CN111311608B - 评估伤口的方法、设备和计算机可读存储介质 - Google Patents
评估伤口的方法、设备和计算机可读存储介质 Download PDFInfo
- Publication number
- CN111311608B CN111311608B CN202010080280.7A CN202010080280A CN111311608B CN 111311608 B CN111311608 B CN 111311608B CN 202010080280 A CN202010080280 A CN 202010080280A CN 111311608 B CN111311608 B CN 111311608B
- Authority
- CN
- China
- Prior art keywords
- wound
- image
- training
- training images
- tissue
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种用于评估伤口的方法、设备和计算机可读存储介质。该方法包括:获取多个训练图像;对每个训练图像分别标注该伤口所包含的每个组织的边缘和该组织的损伤类型以产生标注训练图像;基于多个训练图像和多个训练图像的标注训练图像对图像分割模型进行训练以产生预测分割训练图像和评估模型;将包含伤口的待评估图像输入评估模型,以得到待评估图像的预测分割图像;提取预测分割图像的伤口轮廓点,并且基于伤口轮廓点计算伤口面积、伤口长度和伤口宽度;基于预测分割图像确定伤口的每种损伤类型的组织的伤口内占比;以及基于伤口面积、伤口长度、伤口宽度和伤口的每种损伤类型的组织的伤口内占比生成伤口的伤口评估信息。
Description
技术领域
本发明涉及医学评估领域,更具体地,涉及一种基于医学影像来评估伤口的方法、实现这种方法的设备以及计算机可读存储介质。
背景技术
当前,各种意外损伤事故频发,对事故造成的外科伤口进行处理和治疗是一个持续的过程,在此过程中伤口组织的损伤类型(如肉芽组织、坏死组织、腐肉组织等)会随着治疗过程发生变化,因此需要对不同时期的伤口情况进行评估,以确定前期治疗的效果并确定后续治疗手段。通常,医疗机构的医护人员对伤口进行评估主要是采用人工使用标尺进行测量并填写报告,其中根据《伤口护理指引》对伤口测量的单位是厘米,以4份法描述伤口的各种损伤类型的占比,准确性仅为25%以内。在测量时,经常需要多名医护人员协同进行,例如由一个医护人员揭开伤口敷料端在伤口附近,另一个医护人员拿标尺参照物端在伤口附近,再一个医护人员拿相机拍照留底,后期根据照片估算伤口组织的各种损伤类型及其占比并填写到病例上。
然而,这种方式需要消耗大量人力,测量过程繁琐、标尺或参照物可能会接触伤口再次传播细菌、并且损伤类型和组织占比靠人工估算,对经验的要求过高,标准太粗糙,无法准确评估伤口情况,从而每次复诊难以准确对比前期治疗的效果也难以准确确定后续的治疗手段。
此外,当前还存在着基于图像处理来识别伤口区域的应用,这些应用大部分是在对伤口进行清洁和清创后开始的,对伤口清创是指清除伤口的黄色腐肉组织、黑色坏死组织和其它异物等,清创后的伤口主要是红色肉芽组织,这时利用颜色区间获取伤口轮廓,或灰度对比度调整等得出伤口轮廓,其原理是根据像素颜色值划分创伤面。
然而,这种方法仅能够应用在简单的场景,如清创后伤口简洁分明的伤口图像上,而无法对包含多种损伤类型的组织的伤口的各种指标进行量化。例如,伤口有一种混合型状态,即一块伤口区域既有坏死又有腐肉颜色就变成了灰色,或一块区域既有红肿又有黑色素沉淀等多种混合型的组合状态。此外,上述方法还容易受到各种外界影响,如拍摄伤口时受环境光强弱或色差亮度影响,图片中同时存在黑色毛发、黑色坏死组织和黑色衣物就无法准确识别,粉色爬皮厚愈合的伤口皮肤、粉色没愈合的上皮组织、粉色红肿伤口床和粉色肉芽也无法准确区分,伤口内外颜色一至肉眼无法分辨,或伤口残留红药水、紫药水、碘伏药水颜色时也无法分辨等等。由于无法准确识别伤口边缘,因此也就无法准确统一量化伤口的各种属性指标。
发明内容
针对上述问题,本发明提供了一种评估伤口的方案,其基于深度学习图像分割算法来对伤口进行测量和评估以生成伤口评估信息。
根据本发明的一个方面,提供了一种用于评估伤口的方法。该方法包括:获取多个训练图像,其中多个训练图像中的每个训练图像包含一个伤口并且该伤口包含至少一种损伤类型的组织;对每个训练图像分别标注该伤口所包含的每个组织的边缘和该组织的损伤类型以产生标注训练图像;基于多个训练图像和多个训练图像的标注训练图像对图像分割模型进行训练以产生预测分割训练图像和评估模型;将包含伤口的待评估图像输入评估模型,以得到待评估图像的预测分割图像;提取预测分割图像的伤口轮廓点,并且基于伤口轮廓点计算伤口面积、伤口长度和伤口宽度;基于预测分割图像确定伤口的每种损伤类型的组织的伤口内占比;以及基于伤口面积、伤口长度、伤口宽度和伤口的每种损伤类型的组织的伤口内占比生成伤口的伤口评估信息。
