【技术实现步骤摘要】
一种血流优化模型与神经网络相结合的自动插针方法
[0001]本专利技术属于人工智能及医学领域,具体涉及一种血流优化模型与神经网络相结合的自动插针方法。
技术介绍
[0002]血管插针在现代医疗中随处可见,小至体检时的静脉取血,大至抢救病人时的输血输液。然而精准地找到静脉或动脉并判断其走向在很多情况下对医护人员都是一项难事。例如,部分人的血管细小,或者被皮下脂肪肌肉层严实包裹,或者体表毛发浓密,导致人眼能见度很低;而动物则是直接被兽毛包裹,难以用人眼识别其静动脉走向。因不能精准地找到可以用于插针的血管,而导致的抢救时间延误的情况时有发生;拙劣的插针手法会导致病人或动物多次不必要地挨针,出现疼痛出血甚至不同程度的感染,进而可能引发医疗事故以及病人家庭与医生的严重冲突。
[0003]超声波能够用于探测人眼看不见的浅层和深层组织,尤其适用于准确地探测和定位人体和动物体内的血管。在自然界中,吸血蝙蝠通过自带的超声能力能够准确判断动物及牲畜身上人眼所看不到的血管分布,并完成取血;在人工开发的医疗设备中,彩色多普勒超声显像仪能够在给定的截面内提供血流的方向和流速等二维或三维图像信息。
[0004]然而,目前还未有一套基于多普勒超声原理和血流优化模型且无须成像的自动插针技术方法。
技术实现思路
[0005]针对现有技术方法的缺失和不足,本专利技术提出一种血流优化模型与神经网络相结合的自动插针方法。本专利技术具体通过如下的技术方案实现:
[0006]一种血流优化模型与神经网络相结合的自动插针方法 ...
【技术保护点】
【技术特征摘要】
1.一种血流优化模型与神经网络相结合的自动插针方法,其特征在于,包括以下步骤:步骤一:超声血流信息获取——利用多普勒超声原理,由自动超声扫描测得的血流反馈信号,计算出待插针区域的血管位置和血流速度分布的空间角度关系;步骤二:建立血流相对速度优化模型,其瞬时最小化模型表达式如下:p
*
=argmin F(μ
p
)+c|μ
p
|
γ
ꢀꢀꢀꢀ
(1a)式(1a)
‑
(1b)中,c,γ>0及M>>1为常数,μ
′
p
为p点处血流相对速度沿流动方向的方向导数或差分矢量,为判别函数,用于判断在位置p沿血流方向前后距离内,血流速度是否出现跳跃性变化;由物理测算和血流相对速度优化模型得到一组插针位置和角度的优选方案;步骤三:所述优选方案结合具有选择功能的神经网络,决策出最优插针点及插针角度,得到最优插针方案;步骤四:根据所述最优插针方案,结合具有学习功能的神经网络,学习并模拟专业人员的插针手法,得到插针路径。2.根据权利要求1所述的血流优化模型与神经网络相结合的自动插针方法,其特征在于,所述步骤二中利用具有局部最优解的血流相对速度优化模型,分析得到一组候选的较优插针坐标,所述血流相对速度优化模型的构造具体如下:对于圆柱形血管模型,血流量并且在无分叉的质量恒定的血管中有得到血流平均相对速度与血管管径沿血流方向的函数变化关系:其中r为血管半径,为血流方向上压强的单位长度变化,为血流平均相对速度的单位长度变化;由此建立血流相对速度的瞬时最小化模型(1a)
‑
(1b);瞬时最小化模型中,在以p为中心距离为的采样范围内,血流速度在血流方向上无跳跃或明显变化的区域是优选区域,此时令判别函数否则对应于血管分叉、堵塞或局部破裂的情况;在计算效率和计算量允许的情况下,在血流相对速度的瞬时最小化模型中加入时间变化量,并要求血流速度优化模型对时间有稳定性;此时先对{μ
p
(t
k
)}
k≤N
进行降噪的预处理,其中为m个心动周期[0,mT]上的一组时间列,0≤k≤mN,N为正整数;再建立依赖时间的血流速度优化模型:argmin
p
F({μ
p
(t
k
)}
k
)+c1||{μ
p
(t
k
)}
k
||
γ
+c2G
p
(k)
ꢀꢀꢀꢀ
(3a)其中所述血流速度优化模型需满足如下约束:I
P,min
≤I
p
≤I
P,max
,I
R,min
≤I
R
≤I
R,max
ꢀꢀꢀꢀ
(4a)
式(4a)中式(4a)中分别为临床上表征血管受阻情况的搏动指数与阻力指数的估算式,为第(n+1)个心动周期内的平均流速;血流相对速度模型中各范数为关于时间序列的‖
·
‖
∞
或‖
·
‖1范数,或其中q≥1,根据所需达到的效果挑选,在降低计算值受噪声影响的同时保证计算效率;通过(4a)中值I
P,min
、I
P,max
、I
R,min
及I
R,max
的设定,初步判定并排除阻塞或病变的血管从而减少血流相对速度优化模型的运算量。3.根据权利要求2所述的血流优化模型与神经网络相结合的自动插针方法,其特征在于,在能够快速测得的情况下,所述判别函数的表达式为:的表达式为:式(5a)
‑
(5b)中,p
n
与p
‑
n
分别为血流方向和逆血流方向上与p相距的采样点,δ0为阈值,c
D
为正常数,取值趋近且不小于插针深度;在式(1a)
‑
(1b)及(3a)
‑
(3b)中,根据临床经验对插针理想位置血流相对速度的取值范围作额外的限定,即设定μ
‘
≤|μ
p
|≤μ
’‘
。4.根据权利要求2所述的血流优化模型与神经网络相结合的自动插针方法,其特征在于,所述依赖时间的血流速度优化模型中,式(3a)能被替换为:argmin
p
F({μ
p
(t
k
)}
k
)+c1||{μ
p
(t
k
)}
k
||
γ
ꢀꢀꢀꢀ
(6a)并满足约束条件G
p<...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。