基于病灶图像特征提取的光动力治疗方案

梅启升，陈玉芳，吴振聪，王 敏

(福建师范大学， 医学光电科学与技术教育部重点实验室， 福建省光子技术重点实验室, 福州 350007)

鲜红斑痣是一种血管畸形疾病，血管畸形通常出生时就存在，随着年龄增长病灶面积逐渐增大，病灶程度逐渐加重，且不会自行消退。鲜红斑痣的生理特征是乳头层及网状层中部的毛细血管和毛细血管后静脉的扩张[1]，其外观特征表现为皮肤上有红色斑，随着时间增加，常常造成面部畸形、颜色加深、皮肤增厚、结节性损害等问题[2]。当前的激光光动力疗法(photodynamic therapy，PDT)治疗方案采用光敏剂血卟琳单甲醚(hematoporphyrin monomethyl ether，HMME)3.5～5.0 mg/kg，5 min内用波长532 nm的激光进行照射治疗[3]。PDT是一种有氧分子参与的、伴随生物效应的光敏化反应，其过程是通过特定波长的激光照射，使组织吸收的光敏剂受到激发，而激发态的光敏剂又把能量传递给周围的氧，生成活性很强的单态氧，单态氧和相邻的生物大分子发生氧化反应，产生细胞毒性作用，进而导致细胞受损乃至死亡[4-8]。

目前光动力治疗方案存在的主要问题如下：首先，光动力治疗过程中，激发态的光敏剂会将能量传递给周围的氧，产生活性很强的单态氧，单态氧既会对异常细胞进行杀伤，也会跟正常细胞发生氧化反应，从而产生细胞毒性作用。针对上述问题，需要对光动力治疗进行精确调控，降低光敏剂对正常细胞的影响。其次，传统的光动力治疗方案中，激光器产生的光功率均匀性很差，治疗效果不理想，无法达到实际治疗的标准。

图像的特征提取是指计算机提取图像信息，决定每个像素是否属于图像特征。特征提取的结果是把图像上的点分为不同的子集，这些子集往往属于孤立的点、连续的曲线或者连续的区。特征抽取是指特征被检测后，可以从图像中被抽取出来。特征提取出的结果被称为特征描述或者特征向量。常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征。

根据上述两个问题，本文的研究内容主要分为两个方面：第一，硬件方面设计一款窄光谱面阵LED光源，用于取代传统的激光光源，提高治疗光源的均匀性，从而提升治疗效果；第二，软件方面采用图像处理技术对病灶区域进行特征识别、提取，并根据病灶区域的颜色特征分析、计算病情程度，从而针对不同病情程度制作对应的非均匀透射密度的胶片进行光动力治疗，解决激光治疗中光敏剂副作用问题。

1 材料与方法

1.1 LED光源设计

根据光动力治疗的要求，设计LED光源要满足以下条件：第一，光源波长需要能够满足穿透到畸形血管深度的条件，并且该波长不被表皮中的黑色素吸收，也不会对人体产生疼痛、水肿、结痂和水疱等危害；第二，光波长要与光敏剂的吸收光谱相匹配，光源具有一定的输出功率、有足够的光照时长[9,10]；第三，治疗光源的光功率均匀度满足实际治疗要求(90%)。

检测仪器采用光功率密度分布均匀性检测仪，检测方法采用九点取样法计算，计算公式如下：

(1)

(1)式中η表示治疗光源的均匀度，Pmax表示9个测量点中光功率的最大值，Pmin表示9个测量点中光功率的最小值，Pi表示对应i点的光功率数值。

1.2 基于颜色特征的图像分割方法

颜色特征是图像检测中运用最广泛的一种视觉特征，主要在于颜色往往和图像中所包含的物体或特征十分相关[11]。此外，颜色特征还具有较高的鲁棒性，能够保证视觉检测的准确性[12,13]。鲜红斑痣是一种先天性毛细血管畸形的病症，出生时时常表现为粉红色或红色平坦斑块，随着年龄增长病灶颜色会逐渐加深、增厚[14]。根据上述原因，与复杂的、冗长的特征集算法相比，采用颜色特征的方法识别、提取图像感兴趣区域ROI(region of interest)更加高效、准确。

RGB模型是常用的一种彩色信息表达方式，它使用红、绿、蓝三原色的亮度来定量表示颜色。该模型也称为加色混色模型，是以RGB三色光互相叠加来实现混色的方法，因而适合于显示器等发光体的显示。

RGB色彩模式使用RGB模型为图像中每一个像素的RGB分量分配一个0～255范围内的强度值。例如：纯红色R值为255，G值为0，B值为0；灰色的R、G、B三个值相等(除了0和255)；白色的R、G、B都为255；黑色的R、G、B都为0。RGB图像只使用3种颜色，就可以使它们按照不同的比例混合，在屏幕上重现16 777 216种颜色。