根据本发明的另一个方面,提供了一种用于伤口评估的设备。该设备包括:存储器,其上存储有计算机程序代码;以及处理器,其被配置为运行所述计算机程序代码,以执行如上所述的方法
根据本发明的再一个方面,提供了一种计算机可读存储介质。该计算机可读存储介质上存储有计算机程序代码,该计算机程序代码在被运行时执行如上所述的方法。
利用本发明的方案,利用深度学习图像分割算法模型,训练学习各种伤口组织在各种状态下的特征,并且利用训练好的模型对伤口进行测量和评估,能够快速准确地生成伤口评估信息。
附图说明
图1示出了根据本发明的实施例的用于评估伤口的方法的流程图;
图2示出了根据本发明的实施例的一种标记训练图像的示意图;
图3示出了根据本发明的实施例的一种预测分割图像的示意图;以及
图4示出了可以用来实施本发明的实施例的示例设备的示意性框图。
具体实施方式
以下将结合附图对本发明的各实施例进行详细说明,以便更清楚理解本发明的目的、特点和优点。应理解的是,附图所示的实施例并不是对本发明范围的限制,而只是为了说明本发明技术方案的实质精神。
在下文的描述中,出于说明各种发明的实施例的目的阐述了某些具体细节以提供对各种发明实施例的透彻理解。但是,相关领域技术人员将认识到可在无这些具体细节中的一个或多个细节的情况来实践实施例。在其它情形下,与本申请相关联的熟知的装置、结构和技术可能并未详细地示出或描述从而避免不必要地混淆实施例的描述。
除非语境有其它需要,在整个说明书和权利要求中,词语“包括”和其变型,诸如“包含”和“具有”应被理解为开放的、包含的含义,即应解释为“包括,但不限于”。
在整个说明书中对“一个实施例”或“一实施例”的提及表示结合实施例所描述的特定特点、结构或特征包括于至少一个实施例中。因此,在整个说明书的各个位置“在一个实施例中”或“在一实施例”中的出现不一定全都指相同实施例。另外,特定特点、结构或特征可在一个或多个实施例中以任何方式组合。
说明书和所附权利要求中所用的单数形式“一”和“所述”包括复数指代物,除非文中清楚地另外规定。应当指出的是术语“或”通常以其包括“和/或”的含义使用,除非文中清楚地另外规定。
图1示出了根据本发明的实施例的用于评估伤口的方法100的流程图。
如图1中所示,在方法100中,首先在步骤110获取多个训练图像,每个训练图像包含一个伤口并且该伤口包含至少一种损伤类型的组织。这里,损伤类型是指外科常见的腐烂、坏死和肉芽类型。例如,该伤口可以包含黄色腐肉组织、黑色坏死组织和红色肉芽组织中的至少一种。对于伤口仅包含一种损伤类型的情况,该损伤类型通常是红色肉芽组织,也就是说该训练图像反映的是清创后的伤口。对于伤口包含两种或两种以上损伤类型的情况,该损伤类型除了红色肉芽组织之外通常还包含黄色腐肉组织和/或黑色坏死组织,也就是说该训练图像反映的是清创前的伤口,也称混合型伤口。
在一些实施例中,步骤110中获取的训练图像是从获取的原始图像中筛查得到的。具体地,步骤110还可以包括:获取多个原始图像;对该多个原始图像进行清洗,去除其中的不合规图像并修复模糊图像以得到多个备选图像;以及对备选图像进行数据分析和组织状态统计、颜色分布和平均值统计,以从中选择出所需的多个训练图像。该多个训练图像可以用于对分割模型进行训练以产生训练好的模型用于评估。
在一些实施例中,原始图像或训练图像是利用配置有双目摄像头的便携式终端,如手机或其他移动终端,对伤口进行拍摄得到的。
接下来,在步骤120,对每个训练图像分别标注该伤口所包含的每个组织的边缘和该组织的损伤类型以产生标注训练图像。
在一些实施例中,可以使用不同的标记分别标记每个训练图像中的每种损伤类型的组织的边缘点,其中损伤类型包括腐肉、肉芽和坏死中的至少一种。然后基于每种损伤类型的组织的边缘点确定该种损伤类型的组织的损伤区域。例如,可以通过图论的方法确定所标注的每种损伤类型的组织的最***边缘点,并且连接这些最***边缘点以得到该种损伤类型的组织的损伤区域。对训练图像进行上述标注之后,基于每种损伤类型和该损伤类型的组织的损伤区域产生该训练图像的标注训练图像。也就是说,标注训练图像是在步骤110获取的训练图像基础上,叠加了指示不同损伤类型的组织的标记以及每种损伤类型的组织的损伤区域的指示得到的。
图2示出了根据本发明的实施例的一种标记训练图像200的示意图。注意,为了清楚起见,图2中所示的标记训练图像并未显示训练图像本身,而是仅仅显示了标记和损伤区域,其事实上类似于下文所述的预测分割训练图像。如图2中所示,标记训练图像200中以不同标记分别显示了三种损伤类型的组织的最***边缘210、220、230和由相应的最***边缘包围的损伤区域212、222、232。例如,损伤区域212指示红色肉芽组织,损伤区域222指示黄色腐肉组织,损伤区域232指示黑色坏死组织。所有损伤区域的集合构成了整个伤口。例如,在图2所示的实例中,红色肉芽组织的最***边缘210包围的整个区域构成了整个伤口的区域(以下也称为伤口区域210)。这里,最***边缘210、220和230显示为闭合的曲线,其是由所标注的离散的最***边缘点通过图论等算法自动连接而成的。本文中,也可以不加区分地使用标号210、220和230指代相应的最***边缘或者最***边缘点。
