压力性损伤图像分析应用的研究进展*

2021-12-05曹冠柏综述杨以平审校

现代医药卫生 2021年23期

余蓉，曹冠柏综述，杨以平审校

(重庆市九龙坡区人民医院,重庆 400050)

压力性损伤是一种常见疾病，随着人口老龄化，加上如糖尿病等慢性疾病，使压力性损伤经久不愈，并且容易感染，不仅给患者造成极大痛苦，而且长期的护理和治疗[1]导致费用高昂，给社会和患者家庭带来极大负担[2]。准确诊断、精准治疗能加快患者的损伤修复，减少这类患者的经济负担，提升其生活质量。随着计算机技术的发展，人工智能(AI)、数字图像分析技术在医学领域的研究和应用，实现压力性损伤的准确评估、降低医疗费用，具有重要的应用价值[3-4]。本文将综述有关压力性损伤图像分析应用的研究进展。

1 压力性损伤图像分析应用的研究

压力性损伤图像分析技术属于无创监测技术，可以准确分析其特征，而无须与创面本身接触。压力性损伤图像分析通常包括图像分割、测量、组织分类和愈合评估4个方面。

1.1压力性损伤图像分割技术压力性损伤图像分割作为图像处理与分析中最重要的步骤之一，其目的是理解图像内容，提取出图像中对诊断有价值的部分，自动找到图像中压力性损伤创面的边界，分割分离出创面区域。根据使用特征压力性损伤图像分割技术可分为3类。

1.1.1基于创面边缘的图像分割技术利用图像中灰度、颜色、纹理等的不连续性检测边缘完成分割，根据边缘检测执行方式的不同可以分为串行边缘检测和并行边缘检测。串行边缘检测从初始边缘点开始按照某种相似性准则逐个检测后续边缘点。并行边缘检测利用边缘检测算子与图像进行卷积在各个像素位置同时检测边缘点，相比于串行方法，大大降低了时间复杂度，如活动轮廓模型(ACM)[5]。JIANG等[6]将ACM的方法应用到创面分割中，运用分段B样条曲线和minimax原理，根据图像中的局部条件，自适应调整创面轮廓，并使用手动轮廓来初始化ACM，对人工标记的创面边界进行修正。这些算子一般对噪声比较敏感，只适合于噪声较少的简单图像。由于利用边缘检测算子检测到的边缘往往是不连续的，不能作为分割结果，必须依赖后续处理将边缘合并、连接得到闭合边界实现图像分割。基于检测到的边缘建立最终的分割边界往往需要先验知识，能够获得的先验知识(边界形状、位置等)越多，分割结果越好，依赖人类的交互，才能获得比较好的分割结果，在临床上很难得到广泛应用。

1.1.2基于相似度的图像分割技术压力性损伤图像分割的大多数方法都基于相似度的分割技术。利用图像中像素及其空间邻域像素的信息，以区域平均灰度、纹理、颜色等特征的一致性作为分割准则，通过最大化区域内部的一致性将图像划分成不同区域。基于区域的分割方法考虑了空间信息，能够一定程度上消除孤立噪声的影响，根据区域生成方式的不同可以分为区域合并和区域分裂2种形式。区域合并从初始化分割得到的小区域出发，按照某种归并标准(一致性准则)逐步将邻接区域合并形成最终的分割结果。区域分裂与区域合并相反，其初始将整个图像作为单个区域，逐步将不满足一致性准则的区域分裂形成最终的分割结果。如DHANE等[7]的统计色彩模型，使用一组训练图像来为不同类型压力性损伤建立颜色直方图模型，然后使用Bayesian方法，将每个像素分配给最可能的类型，从而获得压力性损伤图像分割。

1.1.3基于机器学习的图像分割技术不同于传统非机器学习方法，基于机器学习的图像分割方法将图像分割问题形式化成像素点的分类或者聚类问题，利用机器学习的方法解决图像分割问题。这种方法将机器学习应用到图像分割中，根据机器学习方法的不同大致可以分为基于监督分类的方法和基于非监督聚类的方法2种。

