CN116322486A - 痤疮严重程度分级方法和设备 - Google Patents

Abstract

公开了用于基于皮肤的图像来生成指示皮肤痤疮病况的严重程度的评分的设备和方法。在示范性实施方案中，获得其中呈现皮肤区域的交叉偏振图像，并变换所述交叉偏振图像以生成红色分量图像，使用所述红色分量图像检测所述皮肤区域中的红斑。还获得其中呈现所述皮肤区域的纹理图像，并使用所述纹理图像检测所述皮肤区域的凸起部分。基于在所述皮肤区域中检测到的所述红斑和凸起部分生成痤疮严重程度评分，并输出其指示。另外，还可获得其中呈现所述皮肤区域的荧光图像，并使用所述荧光图像检测所述皮肤区域的含有指示痤疮的卟啉的部分，所述部分也可用于生成所述痤疮严重程度评分。

Description

痤疮严重程度分级方法和设备

相关申请

本申请要求2020年10月20日提交的第63/093,801号美国临时专利申请的的优先权，并以全文引用的方式并入本文中。

技术领域

本公开涉及图像处理和分析，具体地，涉及基于人体皮肤的图像对人体皮肤中痤疮的严重程度进行分级。

背景技术

痤疮是影响全世界数百万人的最常见皮肤病之一。痤疮的负面影响相当大，包括带来终身疤痕、引起自卑感以及危害生活品质。

痤疮治疗通常需要使用药物组合，其中的许多药物价格昂贵。每年花费大量资金用于治疗痤疮，包括寻医就诊以及非处方药和处方药的花费，但几乎不能或根本不能评估其功效。在这个医疗服务模式不断变化的时代，医疗服务人员必须基于循证分析生成的数据作出治疗决策。

临床试验中评估痤疮的方式缺乏标准化，这使得很难汇集相同治疗方案的不同试验数据，临床医生也不可能知道不同类型治疗方案的相对有效性。但医疗服务人员需要这些信息来指导他们对痤疮患者的治疗建议。

典型痤疮临床研究的主要目的是损伤计数和痤疮严重程度的研究者全面评估(IGA)等级。食品和药物管理局建议研究发起人在试验实施前与他们讨论自己的IGA量表和研究设计。然而，损伤计数或分级方法都尚未标准化，并且由于评估者的主观性，某项研究内以及各项研究之间保持一致性也具有挑战性。大多数IGA量表使用例如“无”、“少数”、“几个”、“中度”或“许多”发炎性/非发炎性损伤等术语作为严重程度等级描述词。一些量表还使用例如“小于一半”、“大于一半”或“整个区域”等涉及区域的描述词来考虑损伤分布。此外，一项研究报告称，皮肤科医生在进行全面评估时往往不及对痤疮损伤计数时可靠，而这种可靠性取决于训练。(J.K.L.Tan等人，皮肤科医生在痤疮损伤计数和全面评估中的可靠性(Reliability of Dermatologists in Acne Lesion Counts and GlobalAssessments)，皮肤医学与外科杂志，2006年7月-8月；10(4):160-5，doi:10.2310/7750.2006.00044。)

同时，在过去几十年，随着远程皮肤病学呈指数增长，基于图像的皮肤评估的重要性也在增加。一项对69名受试者进行的研究报告称，当面进行的痤疮评估与根据受试者捕获的自拍图像的痤疮评估是一致的。(H.M.Singer等人，使用面向网络的研究助理(NORA)技术比较寻常痤疮的数字摄影与当面评估(Using Network Oriented Research Assistant(NORA)Technology to Compare Digital Photographic with In-Person Assessment ofAcne Vulgaris)，美国皮肤病学会杂志，2018年；154(2):188-190，doi:10.1001/jamadermatol.2017.5141。)据报告，一种深度学习算法使用416名痤疮患者的正面照片进行训练以生成自动IGA评分，所述深度学习算法的最佳分类准确率为67％，各种图像输入大小的机器预测评分与临床评分之间的皮尔逊相关系数为0.77。(Z.V.Lim等人，利用卷积神经网络深度学习对寻常痤疮进行自动分级(Automated Grading of Acne Vulgaris byDeep Learning with Convolutional Neural Networks)，皮肤研究与技术，第26/2卷，2020年3月，第187页-第192页。)

改善痤疮及其影响测量方法的一项努力是痤疮核心结果研究网络(ACORN)，该网络成立的目标是开发一个具有用以评估痤疮的经过验证的方法的“工具箱”，该工具箱可供全世界进行临床试验的研究者采用。希望使用这种标准化的结果测量生成有价值的信息，以帮助指导治疗建议。

在任何情况下，仍然需要能够可靠地、可再现地和客观地对痤疮进行分级的基于图像的痤疮评估系统和方法，这些系统和方法可替代或补充当前完成的IGA分级。此外，还希望此类系统和方法生成的分级与当前正使用的IGA的分级有可比性，从而允许在两者之间进行有意义的比较。

发明内容

如本文所描述，评估了各个痤疮相关可见特征与痤疮严重程度的研究者全面评估(IGA)分级之间的关系。根据受试者的多模态图像来测量痤疮相关的炎症或红斑、凸起损伤表面形状、微生物荧光和皮肤表面油性，并各个评估它们与IGA分级的关系。还评估了发炎性与非发炎性损伤计数与IGA之间的关系。基于此分析，公开了采用多因子测量组合作为IGA的目标和重复替代方案的方法和设备以用于痤疮严重程度全面评估。

