CN111862118B - 压疮分期的训练方法、分期方法及分期系统 - Google Patents

Abstract

本公开描述了一种基于人工神经网络的压疮分期的训练方法，其特征在于，包括：准备包含身体的压疮图案的压疮图像并标定压疮图案的分期标签；对压疮图像进行预处理得到预处理压疮图像，并对预处理压疮图像进行分割生成压疮分割图像；对压疮分割图像进行标注，生成包括压疮分割图像中的压疮区域的压疮标注信息；基于分期标签、压疮分割图像和压疮标注信息对人工神经网络进行训练以获得压疮分期模型。由此，能够提高压疮分期的准确率且能够快速分期。

Description

压疮分期的训练方法、分期方法及分期系统

技术领域

本公开大体涉及一种压疮分期的训练方法、分期方法及分期系统。

背景技术

压疮是由于局部皮肤长期受压，使血液循环障碍，造成软组织缺血低氧，进而导致组织坏死和溃烂。如果没有对压疮进行正确的分期并进行针对性的治疗和护理，将会使压疮扩大、加深或感染，甚至引发败血症进而导致死亡。

目前在临床上，医护人员常常借助例如一次性纸质软尺等测量工具、视觉识别以及临床经验对压疮进行分期。在这种情况下，压疮分期的准确性基本依赖于医护人员对压疮知识的掌握程度。目前医护人员对压疮的认知基本通过医疗机构的定期开展的压疮综合培训和实践获得。

然而各地医疗机构水平参差不齐，培训知识常常不全面或者培训时间不定期，从而使得部分医护人员对压疮分期的知识掌握不全面，进而部分医护人员容易基于错误的压疮分期对患者进行护理，进而造成压疮加深或感染。例如，当压疮有痂皮覆盖且有淤青时，医护人员认为痂皮脱落后皮肤即会愈合，容易将压疮判断为Ⅱ期，但当压疮的淤青扩大，对痂皮进行清创后若出现深部组织损伤的压疮伤口基底，压疮实际为不可分期。另外，压疮分期的过程比较麻烦，需要借助测量工具对压疮伤口进行测量并基于测量获得的压疮伤口大小和压疮伤口的颜色对压疮伤口进行分期，因此容易造成压疮伤口感染。

发明内容

本公开是有鉴于上述的状况而提出的，其目的在于提供一种能够提高压疮分期的准确率且能够快速分期的压疮分期的训练方法、分期方法及分期系统。

为此，本公开第一方面提供了一种基于人工神经网络的压疮分期的训练方法，其特征在于，包括：准备包含身体的压疮图案的压疮图像并标定所述压疮图案的分期标签；对所述压疮图像进行预处理得到预处理压疮图像，并对所述预处理压疮图像进行分割生成压疮分割图像，在所述预处理中，对于身体的骶尾部和髋部，所述压疮图案在所述预处理压疮图像中的尺寸比例大于第一预设值，对于身体的颌面部和足踝部，所述压疮图案在所述预处理压疮图像尺寸比例大于第二预设值，所述第一预设值小于所述第二预设值，并且在所述预处理中，对所述压疮图像的对比度进行调整以突显所述压疮图案；对所述压疮分割图像进行标注，生成包括所述压疮分割图像中的压疮区域的压疮标注信息；并且基于所述分期标签、所述压疮分割图像和所述压疮标注信息对人工神经网络进行训练以获得压疮分期模型。在本公开中，基于压疮图像对人工神经网络进行训练以获得能够识别压疮分期的压疮分期模型。在这种情况下，能够辅助医护人员对压疮图像进行分期，由此，能够提高压疮分期的准确率且能够快速分期。

另外，在本公开第一方面所涉及的训练方法中，可选地，所述预处理包括对所述压疮图像进行缩放、裁切、对比度增强、归一化处理中的至少一种。由此，能够降低压疮图像之间的差异性且能够突显压疮图案。

另外，在本公开第一方面所涉及的训练方法中，可选地，所述第一预设值为40％至80％，所述第二预设值为80％至90％。由此，能够减少压疮图像中身体部位非压疮图案的干扰。

另外，在本公开第一方面所涉及的训练方法中，可选地，通过直方图均衡对所述压疮图像的对比度进行调整，在所述直方图均衡中，将所述压疮图像对应的HSV和LAB颜色空间中的单个分量进行直方图均衡处理。在这种情况下，能够通过对比不同颜色空间的各个分量的直方图均衡效果，进而选择效果较好的一个或多个分量对压疮图像进行直方图均衡。由此，能够突显压疮图案，进而提高压疮分割的准确性。

另外，在本公开第一方面所涉及的训练方法中，可选地，所述分期标签包括Ⅰ期，Ⅱ期，Ⅲ期，Ⅳ期，不可分期和可疑深部组织损伤期。由此，能够基于分期标签对压疮图像进行分期。

本公开第二方面提供了一种基于机器学习的压疮分期的训练方法，其特征在于，包括：准备包含身体的压疮图案的压疮图像并标定所述压疮图案的分期标签；对所述压疮图像进行预处理得到预处理压疮图像，并对所述预处理压疮图像进行分割生成压疮分割图像，在所述预处理中，对于身体的骶尾部和髋部，所述压疮图案在所述预处理压疮图像中的尺寸比例大于第一预设值，对于身体的颌面部和足踝部，所述压疮图案在所述预处理压疮图像尺寸比例大于第二预设值，所述第一预设值小于所述第二预设值，并且在所述预处理中，对所述压疮图像的对比度进行调整以突显所述压疮图案；提取所述压疮分割图像中的所述压疮图案的特征信息，所述压疮图案的特征信息包括颜色特征信息、形状特征信息和纹理特征信息；并且基于所述压疮图案的特征信息和所述分期标签对基于机器学习的分类器进行训练以获得压疮分期模型。在本公开中，通过提取压疮图案的不同特征信息对基于机器学习的分类器进行训练以获得能够识别压疮分期的压疮分期模型。在这种情况下，能够辅助医护人员对压疮图像进行分期，由此，能够提高压疮分期的准确率且能够快速分期。

另外，在本公开第二方面所涉及的训练方法中，可选地，所述颜色特征信息包括RGB、HSV和LAB各通道中的任一种通道的均值、方差、最大值、最小值、峰度、偏度中的至少一种；所述形状特征信息包括面积、周长、似圆度、长宽比、矩形度、纵横轴比中的至少一种；所述纹理特征信息包括熵、能量、对比度、均匀性、相关性均值、最大相关系数、非相似度中至少一种。由此，能够基于压疮分割图像中的压疮图案获取多种特征信息用于分类器的训练。

另外，在本公开第二方面所涉及的训练方法中，可选地，所述第一预设值为40％至80％，所述第二预设值为80％至90％。由此，能够减少压疮图像中身体部位非压疮图案的干扰。

另外，在本公开第二方面所涉及的训练方法中，可选地，通过直方图均衡对所述压疮图像的对比度进行调整，在所述直方图均衡中，将所述压疮图像对应的HSV和LAB颜色空间中的单个分量进行直方图均衡处理。由此，能够突显压疮图案，进而提高压疮分割的准确性。

