基于计算机视觉的上眼睑凹陷客观评估框架：一种结合灰度方差、结构相似性和眼睑皱纹度的多维度分析方法

《Scientific Reports》：A computer vision-based framework for objective evaluation of sunken upper eyelid

本研究针对上眼睑凹陷矫正手术效果评估缺乏客观标准的问题，开发了一种基于计算机视觉的自动化评估框架。研究人员通过面部标志点检测、图像标准化预处理，提取了灰度方差(VGV)、结构相似性指数(SSIM)和眼睑皱纹度(DEW)三个形态学特征，并构建支持向量机(SVM)模型计算超平面距离D(f)。结果显示患者组与正常组在三项特征上均存在显著差异(p<0.01)，术后ΔD值变化与临床改善程度一致。该方法为眼睑整形手术提供了可量化的客观评估工具。

　　

当人们照镜子时，眼睛是最先被注意到的面部特征之一。上眼睑凹陷作为一种常见的眼部形态问题，不仅影响面部美观，还可能伴随功能性障碍。传统的评估方法主要依赖医生的主观判断或昂贵的医学影像设备，这两种方式都存在明显局限：前者受医生经验影响较大，后者成本高昂且无法实现实时评估。

在这样一个背景下，上海理工大学健康科学与工程学院的研究团队开展了一项创新性研究，开发出基于计算机视觉的客观评估框架。这项发表在《Scientific Reports》的研究旨在解决上眼睑凹陷矫正手术效果评估的标准化难题。

为了开展这项研究，团队收集了2013年1月至2023年12月期间接受上眼睑凹陷矫正手术患者的临床资料。经过严格筛选，最终纳入13名患者的26份有效面部照片数据（术前和术后各13份）。所有照片均在标准化条件下拍摄：患者保持中性表情、正视相机、头部居中，并在均匀无阴影的室内光照条件下完成。

研究采用两阶段分析方法。第一阶段进行图像预处理，包括使用Face++ 106点模型进行面部标志点检测，裁剪围眼眶区域(ROI)，分辨率标准化以及眼睑子区域分割。

具体而言，首先通过面部标志点检测获取106个关键点的坐标，然后基于这些点定义矩形区域进行裁剪，接着将图像统一调整为固定宽度（如500像素），最后将每个眼睑划分为4个垂直排列的子区域以供后续分析。

第二阶段进行多维特征提取和评估。研究人员从预处理后的图像中提取了三个与临床观察密切相关的形态学特征：灰度方差(Variance of Gray Value, VGV)用于量化眼睑表面阴影分布的不均匀性，结构相似性指数(Structural Similarity Index, SSIM)用于衡量双侧眼睑的对称性，眼睑皱纹度(Degree of Eyelid Wrinkles, DEW)用于描述眼睑皮肤纹理的不规则性。

这些特征被输入到支持向量机(Support Vector Machine, SVM)模型中，通过计算特征向量到分离超平面的L2距离D_(f)来评估眼睑形态。术后改善程度通过ΔD = D_{(f_post)} - D_{(f_pre)}来量化，正值表示向正常眼睑形态的改善。

标准化图像预处理

研究团队建立了一套系统的图像预处理流程，确保所有分析图像具有一致性和可比性。该流程包括面部标志点检测、围眼眶区域裁剪、分辨率归一化和眼睑子区域分割。这一标准化过程为后续特征提取提供了可靠基础，减少了下游分析中的技术变异。

多维特征提取

研究人员验证了三个形态学特征在区分正常眼睑和凹陷眼睑方面的判别能力。独立样本t检验显示，患者组与正常组在VGV、SSIM和DEW上均存在显著差异(p<0.01)。具体而言，患者组的VGV(0.18±0.08)显著高于正常组(0.07±0.05)，表明凹陷区域灰度分布更不均匀；患者组的SSIM(0.73±0.08)显著低于正常组(0.85±0.04)，反映双侧对称性降低；患者组的DEW(204.11±69.24)显著高于正常组(75.23±47.13)，显示皮肤纹理不规则性增加。

支持向量机评估模型

基于重复分层3折交叉验证(10次重复)的评估显示，SVM模型在分类任务中表现出色，准确率达0.92，精确度为0.90，召回率为0.95，F1分数为0.92。这表明模型能有效区分正常和凹陷眼睑状态。

手术效果评估

应用训练好的SVM模型对术前术后图像进行分析，结果显示大多数患者术后ΔD为正值，表明手术带来了形态学改善。研究人员根据ΔD值将改善程度分为三类：轻度改善(0<><δd<1.81)和显著改善(δd>1.81)。这一分类与临床观察结果一致，验证了该评估框架的临床适用性。

个别病例出现了负的ΔD值，表明术后形态学特征反而恶化。进一步分析发现，这些病例术前均被临床评估为"轻度"凹陷，提示模型对细微形态变化较为敏感，可能捕捉到了临床观察中不明显的改变。

该研究开发的计算视觉框架为上眼睑凹陷矫正手术效果评估提供了客观、量化的方法。通过整合多个形态学特征和机器学习算法，该框架能够敏感地捕捉手术前后的细微变化，与临床评估结果具有良好的一致性。研究的创新点在于将传统的几何测量扩展到包括灰度分布、对称性和纹理特征的多维度分析，建立了标准化的图像预处理流程，并引入了基于超平面距离的可解释评估指标。

尽管该研究存在样本量有限和依赖手工设计特征的局限性，但其模块化架构和临床相关性使其有望扩展到其他眼周手术的效果评估，如眼睑成形术和下眼袋矫正术。这项工作代表了在眼睑美容和重建手术领域向精准化、数据驱动评估迈出的重要一步，为临床医生提供了低成本、便捷且客观的手术效果评价工具。