WoundTissue

WoundTissue数据集是由查尔斯·斯特urt大学等机构的研究人员创建的，包含147张标注详细的伤口图像，图像涵盖六种伤口组织类型：肉芽组织、坏死组织、腐肉、浸渍、肌腱和骨头。该数据集是为了评估和比较深度学习模型在伤口组织分割方面的性能而构建的，是目前公开可用的首个包含这些组织类型的标注伤口图像数据集。

The WoundTissue dataset was created by researchers from Charles Sturt University and other institutions. It contains 147 meticulously annotated wound images covering six types of wound tissues: granulation tissue, necrotic tissue, slough, maceration, tendon, and bone. This dataset was constructed to evaluate and compare the performance of deep learning models in wound tissue segmentation, and it is the first publicly available annotated wound image dataset that includes these tissue types.

搜集汇总

数据集介绍

构建方式

WoundTissue数据集的构建过程严谨且系统。研究人员从多个数据库中收集了147张溃疡图像，涵盖了压力性溃疡、糖尿病足溃疡和静脉溃疡等多种类型。为了确保数据集的质量和可靠性，研究人员对图像进行了预处理，包括分割伤口区域、去除背景元素、图像填充和详细的组织标注。组织标注采用了六种颜色方案，分别代表肉芽组织、坏死组织、坏死组织、水肿组织、肌腱和骨骼。为了便于分析，数据集被预处理为三种形式：全图像、块和超像素。这种多样化的数据形式为研究者提供了灵活的分析选择，并有助于开发更精确的伤口组织分割模型。

特点

WoundTissue数据集具有几个显著的特点。首先，它是第一个公开可用的、标注的伤口组织分割数据集，包含六种常见的伤口组织类型。其次，数据集采用了三种不同的标注格式，包括全图像、块和超像素，为研究者提供了灵活的分析选择。第三，数据集涵盖了多种类型的溃疡，包括压力性溃疡、糖尿病足溃疡和静脉溃疡，这有助于提高模型的泛化能力。最后，数据集采用了多种评估指标，包括精确度、召回率、Dice系数、IoU、AUC和MCC，这有助于全面评估模型的性能。

使用方法

WoundTissue数据集的使用方法相对简单。研究者可以根据自己的需求选择合适的标注格式和评估指标。例如，如果研究者需要开发一个用于伤口组织分割的应用程序，他们可以使用全图像格式和Dice系数作为评估指标。如果研究者需要开发一个用于伤口组织分类的应用程序，他们可以使用块格式和F1分数作为评估指标。此外，研究者还可以使用数据集进行模型训练、验证和测试，以提高模型的性能和泛化能力。

背景与挑战

背景概述

慢性伤口是全球公共卫生领域的一大挑战，给全球造成了巨大的经济和社会负担。传统的伤口组织识别方法往往耗时、成本高、不准确、不精确且不一致，临床医生之间存在较大差异。深度学习（DL）技术已成为解决医疗伤口组织分割问题的有希望的方法。然而，该领域的一个显著局限性是缺乏公开的标记数据集，以及在这些数据集上对最先进的DL模型进行标准化性能评估。本研究通过使用一个新颖的数据集，全面评估了各种DL模型在伤口组织分割方面的性能，从而填补了这一空白。我们创建了一个包含147张伤口图像的数据集，展示了六种组织类型：坏死组织、肉芽组织、腐蚀组织、坏疽、骨组织和肌腱。该数据集经过精心标记，用于监督机器学习技术进行语义分割。我们开发了三种不同的标记格式——全图像、补丁和超像素。我们的研究涵盖了广泛的DL分割和分类方法，从传统的UNet方法到cGAN等生成对抗网络，以及FPN+VGG16等修改后的技术。此外，我们还探索了基于DL的分类方法（如ResNet50）和利用DL特征进行分类的机器学习方法（如AlexNet+RF）。总共，我们在三种标记格式中推导出82个伤口组织分割模型。我们的分析产生了一些值得注意的发现，包括根据加权平均Dice或F1分数识别每种标记格式的最佳DL模型。值得注意的是，FPN+VGG16成为伤口组织分割的最佳DL模型，达到82.25%的Dice分数。本研究为评估伤口图像分割和分类模型提供了一个宝贵的基准，为伤口护理的未来研究和临床实践提供了见解。本研究创建的标记数据集可在https://github.com/akabircs/WoundTissue上获得。

当前挑战

本研究面临的挑战包括：1) 缺乏公开的标记数据集，这使得研究人员难以有效地基准和验证新模型；2) 现有的伤口组织分割研究通常只关注有限的几种组织类型，或者没有公开其数据集供进一步研究；3) 伤口图像的异质性，包括不同的分辨率、光照条件和图像清晰度，这给模型的训练过程带来了噪声和不一致性，可能阻碍模型学习鲁棒的特征；4) 伤口组织标记的主观性，不同专家对伤口标记的共识存在较大差异，这可能影响结果的解释性和可重复性。

常用场景

经典使用场景

WoundTissue数据集主要应用于伤口组织的分割和分类，特别是在慢性伤口管理领域。该数据集提供了147张伤口图像，标注了六种组织类型：坏死组织、肉芽组织、渗出物、糜烂组织、肌腱和骨骼。研究人员可以利用这个数据集训练深度学习模型，以实现自动化的伤口组织分割和分类，从而帮助医生更准确地评估伤口情况，制定更有效的治疗方案。

衍生相关工作

WoundTissue数据集的发布促进了相关研究的发展，例如，研究人员可以利用该数据集开发新的深度学习模型，以进一步提高伤口组织分割和分类的准确性。此外，该数据集还可以用于研究不同深度学习模型在不同数据集形式（例如，全图像、分块和超像素）上的性能差异，从而为模型选择和优化提供参考。

数据集最近研究

最新研究方向

慢性伤口的准确识别和分析对于伤口管理至关重要，传统方法在时间和准确性方面存在局限性。深度学习技术在伤口组织分割领域展现出巨大潜力，但缺乏公开的标记数据集和标准化的性能评估。WoundTissue数据集的出现填补了这一空白，为研究人员提供了包含六种常见伤口组织的图像，并经过精心标注，为伤口图像分割和分类模型的评估提供了宝贵的基准。该数据集的使用促进了深度学习模型在伤口组织分割领域的应用，并揭示了不同模型架构在不同数据集形式上的性能差异。未来的研究可以探索数据增强、合成数据生成和平衡技术来改善对代表性不足的组织类型的分割性能。此外，使用自定义损失函数、集成模型和定制模型等方法也有望进一步提高模型的准确性和鲁棒性。WoundTissue数据集的发布为伤口组织分割和分类领域的研究提供了新的方向，并为临床实践提供了有价值的工具。

相关研究论文

• Deep Learning for Wound Tissue Segmentation: A Comprehensive Evaluation using A Novel Dataset

  查尔斯·斯特urt大学 · 2025年