另外，在本公开第二方面所涉及的训练方法中，可选地，所述分期标签包括Ⅰ期、Ⅱ期、Ⅲ期、Ⅳ期、不可分期和可疑深部组织损伤期。由此，能够基于分期标签对压疮图像进行分期。

本公开第三方面提供了一种压疮分期的分期方法，其特征在于，包括：接收压疮图像；对所述压疮图像进行预处理得到预处理压疮图像，并对所述预处理压疮图像进行分割生成压疮分割图像；将所述压疮分割图像输入利用上述的训练方法训练获得的压疮分期模型进行分期，以获得所述压疮图像的压疮分期。在本公开中，利用上述的训练方法训练获得的压疮分期模型对压疮分割图像进行分期，进而获得压疮图像的压疮分期结果。由此，能够辅助医护人员对压疮图像进行分期，提高压疮分期的准确率且能够快速分期。

本公开第四方面提供了一种压疮分期的分期系统，其特征在于，包括：输入单元，其用于接收压疮图像；预处理单元，其用于对所述压疮图像进行预处理得到预处理压疮图像，并对所述预处理压疮图像进行分割生成压疮分割图像；分期单元，其获取所述压疮分割图像并利用上述的训练方法训练获得的压疮分期模型对所述压疮分割图像进行分期，以获得所述压疮图像的压疮分期；以及显示单元，其用于显示所述压疮图像的压疮分期。在本公开中，预处理单元对输入单元接收的压疮图像进行预处理和分割处理获得压疮分割图像，分期单元包括利用上述的训练方法训练获得的压疮分期模型，分期单元对压疮分割图像进行分期，进而获得压疮图像的压疮分期结果。由此，能够辅助医护人员对压疮图像进行分期，能够提高压疮分期的准确率且能够快速分期。

根据本公开，能够提供一种能够提高压疮分期的准确率且能够快速分期的压疮分期的训练方法、分期方法及分期系统。

附图说明

现在将仅通过参考附图的例子进一步详细地解释本公开，其中：

图1是示出了本公开示例所涉及的压疮分期的分期方法的应用场景示意图。

图2是示出了本公开示例所涉及的在服务器上执行压疮分期的分期方法的流程图。

图3是示出了本公开示例所涉及的压疮分期的分期方法的流程图。

图4是示出了本公开示例所涉及的压疮分期的分期系统的框图。

图5是示出了本公开示例所涉及的基于人工神经网络的压疮分期的训练方法的流程图。

图6是示出了本公开示例所涉及的对压疮图像进行裁切的流程图。

图7是示出了本公开示例所涉及的最小外接矩形的示意图。

图8是示出了本公开示例所涉及的压疮图像分割的示意图。

图9是示出了本公开示例所涉及的基于机器学习的压疮分期的训练方法的流程图。

主要标号说明：

1…应用场景，10…采集设备，11…用户终端，12…服务器，2…分期系统，21…输入单元，22…预处理单元，23…分期单元，24…显示单元，30…最小外接矩形，31…压疮图案的轮廓。

具体实施方式

以下，参考附图，详细地说明本公开的优选实施方式。在下面的说明中，对于相同的部件赋予相同的符号，省略重复的说明。另外，附图只是示意性的图，部件相互之间的尺寸的比例或者部件的形状等可以与实际的不同。

需要说明的是，本公开中的术语“包括”和“具有”以及它们的任何变形，例如所包括或所具有的一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可以包括或具有没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

另外，在本公开的下面描述中涉及的小标题等并不是为了限制本公开的内容或范围，其仅仅是作为阅读的提示作用。这样的小标题既不能理解为用于分割文章的内容，也不应将小标题下的内容仅仅限制在小标题的范围内。

图1是示出了本公开示例所涉及的压疮分期的分期方法的应用场景示意图。图2是示出了本公开示例所涉及的在服务器上执行压疮分期的分期方法的流程图。

在一些示例中，本公开所涉及的压疮分期的分期方法(可以简称为分期方法)可以应用于如图1所示的应用场景1中。在应用场景1中，用户终端11利用连接在用户终端11上的采集设备10采集压疮图像后，将采集设备10采集的压疮图像通过计算机网络发送至服务器12。服务器12对压疮图像进行分期并将压疮图像的压疮分期结果返回给用户终端11，用户终端11显示压疮分期结果。

在一些示例中，压疮分期结果可以基于NPUAP/EPUAP(欧洲压疮咨询委员会)国际压疮分类系统，分为Ⅰ期，Ⅱ期，Ⅲ期，Ⅳ期，不可分期和可疑深部组织损伤期压六种分期。其中，分期为Ⅰ期的压疮，局部皮肤完整，病变皮肤有疼痛感、硬肿或松软。分期为Ⅱ期的压疮，表皮或部分真皮缺损，表面无腐肉及瘀伤。分期为Ⅲ期的压疮，全层皮肤缺损，可见皮下脂肪，但骨骼、肌腱或肌肉尚未暴露或不可探及，伤口处有坏死组织或腐肉。分期为Ⅳ期的压疮，全层皮肤缺损，有骨骼、肌腱或肌肉外露，伤口基底部某些区域可覆盖腐肉或焦痂。分期为不可分期的压疮，缺损涉及全层组织，基底部有腐肉或焦痂，腐肉颜色为黄色、棕褐色、灰色、绿色或棕色，焦痂颜色为棕褐色或黑色。分期为可疑深部组织损伤期的压疮，在完整且褪色的皮肤上出现紫色或栗色，或充血的水疱。

在一些示例中，采集设备10可以是摄像头、相机、热力成像仪等。摄像头例如可以是手机摄像头。相机例如可以是单目相机。采集设备10可以通过串口跟用户终端11相连接或者集成在用户终端11中。

在一些示例中，用户终端11包括但不限于是笔记本电脑、平板电脑、手机或台式机等。在一些示例中，用户终端11可以是包括处理器、存储器、显示屏和采集设备10的压疮分期专用设备。压疮分期专用设备可以为针对压疮分期设计的设备。

在一些示例中，服务器12可以包括一个或多个处理器和一个或多个存储器。其中，处理器可以包括中央处理单元、图形处理单元以及能够处理数据的其它任何电子部件，能够执行计算机程序指令。存储器可以用于存储计算机程序指令。在一些示例中，分期方法可以以计算机程序指令的形式存储在存储器中并由服务器12执行。在一些示例中，服务器12也可以是云服务器。

另外，在一些示例中，分期方法可以以离线计算机程序的形式存储在用户终端11中并由用户终端11执行。在这种情况下，用户终端11可以不依赖于计算机网络来传输压疮图像并识别压疮分期，由此，能够快速分期。

在一些示例中，如图2所示，在服务器12上执行的分期方法的流程可以包括采集压疮图像(步骤S11)，发送采集的压疮图像(步骤S12)，对压疮图像进行分期(步骤S13)，并且响应压疮分期结果(步骤S14)。

