CN114972212A - 一种基于近红外成像的血管穿刺条件评估方法及终端 - Google Patents
一种基于近红外成像的血管穿刺条件评估方法及终端 Download PDFInfo
- Publication number
- CN114972212A CN114972212A CN202210499850.5A CN202210499850A CN114972212A CN 114972212 A CN114972212 A CN 114972212A CN 202210499850 A CN202210499850 A CN 202210499850A CN 114972212 A CN114972212 A CN 114972212A
- Authority
- CN
- China
- Prior art keywords
- blood vessel
- determining
- vessel
- image
- contour
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20036—Morphological image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开一种基于近红外成像的血管穿刺条件评估方法,获取原始近红外血管图像;使用卷积算法对所述原始近红外血管图像进行预处理,得到血管增强图像;基于所述血管增强图像使用人工智能算法确定血管的形态参数;基于所述形态参数对所述血管进行评估,得到评估结果,通过利用卷积算法和人工智能算法能够准确、有效地得到血管的形态参数,再根据形态参数预先评估血管的穿刺条件,利用得到的评估结果可匹配相应穿刺能级的护士,为临床护士制定科学的工作流程,提高了静脉穿刺工作的效率和质量。
Description
技术领域
本发明设计图像处理技术领域,尤其涉及一种基于近红外成像的血管穿刺条件评估方法及终端。
背景技术
静脉穿刺是一项有创性操作,发达国家有严格的静脉穿刺人员准入制度,而国内护士取得护士执业资格后便可以承担外周静脉穿刺、抽血等创伤性操作,我国医院暂没有相关的资质准入标准和管理方案;静脉穿刺仅按照排队队列随机分配护士,无法实现先评估血管条件再匹配相应能级的护士。
进行静脉穿刺时,如何为临床护士制定科学的工作流程、发挥最佳的工作效率和服务质量,是目前管理者亟待解决的问题。
发明内容
本发明所要解决的技术问题是:提供一种基于近红外成像的血管穿刺条件评估方法及终端,能够提高静脉穿刺工作的效率和质量。
为了解决上述技术问题,本发明采用的一种技术方案为:
一种基于近红外成像的血管穿刺条件评估方法,包括步骤:
获取原始近红外血管图像;
使用卷积算法对所述原始近红外血管图像进行预处理,得到血管增强图像;
基于所述血管增强图像使用人工智能算法确定血管的形态参数;
基于所述形态参数对所述血管进行评估,得到评估结果。
为了解决上述技术问题,本发明采用的另一种技术方案为:
一种基于近红外成像的血管穿刺条件评估终端,包括存储器、处理器及存储在存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取原始近红外血管图像;
使用卷积算法对所述原始近红外血管图像进行预处理,得到血管增强图像;
基于所述血管增强图像使用人工智能算法确定血管的形态参数;
基于所述形态参数对所述血管进行评估,得到评估结果。
本发明的有益效果在于:使用卷积算法对原始近红外血管图像进行预处理,得到血管增强图像,基于血管增强图像使用人工智能算法确定血管的形态参数,基于血管的形态参数对血管进行评估,得到评估结果,通过利用卷积算法和人工智能算法能够准确、有效地得到血管的形态参数,再根据形态参数预先评估血管的穿刺条件,利用得到的评估结果可匹配相应穿刺能级的护士,为临床护士制定科学的工作流程,提高了静脉穿刺工作的效率和质量。
附图说明
图1为本发明实施例的一种基于近红外成像的血管穿刺条件评估方法的步骤流程图;
图2为本发明实施例的一种基于近红外成像的血管穿刺条件评估终端的结构示意图;
图3为本发明实施例基于近红外成像的血管穿刺条件评估方法中的预设感兴趣矩阵遍历示意图;
图4为本发明实施例基于近红外成像的血管穿刺条件评估方法中的卷积运算示意图;
图5为本发明实施例基于近红外成像的血管穿刺条件评估方法中的确定多个第二矩阵示意图;
图6为本发明实施例基于近红外成像的血管穿刺条件评估方法中的确定血管增强图像示意图;
图7为本发明实施例基于近红外成像的血管穿刺条件评估方法中的计算最短距离的示意图。
具体实施方式