应当注意,图2中示意性地将三种不同损伤类型的组织的损伤区域212、222和232表示为互相层叠的,即黄色腐肉组织222位于红色肉芽组织212之上,黑色坏死组织232位于黄色腐肉组织222之上,然而实际情况并不局限于此,而是可以包括其他形式,例如各种损伤区域可以互不重叠或者仅部分重叠。
此外,在一些实施例中,还可以在训练图像上标注伤口外状态,包括干裂、皮屑、黑色素沉淀和红肿中的至少一种,或者,还可以在训练图像上标注筋、骨组织等。
接下来,在步骤130,基于多个训练图像和多个训练图像的标注训练图像对图像分割模型进行训练以产生预测分割训练图像和评估模型。
具体地,在一些实施例中,步骤130可以包括子步骤132(图中未示出),其中将多个训练图像的标注训练图像的像素值减去多个训练图像的像素值的平均值以产生多个均衡的标注训练图像。在子步骤134(图中未示出),对每个均衡的标注训练图像执行多种类型的图像数据增强操作以产生多个增强标注训练图像。每个增强标注训练图像包含与相应类型的图像数据增强操作相对应的训练特征。例如,图像数据增强操作可以包括随机旋转、缩放、变形和模糊操作中的至少一种,并且在根据本发明的实施例中,图像数据增强操作应当是从所有角度执行的,即对每个均衡的标注图像执行360度的数据增强操作。通过这种方式,能够在较少的训练图像样本的情况下产生大量的图像数据,并且能够增加更多的训练特征,以使得训练结果具有更高的适用性。
接下来,步骤130还可以包括子步骤136(图中未示出),其中将多个训练图像和多个训练图像的增强标注训练图像输入到图像分割模型以输出每个训练图像的预测分割训练图像,并基于多个训练图像和多个训练图像的预测分割训练图像产生评估模型。得到的预测分割训练图像例如可以如图2中所示。
在一些实现方式中,可以通过不同类型的损伤组织的颜色范围的统计结果来确定每种类型的损伤组织,从而产生相应地预测分割训练图像。例如,对于整个伤口区域210来说,可以将处于红色像素范围的区域确定为红色肉芽区域212,将处于黄色像素范围的区域确定为黄色腐肉区域222,将处于黑色像素范围的区域确定为黑色坏死区域232。由于伤口的损伤类型有限且每种损伤类型的像素有明显的区别,因此这种实现方式操作简单,运算量小。
在另一些实现方式中,例如可以利用图像分割模型将增强标注训练图像进行分割以得到对应的掩膜(mask)灰度图作为该预测分割训练图像,例如假设可以将图2中所示的不同损伤类型的组织的损伤区域212、222和232的灰度值分别设定为不同的灰度值g1、g2和g3,并且将其背景部分的灰度值设定为另一灰度值g4,从而通过图像分割模型对增强标注训练图像进行分割得到的预测分割训练图像是一张所有像素分别为g1、g2、g3或g4的灰度图。
在一些实施例中,图像分割模型可以是百度飞桨工业级图像分割模型库PaddleSeg中的深度卷积网络DeepLabv3+算法模型。在这种情况下,子步骤136可以包括:将多个训练图像和多个训练图像的增强标注训练图像输入到深度卷积网络DeepLabv3+算法模型,通过Xception65模型的骨干网络,利用encoder编码模块进行编码,通过多尺度孔洞空间金字塔池化ASPP(Atrous Spatial Pyramid Pooling)层执行信息融合,并且利用decoder解码模块进行解码以产生该预测分割训练图像。
在一些情况下,步骤110获取的训练图像过大,直接对其进行处理需要很大的显存。在这种情况下,还可以将训练图像划分成多个图像片段并分别进行处理,然后再将处理后的图像片段组合为预测分割训练图像。为此,在一种具体实现中,步骤130还可以包括:确定多个训练图像中的每个训练图像和该训练图像的增强标注训练图像是否大于或等于预定大小;以及如果该训练图像和该训练图像的增强标注训练图像大于或等于预定大小,则将该训练图像和该训练图像的增强标注训练图像划分成统一大小的多个训练图像片段和多个增强标注训练图像片段。
接下来,在子步骤136将该训练图像片段和增强标注训练图像片段输入到图像分割模型以输出每个训练图像的多个预测分割训练图像片段,并将每个训练图像的多个预测分割训练图像片段组合成预测分割训练图像,其中每个训练图像的预测分割训练图像与该训练图像大小相同。
通过这种方式,对于过大的训练图像也能够快速地产生预测分割图像,而不会对显存造成过大的负担。
以上步骤110至130描述了利用大量训练图像对图像分割模型进行训练以得到评估模型的过程,在获得该评估模型之后,可以利用该评估模型对新的伤口图像进行评估以获得伤口评估信息。