根据上述的RGB模型，一个彩色图像可以基于三基色的原理分解成R、G、B三个颜色通道的灰色图像，假设获取的原始图像为I(x,y),那么分解的三通道结果为：

I(x,y)=KR×IR(x,y)+KG×IG(x,y)
+KB×IB(x,y)

(2)

(2)式中x、y表示图像中每个像素的位置坐标，IR表示图像中红色通道的灰度值，IG表示图像中绿色通道的灰度值，IB表示图像中蓝色通道的灰度值，KR表示红色通道的颜色系数，KG表示绿色通道的系数，KB表示蓝色通道的系数。

根据三个通道的数据特征，可发现粉色-紫色斑在R通道和G通道较为明显，而B通道的实际对比度不高，不利于颜色的分辨。设定R、G颜色阈值范围初略的提取出病灶区域,并进行初步二值化。那么最后二值化的病灶图像BW(x,y)表示如下：

(3)

根据(3)式可以得到初步的结果图，但是初步的二值图像需要进行优化，去除掉椒盐噪声产生的干扰点，去除方案采用图像形态学的闭操作处理。闭操作包含两种基础形态学图像处理方法：膨胀与腐蚀。膨胀是使图像中的目标进行“扩张”操作，腐蚀是使图像中的目标进行“紧缩”操作，扩张与紧缩的方法和程度都是基于结构元控制。形态学闭操作是对图像进行先膨胀后腐蚀：

SE=strel(‘disk’,10)

Src(x,y)=∪{(SE)z|(SE)z⊆BW(x,y)} (4)

(4)式中SE表示图像的结构元，方案采用结构元半径为10像素的单位圆进行膨胀、腐蚀操作；Src(x,y)表示优化后ROI区域二值化图像的最终结果。

1.3 病灶分布的计算方法

病灶区域的病情分布计算方案采用灰度值特征进行分析：根据鲜红斑痣的特性，不难发现，病情越重颜色越深。由此将病情程度大致从轻到重可分为以下几种颜色：粉红、红、紫红、紫黑[15-17]。

根据上述特点分析，方案主要是基于ROI区域的灰度值分布进行判定，即采用RGB三通道灰度值进行计算。某点的RGB通道的灰度值越小，那么该点处病情越严重，相反，三个通道的灰度值越大，那么该点处病情相对较轻[18]。

但是拍摄过程中或多或少存在“反光”现象，反射光强会影响图像的三个通道灰度值计算，从而导致错误计算病灶情况分布。本文采用最小值滤波算法计算图像“反光”部分，并消除“反光”区域的影响：

(5)

2 结果与分析

2.1 基于颜色特征的图像分割方法

光源波长需要能够满足穿透到畸形血管深度的条件，并且该波长不被表皮中的黑色素吸收，因此光源采用中心波长为631.1 nm，波长宽度约为16 nm的面阵LED光源。每个LED光源的通电电流为5 mA，通电电压为1.9～2.0 V。面阵LED电路总电源电压设定为12.0 V，总电流为4.5 A，总功率约为54 W，总体根据SSP6612型LED光色电参数综合系统进行设计，结果如图1所示。

2.2 面阵光源的PCB电路设计

根据LED面阵光源的光强、电压、电流等多项参数，面阵LED的PCB板大小设置为515 mm×100 mm，功率密度分布为105 mW/cm2。面阵光源布局采用6串40个LED并作为一小块照明区域，总共20个照明区域两两相连，总布灯数为4 800 pcs。按红光芯片布线，PCB部分设计图纸如图2所示。

根据光功率密度分布均匀性检测仪，采用九点接收法计算，通过(1)式计算实际光功率均匀性的结果达到96%,大于实际治疗要求(90%)，满足光动力治疗的实际治疗要求。

2.3 利用阈值分割ROI

阈值分割ROI是将光动力治疗区域进行提取，根据RGB模型的原理，将原始的彩色图像分解为R、G、B三个通道的灰度值图像，通过三个通道的灰度值信息最终决定的阈值条件。原始图像分解的结果如图3所示。

图1 LED光源的设计参数Fig.1 LED light source design parameters

图2 LED光源的电路设计图纸Fig.2 Circuit design drawing of LED light source

图3 采集鲜红斑痣的原始图像Fig.3 Collecting raw images of port wine stains(a)彩色图像；(b)红色通道的灰度图像；(c)绿色通道的灰度图像；(d)蓝色通道的灰度图像(a)Color image;(b)Gray image of red channel;(c)Gray image of green channel;(d)Gray image of blue channel