为详细说明本发明的技术内容、所实现目的及效果,以下结合实施方式并配合附图予以说明。
请参照图1,本发明实施例提供了一种基于近红外成像的血管穿刺条件评估方法,包括步骤:
获取原始近红外血管图像;
使用卷积算法对所述原始近红外血管图像进行预处理,得到血管增强图像;
基于所述血管增强图像使用人工智能算法确定血管的形态参数;
基于形态参数对所述血管进行评估,得到评估结果。
从上述描述可知,本发明的有益效果在于:使用卷积算法对原始近红外血管图像进行预处理,得到血管增强图像,基于血管增强图像使用人工智能算法确定血管的形态参数,基于血管的形态参数对血管进行评估,得到评估结果,通过利用卷积算法和人工智能算法能够准确、有效地得到血管的形态参数,再根据形态参数预先评估血管的穿刺条件,利用得到的评估结果可匹配相应穿刺能级的护士,为临床护士制定科学的工作流程,提高了静脉穿刺工作的效率和质量。
进一步地,所述使用卷积算法对所述原始近红外血管图像进行预处理,得到血管增强图像包括:
获取所述原始近红外血管图像对应的灰度数据和预设感兴趣矩阵;
按照所述预设感兴趣矩阵对所述灰度数据进行遍历,得到多个第一矩阵;
获取不同方向对应的预设卷积核矩阵,得到多个预设卷积核矩阵;
从所述多个预设卷积核矩阵中确定一目标预设卷积核矩阵,并将所述多个第一矩阵中的每一目标第一矩阵与所述目标预设卷积核矩阵进行卷积运算,得到多个矩阵元素;
根据所述多个矩阵元素生成第二矩阵,并返回执行所述从所述多个预设卷积核矩阵中确定一目标预设卷积核矩阵步骤,直至每一所述预设卷积核矩阵均已确定为目标预设卷积核矩阵;
从多个所述第二矩阵中确定相同坐标上的矩阵元素,并从所述相同坐标上的矩阵元素中确定最大值;
根据所述最大值得到血管增强图像。
由上述描述可知,使用卷积算法对红外血管图像进行预处理,得到的血管增强图像能够很好地保留血管的深度信息,便于后续基于血管增强图像准确地确定血管的形态参数。
进一步地,所述形态参数包括深度、数量、宽度和长度;
所述基于所述血管增强图像使用人工智能算法确定血管的形态参数包括:
基于所述血管增强图像使用血管深度算法确定血管的所述深度;
基于所述血管增强图像使用血管轮廓提取算法得到血管轮廓图像,并基于所述血管轮廓图像使用血管中心线提取算法确定所述血管的所述数量;
基于所述血管轮廓图像使用血管宽度计算算法确定所述血管的所述宽度;
基于所述血管轮廓图像使用血管长度计算算法确定所述血管的所述长度。
由上述描述可知,对于不同的形态参数采用不同的人工智能算法,使得每一形态参数的确定更加高效、可靠。
进一步地,所述基于所述血管增强图像使用血管深度算法确定血管的所述深度包括:
获取所述血管增强图像的像素点个数以及每一所述像素点的灰度值;
根据所述像素点个数和所述每一所述像素点的灰度值得到血管平均灰度;
根据所述血管平均灰度确定血管的所述深度。
由上述描述可知,根据像素点个数和每一像素点的灰度值得到血管平均灰度,根据血管平均灰度确定血管的深度,能够合理、有效地确定出血管深度,将其作为后续评估穿刺条件的因素之一,提高了评估结果的可靠性。
进一步地,所述根据所述像素点个数和所述每一所述像素点的灰度值得到血管平均灰度包括:
根据所述每一所述像素点的灰度值得到灰度值总和;
根据所述像素点个数和所述灰度值总和得到血管平均灰度;
所述血管平均灰度davg为:
davg=(d11+d22+…+dmn)/mn;
式中,mn表示所述像素点个数,dmn表示第mn个所述像素点的灰度值。
由上述描述可知,根据像素点个数和灰度值总和得到血管平均灰度,血管平均灰度越高则表示血管深度越浅,越低表示血管深度越深,根据此可准确确定血管深度。
进一步地,所述基于所述血管增强图像使用血管轮廓提取算法得到血管轮廓图像,并基于所述血管轮廓图像使用血管中心线提取算法确定所述血管的所述数量包括:
对所述血管增强图像进行高斯模糊处理,得到处理后的血管增强图像;
对所述处理后的血管增强图像使用血管轮廓提取算法进行轮廓提取,得到血管轮廓图像;
从所述血管轮廓图像中确定目标轮廓以及所述目标轮廓对应的轮廓点;
确定每一所述轮廓点的预设像素领域;
根据所述预设像素领域中的像素点从所述血管轮廓图像中提取血管中心线;
将所述血管中心线的数量确定为所述血管的所述数量。
由上述描述可知,先对血管增强图像进行高斯模糊处理,然后再对处理后的血管增强图像使用血管轮廓提取算法进行轮廓提取,提高了血管轮廓的提取效果,将血管中心线的数量确定为血管的数量,能够简单、有效地确定出血管数量。
进一步地,所述基于所述血管轮廓图像使用血管宽度计算算法确定所述血管的所述宽度包括:
获取所述血管轮廓图像中每一所述血管对应的第一轮廓线和第二轮廓线;