在示范性实施方案中，本公开陈述一种方法，其包括：获得其中呈现皮肤区域的交叉偏振图像；变换交叉偏振图像以生成红色分量图像；使用所述红色分量图像检测所述皮肤区域中的红斑；获得其中呈现皮肤区域的纹理图像；使用所述纹理图像检测所述皮肤区域的凸起部分；基于在皮肤区域中检测到的红斑和凸起部分生成痤疮严重程度评分；以及输出痤疮严重程度评分的指示。

在示范性实施方案中，本公开还陈述一种设备，其包括：存储装置，其被配置成存储指令；以及处理器，其被配置成执行存储于存储装置中的指令以获得其中呈现皮肤区域的交叉偏振图像；变换交叉偏振图像以生成红色分量图像；使用所述红色分量图像检测所述皮肤区域中的红斑；获得其中呈现皮肤区域的纹理图像；使用所述纹理图像检测所述皮肤区域的凸起部分；基于在皮肤区域中检测到的红斑和凸起部分生成痤疮严重程度评分；并且输出痤疮严重程度评分的指示。

下文更详细地描述此类设备和方法及其示范性变型的这些和其它方面。

附图说明

可参考附图来实现对本公开的更完整理解。

图1是根据本公开的示范性系统的示意性表示。

图2是描绘根据本公开的示范性方法的流程图。

图3A示出不同痤疮严重程度的四名受试者的说明性RBX-红色图像，并且图3B示出根据图2的方法的对应于图3A的图像的说明性红斑检测图像。

图4A示出说明性CPIII荧光图像，并且图4B示出根据图2的方法的对应于图3A的图像的说明性CPIII荧光检测图像。

图5A示出说明性皮肤纹理图像，并且图5B示出根据图2的方法的对应于图3A的图像的说明性凸起表面形状检测图像。

图6是示出各种痤疮相关因子与IGA之间的关系以及此类因子与IGA的组合的图。

具体实施方式

以下内容仅说明本公开的原理。因此，应了解，本领域技术人员将能够设计不同的布置，所述不同的布置虽然没有在本文中明确地描述或示出，但体现本公开的原理并且包含在其精神和范围内。更具体地，虽然阐述众多具体细节，但应理解，可在没有这些具体细节的情况下实践本公开的实施例，且在其它情况下，不按次序示出熟知电路、结构和技术以免模糊对本公开的理解。

此外，本文中所叙述的所有实例和条件语言主要明确地旨在仅用于教学目的，辅助读者理解本公开的原理和由发明人所提供的概念以深入该领域，并且应被理解为不限于这些具体叙述的实例和条件。

此外，本文中对本公开的原理、方面和实施例的叙述以及其具体实例的所有陈述旨在涵盖其结构等效物和功能等效物两者。另外，此类等效物旨在包含当前已知的等效物以及将来开发的等效物两者，即，任何被开发的执行相同功能的要素，无关结构。

因此，举例来说，本领域的技术人员将了解，本文中的任何图式表示体现本发明的原理的说明性结构的概念视图。

另外，本领域的技术人员将了解，任何流程图、作业图等表示各种过程，这些过程可基本上在计算机可读介质中表示且因此由计算机或处理器执行，无论是否明确地示出此类计算机或处理器。

图式中示出的各种元件的功能，包含任何功能块、步骤、程序、模块、单元等，可通过使用专用硬件以及能够结合适当软件执行软件的硬件来提供。当由处理器提供时，所述功能可由单个专用处理器、由单个共享处理器，或由多个单独的且其中一些可共享的处理器提供。此外，术语“处理器”或“控制器”的明确使用不应被解释为排他地指能够执行软件的硬件，且可隐含地包含但不限于专用电路、数字信号处理器(DSP)硬件、基于网络的处理器、专用集成电路(ASIC)、只读存储器(ROM)、随机存取存储器(RAM)和非易失性存储装置。也可包含常规和/或定制的其它硬件。

软件模块(或简称为模块，隐含为软件)在本文中可以表示为流程图元素或指示过程步骤和/或文本描述的性能的其它元素的任何组合。此类模块可由明确或隐含地示出的硬件执行。

如本文所使用，术语“图像”可涵盖任何形式的照片文档，包含2D图像和/或3D表面和/或3D立体图像数据，其中2D图像可以是由相机获得的单通道或多通道可见印象，3D表面可以是在3D空间中通过线段连接以与表示底层纹理的任何相关联的2D图像一起形成多边形网格的点，并且3D立体图像数据可以是表示被成像对象的3D体积的2D图像的堆叠，例如MRI图像的堆叠。本文中所使用的术语“图像”还可指处理一个或多个所捕获图像以导出另一图像的结果。

图1示意性地描绘根据本公开的用于对人体皮肤中的痤疮严重程度分级的示范性系统100。如图1中所示，系统100的组件包含与处理系统120耦合的图像捕获系统110。图像捕获系统110可包含一个或多个手持式或安装式傻瓜相机或DSLR相机、移动相机、正面或背面智能装置相机、皮肤镜(例如，Canfield Scientific Inc.的VEOS)、2D皮肤成像系统(例如，Canfield Scientific Inc.的VISIA、VISIA-CR)、3D人体成像装置(例如，CanfieldScientific Inc.的VECTRA)、Canfield Scientific Inc.的NEXA系统、3D全身系统(例如，Canfield Scientific Inc.的WB360)和/或3D立体成像装置，比如Canfield ScientificInc.的PRIMOS-CR，等等。

