06-慢性伤口图像中摄影伤口评估工具的自动预测_1_10_translate

医学系统杂志（2024）48：14<a href="https://doi.org/10.1007/s10916-023-02029-9">https://doi.org/10.1007/s10916-023-02029-9</a><img src="/media/202408//1724856374.440743.png" /><img src="/media/202408//1724856374.4450822.png" />原始文件慢性伤口图像中摄影伤口评估工具的自动预测尼科柯蒂1,2·尤里梅里3,4·科拉多曾加里尼4·米歇拉斯塔瑞斯3,4·卢卡拉帕里尼4·伊曼纽拉马塞利4,5·甘卢卡卡里尼2·丹尼尔布斯基4. ·加斯通CCASTELANI4·比安卡玛丽亚皮拉奇尼3,4·汤马索比安奇6·恩里科甘皮埃里4收到日期：2023年8月12日/接受日期：2023年12月22日，©，作者(s) 2024年摘要文献中已经提出了许多基于图像处理分析来量化临床相关伤口特征的自动化方法，旨在消除人类的主观性，加速临床实践。在这项工作中，我们提出了一个全自动的图像处理管道，利用深度学习和一个大型伤口分割数据集来执行伤口检测和跟踪摄影伤口评估工具（PWAT）的预测，自动化临床判断伤口愈合的充分。从智能手机相机获取的图像开始，从伤口区域提取了一系列的纹理和形态学特征，旨在模拟伤口评估的典型临床考虑。结果提取的特征可以很容易地由临床医生解释，并允许一个定量的PWAT评分的估计。从我们的预先训练的神经网络模型检测到的兴趣区域中提取的特征正确地预测了一组未可见图像的斯皮尔曼相关系数为0.85。所得结果与目前的研究结果一致，为未来人工智能在该研究领域的应用提供了一个基准。关键词PWAT·图像分析·伤口愈合·计算机视觉·临床决策支持系统<table><tr><td></td><td></td><td></td></tr><tr><td>Nico Curti和Yuri Merli两位作者对此贡献相同</td><td></td><td></td></tr><tr><td>工作</td><td></td><td></td></tr><tr><td></td><td></td><td></td></tr><tr><td><img src="/media/202408//1724856374.4778838.png" />科拉多曾加里尼</td><td></td><td>汤马索比安奇</td></tr><tr><td>corrado.zengarini@studio.unibo.it</td><td></td><td>tommaso.b.bianchi@gmail.com</td></tr><tr><td>尼科柯蒂</td><td></td><td>恩里科甘皮埃里</td></tr><tr><td>nico.curti2@unibo.it</td><td></td><td>enrico.giampieri@unibo.it</td></tr><tr><td>尤里梅里merliyuri@gmail.com</td><td>1</td><td>博洛尼亚大学物理与天文学系，40127博洛尼亚，意大利</td></tr><tr><td>米歇拉斯塔瑞斯michela.starace2@unibo.it</td><td>2</td><td>数据科学和生物信息学实验室，IRCCS博洛尼亚神经科学研究所，博洛尼亚，40139，意大利</td></tr><tr><td>卢卡拉帕里尼luca.rapparini2@studio.unibo.it</td><td>3</td><td>皮肤科单位，IRCCS Azienda博洛尼亚大学，意大利博洛尼亚，40138号</td></tr><tr><td>伊曼纽埃拉马塞利emanuela.marcelli@unibo.it</td><td>4</td><td>博洛尼亚大学医学和外科科学系，意大利博洛尼亚，40138</td></tr><tr><td>甘卢卡卡里尼gianluca.carlini3@unibo.it</td><td>5</td><td>意大利博洛尼亚大学医学和外科科学系，40138，意大利博洛尼亚</td></tr><tr><td>丹尼尔布斯基daniele.buschi2@unibo.it</td><td>6</td><td>意大利博洛尼亚，40138</td></tr></table>加斯通C.卡斯特拉尼gastone.castellani@unibo.it在线发布：2024年1月16日，施普林格<img src="/media/202408//1724856374.487627.png" />介绍由于平均人口年龄的增加，更多的皮肤科医生参与伤口管理[<a href="#bookmark1">1</a>].