공간적 관심

Scientific Reports 13권, 기사 번호: 12516(2023) 이 기사 인용

340 액세스

1 알트메트릭

측정항목 세부정보

조기 식별이 생명을 구할 수 있기 때문에 인간의 화상을 진단하는 것이 중요해졌습니다. 화상 진단을 수동으로 수행하는 과정은 숙련된 의사에게도 시간이 많이 걸리고 복잡합니다. 머신러닝(ML)과 심층 CNN(Deep Convolutional Neural Network) 모델이 의료 영상 진단의 표준으로 떠올랐습니다. ML 기반 접근 방식에는 일반적으로 교육을 위해 직접 제작한 기능이 필요하며, 이로 인해 최적이 아닌 성능이 발생할 수 있습니다. 반대로 DL 기반 방법은 자동으로 특징을 추출하지만 강력한 모델을 설계하는 것은 어렵습니다. 또한 얕은 DL 방법에는 장거리 기능 종속성이 부족하여 다양한 애플리케이션에서 효율성이 저하됩니다. 우리는 인간 화상 진단을 위해 여러 심층 CNN 모델인 ResNeXt, VGG16 및 AlexNet을 구현했습니다. 얕은 심층 CNN 모델은 기능 종속성을 유지하기 위해 향상된 주의 모듈이 필요하기 때문에 이러한 모델에서 얻은 결과는 신뢰성이 떨어지는 것으로 나타났습니다. 따라서 제안된 연구에서는 기능 맵을 여러 범주로 나누고 주어진 클래스 내의 두 채널 매핑 간의 채널 종속성을 강조합니다. 공간 주의 지도는 지형지물과 해당 위치 간의 연결을 고려하여 구축됩니다. 우리의 주의 기반 모델 BuRnGANeXt50 커널과 컨볼루셔널 레이어도 인간 화상 진단에 최적화되어 있습니다. 이전 연구에서는 이식편 깊이와 비이식편 깊이에 따라 화상을 분류했습니다. 먼저 화상을 정도에 따라 분류했습니다. 이어서 이식편과 비이식편으로 분류됩니다. 또한 제안된 모델의 성능은 Burns_BIP_US_database에서 평가됩니다. BuRnGANeXt50의 민감도는 각각 97.22%, 99.14%로 화상의 정도와 깊이를 기준으로 분류됩니다. 이 모델은 화상 환자의 빠른 검사에 사용될 수 있으며 클라우드 또는 로컬 머신에서 실행될 수 있습니다. 제안한 방법의 코드는 재현성을 위해 https://github.com/dhirujis02/Journal.git에서 접근할 수 있다.

화상은 조기 치료가 필요한 생명을 위협하는 상태입니다. 이는 중증도와 영향을 받은 조직에 따라 다양한 범주로 분류됩니다. 화상을 분류하는 가장 널리 사용되는 방법은 화상을 3가지 기본 범주, 즉 1도(표피 피부), 2도(심부 피부), 3도(전체 두께) 화상으로 나누는 "도" 메커니즘입니다. 표재성 화상은 피부의 최상층(표피)에만 영향을 미칩니다. 주요 증상으로는 발적, 통증, 경미한 부기 등이 있습니다. 치유는 일반적으로 흉터 없이 며칠 내에 발생합니다1. 깊은 피부 화상은 표피와 진피 일부(피부의 두 번째 층)에 영향을 미칩니다. 증상으로는 발적, 수포, 심한 통증, 부기 등이 있습니다. 치유 시간은 다양하며 화상의 깊이와 정도에 따라 흉터가 발생할 수 있습니다. 전층화상은 표피와 진피 전체를 거쳐 피하조직까지 도달합니다. 증상으로는 가죽 같거나 그을린 듯한 외관, 통증에 대한 무감각(신경 손상으로 인해), 흰색 또는 어두운 갈색 색상 등이 있습니다. 치유가 느리고 피부 이식이 필요할 수 있으며 흉터가 흔하게 발생합니다. 인간 화상 치료의 경우 부상을 적절하게 진단하기 전에 화상 피해자에게 응급 처치를 실시할 수 없습니다2. 화상이 깊을수록 부상이 더 심해집니다. 피부과 전문의는 이식을 수행하기 전에 화상의 심각도를 평가합니다. 이식이란 손상된 피부를 화상을 입지 않은 부위의 건강한 조직으로 대체하는 것입니다. 치료 14~21일 후에 표재성(1도) 화상이 회복됩니다. 표 1에서는 의사가 영향을 받은 부위의 색상을 기준으로 화상의 심각도를 결정하는 방법을 보여줍니다.

수동 화상 진단 프로세스에는 전문가의 참여가 필요하므로 프로세스에 시간이 많이 걸리고 비용이 많이 듭니다. 피부과 전문가들은 화상 깊이를 예측하기 위해 형광 형광 측정, 형광 및 초음파 이미징을 사용하여 50~80%3 사이의 진단 정확도를 달성합니다. 심부화상은 두 번째 피부층에 영향을 미치는 반면, 전층화상은 세 번째 피부층까지 침투하여 조직, 근육 및 흉터가 손상되는 경우가 많아 환자의 삶에 심각한 영향을 미칩니다. 화상 흉터에 대한 효과적인 치료는 필수적이며, 의사는 흉터 방지 기술을 활용합니다4. 화상의 심각도는 환자에게 장기적으로 부정적인 결과를 초래할 수도 있습니다5. 과거 연구에서는 화상 진단을 위해 기계 학습 방법을 사용했는데, 여기에는 일반적으로 화상 이미지를 전처리하여 크기를 줄이고 소음을 줄이는 것이 포함됩니다. 화상 유형을 훈련하고 분류하기 위해 손으로 만든 질감 및 모양 특징을 수동으로 추출하지만 이 접근 방식에는 작은 데이터 세트와 전문 지식이 필요하므로 모델 성능을 저하시키는 오류가 발생할 수 있습니다.