在示范性实施例中，图像捕获系统110包含一个或多个照明源112，所述照明源被激活以使光穿过相应的滤波元件115照射到受试者的皮肤130上。从受试者组织130反射或发射的光穿过滤波元件117由检测器116捕获。每个滤波元件115、117可包含用于通过或阻挡选定波长或波长带的光的一个或多个滤波器，和/或偏振器，统称为“滤波器”，它们可选择性地放置在滤波元件的相应光学路径中或之外。在示范性实施例中，检测器116可包括相机(例如，常规数字SLR相机等)、数码摄像机或具有类似或不同特性的多个一维或二维检测器。多个检测器116可被布置成捕获二维或三维图像。

有利地，所捕获图像可以是单模或多模的--包含例如来自标准白光、偏振光和/或荧光的那些图像—其在选定波长下捕获和/或用选定波长的光照射。应注意，如本文所使用，术语“光”未必限于人可见的电磁辐射，而是可包含电磁波谱在可见范围之外的部分。

将图像捕获系统110捕获的图像提供到处理系统120以用于如下文所描述进行处理。进一步有利的是，例如，处理系统120还可通过控制受试者的图像捕获和/或照明的一个或多个方面(例如曝光、模态或滤波等)来控制图像捕获系统110。

还可从其它来源且通过其它方式将图像提供到处理系统120。例如，可经由通信网络170或在例如存储装置150的非暂时性计算机可读存储介质中提供图像。

处理系统120包含处理器140，其可耦合到存储装置150以用于存储和检索图像以及其它数据，且耦合到输入/输出装置160，例如显示装置和/或用户输入装置，如键盘、鼠标、触摸屏等。处理器140还可耦合到通信模块165以与例如因特网等通信网络170互连，用于发送和接收图像和/或数据，和/或接收命令、软件更新等。处理系统120可例如利用一个或多个中央处理单元、计算机、工作站、PC、平板计算机等实施，从而根据体现于兼容的非暂时性计算机可读存储介质中的一个或多个程序145来操作。图像捕获系统110与处理系统120之间的接口可为有线的、无线的、直接的或间接的(例如，经由因特网网络)。

应注意，示范性系统100仅示出本公开所涵盖的各种可能布置中的一种。例如，系统100的各种元件不需要位于同一位置。例如，图像捕获系统110和I/O装置160可位于皮肤科医生的办公室中，而处理器140和存储装置150可被远程定位从而在远程皮肤病学框架内运行，或可为“基于云的”从而通过通信网络170与图像捕获系统110和I/O装置160交互。在其它示范性布置中，I/O装置160可相对于图像捕获系统110远程定位，从而允许用户远程检查受试者的图像。

图2是描绘根据本公开的例如将利用示范性系统100实行的示范性过程200的流程图。预期在实行示范性图像捕获过程时，系统100根据由处理器140执行的程序145操作。

如图2中所示，操作开始于210，其中获得受试者的一个或多个图像，例如通过捕获、输入、接收或从存储装置读取来获得。在示范性实施方案中，在210处获得受试者面部的左侧、中心和右侧的标准白光RGB、交叉偏振、平行偏振、荧光和激发吸收图像。

在示范性实施方案中，荧光图像是已经用选定的照明和检测滤波捕获，以便对一种或多种卟啉(例如粪卟啉-III(CPIII)和/或原卟啉-IX(PPIX))的分布成像的图像，卟啉为痤疮的特性。例如，通过用(例如，波长为400-410nm的)蓝光照射受试者皮肤，且经由(例如波长通带为540-560nm的)绿色滤波捕获图像，可获得CPIII荧光图像。因为PPIX荧光处于大于大致630nm的波长，所以PPIX荧光图像可通过以下方式捕获：使用允许大于540nm的波长通过的长通滤波器，然后基于颜色分离CPIII荧光和PPIX荧光，所述颜色可以从RGB图像获得。另一方法是，分开地捕获两个荧光信号，其中使用波长为620-630nm的长通滤波器来捕获PPIX荧光图像。第10,368,795号美国专利中描述了痤疮荧光成像方法和设备，所述美国专利以全文引用的方式并入本文中。

除前述荧光图像之外，还优选地在210处获得对应的激发图像。此类激发图像可通过以下方式获得：捕获用在捕获对应荧光图像时使用的相同光谱带照明来照射的皮肤的图像，但在检测路径中不具有滤波器；或使用合适的中性密度滤波器以匹配输入光水平。下文进一步论述，在240处使用激发图像，以针对非均匀光分布、由组织发色团引起的光的不均匀吸收、滤波器泄漏和/或环境光分布来归一化对应荧光图像。

优选地，在时间上彼此接近的情况下捕获每个受试者的图像集合，其中受试者静止以避免或最大限度地减少受试者姿势的任何移动或变化的影响。另外，保持维持图像之间的一致性，优选地尽可能使用相同的照明源，例如方式为使用与捕获相同视图的平行偏振图像和交叉偏振图像时的照明相同的广谱白光源和偏振。同样，尽可能地，在捕获图像时优选地使用相同传感器。