监督分类方法的主要缺点：(1)需要足够大的训练图像集，以学习创面分割的重要特征；(2)需要专家进行手动注释，对成本、准确性和可靠性会产生影响。非监督聚类的方法是通过对像素点进行聚类，实现图像分割。如谱聚类在创面分割中的应用[8]，首先对图像进行预处理，结合灰度世界假设和Retinex理论进行颜色均化。通过非线性滤波器减少噪声，将图像转换为HSV色彩空间，以改善图像质量，从而对创面部位的图像进行精确分割。然后，使用计算出的平均对比度，从14个色彩空间中选择最佳的色彩通道[9]。其中Db通道的对比度最高，与其他通道相比，分割效果更好。GARCIA-ZAPIRAIN等[10]提出另一种无监督的压力性损伤分割方案，搜索图像中的对比度变化，使用电场能量密度模型来提取合成频率，以描述恒定密度和像素强度之间的关系。通过改变合成频率，使用环形几何结构，在多个对比度级别上分解图像，应用Otsu方法[3]，对分解后的图像进行分割，以获得与图像中对比度变化相对应的轮廓，随后，将这种方法集成到移动应用程序中，使护士能够实时对所捕获的压力性损伤做出评估[11]。CHAKRABORTY等[12]先使用预处理，进行模糊K-均值聚类的创面分割技术，显示出很高的分割精度(98.98%)，使用降噪和滤波的预处理技术，进行粒子群优化，达到创面分割，且有研究显示其具有快速收敛的特点[3]。PALUCHOWSKI等[13]使用支持向量机(SVM)分类器，对四肢压力性损伤进行图像分割和测量。利用四波段光谱数字相机采集捕获近红外图像，对这些图像进行归一化处理，删除所有不相关的信息,在训练步骤后，使用18张图像进行SVM分类，最后，对分割后的图像,进行中值滤波后处理。

1.2压力性损伤测量压力性损伤的物理参数，如面积、深度及体积是临床评估的重要指标，主要使用三维成像技术，从图像中自动测量这些参数。

ALBOUY等[14]使用2D光谱成像和3D立体摄影测量技术结合的多模态视觉系统，该系统由高分辨率相机和安装在同一扫描系统上的单色视频相机组成。采集立体图像，提供有关压力性损伤几何形状信息。高光谱图像通过光谱分析来检测创面边界，最后，建立创面周围区域的表面模型，重建创面，从而计算其体积。但是，这些方法需要使用昂贵且复杂的光学成像设备，从而阻碍了未经训练的一线医务人员广泛使用。由于这个原因，LI等[15]通过匹配不同角度捕获的2个未经校准的图像来建立压力性损伤的3D模型，解决了这个问题。

YEE等[16]设计了一种从彩色图像中建立皮肤伤口三维模型的方法，该方法可以处理手持式数码相机采集的未标定图像，并且可以自由缩放，与已往笨重的成像系统相比，这种新的解决方案使用了一种低成本的图像采集设备，适合在医疗机构中广泛应用。然而，这种方法需要开发一个强大的图像处理链，使用原始迭代匹配方案，拍摄两幅宽幅未经校准的图像来生成对表面几何形状的密集估计，通过自校准，完全自动地重建皮肤伤口的度量，从皮肤伤口的三维模型，实现准确的体积测量，其97%左右的整体精度符合临床95%的整体精度要求。

LI等[17]使用iDr应用程序(APP)的方法，旨在准确、无创地重建3D模型，并测量3D数字空间中压力性损伤的面积和体积。拍摄创面视频时，从不同的角度，对创面成像。然后，应用运动结构算法选择图像，对这些图像通过3D重建技术重建创面。使用iDr APP，将检索到的指标与具有50 μm准确度基于商业结构光的3D工业相机进行比较，来测量此应用的准确性。iDr APP产生的总体平均相对误差：长度为1.66%，面积为1.14%，体积为4.41%。CAI等[18]使用一种用于创面面积、长度和宽度的测量方法，先使用32张带有4色面板标尺的压力性损伤图像，将RGB转换为YCbCr颜色，并使用高斯模型检测皮肤。然后，使用SVM分类器，来区分属于创面的像素和属于健康皮肤的像素。创面被分割后，用检测到的颜色面板来调整图像的透视图，并使用像素到实际距离的转换来检索实际尺寸。

1.3运用图像处理算法进行压力性损伤组织分类随着压力性损伤的恶化，创面可见肌腱、肌肉及骨骼等组织。在这种情况下，图像分析在于对可见的不同类型组织进行分类。

在早期的工作中，ZAHIA等[3]设计了一种图像处理算法，用于检测压力性损伤不同类型组织。首先，从图像中提取压力性损伤边界。然后，应用中值滤波，去除噪声，获得与压力性损伤相对应的二元逻辑回归分析数据，从而可以计算其面积。为了区分不同类型组织，执行从RGB到HSV的颜色模型转换，可以检测创面内黑色、红色和黄色像素的数量，这些像素对应于不同类型的组织。

