壓力性損傷圖像分析應用的研究進展*

余 蓉，曹冠柏 綜述，楊以平 審校

(重慶市九龍坡區(qū)人民醫(yī)院,重慶 400050)

壓力性損傷是一種常見疾病，隨著人口老齡化，加上如糖尿病等慢性疾病，使壓力性損傷經(jīng)久不愈，并且容易感染，不僅給患者造成極大痛苦，而且長期的護理和治療[1]導致費用高昂，給社會和患者家庭帶來極大負擔[2]。準確診斷、精準治療能加快患者的損傷修復，減少這類患者的經(jīng)濟負擔，提升其生活質(zhì)量。隨著計算機技術(shù)的發(fā)展，人工智能(AI)、數(shù)字圖像分析技術(shù)在醫(yī)學領(lǐng)域的研究和應用，實現(xiàn)壓力性損傷的準確評估、降低醫(yī)療費用，具有重要的應用價值[3-4]。本文將綜述有關(guān)壓力性損傷圖像分析應用的研究進展。

1 壓力性損傷圖像分析應用的研究

壓力性損傷圖像分析技術(shù)屬于無創(chuàng)監(jiān)測技術(shù)，可以準確分析其特征，而無須與創(chuàng)面本身接觸。壓力性損傷圖像分析通常包括圖像分割、測量、組織分類和愈合評估4個方面。

1.1壓力性損傷圖像分割技術(shù) 壓力性損傷圖像分割作為圖像處理與分析中最重要的步驟之一，其目的是理解圖像內(nèi)容，提取出圖像中對診斷有價值的部分，自動找到圖像中壓力性損傷創(chuàng)面的邊界，分割分離出創(chuàng)面區(qū)域。根據(jù)使用特征壓力性損傷圖像分割技術(shù)可分為3類。

1.1.1基于創(chuàng)面邊緣的圖像分割技術(shù) 利用圖像中灰度、顏色、紋理等的不連續(xù)性檢測邊緣完成分割，根據(jù)邊緣檢測執(zhí)行方式的不同可以分為串行邊緣檢測和并行邊緣檢測。串行邊緣檢測從初始邊緣點開始按照某種相似性準則逐個檢測后續(xù)邊緣點。并行邊緣檢測利用邊緣檢測算子與圖像進行卷積在各個像素位置同時檢測邊緣點，相比于串行方法，大大降低了時間復雜度，如活動輪廓模型(ACM)[5]。JIANG等[6]將ACM的方法應用到創(chuàng)面分割中，運用分段B樣條曲線和minimax原理，根據(jù)圖像中的局部條件，自適應調(diào)整創(chuàng)面輪廓，并使用手動輪廓來初始化ACM，對人工標記的創(chuàng)面邊界進行修正。這些算子一般對噪聲比較敏感，只適合于噪聲較少的簡單圖像。由于利用邊緣檢測算子檢測到的邊緣往往是不連續(xù)的，不能作為分割結(jié)果，必須依賴后續(xù)處理將邊緣合并、連接得到閉合邊界實現(xiàn)圖像分割。基于檢測到的邊緣建立最終的分割邊界往往需要先驗知識，能夠獲得的先驗知識(邊界形狀、位置等)越多，分割結(jié)果越好，依賴人類的交互，才能獲得比較好的分割結(jié)果，在臨床上很難得到廣泛應用。

1.1.2基于相似度的圖像分割技術(shù) 壓力性損傷圖像分割的大多數(shù)方法都基于相似度的分割技術(shù)。利用圖像中像素及其空間鄰域像素的信息，以區(qū)域平均灰度、紋理、顏色等特征的一致性作為分割準則，通過最大化區(qū)域內(nèi)部的一致性將圖像劃分成不同區(qū)域?；趨^(qū)域的分割方法考慮了空間信息，能夠一定程度上消除孤立噪聲的影響，根據(jù)區(qū)域生成方式的不同可以分為區(qū)域合并和區(qū)域分裂2種形式。區(qū)域合并從初始化分割得到的小區(qū)域出發(fā)，按照某種歸并標準(一致性準則)逐步將鄰接區(qū)域合并形成最終的分割結(jié)果。區(qū)域分裂與區(qū)域合并相反，其初始將整個圖像作為單個區(qū)域，逐步將不滿足一致性準則的區(qū)域分裂形成最終的分割結(jié)果。如DHANE等[7]的統(tǒng)計色彩模型，使用一組訓練圖像來為不同類型壓力性損傷建立顏色直方圖模型，然后使用Bayesian方法，將每個像素分配給最可能的類型，從而獲得壓力性損傷圖像分割。