在210处获得各种图像的情况下，操作接着进行到220，其中实行对图像的处理。此类处理可包含例如图像配准，以及限定用于分析的感兴趣区域(AOI)。如图3B中所示，可以在示范性实施方案中描绘包含受试者面部的脸颊和太阳穴区域的两个侧视图AOI 301L和301R以及包含前额和下巴区域的正视图AOI 301F以及其它可能性。在220处弹性地配准标准白光、偏振和荧光图像，使得将使用相同的AOI进行跨成像模态的分析。

然后操作进行到230，其中执行图像变换和/或校正以获得一组或多组导出图像，包含例如色素沉着(例如，黑色素、血红蛋白)、纹理、光亮和/或表面油性图像。在示范性实施方案中，将红色/棕色/X(RBX)变换应用于交叉偏振图像，以将RGB颜色数据转换为红色和棕色图像。RBX变换使用光谱比色模型从交叉偏振图像中提取血红蛋白(红色)和黑色素(棕色)吸收和分布信息。第8,498,460号和第RE47,921号美国专利中描述了RBX变换方法和设备，所述美国专利以全文引用的方式并入本文中。图3A示出四名受试者的RBX-红色图像以及研究者分配给他们的对应IGA等级。

在示范性实施方案中，代替在230处执行RBX变换，可以通过执行标准或交叉偏振图像的颜色分析/颜色空间变换来分离和测量红斑的发红。

然后操作进行到240，该操作对荧光图像进行了校正，例如使用在操作210处获得的相应激发图像对激发光进行色素吸收。第8,849,380号美国专利中描述了合适的荧光成像方法和设备，所述美国专利以全文引用的方式并入本文中。图4A示出对应于图3A的图像的说明性CPIII荧光图像。

然后操作进行到250，其中使用交叉和平行偏振图像导出具有纹理特征的皮肤宏观-微观浮凸图像，以及任选的光亮-光泽分布图。浮凸图像可使用图像融合技术来生成，例如在第10,702,160号美国专利中描述的，所述美国专利以全文引用的方式并入本文中。也可以通过捕获实际三维数据来获得浮凸图像，例如使用Canfield Scientific Inc.的PRIMOS-CR系统。第2019/0336003A1号美国专利申请公开中描述了皮肤表面油性和光亮映射以及测量方法和设备，所述美国专利申请公开以全文引用的方式并入本文中。图5A示出对应于图3A的图像的说明性皮肤纹理图像。

然后，操作进行到260，其中根据如上文所获得并处理的图像来测量各种痤疮相关因子。对于每个受试者，可以使用受试者面部的三个视图中的每一个进行因子的测量，并将其组合以获得受试者的该因子的全脸测量值。

可以通过分析RBX-红色图像以检测AOI内的红斑并确定红斑相对于AOI的分数面积来测量一个此类因子，痤疮相关红斑或血管扩张引起的异常发红。如所提及，图3A示出四名受试者的RBX-红色图像，示出了基于分配给受试者的IGA等级的痤疮严重程度的不同水平。在图3B中，每个视图中的AOI由蓝色边界示出，并且检测到的痤疮相关红斑由黑色斑点示出。

应注意，在图3A-6和相关联描述中，使用了0-5的IGA分级量表，其中0表示无痤疮，1表示轻度痤疮，2表示中度痤疮，3表示晚期痤疮，4表示重度痤疮，并且5表示极重度痤疮。显然，此特定IGA量表仅仅是说明性的，并且本文所描述的原理不限于任何一个特定痤疮严重程度分级量表，本公开涵盖其它合适的分级量表。

在示范性实施方案中，如图3B中所示，红斑的检测可通过将自适应性阈值处理技术应用于RBX-红色图像(例如图3A中所示的RBX-红色图像)来实现。在此类技术中，针对每个受试者的每个RBX-红色图像设置检测阈值。在每个图像中，估计相应AOI内的正常发红水平，并使用所述正常发红水平确定用于检测AOI内具有较高发红水平的区域的一个或多个阈值。发红水平超过阈值的那些区域被视为检测到的红斑区域，并且使用所述区域的面积计算AOI内的前述红斑分数面积。在使用多个阈值的情况下，还可在计算指示痤疮相关红斑的度量时考虑此类区域的发红程度。对于涉及受试者的依序图像的应用，可在后续图像中应用针对较早图像确定的阈值。这允许测量连续图像之间的变化，如在治疗之前和之后拍摄的图像之间的变化。

在示范性实施方案中，可使用人工智能(AI)技术检测红斑。在此类实施方案中，为已经用例如图3A的RBX-红色图像之类的图像训练的神经网络或其它合适的AI布置提供特定受试者的RBX-红色图像并检测红斑区域，例如图3B的图像中所示。AI布置可例如用由系统100的处理器140执行的一个或多个程序145来实施，或可被远程定位且可经由通信网络170被系统100访问，以及其它可能性。