确定所述第一轮廓线与所述第二轮廓线的最短距离,并将所述最短距离确定为所述血管的所述宽度。
由上述描述可知,确定第一轮廓线与第二轮廓线的最短距离,并将最短距离确定为血管的宽度,将血管宽度也作为评估血管穿刺条件的因素之一,加强了评估结果的可靠性。
进一步地,所述基于所述血管轮廓图像使用血管长度计算算法确定所述血管的所述长度包括:
根据所述第一轮廓线和第二轮廓线使用OpenCv ArcLength()函数进行计算,得到多个血管长度;
从所述多个血管长度确定最大值,并将所述最大值确定为所述血管的所述长度。
由上述描述可知,根据第一轮廓线和第二轮廓线使用OpenCv ArcLength()函数进行计算,得到多个血管长度,从多个血管长度确定最大值,并将最大值确定为血管的长度,实现了血管长度的准确计算,从而提高了评估结果的可靠性。
进一步地,所述基于所述形态参数对所述血管进行评估,得到评估结果包括:
根据所述血管的所述深度确定深度等级,所述深度等级包括深度浅、深度适中或深度深;
根据所述数量确定数量等级,所述数量等级包括数量多、数量适中或数量少;
根据所述宽度确定宽度等级,所述宽度等级包括宽度宽、宽度适中或宽度细;
根据所述长度确定长度等级,所述长度等级包括长度长、长度适中或长度短;
判断所述血管的所述深度等级是否为所述深度浅、所述数量等级是否为所述数量多、所述宽度等级是否为所述宽度宽以及所述长度等级是否为所述长度长,若均是,则将所述血管确定为第一类血管;
判断所述血管的所述深度等级是否为所述深度适中、所述数量等级是否为所述数量适中、所述宽度等级是否为所述宽度适中以及所述长度等级是否为所述长度适中,若均是,则将所述血管确定为第二类血管;
判断所述血管的所述深度等级是否为所述深度深、所述数量等级是否为所述数量少、所述宽度等级是否为所述宽度细以及所述长度等级是否为所述长度短,若均是,则将所述血管确定为第三类血管。
由上述描述可知,根据血管不同的深度、数量、长度和宽度将血管评估为第一类血管、第二类血管和第三类血管,实现了对血管的有效分类,可根据不同级别的血管匹配不同穿刺能级的护士,从而提高了静脉穿刺工作的效率和质量。
请参照图2,本发明另一实施例提供了一种基于近红外成像的血管穿刺条件评估终端,包括存储器、处理器及存储在存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述基于近红外成像的血管穿刺条件评估方法中的各个步骤。
本发明上述的基于近红外成像的血管穿刺条件评估方法及终端能够适用于需进行血管穿刺的场景中,以下通过具体实施方式进行说明:
实施例一
请参照图1、图3-图7,本实施例的一种基于近红外成像的血管穿刺条件评估方法,包括步骤:
S1、获取原始近红外血管图像;
具体的,采用近红外投影式血管显像仪获取原始近红外血管图像,所述近红外投影式血管显像仪详情可参考现有技术CN201610243381;
S2、使用卷积算法对所述原始近红外血管图像进行预处理,得到血管增强图像,具体包括:
S21、获取所述原始近红外血管图像对应的灰度数据和预设感兴趣矩阵;
其中,所述预设感兴趣矩阵ROI的维度为n;
S22、按照所述预设感兴趣矩阵对所述灰度数据进行遍历,得到多个第一矩阵;
具体的,将预设感兴趣矩阵ROI按照从左到右、从上到下的顺序对灰度数据(即图3的原始图像数据)进行遍历,得到多个第一矩阵Onn,该第一矩阵即预设感兴趣矩阵所遍历覆盖的矩阵,每一第一矩阵的维度和所述预设感兴趣矩阵的维度一样为n,如图3所示;
S23、获取不同方向对应的预设卷积核矩阵,得到多个预设卷积核矩阵;
其中,所述预设卷积核矩阵本质是n行n列的行列式,其中的组成元素由数学公式自动得出,该数学公式由数学常量π、e、卷积核维度n、卷积核数量m通过特定数学运算得出;
S24、从所述多个预设卷积核矩阵中确定一目标预设卷积核矩阵,并将所述多个第一矩阵中的每一目标第一矩阵与所述目标预设卷积核矩阵进行卷积运算,得到多个矩阵元素;
具体的,从多个预设卷积核矩阵中确定一目标预设卷积核矩阵Cnn,并将多个第一矩阵中的每一目标第一矩阵Onn与目标预设卷积核矩阵进行卷积运算,即得到多个矩阵元素d11,d12,d13,...,dxy,如图4所示;
S25、根据所述多个矩阵元素生成第二矩阵,并返回执行S24,直至每一所述预设卷积核矩阵均已确定为目标预设卷积核矩阵;
具体的,如图4所示,根据多个矩阵元素d11,d12,d13,...,dxy生成第二矩阵D,并返回执行所述S24,直至每一预设卷积核矩阵均已确定为目标预设卷积核矩阵,此时,将得到m个第二矩阵D,即D1~Dm,如图5所示;