伤口愈合是一个复杂的过程，最佳的伤口评估对其管理至关重要；选择最合适的治疗方法可以减少愈合时间，从而减轻医疗保健系统的经济负担<a href="#bookmark2">[2</a>].一个不正确的伤口评估模型会导致伤口愈合时间延长[<a href="#bookmark3">3</a>]，并降低患者的依从性。急性和慢性溃疡的正确分类在诊断和随访中都是必要的。越来越多的中心采用系统和仪器辅助的持续监测来存档临床图像，以确定愈合过程是否正确进行，然后确定预后和正确的治疗[<a href="#bookmark4">4</a>].整个临床评估过程依赖于临床医生的经验和主观性，引入了不可忽视的操作者间和操作者内的可变性[<a href="#bookmark5">5</a>].伤口评估工具的引入旨在减少这些影响，为定量描述伤口状态和对治疗的反应提供一系列的标准化的标准。在皮肤科实践中最流行的方法之一是贝茨-延森伤口评估工具（BWAT）[<a href="#bookmark6">6</a>. . ]，包括13个项目，评估伤口大小、深度、边缘、破坏、坏死组织类型、坏死、肉芽和上皮化组织、渗出类型和数量、周围皮肤颜色、水肿和指数项目表示为李克特量表值从1到5，相关的属性的使用BWAT需要在线评估伤口，即在临床实践中，因为许多项目只能通过病变区域的人工操作来量化。因此，该评分的自动解决方案不适用，不可能进行后验编辑或调整。为了解决这些问题，我们在2000年引入了摄影伤口评估工具（PWAT）[<a href="#bookmark7">7</a>] .事实上，PWAT评分的目的是从临床实践中获得的照片开始量化伤口状态，并涉及可通过图片直接推断的项目评分。PWAT只包括BWAT所描述的完整项目列表的一个子集，但它已经证明了其在临床应用中的有效性和稳健性[<a href="#bookmark6">6</a>,<a href="#bookmark7">7</a>].尽管引入了标准化的评估工具，但临床医生在评分过程中的内在主观性仍然发挥着关键作用。量表项目的李克特格式确实在评估中提出了一些限制，但它迫使伤口特征的量化，这只能通过人工干预来确定。获得一个完全目标的可能性伤口状态的估计只能通过引入一个由不断增长的人工智能解决方案指导的不可知的机械组件来解决。人工智能模型在医学图像分析中的应用已经取得了显著的效果[<a href="#bookmark8">8</a>–<a href="#bookmark9">11</a>]，证明其在指导和促进临床实践方面的有效性[<a href="#bookmark10">12</a>,<a href="#bookmark11">13</a>].根据上述伤口评估工具，文献中已经提出了对其进行估计的自动解决方案[<a href="#bookmark8">8</a>,<a href="#bookmark12">14</a>,<a href="#bookmark13">15</a>]，提供了关于它们的数学形式化的提示，但没有对相关特征进行详细的分析。目前医学图像分析的趋势，是基于使用深度学习模型来预测临床结果，使对相关临床特征的理解更加困难。也是在……的上下文中PWAT预测，在文献中已经提出了几种方法，但仅基于神经网络模型[<a href="#bookmark12">14</a>,<a href="#bookmark14">16</a>,<a href="#bookmark15">17</a>].在我们之前的工作中[<a href="#bookmark16">18</a>]，我们训练了一个深度学习模型，从数字图像中对伤口感兴趣区域（roi）进行语义分割。在这里，我们扩展了该模型，以自动预测PWAT分数从已识别的伤口区域。. PWAT包括项目属于伤口和伤口周围区域，所以我们适应我们的模型预测获得这两个roi，然后我们提出了一组新颖的纹理和形态特征模拟临床医生的手动评价根据这些原则，所有提出的特性严格与伤口外观和完全人类可解释，保证其可能的应用在临床实践。我们最后使用这组特性饲料惩罚回归模型的预测PWAT规模值，测试我们的模型的有效性和鲁棒性在一个独立的图像子集的作者，我们的工作代表了第一次尝试自动预测PWAT分数在智能手机图像，使用标准和放射性图像特征的组合。. 材料和方法病人选举在这项工作中，我们分析了属于深层皮肤数据集的图像[<a href="#bookmark16">18</a>].图像采集使用智能-. . 电话摄像头在常规皮肤科检查皮肤科单位IRCCS圣奥索拉-马尔皮吉大学医院博洛尼亚的图像检索的图表对象自愿同意研究当地伦理委员会批准了这项研究，按照赫尔辛基宣言进行。