摘要

随着人口老龄化的加剧，慢性伤口（如糖尿病足溃疡）的管理成为医疗保健领域的一大挑战。传统的伤口评估方法依赖于治疗师的主观判断，这不仅效率低下，而且缺乏客观性。本文探讨了在移动设备上使用轻量级模型进行伤口分割的可能性，旨在通过智能手机照片实现客观且便捷的伤口监测。研究团队选择了三种轻量级架构（ENet、TopFormer和UNeXt），并使用公开数据集进行实验，结果显示这些模型在性能上与传统的UNet模型相当。此外，这些模型已被成功部署到智能手机应用中，用于实时伤口分割，显示出在实际应用中的有效性。

原理

本文的核心在于开发适用于移动设备的轻量级模型，以实现高效的伤口分割。这些模型基于卷积神经网络（CNN）和视觉变换器（ViT）的混合架构，能够在保持模型轻量化的同时，提供高精度的分割结果。具体来说，TopFormer模型结合了CNN的高效特征提取能力和ViT的全局信息处理优势，通过减少参数数量和计算复杂度，实现了在移动设备上的实时处理。

流程

研究团队首先定义了移动伤口分割的任务和要求，包括高精度、高效率、鲁棒性和实用性。接着，选择了四种代表性的模型（UNet、ENet、UNeXt和TopFormer）进行实验。实验流程包括数据预处理、模型训练、性能评估和模型部署。在数据预处理阶段，使用了包括高斯模糊、随机仿射变换等增强技术。模型训练阶段采用了AdamW优化器和二元交叉熵损失函数。最后，通过Flutter原型将模型部署到智能手机上，实现了实时伤口分割。

应用

本文提出的轻量级模型不仅适用于慢性伤口的监测，还可扩展到其他医疗图像分析领域，如皮肤病诊断、手术辅助等。随着技术的进一步优化和数据集的扩展，这些模型有望在远程医疗和家庭护理中发挥重要作用，提高医疗服务的可及性和效率。