S26、从多个所述第二矩阵中确定相同坐标上的矩阵元素,并从所述相同坐标上的矩阵元素中确定最大值;
具体的,从m个第二矩阵D中确定相同坐标上的矩阵元素,并从相同坐标上的矩阵元素中确定最大值,如图6所示;
S27、根据所述最大值得到血管增强图像,如图6所示的预处理后图像数据;
S3、基于所述血管增强图像使用人工智能算法确定血管的形态参数,具体包括:
其中,所述形态参数包括深度、数量、宽度和长度;
S31、基于所述血管增强图像使用血管深度算法确定血管的所述深度,具体包括:
S311、获取所述血管增强图像的像素点个数以及每一所述像素点的灰度值;
S312、根据所述像素点个数和所述每一所述像素点的灰度值得到血管平均灰度,具体包括:
S3121、根据所述每一所述像素点的灰度值得到灰度值总和;
S3122、根据所述像素点个数和所述灰度值总和得到血管平均灰度;
所述血管平均灰度davg为:
davg=(d11+d22+…+dmn)/mn,
式中,mn表示所述像素点个数,dmn表示第mn个所述像素点的灰度值;
S313、根据所述血管平均灰度确定血管的所述深度;
其中,所述平均灰度越高则血管越浅,越低则血管越深;
S32、基于所述血管增强图像使用血管轮廓提取算法得到血管轮廓图像,并基于所述血管轮廓图像使用血管中心线提取算法确定所述血管的所述数量,具体包括:
S321、对所述血管增强图像进行高斯模糊处理,得到处理后的血管增强图像;
其中,所述高斯模糊处理的核大小取6×6维,以此确保后续血管轮廓提取的效果最佳;
S322、对所述处理后的血管增强图像使用血管轮廓提取算法进行轮廓提取,得到血管轮廓图像;
具体的,对处理后的血管增强图像使用canny算法进行轮廓提取,得到血管轮廓图像;
S323、从所述血管轮廓图像中确定目标轮廓以及所述目标轮廓对应的轮廓点;
其中,所述目标轮廓的初始值为所述血管轮廓图像中的原目标轮廓;
S324、确定每一所述轮廓点的预设像素领域;
其中,所述预设像素领域为8像素领域;
具体的,确定每一轮廓点的8像素领域;
S325、根据所述预设像素领域中的像素点从所述血管轮廓图像中提取血管中心线,具体包括:
S3251、判断每一所述预设像素领域中的像素点是否只含有第一预设连通像素,若是,则将只含有所述第一预设连通像素的预设像素领域对应的轮廓点删除,得到第一剩余轮廓点,若否,则根据所述轮廓点得到血管中心线;
其中,所述第一预设连通像素为3连通像素;
具体的,判断每一轮廓点的8像素领域中的像素点是否只含有3连通像素,若是,则将只含有3连通像素的8像素领域对应的轮廓点删除,得到第一剩余轮廓点,若否,则根据所述轮廓点得到血管中心线;
S3252、判断每一所述第一剩余轮廓点的预设像素领域中的像素点是否只含有所述第一预设连通像素或第二预设连通像素,若是,则将只含有所述第一预设连通像素或第二预设连通像素的预设像素领域对应的第一剩余轮廓点删除,得到第二剩余轮廓点,若否,则根据所述第一剩余轮廓点得到血管中心线;
其中,所述第二预设连通像素为4连通像素;
具体的,判断每一第一剩余轮廓点的8像素领域中的像素点是否只含有3连通像素或4连通像素,若是,则将只含有3连通像素或4连通像素的8像素领域对应的第一剩余轮廓点删除,得到第二剩余轮廓点,若否,则根据所述第一剩余轮廓点得到血管中心线;
S3253、判断每一所述第二剩余轮廓点的预设像素领域中的像素点是否只含有所述第一预设连通像素、第二预设连通像素或第三预设连通像素,若是,则将含有所述第一预设连通像素、第二预设连通像素或第三预设连通像素的预设像素领域对应的第二剩余轮廓点删除,得到第三剩余轮廓点,若否,则根据所述第二剩余轮廓点得到血管中心线;
其中,所述第三预设连通像素为5连通像素;
具体的,判断每一第二剩余轮廓点的8像素领域中的像素点是否只含有3连通像素、4连通像素或5连通像素,若是,则将含有3连通像素、4连通像素或5连通像素的8像素领域对应的第二剩余轮廓点删除,得到第三剩余轮廓点,若否,则根据所述第二剩余轮廓点得到血管中心线;
S3254、判断每一所述第三剩余轮廓点的预设像素领域中的像素点是否只含有所述第一预设连通像素、第二预设连通像素、第三预设连通像素或第四预设连通像素,若是,则将含有所述第一预设连通像素、第二预设连通像素、第三预设连通像素或第四预设连通像素的预设像素领域对应的第三剩余轮廓点删除,得到第四剩余轮廓点,若否,则根据所述第三剩余轮廓点得到血管中心线;
其中,所述第四预设连通像素为6连通像素;
具体的,判断每一第三剩余轮廓点的8像素领域中的像素点是否只含有3连通像素、4连通像素、5连通像素或6连通像素,若是,则将含有3连通像素、4连通像素、5连通像素或6连通像素的8像素领域对应的第三剩余轮廓点删除,得到第四剩余轮廓点,若否,则根据所述第三剩余轮廓点得到血管中心线;