具体地,方法100还包括步骤140,其中可以将包含伤口的待评估图像输入上述评估模型,以得到待评估图像的预测分割图像。这里,针对待评估图像所得到的预测分割图像类似于上述步骤130中针对训练图像得到的预测分割训练图像。
接下来,在步骤150中,提取步骤140得到的待评估图像的预测分割图像的伤口轮廓点,并且基于该伤口轮廓点计算伤口面积、伤口长度和伤口宽度。图3示出了根据本发明的实施例的一种预测分割图像300的示意图。其中,标号310指示步骤140得到的伤口轮廓点组成的集合(即伤口边缘)。
这里,伤口轮廓点310是指以图论方式将各种损伤类型的组织的最***轮廓点合并得到的总的伤口区域的轮廓点。在一种实现中,可以通过如下方法来提取伤口轮廓点:使用OpenCV图像处理库,用inRange和findContours方法提取该预测分割训练图像的所有伤口轮廓点的序列,并且通过拟合从所有伤口轮廓点的序列中选取伤口轮廓点。在一些实施例中,可以通过图论的方法基于离散的伤口轮廓点来计算这些伤口轮廓点所包围的伤口区域的面积,即伤口面积。
在本文中,伤口长度定义为伤口内能容纳的最长的一根直线的长度,伤口宽度定义为沿该直线的90度角方向所能容纳的伤口内的最长的一根直线的长度。
在一种实现中,可以利用SciPy.ConvexHull凸包算法算出伤口轮廓点中所有最***轮廓点,利用SciPy.spatial.distance_matrix(该函数模块用于计算任意两个轮廓点之间的距离)算出所有最***轮廓点之间的距离矩阵,从该距离矩阵中确定距离最大值的二维索引,并且以该二维索引所对应的两个最***轮廓点之间的距离作为伤口长度。如图3中所示,标号312和314分别指示获取的决定伤口长度的两个伤口轮廓点。
在一种实现中,在确定伤口长度之后,可以基于该两个最***轮廓点确定一条横轴;从所有伤口轮廓点中确定多对伤口轮廓点,其中每对伤口轮廓点的连线垂直于该横轴;以及从该多对伤口轮廓点中选择距离最大的一对伤口轮廓点之间的距离作为伤口宽度。如图3中所示,标号316和318分别指示获取的决定伤口宽度的两个伤口轮廓点。
更具体地,在确定伤口长度的两个最***轮廓点之后,可以确定该两个最***轮廓点之间的中间点和该两个最***轮廓点之间的连线的角度,以该中间点为中心将该两个最***轮廓点之间的连线旋转该角度以将该连线上的所有点的坐标转换为具有相同的纵坐标。用数据分析工具pandas以横坐标分组,获取每组纵坐标最大值-最小值的结果序列,进行降序排序取最大值即为横坐标和纵坐标的最大值最小值,组合成AB两点坐标,这两点坐标反向旋转上述角度,就得到了确定伤口宽度的两个伤口轮廓点的坐标。
此外,方法100还可以包括步骤160,其中基于待评估图像的预测分割图像确定伤口的每种损伤类型的组织的伤口内占比。如前所示,待评估图像的预测分割图像类似于图2中所示的预测分割训练图像。在步骤150中计算了伤口面积之后,可以分别计算每种损伤类型的组织的面积,如损伤区域212、222、232的面积,并计算每种损伤类型的组织的面积与伤口面积之比。
通过这种方式,能够比较精确地确定每种损伤组织的伤口内占比,改进了现有技术中组织占比标准太粗糙从而无法准确评估伤口情况的缺点。
接下来,方法100还可以包括步骤170,其中基于伤口面积、伤口长度、伤口宽度和伤口的每种损伤类型的组织的伤口内占比生成该伤口的伤口评估信息。
此外,在一些实施例中,如果在训练图像上标注了伤口外状态,如伤口外的干裂、皮屑、黑色素沉淀和红肿等状态中的至少一种,则在对图像分割模型进行训练时还包括对图像的伤口外状态这一特征进行训练,从而产生的评估模型能够包含对伤口外状态进行评估的参数。在这种情况下,步骤170所产生的伤口评估信息还可以包括伤口的伤口外状态。
此外,在一些情况下,待评估图像是由双目摄像头拍摄的。在这种情况下,在步骤170之后,方法100还可以包括步骤180(图中未示出),其中基于伤口评估信息和三角测距原理确定待评估图像的现实世界三维坐标;并且基于待评估图像伤口轮廓内每个像素的现实世界三维坐标确定伤口深度。
上述方法100可以由单台设备实施也可以由多台设备联合实施。例如,步骤110至180可以由一台配备有摄像头(尤其是双目摄像头)的服务器来实施。或者,可以使用一台配备有摄像头(尤其是双目摄像头)的移动终端来获取原始图像或训练图像并将其传递给服务器,由服务器在后端执行步骤110至170,并将生成的伤口评估信息传送给移动终端来由移动终端确定伤口深度。
在后一种情况下,移动终端可以是一台支持ARCore的安卓手机,用谷歌AndroidStudio开发APP,用谷歌增强现实开发包arcore-android-sdk,其内核基于该移动终端的双目摄像头和即时定位与地图构建SLAM算法的三角测距原理,来提高测量精度。该移动终端在步骤110之前通过该APP对伤口进行拍照,通过ARCore实时检查保持状态,并将拍摄的图像(原始图像)或删选后的图像(训练图像或带评估图像)传输给服务器。此外,移动终端可以根据服务器返回的伤口评估信息,结合双目测距得到现实世界三维坐标xyz,z的最大值对应着伤口最深的位置,即本文所述的伤口深度。
