ВОССТАНОВЛЕНИЕ ОБЛАСТЕЙ СКРЫТОЙ ЯЗВЫ
Реклама
149 ВОССТАНОВЛЕНИЕ ОБЛАСТЕЙ СКРЫТОЙ ЯЗВЫ, ОБНАРУЖЕННЫХ ВЫЧИСЛИТЕЛЬНОЙ КЛАССИФИКАЦИЕЙ, ЧЕРЕЗ КОРРЕКЦИЮ ОТКЛОНЕНИЙ ИЗОБРАЖЕНИЯ1 Иналда Лейт Перейра2, Люсин Карвальо де Соуса2, Леви Анисето Сантана3, Ренато да Вейга Гуадагнин4 BSc in Physical Therapy by the Catholic University of Brasilia – UCB, [email protected], [email protected] 3 MSc in Health Sciences, Professor in the Catholic University of Brasilia – UCB, [email protected] 4 Dr in Administration, Professor in the Catholic University of Brasilia – UCB, [email protected] 2 Скрытая Язва (PU) является областью отмирания ткани, которая возникает при сжатии мягкой ткани. Анализ области PU применяется для оценки эволюцию и распространения PU с целью проведения терапевтических процедур. Изображения PU III степени были запечатлены с расстояния 30 см с нормальной осью камеры и осью камеры с 20 и 30 градусным отклонением к поверхности кожи. Области PU были затем получены классификацией, использовавшей процедуру Isoclust из программного обеспечения IDRISI. Затем коэффициенты коррекции для восстановления области из образов наклонной плоскости относительно x- и y- оси были вычислены и применены к классифицированным изображениям. Итак, стало возможно корректировать области, полученные наклонной осью камеры и достигать новых величин, которые очень подобны области, полученной нормальной осью камеры. Так области PU, полученные в таких условиях, могут быть должным образом оценены. Введение1 Скрытая язва (PU) является локализованной областью отмирания ткани, возникающей при сжатии мягкой ткани между костным выступом и жесткой поверхностью [1]. Согласно "Национальной консультативной группе по скрытой язве", распространение PU в больницах США колеблется в пределах 3% 14%, повышение до 15% - 25% наблюдается в домах отдыха [2]. В анализе, выполненном в Больнице при Бразильском университете, реальный процент случаев обнаружения PU были 41.0 на уровне интенсивной терапии, 39.5 при хирургических вмешательствах и 42.6 в реанимации [3]. Самыми легко поражаемыми областями являются районы кожи, где присутствует наименьшее количество мышечной ткани в области выступов костней, как например, крестец, большой вертел (бедренной кости), лопатка, боковые лодыжки, грудина, пятки, затылок, колени, седалищные бугорки и боковые надмыщелки [1] [4]. Продолжительность скрытости язвы на коже, на короткий период времени с более высокой интенсивностью или на длинный период с более низкой интенсивностью, ведет к ишемическим явлениям, связанным с недостатком питательных веществ и кислорода, вызывающие гипоксию, отек, воспаление и отмирание клеток [4] [5] [6]. Давление между 60 и 580 mmHg на период от 1 до 6 часов может вызвать язву, а вырезание и растирание могут посодействовать ее развитию, главным образом на чувствительных пациентах [4]. PUs могут быть классифицированы согласно глубине поражения в соотношении с расширением слоя ткани на степени I - IV, по классам I степень проявляет себя как определенная область устойчивой гиперемии, II степень - как частичное поражение эпидермиса, части дермы или обоих, III степень - как убыток общей толщины кожного покрова, включающей поражение подкожных тканей 150 или некроза и IV степень - как уничтожение всех слоев кожи, подкожной и мышечной ткани [6] [7]. Постановка задачи В определении ширины, длины, глубины и направления образования заключается медицинское определение раны [6]. Для этого разработаны необходимые измерительные инструменты для системы здравоохранения, и работникам здравоохранения следует внимательно наблюдать за историей болезни пациента для оказания помощи при разработке эффективно спланированной обработки. Область раны может быть получена простыми но менее точными методами, как, например, линейка или прослеживание на прозрачном веществе [8] [9], фотографиях или более точными методами, как, например, компьютерный анализ цифровых фотографий [7] [8] [9] [10]. Технические достижения позволили расширить подход к цифровым камерам и компьютерным системам благодаря их более высокой доступности и более низкой стоимости. В данном направлении, цифровой анализ фотографии компьютерными системами широко использован для оценки и прослеживания PUs [8] [11]. В недавней работе, расстояние и угол камеры контролировались, чтобы предотвратить вероятность ошибки при формировании