Notizia

Nov 22, 2023

Segmentazione e misurazione automatica delle lesioni da pressione utilizzando modelli di deep learning e una fotocamera LiDAR

Scientific Reports volume 13,

Rapporti scientifici volume 13, numero articolo: 680 (2023) Citare questo articolo

1221 accessi

1 Citazioni

3 Altmetrico

Dettagli sulle metriche

Le lesioni da pressione sono un problema comune che comporta una prognosi infausta, ospedalizzazione a lungo termine e un aumento dei costi medici in una società che invecchia. Questo studio ha sviluppato un metodo per eseguire la segmentazione automatica e la misurazione dell'area delle lesioni da pressione utilizzando modelli di deep learning e una fotocamera LiDAR (Light Detection and Range). Abbiamo selezionato le foto più belle di pazienti con lesioni da pressione, 528 in totale, presso il National Taiwan University Hospital dal 2016 al 2020. I margini delle lesioni da pressione sono stati etichettati da tre chirurghi plastici certificati. Le foto etichettate sono state addestrate da Mask R-CNN e U-Net per la segmentazione. Dopo aver costruito il modello di segmentazione, abbiamo effettuato una misurazione automatica dell'area della ferita tramite una fotocamera LiDAR. Abbiamo condotto uno studio clinico prospettico per testare l'accuratezza di questo sistema. Per la segmentazione automatica della ferita, le prestazioni di U-Net (coefficiente Dice (DC): 0,8448) sono state migliori di Mask R-CNN (DC: 0,5006) nella validazione esterna. Nello studio clinico prospettico, abbiamo incorporato U-Net nel nostro sistema automatico di misurazione dell'area della ferita e abbiamo ottenuto un errore relativo medio del 26,2% rispetto al metodo manuale tradizionale. Il nostro modello di segmentazione, U-Net e il sistema di misurazione dell'area hanno raggiunto una precisione accettabile, rendendoli applicabili in circostanze cliniche.

Le lesioni da pressione, causate dalla compressione prolungata dei tessuti molli, rappresentano un pesante fardello per i sistemi sanitari, colpendo milioni di pazienti in tutto il mondo. La cura delle piaghe da decubito costa più di 11 miliardi di dollari all’anno negli Stati Uniti. Il costo della cura del singolo paziente varia da $ 20.900 a $ 151.700 per lesione da pressione1.

In quest’era di pandemia di COVID-19, trasportare i pazienti per ricevere cure presso strutture mediche aumenta il rischio di contrarre il COVID-19. La telemedicina per la cura delle ferite di questi pazienti può quindi essere utile per ridurre i costi medici, evitare fonti di infezione e rendere il trattamento più efficiente. Nella telemedicina, la misurazione accurata dell'area della ferita è fondamentale per la valutazione e la gestione delle ferite croniche per monitorare il percorso di guarigione della ferita e determinare gli interventi futuri. Tuttavia, la misurazione manuale richiede molto tempo ed è scomoda per gli operatori sanitari di prima linea. Per costruire un sistema in grado di misurare automaticamente l'area della ferita, dobbiamo prima eseguire la segmentazione della ferita.

Gli studi precedenti sulla segmentazione delle ferite possono essere approssimativamente classificati in due gruppi: metodi tradizionali e metodi di deep learning. Gli studi del primo gruppo applicano l'estrazione manuale delle caratteristiche con algoritmi tradizionali, come il clustering K-means, il rilevamento dei bordi, la soglia, la crescita delle regioni, ecc.2,3,4,5,6. Questi metodi soffrono delle seguenti limitazioni: (1) come in molti sistemi di visione artificiale, le caratteristiche artigianali sono influenzate dall'ambiente e dalla risoluzione dell'immagine; (2) non sono immuni da patologie gravi e casi rari, molto poco pratici per una circostanza clinica.

A differenza dei metodi tradizionali, i metodi di deep learning basati sulla struttura delle reti neurali nel cervello umano hanno mostrato prestazioni promettenti nell’elaborazione delle immagini mediche7. Dopo i successi ottenuti da AlexNet8 nella sfida di riconoscimento visivo su larga scala di ImageNet del 2012, è iniziato lo sviluppo di applicazioni di deep learning nel dominio della visione artificiale utilizzando reti neurali convoluzionali profonde (CNN). Le CNN estraggono le caratteristiche e ne determinano l'importanza durante l'addestramento. Un'architettura di successo della CNN per la segmentazione sono le reti neurali completamente convoluzionali (FCN)9. Una FCN comprende solo strati convoluzionali senza uno strato completamente connesso. Sono stati proposti diversi modelli basati sulla FCN per risolvere il problema della segmentazione della ferita. Ad esempio, Wang et al. ha proposto l'architettura FCN vanilla per la segmentazione della ferita10. Tuttavia, il coefficiente Dice della segmentazione era solo del 64,2%. Goyal et al. ha proposto l'architettura FCN-16 sulle immagini delle ferite11. Sono stati in grado di ottenere un coefficiente Dice del 79,4% sul loro set di dati. Tuttavia, la precisione di segmentazione della rete è limitata quando si distinguono ferite piccole e ferite con bordi irregolari poiché tende a disegnare contorni lisci. Liu et al. ha proposto una nuova architettura FCN che sostituisce il decodificatore dell'FCN vanilla con una concatenazione di skip-layer sovracampionata con interpolazione bilineare12. È stata ottenuta una precisione Dice del 91,6% sul set di dati di 950 immagini scattate in un ambiente di illuminazione non controllata con uno sfondo complesso. Tuttavia, le immagini nel loro set di dati sono state annotate in modo semiautomatico utilizzando un algoritmo spartiacque. Wang et al. ha proposto un nuovo quadro convoluzionale basato su MobileNetV2 e l'etichettatura dei componenti collegati per segmentare le regioni della ferita da immagini naturali e ha ottenuto un coefficiente Dice del 90,47%13. Chang et al. ha testato cinque modelli di deep learning, U-Net, DeeplabV3, PsPNet, FPN e Mask R-CNN, basati sull'etichettatura assistita dalla segmentazione dei superpixel per segmentare le ulcere da pressione e DeeplabV3 ha ottenuto le migliori prestazioni con una precisione di 0,992514. Tuttavia, non è stata condotta alcuna convalida esterna. Il deep learning per la segmentazione delle ferite è ormai una tecnica affidabile e alcuni studi hanno ottenuto risultati esaurienti.