基于病灶圖像特征提取的光動力治療方案

梅啟升，陳玉芳，吳振聰，王 敏

(福建師范大學， 醫學光電科學與技術教育部重點實驗室， 福建省光子技術重點實驗室, 福州 350007)

鮮紅斑痣是一種血管畸形疾病，血管畸形通常出生時就存在，隨著年齡增長病灶面積逐漸增大，病灶程度逐漸加重，且不會自行消退。鮮紅斑痣的生理特征是乳頭層及網狀層中部的毛細血管和毛細血管后靜脈的擴張[1]，其外觀特征表現為皮膚上有紅色斑，隨著時間增加，常常造成面部畸形、顏色加深、皮膚增厚、結節性損害等問題[2]。當前的激光光動力療法(photodynamic therapy，PDT)治療方案采用光敏劑血卟琳單甲醚(hematoporphyrin monomethyl ether，HMME)3.5～5.0 mg/kg，5 min內用波長532 nm的激光進行照射治療[3]。PDT是一種有氧分子參與的、伴隨生物效應的光敏化反應，其過程是通過特定波長的激光照射，使組織吸收的光敏劑受到激發，而激發態的光敏劑又把能量傳遞給周圍的氧，生成活性很強的單態氧，單態氧和相鄰的生物大分子發生氧化反應，產生細胞毒性作用，進而導致細胞受損乃至死亡[4-8]。

目前光動力治療方案存在的主要問題如下：首先，光動力治療過程中，激發態的光敏劑會將能量傳遞給周圍的氧，產生活性很強的單態氧，單態氧既會對異常細胞進行殺傷，也會跟正常細胞發生氧化反應，從而產生細胞毒性作用。針對上述問題，需要對光動力治療進行精確調控，降低光敏劑對正常細胞的影響。其次，傳統的光動力治療方案中，激光器產生的光功率均勻性很差，治療效果不理想，無法達到實際治療的標準。

圖像的特征提取是指計算機提取圖像信息，決定每個像素是否屬于圖像特征。特征提取的結果是把圖像上的點分為不同的子集，這些子集往往屬于孤立的點、連續的曲線或者連續的區。特征抽取是指特征被檢測后，可以從圖像中被抽取出來。特征提取出的結果被稱為特征描述或者特征向量。常用的圖像特征有顏色特征、紋理特征、形狀特征、空間關系特征。

根據上述兩個問題，本文的研究內容主要分為兩個方面：第一，硬件方面設計一款窄光譜面陣LED光源，用于取代傳統的激光光源，提高治療光源的均勻性，從而提升治療效果；第二，軟件方面采用圖像處理技術對病灶區域進行特征識別、提取，并根據病灶區域的顏色特征分析、計算病情程度，從而針對不同病情程度制作對應的非均勻透射密度的膠片進行光動力治療，解決激光治療中光敏劑副作用問題。

1 材料與方法

1.1 LED光源設計

根據光動力治療的要求，設計LED光源要滿足以下條件：第一，光源波長需要能夠滿足穿透到畸形血管深度的條件，并且該波長不被表皮中的黑色素吸收，也不會對人體產生疼痛、水腫、結痂和水皰等危害；第二，光波長要與光敏劑的吸收光譜相匹配，光源具有一定的輸出功率、有足夠的光照時長[9,10]；第三，治療光源的光功率均勻度滿足實際治療要求(90%)。

檢測儀器采用光功率密度分布均勻性檢測儀，檢測方法采用九點取樣法計算，計算公式如下：

(1)

(1)式中η表示治療光源的均勻度，Pmax表示9個測量點中光功率的最大值，Pmin表示9個測量點中光功率的最小值，Pi表示對應i點的光功率數值。

1.2 基于顏色特征的圖像分割方法

顏色特征是圖像檢測中運用最廣泛的一種視覺特征，主要在于顏色往往和圖像中所包含的物體或特征十分相關[11]。此外，顏色特征還具有較高的魯棒性，能夠保證視覺檢測的準確性[12,13]。鮮紅斑痣是一種先天性毛細血管畸形的病癥，出生時時常表現為粉紅色或紅色平坦斑塊，隨著年齡增長病灶顏色會逐漸加深、增厚[14]。根據上述原因，與復雜的、冗長的特征集算法相比，采用顏色特征的方法識別、提取圖像感興趣區域ROI(region of interest)更加高效、準確。

RGB模型是常用的一種彩色信息表達方式，它使用紅、綠、藍三原色的亮度來定量表示顏色。該模型也稱為加色混色模型，是以RGB三色光互相疊加來實現混色的方法，因而適合于顯示器等發光體的顯示。

RGB色彩模式使用RGB模型為圖像中每一個像素的RGB分量分配一個0～255范圍內的強度值。例如：純紅色R值為255，G值為0，B值為0；灰色的R、G、B三個值相等(除了0和255)；白色的R、G、B都為255；黑色的R、G、B都為0。RGB圖像只使用3種顏色，就可以使它們按照不同的比例混合，在屏幕上重現16 777 216種顏色。