изображения [11]. Цель данных научных исследований - это корректировка влияния позиции камеры на компьютерный анализ области PU по адекватной процедуре вычислительной классификации. Метод и методы 25 мая 2007 года на трех цифровых фотографиях были запечатлены PU III степени в крестцовой области пациента L.A., мужчина, 60 лет, пораженный гемиплегией на левой стороне и мозговой атрофией из-за повреждения сосудов мозга, которые были получены приблизительно 20 лет тому назад. На то, чтобы делать снимки с последующим их использованием, было получено разрешение у пациента с предварительным объяснением ему целей анализа, и было заключено соглашение с подписями двух свидетелей. Снимки были сделаны цифровой камерой (Кодак, модель Easyshare) с двух мегапиксельным решением. Для делать заключение об области, была запечатлена непораженная область площадью 4 cm2. Камера была установлена на расстоянии 30 см от PU с осью, отклоненной на 0o, 20o и 30o от нормы. Образы были получены в jpg формате, 24 битовых пикселях, и трех цветной передаче на компонентах RGB. (Рис. 1) Рисунок 1: Снимок делался с 30o отклонением на 30 см расстояний от PU. Первоначально был выбран зеленыйцвет, который адекватно соответствовал эталонному образцу, и было получено изображение (a). После нескольких тестов был выбран синий цвет для отображения области PU, создан образ (b). Следующее экспериментирование с выбором контролируемой и неконтролируемой процедуры классификации проводилось с использованием программного обеспечения IDRISI, наилучшие результаты были получены с процедурой неконтролируемой классификации Isoclust. Образы были использованы в этой процедуре классификации для идентификации только двух классов, то есть, исследуемый объект и фон в образе (a) и PU, исследуемый объект и здоровая кожа в образе (b) (Рис. 2 151 и Рис 3). Эта процедура классификации основана на Isodata и K-значимой процедурах классификации, состоящих из итеративного процесса присваивания класса ко всем пикселям, заканчивающихся с дозакономерным количеством итерации или когда достигнут максимальное значение дозакономерности [12] [13]. Полученное фотокамерой изображение приблизительно конусная проекция сфотографированного объекта, в планируемом перпендикуляре на ось камеры, искажение двух соразмерных образов происходит, когда они наклонены относительно перпендикуляра на ось камеры. Рисунок 2: Образ зеленого цвета исходного снимка, выделяющий отношение объекта после классификации образа Isoclust (a). Варианты поворота камеры предполагаются только относительно оси x, как наиболее вероятное изменение при получении образа стоящим рядом постелью пациента оператором. Восстановление значения каждого пикселя в направлении х может быть получено треугольным сходством, без вращения относительно другой оси. Восстановление в направлении y надо рассматривать переносом между размером пикселя и размером в направлении y в системе образа и его размером в направлении y в системе объекта [14] [15]. Как только корректирующий фактор для каждого пикселя в x и y направлениях был вычислен, результат берется как истинная область каждого пикселя PU. Была выполнена следующая операция: (полученная область PU плюс соответствующий объект) минус (полученная область соответствующего объекта) Рисунок 3: Образ синей полосы, выделяющий PU и соответствующий объект после классификации образа Isoclust (b). Дополнение корректирующих факторов для всех пикселей заканчивается вычислениями области PU для разных отклонений. Некоторые величины коррекции показаны в Таблице 1. Разброс величины в разных столбцах не превышает 10-4, чего не видно в этой таблице. Тенденции уменьшения показателей коррекции в нижних строках изображения происходят из-за аппроксимации низшей части камеры, с осью, указывающей на центральную часть PU. Впоследствии, данные были сгруппированы преобразованием из количества пикселей в область, и построена гистограмма, содержащая рассчитанные области (Рис. 4). Таблица 1. Показатели коррекции области, полученные поворотом камеры на 30 градусов Row N. Column number 0 0 88 84 169 253 338 1,4195 1,4195 1,4195 1,4195 1,4195 1,2893 1,2893 1,2893 1,2893 1,2893 152 177 266 355 1,1562 1,1562 1,1562 1,1562 1,1562 1,0231 1,0231 1,0231 1,0231 1,0231 0,8939 0,8939 0,8939 0,8939 0,8939 Результаты и Интерпретация По рисунку 4 видно, что, увеличивая отклонение