应注意，对于测量痤疮相关炎症，虽然可以如所描述使用分数面积测量，但一些强度测量，例如平均和/或中值强度，可以用作分数面积测量的替代或补充。

可在260处确定的另一因子为痤疮丙酸杆菌的微生物活性或痤疮的粉刺特征。这可以根据在210处获得的或在240处校正的粪卟啉III(CPIII)荧光图像来测量，其中检测从孔内发射的CPIII荧光。图4A示出图3A和3B中所示的相同四名受试者的所捕获的CPIII荧光图像。图4B示出对应于图4A的那些图像的图像，其中突出显示(用红色)在针对每个图像限定的AOI内检测到的荧光斑点。如所提及，第8,849,380号和第10,368,795号美国专利中描述了用于此目的的合适的荧光成像技术。

在示范性实施方案中，可使用AI技术检测荧光斑点。在此类实施方案中，为已经用例如图4A的荧光图像之类的图像训练的神经网络或其它合适的AI布置提供特定受试者的荧光图像并检测荧光斑点，例如图4B的图像中所示。AI布置可例如用由系统100的处理器140执行的一个或多个程序145来实施，或可被远程定位且可经由通信网络170被系统100访问，以及其它可能性。

已被证明，通过仅测量最明显的斑点的大小，CPIII荧光斑点与医生鉴定的粉刺之间的相关性提高。(参见S.V.Patwardhan等人，使用粪卟啉III、原卟啉IX和损伤特异性炎症测量痤疮：一项探索性研究(Measuring acne using Coproporphyrin III,Protoporphyrin IX,and lesion-specific inflammation:an exploratory study)，皮肤病研究文献，2017年4月；309(3):159-167，DOI:10.1007/s00403-017-1718-3。)因此，在示范性实施方案中，可测量在受试者的AOI内检测到的荧光斑点的大小，并且仅保留大于该特定受试者最大斑点大小的某个百分比(例如，20％)的那些斑点。可针对受试者报告大于最大斑点大小的所述百分比的所有此类荧光斑点的总面积，作为AOI的分数面积。

可在260处确定的另一痤疮相关因子为与痤疮损伤的凸起表面形状相关联的面部粗糙度。面部粗糙度可根据在250处获得的皮肤宏观-微观浮凸纹理图像来测量。可以检测受试者面部上的AOI内所有痤疮损伤的总凸起面积，并将该总凸起面积报告为AOI的分数面积。图5A示出对应于图3A的图像的说明性浮凸纹理图像。图5B示出对应凸起表面形状检测图像，其中突出显示(用红色)图5A的纹理图像中的凸起损伤区域。

在例如图5A中所示的浮凸纹理图像中，皮肤表面深度或高度被转换为灰度，其中较深特征(例如皱纹和孔)被示出为较暗区域，而凸起特征(例如损伤)被显示为较亮区域。在示范性实施方案中，为了生成例如图5B中所示的对应凸起表面形状检测图像，检测并突出显示浮凸纹理图像中为大体上圆形且具有较亮中心的较亮区域(就像一座山，其明亮的山峰被代表较低高度的逐渐变暗的周边包围)，例如图5B的图像中的红色区域所示。可例如使用合适的亮度和形状滤波技术进行此类检测。然而应注意，浮凸纹理图像由平行偏振图像生成，一些凸起损伤可能由于平行偏振图像中存在阴影而不呈现圆形分布。此类阴影很大程度上取决于损伤的部位以及照明和/或捕获的角度。可通过如使用真实3D成像数据(例如可利用PRIMOS-CR系统提供)等方法来避免此类问题。此外，在3D数据的情况下，可使用真实表面积和/或体积测量来替代或补充分数凸起面积以作为痤疮严重程度度量。因而，使用皮肤的3D图像，可测量由痤疮引起的凸起皮肤部分的表面积。另外或替代地，还可测量由痤疮引起的凸起皮肤部分的体积。

在示范性实施方案中，可使用AI技术检测凸起区域。在此类实施方案中，为已经用例如图5A的浮凸纹理图像之类的图像训练的神经网络或其它合适的AI布置提供特定受试者的浮凸纹理图像并检测凸起区域，例如图5B的图像中所示。AI布置可例如用由系统100的处理器140执行的一个或多个程序145来实施，或可被远程定位且可经由通信网络170被系统100访问，以及其它可能性。

另外，在260处，可根据交叉和平行偏振图像的组合来测量皮肤表面的油性和光亮的分数面积。(例如参见第2019/0336003A1号美国专利申请公开。)已表明，这两种测量是相互补充的，并且与皮肤表面油脂量和受试者面部油性的临床评估两者密切相关。(I.Kohli等人，使用差分偏振图像定量测量皮肤表面油性和光亮(Quantitative measurement ofskin surface oiliness and shine using differential polarized images)，皮肤病研究文献，2020年，DOI:10.1007/s00403-020-02070-5。)

还可以分析各种图像以用于检测发炎性和非发炎性痤疮损伤。可将从图像分析标识的损伤与研究者所标识的那些损伤进行比较。比较可包含例如总损伤计数，和/或受试者面部上的部位。例如，一些IGA分级方案包含作为面部上损伤的部位和数目的因子；例如，是否在整个面部上、在仅半个面部上、仅在脸颊或前额上等存在损伤。因此，损伤计数和/或部位可在260处确定且并入到痤疮评估等级中，例如下文所描述。

