评估伤口的方法、设备和计算机可读存储介质技术

本发明专利技术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。

Methods, equipment and computer-readable storage media for wound assessment

【技术实现步骤摘要】
评估伤口的方法、设备和计算机可读存储介质
本专利技术涉及医学评估领域，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。
技术介绍
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。
技术实现思路
针对上述问题，本专利技术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。根据本专利技术的一个方面，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。根据本专利技术的另一个方面，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专利技术的再一个方面，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。利用本专利技术的方案，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示出了根据本专利技术的实施例的用于评估伤口的方法的流程图；图2示出了根据本专利技术的实施例的一种标记训练图像的示意图；图3示出了根据本专利技术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专利技术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专利技术的各实施例进行详细说明，以便更清楚理解本专利技术的目的、特点和优点。应理解的是，附图所示的实施例并不是对本专利技术范围的限制，而只是为了说明本专利技术技术方案的实质精神。在下文的描述中，出于说明各种专利技术的实施例的目的阐述了某些具体细节以提供对各种专利技术实施例的透彻理解。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示出了根据本专利技术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本文档来自技高网...

【技术保护点】
1.一种用于评估伤口的方法，包括：/n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；/n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；/n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；/n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；/n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；/n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/n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。/n

【技术特征摘要】
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。


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。


4.如权利要求3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。


5.如权利要求3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...

【专利技术属性】
技术研发人员：方军，
申请(专利权)人：方军，
类型：发明
国别省市：上海;31