一种手臂静脉穿刺点定位方法技术

本发明专利技术公开了一种手臂静脉穿刺点定位方法，属于医疗辅助技术领域，方法包括：获取患者的第一光谱图像和第二光谱图像，并将所述第一光谱图像和所述第二光谱图像进行融合，得到双光谱图像；将所述双光谱图像输入至训练后的双分割模型，对所述双光谱图像进行图像分割，得到分割图像；去除非穿刺点，获取备选血管曲线；对所述备选血管曲线进行直线拟合，获取血管属性；对所述第一光谱图像进行分割，获取手臂分割图像，提取手臂属性；设定穿刺安全区域；结合所述血管属性、所述穿刺安全区域和所述手臂宽度，设定风险因子；根据所述风险因子选择最佳穿刺点。高效自动化的确定最佳穿刺点，提高一次穿刺成功率和穿刺安全性。次穿刺成功率和穿刺安全性。次穿刺成功率和穿刺安全性。

【技术实现步骤摘要】
一种手臂静脉穿刺点定位方法


[0001]本专利技术属于医疗辅助
，具体涉及一种手臂静脉穿刺点定位方法。

技术介绍

[0002]静脉穿刺是临床上用于诊断和治疗的必要措施，无论是诊断抽血还是治疗输液，穿刺都是常用护理操作。在穿刺过程中，一次穿刺成功率对于患者治疗体验至关重要，它不仅保证诊断治疗的有效性和及时性，而且还减少了病人的痛苦，提高工作效率。
[0003]目前，很多图像分割方法应用在静脉血管分割中，包括阈值分割法、边缘检测分割、聚类分割法等，由于近红外图像质量较差，这些方法难以获得平滑的血管分割区域，同时会将连黏的血管区域分割在一起难以辨识，主要表现在，阈值分割法只考虑血管的灰度信息而不关注空间信息，图像中灰度差异不明显区域划分在一起，难以得到准确的分割结果；边缘检测法需要计算图像的一阶或者二阶导数，对边缘提供判别依据，但检测结果有时不能提供较好的区域结构；聚类分割法将图像空间中的像素用对应的特征空间点表示，根据它们在特征空间的聚集对特征空间进行分割，然后将它们映射回原图像空间，得到分割结果，但聚类分割的聚类中心难以确定，分割结果不稳定。
[0004]目前在医疗图像分割与识别领域主要分为传统数字图像处理技术与深度学习处理技术，传统的数字图像处理技术主要是通过图像过滤、分割、特征提取和基于规则的分类序列，该技术需要高水平的专业知识和大量的工程时间；然而深度学习需要手动标记数据来注释好坏样本，需要长时间的人工参与，工作效率低，一次静脉穿刺成功率低，而且，缺乏血管用于穿刺的评价标准。
专利技术内容
[0005]为了解决现有技术存在的难以确定最优穿刺点，一次静脉穿刺成功率，缺乏血管用于穿刺的评价标准的技术问题，本专利技术提供一种手臂静脉穿刺点定位方法。
[0006]本专利技术提供了一种手臂静脉穿刺点定位方法，包括：
[0007]S101：获取患者的第一光谱图像和第二光谱图像，并将第一光谱图像和第二光谱图像进行融合，得到双光谱图像；
[0008]S102：将双光谱图像输入至训练后的双分割模型，对双光谱图像进行图像分割，得到分割图像，其中，双分割模型包括分割不同图像清晰度的第一图像分割模型和第二图像分割模型；
[0009]S103：对分割图像进行预处理，去除非穿刺点，获取备选血管曲线；
[0010]S104：对备选血管曲线进行直线拟合，获取血管属性，其中，血管属性包括血管曲线的血管起点坐标、血管终点坐标、血管宽度、血管角度和血管深度；
[0011]S105：对第一光谱图像进行分割，获取手臂分割图像，提取手臂属性，其中，手臂属性包括手臂分割边缘、手臂中心坐标和手臂宽度；
[0012]S106：基于手臂边缘和手臂中心坐标设定穿刺安全区域；
[0013]S107：结合血管属性、穿刺安全区域和手臂宽度，设定风险因子；
[0014]S108：根据风险因子选择最佳穿刺点。
[0015]与现有技术相比，本专利技术至少具有以下有益技术效果：
[0016]本专利技术采用双分割模型对不同光谱图像进行图像处理，充分融合两种样本的特性，有效降低模糊血管分割不清楚的问题。其次，通过对分割图像进行视觉图像预处理，去除非穿刺点，以进一步的对血管进行细化剥离，再次定位可穿刺血管，最后，结合涉及尺寸的血管属性，设定穿刺安全区域，引入风险因子以找到最佳穿刺点，使得穿刺点自动化获取，减少人工介入过程中标注数据导致的投入大效率低的情况，减轻医疗人员负担，高效准确的定位最佳穿刺点，提高一次静脉穿刺成功率，提升患者治疗体验。