1.1.3基于機器學習的圖像分割技術(shù) 不同于傳統(tǒng)非機器學習方法，基于機器學習的圖像分割方法將圖像分割問題形式化成像素點的分類或者聚類問題，利用機器學習的方法解決圖像分割問題。這種方法將機器學習應用到圖像分割中，根據(jù)機器學習方法的不同大致可以分為基于監(jiān)督分類的方法和基于非監(jiān)督聚類的方法2種。

監(jiān)督分類方法的主要缺點：(1)需要足夠大的訓練圖像集，以學習創(chuàng)面分割的重要特征；(2)需要專家進行手動注釋，對成本、準確性和可靠性會產(chǎn)生影響。非監(jiān)督聚類的方法是通過對像素點進行聚類，實現(xiàn)圖像分割。如譜聚類在創(chuàng)面分割中的應用[8]，首先對圖像進行預處理，結(jié)合灰度世界假設和Retinex理論進行顏色均化。通過非線性濾波器減少噪聲，將圖像轉(zhuǎn)換為HSV色彩空間，以改善圖像質(zhì)量，從而對創(chuàng)面部位的圖像進行精確分割。然后，使用計算出的平均對比度，從14個色彩空間中選擇最佳的色彩通道[9]。其中Db通道的對比度最高，與其他通道相比，分割效果更好。GARCIA-ZAPIRAIN等[10]提出另一種無監(jiān)督的壓力性損傷分割方案，搜索圖像中的對比度變化，使用電場能量密度模型來提取合成頻率，以描述恒定密度和像素強度之間的關(guān)系。通過改變合成頻率，使用環(huán)形幾何結(jié)構(gòu)，在多個對比度級別上分解圖像，應用Otsu方法[3]，對分解后的圖像進行分割，以獲得與圖像中對比度變化相對應的輪廓，隨后，將這種方法集成到移動應用程序中，使護士能夠?qū)崟r對所捕獲的壓力性損傷做出評估[11]。CHAKRABORTY等[12]先使用預處理，進行模糊K-均值聚類的創(chuàng)面分割技術(shù)，顯示出很高的分割精度(98.98%)，使用降噪和濾波的預處理技術(shù)，進行粒子群優(yōu)化，達到創(chuàng)面分割，且有研究顯示其具有快速收斂的特點[3]。PALUCHOWSKI等[13]使用支持向量機(SVM)分類器，對四肢壓力性損傷進行圖像分割和測量。利用四波段光譜數(shù)字相機采集捕獲近紅外圖像，對這些圖像進行歸一化處理，刪除所有不相關(guān)的信息,在訓練步驟后，使用18張圖像進行SVM分類，最后，對分割后的圖像,進行中值濾波后處理。

1.2壓力性損傷測量 壓力性損傷的物理參數(shù)，如面積、深度及體積是臨床評估的重要指標，主要使用三維成像技術(shù)，從圖像中自動測量這些參數(shù)。

ALBOUY等[14]使用2D光譜成像和3D立體攝影測量技術(shù)結(jié)合的多模態(tài)視覺系統(tǒng)，該系統(tǒng)由高分辨率相機和安裝在同一掃描系統(tǒng)上的單色視頻相機組成。采集立體圖像，提供有關(guān)壓力性損傷幾何形狀信息。高光譜圖像通過光譜分析來檢測創(chuàng)面邊界，最后，建立創(chuàng)面周圍區(qū)域的表面模型，重建創(chuàng)面，從而計算其體積。但是，這些方法需要使用昂貴且復雜的光學成像設備，從而阻礙了未經(jīng)訓練的一線醫(yī)務人員廣泛使用。由于這個原因，LI等[15]通過匹配不同角度捕獲的2個未經(jīng)校準的圖像來建立壓力性損傷的3D模型，解決了這個問題。