然后操作进行到270，其中使用在260处确定的一些或全部测量值针对每个受试者生成评估等级，在本文中被称为参数痤疮严重程度(PAS)评分。在示范性实施方案中，将前述测量值相对于它们的期望最大值归一化，并且使用归一化的测量值的等加权线性组合生成每个受试者的PAS评分。在示范性实施方案中，例如，线性组合如上文所描述确定的红斑、凸起损伤和荧光斑点(大于某一大小)的分数面积(相对于AOI)以生成PAS评分。此外，如上文所论述，代替使用凸起损伤的分数面积或除使用凸起损伤的分数面积之外，在已获得3D成像数据的情况下，可使用实际表面积和/或体积测量。

在示范性实施方案中，可使用AI技术生成PAS评分。在此类实施方案中，为已经用例如本文所描述的那些图像之类的图像集合或子集训练的神经网络或其它合适的AI布置提供特定受试者的图像，并基于这些特定受试者的图像来生成痤疮严重程度评分，例如本文所描述的PAS评分。在示范性实施方案中，可使用标准图像、偏振图像和/或荧光图像的组合用作AI布置的训练和输入，而不使用例如RBX-红色和纹理图像之类的额外导出图像。在另外的示范性实施方案中，也可以使用例如RBX-红色和/或纹理图像之类的导出图像。AI布置可例如用由系统100的处理器140执行的一个或多个程序145来实施，或可被远程定位且可经由通信网络170被系统100访问，以及其它可能性。

一旦如所描述确定，就可接着显示、存储、传送或进一步处理PAS评分或其字母数字、图形、可视元素或其它合适的表示。

测试和结果

由两名研究者独立地检查24名轻度至重度痤疮受试者。十名受试者属于I型皮肤，六名属于II型皮肤，无人属于III型皮肤，四名属于IV型皮肤，两名属于V型皮肤，并且两名属于VI型皮肤。

由每个研究者对痤疮发炎性和非发炎性损伤进行计数，并且给每个受试者1至5范围内的IGA严重程度等级。在对每个受试者进行评估之前，使用Canfield Scientific Inc.的VISIA-CR成像系统捕获受试者的多模态面部图像。所捕获的面部图像例如上文所描述的那些图像，包含标准白色、平行和交叉偏振以及荧光图像。所述系统被配置成在对受试者进行实时检查期间向研究者显示受试者的所捕获的侧视图和正视图。当对受试者的面部上的损伤进行标识和计数时，每个研究者在所显示的临床图像上标记损伤的部位。然后，将两名研究者所标记的损伤以两种颜色叠加在受试者的临床图像上，并将它们一起呈现给研究者，以用于连同每个研究者的IGA等级一起达成共识。然后，研究者重新检查受试者是否有未共同标识的损伤，并决定是否保留这些损伤。

然后，将前述受试者的多模态图像提供给如本文所描述的示范性系统。各个确定上文所描述的各种痤疮相关特征测量值，并将其各自与研究者分配给同一组受试者的IGA等级进行比较。然后，使用这些测量值的子集针对每个受试者生成参数痤疮严重程度(PAS)评分，如上文所描述。对于此测试程序中使用的实施方案，在生成PAS评分时，未考虑受试者的光亮/皮肤表面油性测量值。然后，将由此确定的PAS评分与IGA等级进行比较。

从图像标识的发炎性和非发炎性损伤与研究者所标识的那些损伤之间非常一致。当对发炎性和非发炎性损伤计数的每个视图进行比较时，相关系数分别为0.77和0.85。当将损伤计数与IGA等级进行比较时，发现两者之间没有关系。发炎性和非发炎性损伤计数与IGA等级之间的相关系数分别为0.47和0.08。

图6示出在此实施方案中使用的个别痤疮特征测量值(表示为601-603)相对于分配给受试者的对应IGA等级的散点图。此散点图还包含PAS评分605，其被计算为测量值601-603的线性组合。图6还分别示出PAS评分605的线性回归线615以及构成测量值601-603中的每一个的线611-613。图6中所示的测量值为归一化的测量值。

痤疮炎症测量值601(线611)示出为与IGA的关系最强，其中相关系数为0.85(p<0.01)，其次是痤疮损伤凸起纹理602(线612)，其中相关系数为0.6(p<0.01)。在明显CPIII荧光斑点(即，大于该受试者最大斑点面积20％的斑点)的测量值603(线613)与IGA等级之间观察到相反关系，其中相关系数为0.51(p<0.01)。PAS评分605(线615)与IGA等级之间的相关系数为0.82(p<0.05)。

在光亮/皮肤表面油性与IGA等级之间没有观察到关系，其中相关系数为0.044(p<0.01)。PAS评分605的确定中不包含所述测量值，且未在图6中表示。

除了视觉线索外，医生通常还会触诊受试者的皮肤以标识和确认痤疮损伤。然而，根据FDA指南，IGA等级将通过在至少三英尺外对受试者进行评估来给出。当远离受试者站立时，很难看到和标识粉刺和小的炎性损伤。尽管大多数IGA分级量表描述痤疮损伤的数目(使用例如“无”、“少数”、“中度”和“许多”等术语)，但实际损伤计数与IGA等级之间不存在明确关系。

