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(jiàn)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(zhǎng)期的護(hù)理和治療[1]導(dǎo)致費(fèi)用高昂，給社會(huì)和患者家庭帶來(lái)極大負(fù)擔(dān)[2]。準(zhǔn)確診斷、精準(zhǔn)治療能加快患者的損傷修復(fù)，減少這類(lèi)患者的經(jīng)濟(jì)負(fù)擔(dān)，提升其生活質(zhì)量。隨著計(jì)算機(jī)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(xué)領(lǐng)域的研究和應(yīng)用，實(shí)現(xiàn)壓力性損傷的準(zhǔn)確評(píng)估、降低醫(yī)療費(fèi)用，具有重要的應(yīng)用價(jià)值[3-4]。本文將綜述有關(guān)壓力性損傷圖像分析應(yīng)用的研究進(jìn)展。

1 壓力性損傷圖像分析應(yīng)用的研究

壓力性損傷圖像分析技術(shù)屬于無(wú)創(chuàng)監(jiān)測(cè)技術(shù)，可以準(zhǔn)確分析其特征，而無(wú)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(cè)量、組織分類(lèi)和愈合評(píng)估4個(gè)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(duì)診斷有價(jià)值的部分，自動(dòng)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(lèi)。

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(cè)邊緣完成分割，根據(jù)邊緣檢測(cè)執(zhí)行方式的不同可以分為串行邊緣檢測(cè)和并行邊緣檢測(cè)。串行邊緣檢測(cè)從初始邊緣點(diǎn)開(kāi)始按照某種相似性準(zhǔn)則逐個(gè)檢測(cè)后續(xù)邊緣點(diǎn)。并行邊緣檢測(cè)利用邊緣檢測(cè)算子與圖像進(jìn)行卷積在各個(gè)像素位置同時(shí)檢測(cè)邊緣點(diǎn)，相比于串行方法，大大降低了時(shí)間復(fù)雜度，如活動(dòng)輪廓模型(ACM)[5]。JIANG等[6]將ACM的方法應(yīng)用到創(chuàng)面分割中，運(yùn)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(yīng)調(diào)整創(chuàng)面輪廓，并使用手動(dòng)輪廓來(lái)初始化ACM，對(duì)人工標(biāo)記的創(chuàng)面邊界進(jìn)行修正。這些算子一般對(duì)噪聲比較敏感，只適合于噪聲較少的簡(jiǎn)單圖像。由于利用邊緣檢測(cè)算子檢測(cè)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(shí)現(xiàn)圖像分割?；跈z測(cè)到的邊緣建立最終的分割邊界往往需要先驗(yàn)知識(shí)，能夠獲得的先驗(yàn)知識(shí)(邊界形狀、位置等)越多，分割結(jié)果越好，依賴人類(lèi)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(yīng)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(zhǔn)則，通過(guò)最大化區(qū)域內(nèi)部的一致性將圖像劃分成不同區(qū)域。基于區(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(biāo)準(zhǔn)(一致性準(zhǔn)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(gè)圖像作為單個(gè)區(qū)域，逐步將不滿足一致性準(zhǔn)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(jì)色彩模型，使用一組訓(xùn)練圖像來(lái)為不同類(lèi)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(gè)像素分配給最可能的類(lèi)型，從而獲得壓力性損傷圖像分割。

1.1.3基于機(jī)器學(xué)習(xí)的圖像分割技術(shù) 不同于傳統(tǒng)非機(jī)器學(xué)習(xí)方法，基于機(jī)器學(xué)習(xí)的圖像分割方法將圖像分割問(wèn)題形式化成像素點(diǎn)的分類(lèi)或者聚類(lèi)問(wèn)題，利用機(jī)器學(xué)習(xí)的方法解決圖像分割問(wèn)題。這種方法將機(jī)器學(xué)習(xí)應(yīng)用到圖像分割中，根據(jù)機(jī)器學(xué)習(xí)方法的不同大致可以分為基于監(jiān)督分類(lèi)的方法和基于非監(jiān)督聚類(lèi)的方法2種。

