《Journal of Imaging Informatics in Medicine》：Hair Segmentation and Skin Characterization on Macroscopic Dermatological Images for Laser Treatment Parameterization
编辑推荐：
当前基于光的设备，如激光脱毛（laser hair removal）、强脉冲光（intense pulsed light, IPL）、血管激光治疗（vascular laser therapy）和皮肤科光疗（dermatologic phototherapy）
当前基于光的设备，如激光脱毛（laser hair removal）、强脉冲光（intense pulsed light, IPL）、血管激光治疗（vascular laser therapy）和皮肤科光疗（dermatologic phototherapy），在临床皮肤科中应用广泛，但其参数化高度依赖主观人工设定或未校准的点式色度计（point-based colorimeters）。为克服这些局限，研究人员提出一个用于宏观皮肤科图像（macroscopic dermatological images）中毛发分割与皮肤表征的统一系统。与多数依赖高度受控条件下皮肤镜数据集（dermoscopic datasets）的现有文献不同，研究人员的方法专门面向可复现真实临床激光治疗的宏观图像。所提出的流程将定制训练的YOLOv9（You Only Look Once version 9）深度学习架构变体用于实例分割（instance segmentation），并与经典图像处理整合于单一工作流，以提取客观的皮肤和毛发参数，如皮肤光型（phototype）、毛发密度（hair density）、颜色和厚度。基于分光光度测量（spectrophotometric measurements）的颜色校准阶段可确保无论照明条件如何均能准确估计特征。实验结果表明，在一个包含典型治疗前短剃毛发的自定义数据集上，分割指标具有竞争力（mAP@50（mean average precision at intersection-over-union 0.50）≈ 0.80）。这些发现证明所提出流程在为未来自动激光参数化（automated laser parameterization）提供客观、基础性皮肤和毛发特征方面的可行性，并为其扩展至更广泛的光学医学治疗铺平道路。
研究背景与问题。激光脱毛基于毛囊选择性光热作用（selective photothermolysis），其有效性和安全性取决于根据患者皮肤光型（phototype）、毛发特征及特定皮肤状况调整激光参数。当前临床多由训练有素的操作者依据目视检查和经验手动调整，过程耗时、主观且操作者间变异大，可影响疗效与患者安全。准确表征治疗区皮肤十分关键：激光能量和脉冲持续时间需适配皮肤光型和毛发厚度，以最大化疗效并降低烧伤或色素沉着风险。然而现有商业设备高度依赖人工，少数先进系统仅整合基础光型估计，常依赖缺乏空间信息的点式色度计（point-based colorimeters）或易受光照变化影响的未校准RGB相机。深度学习虽革新皮肤科图像分析，但在美学皮肤科应用仍不足；多数方法将毛发视为需去除的伪影而非可量化临床生物标志物，且多针对受控光照下皮肤镜图像，难以泛化至激光手柄采集的宏观、未校准图像；真实治疗前毛发通常被剃短，仅余短而低对比碎片，分割更具挑战。因此研究人员提出统一流程，以精确实例分割（instance segmentation）为第一阶段并直接支持后续皮肤和毛发特征提取，仅在有意义区域提取毛发密度、厚度、颜色和皮肤光型等临床相关特征，避免阴影或背景噪声偏置全局颜色测量，最终输出客观定量特征以用于指导激光治疗参数。
研究人员开展了什么研究，得出什么结论，有什么重要意义。研究人员构建了一个面向宏观皮肤科图像（macroscopic dermatological images）的毛发分割与皮肤表征统一系统，将定制YOLOv9-C-DSEG实例分割与经典图像处理整合于单一工作流，并加入基于分光光度测量（spectrophotometric measurements）的颜色校准阶段，以提取皮肤光型、毛发密度、颜色和厚度。研究使用志愿者专用采集的宏观皮肤图像，采集装置为集成Picamera2传感器和LED照明的手柄，采集距皮肤表面数厘米的2×3 cm区域，模拟激光脱毛真实条件；图像原生分辨率3840×2160像素（8-bit RGB），以PNG无损存储，裁剪手柄塑料边框后为2918×1664像素；所有皮肤均剃毛、清洁、干燥以复现治疗前状态，涵盖手臂、腿、腋下和胡须等区域。数据集包括384幅初始标注图像、1131幅改进照明图像（其中247幅以精细标准标注用于训练，884幅用于定性评估和测试），以及128幅由领域专家标注的详细毛发和皮肤特征测试图像；毛发颜色在120幅图像上评估，因8幅极细毛发无法可靠定色。采用按志愿者划分的5折交叉验证。结论表明，该系统可提供客观、基础性的皮肤和毛发特征，分割mAP@50约0.80，颜色校准对颜色相关特征至关重要，特征提取对分割边界噪声具有稳健性；其意义在于为未来自动激光参数化提供前提，并可扩展至强脉冲光（intense pulsed light, IPL）、血管激光治疗和皮肤科光疗等更广泛光医学治疗。
