一种基于AR校准与AI语义分割的创面自动测量方法

本发明涉及医疗创面评估，具体是指一种基于ar校准与ai语义分割的创面自动测量方法。

背景技术：

1、创面是临床诊疗与护理工作中常见的核心评估对象，以压疮为例，压疮又称压力性损伤，其面积和最长轴、最宽轴尺寸是评价创面严重程度和追踪愈合进展的核心量化指标。准确的创面测量数据对于护理方案的制定、治疗效果的评估以及护理质量的考核均具有重要意义。

2、目前临床上对创面的测量仍以人工方法为主。医护人员使用一次性纸质标尺或透明网格膜直接贴敷于创面表面进行目视估算，这种方法操作简便但精度较低，且因标尺需与创面直接接触而存在交叉感染的风险。不同操作者的测量经验差异也会导致同一创面的测量结果波动较大。近年来，部分研究尝试采用数码相机拍摄创面照片并结合计算机图像处理技术进行创面面积的半自动计算，但由于拍摄距离和角度的不确定性，同一创面在不同次拍摄中获得的图像比例不一致，导致测量结果的可重复性较差。

3、中国专利公开号cn118592936a提出了一种通过在创口旁放置参照物进行拍摄以校正图像比例的方案。该方案在一定程度上改善了比例失真的问题，但仍需在创口附近放置物理参照物，增加了操作步骤，且在创面位于体位受限部位时参照物的放置和拍摄均存在困难。此外，物理参照物若放置位置与创面所在平面存在高度差，透视效应仍会引入额外的比例误差。

4、在创面轮廓识别方面，传统的图像处理方法多依赖人工交互式勾画或基于颜色阈值的半自动分割。人工勾画耗时且主观性强，不同医护人员对同一创面图像的边界判定往往存在较大差异。虽然深度学习语义分割技术在医学图像分析领域已有广泛应用，但分割模型的精度高度依赖输入图像的质量。未经标准化校准的图像在不同光照条件和拍摄比例下的表现差异明显，直接导致分割结果的稳定性下降。这一问题的根源在于图像采集环节与图像分析环节相互脱节，采集端未对输入图像施加标准化的比例校准和光照校正处理，使得分割模型难以在一致的输入条件下运行。

5、在数据安全方面，医疗隐私保护法规对患者个人信息和医疗数据的安全管理提出了明确要求。然而，现有移动评估工具通常将创面图像和患者身份信息存储在终端设备本地，缺乏从采集端到存储端的全流程加密保护，患者敏感信息存在泄露隐患。

6、综上所述，现有技术中存在以下亟需解决的技术问题。其一，非接触式拍摄中因拍摄距离和角度的不确定性导致图像比例失真，使得创面物理尺寸的测量缺乏可靠基准，不同设备和不同时间的测量结果难以直接比对。其二，创面图像采集环节与创面轮廓识别及物理尺寸计算环节相互脱节，尚未形成从标准化采集到自动化测量的完整技术链路，采集端缺乏对输入图像的标准化预处理，导致语义分割模型的输入质量不稳定，测量效率和一致性不足。其三，医疗评估数据在采集、传输和存储各环节缺乏统一的安全保护机制，患者隐私信息面临泄露风险。

技术实现思路

1、本发明的目的在于提供一种基于ar校准与ai语义分割的创面自动测量方法，以解决现有技术中非接触式拍摄因拍摄距离和角度不确定性导致图像比例失真、创面轮廓识别依赖人工主观判断导致测量一致性不足、以及医疗评估数据在采集传输和存储各环节缺乏统一安全保护机制等技术问题。本发明通过增强现实虚拟标尺与透视矫正的实时检测和锁定机制从采集源头消除透视形变对图像比例的影响，通过深度学习语义分割模型与标准化预处理流程的协同配合自动提取创面区域并计算物理尺寸，通过端到端的数据加密、脱敏处理和版本快照机制保障医疗数据在全生命周期中的安全性，从而为从而为临床创面评估提供一种测量精度稳定、操作流程连贯且数据安全合规的自动化创面评估方案。

2、为解决以上问题，本发明提供一种基于ar校准与ai语义分割的创面自动测量方法：

3、一种基于ar校准与ai语义分割的创面自动测量方法，包括以下步骤，

4、步骤s1、患者创面病史建档，系统提供结构化的病史录入模板，录入创面基本信息、既往评估摘要、创面床多维状态描述、风险因素与合并症标记及近期处理措施备注，对于多发创面患者为每个创面部位分配唯一标识编号，病史信息录入完成后系统生成以当前时间戳标记的评估档案；

5、步骤s2、基于医疗腕带的身份绑定与权限初始化，通过非接触式近场感应读取患者腕带，解析出患者唯一住院号，调用医院信息系统验证身份合法性，并根据当前登录用户的预设角色加载数据访问与编辑权限策略，在云端服务器初始化以患者id为主索引且权限隔离的共享评估档案；