在一种具体实现中,可以使用com.***.ar.core.HitResult.hitTest(floatxPx,float yPx)向指定位置投射光线,返回具有检测到的场景几何形状的碰撞点,这个点是现实世界的三维坐标。根据这一功能,测量伤口轮廓点转为现实世界三维坐标,每三个坐标为一组算出面积,面积不重叠,面积累后就是伤口总面积。
此外,在其他实施例中,移动终端可以不配置双目摄像头,而是配置激光发射器。在这种情况下,可以通过3D结构光测距和3D激光雷达测距来确定移动终端和伤口之间的距离,并进一步确定伤口深度,本文不再赘述。
进一步地,方法100还可以包括根据伤口评估信息(伤口面积、伤口长度、伤口宽度和伤口的每种损伤类型的组织的伤口内占比等)和伤口深度生成可视化地伤口病例,以便于医护人员查看。
图4示出了可以用来实施本发明的实施例的示例设备400的示意性框图。设备400例如可以是上述的服务器。如图所示,设备400可以包括一个或多个中央处理单元(CPU)410(图中仅示意性地示出了一个),其可以根据存储在只读存储器(ROM)420中的计算机程序指令或者从存储单元480加载到随机访问存储器(RAM)430中的计算机程序指令,来执行各种适当的动作和处理。在RAM 430中,还可存储设备400操作所需的各种程序和数据。CPU 410、ROM 420以及RAM 430通过总线440彼此相连。输入/输出(I/O)接口450也连接至总线440。
设备400中的多个部件连接至I/O接口450,包括:输入单元460,例如键盘、鼠标等;输出单元470,例如各种类型的显示器、扬声器等;存储单元480,例如磁盘、光盘等;以及通信单元490,例如网卡、调制解调器、无线通信收发机等。通信单元490允许设备400通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
上文所描述的方法100例如可由设备400的处理单元410执行。例如,在一些实施例中,方法100可被实现为计算机软件程序,其被有形地包括于机器可读介质,例如存储单元480。在一些实施例中,计算机程序的部分或者全部可以经由ROM 420和/或通信单元490而被载入和/或安装到设备400上。当计算机程序被加载到RAM 430并由CPU 410执行时,可以执行上文描述的方法100的一个或多个操作。此外,通信单元490可以支持有线或无线通信功能。
在方法100由设备400单独实施的情况下,设备400的输入单元460还可以包括摄像头或者双目摄像头。
以上结合附图对根据本发明的用于评估伤口的方法100和设备400进行了描述。然而本领域技术人员可以理解,方法100的步骤的执行并不局限于图中所示和以上所述的顺序,而是可以以任何其他合理的顺序来执行。此外,设备400也不必须包括图4中所示的所有组件,其可以仅仅包括执行本发明中所述的功能所必须的其中一些组件,并且这些组件的连接方式也不局限于图中所示的形式。
利用本发明的方案,通过基于深度学习图像分割算法训练学习各种伤口组织在各种状态下的特征,根据细胞组织结构形状,组织纹理,相邻组织关系等多种特征识别预测生成各种伤口组织分布图,采用简单的图像处理和几何算法实现,能够精确的评估伤口情况,从而准确地评估伤口的前期治疗效果并确定后期治疗方案。此外,由于基于深度学习来确定评估模型,清创前和清创后都可对伤口进行评估,而不必须预先对伤口进行清创。此外,在软件实现的情况下,可以利用已有的硬件终端而不需设计独立的硬件,成本低又方便。
本发明可以是方法、装置、***和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于执行本发明的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言-诸如Smalltalk、C++等,以及常规的过程式编程语言-诸如"C"语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络-包括局域网(LAN)或广域网(WAN)-连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本发明的各个方面。
这里参照根据本发明实施例的方法、装置(***)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理单元,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理单元执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本发明的多个实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包括一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本发明的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种用于评估伤口的方法,包括:
获取多个训练图像,其中所述多个训练图像中的每个训练图像包含一个伤口并且该伤口包含至少一种损伤类型的组织;
对每个训练图像分别标注该伤口所包含的每个组织的边缘和该组织的损伤类型以产生标注训练图像;
基于所述多个训练图像和所述多个训练图像的标注训练图像对图像分割模型进行训练以产生预测分割训练图像和评估模型;
将包含伤口的待评估图像输入所述评估模型,以得到所述待评估图像的预测分割图像;
提取所述预测分割图像的伤口轮廓点,并且基于所述伤口轮廓点计算伤口面积、伤口长度和伤口宽度;
基于所述预测分割图像确定所述伤口的每种损伤类型的组织的伤口内占比;以及
基于所述伤口面积、所述伤口长度、所述伤口宽度和所述伤口的每种损伤类型的组织的伤口内占比生成所述伤口的伤口评估信息;
其中基于所述多个训练图像和所述多个训练图像的标注训练图像对图像分割模型进行训练以产生预测分割训练图像和评估模型包括:
将所述多个训练图像的标注训练图像的像素值减去所述多个训练图像的像素值的平均值以产生多个均衡的标注训练图像;
对每个均衡的标注训练图像执行多种类型的图像数据增强操作以产生多个增强标注训练图像,每个增强标注训练图像包含与相应类型的图像数据增强操作相对应的训练特征;
将所述多个训练图像和所述多个训练图像的增强标注训练图像输入到所述图像分割模型以输出每个训练图像的预测分割训练图像,并基于所述多个训练图像和所述多个训练图像的预测分割训练图像产生所述评估模型;
其中基于所述伤口轮廓点计算伤口面积、伤口长度和伤口宽度包括:
利用SciPy.ConvexHull凸包算法算出所述伤口轮廓点中所有最***轮廓点,利用SciPy.spatial.distance_matrix算出所有最***轮廓点之间的距离矩阵,从该距离矩阵中确定距离最大值的二维索引,并且以该二维索引所对应的两个最***轮廓点之间的距离作为所述伤口长度。
2.如权利要求1所述的方法,其中对每个训练图像分别标注该伤口所包含的每个组织的边缘和该组织的损伤类型以产生标注训练图像包括:
使用不同的标记分别标记每个训练图像中的每种损伤类型的组织的边缘点,其中所述损伤类型包括腐肉、肉芽和坏死中的至少一种;
基于每种损伤类型的组织的边缘点确定该种损伤类型的组织的损伤区域;以及
基于每种损伤类型和该损伤类型的组织的损伤区域产生所述标注训练图像。
3.如权利要求1所述的方法,其中对每个均衡的标注训练图像执行多种类型的图像数据增强操包括:
对每个均衡的标注训练图像从所有角度执行随机旋转、缩放、变形和模糊操作中的至少一种。
4.如权利要求1所述的方法,其中基于所述多个训练图像和所述多个训练图像的标注训练图像对图像分割模型进行训练以产生预测分割训练图像和评估模型还包括:
确定所述多个训练图像中的每个训练图像和该训练图像的增强标注训练图像是否大于或等于预定大小;以及如果该训练图像和该训练图像的增强标注训练图像大于或等于预定大小,则将该训练图像和该训练图像的增强标注训练图像划分成统一大小的多个训练图像片段和多个增强标注训练图像片段;并且将所述多个训练图像和所述多个训练图像的增强标注训练图像输入到所述图像分割模型以输出每个训练图像的预测分割训练图像还包括:
将所述多个训练图像的训练图像片段和所述多个训练图像的增强标注训练图像片段输入到所述图像分割模型以输出每个训练图像的多个预测分割训练图像片段,并将每个训练图像的多个预测分割训练图像片段组合成所述预测分割训练图像,其中每个训练图像的预测分割训练图像与该训练图像大小相同。
5.如权利要求1所述的方法,其中所述图像分割模型是图像分割模型库PaddleSeg中的深度卷积网络DeepLabv3+算法模型,并且将所述多个训练图像和所述多个训练图像的增强标注训练图像输入到所述图像分割模型以输出每个训练图像的预测分割训练图像包括:
将所述多个训练图像和所述多个训练图像的增强标注训练图像输入到深度卷积网络DeepLabv3+算法模型,通过Xception65模型的骨干网络,利用encoder编码模块进行编码,通过多尺度孔洞空间金字塔池化ASPP(Atrous SpatialPyramidPooling)层执行信息融合,并且利用decoder解码模块进行解码以产生所述预测分割训练图像。
6.如权利要求1所述的方法,其中提取所述预测分割图像的伤口轮廓点包括:
使用OpenCV图像处理库,用inRange和findContours方法提取所述预测分割训练图像的所有伤口轮廓点的序列,并且通过拟合从所有伤口轮廓点的序列中选取所述伤口轮廓点。
7.如权利要求1所述的方法,其中基于所述伤口轮廓点计算伤口面积、伤口长度和伤口宽度包括:
基于该两个最***轮廓点确定一条横轴;
从所述伤口轮廓点中确定多对伤口轮廓点,其中每对伤口轮廓点的连线垂直于所述横轴;以及
