《Systems and Soft Computing》：ANN Net: PREDICTION OF STAGES IN VARICOSE ULCER USING ARTIFICIAL NEURAL NETWORK FOR TREATMENT PLANNING
编辑推荐：
静脉曲张为腿部瓣膜功能障碍致血液淤积而扩张扭曲的静脉，其周边开放性创口称静脉曲张性溃疡，亦归属慢性静脉功能不全范畴。本研究提出的人工神经网络(ANN)旨在识别静脉曲张分期。该网络通过若干步骤完成分期分类：i)预处理：以马尔可夫随机场(MRF)与暗通道先验(DC
静脉曲张为腿部瓣膜功能障碍致血液淤积而扩张扭曲的静脉，其周边开放性创口称静脉曲张性溃疡，亦归属慢性静脉功能不全范畴。本研究提出的人工神经网络(ANN)旨在识别静脉曲张分期。该网络通过若干步骤完成分期分类：i)预处理：以马尔可夫随机场(MRF)与暗通道先验(DCP)算法去除闪光伪影，多尺度特征局部二值模式(MSFLBP)技术去除毛发，基于补丁的演化局部自适应(ELA)技术去除噪声；ii)将预处理图像输入分水岭分割算法以分离受累静脉区域；iii)将分割图像送入人工神经网络分类静脉曲张1至5期。所提ANN模型在分期分类任务中表现优异，灵敏度0.928、特异度0.927、精确率0.929、准确率0.928、F1分数0.932。该ANN主要用于早期识别静脉曲张不同分期，以便在更早阶段启动治疗以避免静脉性溃疡。
研究背景方面，慢性静脉功能不全所致静脉曲张若未及时干预可进展为静脉曲张性溃疡（即静脉性腿溃疡VLU），带来组织损伤、感染风险及显著临床负担。现有视觉评估依赖临床经验、耗时且主观，早期分级困难，故研究人员在《Systems and Soft Computing》报道一项基于人工神经网络(ANN)的计算机辅助分期研究，目标是对静脉曲张由单纯静脉病变至开放性溃疡的1–5期进行自动化识别，以支撑压缩治疗或手术等治疗规划。研究人员采用印度泰米尔纳德邦Thoothukudi政府医学院采集的1000张患者伤口图像（按80%/20%分训练/测试，含1–5期及肉芽、上皮、坏死、焦痂四类组织），构建“预处理—分水岭分割—ANN分类”流水线，得出整体准确率0.928、灵敏度0.928、特异度0.927、精确率0.929、F1分数0.932，较MCML与RVDM基线提升约7.6%与11.4%，证明早分期可避免溃疡进展。
关键技术方法上，研究人员依次使用马尔可夫随机场(MRF)联合暗通道先验(DCP)抑制闪光伪影，多尺度特征局部二值模式(MSFLBP)剔除毛发，基于补丁的演化局部自适应(ELA)滤波降噪；继而以标记控制分水岭算法分离溃疡区域与皮肤背景；最后提取尺寸、颜色、纹理、深度等特征组成3600维向量，输入三层全连接ANN（128–64–32神经元，ReLU激活，输出层5类softmax），用Leave-One-Out交叉验证(LOOCV)训练评估。
研究结果部分，数据集小节指明图像来自单中心 Canon EOS 1300D 采集、类别不均衡（1期125张、2期125张、3期250张、4期250张、5期250张）。预处理小节中，MRF+DCP恢复透射率图以去闪光，MSFLBP以LBP(8,1)、LBP(8,2)及旋转核增强纹理并去毛，ELA以遗传编程对相似补丁簇演化最优滤波器实现自适应去噪。区域分割小节中，分水岭经距离变换与梯度图以标记生长隔离创面，便于量化面积与组织构成。人工神经网络小节详述输入层3600节点、隐层128/64/32、输出5节点softmax，交叉熵损失与反向传播使网络学到各期尺寸颜色纹理规律。分期分类小节确认特征集涵盖大小形状、颜色强度、周边组织状态，使ANN映射至1–5期。结果讨论小节显示，带预处理ANN整体灵敏度0.928、特异度0.927、精确率0.929、准确率0.928、F1 0.932；与无预处理相比各指标升约1.2%–1.5%；相较MCML（准确率0.852）与RVDM（准确率0.814）分别高出0.076与0.114，TPR/TNR更高而FPR/FNR更低。
讨论与结论翻译：综上，所提基于模式识别的溃疡分期方法展现结构化高效流程。噪声抑制、对比增强与伪影去除奠基精确分割与特征抽取；分水岭分割、局部二值模式、暗通道先验及局部自适应滤波进一步提升质量。ANN在该特征上获92.8%准确率。局限在于自建数据集中创面组织因颜色差异致少数组织误分。该研究为临床提供早诊早治工具，但需更大多中心队列验证泛化性。