監(jiān)督分類(lèi)方法的主要缺點(diǎn)：(1)需要足夠大的訓(xùn)練圖像集，以學(xué)習(xí)創(chuàng)面分割的重要特征；(2)需要專(zhuān)家進(jìn)行手動(dòng)注釋?zhuān)瑢?duì)成本、準(zhǔn)確性和可靠性會(huì)產(chǎn)生影響。非監(jiān)督聚類(lèi)的方法是通過(guò)對(duì)像素點(diǎn)進(jìn)行聚類(lèi)，實(shí)現(xiàn)圖像分割。如譜聚類(lèi)在創(chuàng)面分割中的應(yīng)用[8]，首先對(duì)圖像進(jìn)行預(yù)處理，結(jié)合灰度世界假設(shè)和Retinex理論進(jìn)行顏色均化。通過(guò)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(duì)創(chuàng)面部位的圖像進(jìn)行精確分割。然后，使用計(jì)算出的平均對(duì)比度，從14個(gè)色彩空間中選擇最佳的色彩通道[9]。其中Db通道的對(duì)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(wú)監(jiān)督的壓力性損傷分割方案，搜索圖像中的對(duì)比度變化，使用電場(chǎng)能量密度模型來(lái)提取合成頻率，以描述恒定密度和像素強(qiáng)度之間的關(guān)系。通過(guò)改變合成頻率，使用環(huán)形幾何結(jié)構(gòu)，在多個(gè)對(duì)比度級(jí)別上分解圖像，應(yīng)用Otsu方法[3]，對(duì)分解后的圖像進(jìn)行分割，以獲得與圖像中對(duì)比度變化相對(duì)應(yīng)的輪廓，隨后，將這種方法集成到移動(dòng)應(yīng)用程序中，使護(hù)士能夠?qū)崟r(shí)對(duì)所捕獲的壓力性損傷做出評(píng)估[11]。CHAKRABORTY等[12]先使用預(yù)處理，進(jìn)行模糊K-均值聚類(lèi)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(yù)處理技術(shù)，進(jìn)行粒子群優(yōu)化，達(dá)到創(chuàng)面分割，且有研究顯示其具有快速收斂的特點(diǎn)[3]。PALUCHOWSKI等[13]使用支持向量機(jī)(SVM)分類(lèi)器，對(duì)四肢壓力性損傷進(jìn)行圖像分割和測(cè)量。利用四波段光譜數(shù)字相機(jī)采集捕獲近紅外圖像，對(duì)這些圖像進(jìn)行歸一化處理，刪除所有不相關(guān)的信息,在訓(xùn)練步驟后，使用18張圖像進(jìn)行SVM分類(lèi)，最后，對(duì)分割后的圖像,進(jìn)行中值濾波后處理。

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

ALBOUY等[14]使用2D光譜成像和3D立體攝影測(cè)量技術(shù)結(jié)合的多模態(tài)視覺(jué)系統(tǒng)，該系統(tǒng)由高分辨率相機(jī)和安裝在同一掃描系統(tǒng)上的單色視頻相機(jī)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(guò)光譜分析來(lái)檢測(cè)創(chuàng)面邊界，最后，建立創(chuàng)面周?chē)鷧^(qū)域的表面模型，重建創(chuàng)面，從而計(jì)算其體積。但是，這些方法需要使用昂貴且復(fù)雜的光學(xué)成像設(shè)備，從而阻礙了未經(jīng)訓(xùn)練的一線醫(yī)務(wù)人員廣泛使用。由于這個(gè)原因，LI等[15]通過(guò)匹配不同角度捕獲的2個(gè)未經(jīng)校準(zhǔn)的圖像來(lái)建立壓力性損傷的3D模型，解決了這個(gè)問(wèn)題。