从该多对伤口轮廓点中选择距离最大的一对伤口轮廓点之间的距离作为所述伤口宽度。
8.如权利要求1所述的方法,其中所述待评估图像是由双目摄像头拍摄的,所述方法还包括:
基于所述伤口评估信息和三角测距原理确定所述待评估图像的现实世界三维坐标;以及
基于所述待评估图像伤口轮廓内每个像素的现实世界三维坐标确定伤口深度。
9.一种用于评估伤口的设备,包括:
存储器,其上存储有计算机程序代码;以及
处理器,其被配置为运行所述计算机程序代码,以执行如权利要求1至8中任一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序代码,所述计算机程序代码在被运行时执行如权利要求1至8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010080280.7A CN111311608B (zh) | 2020-02-05 | 2020-02-05 | 评估伤口的方法、设备和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010080280.7A CN111311608B (zh) | 2020-02-05 | 2020-02-05 | 评估伤口的方法、设备和计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111311608A CN111311608A (zh) | 2020-06-19 |
CN111311608B true CN111311608B (zh) | 2023-05-09 |
Family
ID=71154772
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010080280.7A Active CN111311608B (zh) | 2020-02-05 | 2020-02-05 | 评估伤口的方法、设备和计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111311608B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113283322A (zh) * | 2021-05-14 | 2021-08-20 | 柳城牧原农牧有限公司 | 一种牲畜外伤检测方法、装置、设备和存储介质 |
CN113674234A (zh) * | 2021-08-13 | 2021-11-19 | 扬州大学 | 一种压力性损伤检测方法及*** |
CN114882098B (zh) * | 2021-09-26 | 2023-04-07 | 上海交通大学医学院附属第九人民医院 | 生物体的特定区域的面积测量方法、***和可读存储介质 |
CN114627067B (zh) * | 2022-03-08 | 2024-06-21 | 中南大学湘雅医院 | 一种基于图像处理的伤口面积测量及辅助诊疗方法 |
CN116452621B (zh) * | 2023-03-10 | 2023-12-15 | 广州市易鸿智能装备有限公司 | 一种基于强化学习的理想轮廓生成算法、装置及存储介质 |
CN117392117B (zh) * | 2023-12-04 | 2024-02-13 | 四川省医学科学院·四川省人民医院 | 一种基于OpenCV图像处理的压疮检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010221015A (ja) * | 2009-02-27 | 2010-10-07 | Terumo Corp | 3次元人体モデル生成装置、3次元人体モデル生成方法及び3次元人体モデル生成プログラム |
CN106373168A (zh) * | 2016-11-24 | 2017-02-01 | 北京三体高创科技有限公司 | 一种基于医疗图像的分割与三维重建方法、3d打印*** |
CN110378438A (zh) * | 2019-08-07 | 2019-10-25 | 清华大学 | 标签容错下的图像分割模型的训练方法、装置及相关设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10650286B2 (en) * | 2017-09-07 | 2020-05-12 | International Business Machines Corporation | Classifying medical images using deep convolution neural network (CNN) architecture |
-
2020