该数据采集协议已由<img src="/media/202408//1724856374.5489001.png" /><img src="/media/202408//1724856374.5521028.png" />根据《赫尔辛基宣言》，地方伦理委员会（°2020协议于2020年12月12日10日批准）。. 我们收集了474名患者在两年（从2019年3月到2021年9月）在中心与1564个伤口图像智能手机数码相机（双索尼IMX 286 12万像素传感器1.25µm像素大小，27毫米等效焦距，F2.2光圈，激光辅助房颤，DNG原始捕获）获得原始图像在不受控制的照明条件下，各种背景，和图像展览临床使用。涉及的患者属于异质性人群，包括在不同愈合阶段和解剖位置的溃疡样本。. 在这项工作中，我们使用了从深层皮肤数据集提取的数据子集，由612个图像组成。该子集包括324名男性（52.9%）和288名女性（47.1%），平均年龄分别为77 ± 17和71 ± 17。因此，涉及的人群根据性别是平衡的，正如预期的那样，在任何皮肤伤口数据集中倾向于更高的年龄。人群在伤口严重程度方面的异质性也在所考虑的子集中得到了保留。事实上，相应的PWAT分布范围从最小2到最大24，平均为15 ± 3。<a id="bookmark17"></a>同样在这种情况下，偏差与相对相关对于临床问题，较高的PWAT值被认为是可以接受的，而且本质上是由于每张图像中都有必要的伤口存在。图像的临床评分两名训练有素的临床医生对612张图像进行了独立评估dently.临床医生根据PWAT分级量表对每张图像进行评分。为了对PWAT评分进行稳健估计，在图像采集（在线评估）过程中对相关子项进行量化，即监测伤口的实际状态。我们选择了PWAT量表，因为它是临床实践中伤口评估的标准参考，而且它的自动化可以很容易地鼓励临床医生社区使用我们的方法。所有临床医生在相同的物理空间，相同的照明来源，没有时间限制对伤口进行评分。根据临床实践中获得的照片（离线评估）进行复查，丢弃所有可疑病例。在离线评估过程中，使用3840的计算机显示器（HP Z27 UHD 4 K，×2160,27“）显示图像。同样的屏幕颜色和亮度被用于临床医生的评估。<img src="/media/202408//1724856374.5689752.png" />图1：管道的表达示意图。（步骤1）在临床实践中，通过智能手机（深层皮肤数据集）获取图像。（步骤2）两位临床医生考虑病变状态和病变周围区域的状态，对每个伤口相关的PWAT评分进行人工注释。（步骤3）在深层皮肤数据集上训练的神经网络模型对创面区域进行自动分割。聚焦于伤口和伤口周围区域（通过图像处理分析获得），一组特征提取病变的纹理和形态的定量分析。（步骤4）对基于从图像中提取的特征的回归模型进行调整，用于自动预测PWAT分数。虽然步骤1和步骤2需要人工干预，但通过防御，管道的后半部分自动执行分析。我们想强调的是，frst两步对于自动化解决方案的培训是强制性的，但在实际的临床应用中是被丢弃的<img src="/media/202408//1724856374.579031.png" /><img src="/media/202408//1724856374.582349.png" />图像处理管道所提出的图像处理管道由一系列独立的、完全自动化的步骤组成。图<a href="#bookmark17">1</a>):步骤1。在临床实践中使用智能手机相机进行图像采集。步骤2。根据两位专家临床医生的PWAT评分，对伤口状态进行手动标注，提供自动模型训练所需的基本真实信息。步骤3。使用在深层皮肤数据集上训练的神经网络模型自动识别伤口和伤口周围区域；提取人类可解释的特征，用于量化PWAT项目和伤口状态。步骤4。通过对已识别特征的加权组合来预测PWAT得分。处理的第一步是从背景中分割出伤口区域。对于图像的自动分割，我们使用了我们之前发表的卷积神经网络模型：关于模型实现及其在深层皮肤数据集上的性能的细节在我们之前的工作中讨论了[<a href="#bookmark16">18</a>].伤口分割的效率对于识别执行后续特征提取的感兴趣区域至关重要。由我们的神经网络模型生成的分割掩模只涉及伤口床区域，而几个PWAT子项目涉及描述伤口周围边界的分数。为了克服这个问题，我们使用形态学操作符的组合扩展了每个伤口面罩，提取了与唯一的伤口周围区域相关的第二个面罩(参考文献。<a href="#bookmark18">伤口分割</a>部分在第二步中，我们从分割模型识别的区域和伤口周围掩模的区域进行特征提取。