6、步骤s3、基于ar虚拟标尺与透视矫正的标准化图像采集，在选定创面部位后系统启动增强现实辅助拍摄界面并在取景画面上叠加可交互的虚拟标尺控件，所述虚拟标尺的初始物理尺寸基于终端设备的屏幕参数计算得出，透视矫正模块实时检测虚拟标尺与创面所在皮肤平面的几何投影关系，当检测到虚拟方格的透视形变程度高于预设阈值时界面提示条显示为红色并引导用户调整终端姿态，当形变程度低于预设阈值时提示条变为绿色且系统锁定当前画面的像素-物理尺寸映射比例并记录所述映射比例作为面积计算的基准；

7、步骤s4、图像预处理，对步骤s3采集的校准图像执行自适应直方图均衡化与高斯去噪处理，使创面区域与周围正常皮肤之间的对比度增大；

8、步骤s5、基于深度学习语义分割的创面轮廓识别，将步骤s4预处理后的图像输入预训练的语义分割模型并输出创面区域的二值化像素掩膜；

9、步骤s6、创面物理尺寸计算，基于步骤s5所得二值化像素掩膜和步骤s3锁定的像素-物理尺寸映射比例计算创面的实际物理面积、最长轴物理长度和最宽轴物理长度，并将测量结果以半透明文本形式叠加于原始图像之上；

10、步骤s7、数据加密与上传，将包括患者身份信息、创面部位、测量尺寸、面积数值、拍照时间及辅助分期结果的结构化记录经加密处理后通过网络推送至云端服务器，云端服务器接收数据后进行解密处理并对患者身份信息执行脱敏操作后存储，并为每次数据更新生成带有递增版本号的数据快照。

11、进一步地，在步骤s1中，所述病史录入模板包括创面基本信息模块、既往评估摘要模块、创面床多维状态描述模块以及风险因素与合并症标记模块；

12、所述创面基本信息模块包括支持从预设解剖图谱中快速点选的创面部位选择、初发日期和创面来源字段，所述既往评估摘要模块包括历史最高分期和既往最大面积字段，所述创面床多维状态描述模块包括组织类型、渗出液特征、周围皮肤状况及疼痛程度的临床评估参数，所述风险因素与合并症标记模块支持多选录入与创面相关的病史标签，所述病史标签包括糖尿病、低蛋白血症和长期卧床，近期处理措施备注模块包括敷料类型和特殊用药的自由文本备注字段；

13、对于多发创面患者，系统为每个创面部位分配唯一标识编号，使之后的图像采集与测量数据与对应编号动态关联，使每个创面具备独立的历史记录与趋势追踪路径，病史信息录入完成后系统生成以当前时间戳标记的评估档案并与所述患者之后的所有图像采集与面积测量数据动态关联，形成完整的可回溯临床证据链。

14、进一步地，在步骤s2中，所述身份绑定与权限初始化包括，通过非接触式近场感应读取患者腕带，获取患者唯一住院号，向医院信息系统发送身份验证请求以验证所述住院号对应的患者身份合法性，系统根据当前登录用户的预设角色加载数据访问与编辑权限策略，所述预设角色包括责任护士、护士长和主管医生，不同角色对应不同的数据访问范围和操作权限，在云端服务器初始化以患者id为主索引的共享评估档案，所述共享评估档案中不同角色的用户仅可访问权限范围内的数据字段。

15、进一步地，在步骤s3中，所述虚拟标尺的生成和透视矫正过程包括以下步骤：

16、步骤s31、系统根据终端设备的屏幕分辨率和像素密度参数动态生成虚拟标尺，所述虚拟标尺为矩形网格控件且网格中每个方格对应标准物理尺寸；

17、步骤s32、系统从终端设备的惯性测量单元获取设备当前姿态数据并结合摄像头内参矩阵构建透视投影变换矩阵，实时计算虚拟标尺网格四个顶点在透视投影下的坐标并计算四个顶点构成的四边形各内角与直角的偏差值；

18、步骤s33、将偏差值的加权平均值作为透视形变程度的量化指标与预设阈值进行比较，当偏差值高于预设阈值时界面边缘的提示条显示为红色并根据偏差方向生成引导用户调整终端姿态的方向箭头提示；

19、步骤s34、当系统检测到透视形变程度的量化指标低于预设阈值时提示条变为绿色且系统锁定当前画面的像素-物理尺寸映射比例，具体为获取当前帧图像中虚拟标尺网格内每个标准方格的像素边长并计算所述像素边长与标准方格的已知物理边长的比值，对网格内多个标准方格分别计算映射比例后取算术平均值，将锁定后的映射比例值与当前图像的时间戳和设备标识关联存储至本地缓存中，之后创面面积计算时直接调用映射比例值。