当在三英尺或更多英尺的距离外评估受试者的痤疮严重程度时，两个特征最为明显：红斑(发红)以及凸起皮肤表面形状或皮肤粗糙度。因为这一点，可理解这两个因子的测量值与IGA有很好的相关性。在判断严重程度并为受试者分配IGA等级时，不评估受试者的痤疮疤痕和痤疮后色素沉着过度。通常，具有痤疮疤痕和色素沉着过度的受试者被排除在痤疮治疗研究之外。然而，如果需要将这些因子包含在痤疮严重程度评估中，则可将疤痕引起的粗糙度包含在纹理测量中，并且可以根据RBX-棕色图像来测量色素沉着过度。以下文献中描述了可用于示范性实施方案的合适的色素沉着测量技术：G.Dobos等人，内在衰老和光损伤对皮肤色素沉着异常的影响：一项探索性研究(Effects of intrinsic aging andphotodamage on ski dyspigmentation:an explorative study)，生物光学期刊，2016年6月1日；21(6):66016，DOI:10.1117/1.JBO.21.6.066016，PMID:27330007。使用CanfieldScientific Inc.的PRIMOS边缘投影或VECTRA立体摄影测量技术捕获的3D图像也可用于皮肤表面形状/粗糙度测量。此外，代替RBX-棕色图像，可以根据使用UV-NIR光谱带中的波长进行的吸收成像来测量色素沉着过度。例如，Canfield Scientific Inc.的VISIA-CR系统可用于此目的。

评估者在站立在距受试者三英尺远的地方时能在多大程度上识别粉刺是值得怀疑的。然而，明显CPIII荧光斑点的测量值似乎与IGA有关。当用400-410nm波长的照明激发时，峰值CPIII荧光在570-610nm的波长带内。特征性的氧脱氧血红蛋白吸收峰也在相同的光谱带内。应注意，来自红斑邻域中的CPIII的荧光将被血红蛋白吸收，且不会被相机检测到。因为较高的IGA等级对应于较严重的痤疮，且因此对应于较多的红斑，所以较多从痤疮的CPIII特性发射的荧光被吸收且因此检测到的这种荧光较少。这支持痤疮严重程度/IGA等级与CPIII荧光测量值603之间的相反关系。应注意，如果针对发射的荧光的吸收对捕获的荧光图像进行校正，则因此校正的荧光图像与痤疮严重程度评分之间的直接关系将适用。在任一情况下，无论所述关系是直接的还是相反的，与痤疮严重程度的良好相关性都允许将检测到的荧光用于生成严重程度评分。

另外，在视觉上评估皮肤表面油性在很大程度上取决于环境照明及其在受试者面部上的方向。此外，评估者主要基于光亮来判断皮肤表面油性。尽管过度刺激皮脂腺产生过量皮脂是导致痤疮的一个因子，但IGA评估中不包含皮肤表面油脂。因此，为了与IGA一致，在示范性实施方案中，可以从PAS评分中排除皮肤表面油性，例如上文所描述。然而，这并不妨碍在确定其它评分时使用皮肤表面油性。

虽然在如上文所描述的实施方案中使用多因子测量的等加权线性组合提供了与IGA的良好一致性，但在给定更多数据和测试的情况下，所描述的因子的其它组合也是可能的。而且，本文未描述的其它因子、来自非成像方法的测量以及受试者特定的输入和数据可包含在评估模型中。

在大量图像和数据的情况下，机器学习/深度学习/人工智能技术可在示范性实施方案中用于生成痤疮严重程度评分。有利地，本文所描述的多因子方法将提供关于痤疮和合适治疗的额外见解，而不是仅用所得数值等级所能实现的。除提供全面评估测量之外，根据本公开的实施方案还可提供对导致痤疮严重程度的个别因子以及由治疗或病程引起的这些因子的变化的测量。另外，分析的图像可以与评估者的测量值一起被呈现和评估，以供确认。

如本文所描述的实施方案可提供痤疮评估评分，其可用作痤疮严重程度的客观量度，并且可用于确定痤疮严重程度的(例如由治疗或病程引起的)变化。此类评分可以为临床试验中的痤疮评估带来标准化，为研究治疗效果提供更敏感的测量，并且允许临床医生有把握观察不同类型治疗的相对有效性，以及其它益处。除使用之前和之后的图像和/或测量值来测量和评估治疗效果之外，根据本公开的实施方案还可用于基于测量的治疗和/或提出治疗建议，以及其它应用。

前文仅说明了本公开的原理，且将因此了解，本领域的技术人员将能够设计众多替代布置，尽管本文中未明确地描述，但所述替代布置体现本公开的原理且在本公开的精神和范围内。举例来说，如可了解，根据本公开，预期处理和成像系统以及装置的各种布置。另外，尽管说明为单个元件，但示出的每个块或步骤可用多个块或步骤或其各种组合来实施。而且，例如“软件”、“应用程序”、“程序”和“固件”等术语旨在指但不限于在任何合适的、非暂时性机器可读介质中体现的任何指令或指令集、结构或逻辑。应理解，在不脱离如由所附权利要求书所限定的本发明的精神和范围的情况下，可对说明性实施例作出众多修改并且可设计出其它布置。

Claims (21)

1.一种方法，其包括：

获得其中呈现皮肤区域的交叉偏振图像；

变换所述交叉偏振图像以生成红色分量图像；

使用所述红色分量图像检测所述皮肤区域中的红斑；

获得其中呈现所述皮肤区域的纹理图像；

使用所述纹理图像检测所述皮肤区域的凸起部分；

基于在所述皮肤区域中检测到的所述红斑和凸起部分生成痤疮严重程度评分；以及

输出所述痤疮严重程度评分的指示。

2.根据权利要求1所述的方法，其包括：

获得其中呈现所述皮肤区域的荧光图像；以及

检测所述皮肤区域的含有指示痤疮的卟啉的部分，

其中所述痤疮严重程度评分是基于所述皮肤区域的所述检测到的部分生成的。

3.根据权利要求2所述的方法，其包括获得其中呈现所述皮肤区域的平行偏振图像，其中所述纹理图像是使用所述平行偏振图像和所述交叉偏振图像的组合生成的。

4.根据权利要求3所述的方法，其包括对所述平行偏振图像、所述交叉偏振图像或所述荧光图像中的至少一个执行一个或多个校正操作。

5.根据权利要求1所述的方法，其中检测所述皮肤区域中的红斑包括将自适应性阈值处理技术应用于所述红色分量图像。

6.根据权利要求1所述的方法，其中检测所述皮肤区域的凸起部分包括将亮度滤波操作或形状滤波操作中的至少一个应用于所述纹理图像。

7.根据权利要求1所述的方法，其中变换所述交叉偏振图像以生成红色分量图像包括执行所述交叉偏振图像的RBX变换。

8.根据权利要求2所述的方法，其包括：

获得其中呈现所述皮肤区域的激发图像；

使用所述激发图像校正所述荧光图像；以及

使用校正后的荧光图像检测所述皮肤区域的含有所述卟啉的所述部分。

9.根据权利要求2所述的方法，其中生成所述痤疮严重程度评分包括：

基于在所述皮肤区域中检测到的所述红斑确定第一度量；

基于在所述皮肤区域中检测到的所述凸起部分确定第二度量；

基于所述皮肤区域的含有所述卟啉的所述检测到的部分确定第三度量；以及

计算所述第一、第二和第三度量的组合。

10.根据权利要求1所述的方法，其中：

所述纹理图像是其中呈现所述皮肤区域的三维图像；并且

所述方法包括使用所述纹理图像来测量所述皮肤区域的所述凸起部分的表面积或体积中的至少一个。

11.一种非暂时性计算机可读存储介质，其含有用于由处理器执行以用于实行根据权利要求1所述的方法的指令。

12.一种设备，其包括：

存储装置，其被配置成存储指令；以及

处理器，其被配置成执行存储于所述存储装置中的指令以：

获得其中呈现皮肤区域的交叉偏振图像；

变换所述交叉偏振图像以生成红色分量图像；

使用所述红色分量图像检测所述皮肤区域中的红斑；

获得其中呈现所述皮肤区域的纹理图像；

使用所述纹理图像检测所述皮肤区域的凸起部分；

基于在所述皮肤区域中检测到的所述红斑和凸起部分生成痤疮严重程度评分；并且

输出所述痤疮严重程度评分的指示。

13.根据权利要求12所述的设备，其中所述处理器被配置成执行指令以：

获得其中呈现所述皮肤区域的荧光图像；并且

检测所述皮肤区域的含有指示痤疮的卟啉的部分，

其中所述痤疮严重程度评分是基于所述皮肤区域的所述检测到的部分生成的。

14.根据权利要求13所述的设备，其中所述处理器被配置成执行指令以：

获得其中呈现所述皮肤区域的平行偏振图像，并且

使用所述平行偏振图像和所述交叉偏振图像的组合生成所述纹理图像。

15.根据权利要求14所述的设备，其中所述处理器被配置成执行指令以对所述平行偏振图像、所述交叉偏振图像或所述荧光图像中的至少一个执行一个或多个校正操作。

16.根据权利要求12所述的设备，其中所述处理器被配置成执行指令以通过将自适应性阈值处理技术应用于所述红色分量图像来检测所述皮肤区域中的红斑。

17.根据权利要求12所述的设备，其中所述处理器被配置成执行指令以通过将亮度滤波操作或形状滤波操作中的至少一个应用于所述纹理图像来检测所述皮肤区域的凸起部分。

18.根据权利要求12所述的设备，其中所述处理器被配置成执行指令以通过执行所述交叉偏振图像的RBX变换，变换所述交叉偏振图像以生成红色分量图像。

19.根据权利要求13所述的设备，其中所述处理器被配置成执行指令以：

获得其中呈现所述皮肤区域的激发图像；

使用所述激发图像校正所述荧光图像；并且

使用校正后的荧光图像检测所述皮肤区域的含有所述卟啉的所述部分。

20.根据权利要求13所述的设备，其中所述处理器被配置成执行指令以通过以下操作来生成所述痤疮严重程度评分：

基于在所述皮肤区域中检测到的所述红斑确定第一度量；

基于在所述皮肤区域中检测到的所述凸起部分确定第二度量；

基于所述皮肤区域的含有所述卟啉的所述检测到的部分确定第三度量；以及

计算所述第一、第二和第三度量的组合。

21.根据权利要求12所述的设备，其中：

所述纹理图像是其中呈现所述皮肤区域的三维图像；并且

所述处理器被配置成执行指令以使用所述纹理图像来测量所述皮肤区域的所述凸起部分的表面积或体积中的至少一个。

Images