关键技术方法（≤250字）：采用定制YOLOv9-C-DSEG双头实例分割模型分割短剃毛毛发；高分辨率图像切为18个640×640、20%重叠图块，经NMS（non-maximum suppression）与包含过滤融合。以分光光度计和Pantone SkinTone?色卡在CIELAB空间进行颜色校准，采用Reinhard颜色迁移对齐均值和标准差。以距离变换、骨架化及实例计数结合0.00732318 mm/pixel标定估计厚度和密度；以k-means分离毛发-皮肤混合像素并分类毛发颜色，以ITA（Individual Typology Angle）估计皮肤光型。样本来自志愿者专用采集的宏观皮肤图像，训练247幅精细标注图像，测试128幅专家标注图像（毛发颜色120幅）。
研究结果。毛发分割性能（Hair Segmentation Performance）：通过5折交叉验证比较YOLOv9-C-DSEG、YOLOv9-C-SEG和GELAN-C-SEG，标准COCO指标显示各模型mAP@50约0.80，检测与分割的mAP@50-95分别约0.47和0.45，差异小于0.01；更细粒度的区域和边界指标显示YOLOv9-C-DSEG在多数Dice、IoU和边界指标上更优，尤其在宏平均分数上更敏感于困难图像，故被选为最终模型。误检主要来自衣物纤维或碎屑等小伪影及极细毛发（如4–5像素宽）的边界模糊；深肤色因毛发与皮肤色度对比低而分割质量下降。推理平均0.0453 s/图块、0.8156 s/全重建图像。
特征估计的误差传播（Error Propagation to Feature Estimation）：通过比较模型预测掩膜与真值掩膜提取的厚度和密度，平均毛发厚度宏平均绝对误差仅4.0 μm，相当于亚像素偏差，相对误差宏7.80%、微0.02%；密度相对误差宏33.58%、微4.11%，宏误差受低毛发数图像影响，微平均显示整体准确。结论是分割边界的小误差对下游特征影响可忽略，特征提取流程对掩膜噪声具有数学稳健性。
特征提取评估（Feature Extraction Evaluation）：以128幅专家标注图像为参考，毛发厚度和密度平衡准确率分别为80.4%和72.6%（Cohen’s Kappa为0.676和0.634），毛发颜色分类平衡准确率61.3%（Kappa=0.547），皮肤光型分类准确率73.0%（Kappa=0.626）。混淆矩阵显示误分类主要发生在相邻类别，极端类别间无混淆；金发类别中8例有6例被预测为棕色；连续数值预测随专家有序类别呈单调增加，但箱线图尾部有部分重叠，对应相邻类别混淆。
颜色校准的影响（Impact of Color Calibration）：通过禁用颜色校准的消融研究，皮肤光型分类准确率从72.7%降至1.6%，Kappa为?0.096，预测系统性向更深光型偏移约两类；毛发颜色准确率从75.0%降至50.8%，绝大多数毛发被误判为黑色；厚度和密度等几何特征不变。结论是分光光度颜色校准不是轻微增强，而是中和相机偏差和环境光照波动的严格操作要求。
全流程定性结果（Full Pipeline Qualitative Results）：代表性样本显示，分割阶段可勾勒极短、低对比毛发碎片，提取的密度、厚度、颜色和皮肤光型在不同身体区域、肤色和光照条件下视觉上连贯一致，支持该流程集成至真实激光治疗系统的潜力。
讨论总结。讨论认为，全自动皮肤-毛发界面表征在技术上可行；系统将YOLOv9-C-DSEG与校准颜色处理结合，桥接原始宏观图像与皮肤光型、毛发密度和厚度等客观临床特征。本研究严格聚焦这些特征的自动提取，作为初步诊断阶段；直接估计具体照射参数不在研究范围，仍需未来临床验证。由于这些特征是临床计算安全剂量所需的主要生物标志物，稳健表征为后续自动参数化提供了必要基础。该系统有望扩展至IPL、血管激光治疗和皮肤科光疗。YOLOv9-C-DSEG因边界和区域保真度更优而被选择，尽管各候选模型定位性能相近；全流程在中端GPU上实现亚秒级推理，支持未来集成。厚度4.0 μm亚像素误差证明下游特征提取对掩膜噪声稳健。箱线图尾部重叠和相邻类别混淆不全是系统误差，而反映人工分类标注的主观性和变异性；与精确真值掩膜比较的低误差支持混淆主要归因于标注者变异而非计算不准。金发误分类是系统限制：细软半透明金发受底层肤色和微阴影影响而被暗化，误判为棕色。无校准性能崩溃说明分光光度校准是严格操作要求。局限包括标注数据规模受志愿者数量限制、可能不完全代表总体、深肤色毛发-皮肤对比低、颜色校准针对受控采集设置而不能直接转移至任意未校准设备。未来需扩大数据、采用多专家共识、开展临床试验，并探索Mask R-CNN或注意力Transformer等替代实例分割架构、厚度条件毛发颜色分类、替代成像模态及自校准照明或改善光学均匀性。
翻译研究结论部分：本研究验证了将基于深度学习的分割与校准图像分析相结合，用于宏观皮肤科图像自动、客观表征的可行性。该集成系统可提供关键皮肤和毛发特征的可重复定量估计，为激光治疗前主观人工特征评估提供稳健、客观的替代方案。关键的是，实验评估确认了下游特征提取对分割噪声的亚像素级稳健性，以及分光光度校准在光照偏差和波动下确保可行性的严格必要性。尽管当前结果高度有前景，仍需通过更大型数据集和对照研究进行广泛验证以确认临床适用性；未来工作将聚焦扩大数据收集、采用多专家共识协议、开展临床试验评估自动表征对治疗安全性和个体化的真实影响，并探索替代分割架构、厚度条件毛发颜色分类、替代成像模态及自校准照明，最终为下一代具备自适应、患者特异性参数化能力的智能激光系统奠定基础。