拍摄的彩色原始图像采用R、G通道进行双通道阈值分析，阈值判断条件为R通道：150

图4 ROI特征提取的结果Fig.4 Results of ROI feature extraction(a)双通道阈值分割；(b)形态学优化结果(a)Two-channel threshold segmentation;(b)Morphological optimization results

2.4 计算病灶分布情况

根据分割出来的病灶区域，进行灰度处理，将颜色信息转换成灰度信息，如图5b所示，图中的颜色信息转换成灰度信息，灰度信息图像分别由权重为0.298 9的R通道、权重为0.587 0的G通道和权重为0.114 0的B通道组成。灰度信息能够全面显示图像信息,并能够最大化简化图像处理难度。为了消除拍摄时的“反光”影响，方案中采用局部最小值法进行优化，图像滤波采用ordfilt2函数进行提取，反光部分的亮度如图5c所示。根据灰度信息图像减去反光区域的影响，得到初步病灶分布情况图(图5d)；利用对比度拉伸、图像反转得到最终的病灶分布情况图，如图5e所示。在病灶分布图中，病情严重处的灰度值越大(灰度值接近255白色)，病情轻微处的灰度值越小(灰度值接近0黑色)。

图5 ROI区域病情分布计算Fig.5 Calculation of disease distribution in ROI area (a)ROI原始图像;(b)ROI的三通道灰度图像;(c)“反光”部分的灰度图;(d)病情分布计算结果图;(e)图像反转、对比度增强处理(a)ROI original image;(b)ROI three-channel grayscale image;(c)Grayscale image of “reflective” part;(d)Disease distribution calculation result;(e)Image inversion, contrast enhancement processing

2.5 精准调控的光动力系统

根据最终病灶分布情况图的灰度信息，制作相对应非均匀透射密度的胶片用于精确照射治疗。在病灶分布图5e中，病情严重的区域显白色，病情轻微的区域显黑色，白色对应胶片通过率高的部分，黑色对应胶片通过率低的部分。通过率高的严重病情区域，利用强光照来激活病情区域的光敏剂，而通过率低的轻微病情区域，利用弱光照降低光敏剂作用，减少细胞毒性的影响。精确调控方案是依据照射光通过胶片不同透过率的部分，对不同严重程度的病灶区域进行光动力治疗，从而达到提升治疗效果，降低光敏剂的细胞毒性作用的目的。

基于病灶图像特征提取的光动力治疗方案流程：第一步，需要对病人(patient)进行取样，取样方式采用数码相机进行图像取样(shoot a picture)；第二步，根据图像进行图像处理(image processing)，图像处理部分包含提取ROI部分和计算病情分布；第三步，根据计算得出的病情分布图像，制作非均匀透射密度的胶片(printing)；第四步，最后将胶片装夹到光动力治疗仪器上(assembly)用于精准光动力治疗。上述步骤流程如图6所示。

图6 鲜红斑痣治疗流程图Fig.6 Flow chart of port wine stain treatment

3 讨论

本文开发了一套用于治疗鲜红斑痣的窄光谱面阵LED光源，设计了一款软件方案用于检测病灶区域、分析病情分布，并提出了一种精准治疗方案。设计的LED光源部分取代了激光光源部分，提升了光功率的均匀性，从而提升了治疗效率。精准调控方案解决了现有的某些鲜红斑痣光动力治疗设备无法精准控制治疗光源照射病灶部位的问题，降低了光敏剂的细胞毒性作用。开发出这样一种简易的任意形状照射光场控制方法，直接与现有的系统进行融合使用，具有可拓展性，可根据不同型号的设备进行不同的接口形状的设计。

目前的光动力治疗大多采用主观评断的方式，病灶分布情况的评估方式和标准都大相径庭，这些方式的准确性和精度都不能满足精确治疗的要求。本文提供了一种基于颜色特征的病灶情况计算方案，方案采用颜色特征分割出待治疗区域，并将区域内的病情分布进行精确计算，同时还消除了图像中的“反光”影响,提升了光动力治疗的准确性。本文根据定性、定量计算，给出了一种客观统一的病灶区域评估方案,用于色素性疾病的治疗,提升了治疗光源的均匀性，降低了光敏剂的细胞毒性作用。

综上所述，本文在传统的光动力治疗方案上进行了大量改进，并且加入了机器视觉的图像检测计算。本方案能够给鲜红斑痣等色素性病症进行客观、定量、精确的全局评价，并根据评价结果制作对应的胶片用于精确治疗。本方案可以适用于多种色素性病症的检测与治疗方面，并结合设计的窄光谱面阵LED光源与精确调控的治疗系统,可以实现光动力治疗上的一个重大突破。