S3255、判断每一所述第四剩余轮廓点的预设像素领域中的像素点是否只含有所述第一预设连通像素、第二预设连通像素、第三预设连通像素、第四预设连通像素或第五预设连通像素,若是,则将含有所述第一预设连通像素、第二预设连通像素、第三预设连通像素、第四预设连通像素或第五预设连通像素的预设像素领域对应的第四剩余轮廓点删除,得到第五剩余轮廓点,并将所述第五剩余轮廓点确定为所述目标轮廓后,返回执行S323,若否,则根据所述第四剩余轮廓点得到血管中心线;
其中,所述第五预设连通像素为7连通像素;
具体的,判断每一第四剩余轮廓点的8像素领域中的像素点是否只含有3连通像素、4连通像素、5连通像素、6连通像素或7连通像素,若是,则将含有3连通像素、4连通像素、5连通像素、6连通像素或7连通像素的8像素领域对应的第四剩余轮廓点删除,得到第五剩余轮廓点,并将所述第五剩余轮廓点确定为所述目标轮廓后,返回执行S323,若否,则根据所述第四剩余轮廓点得到血管中心线;
S326、将所述血管中心线的数量确定为所述血管的所述数量;
提取血管中心线时,目标是***往目标中心,利用以待检测像素为中心3*3像素窗口的特征,对血管不断腐蚀细化,直至腐蚀到不能再腐蚀(即单层像素宽度),就得到了图像的骨架,在S3255中若仍有像素被腐蚀,说明除了真实骨架外,还有“肉”,仍需继续腐蚀边界,因此,返回执行S323进行下一次迭代;
S33、基于所述血管轮廓图像使用血管宽度计算算法确定所述血管的所述宽度,具体包括:
S331、获取所述血管轮廓图像中每一所述血管对应的第一轮廓线和第二轮廓线;
S332、确定所述第一轮廓线与所述第二轮廓线的最短距离,并将所述最短距离确定为所述血管的所述宽度;
具体的,如图7所示,遍历计算第一轮廓线上的每一点与第二轮廓线上每一点的距离,得到多个距离,从所述多个距离中确定最短距离,并将所述最短距离确定为血管的宽度;
S34、基于所述血管轮廓图像使用血管长度计算算法确定所述血管的所述长度,具体包括:
S341、根据所述第一轮廓线和第二轮廓线使用OpenCv ArcLength()函数进行计算,得到多个血管长度;
S342、从所述多个血管长度确定最大值,并将所述最大值确定为所述血管的所述长度;
S4、基于所述形态参数对所述血管进行评估,得到评估结果,具体包括:
S41、根据所述深度确定深度等级,所述深度等级包括深度浅、深度适中或深度深,具体包括:
S411、判断所述深度是否符合第一深度阈值,若是,则确定深度等级为深度浅,若否,则执行S412;
S412、判断所述深度是否符合第二深度阈值,若是,则确定深度等级为深度适中,若否,则执行S413;
S413、判断所述深度是否符合第三深度阈值,若是,则确定深度等级为深度深;
S42、根据所述数量确定数量等级,所述数量等级包括数量多、数量适中或数量少,具体包括:
S421、判断所述数量是否符合第一数量阈值,若是,则确定数量等级为数量多,若否,则执行S422;
S422、判断所述数量是否符合第二数量阈值,若是,则确定数量等级为数量适中,若否,则执行S423;
S423、判断所述数量是否符合第三数量阈值,若是,则确定数量等级为数量少;
S43、根据所述宽度确定宽度等级,所述宽度等级包括宽度宽、宽度适中或宽度细,具体包括:
S431、判断所述宽度是否符合第一宽度阈值,若是,则确定宽度等级为宽度宽,若否,则执行S432;
S432、判断所述宽度是否符合第二宽度阈值,若是,则确定宽度等级为宽度适中,若否,则执行S433;
S433、判断所述宽度是否符合第三宽度阈值,若是,则确定宽度等级为宽度细;
S44、根据所述长度确定长度等级,所述长度等级包括长度长、长度适中或长度短,具体包括:
S441、判断所述长度是否符合第一长度阈值,若是,则确定长度等级为长度长,若否,则执行S442;
S442、判断所述长度是否符合第二长度阈值,若是,则确定长度等级为长度适中,若否,则执行S443;
S443、判断所述长度是否符合第三长度阈值,若是,则确定长度等级为长度浅;
S45、判断所述血管的所述深度等级是否为所述深度浅、所述数量等级是否为所述数量多、所述宽度等级是否为所述宽度宽以及所述长度等级是否为所述长度长,若均是,则将所述血管确定为第一类血管;
S46、判断所述血管的所述深度等级是否为所述深度适中、所述数量等级是否为所述数量适中、所述宽度等级是否为所述宽度适中以及所述长度等级是否为所述长度适中,若均是,则将所述血管确定为第二类血管;