YEE等[16]設(shè)計(jì)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(jī)采集的未標(biāo)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(shè)備，適合在醫(yī)療機(jī)構(gòu)中廣泛應(yīng)用。然而，這種方法需要開(kāi)發(fā)一個(gè)強(qiáng)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(zhǔn)的圖像來(lái)生成對(duì)表面幾何形狀的密集估計(jì)，通過(guò)自校準(zhǔn)，完全自動(dòng)地重建皮膚傷口的度量，從皮膚傷口的三維模型，實(shí)現(xiàn)準(zhǔn)確的體積測(cè)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(yīng)用程序(APP)的方法，旨在準(zhǔn)確、無(wú)創(chuàng)地重建3D模型，并測(cè)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(shí)，從不同的角度，對(duì)創(chuàng)面成像。然后，應(yīng)用運(yùn)動(dòng)結(jié)構(gòu)算法選擇圖像，對(duì)這些圖像通過(guò)3D重建技術(shù)重建創(chuàng)面。使用iDr APP，將檢索到的指標(biāo)與具有50 μm準(zhǔn)確度基于商業(yè)結(jié)構(gòu)光的3D工業(yè)相機(jī)進(jìn)行比較，來(lái)測(cè)量此應(yīng)用的準(zhǔn)確性。iDr APP產(chǎn)生的總體平均相對(duì)誤差：長(zhǎng)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(zhǎng)度和寬度的測(cè)量方法，先使用32張帶有4色面板標(biāo)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(cè)皮膚。然后，使用SVM分類(lèi)器，來(lái)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(cè)到的顏色面板來(lái)調(diào)整圖像的透視圖，并使用像素到實(shí)際距離的轉(zhuǎn)換來(lái)檢索實(shí)際尺寸。

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

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

組織分類(lèi)技術(shù)依靠從感興趣的不同類(lèi)型組織中提取視覺(jué)特征，并訓(xùn)練有監(jiān)督的分類(lèi)器來(lái)檢測(cè)它們。VEREDAS等[19]基于SVM分類(lèi)器的監(jiān)督機(jī)器學(xué)習(xí)方法，目的在于確定壓力性損傷演變過(guò)程。首先，收集一組訓(xùn)練壓力性損傷圖像，自動(dòng)分割為均勻區(qū)域，將每個(gè)圖像區(qū)域呈現(xiàn)給專(zhuān)家，歸類(lèi)為歐洲壓力性損傷咨詢小組定義的壓力性損傷不同類(lèi)型之一。分配的標(biāo)簽及每個(gè)區(qū)域的顏色、紋理特征一起用于訓(xùn)練SVM。然后，該分類(lèi)器將傳入壓力性損傷圖像分類(lèi)為不同類(lèi)型。WANG等[20]使用3種不同的機(jī)器學(xué)習(xí)方法(神經(jīng)網(wǎng)絡(luò)、SVM和決策樹(shù))分類(lèi)組織類(lèi)型，結(jié)果表明，SVM和決策樹(shù)模型給出較高的分類(lèi)率。

CHAKRABORTY等[11]結(jié)合神經(jīng)網(wǎng)絡(luò)和Bayesian分類(lèi)器進(jìn)行組織自動(dòng)識(shí)別的方法。首先，使用自適應(yīng)均值平移程序和區(qū)域增長(zhǎng)算法對(duì)創(chuàng)面進(jìn)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(guò)訓(xùn)練，可將其輸入分類(lèi)為臨床專(zhuān)家確定的組織類(lèi)別。然后，通過(guò)訓(xùn)練Bayesian分類(lèi)器來(lái)組合神經(jīng)網(wǎng)絡(luò)分類(lèi)。CHAKRABORTY等[12]介紹了使用線性判別分析(LDA)進(jìn)行創(chuàng)面組織分類(lèi)，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(duì)創(chuàng)面組織分類(lèi)，優(yōu)于如K-NN、模糊K-NN、K-均值、SVM和Bayesian方法，總分類(lèi)精度達(dá)到91.45%。