我们提取了一组基于不同颜色空间（RBG和HSV）的标准图像特征，基于文献中已经提出的数量的红色测量方法[<a href="#bookmark19">19</a>,<a href="#bookmark20">20</a>，和哈拉里克家族的纹理特征<a href="#bookmark21">21</a>用于伤口形态的定量描述。<a href="#bookmark22">伤口特征</a>关于他们的详细信息的部分)。在第三步中，使用提取的特征集来提供一个惩罚回归模型来预测最终的PWAT尺度值。计算<a id="bookmark18"></a>伤口分割伤口区域的定义给出了深皮肤数据集的主要极限。由于没有一套标准化的伤口面定义标准，其可靠性留给临床需要。在我们之前的工作中，我们训练了一个卷积神经网络模型来分割只涉及伤口床区域的区域。相比之下，用于PWAT估计的溃疡周围皮肤活力和边缘项目涉及到伤口周围区域的描述，这被我们的分割面罩排除了。在这项工作中，我们实现了第二步的自动图像处理，以识别伤口周围的区域，从我们的模型生成的分割掩模开始。使用侵蚀和形态扩张算符的组合，保持所涉及的结构元素（内核）的大小，我们为每个图像提取相关的缠绕掩膜，即。M周围病变=(M损害⊕ k)(M损害⊖ k)其中，⊕和⊖分别表示伤口掩模(M)和核k之间的扩张和侵蚀算符。我们使用了一个椭圆形状作为核，维数为3×3。图中显示了结果图像处理的一个例子。<a href="#bookmark23">2</a>.<img src="/media/202408//1724856374.612747.jpeg" />图2用于伤口识别的分割掩模的示例。从深皮肤数据集中提取的原始图像。b由自动神经网络模型生成的伤口分割掩模。c周围伤口分割面罩上获得的指标应用形态学歌剧<a id="bookmark23"></a><img src="/media/202408//1724856374.6191611.png" /><img src="/media/202408//1724856374.622292.png" /><a id="bookmark22"></a>伤口特征与PWAT估计相关的项目的量化涉及到伤口和伤口周围区域。由于只有1/8的PWAT子项涉及到伤口周围区域，我们独立地对两种ROIsIn进行了特征提取，我们旨在最大限度地提高从伤口区域提取出的特征的信息能力，最小化假定的混杂因素，但保留与伤口周围区域相关的信息。. 颜色特征我们提取了每个伤口和伤口周围分割的RGB通道的平均值和标准差。这组措施旨在量化伤口区域的外观的红色和颜色异质性。我们将每个掩蔽图像转换为相应的HSV颜色空间。对于每个通道，我们提取了平均值和标准差值。HSV颜色空间比RGB颜色空间信息更丰富，因为它处理不同的光暴露（饱和度）。通过这种方式，我们监测了获取图像的各种条件。. 这两组特征的目的都是量化伤口的坏死组织成分。事实上，坏死组织可以被建模为伤口/伤口周围区域的一个较暗的成分，从而改变病变的平均颜色。坏死组织类型和坏死组织总数涉及到PWAT估计中的2/8个项目。红度特性关于伤口愈合阶段的主要信息可以通过监测其红度（红斑）来获得。在文献中提出了几种红色的测量方法[<a href="#bookmark24">22</a>. 在这项工作中，我们提取了两种红色的测量方法，并在我们之前的工作中得到了验证[<a href="#bookmark25">23</a>]关于一个不同的图像处理主题。第一个措施是由Park等人提出的。[<a href="#bookmark20">20</a>]，并涉及到RGB通道的组合，即，<img src="/media/202408//1724856374.633335.png" />. 其中，R、G和B分别为掩蔽图像的红、绿、蓝通道，n值表示所考虑的面具中的像素数。该度量使用三个RGB通道的加权组合来强调R强度。第二项措施是由Amparo等人提出的。[<a href="#bookmark19">19</a>]，并涉及到HSV通道的组合，即，<img src="/media/202408//1724856374.638443.png" />其中，H和S分别表示掩蔽图像的色调和饱和度强度。这种测量方法往往对不同的图像光照射更稳健。这两种特征都是在伤口和伤口周围区域独立提取的。红度估计可以帮助量化溃疡周围皮肤活力、肉芽组织类型和坏死组织类型，这代表了涉及PWAT估计的3/8个项目。形态学特征我们通过计算13个哈拉里克的特征来测量伤口和伤口周围区域的形态和纹理特征[<a href="#bookmark21">21</a>].哈拉利克的特征正在成为多种医学图像分析中的标准纹理描述符，特别是在放射组学研究领域[<a href="#bookmark26">24</a>–<a href="#bookmark27">28</a>].