附图说明
[0017]下面将以明确易懂的方式，结合附图说明优选实施方式，对本专利技术的上述特性、技术特征、优点及其实现方式予以进一步说明。
[0018]图1是本专利技术提供的一种手臂静脉穿刺点定位方法的流程示意图；
[0019]图2是本专利技术提供的一种双光谱图像；
[0020]图3是本专利技术提供的一种分割图像；
[0021]图4是本专利技术提供的一种备选血管曲线的获取流程图；
[0022]图5是本专利技术提供的一种手臂分割图像的获取流程示意图；
[0023]图6是本专利技术提供的一种包括穿刺安全区域的手臂结构示意图。
具体实施方式
[0024]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对照附图说明本专利技术的具体实施方式。显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，并获得其他的实施方式。
[0025]为使图面简洁，各图中只示意性地表示出了与专利技术相关的部分，它们并不代表其作为产品的实际结构。另外，以使图面简洁便于理解，在有些图中具有相同结构或功能的部件，仅示意性地绘示了其中的一个，或仅标出了其中的一个。在本文中，“一个”不仅表示“仅此一个”，也可以表示“多于一个”的情形。
[0026]还应当进一步理解，在本专利技术说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
[0027]在本文中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本专利技术中的具体含义。
[0028]另外，在本专利技术的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0029]在一个实施例中，参考说明书附图1，示出了本专利技术提供的手臂静脉穿刺点定位方
法的流程示意图。
[0030]本专利技术提供的一种手臂静脉穿刺点定位方法，包括：
[0031]参考说明书附图2，是本专利技术提供的一种双光谱图像。
[0032]图2中，Img1表示第一光谱图像，MidImg1表示第一光谱图像经过图像均值滤波后的图像，Img2表示第二光谱图像，merge表示融合后得到的双光谱图像。
[0033]S101：获取患者的第一光谱图像和第二光谱图像，并将第一光谱图像和第二光谱图像进行融合，得到双光谱图像。
[0034]需要说明的是，在特定波长近红外光的照射下，手臂静脉中血红蛋白对近红外光的吸收强于周围组织对近红外光的吸收，因此本专利技术通过光学成像原理，分别用700nm～1100nm范围内两种的近红外灯光照射人体手臂，可以观察到血管部分对应的光强度明显低于非血管区域，故形成了不同的光谱图像，进而充分融合两种样本的特性，避免单一光谱图像导致的模糊血管显示不出或者不清楚的情况，提高利用双光谱图像得到的血管清晰度。
[0035]在一种可能的实施方式中，S101具体包括：
[0036]S1011：通过第一预设波长的近红外光照射患者手臂，获取第一光谱本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种手臂静脉穿刺点定位方法，其特征在于，包括：S101：获取患者的第一光谱图像和第二光谱图像，并将所述第一光谱图像和所述第二光谱图像进行融合，得到双光谱图像；S102：将所述双光谱图像输入至训练后的双分割模型，对所述双光谱图像进行图像分割，得到分割图像，其中，所述双分割模型包括分割不同图像清晰度的第一图像分割模型和第二图像分割模型；S103：对所述分割图像进行预处理，去除非穿刺点，获取备选血管曲线；S104：对所述备选血管曲线进行直线拟合，获取血管属性，其中，所述血管属性包括所述血管曲线的血管起点坐标、血管终点坐标、血管宽度、血管角度和血管深度；S105：对所述第一光谱图像进行分割，获取手臂分割图像，提取手臂属性，其中，所述手臂属性包括手臂分割边缘、手臂中心坐标和手臂宽度；S106：基于所述手臂边缘和所述手臂中心坐标设定穿刺安全区域；S107：结合所述血管属性、所述穿刺安全区域和所述手臂宽度，设定风险因子；S108：根据所述风险因子选择最佳穿刺点。