WILLIE：伤口分类、分割和定位的统一框架和基准

慢性伤口管理影响着美国超过 820 万名患者，并带来了巨大的临床和经济负担。临床伤口评估通常涉及三个耦合任务：识别伤口类型、描绘伤口边界以及定位伤口区域以进行测量和监测。尽管存在这种临床耦合，现有的机器学习方法通常使用单独的模型来解决伤口分类、分割和定位问题。我们提出了 WILLIE，一个用于伤口分类、分割和定位的统一框架和基准，可以在通用协议下对多任务伤口分析进行系统评估。 WILLIE 将三个公共伤口数据集协调为一个共享基准，并将三种扩展配置的统一模型与 10 个单任务基准进行比较。最佳模型实现了 91.88% 的分类准确率、91.41% 的 Dice 和 96.23% AP@0.5，同时在一次前向传递中生成所有三个输出。除了总体性能之外，我们的结果表明，在该基准测试中，基于分割的定位优于专用检测基线，这表明基于框的定位对于空间相干的伤口目标可能是不必要的。我们的研究结果强调，医疗成像中有效的多任务学习不仅取决于共享表示，还取决于任务制定、兼容性和基准设计。