这组特征是在与原始图像的灰度版本相关的灰度共现矩阵（GLCM）上进行评估的，从我们的分割模型识别的区域开始。我们计算了13个标准的哈拉里克特征，由能量、惯性、熵、逆差矩、簇阴影和簇日性给出。利用纹理元素，我们的目的是量化与肉芽组织类型和肉芽组织数量相关的信息，这是PWAT总分的2/8个项目。回归管道我们通过标准化提取的特征的分布来开始回归分析。特征的每个分布都属于不同的值域，为了将它们合并，我们需要将所有的值重新调整到一个共同的范围内。我们使用特征的中值重新调整了特征的分布，根据第1和第3个分位数进行归一化，即，一个稳健的缩放算法，最小化来自可能的异常值的依赖性。在训练集上估计中位数和分位数，然后应用于测试集，以避免交叉污染。从处理后的特征开始，我们使用了一个惩罚性的Lasso回归模型[<a href="#bookmark28">29</a>]来预测PWAT的临床评分。Lasso回归是一个正则化的线性回归变量，在代价函数中附加了一个惩罚分量[<a href="#bookmark29">30</a>].在我们的模拟中，我们使用了一个惩罚系数等于10-2.我们分割了完整的数据集使用打乱的十倍分层交叉验证进入训练/测试集：通过这种方式，我们可以确保在每个细分时的类之间的平衡。该模型在一个数据子集（90%）上进行训练，并在剩余的测试集（10%）上进行预测评估。<img src="/media/202408//1724856374.650508.png" /><img src="/media/202408//1724856374.6527228.png" /><img src="/media/202408//1724856374.655055.jpeg" />图3从提取的特征开始，预测PWAT尺度值的惩罚回归模型的结果。地面真实和预测值之间的相关性使用斯皮尔曼等级相关性估计。图例）。a对模型的单一交叉验证的结果。用虚线，我们突出显示与完美预测对应的轴平分线。由于该条件下的样本较少，该模型倾向于高估低PWAT尺度值。我们注意，预测是在独立于训练集的数据集上执行的。b同一管道对100次不同交叉验证的结果。在每次迭代中应用10倍交叉验证来估计斯皮尔曼的等级相关系数。c涉及PWAT分数预测的前排名特征。利用套索回归模型的系数估计了特征的信息能力<a id="bookmark30"></a>结果. 我们分析了612图像的数据集使用自动化管道，生产完整的分割面具，并提取相关特征我们美联储套索回归模型使用54获得特征（12颜色特征+2红色特征+ 13哈拉里克的特征伤口和伤口面具），估计临床PWAT值之间的相关性（地面事实）和预测的。我们使用十倍交叉验证训练回归模型；发现的最佳模型预测了正确的PWAT尺度值，斯皮尔曼的等级相关系数为0.85(参考文献。图<a href="#bookmark30">3</a>. <a id="bookmark31"></a>a)和相应的p值接近于0根据十倍交叉验证，使用每倍数据的测试子集评估相关性能，结合结果得到得分在图解在测试集上获得的预测的一个例子如图所示. <a href="#bookmark31">4</a>.我们对100个不同的交叉验证重申了相同的管道，以测试我们的模型的稳健性，即。用不同的训练/测试数据细分，重复回归步骤100次。我们在每次迭代中使用十倍交叉验证重新训练一个Lasso回归，监测模型对不同训练集细分的敏感性。斯皮尔曼等级相关系数的结果分布如图所示. <a href="#bookmark30">3</a>b.我们独立地评估了每个特征的信息能力，使用所提出的管道执行第二组100个保留（90/10）交叉验证，监测Lasso回归模型的系数。与相应特征相关的平均系数的排序分布如图所示。<a href="#bookmark30">3</a>c.<img src="/media/202408//1724856374.673837.jpeg" />图4采用回归模型对三幅测试图像进行的预测的示例。我们使用我们的模型报告每张图像的PWAT评分和预测的分数。我们用绿线突出显示了由我们的自动分割模型识别的伤口区域<img src="/media/202408//1724856374.678145.png" /><img src="/media/202408//1724856374.680515.png" />讨论自动分割模型，结合细化图像处理步骤提出了在这项工作中，允许提取定量信息的伤口和伤口周围的区域从文献中提出的定义相关项目PWAT得分，我们提取一系列特征来描述伤口和伤口周围的区域。每个提出的特征都被设计用来模拟伤口区域的一个不同方面和一个相关的PWAT子项目。. 在这项工作中，我们重点关注了PWAT得分的“全局”估计，但每个特征与理论PWAT子项之间的相关性将在未来的工作中进行分析。PWAT预测的结果突出了从伤口区域提取的特征（一个特征的子集）与评分之间的统计一致性。对一组使用非刚性采集协议采样的图像进行的预测的稳健性证实了其在临床实践中作为一种可行的决策支持系统。我们想强调的是，在这项工作中提出的结果是通过数据的刚性训练测试细分获得的，即，在一组从未见过的数据上评估模型。此外，整个管道在标准硬件上产生实时预测，使其适合于标准的临床实践，并成为智能手机实现的有效候选者。. 所提出的惩罚回归模型结合了提取的特征，找到最优权重，即参数，与每个参数关联，除了结果性能，解释回归系数允许根据提取的PWAT估计信息能力对提取的特征进行排序。. 正如预期的那样，并不是所有的特征都具有相同的信息，但只有15个提供了关于PWAT分数的信息。有趣的是，我们的模型所选择的信息最丰富的特征是如何涉及到伤口周围和伤口区域的纹理测量的. . <a href="#bookmark30">3</a>c)，然后是与伤口的暴露和对比相关的值。. 同样的测量方法也与人类对图像及其颜色的感知密切相关。这一结果证实了放射性组学方法在医学图像评估中的有效性，以及将类似技术也应用于摄影医学图像中的可能性。基于对比度的特征的重要性可以主要归因于最严重的病变的坏死状况，这导致了图像颜色的不均匀扩散。同样有趣的是，由Park et评分量化的病变状态下的经典发红，在最终预测中所起的作用是微不足道的。这种行为可能是由于我们的数据集中与病变的不平衡表示相关的偏差，对应于不同的严重程度等级和颜色阴影。. 在我们的分析中，我们有意放弃了伤口面积特征来进行PWAT估计；尽管这些信息被包含在临床实践和PWAT估计中，但它的自动计算需要预先确定的图像采集的严格标准化，这可能不利于其对常规临床检查的适用性。深层皮肤数据集包括属于几个解剖位置的伤口，图像获取没有严格的标准化。因此，如果没有比较项或预先确定的参考资料，是不可能正确估计伤口面积的。我们目前正在开发一个特别的分割模型来解决这个问题，而不丢失所提方法的易于使用的特性，这将在未来的工作中进行讨论。我们工作的主要局限性可以归因于数据的单中心来源和意大利国家患者异质性减少所导致的内在偏倚。我们的系统可以通过对大规模多中心数据集的分析来实现更深入的验证，涉及具有更广泛异质性的患者。该研究的第二个限制可以归因于所考虑的PWAT评分和患者的偏差。在分析的数据集中，PWAT得分范围从最小2到最大24，缺少得分从25到32，值类的细分不平衡。虽然这反映了意大利人口的现实生活价值，但它可能代表了训练我们制度的限制。. 进一步偏差可以相关也存在关于一般图片采集条件捕获图像与更广泛的设备不同的光条件可以提高该方法的鲁棒性，以及引入标准化的图像处理技术作为预处理的我们的分析[<a href="#bookmark32">31</a>,<a href="#bookmark33">32</a>].本文中确定的所有限制都将在未来的工作中面临，这将设法改进图像处理管道，并根据临床可用性，使用新的记录来扩大数据集。结论这项工作引入了一个全自动的管道来预测PWAT的分级规模。我们将先前发表的自动伤口图像分析管道与特征提取方法相结合，以量化与伤口愈合阶段相关的信息。我们对图像特征进行了鲁棒的机器学习分析，提供了一个回归模型来正确预测PWAT得分，斯皮尔曼相关系数为0.85。此外，所提出的回归模型可以提供一个连续的值范围的PWAT预测。浮点数。用来描述伤口的严重程度的可能性是可以使用的<img src="/media/202408//1724856374.7092109.png" /><img src="/media/202408//1724856374.7112892.png" />一个更细粒度的量表可以提供更好的患者分层，同时保持与原始PWAT量表相同的信息能力。<a id="bookmark2"></a>惩罚回归模型允许我们深入研究所提取的每个特征的信息能力，并根据它们与PWAT得分的关系对它们进行排序。我们证明了哈拉里克的特征在PWAT预测中起着统计学上的显著作用。<a id="bookmark3"></a><a id="bookmark4"></a>此外，在伤口周围区域提取的特征与在伤口周围区域提取的特征信息一样丰富。这证实了定义伤口区域的正确形状和边界对于PWAT分析的正确自动化的重要性。<a id="bookmark5"></a>拟议的管道目前在意大利博洛尼亚IRCCS Sant‘奥索拉-马尔皮吉大学医院的皮肤科使用，目前仍在完善中，以克服目前该方法的局限性。<a id="bookmark6"></a>这些改进将是今后工作的主题。<a id="bookmark7"></a><a id="bookmark8"></a>作者贡献N.C。，Y.M.，C.Z.，E.G.和T.B.，进行了研究概念和设计；N.C.，G.C.，D.B.和E.G进行了方法论的开发。所有参与论文的撰写、评论和修改的作者；Y.M.，L.R.，C.Z.和T.B。提供数据的获取和解释；N.C.。提供统计分析；B.M.P.，E.M，M.S.，G.C.C.和T.B.。提供的材料支持。所有的作者都阅读并批准了最终的论文。资助由母校-博洛尼亚大学在CRUI-CARE协议中提供的开放获取资金。作者没有得到这项工作的具体资助。本研究中使用的数据可从通讯作者的合理请求下获得。在深皮肤(. <a id="bookmark9"></a><a href="https://github.com/Nico-Curti/Deepskin">https://github.com/Nico-Curti/Deepskin</a>).用于PWAT估计的回归模型可以在存储库中找到，深度皮肤(<a href="https://github.com/Nico-Curti/Deepskin">https://github.com/Nico-Curti/Deepskin</a>).声明<a id="bookmark10"></a><a id="bookmark11"></a><a id="bookmark12"></a>作者声明没有相互竞争的利益。本文根据知识共享署名4进行授权。0国际许可，允许使用、共享、适应、分发和复制在任何媒介或格式，只要你给予适当的信贷原作者(s)和来源，提供一个链接到知识共享许可，并表明如果改变本文的图片或其他第三方材料包含在文章的知识共享许可，除非另有说明信贷额度材料如果材料不包括在文章的知识共享许可和您的预期使用不允许法律法规或超过允许的使用，您将需要直接获得版权所有者的许可。若要查看此许可证的副本，请访问. . <a id="bookmark13"></a><a href="http://creativecommons.org/licenses/by/4.0/">http://creativecommons.org/licenses/by/4.0/</a>.<a id="bookmark1"></a>参考文献1.林德霍尔姆CSearleR。21世纪的伤口管理：结合效率和效率。Int伤口J。2016;13(S2):5–15.2.奥尔森，贾布林克，迪瓦卡尔，巴帕尔，厄普顿，施米德钦，等。慢性创伤的人文和经济负担：一个系统的回顾。伤口修复修复2019年；27(1)：114-25。. 3.担架，野生，野生。卫生保健专业人员对慢性伤口的评估有多精确？Int伤口J。Giugno2007；4(2)：156-61。4.西巴尔德，艾略特，佩尔德，古德曼，阿姆斯特朗DG，哈利C，等。伤口床准备2021。进行皮肤伤口护理。2021年4月；34(4)：183-95。5.. 例如，电子与手动伤口测量技术的可靠性。. 2006年美国医学康复中心；87（10）：1396-402。6.贝茨-詹森BM，麦克里斯HE，哈普特鲁D，帕特兰A。Bates-Jensen伤口评估工具的可靠性：压疮检测研究。伤口修复修复伤口修复组织修复。卢格里奥2019；27(4)：386-95。7.霍顿PE，金凯CB，坎贝尔KE，伍德伯里MG，凯特DH。. . 慢性压力和腿部溃疡外观的照片评估造口伤口管理2000年；46(4)：20-6,28-30。8.施瓦茨，布莱恩特，格芬。一种基于每日表皮下水分测量历史的早期检测脚后跟深层组织损伤的机器学习算法，在伤口连接2022年；19(6)：1339-48。. . 9.王C，阿尼苏扎曼，威廉姆森五，达克，罗斯塔米B，尼兹戈达等。全自动的伤口分割与深度卷积神经网络。科学代表。2020年第14期；10(1)：21897。10.张J，卡坦扎罗，米海C、干扰勒O、柏林M等。检测和分割：一种深度学习方法的自动伤口图像分割通知医学解锁。. 1gennaio2022；29：100884。11.王C，严X，Smith M，Kochhar K，Rubin M，Warren SM，等。使用深度卷积神经网络自动伤口分割和分析的统一框架： 2015年IEEE医学与生物学学会（EMBC）第37届国际年会。. 2015. p.2415–8.12.福尔廷斯基，切查诺斯卡，拉德津斯基。伤口表面积测量方法。双胞胎生物医学协会。2021年10月；41(4)：1454-65。13.Chino DYT，斯波拉，卡佐拉托，乔尔赫AES，火车C，火车AJM。使用深度卷积网络分割皮肤溃疡和测量伤口面积。计算方法程序生物mluglio2020；191：105376。. 14.张梅，陈，陈，曾，莫罗，格拉斯曼，等。对加拿大皮肤t细胞淋巴瘤（CTCL）发病率和死亡率的综合分析揭示了这种恶性肿瘤的变化趋势和地理聚集性。