【技术实现步骤摘要】
透析壶凝血点识别报警方法及其相关方法和系统
[0001]本专利技术属于医学监测
,具体涉及一种透析壶凝血点识别报警方法及其相关方法和系统
。
技术介绍
[0002]神经网络在处理医学图像方面是非常有用的,深度学习可以通过其优越的学习能力从图像中提取更多与内容相关的特征,因此,基于深度学习的医学图像处理技术被广泛地应用
。
卷积神经网络相比普通的神经网络能够大量减少训练集,并且识别准确性也能大幅提高,在图像处理和图像识别等领域有非常广的应用
。
[0003]血液透析一般用于肾功能衰竭患者,在血液透析过程中,血液流经透析器的管路和膜片时,可能会与管路壁面和膜片上的一些物质发生凝血,导致透析不顺利
、
减少透析效果,甚至危及患者安全
。
在临床研究中,发现在血液透析的整个体外循环管路中静脉壶发生凝血的概率最大,因此发现静脉壶中凝血现象的发生对医护人员采取及时的治疗措施具有重要意义
。
目前在透析机中会通过内置压力传感器来实时监测管路中的压力变化
。
血液凝固时管路内循环不畅会导致管路内压力升高从而引发机器报警,该方式灵敏度较低,滞后性较大,无法实时报警,往往在机器报警时凝血已经发生
。
在专利
CN 206587216U
中,提出使用
LED
灯对静脉壶进行照射并通过放大镜对壶内凝血进行肉眼观察,这种方法要求操作人员要求较高,耗时耗力,可能存在误判,采取措施慢 >。
技术实现思路
[0004]本专利技术针对现有技术中缺少一种快捷且省时省力识别静脉壶是否发生凝血的技术问题,目的在于提供一种透析壶凝血点识别报警方法及其相关方法和系统
。
[0005]为了解决前述技术问题,本专利技术的第一方面提供一种透析壶凝血点识别报警用卷积神经网络训练方法,包括:
[0006]S1
,获取若干静脉壶图像,对所述静脉壶图像进行图像预处理,得到数据集;
[0007]S2
,对所述静脉壶图像按照凝血标准计算凝血区域,根据所述凝血区域对所述静脉壶图像打上实际标签,得到更新后的数据集;
[0008]S3
,构建卷积神经网络,设置网络训练的目标函数,采用所述数据集对所述卷积神经网络进行训练,得到训练完成的卷积神经网络模型
。
[0009]可选地,在如前所述的透析壶凝血点识别报警用卷积神经网络训练方法中,步骤
S1
中,获取若干静脉壶图像包括:
[0010]分别在同一时间获取静脉壶上下两部分位置的两张图像,对两张图像进行拼接形成所述静脉壶图像
。
[0011]可选地,在如前所述的透析壶凝血点识别报警用卷积神经网络训练方法中,对两张图像进行拼接时,采用平移拼接的方式
。
[0012]可选地,在如前所述的透析壶凝血点识别报警用卷积神经网络训练方法中,步骤
S1
中,对所述静脉壶图像进行图像预处理包括:
[0013]将所述静脉壶图像转化为灰度图
。
[0014]可选地,在如前所述的透析壶凝血点识别报警用卷积神经网络训练方法中,步骤
S1
中,对所述静脉壶图像进行图像预处理还包括:
[0015]将所述静脉壶图像转化为灰度图后,还利用
Gamma
校正对灰度图进行预处理调整
。
[0016]可选地,在如前所述的透析壶凝血点识别报警用卷积神经网络训练方法中,步骤
S2
中,在对所述静脉壶图像按照凝血标准计算凝血区域之前,还对步骤
S1
得到的所述静脉壶图像进行筛选,选取出无遮挡的
、
清晰的静脉壶凝血图像
。
[0017]可选地,在如前所述的透析壶凝血点识别报警用卷积神经网络训练方法中,步骤
S3
中,所述卷积神经网络采用
U
‑
net
神经网络模型,通过预设的基于
PyTorch
的深度学习框架来构建所述
U
‑
net
神经网络模型
。
[0018]可选地,在如前所述的透析壶凝血点识别报警用卷积神经网络训练方法中,所述
U
‑
net
神经网络模型包括:
[0019]通过卷积和最大池化的堆叠,对静脉壶图像主干特征提取;
[0020]对有效特征层进行上采样,获取到的特征进行反卷积和加入不同的跳跃连接,对每一个特征点进行分类,以得到更准确的分类结果