根據上述的RGB模型，一個彩色圖像可以基于三基色的原理分解成R、G、B三個顏色通道的灰色圖像，假設獲取的原始圖像為I(x,y),那么分解的三通道結果為：

I(x,y)=KR×IR(x,y)+KG×IG(x,y)
+KB×IB(x,y)

(2)

(2)式中x、y表示圖像中每個像素的位置坐標，IR表示圖像中紅色通道的灰度值，IG表示圖像中綠色通道的灰度值，IB表示圖像中藍色通道的灰度值，KR表示紅色通道的顏色系數，KG表示綠色通道的系數，KB表示藍色通道的系數。

根據三個通道的數據特征，可發現粉色-紫色斑在R通道和G通道較為明顯，而B通道的實際對比度不高，不利于顏色的分辨。設定R、G顏色閾值范圍初略的提取出病灶區域,并進行初步二值化。那么最后二值化的病灶圖像BW(x,y)表示如下：

(3)

根據(3)式可以得到初步的結果圖，但是初步的二值圖像需要進行優化，去除掉椒鹽噪聲產生的干擾點，去除方案采用圖像形態學的閉操作處理。閉操作包含兩種基礎形態學圖像處理方法：膨脹與腐蝕。膨脹是使圖像中的目標進行“擴張”操作，腐蝕是使圖像中的目標進行“緊縮”操作，擴張與緊縮的方法和程度都是基于結構元控制。形態學閉操作是對圖像進行先膨脹后腐蝕：

SE=strel(‘disk’,10)

Src(x,y)=∪{(SE)z|(SE)z?BW(x,y)} (4)

(4)式中SE表示圖像的結構元，方案采用結構元半徑為10像素的單位圓進行膨脹、腐蝕操作；Src(x,y)表示優化后ROI區域二值化圖像的最終結果。

1.3 病灶分布的計算方法

病灶區域的病情分布計算方案采用灰度值特征進行分析：根據鮮紅斑痣的特性，不難發現，病情越重顏色越深。由此將病情程度大致從輕到重可分為以下幾種顏色：粉紅、紅、紫紅、紫黑[15-17]。

根據上述特點分析，方案主要是基于ROI區域的灰度值分布進行判定，即采用RGB三通道灰度值進行計算。某點的RGB通道的灰度值越小，那么該點處病情越嚴重，相反，三個通道的灰度值越大，那么該點處病情相對較輕[18]。

但是拍攝過程中或多或少存在“反光”現象，反射光強會影響圖像的三個通道灰度值計算，從而導致錯誤計算病灶情況分布。本文采用最小值濾波算法計算圖像“反光”部分，并消除“反光”區域的影響：

(5)

2 結果與分析

2.1 基于顏色特征的圖像分割方法

光源波長需要能夠滿足穿透到畸形血管深度的條件，并且該波長不被表皮中的黑色素吸收，因此光源采用中心波長為631.1 nm，波長寬度約為16 nm的面陣LED光源。每個LED光源的通電電流為5 mA，通電電壓為1.9～2.0 V。面陣LED電路總電源電壓設定為12.0 V，總電流為4.5 A，總功率約為54 W，總體根據SSP6612型LED光色電參數綜合系統進行設計，結果如圖1所示。

2.2 面陣光源的PCB電路設計

根據LED面陣光源的光強、電壓、電流等多項參數，面陣LED的PCB板大小設置為515 mm×100 mm，功率密度分布為105 mW/cm2。面陣光源布局采用6串40個LED并作為一小塊照明區域，總共20個照明區域兩兩相連，總布燈數為4 800 pcs。按紅光芯片布線，PCB部分設計圖紙如圖2所示。

根據光功率密度分布均勻性檢測儀，采用九點接收法計算，通過(1)式計算實際光功率均勻性的結果達到96%,大于實際治療要求(90%)，滿足光動力治療的實際治療要求。

2.3 利用閾值分割ROI

閾值分割ROI是將光動力治療區域進行提取，根據RGB模型的原理，將原始的彩色圖像分解為R、G、B三個通道的灰度值圖像，通過三個通道的灰度值信息最終決定的閾值條件。原始圖像分解的結果如圖3所示。

圖1 LED光源的設計參數Fig.1 LED light source design parameters

圖2 LED光源的電路設計圖紙Fig.2 Circuit design drawing of LED light source

圖3 采集鮮紅斑痣的原始圖像Fig.3 Collecting raw images of port wine stains(a)彩色圖像；(b)紅色通道的灰度圖像；(c)綠色通道的灰度圖像；(d)藍色通道的灰度圖像(a)Color image;(b)Gray image of red channel;(c)Gray image of green channel;(d)Gray image of blue channel

拍攝的彩色原始圖像采用R、G通道進行雙通道閾值分析，閾值判斷條件為R通道：150

圖4 ROI特征提取的結果Fig.4 Results of ROI feature extraction(a)雙通道閾值分割；(b)形態學優化結果(a)Two-channel threshold segmentation;(b)Morphological optimization results

2.4 計算病灶分布情況

根據分割出來的病灶區域，進行灰度處理，將顏色信息轉換成灰度信息，如圖5b所示，圖中的顏色信息轉換成灰度信息，灰度信息圖像分別由權重為0.298 9的R通道、權重為0.587 0的G通道和權重為0.114 0的B通道組成。灰度信息能夠全面顯示圖像信息,并能夠最大化簡化圖像處理難度。為了消除拍攝時的“反光”影響，方案中采用局部最小值法進行優化，圖像濾波采用ordfilt2函數進行提取，反光部分的亮度如圖5c所示。根據灰度信息圖像減去反光區域的影響，得到初步病灶分布情況圖(圖5d)；利用對比度拉伸、圖像反轉得到最終的病灶分布情況圖，如圖5e所示。在病灶分布圖中，病情嚴重處的灰度值越大(灰度值接近255白色)，病情輕微處的灰度值越小(灰度值接近0黑色)。

圖5 ROI區域病情分布計算Fig.5 Calculation of disease distribution in ROI area (a)ROI原始圖像;(b)ROI的三通道灰度圖像;(c)“反光”部分的灰度圖;(d)病情分布計算結果圖;(e)圖像反轉、對比度增強處理(a)ROI original image;(b)ROI three-channel grayscale image;(c)Grayscale image of “reflective” part;(d)Disease distribution calculation result;(e)Image inversion, contrast enhancement processing

2.5 精準調控的光動力系統

根據最終病灶分布情況圖的灰度信息，制作相對應非均勻透射密度的膠片用于精確照射治療。在病灶分布圖5e中，病情嚴重的區域顯白色，病情輕微的區域顯黑色，白色對應膠片通過率高的部分，黑色對應膠片通過率低的部分。通過率高的嚴重病情區域，利用強光照來激活病情區域的光敏劑，而通過率低的輕微病情區域，利用弱光照降低光敏劑作用，減少細胞毒性的影響。精確調控方案是依據照射光通過膠片不同透過率的部分，對不同嚴重程度的病灶區域進行光動力治療，從而達到提升治療效果，降低光敏劑的細胞毒性作用的目的。

基于病灶圖像特征提取的光動力治療方案流程：第一步，需要對病人(patient)進行取樣，取樣方式采用數碼相機進行圖像取樣(shoot a picture)；第二步，根據圖像進行圖像處理(image processing)，圖像處理部分包含提取ROI部分和計算病情分布；第三步，根據計算得出的病情分布圖像，制作非均勻透射密度的膠片(printing)；第四步，最后將膠片裝夾到光動力治療儀器上(assembly)用于精準光動力治療。上述步驟流程如圖6所示。

圖6 鮮紅斑痣治療流程圖Fig.6 Flow chart of port wine stain treatment

3 討論

本文開發了一套用于治療鮮紅斑痣的窄光譜面陣LED光源，設計了一款軟件方案用于檢測病灶區域、分析病情分布，并提出了一種精準治療方案。設計的LED光源部分取代了激光光源部分，提升了光功率的均勻性，從而提升了治療效率。精準調控方案解決了現有的某些鮮紅斑痣光動力治療設備無法精準控制治療光源照射病灶部位的問題，降低了光敏劑的細胞毒性作用。開發出這樣一種簡易的任意形狀照射光場控制方法，直接與現有的系統進行融合使用，具有可拓展性，可根據不同型號的設備進行不同的接口形狀的設計。

目前的光動力治療大多采用主觀評斷的方式，病灶分布情況的評估方式和標準都大相徑庭，這些方式的準確性和精度都不能滿足精確治療的要求。本文提供了一種基于顏色特征的病灶情況計算方案，方案采用顏色特征分割出待治療區域，并將區域內的病情分布進行精確計算，同時還消除了圖像中的“反光”影響,提升了光動力治療的準確性。本文根據定性、定量計算，給出了一種客觀統一的病灶區域評估方案,用于色素性疾病的治療,提升了治療光源的均勻性，降低了光敏劑的細胞毒性作用。

綜上所述，本文在傳統的光動力治療方案上進行了大量改進，并且加入了機器視覺的圖像檢測計算。本方案能夠給鮮紅斑痣等色素性病癥進行客觀、定量、精確的全局評價，并根據評價結果制作對應的膠片用于精確治療。本方案可以適用于多種色素性病癥的檢測與治療方面，并結合設計的窄光譜面陣LED光源與精確調控的治療系統,可以實現光動力治療上的一個重大突破。