Color Space Assessment for Automatic Chronic Wound Segmentation
Evaluación de Espacios de Color para la Segmentación Automática de Heridas Crónicas
DOI:
https://doi.org/10.32870/recibe.v14i3.449Palabras clave:
image segmentation, machine learning, wounds, image color analysisResumen
El diagnóstico de heridas crónicas mediante el aprendizaje automático se ve dificultado por la iluminación y las sombras de las imágenes capturadas. Por lo tanto, este estudio evalúa el impacto de diferentes espacios de color en la segmentación de heridas utilizando una red U-Net. Los resultados muestran que el espacio de color YDbDr supera al RGB.Citas
Cassidy, B., McBride, C., Kendrick, C., Reeves, N. D., Pappachan, J. M., Fernandez, C. J., ... & Yap, M. H. (2025). An enhanced harmonic densely connected hybrid transformer network architecture for chronic wound segmentation utilising multi-colour space tensor merging. Computers in Biology and Medicine, 192, 110172.
Gowda, S. N., & Yuan, C. (2018, December). ColorNet: Investigating the importance of color spaces for image classification. In Asian conference on computer vision (pp. 581-596). Cham: Springer International Publishing.
Iakubovskii, P. (2019). Segmentation Models [Computer software]. GitHub. https://github.com/qubvel/segmentation_models
Jocher, G., & Qiu, J. (2024). Ultralytics YOLO11 (Version 11.0.0) [Computer software]. GitHub. https://github.com/ultralytics/ultralytics
Kręcichwost, M., Czajkowska, J., Wijata, A., Juszczyk, J., Pyciński, B., Biesok, M., ... & Pietka, E. (2021). Chronic wounds multimodal image database. Computerized Medical Imaging and Graphics, 88, 101844.
Marijanović, D., & Filko, D. (2020). A systematic overview of recent methods for non-contact chronic wound analysis. Applied Sciences, 10(21), 7613.