在步骤S11中，可以采集压疮图像。用户终端11可以利用连接在用户终端11上的采集设备10采集压疮图像。采集设备10采集到的压疮图像可以为彩色的压疮图像。彩色的压疮图像能够清晰的呈现红斑、腐肉、焦痂、水泡等丰富的压疮信息。另外，压疮图像可以为RGB模式、CMYK模式、Lab模式或灰度模式等模式中的一种图像。

在一些示例中，在步骤S11中，可以通过安装在用户终端11上的压疮分期软件来启动采集设备10对压疮图像进行采集。压疮分期软件包括但不限于Web(World Wide Web，万维网)应用软件、移动应用软件、桌面应用软件等。具体地，可以通过点击压疮分期应用中拍摄压疮图像功能相关的按钮，启动用户终端11上的采集设备10(例如手机摄像头)，采集患者的压疮部位的照片(也即压疮图像)。在这种情况下，基于压疮分期软件能够准确且快速地对压疮进行分期，由此，能够采取正确的护理方法，进而能够有效地防止压疮恶化。例如，照顾在家卧床患者的护理人员可以在手机上安装压疮分期软件，定时监测患者的压疮分期变化。

在一些示例中，压疮分期软件可以以软硬件结合的形式嵌入在用户终端11的中。例如，可以设计包含压疮分期嵌入式软件的用户终端11。在这种情况下，医护人员可以将用户终端11上的采集设备10对准患者的压疮部位，通过按压用户终端11上的拍摄压疮图像功能相关的硬件按钮对压疮图像进行采集。

在步骤S12中，用户终端11可以发送采集的压疮图像。在一些示例中，用户终端11可以通过计算机网络向服务器12发生采集的压疮图像。计算机网络可以包括广域网、城域网或局域网。在另一些示例中，用户终端11和服务器12可以在同一设备中。

在一些示例中，用户终端11可以通过用户终端11中的网络通讯模块连接到计算机网络，并通过计算机网络将采集到的压疮图像发送至服务器12进行压疮分期。在一些示例中，网络通讯模块包括但不限于GPRS(General packet radio service，通用无线分组业务)无线模块、WIFI无线模块或者其他有线网络。

在步骤S13中，服务器12可以对压疮图像进行分期。如上所述，分期方法可以计算机程序形式存储在服务器12中，因此服务器12可以通过执行分期方法对压疮图像进行分期以获得压疮分期结果。在另一些示例中，分期方法可以以离线计算机程序的形式存储在用户终端11中并由用户终端11执行。

在步骤S14中，服务器12获取步骤S13中获得的压疮分期结果并响应压疮分期结果。在一些示例中，服务器12可以通过计算机网络将压疮分期结果发送给用户终端11，用户终端11可以显示压疮分期结果。在另一些示例中，用户终端11和服务器12可以在同一设备中。

在一些示例中，用户终端11和服务器12可以以接口的形式进行交互。例如，服务器12提供计算机程序接口，用户终端11通过调用服务器12提供的计算机程序接口获得压疮分期结果。

如上所述，在步骤S13中，服务器12通过执行分期方法对压疮图像进行分期。以下结合图3详细描述本公开所涉及的分期方法。

图3是示出了本公开示例所涉及的压疮分期的分期方法的流程图。

在一些示例中，如图3所示，本公开所涉及的压疮分期的分期方法可以包括接收压疮图像(步骤S131)，对压疮图像进行预处理和分割以生成压疮分割图像(步骤S132)，基于压疮分期模型对压疮分割图像进行分期(步骤S133)。在这种情况下，基于压疮分期模型对压疮分割图像进行分期以获得压疮图像的压疮分期结果，由此，能够辅助医护人员对压疮图像进行分期，能够提高压疮分期的准确率且能够快速分期。

在步骤S131中，可以接收压疮图像。具体地，在一些示例中，若分期方法以计算机程序的形式存储在服务器12中，则服务器12可以通过执行存储在服务器12存储器中的计算机程序接收压疮图像。

在一些示例中，压疮图像可以为彩色的压疮图像。彩色的压疮图像能够清晰的呈现红斑、腐肉、焦痂、水泡等丰富的压疮信息。另外，压疮图像可以为RGB模式、CMYK模式、Lab模式或灰度模式等模式中的一种图像。在一些示例中，压疮图像可以为由采集设备10采集的压疮图像。在另一些示例中，压疮图像可以为预先存储在用户终端11或服务器12中的图像。

在一些示例中，接收压疮图像后可以先存储到服务器12的存储器中，等待预处理和进一步的操作。在这种情况下，可以通过未进行预处理的压疮图像的数量分析分期方法的分期效率。由此，能够进一步优化分期方法。

在步骤S132中，在接收到压疮图像后，可以对压疮图像进行预处理和分割以生成压疮分割图像。

在一些示例中，可以对压疮图像进行预处理得到预处理压疮图像。由于压疮图像存在图像格式不同、尺寸不同、对比度差异大以及背景可能包含身体部位非压疮图案等问题，导致压疮分期的准确性降低，因此需要对压疮图像进行预处理。

在一些示例中，预处理可以包括对压疮图像进行缩放、裁切、对比度增强、归一化处理中的至少一种。由此，能够降低压疮图像之间的差异性且能够突显压疮图案。在一些示例中，也可以不进行预处理直接对压疮图像进行分期。预处理方法可以参见后续训练方法中的预处理过程。

另外，在一些示例中，可以对预处理压疮图像进行分割以生成压疮分割图像。例如，可以利用图像分割算法对预处理压疮图像进行分割，提取包括压疮图案的区域(也即感兴趣区域)，以生成压疮分割图像。图像分割算法包括但不限于主动轮廓、Grabcut(图割)、阈值分割法等。分割方法可以参见后续训练方法中的分割过程。

在步骤S133中，可以基于压疮分期模型对压疮分割图像进行分期。在一些示例中，可以将压疮分割图像输入压疮分期模型进行分期，以获得压疮图像的压疮分期。其中，压疮分期模型可以是利用本公开所涉及的训练方法训练获得的。由此，能够辅助医护人员对压疮图像进行分期，能够提高压疮分期的准确率且能够快速分期。

在一些示例中，本公开所涉及的训练方法包括基于人工神经网络的压疮分期的训练方法(稍后描述)和基于机器学习的压疮分期的训练方法(稍后描述)。在一些示例中，可以将压疮分割图像分别输入上述两种训练方法训练获得的压疮分期模型以获得压疮图像的压疮分期结果。在这种情况下，可以选择置信度较高的压疮分期结果作为压疮分期结果，由此，能够提高压疮分期的准确率。

以下结合图4详细描述本公开所涉及的压疮分期的分期系统。本公开中的压疮分期的分期系统可以简称为“分期系统”。分期系统用于实施上述分期方法。图4是示出了本公开示例所涉及的压疮分期的分期系统的框图。

在一些示例中，如图4所示，分期系统2可以包括输入单元21、预处理单元22、分期单元23和显示单元24。输入单元21可以接收压疮图像。预处理单元22可以对压疮图像进行预处理和分割以形成压疮分割图像。分期单元23可以基于压疮分期模型对压疮分割图像进行分期。显示单元24可以显示压疮分期结果。在这种情况下，基于压疮分期模型对压疮分割图像进行分期以获得压疮图像的压疮分期结果，由此，能够辅助医护人员对压疮图像进行分期，能够提高压疮分期的准确率且能够快速分期。

在一些示例中，输入单元21可以接收压疮图像。具体地，在一些示例中，可以通过执行存储在服务器12存储器中的计算机程序接收压疮图像。

在一些示例中，压疮图像可以为彩色的压疮图像。彩色的压疮图像能够清晰的呈现红斑、腐肉、焦痂、水泡等丰富的压疮信息。另外，压疮图像可以为RGB模式、CMYK模式、Lab模式或灰度模式等模式中的一种图像。在一些示例中，压疮图像可以为由采集设备10采集的压疮图像。在另一些示例中，压疮图像可以为预先存储在用户终端11或服务器12中的图像。

在一些示例中，输入单元21接收压疮图像后可以先存储到服务器12的存储器中，等待预处理和进一步的操作。在这种情况下，可以通过未进行预处理的压疮图像的数量分析分期方法的分期效率。由此，能够进一步优化分期方法。

在一些示例中，预处理单元22可以用于在接收到的压疮图像后，对压疮图像进行预处理和分割以形成压疮分割图像。

在一些示例中，预处理单元22可以对压疮图像进行预处理得到预处理压疮图像。由于压疮图像存在图像格式不同、尺寸不同、对比度差异大以及背景可能包含身体部位非压疮图案等问题，导致压疮分期的准确性降低，因此需要对压疮图像进行预处理。

在一些示例中，预处理可以包括对压疮图像进行缩放、裁切、对比度增强、归一化处理中的至少一种。由此，能够降低压疮图像之间的差异性且能够突显压疮图案。在一些示例中，也可以不进行预处理直接对压疮图像进行分期。预处理方法可以参见后续训练方法中的预处理过程。

在一些示例中，预处理单元22可以对预处理压疮图像进行分割以生成压疮分割图像。例如，可以利用图像分割算法对预处理压疮图像进行分割，提取包括压疮图案的区域(也即感兴趣区域)，以生成压疮分割图像。图像分割算法包括但不限于主动轮廓、Grabcut(图割)、阈值分割法等。分割方法可以参见后续训练方法中的分割过程。

在一些示例中，分期单元23可以基于压疮分期模型对压疮分割图像进行分期。在一些示例中，分期单元23可以获取压疮分割图像并将压疮分割图像输入压疮分期模型进行分期，以获得压疮图像的压疮分期。其中，压疮分期模型可以是利用本公开所涉及的训练方法训练获得的。由此，能够辅助医护人员对压疮图像进行分期，能够提高压疮分期的准确率且能够快速分期。

在一些示例中，本公开所涉及的训练方法包括本公开所涉及的基于人工神经网络的压疮分期的训练方法(稍后描述)和基于机器学习的压疮分期的训练方法(稍后描述)。在一些示例中，可以将压疮分割图像分别输入上述两种训练方法训练获得的压疮分期模型以获得压疮图像的压疮分期结果。在这种情况下，可以选择置信度较高的压疮分期结果作为压疮分期结果，由此，能够提高压疮分期的准确率。

在一些示例中，显示单元24可以显示压疮分期结果。在一些示例中，显示单元24可以通过显示设备显示压疮图像的压疮分期结果。显示设备可以包括但不限于显示器、打印机等。

在一些示例中，显示单元24可以显示针对不同压疮分期的常用护理方法和注意事项。但公开的示例不限于此。在一些示例中，分期系统2可以不包括显示单元24，例如，可以将压疮分期结果作为中间结果。

在本公开中，如上所述，分期方法的步骤S133中的压疮分期模型和分期系统2的分期单元23中的压疮分期模型，可以利用本公开所涉及的压疮分期的训练方法训练获得。本公开涉及的压疮分期的训练方法可以为基于人工神经网络的压疮分期的训练方法或基于机器学习的压疮分期的训练方法。另外，上述分期方法和分期系统2中的压疮图像可以是指压疮分期的训练方法中的压疮图像。

图5是示出了本公开示例所涉及的基于人工神经网络的压疮分期的训练方法的流程图。本公开提供的基于人工神经网络的压疮分期的训练方法可以简称为“神经网络训练方法”。

在一些示例中，如图5所示，神经网络训练方法可以包括准备压疮图像并标定分期标签(步骤S30)；对压疮图像进行预处理和分割以生成压疮分割图像(步骤S31)；对压疮分割图像进行标注以生成压疮标注信息(步骤S32)；基于分期标签、压疮分割图像和压疮标注信息对人工神经网络进行训练以获得压疮分期模型(步骤S33)。在这种情况下，基于压疮图像对人工神经网络进行训练以获得能够识别压疮分期的压疮分期模型，能够辅助医护人员对压疮图像进行分期，由此，能够提高压疮分期的准确率且能够快速分期。

在步骤S30中，可以准备压疮图像。在一些示例中，压疮图像可以包含身体的压疮图案。身体的压疮图案可以为头部压疮图案、颈部压疮图案、躯干压疮图案或四肢压疮图案等至少一种图案。压疮图案可以为压疮伤口或压疮疮面。在一些示例中，可以使用摄像头(例如可以是手机摄像头)、相机(例如可以是单目相机)、热力成像仪等设备垂直于压疮图案(例如压疮伤口或压疮疮面)获取压疮图像。压疮图像可以为彩色的压疮图像，彩色的压疮图像能够清晰的呈现红斑、腐肉、焦痂、水泡等丰富的压疮信息。另外，压疮图像还可以为RGB模式、CMYK模式、Lab模式或灰度模式等模式中的一种图像。

在一些示例中，在准备压疮图像时可以标定压疮图像所在的身体部位。在这种情况下，后续基于压疮图像进行预处理时，能够基于压疮所在的身体部位对压疮图案附近区域进行预处理。由此，能够降低压疮图案附近区域对后续人工神经网络训练的干扰。

在步骤S30中，可以标定压疮图案的分期标签，如上所述，基于NPUAP/EPUAP(欧洲压疮咨询委员会)国际压疮分类系统，压疮分期可以分为Ⅰ期，Ⅱ期，Ⅲ期，Ⅳ期，不可分期和可疑深部组织损伤期压六种分期。因此，在一些示例中，分期标签可以包括Ⅰ期，Ⅱ期，Ⅲ期，Ⅳ期，不可分期和可疑深部组织损伤期压六种标签。但是本公开的示例不限于此，在另一些示例中，分期标签可以包括瘀血红润期、炎性浸润期和溃疡期三种标签。

在一些示例中，可以由多名临床护理专家对准备的压疮图像中的压疮伤口或压疮疮面进行会诊，并基于会诊结果标定压疮图像中包含的压疮图案(压疮伤口或压疮疮面)的分期标签。

在一些示例中，多张压疮图像可以组成训练数据集。在人工神经网络训练过程中，可以将训练数据集分成训练集和测试集，利用训练集对人工神经网络进行训练并利用测试集对人工神经网络进行验证。例如，可以选择来自合作医院且去除患者信息的例如1000-8000幅压疮图像作为训练集(training set)，例如1000-3000幅压疮图像作为测试集(testing set)。在一些示例中，多张压疮图像可以包括不同分期的压疮图像。例如，可以选择1602张压疮图像作为训练数据集，其中Ⅰ期511张，Ⅱ期324张，Ⅲ期309张，Ⅳ期458张，不可分期673张，可疑深部组织损伤期115张。在一些示例中，为了提高准确性，可以选择更多的压疮图像作为训练数据集，例如，可以选择5-10万张压疮图像作为训练数据集。

在步骤S31中，可以对压疮图像进行预处理得到预处理压疮图像。由于压疮图像存在图像格式不同、尺寸不同、对比度差异大以及背景可能包含身体部位非压疮图案等问题，导致压疮分期的准确性降低，因此需要对压疮图像进行预处理。

在一些示例中，在预处理过程中，可以包括对压疮图像进行缩放、裁切、对比度增强、归一化处理中的至少一种。由此，能够降低压疮图像之间的差异性且能够突显压疮图案。

在一些示例中，如上所述，在预处理过程中，可以对压疮图像进行缩放。例如，可以利用插值算法将压疮图像缩放至预设分辨率。在一些示例中，预设分辨率可以大于或等于300dpi。例如预设分辨率可以为300dpi、450dpi或500dpi等。然而，本实施方式不限于此，根据特定需要，预设分辨率也可以是任意值。由此，既能够保证压疮图像的清晰度，又能够提高压疮分期的效率。

在一些示例中，如上所述，在预处理过程中，可以对压疮图像进行裁切。由于身体发生压疮的部位与患者在床上的体位有关，比如患者在仰卧位时，容易发生压疮的部位有肩胛部、肘部、脊椎体隆突处、骶尾部或足跟部；在俯卧位时，容易发生压疮的部位有耳部、颌面部、肩部或足踝部。在这种情况下，获取的压疮图像常常包括压疮图案和身体部位非压疮图案，因此在对压疮图像进行分期时，容易将身体部位非压疮图案误识别为压疮图案，从而导致压疮分期错误。

例如，在一些示例中，若颌面部或足踝部发生压疮，则获取颌面部的压疮图像或足踝部的压疮图像。颌面部的压疮图像或足踝部的压疮图像的背景较复杂。具体地，颌面部的压疮图像经常包括患者的鼻孔或瞳孔。在这种情况下，在对压疮图像进行分期时，容易将患者的鼻孔或瞳孔误分为不可分期压疮。足踝部的压疮图像经常包括患者的脚茧或趾骨关节。在这种情况下，在对压疮图像进行分期时，容易将患者的脚茧或趾骨误分为Ⅱ期压疮。因此对压疮图像进行裁切能够降低压疮图像中身体部位非压疮图案对压疮分期的干扰。

在一些示例中，由于身体的骶尾部和髋部的周围皮肤面积大且平整，若身体的骶尾部或髋部发生压疮，则获取骶尾部的压疮图像或髋部的压疮图像。在裁切过程中，对于身体的骶尾部和髋部，骶尾部的压疮图像或髋部的压疮图像中的身体部位非压疮图案较少。在这种情况下，可以令压疮图案在预处理压疮图像中的尺寸比例大于第一预设值。在一些示例中，第一预设值可以为40％至80％。例如，第一预设值可以为40％、50％、60％、70％或80％等。由此，能够降低压疮图像中身体部位非压疮图案对压疮分期的干扰。

另外，在一些示例中，由于身体的颌面部和足踝部的周围皮肤上身体部位非压疮图案较多，若身体的颌面部和足踝部发生压疮，则获取颌面部的压疮图像或足踝部的压疮图像。在裁切过程中，对于身体的颌面部和足踝部，颌面部的压疮图像和足踝部的压疮图像中的身体部位非压疮图案较多。在这种情况下，可以令压疮图案在预处理压疮图像尺寸比例大于第二预设值。在一些示例中，第二预设值可以为80％至90％。例如，第二预设值可以为80％、83％、85％、88％或90％等。由此，能够降低压疮图像中身体部位非压疮图案对压疮分期的干扰。

在一些示例中，第一预设值可以小于第二预设值。

以下结合图6详细描述对压疮图像进行裁切的流程。图6是示出了本公开示例所涉及的对压疮图像进行裁切的流程图。裁切处理可以包括以下步骤：获得压疮图像中的轮廓(步骤S311)，提取轮廓特征和轮廓内图案特征(步骤S312)，对轮廓特征和轮廓内图案特征进行加权(步骤S313)，基于轮廓特征和轮廓内图案特征权重获得轮廓的总权重并选择总权重最大的轮廓作为压疮图案的轮廓(步骤S314)，获取压疮图案的轮廓的最小外接矩形并根据最小外接矩形对压疮图像进行裁切(步骤S315)。

在步骤S311中，可以获得压疮图像中的轮廓。在一些示例中，由于压疮图像中可以包括一个或多个图案，每个图案具有轮廓，因此压疮图像中的轮廓可以有一个或多个。在一些示例中，可以先利用视觉处理库，例如OpenCV(开源计算机视觉库)，对压疮图像进行灰度化和二值化处理后进行轮廓查找。

在另一些示例中，在获得压疮图像中的各个轮廓前，可以使用边缘检测算法对压疮图像进行边缘检测。具体地，可以先使用OpenCV的canny函数对压疮图像进行边缘检测以获得最佳边缘，然后定义一个3*3的卷积核，遍历最佳边缘的每一个像素，当遇到像素点为白色时，对其周围的像素全部置成白色。经由多次迭代生成包括封闭边缘的图像。在这种情况下，可以基于包括封闭边缘的图像获得压疮图像中的轮廓，由此，能够获得更准确的轮廓信息。

在一些示例中，在进行边缘检测时，还可以运用形态学的方法对包括封闭边缘的图像进行腐蚀膨胀以消除封闭边缘内的零散的黑色像素点。

在步骤S312中，可以提取轮廓特征和轮廓内图案特征。在一些示例中，轮廓特征可以包括形状特征。轮廓内图案特征可以包括颜色特征。由于压疮图案的形状特征和颜色特征跟身体部位非压疮图案的形状特征和颜色特征相比存在差异，因此可以基于压疮图像中的轮廓特征(例如形状特征)和轮廓内图案特征(例如颜色特征)来区分压疮图案和身体部位非压疮图案。

在一些示例中，形状特征可以为与轮廓形状有关的特征。在一些示例中，形状特征包括但不限于轮廓的中心点到压疮图像中心点的距离、压疮图像中心点是否落入轮廓的范围内，轮廓的面积和轮廓的顶点个数。

在一些示例中，形状特征可以包括压疮图像所在的身体部位图案特有的特征。例如，对于身体的颌面部的压疮图像经常包括患者鼻孔图案或瞳孔图案。在这种情况下，可以将轮廓跟预先设定的鼻孔图案轮廓和瞳孔图案轮廓进行轮廓对比，获取轮廓的鼻孔相似度和瞳孔相似度两个特征作为形状特征。在一些示例中，预先设定的鼻孔轮廓和瞳孔轮廓可以是多张包括不同角度的鼻孔和瞳孔的轮廓图像。

另外，在一些示例中，颜色特征可以为与颜色有关的特征。在一些示例中，对于身体的足踝部的压疮图像经常包括脚茧图案或趾骨关节图案。由于脚茧图案或趾骨关节图案的颜色种类少于压疮图像的颜色种类，因此可以将压疮图像中轮廓内图案的颜色种类作为颜色特征。

具体地，在一些示例中，首先，可以将压疮图像转到HSL(H表示色相、S表示饱和度、L表示明度)色彩空间，其中H取值范围可以为0～360，S取值范围可以为0～100，L取值范围可以为0～100。接着，将H取值范围划分为多个区间，并基于各个像素点的H值将各个像素点归类到对应的区间中。然后，统计落入每个区间的像素点数量并比较每个区间的像素点数量与预设数量阈值，去掉数量小于预设数量阈值的区间。最终，将区间的数量作为压疮图像中轮廓内图案的颜色种类。

在步骤S313中，可以对轮廓特征和轮廓内图案特征进行加权。在一些示例中，可以基于一组预先设定好的权重的对各个轮廓的轮廓特征和轮廓内图案特征进行加权。轮廓特征和轮廓内图案特征可以具有相应的特征值。在一些示例中，可以基于每张压疮图像中的轮廓的各个轮廓特征和各个轮廓内图案特征的特征值之间的相对差异进行加权。例如相对差异可以是特征值之间的相差倍数或相对大小。例如，对于轮廓特征中的面积特征(即面积值)，可以将面积值进行降序或升序排列，基于排列顺序以及相邻面积值之间相差的倍数对面积特征进行加权。在这种情况下，利用特征值之间的相差倍数或相对大小，能够改善由于拍摄的角度或者距离远近导致特征值大小不统一的问题。由此，能够便于对轮廓特征和轮廓内图案特征进行加权。

在一些示例中，预设权重可以由初始权重和预定数量的压疮图像获得。其中，预定数量的压疮图像可以从训练数据集中随机抽取。具体地，可以先基于初始权重对预定数量的压疮图像进行裁切。然后判断经裁切的压疮图像中是否包括正确的压疮图案的轮廓从而对初始权重进行优化。由此，能够获得更优的权重设置作为预设权重。在一些示例中，可以结合压疮分期结果的准确度对预设权重进行优化。

在步骤S134中，可以基于轮廓特征和轮廓内图案特征权重获得各个轮廓的总权重并选择总权重最大的轮廓作为压疮图案的轮廓。

在一些示例中，可以将压疮图像中各个轮廓的轮廓特征和轮廓内图案特征的权重相加以获得各个轮廓的总权重，并选择总权重最大的轮廓作为压疮图案的轮廓。

在一些示例中，可以将轮廓特征和轮廓内图案特征的权重分别乘以相应的预定系数后再相加。在这种情况下，基于预定系数能够调整轮廓特征和轮廓内图案特征对总权重的影响程度。在一些示例中，可以基于对不同身体部位的压疮图像的特点设置预定系数。例如，对于身体的足踝部，轮廓特征中的鼻孔相似度的预定系数可以设置为0。由此，能够更准确地裁切不同身体部位的压疮图像。

图7是示出了本公开示例所涉及的最小外接矩形的示意图。

在步骤S135中，可以获取压疮图案的轮廓的最小外接矩形并根据最小外接矩形对压疮图像进行裁切。

在一些示例中，可以使用OpenCV的boundingRect函数计算最小外接矩形。例如，作为最小外接矩形的示例，图7示出了压疮图案的轮廓31的最小外接矩形30。

在一些示例中，可以基于最小外接矩形的四个顶点对压疮图像进行裁切。如图7所示，顶点a、顶点b、顶点c和顶点d为最小外接矩形30的四个顶点。在一些示例中，在裁切过程中，可以基于最小外接矩形的四个顶点和预设步长生成裁切矩形，并通过计算裁切矩形的尺寸和压疮图案的轮廓的尺寸，以判断压疮图案在预处理压疮图像中的尺寸比例是否满足预设值，进而进行裁切。

在一些示例中，对于身体的骶尾部和髋部，可以令压疮图案在预处理压疮图像中的尺寸比例大于第一预设值。在一些示例中，第一预设值可以为40％至80％。例如，第一预设值可以为40％、50％、60％、70％或80％等。对于身体的颌面部和足踝部，可以令压疮图案在预处理压疮图像尺寸比例大于第二预设值。在一些示例中，第二预设值可以为80％至90％。例如，第二预设值可以为80％、83％、85％、88％或90％等。在一些示例中，第一预设值可以小于第二预设值。

在一些示例中，压疮图像所在部位未知或者未定义相应的预设值时，可以基于默认预设值对压疮图像进行裁切。在一些示例中，尺寸比例可以是面积比例。

在步骤S31中，如上所述，在预处理过程中，可以对压疮图像进行对比度增强处理。由于老年患者的皮肤色素沉着，自体肤色往往较深，容易与压疮图案边缘或痂体融为一体，难以分辨。在这种情况下，通过对压疮图像进行对比度增强处理，能够突显压疮图案。

在一些示例中，可以通过直方图均衡对压疮图像的对比度进行调整。具体地，在直方图均衡中，可以先将压疮图像分别转到的HSV(H为色调，S为饱和度，V为明度)和LAB(L为亮度，A和B为色彩三维空间的两个轴)颜色空间中。然后对单个分量H、S、V、L、A和B进行直方图均衡处理。最后基于每个分量的对比度增强效果，选择的一个或多个分量对压疮图像进行直方图均衡。在这种情况下，通过对比不同颜色空间的分量的对比度增强效果，可以选择效果较好的一个或多个分量对压疮图像进行直方图均衡，由此，能够突显压疮图案，进而能够提高后续压疮图像分割的精确度。

在步骤S31中，如上所述，在预处理过程中，可以对压疮图像进行归一化处理。在这种情况下，能够克服不同压疮图像的差异性，由此，能够使人工神经网络更方便地对压疮图像进行分期。

图8是示出了本公开示例所涉及的压疮图像分割的示意图。

在步骤S31中，如上所述，在一些示例中，可以对预处理压疮图像进行分割生成压疮分割图像。在一些示例，可以利用图像分割算法对预处理压疮图像进行分割，提取包括压疮图案的区域(也即感兴趣区域)以生成压疮分割图像。在这种情况下，对预处理压疮图像进行分割，可以去除压疮图案附近的区域，由此，能够进一步降低压疮图案附近的区域对压疮分期结果的干扰。

在一些示例中，图像分割算法可以是主动轮廓模型。例如，图8示出了采用主动轮廓模型对不同分期的预处理压疮图像进行分割的效果。其中，压疮分割图像P11是对压疮分期为II期的预处理压疮图像P10进行分割生成的。压疮分割图像P21是对压疮分期为IV期的预处理压疮图像P20进行分割生成的。压疮分割图像P31是对压疮分期为不可分期的预处理压疮图像P30进行分割生成的。

但本公开的示例不限于此，在一些示例中，图像分割算法可以包括Grabcut(图割)、阈值分割法中的一种。

在步骤S32中，可以获取步骤S31生成的压疮分割图像，并对压疮分割图像进行标注。在一些示例中，可以使用数据集标注工具对压疮分割图像进行标注。例如数据集标注工具可以是LabelImg工具(图像标注工具)。但本公开的示例不限于此，在另一些示例中，可以直接对步骤S30获得的压疮图像进行标注。

在一些示例中，可以对压疮图像进行标注后可以生成压疮标注信息。压疮标注信息可以包括压疮分割图像中的压疮区域。

在步骤S33中，可以基于分期标签、压疮分割图像和压疮标注信息对人工神经网络进行训练以获得压疮分期模型。在一些示例中，分期标签与压疮分割图像中的压疮区域可以一一对应。

在一些示例中，可以选择来自合作医院的多张压疮图像作为训练数据集。在一些示例中，可以对多张压疮图像进行预处理和分割后生成多张压疮分割图像，并将多张压疮分割图像分成训练集和测试集。在这种情况下，可以利用训练集对人工神经网络进行训练，利用测试集对训练好的人工神经网络进行验证进而基于验证结果调整人工神经网络的参数。由此能够使训练好的人工神经网络在测试集上的误差最小。在一些示例中，训练集和测试集比例可以为7:3。

在一些示例中，可以基于PaddlePaddle(飞桨)深度学习框架来实现人工神经网络的训练。PaddlePaddle深度学习框架包含多种深度学习的模型。具体地，可以利用PaddlePaddle加载SingleShotDetection(单发多框检测)模型(也即人工神经网络)，并基于训练数据集对人工神经网络进行训练和测试以获得压疮分期模型。

但本公开的示例不限于此，在另一些示例中，可以基于百度的EasyDL(EasyDeepLearning，容易深度学习)平台进行人工神经网络的训练。

在一些示例中，可以获取训练数据集外的多张目标压疮图像。利用压疮分期模型对目标压疮图像进行预测，平均置信度为99.56％，准确率为91％。例如可以获取多张分期为I期的目标压疮图像。而医护人员对与本示例相同的多张目标压疮图像进行预测的准确率一般为72％。在这种情况下，基于压疮分期模型对压疮分割图像进行分期进而获得压疮图像的压疮分期结果，能够辅助医护人员对压疮图像进行分期，由此，能够提高压疮分期的准确率且能够快速分期。

在一些示例中，压疮图像可以包括参照物。参照物可以是一次性纸质软尺。在这种情况下，在对人工神经网络训练时除了标注压疮图案，也需要对参照物进行标注。

在本公开的神经网络训练方法中，基于压疮图像对人工神经网络进行训练以获得压疮分期模型，基于压疮分期模型能够自动识别压疮分期，辅助医护人员对压疮图像进行分期。由此，能够提高压疮分期的准确率且能够快速分期。

图9是示出了本公开示例所涉及的基于机器学习的压疮分期的训练方法的流程图。本公开提供的基于机器学习的压疮分期的训练方法可以简称为“机器学习训练方法”。

在一些示例中，如图9所示，机器学习训练方法可以包括准备压疮图像并标定分期标签(步骤S40)；对压疮图像进行预处理和分割以生成压疮分割图像(步骤S41)；提取压疮分割图像中的压疮图案的特征信息(步骤S42)；基于压疮图案的特征信息和分期标签对基于机器学习的分类器进行训练以获得压疮分期模型(步骤S43)。在这种情况下，通过提取压疮图案的不同特征信息对基于机器学习的分类器进行训练以获得能够识别压疮分期的压疮分期模型。在这种情况下，能够辅助医护人员对压疮图像进行分期，由此，能够提高压疮分期的准确率且能够快速分期。

在步骤S40中，可以准备压疮图像。在一些示例中，压疮图像包括身体的压疮图案。压疮图案可以为压疮伤口或压疮疮面。在一些示例中，可以使用摄像头(例如可以是手机摄像头)、相机(例如可以是单目相机)、热力成像仪等设备垂直于压疮图案(压疮伤口或压疮疮面)获取压疮图像。在一些示例中，可以标定压疮图案的分期标签。压疮分期可以分为Ⅰ期，Ⅱ期，Ⅲ期，Ⅳ期，不可分期和可疑深部组织损伤期压。具体内容可以参见神经网络训练方法中的步骤S30，此处不再赘述。

在步骤S41中，可以对压疮图像进行预处理得到预处理压疮图像。在一些示例中，在预处理过程中，可以包括对压疮图像进行缩放、裁切、对比度增强、归一化处理中的至少一种。由此，能够降低压疮图像之间的差异性且能够突显压疮图案。在一些示例中，在预处理过程中，对于身体的骶尾部和髋部，可以令压疮图案在预处理压疮图像中的尺寸比例大于第一预设值，对于身体的颌面部和足踝部，可以令压疮图案在预处理压疮图像尺寸比例大于第二预设值。在一些示例中，第一预设值可以小于第二预设值。在一些示例中，第一预设值可以为40％至80％，第二预设值可以为80％至90％。由此，能够降低压疮图像中身体部位非压疮图案对压疮分期的干扰。具体内容可以参见神经网络训练方法中的步骤S31，此处不再赘述。

在一些示例中，可以通过直方图均衡对压疮图像的对比度进行调整以突显压疮图案。在直方图均衡中，可以将压疮图像对应的HSV和LAB颜色空间中的单个分量进行直方图均衡处理。由此，能够突显压疮图案，进而能够提高后续压疮图像分割的精确度。具体内容可以参见神经网络训练方法中的步骤S31，此处不再赘述。

在一些示例，可以利用图像分割算法对预处理压疮图像进行分割，提取包括压疮图案的区域(也即感兴趣区域)以生成压疮分割图像。在这种情况下，对预处理压疮图像进行分割，可以去除压疮图案附近的区域，由此，能够进一步降低压疮图案附近的区域对压疮分期结果的干扰。具体内容可以参见神经网络训练方法中的步骤S31，此处不再赘述。

在步骤S42中，可以提取压疮分割图像中的压疮图案的特征信息。在一些示例中，压疮图案的特征信息可以包括颜色特征信息、形状特征信息和纹理特征信息。在这种情况下，能够组合不同的特征信息对基于机器学习的分类器进行训练，由此，能够有利于后续获得性能较好的压疮分期模型。

在一些示例中，由于不同分期的压疮伤口或压疮疮面的颜色有差异。例如，不可分期压疮伤口或压疮疮面的基底部有腐肉或焦痂，腐肉颜色为黄色、棕褐色、灰色、绿色或棕色，焦痂颜色为棕褐色或黑色。在这种情况下，颜色特征信息可以包括RGB、HSV和LAB各通道中的任一种通道的均值、方差、最大值、最小值、峰度、偏度中的至少一种。在一些示例中，形状特征信息可以包括面积、周长、似圆度、长宽比、矩形度、纵横轴比中的至少一种。例如，Ⅲ期和Ⅳ期压疮伤口或压疮疮面的似圆度高。在一些示例中，纹理特征信息可以包括熵、能量、对比度、均匀性、相关性均值、最大相关系数、非相似度中至少一种。例如，Ⅰ期和Ⅱ期压疮伤口或压疮疮面的均匀性高，熵值低。由此，能够基于压疮分割图像中的压疮图案获得多种特征信息对基于机器学习的分类器进行训练。

在步骤S43中，可以基于压疮图案的特征信息和分期标签对基于机器学习的分类器进行训练以获得压疮分期模型。其中，压疮图案的特征信息可以由步骤S42获得，分期标签可以由步骤S40获得。在一些示例中，分类器包括但不限于是基于随机森林算法、支持向量机算法和逻辑回归算法的分类器。

虽然以上结合附图和实施方式对本公开进行了具体说明，但是可以理解，上述说明不以任何形式限制本公开。本领域技术人员在不偏离本公开的实质精神和范围的情况下可以根据需要对本公开进行变形和变化，这些变形和变化均落入本公开的范围内。

Claims (12)

1.一种基于人工神经网络的压疮分期的训练方法，其特征在于，包括：准备包含身体的压疮图案的压疮图像并标定所述压疮图案的分期标签和所述压疮图像所在的身体部位，不同分期的所述压疮图案的颜色有差异；对所述压疮图像进行包括裁切和对比度增强的预处理得到预处理压疮图像，并对所述预处理压疮图像进行分割生成压疮分割图像，在所述预处理中，基于标定的所述身体部位对所述压疮图案进行所述裁切以减少所述压疮图像中所述身体部位的非压疮图案被误识别为所述压疮图案，在所述裁切中，对于所述身体部位为身体的骶尾部和髋部的所述压疮图像，所述压疮图案在所述预处理压疮图像中的尺寸比例大于第一预设值，对于所述身体部位为身体的颌面部和足踝部的所述压疮图像，所述压疮图案在所述预处理压疮图像尺寸比例大于第二预设值，所述第一预设值小于所述第二预设值，并且在所述对比度增强中，对所述压疮图像的对比度进行调整以通过突显所述压疮图案而分辨所述压疮图案的边缘与肤色；对所述压疮分割图像进行标注，生成包括所述压疮分割图像中的压疮区域的压疮标注信息；并且基于所述分期标签、所述压疮分割图像和所述压疮标注信息对人工神经网络进行训练以获得压疮分期模型。

2.根据权利要求1所述的训练方法，其特征在于：

所述预处理还包括对所述压疮图像进行缩放和归一化处理中的至少一种。

3.根据权利要求1所述的训练方法，其特征在于：

所述第一预设值为40％至80％，所述第二预设值为80％至90％。

4.根据权利要求1所述的训练方法，其特征在于：

通过直方图均衡对所述压疮图像的对比度进行调整，在所述直方图均衡中，将所述压疮图像对应的HSV和LAB颜色空间中的单个分量进行直方图均衡处理。

5.根据权利要求1所述的训练方法，其特征在于：

所述分期标签包括Ⅰ期，Ⅱ期，Ⅲ期，Ⅳ期，不可分期和可疑深部组织损伤期。

6.一种基于机器学习的压疮分期的训练方法，其特征在于，包括：准备包含身体的压疮图案的压疮图像并标定所述压疮图案的分期标签和所述压疮图像所在的身体部位，不同分期的所述压疮图案的颜色有差异；对所述压疮图像进行包括裁切和对比度增强的预处理得到预处理压疮图像，并对所述预处理压疮图像进行分割生成压疮分割图像，在所述预处理中，基于标定的所述身体部位对所述压疮图案进行所述裁切以减少所述压疮图像中所述身体部位的非压疮图案被误识别为所述压疮图案，在所述裁切中，对于所述身体部位为身体的骶尾部和髋部的所述压疮图像，所述压疮图案在所述预处理压疮图像中的尺寸比例大于第一预设值，对于所述身体部位为身体的颌面部和足踝部的所述压疮图像，所述压疮图案在所述预处理压疮图像尺寸比例大于第二预设值，所述第一预设值小于所述第二预设值，并且在所述对比度增强中，对所述压疮图像的对比度进行调整以通过突显所述压疮图案而分辨所述压疮图案的边缘与肤色；提取所述压疮分割图像中的所述压疮图案的特征信息，所述压疮图案的特征信息包括颜色特征信息、形状特征信息和纹理特征信息；并且基于所述压疮图案的特征信息和所述分期标签对基于机器学习的分类器进行训练以获得压疮分期模型。

7.根据权利要求6所述的训练方法，其特征在于：

所述颜色特征信息包括RGB、HSV和LAB各通道中的任一种通道的均值、方差、最大值、最小值、峰度、偏度中的至少一种；所述形状特征信息包括面积、周长、似圆度、长宽比、矩形度、纵横轴比中的至少一种；所述纹理特征信息包括熵、能量、对比度、均匀性、相关性均值、最大相关系数、非相似度中至少一种。

8.根据权利要求6所述的训练方法，其特征在于：

所述第一预设值为40％至80％，所述第二预设值为80％至90％。

9.根据权利要求6所述的训练方法，其特征在于：

通过直方图均衡对所述压疮图像的对比度进行调整，在所述直方图均衡中，将所述压疮图像对应的HSV和LAB颜色空间中的单个分量进行直方图均衡处理。

10.根据权利要求6所述的训练方法，其特征在于：

所述分期标签包括Ⅰ期、Ⅱ期、Ⅲ期、Ⅳ期、不可分期和可疑深部组织损伤期。

11.一种压疮分期的分期方法，其特征在于，包括：接收压疮图像；

对所述压疮图像进行预处理得到预处理压疮图像，并对所述预处理压疮图像进行分割生成压疮分割图像；将所述压疮分割图像输入利用上述权利要求1至10任一项所述的训练方法训练获得的压疮分期模型进行分期，以获得所述压疮图像的压疮分期。

12.一种压疮分期的分期系统，其特征在于，包括：输入单元，其用于接收压疮图像；预处理单元，其用于对所述压疮图像进行预处理得到预处理压疮图像，并对所述预处理压疮图像进行分割生成压疮分割图像；分期单元，其获取所述压疮分割图像并利用上述权利要求1至10任一项所述的训练方法训练获得的压疮分期模型对所述压疮分割图像进行分期，以获得所述压疮图像的压疮分期；以及显示单元，其用于显示所述压疮图像的压疮分期。

Images