S47、判断所述血管的所述深度等级是否为所述深度深、所述数量等级是否为所述数量少、所述宽度等级是否为所述宽度细以及所述长度等级是否为所述长度短,若均是,则将所述血管确定为第三类血管;
所述第一类血管穿刺难度相对较低,所述第二类血管穿刺难度中等,所述第三类血管穿刺难度相对较高,因此,可根据评估结果分配对应穿刺能级的护士。
实施例二
请参照图2,本实施例的一种基于近红外成像的血管穿刺条件评估终端,包括存储器、处理器及存储在存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现实施例一中的基于近红外成像的血管穿刺条件评估方法中的各个步骤。
综上所述,本发明提供的一种基于近红外成像的血管穿刺条件评估方法及终端,获取原始近红外血管图像;使用卷积算法对所述原始近红外血管图像进行预处理,得到血管增强图像;基于所述血管增强图像使用人工智能算法确定血管的形态参数;形态参数包括深度、数量、宽度和长度,将深度浅、数量多、宽度宽以及长度长的血管确定为第一类血管,将深度适中、数量适中、宽度适中以及长度适中的血管确定为第二类血管,将深度深、数量少、宽度细以及长度短的血管确定为第三类血管;通过利用卷积算法和人工智能算法能够准确、有效地得到血管的形态参数,再根据形态参数预先评估血管的穿刺条件,实现了对血管的有效分类,利用得到的评估结果可匹配相应穿刺能级的护士,为临床护士制定科学的工作流程,提高了静脉穿刺工作的效率和质量。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等同变换,或直接或间接运用在相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于近红外成像的血管穿刺条件评估方法,其特征在于,包括步骤:
获取原始近红外血管图像;
使用卷积算法对所述原始近红外血管图像进行预处理,得到血管增强图像;
基于所述血管增强图像使用人工智能算法确定血管的形态参数;
基于所述形态参数对所述血管进行评估,得到评估结果。
2.根据权利要求1所述的一种基于近红外成像的血管穿刺条件评估方法,其特征在于,所述使用卷积算法对所述原始近红外血管图像进行预处理,得到血管增强图像包括:
获取所述原始近红外血管图像对应的灰度数据和预设感兴趣矩阵;
按照所述预设感兴趣矩阵对所述灰度数据进行遍历,得到多个第一矩阵;
获取不同方向对应的预设卷积核矩阵,得到多个预设卷积核矩阵;
从所述多个预设卷积核矩阵中确定一目标预设卷积核矩阵,并将所述多个第一矩阵中的每一目标第一矩阵与所述目标预设卷积核矩阵进行卷积运算,得到多个矩阵元素;
根据所述多个矩阵元素生成第二矩阵,并返回执行所述从所述多个预设卷积核矩阵中确定一目标预设卷积核矩阵步骤,直至每一所述预设卷积核矩阵均已确定为目标预设卷积核矩阵;
从多个所述第二矩阵中确定相同坐标上的矩阵元素,并从所述相同坐标上的矩阵元素中确定最大值;
根据所述最大值得到血管增强图像。
3.根据权利要求1所述的一种基于近红外成像的血管穿刺条件评估方法,其特征在于,所述形态参数包括深度、数量、宽度和长度;
所述基于所述血管增强图像使用人工智能算法确定血管的形态参数包括:
基于所述血管增强图像使用血管深度算法确定血管的所述深度;
基于所述血管增强图像使用血管轮廓提取算法得到血管轮廓图像,并基于所述血管轮廓图像使用血管中心线提取算法确定所述血管的所述数量;
基于所述血管轮廓图像使用血管宽度计算算法确定所述血管的所述宽度;
基于所述血管轮廓图像使用血管长度计算算法确定所述血管的所述长度。
4.根据权利要求3所述的一种基于近红外成像的血管穿刺条件评估方法,其特征在于,所述基于所述血管增强图像使用血管深度算法确定血管的所述深度包括:
获取所述血管增强图像的像素点个数以及每一所述像素点的灰度值;
根据所述像素点个数和所述每一所述像素点的灰度值得到血管平均灰度;
根据所述血管平均灰度确定血管的所述深度。
5.根据权利要求4所述的一种基于近红外成像的血管穿刺条件评估方法,其特征在于,所述根据所述像素点个数和所述每一所述像素点的灰度值得到血管平均灰度包括:
根据所述每一所述像素点的灰度值得到灰度值总和;
根据所述像素点个数和所述灰度值总和得到血管平均灰度;
所述血管平均灰度davg为:
davg=(d11+d22+…+dmn)/mn;
式中,mn表示所述像素点个数,dmn表示第mn个所述像素点的灰度值。
6.根据权利要求3所述的一种基于近红外成像的血管穿刺条件评估方法,其特征在于,所述基于所述血管增强图像使用血管轮廓提取算法得到血管轮廓图像,并基于所述血管轮廓图像使用血管中心线提取算法确定所述血管的所述数量包括:
对所述血管增强图像进行高斯模糊处理,得到处理后的血管增强图像;