камеры, область PU становится более низкой из-за искажения конической проекции. Применение показателей коррекции преобразует эти величины в значения очень подобные тем, которые получены перпендикулярной осью камеры на PU. Рисунок 4: Нескорректированное и исправленные области PU. UP areas from computational classification and corrected areas Area em sq cm 120,0 100,0 99,9 96,4 98,5 85,7 80,0 98,2 77,6 Classified areas 60,0 Corrected areas 40,0 20,0 0,0 0 20 30 Camera inclination in degrees Вывод Результаты показали, что области PU, вычисленные с помощью процедуры классификации Isoclust на изображениях, полученных камерой с наклонной осью относительно нормали к PU, могут быть обработаны показателями коррекции конической проекции плоского объекта. Рассматривая изменения в текстуре и тонах PU, а также его формы, эта работа показывает адекватность Isoclust неконтролируемую процедуру классификации, чтобы повышать обзор раны и оценку ее области. Также демонстрируется адекватность применения показателей коррекции области когда изображение не может быть захвачено в идеальном виде, то есть, нормально к PU. Образы с такими характеристиками могут возникнуть из недостатка ресурсов или из-за неблагоприятных условий пациентов. Эти сведения могут, следовательно, внести большой вклад в применение оценки области PU вычислительной техникой в здравоохранении при более низкой стоимости. Ссылки 1. Costa IG. Incidência de úlcera de pressão e fatores de risco relacionados em pacientes de um centro de terapia intensiva. 2003.125p. Dissertação (Mestrado em Enfermagem Fundamental) Escola de enfermagem de Ribeirão Preto, Universidade de São Paulo, São Paulo. Disponível em <http://www.teses.usp.br/teses/disponiveis/22/22132 /tde-09032004-084518/>Acesso em: 03 mar. 2007. 2. Blanes L, Duarte IS, Calil JA, Ferreira LM. Avaliação clínica e epidemiológica das úlceras por pressão em pacientes internados no Hospital São Paulo. Rev Assoc Med Bras 2004;50:182-7 3. Rogenski NMB, Santos VLCG. Estudo sobre a incidência de úlceras por pressão em um hospital universitário. Rev latino-am Enfermagem 2005;13: 474-80 4. Costa MP, Sturtz G; Costa PPC, Ferreira MC, Filho TEPB. Epidemiologia e Tratamento das Úlceras de Pressão: experiência de 77 casos. Acta Ortop Bras 2005;13:124-133. 5. Jorge AS, Dantas SRPE. Abordagem multiprofissional do tratamento de feridas. São Paulo: Atheneu; 2005. p. 378. 6. Hess, CT. Úlceras de Pressão.Tratamento de Feridas e Úlceras. Rio de Janeiro: Reichmann & Affonso Editores; 2002.79-106. 7. Brasil. Ministério da Saúde. Secretaria de Políticas de Saúde. Departamento de Atenção Básica. Manual de condutas para úlceras neurotróficas e traumáticas. Brasília: Ministério da Saúde, 2002. Disponível em <http://portal.saude.gov.br/portal/arquivos/pdf/ manual_feridas_final.pdf> Acesso em: 18 mar. 2007. 8. Medeiros GCF. Uso de Texturas para acompanhamento da evolução do tratamento de úlceras dermatológicas.2001. 93p. Dissertação (Mestrado em Engenharia Elétrica) – Escola de Engenharia de São Carlos, Universidade de São Paulo, São Paulo. Disponível em <http://www.teses.usp.br/teses/disponiveis/22/22132 /tde-09032004-084518/> Acesso em: 03 mar. 2007. 9. Mendes AFO. Avaliação do laser, com o comprimento de onda 670nm, no processo de cicatrização de úlceras de pressão no paciente lesado medular. 2002.76p. Dissertação (Mestrado em Ciências da Saúde) – Universidade de Brasília – UnB, Brasília. 10. Santos VLCG, Azevedo MAJ, Silva TS, Carvalho VMJ, Carvalho VF. Adaptação transcultural do Pressure Ulcer Scale for Healing (PUSH) para a língua portuguesa. Rev Lat-am Enf 2005;13(3)30513. 153 11. Souza MGP, Quintiliano P, Trindade L, Santana L, Sá E, Guadagnin R. Recognition of texture and area of decubits ulcers throught computer vision. Pattern Recognition and Image Analysis 2005; 15: 586-8. 12. Clark University. IDRISI Tutorial: 1987-2006. 13. Ohata AT, Quintanilha JA O uso de algoritmos de clustering na mensuração da expansão urbana e detecção de alterações na Região Metropolitana de São Paulo, in: Anais do XII Simpósio Brasileiro de Sensoriamento Remoto, Goiânia, Brasil, 16-21 de Abril de 2005, INPE, p. 647-655. 14. Ammeraal L. Computer Graphics for Java Programmers. John Wiley e Sons; 1998. p. 113-25. Foley JD, et allia. Computer Graphics: Principles and Practice. USA: AddisonWesley; 1996; p. 229-83.