YEE等[16]設計了一種從彩色圖像中建立皮膚傷口三維模型的方法，該方法可以處理手持式數(shù)碼相機采集的未標定圖像，并且可以自由縮放，與已往笨重的成像系統(tǒng)相比，這種新的解決方案使用了一種低成本的圖像采集設備，適合在醫(yī)療機構(gòu)中廣泛應用。然而，這種方法需要開發(fā)一個強大的圖像處理鏈，使用原始迭代匹配方案，拍攝兩幅寬幅未經(jīng)校準的圖像來生成對表面幾何形狀的密集估計，通過自校準，完全自動地重建皮膚傷口的度量，從皮膚傷口的三維模型，實現(xiàn)準確的體積測量，其97%左右的整體精度符合臨床95%的整體精度要求。

LI等[17]使用iDr應用程序(APP)的方法，旨在準確、無創(chuàng)地重建3D模型，并測量3D數(shù)字空間中壓力性損傷的面積和體積。拍攝創(chuàng)面視頻時，從不同的角度，對創(chuàng)面成像。然后，應用運動結(jié)構(gòu)算法選擇圖像，對這些圖像通過3D重建技術(shù)重建創(chuàng)面。使用iDr APP，將檢索到的指標與具有50 μm準確度基于商業(yè)結(jié)構(gòu)光的3D工業(yè)相機進行比較，來測量此應用的準確性。iDr APP產(chǎn)生的總體平均相對誤差：長度為1.66%，面積為1.14%，體積為4.41%。CAI等[18]使用一種用于創(chuàng)面面積、長度和寬度的測量方法，先使用32張帶有4色面板標尺的壓力性損傷圖像，將RGB轉(zhuǎn)換為YCbCr顏色，并使用高斯模型檢測皮膚。然后，使用SVM分類器，來區(qū)分屬于創(chuàng)面的像素和屬于健康皮膚的像素。創(chuàng)面被分割后，用檢測到的顏色面板來調(diào)整圖像的透視圖，并使用像素到實際距離的轉(zhuǎn)換來檢索實際尺寸。

1.3運用圖像處理算法進行壓力性損傷組織分類 隨著壓力性損傷的惡化，創(chuàng)面可見肌腱、肌肉及骨骼等組織。在這種情況下，圖像分析在于對可見的不同類型組織進行分類。

在早期的工作中，ZAHIA等[3]設計了一種圖像處理算法，用于檢測壓力性損傷不同類型組織。首先，從圖像中提取壓力性損傷邊界。然后，應用中值濾波，去除噪聲，獲得與壓力性損傷相對應的二元邏輯回歸分析數(shù)據(jù)，從而可以計算其面積。為了區(qū)分不同類型組織，執(zhí)行從RGB到HSV的顏色模型轉(zhuǎn)換，可以檢測創(chuàng)面內(nèi)黑色、紅色和黃色像素的數(shù)量，這些像素對應于不同類型的組織。

組織分類技術(shù)依靠從感興趣的不同類型組織中提取視覺特征，并訓練有監(jiān)督的分類器來檢測它們。VEREDAS等[19]基于SVM分類器的監(jiān)督機器學習方法，目的在于確定壓力性損傷演變過程。首先，收集一組訓練壓力性損傷圖像，自動分割為均勻區(qū)域，將每個圖像區(qū)域呈現(xiàn)給專家，歸類為歐洲壓力性損傷咨詢小組定義的壓力性損傷不同類型之一。分配的標簽及每個區(qū)域的顏色、紋理特征一起用于訓練SVM。然后，該分類器將傳入壓力性損傷圖像分類為不同類型。WANG等[20]使用3種不同的機器學習方法(神經(jīng)網(wǎng)絡、SVM和決策樹)分類組織類型，結(jié)果表明，SVM和決策樹模型給出較高的分類率。

CHAKRABORTY等[11]結(jié)合神經(jīng)網(wǎng)絡和Bayesian分類器進行組織自動識別的方法。首先，使用自適應均值平移程序和區(qū)域增長算法對創(chuàng)面進行分割。從分割區(qū)域中提取顏色和紋理特征向量，并將其饋入一組多層感知器，這些感知器經(jīng)過訓練，可將其輸入分類為臨床專家確定的組織類別。然后，通過訓練Bayesian分類器來組合神經(jīng)網(wǎng)絡分類。CHAKRABORTY等[12]介紹了使用線性判別分析(LDA)進行創(chuàng)面組織分類，以區(qū)分創(chuàng)面組織，如肉芽、腐肉或壞死組織等。CHAKRABORTY等[11-12]證明，使用LDA對創(chuàng)面組織分類，優(yōu)于如K-NN、模糊K-NN、K-均值、SVM和Bayesian方法，總分類精度達到91.45%。