组织分类技术依靠从感兴趣的不同类型组织中提取视觉特征，并训练有监督的分类器来检测它们。VEREDAS等[19]基于SVM分类器的监督机器学习方法，目的在于确定压力性损伤演变过程。首先，收集一组训练压力性损伤图像，自动分割为均匀区域，将每个图像区域呈现给专家，归类为欧洲压力性损伤咨询小组定义的压力性损伤不同类型之一。分配的标签及每个区域的颜色、纹理特征一起用于训练SVM。然后，该分类器将传入压力性损伤图像分类为不同类型。WANG等[20]使用3种不同的机器学习方法(神经网络、SVM和决策树)分类组织类型，结果表明，SVM和决策树模型给出较高的分类率。

CHAKRABORTY等[11]结合神经网络和Bayesian分类器进行组织自动识别的方法。首先，使用自适应均值平移程序和区域增长算法对创面进行分割。从分割区域中提取颜色和纹理特征向量，并将其馈入一组多层感知器，这些感知器经过训练，可将其输入分类为临床专家确定的组织类别。然后，通过训练Bayesian分类器来组合神经网络分类。CHAKRABORTY等[12]介绍了使用线性判别分析(LDA)进行创面组织分类，以区分创面组织，如肉芽、腐肉或坏死组织等。CHAKRABORTY等[11-12]证明，使用LDA对创面组织分类，优于如K-NN、模糊K-NN、K-均值、SVM和Bayesian方法，总分类精度达到91.45%。

DASTJERDI等[21]使用单视图和多视图组织分类方法。单视图方法类似于Veredas F的工作[22]：首先，使用对纹理图像有效的无监督分割算法，以自动方式对创面进行分割；然后，从分割区域中提取颜色描述符，如平均颜色描述符、主要颜色描述符，以及2D和3D颜色直方图和纹理描述符。对SVM分类器进行训练，将传入压力性损伤图像的像素，分类为临床医生定义的3种组织类别，如肉芽、腐肉或坏死组织。在多视图方法中，在创面的2个图像上，使用未校准的视觉技术获得创面3D模型，应用合并算法，为每个3D网格分配最可能的组织类型标签。

ZHAO等[23]采用由创面分割、颜色纹理特征提取和监督分类形成的管道，来设计系统结构。基于模糊散度阈值分割创面，提取不同颜色空间，计算出统计颜色描述符，创建纹理特征向量、对比度特征，对SVM和Bayesian分类器进行训练，将像素分类为与肉芽、腐肉和坏死组织。

1.4压力性损伤愈合评估从压力性损伤图像分析中提取的定量参数与医学知识相结合，能对创面愈合过程进行评估。ZAHIA等[3]根据监测与时间有关的统计图像参数(亮度、颜色和均匀性)，以及创面内亮度最小值和最大值数量，使用方差分析，根据愈合过程中参数变化，确定创面愈合情况。CHAVES等[23]基于创面温度提供的定量数据，监测愈合过程。通过对接受2种不同药物治疗患者的热像图检查，观察创面愈合过程，创面在治疗4周后愈合，最重要的是愈合与体温计中观察到的创面温度有关，因此建议使用热成像技术，作为压力性损伤愈合评估的辅助技术。

尽管一些压力性损伤愈合评估APP表现出很好效果，但大多数评估并不是完全自动的。FILKO等[24]使用一种用于创面分析和处理的APP，命名为WITA：基于创面图像分析，实现创面组织分类和愈合评估。分析输入图像，由用户手动分割，然后系统使用统计模式识别算法和创面测量，对组织进行分类和愈合评估。

NOGUCHI等[25]通过细胞分子学图像处理技术，进行压力性损伤愈合评估，这些图像显示愈合过程中发生的微观变化。为评估愈合过程，使用管道包括：(1)在窗口中划分图像；(2)从每个窗口中提取纹理特征；(3)应用K-均值聚类或SVM分类，将每个窗口分为有助于创面评估的模式。LI等[17]使用3D重建技术检索压力性损伤结果表示，跟踪压力性损伤直径、面积和体积的变化可评估创面愈合情况。