对所述处理后的血管增强图像使用血管轮廓提取算法进行轮廓提取,得到血管轮廓图像;
从所述血管轮廓图像中确定目标轮廓以及所述目标轮廓对应的轮廓点;
确定每一所述轮廓点的预设像素领域;
根据所述预设像素领域中的像素点从所述血管轮廓图像中提取血管中心线;
将所述血管中心线的数量确定为所述血管的所述数量。
7.根据权利要求3所述的一种基于近红外成像的血管穿刺条件评估方法,其特征在于,所述基于所述血管轮廓图像使用血管宽度计算算法确定所述血管的所述宽度包括:
获取所述血管轮廓图像中每一所述血管对应的第一轮廓线和第二轮廓线;
确定所述第一轮廓线与所述第二轮廓线的最短距离,并将所述最短距离确定为所述血管的所述宽度。
8.根据权利要求7所述的一种基于近红外成像的血管穿刺条件评估方法,其特征在于,所述基于所述血管轮廓图像使用血管长度计算算法确定所述血管的所述长度包括:
根据所述第一轮廓线和第二轮廓线使用OpenCv ArcLength()函数进行计算,得到多个血管长度;
从所述多个血管长度确定最大值,并将所述最大值确定为所述血管的所述长度。
9.根据权利要求3所述的一种基于近红外成像的血管穿刺条件评估方法,其特征在于,所述基于所述形态参数对所述血管进行评估,得到评估结果包括:
根据所述深度确定深度等级,所述深度等级包括深度浅、深度适中或深度深;
根据所述数量确定数量等级,所述数量等级包括数量多、数量适中或数量少;
根据所述宽度确定宽度等级,所述宽度等级包括宽度宽、宽度适中或宽度细;
根据所述长度确定长度等级,所述长度等级包括长度长、长度适中或长度短;
判断所述血管的所述深度等级是否为所述深度浅、所述数量等级是否为所述数量多、所述宽度等级是否为所述宽度宽以及所述长度等级是否为所述长度长,若均是,则将所述血管确定为第一类血管;
判断所述血管的所述深度等级是否为所述深度适中、所述数量等级是否为所述数量适中、所述宽度等级是否为所述宽度适中以及所述长度等级是否为所述长度适中,若均是,则将所述血管确定为第二类血管;
判断所述血管的所述深度等级是否为所述深度深、所述数量等级是否为所述数量少、所述宽度等级是否为所述宽度细以及所述长度等级是否为所述长度短,若均是,则将所述血管确定为第三类血管。
10.一种基于近红外成像的血管穿刺条件评估终端,包括存储器、处理器及存储在存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至9中任一项所述的一种基于近红外成像的血管穿刺条件评估方法中的各个步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210499850.5A CN114972212A (zh) | 2022-05-06 | 2022-05-06 | 一种基于近红外成像的血管穿刺条件评估方法及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210499850.5A CN114972212A (zh) | 2022-05-06 | 2022-05-06 | 一种基于近红外成像的血管穿刺条件评估方法及终端 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114972212A true CN114972212A (zh) | 2022-08-30 |
Family
ID=82980578
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210499850.5A Pending CN114972212A (zh) | 2022-05-06 | 2022-05-06 | 一种基于近红外成像的血管穿刺条件评估方法及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114972212A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117197096A (zh) * | 2023-09-13 | 2023-12-08 | 广州麦笛亚医疗器械有限公司 | 一种基于血管图像的血管功能评估方法和*** |
-
2022
- 2022-05-06 CN CN202210499850.5A patent/CN114972212A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117197096A (zh) * | 2023-09-13 | 2023-12-08 | 广州麦笛亚医疗器械有限公司 | 一种基于血管图像的血管功能评估方法和*** |
