基于红外热成像与机器学习的下肢外周动脉疾病评估:纹理与频率特征联合分析

《ARABIAN JOURNAL FOR SCIENCE AND ENGINEERING》:Evaluation of Peripheral Arterial Disease Through Thermal Imaging and Machine Learning: A Texture- and Frequency-Based Approach

【字体: 大 中 小 】 时间:2026年04月16日 来源:ARABIAN JOURNAL FOR SCIENCE AND ENGINEERING 2.9

编辑推荐:

  本研究针对下肢外周动脉疾病(PAD)早期诊断困难、缺乏无创监测手段的问题,开展了一项结合红外热成像、图像处理与人工智能算法的研究。研究人员通过标准化运动负荷前后采集受试者下肢热成像,提取Haralick纹理特征、温度分布图及频率特征,并利用SVM、CNN、KNN等算法构建分类模型。最终,通过XGB集成模型实现高达92.9%的准确率,成功区分了运动员、健康、心血管风险人群及PAD患者四组。该研究为PAD的早期无创筛查、治疗监测提供了创新的辅助诊断新思路。

  
外周动脉疾病(Peripheral Arterial Disease, PAD)是一种常见的心血管疾病,由动脉狭窄导致,尤其影响下肢血流。尽管患病率高,但多数患者未被诊断和治疗,因为早期症状(如活动时腿部疼痛)常被忽视。目前,诊断的金标准是导管X射线血管造影,但它是有创的,且使用造影剂和电离辐射可能损伤肾脏。非侵入性方法如计算机断层扫描血管造影(Computed Tomography Angiography, CTA)、磁共振血管造影(Magnetic Resonance Angiography, MRA)等虽可用,但成本高且存在一定风险。因此,开发一种无创、低成本、安全的早期诊断工具至关重要。红外热成像技术因其无创、无辐射、可实时记录皮肤表面热辐射分布的特性,成为评估外周血管功能的有前景工具。然而,现有研究多局限于静态温度测量,缺乏对运动负荷下功能性变化的系统分析,也较少结合先进的图像处理和人工智能(Artificial Intelligence, AI)方法。本研究旨在填补这一空白,探索一种结合热成像、图像处理和AI算法的新框架,以实现下肢PAD的早期检测和治疗监测。
为开展研究,作者采用了几个关键技术方法。研究招募了40名参与者,等分为运动员、健康、心血管风险人群和PAD患者四组。使用FLIR T450sc红外热像仪在标准化环境(24°C)下,于受控体力负荷(在跑步机上以6 km/h步行10分钟)前后采集下肢热成像视频。预处理阶段采用Snake算法分割下肢区域,并通过三次样条插值进行几何归一化。特征提取包括:1) 使用K-means聚类生成高温区域分布图;2) 从运动前后温差图像中计算Haralick纹理特征(能量、对比度、相关性、同质性、熵);3) 通过小波变换分析每个像素点温度随时间变化的信号的频率成分。使用支持向量机(Support Vector Machine, SVM)对纹理特征分类,卷积神经网络(Convolutional Neural Network, CNN)对高温区域图像分类,K近邻(K-Nearest Neighbors, KNN)算法对频率特征分类。最后,将三个基础分类器的概率输出作为特征,输入极限梯度提升(eXtreme Gradient Boosting, XGB)模型进行集成分类。
结果部分揭示了以下主要发现:
  • •
    温度变化分析:运动引起的平均温度升高在运动员组最高(ΔT = 0.96 °C),患者组最低(ΔT = 0.38 °C)。静息状态下各组温度无显著差异,但运动后温度变化是区分各组的关键参数。
  • •
    Haralick纹理特征统计:Kruskal-Wallis H检验显示,组间在对比度(p = 0.017)和同质性(p = 0.028)上存在统计学显著差异。患者组表现出更低的对比度和更高的同质性,表明其温度分布更均匀、变化更小。
  • •
    分类模型性能:
    • •
      使用Haralick纹理特征的SVM(三次)模型分类准确率达95.7%。
    • •
      使用高温区域分布图像的CNN模型分类准确率达95.7%。
    • •
      使用频率特征的KNN(余弦)模型分类准确率达83.3%。
  • •
    XGB集成模型:结合上述三个模型概率输出的XGB集成模型,在测试集上实现了92.9%的整体分类准确率,其宏平均灵敏度、特异性、精确度和F1分数均表现优异,接收者操作特征曲线下面积(Area Under the Curve, AUC)值达0.96。特征重要性分析显示,CNN提取的高温区域分布特征贡献最大(30%),其次是纹理特征中的能量(18%)和同质性(15%),以及频率特征(16%)。
结论与讨论部分归纳并强调了本研究的意义。该研究成功开发并验证了一个集红外热成像、图像处理和人工智能于一体的辅助诊断框架,能够无创、有效地评估下肢外周血管功能,并对运动员、健康、心血管风险人群和PAD患者进行高精度分类。研究结果表明,运动负荷引起的温度变化模式、空间纹理特征(特别是对比度和同质性)以及频率特征是区分不同血管功能状态的有效生物标志物。本研究的主要贡献在于:1) 超越了简单的健康-患者二分法,引入了风险人群和运动员组,有助于识别早期、亚临床的血管功能障碍;2) 将热成像分析与多种AI算法结合,提供了比单独使用温度值更丰富的功能学见解;3) 提出的方法具有完全无创、相对低成本、可重复性好的潜力,可作为现有诊断方法(如踝肱指数)的补充工具,用于PAD的早期筛查、风险分层和治疗效果监测。尽管存在样本量有限、未与踝肱指数进行直接对比等局限性,但该框架为评估外周动脉粥样硬化性疾病、糖尿病血管病变等提供了新的研究方向,并可能在器官移植灌注监测、皮瓣存活评估等其他灌注相关临床场景中具有转化应用前景。论文发表在《ARABIAN JOURNAL FOR SCIENCE AND ENGINEERING》期刊上。
相关新闻
生物通微信公众号
微信
新浪微博

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