2.根据权利要求1所述的手臂静脉穿刺点定位方法，其特征在于，所述S101具体包括：S1011：通过第一预设波长的近红外光照射患者手臂，获取第一光谱图像，通过第二预设波长的近红外光照射患者手臂，获取第二光谱图像，其中，所述第一预设波长为580
‑
630nm，所述第二预设波长为830
‑
880nm；S1012：将所述第一光谱图像和所述第二光谱图像进行加权融合，得到所述双光谱图像：multiImg＝(imgλ2*ω1‑
midImgλ1)*ω2其中，multiImg表示所述双光谱图像，imgλ2表示所述第二光谱图像，midImgλ1表示所述第一光谱图像经过图像均值滤波后的图像,ω1和ω2表示权重比例。3.根据权利要求1所述的手臂静脉穿刺点定位方法，其特征在于，所述第一图像分割模型和所述第二图像分割模型均为UNet3++，所述双分割模型的训练方式具体为获取样本双光谱图像，按预设图像清晰度将所述样本双光谱图像划分为清晰图像和模糊图像，将所述清晰图像作为训练数据输入至所述第一图像分割模型，所述模糊图像作为训练数据输入至所述第二图像分割模型进行训练，得到所述双分割模型；所述S102具体为：S1021：将所述第一图像分割模型和所述第二图像分割模型的输出按预设比例进行合成，得到所述分割图像：output＝k1*output
model1
+k2*output
model2
其中，表示所述分割模型，output
model1
和output
model2
分别表示所述第一图像分割模型和所述第二图像分割模型的输出，k1，k2∈(0,1)表示所述预设比例。4.根据权利要求1所述的手臂静脉穿刺点定位方法，其特征在于，所述S103具体包括：S1031：对所述分割图像进行二值化处理，得到二值化图像；S1032：对所述二值化图像进行细化，提取核心血管曲线；S1033：删除所述核心血管曲线的分叉点和端点，得到所述备选血管曲线。5.根据权利要求4所述的手臂静脉穿刺点定位方法，其特征在于，所述S1032具体包括：S1032A：遍历所述二值化图像中的待处理像素点；
S1032B：确定所述待处理像素点的八邻域像素点：其中，p1表示所述待处理像素点，p2
‑
p9表示所述八邻域像素点；S1032C：设置第一约束条件，删除符合所述第一约束条件的待处理像素点，所述第一约束条件具体为：2≤N(p1)≤6S(p1)＝1p2*p4*p6＝0p4*p6*p8＝0其中，N(p1)表示与所述八邻域像素点中为前景像素点的个数，S(p1)表示在p2～p9～p2遍历过程中，像素值从0变到1的像素点累计出现的次数，其中，所述前景像素点的像素值为1，背景像素点的像素值为0；S1032D：设置第二约束条件，删除符合所述第二约束条件的待处理像素点，所述第二约束条件具体为：S1032E：重复S1032C
‑
S1032D，直至需要删除的待处理像素点为零，得到所述核心血管曲线。6.根据权利要求4所述的手臂静脉穿刺点定位方法，其特征在于，所述S1033具体为：S1033A：在所述核心血管曲线上存在两个以上的邻域点像素值为1的像素点情况下，确定所述像素点为所述交叉点，并设置第一半径阈值，将所述交叉点的第一半径阈值范围内的像素点的像素值置零，反之，确定所述像素点为所述端点，并设置第二半径阈值，将所述端点的第二半径阈值范围内的像素点的像素值置零。7.根据权利要求4所述的手臂静脉穿刺点定位方法，其特...

【专利技术属性】
技术研发人员：高媛，刘子忠，曲恒军，王崇宝，刘彦廷，
申请(专利权)人：浙江迈纳士智能诊断科技有限公司，
类型：发明
国别省市：