Classification method of peripheral arterial disease in patients with type 2

红外热像图和机器学习对2型糖尿病患者外周动脉疾病的分类方法

Abstract

外周动脉疾病（PAD）的识别是一项复杂的任务，因为一组不同的因素会导致这种疾病，例如：吸烟、糖尿病、老年、高血压、肾功能不全等。最近，基于红外热像图（IRT）的非侵入性方法对于从足底热像图检测2型糖尿病和糖尿病足溃疡是有效的。然而，我们还没有发现关于脚垫从脚尖的特征的研究。在这项工作中，提出了一种非侵入性的方法来描述这种特征。我们建议对从脚部和脚趾上部的IRT图像中提取的相关特征进行分析。利用这些特征，我们构建了一个支持向量分类模型，该模型包含来自两组墨西哥参与者的数据——一组包括23名糖尿病患者，另一组包括20名非糖尿病患者。在1000次随机和独立的5倍交叉验证中，采用严格的自举方法对分类模型的平均性能进行了评估，准确率达到92.64%，敏感性达到91.80%，特异性达到93.59%。所提出方法的实验数据和源代码是公开的；它允许作为医师识别PAD的支持工具轻松实现。

Introduction

外周动脉疾病（PAD）是2型糖尿病患者常见的心血管并发症。PAD可通过踝肱指数（ABI）进行识别，以便对心血管风险进行分类；其在糖尿病患者中的患病率可能高达29%[10]。除ABI外，还可以通过测量肢体节段压力、足趾压力或多普勒超声来评估肢体血流状况。对于诊断确认和严重程度评估，通常使用CT血管造影、磁共振血管造影和数字减影血管造影[6]。

足部溃疡和截肢是PAD和周围神经病变的后果。这些是糖尿病患者发病率和死亡率的最重要原因。糖尿病患者的早期识别和PAD治疗可以防止溃疡和随后的截肢，这也可能导致死亡[2]。

近年来，基于红外热成像的非侵入性检测方法得到了广泛的应用（IRT）已被证明能有效检测2型糖尿病患者的危险区和足部溃疡[16,9]。IRT是一种不需要物理接触的新型诊断方法。这是一种安全可靠的技术，可以快速评估与组织温度相关的辐射能量[8]。

通过基于IRT的方法，有可能产生关于糖尿病与足部温度之间关系的进一步信息。Ilo等人表明，与对照组患者相比，糖尿病患者的脚通常更暖和，并且在糖尿病患者和对照组患者的脚之间表现出显著的温差（P<0.001）[7]。

Bagavathiappan等人发现，与患有神经病变的患者相比，患有神经缺血性疾病的糖尿病患者的平均脚温更高，后者的脚温更高（32-35）◦C） 而无神经病变者（27-30◦C） 。

必须强调的是，IRT显示了血管小体、亚临床感染和足底高压区测量的差异[7]。

几项研究报告，患有炎症性溃疡的糖尿病患者脚底温度过高，平均温差为2.2℃在右脚和左脚之间。一般来说，非对称温度分析比较同一参与者双脚之间的温度。

其他程序检测糖尿病足患者的风险区，将温度升高与溃疡和感染的存在相关，或将温度降低与坏死相关[1,9]，其中无需控制温度环境或均匀背景。最近的进展[1,11,16,9,4]集中于检测糖尿病足的危险区，因此使用了类似的图像采集协议。

我们只考虑最近的研究，总结在表1中。更完整的参考指南可在Adam等人的著作中找到[1]。在我们的提案中，图像采集协议与上述协议不同，因为我们感兴趣的是估计脚趾血管中的血流状况。尽管Huang等人断言，皮肤温度的变化在PAD评估和功能评估[6]中提供了一种非侵入性选择，但迄今为止，没有明确的研究为此目的开发有效的方法。

因此，我们的研究旨在提供一种基于支持向量机（SVM）模型从脚部底部提取的IRT特征的PAD识别方法，并将这些特征分为正常或易感PAD。本文的结构如下。在第2节中，我们描述了我们的方法和实验设置。第三节讨论了实验结果。第4节概述了主要调查结果和结论。

Materials and methods

2.1. Volunteer recruitment

我们分析了23例2型糖尿病合并PAD患者（ABI<0.9）和20例对照患者。对照组的平均年龄为59.5岁，糖尿病组为64岁（p=0.43）。

选择2型糖尿病患者时，要求他们有超过十年的诊断和ABI确认的PAD证据。患有感染性溃疡、脱位或确诊为中度或重度神经病变的患者被排除在本组之外。对照组的参与者没有PAD和糖尿病的证据。采用赫尔辛基标准，患者签署知情同意书参与研究，并允许在研究期间随时离开。

在研究过程中，要求所有参与者避免使用任何可能改变足部皮肤热行为的面霜、乳液、粉末或足部护理疗法，并要求他们保持足部清洁，穿舒适的鞋。在研究之前，所有患者都保持未穿衣服的脚超过20分钟，以便进行室温适应。图1显示了PAD评估所遵循的方法的概述。每个步骤（a到f）将在后续章节中解释。

2.2. IRT image acquisition

从受试者的脚上采集的图像如下：受试者坐在医院病床上舒适的位置，他们的脚位于塑料表面的脚底。每次采集前，对脚底进行消毒。我们没有找到PAD的热成像评估方案。因此，从不同的足部获取图像，以评估哪种是诊断PAD的最佳方法。图2显示了一组图像，聚焦于（a）脚趾，（b）脚背上部，两个来自脚部内侧，聚焦于胫后动脉，一个来自前侧（c）和一个来自后侧（d），一个来自脚部外侧，聚焦于胫前动脉（e），一个来自双脚前部的图像（d），一张脚趾和膝盖之间区域的图像（g），一张双腿后侧到膝盖的图像（h）。

使用Xenics Goby 640 GigE红外摄像机和Xeneth 2.5软件执行图像采集过程。摄像机灵敏度为55mk，光谱范围为8～14μm，分辨率为640×480像素；它与18毫米镜头一起使用，以在采集距离处获得良好的视野。室温保持在22℃◦C±2◦C、 环境湿度在65%±4%时，这两个变量均使用Fluke 971温度和湿度计测量

摄像机连续对整个图像进行自动和动态对比度控制；这个过程主要解决两个物理问题。第一个是检测系统的热漂移，必须通过测量放置在探测器和镜头之间的相机快门板的能量发射来持续补偿，该能量发射根据温度梯度触发，并从基于自适应直方图均衡化的相机专用算法输入。第二个问题出现在物体进入或离开视野时；在这种情况下，相机会根据相同的直方图均衡算法进行对比度增强。这两种情况都包括由相机内部补偿引起的灰度扰动，其与本研究中测量的能量变化不一致，并且在研究过程中记录。上述能量记录修改可防止同一参与者的脚之间或参与者之间的不正确比较，这将需要标准化过程。

为了减少这些问题，我们选择了手动控制摄像头软件，将偏移设置为0，增益设置为4，这样就可以在具有良好热对比度的情况下实现宽范围的脚温，其中19◦C对应于0灰度（黑色像素）和38◦C对应于8位刻度中的255gy电平（白色像素）；在视野内，我们测量了高发射率（0.96）塑料表面脚底的能量发射，以允许固定对比度参考。在研究过程中，基础能量发射是一个常数；因为它附近没有外部热源或散热器。为了证实这一说法，我们连续测量了脚底位置的入射能量，计算了漫射Labsphere Infragold平板图像的灰度强度，并在获取每个参与者脚的红外图像之前，使用红外Fluke IR68测量了脚底温度。通过该程序，我们发现每天反射的金板下能量仅为任何参与者最小排放量的5%。通过该程序，可以得出以下结论：背景和脚底发射是稳定和可理解的，并且可以用于补偿由于热漂移引起的能量变化，并为相机软件自动调整对比度，以处理和标准化采集的红外图像。

图像规格化过程如下所示。拍摄脚和脚底座的第一张图像。在以下图像中，来自脚底的灰度用于相对于第一图像（图1b）中的脚底灰度对图像进行归一化。

2.3. Feature extraction

通过标准化图像，可以比较每个参与者脚的不同区域之间或两个参与者脚之间的能量强度。能量的辐射测量定义是强度的平方，灰度图像中的像素能量是像素强度的平方[19]。

对采集的图像进行了初始能量分析，我们确认PAD与动脉路径有关。特别强调的是胫前动脉，它为足背动脉和随后的指动脉提供血液。

胫骨前动脉很难追踪，当然也很难计算其能量；

这就是为什么，我们决定分析足背动脉和脚趾（足动脉网络的最后轨迹）。它简化了模型，允许用一张图像预测和分类脚垫，包括胫骨、脚背和脚趾。

从这张独特的图像中，选择了21个感兴趣的区域。采用半自动分割算法计算能量。这些区域包括：5个脚趾远端、5个脚趾中央区域、5个脚趾近端部分、4个指间区、1个足背动脉区和1个胫骨。图3示出了此类区域的示例。对于每个位置，使用4×4像素的核来计算平均强度灰度。

从最初选择用于分析的21个区域中，我们确定8个区域可能是血管状态的有用标记。这些是：所有脚趾的平均值，受影响最严重的脚趾，脚背和双足胫骨。此外，我们发现，四个指标是最重要的，以确定垫等级。这些是脚趾/脚背和双脚的脚趾/胫骨。表2显示了用于评估糖尿病组和对照组能量模型之间相似性的不同特征，在同一表中，可以观察到两组之间能量水平和指数的统计显著差异。总的来说，糖尿病组在每个评估区域的能量水平和指数都低于对照组。

2.4. Support vector classifiers

支持向量机（SVM）是一种机器学习方法，用于解决分类、回归、离群点检测和密度估计问题[18]。支持向量机已成功地从纹理和温度特征整合到糖尿病足溃疡检测方法中[16]。对于该应用，其最大准确度为95.61%，敏感性为96.5%，特异性为92.41%。使用SVMs的脚趾光容积图特征检测2型糖尿病[11]的准确率为97.87%，敏感性为98.76%，特异性为96.61%。后一项研究表明，对于类似的分类任务，支持向量机优于不同的分类器，如LDA、朴素贝叶斯或随机森林。

Results and discussion

表5总结了使用支持向量机的拟议方法结果。表中列出了支持向量机的四个版本及其相应的优化超参数和五个性能分类指标。从我们的方法中获得的结果表明，从脚部上侧提取的12个相关特征（见表2，直接从IRT图像中提取）足以让分类器正确区分正常或容易发生PAD的病例。

关于红外图像的分析，我们发现脚趾和脚背可以帮助推断足部的血管化。这一发现可以在图4中观察到，图4比较了来自控制装置（顶部图像）和脚垫（底部图像）的脚部上部图像的示例。

忽略叉指区的主要原因是，这些区的可视化、识别和分析不能通过红外图像评估来实现，主要是在存在足部畸形或垫的情况下。一个好的替代方法是专注于评估脚趾能量，因为它是指背动脉的最终轨迹，可以作为评估糖尿病患者脚垫和足部最远端血流的有效参数。

值得注意的是，在本研究中，可与PAD共存的糖尿病神经病变成分未得到控制。在存在糖尿病神经病变的情况下，评估PAD的一个好方法是分析指间区。如果这些都是可见的，那么神经病变部分将比缺血部分得到更多的支持。然而，我们认识到，在大多数情况下，血管和神经病变因素共存。到目前为止，对糖尿病患者足部最常见的评估是ABI测量，它使用多普勒超声比较手臂和脚踝动脉中的血流，这是血管恶化的指标[14]。

动脉循环的共同远端评估是通过多普勒超声进行的，因为下肢一直到足背动脉或胫后动脉。在极少数情况下，评估更远端的部位，如指背动脉。此外，多普勒超声在评估指背动脉时是一种不舒服且具有挑战性的方法。它需要特殊的导管和技巧。使用我们的方法，可以轻松舒适地分析每个脚趾的状态。

未来的工作应该结合糖尿病神经病变准确评估PAD，这种情况在2型糖尿病患者中很常见。我们认识到，脚部位置存在缺陷和限制，难以通过红外摄像机进行测量。然而，图像采集时的热对比度和温度变化是支持我们程序效率的控制变量。

Conclusions

在这项工作中，我们提出了一种使用红外热像图来描述2型糖尿病患者外周动脉疾病的方法。从脚尖提取的12个特征足以准确识别PAD和2型糖尿病。与对照组相比，2型糖尿病和外周动脉疾病患者的红外热像图评估的能量强度存在差异。在分析的12个相关特征中，糖尿病患者的能量强度低于对照组。

支持向量机能够通过分析感兴趣的区域对组进行分类，糖尿病患者组的ABI<0.9。通过5倍交叉验证的自举，平均准确率为92.64%。作为下一步，我们考虑遵循深度学习方法，使得PAD识别方法变得对环境噪声不敏感。[12]中提供了支持向量机实现的源代码。

Declaration of Competing Interest