基于YOLO11n的非受控临床环境下糖尿病患者足部热成像炎症自动检测研究

《Diabetes Research and Clinical Practice》:Automated detection of inflammation in foot thermographic images of patients with diabetes acquired in an uncontrolled clinical environment

【字体: 大 中 小 】 时间:2026年10月13日 来源:Diabetes Research and Clinical Practice 4.6

编辑推荐:

  摘要 目的:糖尿病相关足溃疡(DRFU)是全球范围内导致截肢和死亡的重要原因。红外热成像技术可无创检测炎症相关的温度变化,但在非受控临床环境中,背景干扰会严重影响人工智能(AI)模型的性能。本研究旨在评估AI驱动的热成像技术在非受控背景下检测糖尿病足炎症的有效

  
摘要 目的:糖尿病相关足溃疡(DRFU)是全球范围内导致截肢和死亡的重要原因。红外热成像技术可无创检测炎症相关的温度变化,但在非受控临床环境中,背景干扰会严重影响人工智能(AI)模型的性能。本研究旨在评估AI驱动的热成像技术在非受控背景下检测糖尿病足炎症的有效性,并探讨背景控制(使用幕布)及灰度转换对检测性能的影响。 方法:这是一项横断面、多中心研究,于2025年8月至9月在印度尼西亚望加锡的3家初级医疗中心和2家私人伤口护理诊所进行,共纳入50例2型糖尿病患者,采集100幅足底热图像(50幅带幕布,50幅不带幕布)。所有图像经标准化预处理后,由认证伤口护理专家标注炎症热点区域。采用YOLO11n(You Only Look Once version 11 nano)作为目标检测模型,通过分层5折交叉验证评估性能,分别针对彩色图和灰度图在带幕布、不带幕布及混合数据集条件下进行分析。 结果:在彩色图条件下,带幕布时模型灵敏度为0.773,而不带幕布时降至0.455;灰度图在所有条件下均表现稳定,混合数据集的灵敏度达0.932,受试者工作特征曲线下面积(AUC)为0.966。交并比(IoU)分析显示,灰度图在不带幕布条件下平均IoU最高(0.844±0.281),而彩色图不带幕布条件最低(0.311±0.405)。失败模式分析表明,小感兴趣区域(T5)、热噪声/背景干扰(T6)和低热对比度(T3)是最主要的错误类别。 结论:AI驱动热成像技术可在非受控临床环境中有效检测糖尿病足炎症。背景控制可改善彩色图检测性能,但灰度图表示法在所有条件下均表现出更高的鲁棒性,尤其适用于无需背景控制的常规临床筛查。
论文解读文章
一、研究背景与问题
糖尿病相关足溃疡(DRFU)是一种以感染、溃疡和组织损伤为特征的严重并发症,全球每年约影响1860万人,显著增加截肢和死亡风险。传统临床评估依赖循环功能、神经病变和足底压力的主观判断,缺乏客观可靠的早期标志物。炎症被认为是足部溃疡发生前的最早信号之一,其中局部皮肤温度升高可通过红外热成像技术客观测量。然而,基于图像的临床判读存在观察者间差异、疲劳和认知负荷等问题,尤其在复杂热模式下诊断特征不明显时更为突出。尽管人工智能(AI)辅助分析已被引入足底热图解读,但现有模型大多在严格控制环境的实验室条件下训练,难以推广至日常临床实践。特别是临床图像通常在可变、非受控背景下采集,如家具、地板等物体可能被误认为足部或引入虚假热信号,从而损害模型定位感兴趣区域的能力。已有研究明确指出,非均匀背景是导致自动检测失败的主要原因。因此,本研究旨在评估AI驱动热成像技术在非受控背景下检测糖尿病足炎症的效果,并检验背景控制(幕布)及灰度转换能否提升检测性能。
二、研究设计与主要结论
研究人员开展了一项横断面、多中心研究,在印度尼西亚望加锡的3所初级医疗中心和2家私人伤口护理诊所收集数据,共纳入50例2型糖尿病患者,采集100幅足底热图像。每例患者分别在自然临床环境(无幕布)和放置黑色不反射织物幕布的条件下各采集一幅图像。所有图像经标准化预处理后,由认证伤口护理专家手动标注炎症热点区域作为参考标准。采用YOLO11n(You Only Look Once version 11 nano)目标检测模型,通过分层5折交叉验证评估性能,分别针对彩色图和灰度图在带幕布、不带幕布及混合数据集条件下进行分析。结果表明,AI驱动热成像技术可在非受控临床环境中有效检测糖尿病足炎症。背景控制(幕布)可改善彩色图的检测灵敏度,但灰度图在所有条件下均表现出更高且更稳定的性能,尤其在不带幕布条件下灵敏度达0.909,混合数据集达0.932。这一发现具有重要意义:它表明即使在非理想成像条件下,只要采用适当的图像表示方式,仍可实现可靠的炎症检测,为热成像技术从实验室走向真实临床应用提供了可行路径。