- 2020-02-05 CN CN202010080280.7A patent/CN111311608B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010221015A (ja) * | 2009-02-27 | 2010-10-07 | Terumo Corp | 3次元人体モデル生成装置、3次元人体モデル生成方法及び3次元人体モデル生成プログラム |
CN106373168A (zh) * | 2016-11-24 | 2017-02-01 | 北京三体高创科技有限公司 | 一种基于医疗图像的分割与三维重建方法、3d打印*** |
CN110378438A (zh) * | 2019-08-07 | 2019-10-25 | 清华大学 | 标签容错下的图像分割模型的训练方法、装置及相关设备 |
Non-Patent Citations (2)
Title |
---|
骆小飞 ; 徐军 ; 陈佳梅 ; .基于逐像素点深度卷积网络分割模型的上皮和间质组织分割.自动化学报.2017,(11),全文. * |
高云 ; 陈斌 ; 廖慧敏 ; 雷明刚 ; 黎煊 ; 李静 ; 罗俊杰 ; .群养猪侵略性行为的深度学习识别方法.农业工程学报.2019,(23),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111311608A (zh) | 2020-06-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111311608B (zh) | 评估伤口的方法、设备和计算机可读存储介质 | |
CN112017189B (zh) | 图像分割方法、装置、计算机设备和存储介质 | |
CN109815865B (zh) | 一种基于虚拟水尺的水位识别方法及*** | |
CN110637231B (zh) | 映射和编码生物学特征 | |
US8896602B2 (en) | Apparatus and method for finding visible points in a point cloud | |
KR100810326B1 (ko) | 다해상도 3차원 모델 생성 방법 | |
US20230133218A1 (en) | Image segmentation method, device and medium | |
CN110832542B (zh) | 识别处理设备、识别处理方法和程序 | |
Pavlovčič et al. | Wound perimeter, area, and volume measurement based on laser 3D and color acquisition | |
CN112990232B (zh) | 面向多种高空作业施工现场的安全带佩戴识别与检测方法 | |
CN114219855A (zh) | 点云法向量的估计方法、装置、计算机设备和存储介质 | |
CN117037103A (zh) | 一种道路检测方法和装置 | |
CN115546270A (zh) | 多尺度特征融合的图像配准方法、模型训练方法及设备 | |
CN115546231A (zh) | 一种基于半监督深度学习的自适应脑胶质瘤分割方法 | |
Zhuang et al. | A dense stereo matching method based on optimized direction-information images for the real underwater measurement environment | |
CN110533663B (zh) | 一种图像视差确定方法、装置、设备及*** | |
CN113724267A (zh) | 一种乳腺超声图像肿瘤分割方法及装置 | |
CN111652876B (zh) | 一种三维盆底超声图像的检测方法 | |
Mohafez et al. | Wound healing assessment using digital photography: a review | |
CN107945203A (zh) | Pet图像处理方法及装置、电子设备、存储介质 | |
CN110288691B (zh) | 渲染图像的方法、装置、电子设备和计算机可读存储介质 | |
CN116778559A (zh) | 基于高斯过程与随机变换的面部皱纹三维评价方法及*** | |
CN113409324B (zh) | 一种融合微分几何信息的脑分割方法 | |
WO2011069285A1 (en) | Concave surface modeling in image-based visual hull | |
CN111311722B (zh) | 信息处理方法及装置、电子设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |