術後傷口輔助分析技術

一、簡介

　　根據外科醫師的臨床經驗，病人在手術後須花數日甚至數周時間等待傷口癒合，期間需注意傷口癒合狀況，以及四周有無發炎或感染的跡象。過往這類型的傷口照護處理，完全仰賴醫護人員定期人工檢視，不僅重複性高且造成醫護人員額外的負擔，且佔據醫院病床進而增加照護的成本支出。在學術研究上，研究人員和醫院已經開始合作開發傷口照護相關的技術與系統。過往研究中對於傷口評估方式是透過拍攝傷口影像，基於影像中傷口顏色進行相關的分析，包括：傷口面積、形狀、色澤、進而對傷口組織加以分類，或是圈選傷口區域以計算傷口面積評斷復原狀況。組織分類則是透過顏色、紋理等特徵計算後，再利用機器學習技術進行模型訓練以達成分類工作。另外，研究人員透過結構性光技術(structured light technique)、照相量測法(photogrammetry)、或三維空間量測方式取得傷口組織數據。已知傷口分析的雛型系統包括:醫學數位照相量測系統(MEdical Digital PHOtogrammetric System， MEDPHOS)，以及面積與體積量測裝置系統(Measure of Area and Volume Instrument System，MAVI]。其他方法採用紅外線攝影判讀傷口溫度變化、具有量測景深的攝影器材取得傷口深度資訊來判別傷口變化，但此類方法需要昂貴且特殊的器材，需要專業人士進行器材操作才能取得傷口影像，並且受限於設備與環境因素，如：特定光源或設備龐大，容易影響傷口判讀的準確度，對於應用在一般手術後的患者傷口需要經常觀察，仍有執行上的困難。

　　目前智慧型手機、平板電腦等智慧行動裝置十分普及，皆具備內建照相機功能，人員可利用這些裝置拍攝術後傷口部位後，由醫師從照片判斷傷口部位是否有任何發炎/感染的跡象。然而影像中包含了許多背景雜訊，且不同裝置拍攝出的影像色彩表現亦不盡相同，因此需要透過影像處理技術對拍攝影像進行色彩正規化處理等前置作業。本研究提出一種對於術後傷口分析的研究，其目的是能夠以自動化方式偵測傷口，並且輔助醫師判讀傷口感染的情況。將傷口分析程序智慧化和自動化，以影像分析的科學方式來評估傷口是否有感染的問題發生，減少醫療人員因為主觀認知上的差異，導致發生傷口發炎/感染誤判的情況。

二、自動傷口偵測

　　自動傷口偵測技術由四個分析模組組成，包括：邊緣偵測、膚色偵測、色彩正規化、以及傷口區域偵測。首先，使用差分高斯(Difference of Gaussian，DoG)計算邊緣，其結果如圖一(b)所示。緊接著，將差值影像利用低通濾波器(low-pass filter)進行平滑化處理，產生如圖一(c)的模糊差值影像(DI')。設定一閥值τ以偵測疑似傷口的區域，其公式如下：

(1)

上式中μ和σ分別表示模糊差值影像的平均亮度值和亮度標準差異值，疑似傷口區域Ω的判斷如下列定義，

(2)

當Ω(x,y)=1時表示該像素屬於疑似傷口區域的一部分，其結果如圖一(d)所示。

(節錄自[2])

圖一　傷口偵測結果：(a)原始影像，(b)差值影像，(c)模糊差值影像，(d)疑似傷口區域，(e)色彩正規化後影像，和(f)偵測結果:膚色(白)、背景(黑)和傷口(灰)偵測結果

　　由於不同裝置拍攝出的影像色彩表現不盡相同，因此需要經過色彩正規化處理，將疑似傷口區域Ω的像素收集後計算平均色彩，其計算公式如下：

(3)

上式中I_r(x，y)、I_g(x，y)和I_b(x，y)分別表示傷口影像中(x,y)像素紅色值、綠色值和藍色值，N為傷口區域內總像素量。根據上述計算的平均色彩，我們對整張影像進行色彩正規化處理，其公式如下：

(4)

圖一(e)為傷口影像已經過色彩正規化處理後結果。

　　利用Kovac等人提出的膚色偵測演算法[1]，從色彩正規化後的傷口影像中偵測皮膚區域，其公式如下：

(5)

上式中，當SK(x,y)=1時表示(x,y)像素屬於皮膚的一部分。然後，利用形態學(morphologic)中的斷開(opening)和封閉(closing)運算填補皮膚區域S。緊接著，比較疑似傷口區域標記的影像Ω和皮膚區域S，在Ω內將每個疑似傷口的區塊獨立分割出來，根據該區塊位置從S計算膚色像素和非膚色像素的總數量，計算膚色總像素量N_skin對非膚色總像素量N_non-skin的比例值r，即：

(6)

當比例值r>2時，該區塊視為傷口區域的一部分。圖一(f)為偵測結果，白色為膚色區域、黑色為非膚色區域、灰色為傷口區域。

三、傷口感染辨識

　　蒐集多種傷口感染類型的影像，本研究計算影像特徵後，使用機器學習技術建立預測模型。特徵以紋理類型為主，分成直方圖特徵(hist0gram-based feature)，以及基於灰階共生矩陣 (Gary level co-occurrence matrix，GLCM) 的特徵，其中直方圖特徵共有6種，基於灰階共生矩陣的特徵類型共有20種。然後，利用使用支持向量機(support vector machine, SVM)訓練多個預測模型，搭配徑向基函數(radial basis function, RBF)和線性函數(linear function)，辨識腫脹(swelling)、出血區(blood region)、組織壞死(tissue necrosis)、以及正常傷口四種類別，圖二顯示各類傷口感染影像。

(節錄自[2])

圖二　傷口感染類型：(a)腫脹，(b)出血/發紅區，以及(c)組織壞死

　　在辨識程序中，測試影像先經過傷口偵測模組找出的傷口，將整張影像將傷口區域分割成數個重疊區塊，每個鄰近區塊有50%面積重疊。然後，計算每個區塊與傷口範圍的重疊面積，當傷口的像素數量占區塊總面積大於25%時，該區塊將保留並且進行感染類型的辨識工作。計算保留的區塊的特徵值後，利用預測模型進行辨識，其辨識流程如圖三所示。當判斷該塊為正常傷口時，則不再進行任何辨識工作；而該區塊為異常傷口時，則同時進行三種染類型的辨識。

(節錄自[2])

圖三　傷口感染類型辨識流程圖

四、實驗結果

　　在傷口偵測實驗以六張術後傷口影像進行測試，並由醫師提供真實結果與偵測結果進行比較。圖四展示五張測試傷口影像的偵測結果，圖四(a)為原始傷口影像，圖四(b)為色彩正規化處理後的傷口影像，圖四(c)顯示皮膚(白)、背景(黑)、和傷口(灰)區域的偵測結果。計算三種效能的量測值，分別為準確度(accuracy)、靈敏度(sensitivity)、和特異性(specificity)，其結果如表一所列。此外，在感染類型辨識實驗中，由醫師提供390筆傷口樣本影像，包括：80張正常傷口影像、91張出血/血塊/血清的傷口影像、111張腫脹傷口影像、以及96張壞死傷口影像。實驗採用5疊交叉驗證(5-fold cross validation)，並且支持向量機分別使用徑向基函數核和線性函數進行測試。表二為正常傷口和三種感染類型的辨識結果。

(節錄自[2])

圖四　傷口偵測結果；(a)原始影像、(b) 色彩正規化後影像、和(c)偵測結果：皮膚(白)、背景(黑)和傷口(灰)區域

表一　傷口影像分割效能評估

(節錄自[2])

表二　感染類型辨識效能評估

(節錄自[2])

五、結論

　　本研究中提出一種傷口分析技術與架構，協助醫師和照護員對於患者術後傷口的照護服務。從實驗結果發現，傷口區域的面積偵測達到平均92%的準確度；傷口感染辨識實驗中，支持向量機使用徑向基函數核時，在正常傷口、出血/發紅傷口、和瘀青傷口有比較高的準確度。此外，徑向基函數核可達到81%以上的辨識準確度，線性函數可達到78%以上的辨識準確度。

六、附註

　　本專欄文章節錄自2017年作者於「第十六屆離島資訊技術與應用研討會」發表的研究成果[2]，其實驗方法與數據皆經過嚴格設計與測試。

 參考文獻

1. Kovac, P. Peter, and S. Franc, "Human skin color clustering for face detection," IEEE EUROCON 2003: Computer as a Tool, vol.2, pp.144-148, Sept. 2003.
2. 曾易聰、廖冠豪、王楚軒、林姸希、張文村,” 運用智慧行動裝置之術後傷口分析技術與系統,” 第十六屆離島資訊技術與應用研討會 (ITAOI), pp.856-861, May 19-21, 2017.