三、关键技术方法
  1. 1.
    数据采集:使用Thermo FLEX F50热像仪(光谱范围8–14 μm,分辨率240×240像素,热灵敏度0.05°C)在距足底约25 cm处平行拍摄。采集环境为非受控临床环境,环境温度27.0–33.0°C,湿度52.0–73.0%,光照强度6.0–1280.0 lx。部分采集在足后放置黑色不反射织物幕布以提供均匀背景。
  2. 2.
    图像预处理:使用Infrec-Analyzer NS9500STD软件进行标准化处理,温度灵敏度设为1.5,发射率固定为0.98。将彩色热图转换为灰度图以减少色彩映射伪影,使模型聚焦于对应温度分布的强度模式。
  3. 3.
    专家标注:由认证伤口护理专家识别炎症热点区域,使用LabelImg以YOLO目标检测格式手动标注边界框。
  4. 4.
    AI模型与训练:选用YOLO11n(You Only Look Once version 11 nano)轻量级目标检测模型,包含主干网络(轻量卷积块、优化C3模块和空间金字塔池化快速层SPPF)、颈部(多尺度特征聚合机制)和头部(单次前向传播输出边界框坐标、置信度和类别概率)。采用分层5折交叉验证,输入尺寸437×437像素,训练100个epoch。
  5. 5.
    性能评估:在足部水平计算准确率、精确率、灵敏度、特异度;进行受试者工作特征(ROC)分析获取曲线下面积(AUC);对正确检测案例计算交并比(IoU);采用七类图像级原因编码(T1–T7)分类检测失败模式。
四、研究结果
4.1 参与者与数据集特征
共纳入50例2型糖尿病患者,平均年龄58±10岁,76.0%为女性,平均BMI 25.06±3.75 kg/m2,平均糖尿病病程8.77±8.03年,40.0%有足溃疡史。在足部水平(n=100),21.0%显示临床炎症体征,54.0%存在周围神经病变,28.0%有活动性溃疡。图像采集涵盖室内外环境,环境温度相对稳定(均值29.86±1.30°C),湿度均值61.56±4.90%,光照强度变异极大(均值319.40±353.18 lx)。
4.2 检测性能
足部水平预测性能在彩色图和灰度图之间及不同采集条件下存在显著差异。带幕布彩色图准确率0.951,灵敏度0.773;不带幕布彩色图灵敏度骤降至0.455。灰度图在所有条件下表现一致,混合数据集达到最佳性能(准确率0.980,灵敏度0.932)。ROC分析证实了上述模式:彩色图不带幕布AUC仅0.727,而灰度图混合数据集AUC达0.966。在正确检测案例中,所有条件的IoU值主要高于0.9,表明预测与标注区域高度吻合。彩色图不带幕布条件平均IoU最低(0.311±0.405),而灰度图不带幕布条件平均IoU最高(0.844±0.281)。
4.3 失败模式分析
采用七类图像级原因编码(T1–T7)对检测失败进行分类。在所有条件下,小感兴趣区域(T5)、热噪声/背景干扰(T6)和低热对比度(T3)是最普遍的失败类别,且常共同出现。彩色图不带幕布条件失败实例最多(n=23),以T6为主导(n=9)。灰度图带幕布条件失败最少(n=7),且T6完全缺失。灰度图不带幕布条件仅有6个失败实例,分布在T3、T5、T6三类。
五、讨论与结论
讨论部分总结: 这是首次在真实临床环境中评估YOLO模型检测糖尿病足炎症的研究。背景控制(幕布)可减少周围热源干扰,提升彩色图检测性能,但日常临床实践中常难以实施。灰度图转换消除了无关颜色信息,保留了基于强度的温度模式,在所有条件下均实现高灵敏度(93%),表明灰度表示增强了模型对采集条件变异的鲁棒性。这一发现与既往证据一致:灰度热图在CNN架构中表现更优,去除颜色信息有助于清晰轮廓识别和更可靠的组织判别。YOLO架构本身通过单次生成多个边界框的策略,也适合医学热图中低对比度、噪声和小目标的检测需求。失败模式分析揭示,未来改进应优先关注多尺度检测机制(针对小感兴趣区域)、背景抑制策略(针对热噪声)和对比度增强预处理(针对低对比度),同时扩大训练数据多样性。
研究结论翻译: 本研究表明,AI驱动热成像技术可在非受控背景的真实临床环境中有效检测糖尿病足炎症区域。使用黑色幕布控制背景可减少红外干扰,提升彩色图检测性能和灵敏度稳定性。然而,灰度热图表示在所有条件下(包括无背景控制)均持续取得更高性能,表明其对背景变异性敏感性较低。这些发现提示,基于灰度的AI分析特别适用于常规临床环境中的自动化炎症检测,而彩色热图仍主要用于人类视觉判读。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号