20、进一步地，在步骤s4中，所述图像预处理包括：将采集的rgb图像转换至hsv色彩空间并提取亮度分量v，对亮度分量v执行限制对比度自适应直方图均衡化处理以消除光照不均匀性再转换回rgb色彩空间获得光照校正后的图像，采用高斯滤波器对光照校正后的图像进行平滑去噪处理，高斯核的标准差根据图像噪声估计值自适应调整，以维持创面区域与周围正常皮肤之间对比度的增强效果。

21、进一步地，在步骤s5中，所述语义分割模型的处理过程包括，将预处理后的图像缩放至模型的固定输入尺寸，通过编码器-解码器架构的深度卷积神经网络提取多尺度特征，编码器采用预训练的残差网络作为骨干网络并逐层提取从低层纹理到高层语义的特征表示，解码器通过逐层上采样与编码器对应层的跳跃连接恢复空间分辨率，模型输出层采用sigmoid激活函数并输出与输入图像等分辨率的创面概率图，每个像素值表示像素属于创面区域的概率，采用自适应阈值将概率图二值化，所述自适应阈值根据概率图的统计分布动态确定，对二值化后的掩膜执行形态学开运算去除面积小于预设面积阈值的孤立区域，并执行形态学闭运算填充掩膜内部面积小于预设面积阈值的孔洞，获得平滑且连通的创面区域掩膜。

22、进一步地，在步骤s6中，所述创面物理尺寸计算包括以下步骤，

23、步骤s61、创面物理面积计算，遍历所述二值化像素掩膜中所有像素值为1的像素点以统计创面区域像素总数n，根据步骤s3锁定的像素-物理尺寸映射比例k按照以下公式计算创面实际物理面积s：

24、

25、其中，为创面实际物理面积，为创面区域像素总数，为像素-物理尺寸映射比例，表示物理尺寸与像素尺寸的比值；

26、步骤s62、创面最长轴与最宽轴计算，对掩膜中所有创面像素的坐标进行主成分分析并获取第一主成分方向作为创面最长轴方向，获取与最长轴正交方向上的最大跨度作为最宽轴，沿最长轴方向测量掩膜的像素长度并乘以映射比例k以得到创面最长轴的物理长度，沿最宽轴方向测量掩膜的像素宽度并乘以映射比例k以得到创面最宽轴的物理长度；

27、步骤s63、测量结果标注，将创面区域轮廓线以半透明彩色叠加方式标注于原始图像之上，在轮廓线外侧绘制最长轴标注线和最宽轴标注线且标注线两端显示箭头标记，在画面上方或下方以半透明文本框形式显示创面面积数值、最长轴长度数值和最宽轴长度数值并同时显示当前使用的像素-物理尺寸映射比例信息。

28、进一步地，在步骤s7中，所述数据加密与上传包括：系统将包括患者身份信息、创面部位、测量尺寸、面积数值、拍照时间及辅助分期结果的结构化记录封装为json格式数据对象，采用aes-256对称加密算法对所述数据对象进行加密处理并通过tls安全传输通道将加密数据传输至云端服务器；

29、云端服务器接收数据后进行解密处理并对患者身份信息执行脱敏操作后存储于安全数据库中，服务器为每次接收到的数据生成带有递增版本号的数据快照，将带有标注信息的创面图像数据进行加密存储并执行自动备份与容灾恢复。

30、进一步地，在步骤s3中，所述标准化图像采集还包括在环境光照不足或光照不均匀的情况下，系统自动调整图像采集参数并增强图像亮度以维持采集图像的质量，在手持拍摄不稳定的情况下系统对连续多帧图像进行运动估计和最优帧选择并选取清晰度最高的帧作为最终采集图像，使复杂临床环境下的测量精度和创面识别准确率维持在预设水平。

31、一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行一种基于ar校准与ai语义分割的创面自动测量方法的步骤进行操作。

32、本发明与现有技术相比的优点在于：

33、1、本发明通过ar虚拟标尺与透视矫正的实时检测与锁定机制，从采集源头消除透视形变对图像比例的影响，使不同设备拍摄的创面图像基于统一的映射比例还原物理尺寸，结合光照校正与多帧择优处理，在渗液、结痂等复杂条件下仍维持稳定的测量精度。

34、2、本发明通过深度学习语义分割模型自动提取创面区域的二值化像素掩膜，结合步骤s3中锁定的映射比例直接计算创面物理面积和最长轴、最宽轴长度，将创面轮廓识别与物理尺寸计算串联为自动化流程，消除了人工勾画创面边界的主观误差。

35、3、本发明通过端到端的数据加密、脱敏处理和版本快照机制，使医疗评估数据在采集、传输和存储各环节的安全性得到保障，满足医疗隐私保护法规的合规要求。

36、4、本发明通过将患者病史建档、身份识别、ar标准化采集、ai自动测量和数据安全上传整合为连贯的操作流程，简化了临床评估流程中的操作步骤，使单次创面评估的整体效率得到提升。