当前位置：
X-MOL 学术
›
IEEE Open J. Eng. Med. Biol.
›
论文详情
Our official English website, www.x-mol.net, welcomes your
feedback! (Note: you will need to create a separate account there.)
Comprehensive Assessment of Fine-Grained Wound Images Using a Patch-Based CNN With Context-Preserving Attention
IEEE Open Journal of Engineering in Medicine and Biology ( IF 2.7 ) Pub Date : 2021-06-24 , DOI: 10.1109/ojemb.2021.3092207 Ziyang Liu 1 , Emmanuel Agu 1 , Peder Pedersen 2 , Clifford Lindsay 3 , Bengisu Tulu 4 , Diane Strong 4
IEEE Open Journal of Engineering in Medicine and Biology ( IF 2.7 ) Pub Date : 2021-06-24 , DOI: 10.1109/ojemb.2021.3092207 Ziyang Liu 1 , Emmanuel Agu 1 , Peder Pedersen 2 , Clifford Lindsay 3 , Bengisu Tulu 4 , Diane Strong 4
Affiliation
We proposed a CNN Densenet with context-preserving attention mechanism that assess all 8 PWAT sub-scores for chronic wound images and achieves classification accuracies and F1 scores of over 0.8.
中文翻译：
使用具有上下文保留注意力的基于补丁的 CNN 对细粒度伤口图像进行综合评估
我们提出了一种具有上下文保护注意力机制的 CNN Densenet，可评估慢性伤口图像的所有 8 个 PWAT 子分数，并实现分类准确率和 F1 分数超过 0.8。
更新日期：2021-06-24
中文翻译：
使用具有上下文保留注意力的基于补丁的 CNN 对细粒度伤口图像进行综合评估
我们提出了一种具有上下文保护注意力机制的 CNN Densenet，可评估慢性伤口图像的所有 8 个 PWAT 子分数，并实现分类准确率和 F1 分数超过 0.8。
京公网安备 11010802027423号