癌2017年3月15日；123（18）：3550-67。15.利用半监督渐进式多粒度效率网络进行慢性伤口图像增强与评估。IEEE开放，日本医学中心。2023;1–17.<img src="/media/202408//1724856374.7393641.png" /><img src="/media/202408//1724856374.741729.png" />16.阮H，Agu E，Tulu B，强D，Mombini H，Pedersen P，等。机器学习模型，以综合可操作的护理决策的下肢伤口。智能健康。2020年11月1日；18：100139。17.Mombini H，图鲁B，强D，Agu E，阮H，林赛C，等。. . 一种预测慢性伤口管理决策的机器学习系统的设计：霍夫曼S，穆勒O，罗西M，数字转型设计与公民和行业共同创造服务。图章：施普林格国际出版公司；2020年。p.15–27.（《计算机科学》上的课堂讲稿）。18.柯丁，梅里，曾加里尼，詹皮埃，梅洛蒂，达尔奥利奥，等。半监督主动学习在伤口图像自动分割中的有效性。Int J Mol Sci.2023; 24(1):706.19.王，王，王，王。眼红指数：一种新的眼注射自动测量方法。Investig Opthalmology Vis Sci.18卢格里奥2013；54(7)：4821。20.朴、春、金、杨香港、黄光。结膜注射用新的临床分级量表及客观测量方法。Investig Opthalmology Vis Sci.5agosto2013；54(8)：5249。21.哈拉利克RM，尚穆甘K，邓斯坦一世。用于图像分类的纹理特征。IEEE跨系统管理员。1973年11月；SMC-3(6)：610-21。22.基于伤口评估的人工智能：系统回顾的伤口护理。. . 2022年，第11期（12期）：687-709期。23.柯尔丁，詹皮埃，瓜拉尔迪，伯纳贝夫，塞塞尼利，卡斯特拉尼等。一个稳健的结膜充血估计的全自动管道。Appl Sci.262121；11(7)：2978。. 24.等利用PET/CT放射组学特征预测宫颈癌患者的总生存率。Appl Sci.2022; 12(12):5946.25.王、科波拉，王、直肠癌患者对新辅助放化疗反应的自动预测。. 癌2022; 14(9):2231.26.兰宾，雷杰纳RTH，天神论，皮林斯，德容，范蒂姆伦，等。. . 放射组学：医学影像和个性化医疗之间的桥梁，2017年；14（12）：749-62。27.王Y，赫林顿博士。机器智能实现了放射组学研究。. 2021年时间；3（10）：838-9。28.黄EP，奥康纳JPB，McShane LM，Giger ML，Lambin P，基纳汉PE等。将放射组学转化为临床有用测试的标准。Nat牧师Clin Oncol。2023年2月；20(2)：69-82。29.. 美国林务局。，东北森林实验站（Radnor Pa）。岭，一个计算脊回归估计的计算机程序。卷。.236.没有上达比，宾夕法尼亚州：部门。农业、林业局、东北森林实验站；1977年。30.胡JY，王Y，唐敏，杨T。在多变量分析中何时考虑逻辑套索回归？我的名字是我的朋友。阿戈斯托2021；47(8)：2206。31.萨尔维，布兰西福尔蒂，维罗内塞，萨瓦塔罗，塔伦蒂诺V，萨沃亚，等。DermoCC-GAN：一种使用生成式对抗网络使皮肤图像标准化的新方法。. 计算方法程序生物模型到2022年；225：107040。32.巴拉塔C，名人，品牌。利用颜色恒定性改进皮肤镜图像分类。. IEEE J Biomed健康信息公司，2015年；19(3)：1146-52。出版商的笔记施普林格自然保持中立的管辖权主张在出版的地图和机构附属。<a id="bookmark14"></a><a id="bookmark15"></a><a id="bookmark16"></a><a id="bookmark19"></a><a id="bookmark20"></a><a id="bookmark21"></a><a id="bookmark24"></a><a id="bookmark25"></a><a id="bookmark26"></a><a id="bookmark27"></a><a id="bookmark28"></a><a id="bookmark29"></a><a id="bookmark32"></a><a id="bookmark33"></a><img src="/media/202408//1724856374.76409.png" /><img src="/media/202408//1724856374.766824.png" />