。
[0021]可选地,在如前所述的透析壶凝血点识别报警用卷积神经网络训练方法中,步骤
S3
中,还包括:
[0022]计算静脉壶图像中每个像素的预测标签与实际标签之间的差异,并求取平均值来衡量卷积神经网络的性能,将交叉熵损失函数作为目标函数,通过反向传播调整卷积神经网络的权重;
[0023]采用自适应动量优化算法训练参数,从而得到透析壶凝血点识别报警用卷积神经网络模型
。
[0024]为了解决前述技术问题,本专利技术的第二方面提供一种透析壶凝血点识别报警方法,包括:
[0025]采用已训练好的卷积神经网络模型对待识别静脉壶图像进行识别,得到识别结果,计算所述识别结果相对于所述待识别静脉壶图像的占比,得到凝血等级
。
[0026]可选地,在如前所述的透析壶凝血点识别报警方法中,所述透析壶凝血点识别报警方法,还包括:
[0027]将所述凝血等级与预设的凝血报警阈值进行比较,若所述凝血等级超过所述凝血报警阈值,则报警
。
[0028]可选地,在如前所述的透析壶凝血点识别报警方法中,所述待识别静脉壶图像采用本专利技术上述透析壶凝血点识别报警用卷积神经网络训练方法中图像拼接及图像预处理的方式进行处理
。
[0029]为了解决前述技术问题,本专利技术的第三方面提供一种透析壶凝血点识别报警系统,包括:
[0030]两个
CCD
相机,两个所述
CCD
相机分别用于采集静脉壶上下两部分位置的图像;
[0031]处理器,所述处理器连接所述
CCD
相机;
[0032]储存器,所述储存器中存储有计算机可读指令,所述计算机可读指令被所述处理
器执行时,使得所述处理器执行上述透析壶凝血点识别报警方法的步骤;
[0033]显示器,所述显示器连接所述处理器,所述显示器用于显示所述处理器处理后的结果
。
[0034]本专利技术的积极进步效果在于:本专利技术有效地对静脉壶中流动的血液状态进行准确实时监测,保障肾脏疾病患者在血液透析的顺利完成,降低了对医护巡视和经验技术的要求,减轻医护工作压力;保护患者的宝贵血液;避免二次透析的人力物力气财力浪费;以及医患纠纷等问本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.
一种透析壶凝血点识别报警用卷积神经网络训练方法,其特征在于,包括:
S1
,获取若干静脉壶图像,对所述静脉壶图像进行图像预处理,得到数据集;
S2
,对所述静脉壶图像按照凝血标准计算凝血区域,根据所述凝血区域对所述静脉壶图像打上实际标签,得到更新后的数据集;
S3
,构建卷积神经网络,设置网络训练的目标函数,采用所述数据集对所述卷积神经网络进行训练,得到训练完成的卷积神经网络模型
。2.
如权利要求1所述的透析壶凝血点识别报警用卷积神经网络训练方法,其特征在于,步骤
S1
中,获取若干静脉壶图像包括:分别在同一时间获取静脉壶上下两部分位置的两张图像,对两张图像进行拼接形成所述静脉壶图像;对两张图像进行拼接时,优选采用平移拼接的方式
。3.
如权利要求1所述的透析壶凝血点识别报警用卷积神经网络训练方法,其特征在于,步骤
S1
中,对所述静脉壶图像进行图像预处理包括:将所述静脉壶图像转化为灰度图;利用
Gamma
校正对灰度图进行预处理调整
。4.
如权利要求1所述的透析壶凝血点识别报警用卷积神经网络训练方法,其特征在于,步骤
S2
中,在对所述静脉壶图像按照凝血标准计算凝血区域之前,还对步骤
S1
得到的所述静脉壶图像进行筛选,选取出无遮挡的
、
清晰的静脉壶凝血图像
。5.
如权利要求1至4中任意一项所述的透析壶凝血点识别报警用卷积神经网络训练方法,其特征在于,步骤
S3
中,所述卷积神经网络采用
U
‑
net
神经网络模型,通过预设的基于
PyTorch
的深度学习框架来构建所述
U
‑
net
神经网络模型
。6.
...
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。