CN117197096B (zh) * | 2023-09-13 | 2024-02-20 | 广州麦笛亚医疗器械有限公司 | 一种基于血管图像的血管功能评估方法和*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110232383B (zh) | 一种基于深度学习模型的病灶图像识别方法及病灶图像识别*** | |
Shan et al. | A novel automatic seed point selection algorithm for breast ultrasound images | |
EP0757544B1 (en) | Computerized detection of masses and parenchymal distortions | |
US20080130964A1 (en) | Methods and Apparatus for Analysing Ultrasound Images | |
Giordano et al. | Epiphysis and metaphysis extraction and classification by adaptive thresholding and DoG filtering for automated skeletal bone age analysis | |
DE102008046859A1 (de) | 3D Segmentierung von allgemeiner Läsion in CT | |
CN110458859B (zh) | 一种基于多序列mri的多发性骨髓瘤病灶的分割*** | |
CN113012173A (zh) | 基于心脏mri的心脏分割模型和病理分类模型训练、心脏分割、病理分类方法及装置 | |
JP6458166B2 (ja) | 医用画像処理方法及び装置及びシステム及びプログラム | |
CN113920109A (zh) | 医疗影像识别模型训练方法、识别方法、装置及设备 | |
CN114972212A (zh) | 一种基于近红外成像的血管穿刺条件评估方法及终端 | |
CN113379741B (zh) | 基于血管特征的视网膜血管分割方法、设备和存储介质 | |
H Khan et al. | Classification of skin lesion with hair and artifacts removal using black-hat morphology and total variation | |
CN111105427B (zh) | 一种基于连通区域分析的肺部图像分割方法及*** | |
CN116309647B (zh) | 颅脑病灶图像分割模型构建方法、图像分割方法及设备 | |
Vikhe et al. | Detection and segmentation of pectoral muscle on MLO-view mammogram using enhancement filter | |
Rajaraman et al. | Connected components labeling and extraction based interphase removal from chromosome images | |
CN113706684A (zh) | 三维血管图像重建方法、***、医疗设备以及存储介质 | |
CN115439423B (zh) | 一种基于ct图像的识别方法、装置、设备及存储介质 | |
CN114757953B (zh) | 医学超声图像识别方法、设备及存储介质 | |
CN114612484B (zh) | 基于无监督学习的视网膜oct图像分割方法 | |
CN109816665A (zh) | 一种光学相干断层扫描图像的快速分割方法及装置 | |
CN112418043B (zh) | 玉米杂草遮挡确定方法、装置、机器人、设备及存储介质 | |
CN113902689A (zh) | 一种血管中心线提取方法、***、终端以及存储介质 | |
Nguyen et al. | An automatic body ROI determination for 3D visualization of a fetal ultrasound volume |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |