーク (CNN) モデルは、医療画像診断の標準として登場しました。 ML ベースのアプローチでは通常、トレーニング用に手作りの機能が必要となるため、最適なパフォーマンスが得られない可能性があります。 逆に、DL ベースの方法では特徴が自動的に抽出されますが、堅牢なモデルを設計するのは困難です。 さらに、浅い DL 方法には長距離の機能依存性がないため、さまざまなアプリケーションの効率が低下します。 人間の火傷診断のために、いくつかのディープ CNN モデル、ResNeXt、VGG16、AlexNet を実装しました。 浅い深さの CNN モデルでは、特徴の依存関係を維持するために改良されたアテンション モジュールが必要であるため、これらのモデルから得られた結果は信頼性が低いことがわかりました。 したがって、提案された研究では、特徴マップがいくつかのカテゴリに分割され、特定のクラス内の任意の 2 つのチャネル マッピング間のチャネル依存関係が強調表示されます。 空間アテンション マップは、フィーチャとその位置の間のリンクを考慮して構築されます。 アテンションベースのモデル BuRnGANeXt50 カーネル層と畳み込み層も人間の火傷診断用に最適化されています。 以前の研究では、移植片と非移植片の深さに基づいて熱傷を分類しました。 まず、熱傷を程度に基づいて分類しました。 次に、移植片と非移植片に分類されます。 さらに、提案されたモデルのパフォーマンスは Burns_BIP_US_database で評価されます。 BuRnGANeXt50 の感度は、程度と深さに基づいて火傷を分類する場合、それぞれ 97.22% と 99.14% です。 このモデルは熱傷患者の迅速なスクリーニングに使用でき、クラウドまたはローカル マシンで実行できます。 提案されたメソッドのコードは、再現性のために https://github.com/dhirujis02/Journal.git からアクセスできます。

火傷は生命を脅かす病気であり、早期の治療が必要です。 重症度および影響を受けた組織に基づいて、さまざまなカテゴリに分類されます。 熱傷を分類するための最も一般的な方法は、熱傷を 3 つの主要なカテゴリ、つまり第 1 度 (表層真皮)、第 2 度 (深部真皮)、および第 3 度 (全層) 熱傷に分類する「度数」メカニズムです。 表面熱傷は皮膚の最上層（表皮）のみに影響を与えます。 主な症状としては、発赤、痛み、軽度の腫れなどがあります。 通常、瘢痕化することなく数日以内に治癒します1。 真皮深部熱傷は、表皮と真皮の一部（皮膚の第 2 層）に影響を与えます。 症状には、発赤、水疱、激しい痛み、腫れなどがあります。 火傷の深さと範囲によっては治癒に時間がかかり、瘢痕が残る場合があります。 全層熱傷は表皮および真皮全体に広がり、皮下組織に達します。 症状としては、革のような外観または焦げた外観、（神経損傷による）痛みに対する鈍感、および白または暗褐色の着色が含まれる場合があります。 治癒は遅く、皮膚移植が必要になる場合もあり、瘢痕化することもよくあります。 人間の火傷の治療では、傷害を適切に診断する前に応急処置を行うことはできません2。 火傷が深ければ深いほど、傷害は重篤になります。 皮膚科医は、移植が行われる前に火傷の重症度を評価します。 移植には、損傷した皮膚を、焼けていない領域の健康な組織と置き換えることが含まれます。 14 ～ 21 日間の治療後、表面 (第 1 度) 熱傷は回復します。 表 1 では、医師が患部の色に基づいて火傷の重症度をどのように判断するかを示しています。

手動による火傷診断プロセスには専門家の関与が必要であり、プロセスに時間と費用がかかります。 皮膚科の専門家は、蛍光蛍光分析、蛍光、超音波画像診断を利用して熱傷の深さを予測し、50 ～ 80% の診断精度を達成しています3。 真皮深部熱傷は皮膚の第 2 層に影響を及ぼしますが、全層熱傷は皮膚の第 3 層にまで達し、損傷した組織、筋肉、瘢痕を伴うことが多く、患者の生命に重大な影響を及ぼします。 火傷跡の効果的な治療は不可欠であり、医師は瘢痕化防止技術を活用しています4。 火傷の重症度も、患者に長期的な悪影響を及ぼす可能性があります5。 過去の研究では、火傷の診断に機械学習手法が採用されており、通常、この手法では、サイズを縮小してノイズを低減するために、火傷画像を前処理する必要があります。 手作りのテクスチャと形状の特徴は、火傷の種類のトレーニングと分類のために手動で抽出されますが、このアプローチには小規模なデータセットと専門知識が必要であり、モデルのパフォーマンスを低下させる潜在的なエラーにつながります。