DASTJERDI等[21]使用單視圖和多視圖組織分類(lèi)方法。單視圖方法類(lèi)似于Veredas F的工作[22]：首先，使用對(duì)紋理圖像有效的無(wú)監(jiān)督分割算法，以自動(dòng)方式對(duì)創(chuàng)面進(jìn)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(duì)SVM分類(lèi)器進(jìn)行訓(xùn)練，將傳入壓力性損傷圖像的像素，分類(lèi)為臨床醫(yī)生定義的3種組織類(lèi)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(gè)圖像上，使用未校準(zhǔn)的視覺(jué)技術(shù)獲得創(chuàng)面3D模型，應(yīng)用合并算法，為每個(gè)3D網(wǎng)格分配最可能的組織類(lèi)型標(biāo)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(lèi)形成的管道，來(lái)設(shè)計(jì)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(jì)算出統(tǒng)計(jì)顏色描述符，創(chuàng)建紋理特征向量、對(duì)比度特征，對(duì)SVM和Bayesian分類(lèi)器進(jìn)行訓(xùn)練，將像素分類(lèi)為與肉芽、腐肉和壞死組織。

1.4壓力性損傷愈合評(píng)估 從壓力性損傷圖像分析中提取的定量參數(shù)與醫(yī)學(xué)知識(shí)相結(jié)合，能對(duì)創(chuàng)面愈合過(guò)程進(jìn)行評(píng)估。ZAHIA等[3]根據(jù)監(jiān)測(cè)與時(shí)間有關(guān)的統(tǒng)計(jì)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(guò)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(cè)愈合過(guò)程。通過(guò)對(duì)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(guò)程，創(chuàng)面在治療4周后愈合，最重要的是愈合與體溫計(jì)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(píng)估的輔助技術(shù)。

盡管一些壓力性損傷愈合評(píng)估APP表現(xiàn)出很好效果，但大多數(shù)評(píng)估并不是完全自動(dòng)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(shí)現(xiàn)創(chuàng)面組織分類(lèi)和愈合評(píng)估。分析輸入圖像，由用戶手動(dòng)分割，然后系統(tǒng)使用統(tǒng)計(jì)模式識(shí)別算法和創(chuàng)面測(cè)量，對(duì)組織進(jìn)行分類(lèi)和愈合評(píng)估。

NOGUCHI等[25]通過(guò)細(xì)胞分子學(xué)圖像處理技術(shù)，進(jìn)行壓力性損傷愈合評(píng)估，這些圖像顯示愈合過(guò)程中發(fā)生的微觀變化。為評(píng)估愈合過(guò)程，使用管道包括：(1)在窗口中劃分圖像；(2)從每個(gè)窗口中提取紋理特征；(3)應(yīng)用K-均值聚類(lèi)或SVM分類(lèi)，將每個(gè)窗口分為有助于創(chuàng)面評(píng)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(píng)估創(chuàng)面愈合情況。

2 小 結(jié)

近年來(lái)，壓力性損傷患者快速增長(zhǎng)，對(duì)其準(zhǔn)確診斷及有效治療至關(guān)重要。創(chuàng)面特征是診斷、愈合過(guò)程的關(guān)鍵指標(biāo)，侵入性檢查方法不僅會(huì)使患者痛苦，而且增加感染風(fēng)險(xiǎn)，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(cè)創(chuàng)面愈合過(guò)程，而不會(huì)對(duì)患者造成任何傷害。

壓力性損傷護(hù)理成本不斷增加，以及對(duì)患者生活質(zhì)量的負(fù)面影響，準(zhǔn)確診斷、精準(zhǔn)治療能加快患者的治愈速度，提高患者的生存質(zhì)量。準(zhǔn)確診斷就需要設(shè)計(jì)開(kāi)發(fā)更有效的無(wú)創(chuàng)工具和技術(shù)。AI、圖像處理技術(shù)已被證明可以為實(shí)現(xiàn)這一目標(biāo)提供合適的解決方案。