基于智能手机高光谱重建的移动式糖尿病足血流灌注监测系统MobiPerf的开发与验证

本研究针对糖尿病足溃疡(DFU)监测中传统高光谱成像(HSI)设备昂贵、操作复杂的问题，开发了移动端高光谱重建(HSR)系统MobiPerf。该系统通过深度学习模型将普通智能手机RGB图像重建为高光谱图像，结合无标定皮肤成分估计算法(CF-SCE)，实现了无需硬件改造或辐射校准的血流灌注评估。实验表明，该系统在模拟光照条件下与真实HSI设备提取的氧合信号高度一致(皮尔逊R=0.865)，对缺血条件表现出显著敏感性(p<1×10-5)，远程光电容积描记(rPPG)性能优于现有算法。该技术为糖尿病足的家庭智能化管理提供了可行方案。

　　

糖尿病足溃疡(DFU)是糖尿病患者最严重的并发症之一，全球约1.6亿人受其困扰。由于长期高血糖导致的微血管病变和神经损伤，患者足部组织灌注不足，微小损伤极易发展为难以愈合的慢性溃疡。约50%的DFU患者会发生感染，其中20%最终需要截肢，严重影响生活质量和生存率。传统评估方法如CT血管造影虽能提供宏观血管信息，但存在辐射暴露、需注射造影剂和设备庞大等问题。高光谱成像(HSI)和近红外光谱(NIRS)技术虽能无创评估组织氧合状态，依赖血红蛋白(Hb)和氧合血红蛋白(HbO₂)等色基的光谱特征，但专业设备价格昂贵且难以普及。

近年来，智能手机成像为DFU监测提供了新思路。现有应用多局限于溃疡尺寸和表面特征的跟踪，这些可见变化往往需数周才能显现，无法实现早期预警。虽然深度学习模型能自动分类溃疡状态，但其"黑箱"特性缺乏可解释性，难以获得医疗信任。高光谱重建(HSR)技术通过计算方式将普通RGB图像转换为高光谱图像，使智能手机具备HSI功能，但面临两大挑战：不同相机成像管道的差异性要求为每个设备单独配置参数；需通过白/黑参考图像进行辐射校准以消除环境光照影响，这在移动健康场景中难以实现。

为此，布法罗大学Alexander Gherardi团队在《BMC Artificial Intelligence》发表研究，开发了MobiPerf系统。该系统通过深度学习高光谱重建模型和无标定皮肤成分估计算法，实现了仅用智能手机图像/视频即可监测糖尿病足血流灌注的功能。研究人员采用MST++架构的HSR模型适应不同智能手机相机，解决了设备差异性问题；提出校准自由皮肤成分估计(CF-SCE)算法，无需参考图像即可估算血红蛋白和氧合血红蛋白相对浓度，克服了环境光照变异的影响。通过这些浓度数据，系统可生成组织氧合图像和远程光电容积描记(rPPG)信号，同时评估组织氧合和心脏功能。

关键技术方法包括：1)使用MST++深度学习模型进行高光谱重建，将RGB图像转换为31波段(460-640nm)高光谱图像；2)基于啤酒-朗伯定律开发CF-SCE算法，通过线性近似估计Hb、HbO₂和黑色素浓度；3)从公开数据集SPECTRALPACA(N=10)、UBFC-Phys(N=56)和DFUC2021(N≈6000)获取验证数据；4)采用α调谐技术从Hb和HbO₂信号中提取运动补偿rPPG信号。

压力袖带研究

通过SPECTRALPACA数据集验证氧合成像能力。使用血压袖带调制手部血流，压力0-160mmHg。将16波段HSI数据重采样为31波段(460-640nm)，生成智能手机RGB图像后经MST640模型重建HSR图像。时空分析显示：时间维度上，重建氧合信号与真实信号平均绝对误差(MAE)为0.122，皮尔逊相关系数R=0.865；空间维度上，首帧图像结构相似性(SSIM)为0.762，峰值信噪比(PSNR)/20为0.505。视觉上可见手掌中心对角线区域随压力增加首先出现灌注不足，并逐渐向外扩展。

光照变异性测试

在CIE标准照明体和智能手机闪光等5种光照条件下评估系统性能。结果显示大多数光源下性能一致，但白炽灯照明下图像纹理较软。闪光灯(皮尔逊R=0.633)、荧光灯2(0.696)和白炽灯(0.631)条件下性能有中度下降，但仍在可用范围。

反射率重建比较

对比四种HSR模型性能：传统HSR重建(RGB_L→HSI_L)、中性光照HSR(RGB_N→HSI_N)和无标定反射率重建(RGB_L→HSI_N)。后两种反射率重建模型性能显著优于传统方法，且在不同光照类型间变异更小，证明反射率重建能有效提升光照鲁棒性。

远程光电容积描记

使用UBFC-Phys数据集(56个视频)评估rPPG性能。任务包括静息(T1)、说话(T2)和算术计算(T3)。MobiPerf运动补偿rPPG在T1任务中表现最佳(BPM误差5.139)，显著优于Green通道法、独立成分分析(ICA)和皮肤正交平面(POS)算法。在T2和T3任务中运动干扰增加，所有算法性能下降，但MobiPerf仍保持可比性能。

糖尿病足溃疡应用

使用DFUC2021数据集(约6000张图像)评估真实场景应用。通过S型氧合特征值(σ(O₂))分析发现：缺血性溃疡分布明显右偏(高值)，感染性溃疡中度右偏，同时患有两种情况的溃疡呈现双峰分布，而无并发症溃疡无显著偏斜。方差分析表明缺血(p=6.74×10^-6)和感染(p=6.25×10^-12)对氧合值有显著影响。

研究证实MobiPerf系统能通过普通智能手机实现糖尿病足的血流灌注监测，无需专业设备或复杂校准流程。系统在多种光照条件下与专业HSI设备保持高度一致，对缺血条件敏感，rPPG性能优于现有算法。创新性地采用深度学习反射率重建和无标定成分估计方法，解决了移动健康应用中的关键障碍。未来工作可探索实时视频处理、皮肤色调影响量化以及细菌感染光谱特征的集成。该技术不仅适用于糖尿病足管理，还可扩展至其他灌注相关智能健康应用，如汗液浓度监测等，为慢性病家庭监护提供了新范式。