DASTJERDI等[21]使用單視圖和多視圖組織分類方法。單視圖方法類似于Veredas F的工作[22]：首先，使用對紋理圖像有效的無監(jiān)督分割算法，以自動方式對創(chuàng)面進行分割；然后，從分割區(qū)域中提取顏色描述符，如平均顏色描述符、主要顏色描述符，以及2D和3D顏色直方圖和紋理描述符。對SVM分類器進行訓練，將傳入壓力性損傷圖像的像素，分類為臨床醫(yī)生定義的3種組織類別，如肉芽、腐肉或壞死組織。在多視圖方法中，在創(chuàng)面的2個圖像上，使用未校準的視覺技術(shù)獲得創(chuàng)面3D模型，應用合并算法，為每個3D網(wǎng)格分配最可能的組織類型標簽。

ZHAO等[23]采用由創(chuàng)面分割、顏色紋理特征提取和監(jiān)督分類形成的管道，來設計系統(tǒng)結(jié)構(gòu)?；谀：⒍乳撝捣指顒?chuàng)面，提取不同顏色空間，計算出統(tǒng)計顏色描述符，創(chuàng)建紋理特征向量、對比度特征，對SVM和Bayesian分類器進行訓練，將像素分類為與肉芽、腐肉和壞死組織。

1.4壓力性損傷愈合評估 從壓力性損傷圖像分析中提取的定量參數(shù)與醫(yī)學知識相結(jié)合，能對創(chuàng)面愈合過程進行評估。ZAHIA等[3]根據(jù)監(jiān)測與時間有關(guān)的統(tǒng)計圖像參數(shù)(亮度、顏色和均勻性)，以及創(chuàng)面內(nèi)亮度最小值和最大值數(shù)量，使用方差分析，根據(jù)愈合過程中參數(shù)變化，確定創(chuàng)面愈合情況。CHAVES等[23]基于創(chuàng)面溫度提供的定量數(shù)據(jù)，監(jiān)測愈合過程。通過對接受2種不同藥物治療患者的熱像圖檢查，觀察創(chuàng)面愈合過程，創(chuàng)面在治療4周后愈合，最重要的是愈合與體溫計中觀察到的創(chuàng)面溫度有關(guān)，因此建議使用熱成像技術(shù)，作為壓力性損傷愈合評估的輔助技術(shù)。

盡管一些壓力性損傷愈合評估APP表現(xiàn)出很好效果，但大多數(shù)評估并不是完全自動的。FILKO等[24]使用一種用于創(chuàng)面分析和處理的APP，命名為WITA：基于創(chuàng)面圖像分析，實現(xiàn)創(chuàng)面組織分類和愈合評估。分析輸入圖像，由用戶手動分割，然后系統(tǒng)使用統(tǒng)計模式識別算法和創(chuàng)面測量，對組織進行分類和愈合評估。

NOGUCHI等[25]通過細胞分子學圖像處理技術(shù)，進行壓力性損傷愈合評估，這些圖像顯示愈合過程中發(fā)生的微觀變化。為評估愈合過程，使用管道包括：(1)在窗口中劃分圖像；(2)從每個窗口中提取紋理特征；(3)應用K-均值聚類或SVM分類，將每個窗口分為有助于創(chuàng)面評估的模式。LI等[17]使用3D重建技術(shù)檢索壓力性損傷結(jié)果表示，跟蹤壓力性損傷直徑、面積和體積的變化可評估創(chuàng)面愈合情況。

2 小 結(jié)

近年來，壓力性損傷患者快速增長，對其準確診斷及有效治療至關(guān)重要。創(chuàng)面特征是診斷、愈合過程的關(guān)鍵指標，侵入性檢查方法不僅會使患者痛苦，而且增加感染風險，而借助AI、成像系統(tǒng)的非侵入性技術(shù)，可以更好地監(jiān)測創(chuàng)面愈合過程，而不會對患者造成任何傷害。

壓力性損傷護理成本不斷增加，以及對患者生活質(zhì)量的負面影響，準確診斷、精準治療能加快患者的治愈速度，提高患者的生存質(zhì)量。準確診斷就需要設計開發(fā)更有效的無創(chuàng)工具和技術(shù)。AI、圖像處理技術(shù)已被證明可以為實現(xiàn)這一目標提供合適的解決方案。