CN110223280B - 静脉血栓检测方法和静脉血栓检测装置 - Google Patents

静脉血栓检测方法和静脉血栓检测装置 Download PDF

Info

Publication number
CN110223280B
CN110223280B CN201910478690.4A CN201910478690A CN110223280B CN 110223280 B CN110223280 B CN 110223280B CN 201910478690 A CN201910478690 A CN 201910478690A CN 110223280 B CN110223280 B CN 110223280B
Authority
CN
China
Prior art keywords
vein
venous thrombosis
sample data
venous
detection model
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.)
Active
Application number
CN201910478690.4A
Other languages
English (en)
Other versions
CN110223280A (zh
Inventor
张海平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Oppo Mobile Telecommunications Corp Ltd
Original Assignee
Guangdong Oppo Mobile Telecommunications Corp Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong Oppo Mobile Telecommunications Corp Ltd filed Critical Guangdong Oppo Mobile Telecommunications Corp Ltd
Priority to CN201910478690.4A priority Critical patent/CN110223280B/zh
Publication of CN110223280A publication Critical patent/CN110223280A/zh
Application granted granted Critical
Publication of CN110223280B publication Critical patent/CN110223280B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • 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
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • 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)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Radiology & Medical Imaging (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

本申请实施例公开了一种静脉血栓检测方法和静脉血栓检测装置，包括：采集用户的目标部位的N张静脉图像，对所述N张静脉图像进行预处理，得到目标静脉图像，通过训练好的静脉血栓病症检测模型对所述目标静脉图像进行分析，得到静脉血栓检测结果，本发明实施例所用方法简便易行，成本低，可操作性强，可以帮助患者发现早期的静脉血栓疾病，以便患者尽早采取治疗手段。

Description

静脉血栓检测方法和静脉血栓检测装置
技术领域
本申请涉及医学影像技术领域，特别涉及一种静脉血栓检测方法和静脉血栓检测装置。
背景技术
静脉血栓是一种常见的血栓类疾病，主要表现为肢体肿胀、疼痛、皮肤青紫和功能障碍。若发生静脉栓塞而未及时抢救，可能会导致器官组织坏死。目前医学上主要的检测方法有：彩色多普勒超声、CT和MRI血管重建技术和深静脉造影，因为该疾病早期症状并不显著，极易被患者忽视，且患者一般不会主动去医院进行这些高费用的检查，所以很可能错过最佳治疗时机。
发明内容
本申请实施例提供了一种静脉血栓检测方法和静脉血栓检测装置，通过训练好的静脉血栓病症检测模型对目标静脉图像进行分析，得到静脉血栓检测结果，有利于早期发现静脉血栓疾病，尽早进行治疗。
第一方面，本申请实施例提供一种静脉血栓检测方法，应用于移动终端，所述方法包括：
采集用户的目标部位的N张静脉图像，N为大于2的正整数；
对所述N张静脉图像进行预处理，得到目标静脉图像；
通过训练好的静脉血栓病症检测模型对所述目标静脉图像进行分析，得到静脉血栓检测结果。
可以看出，通过所述静脉血栓检测方法，可以在早期发现相关血栓疾病进行治疗，且检测方法简便易行，成本低，可操行性强。
第二方面，本申请实施例提供一种静脉血栓检测装置，应用于移动终端，所述静脉血栓检测装置包括处理单元和通信单元，其中，
所述处理单元，用于通过所述通信单元采集用户的目标部位的N张静脉图像，N为大于2的正整数；以及用于对所述N张静脉图像进行预处理，得到目标静脉图像；以及用于通过训练好的静脉血栓病症检测模型对所述目标静脉图像进行分析，得到静脉血栓检测结果。
可以看出，通过所述静脉血栓检测方法，可以在早期发现相关血栓疾病进行治疗，且检测方法简便易行，成本低，可操行性强。
第三方面，本申请实施例提供一种电子设备，包括处理器、存储器、通信接口，以及一个或多个程序，其中，上述一个或多个程序被存储在上述存储器中，并且被配置由上述处理器执行，上述程序包括用于执行本申请实施例第一方面中的步骤的指令。
第四方面，本申请实施例提供了一种计算机可读存储介质，其中，上述计算机可读存储介质存储用于电子数据交换的计算机程序，其中，上述计算机程序使得计算机执行如本申请实施例第一方面中所描述的部分或全部步骤。
第五方面，本申请实施例提供了一种计算机程序产品，其中，上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，上述计算机程序可操作来使计算机执行如本申请实施例第一方面中所描述的部分或全部步骤。该计算机程序产品可以为一个软件安装包。
可以看出，本申请实施例中通过采集用户的目标部位的N张静脉图像，对所述N张静脉图像进行预处理，得到目标静脉图像，通过训练好的静脉血栓病症检测模型对所述目标静脉图像进行分析，得到静脉血栓检测结果，所用检测方法简便易行，成本低，可操作性强，可以帮助患者发现早期的静脉血栓疾病，以便患者尽早采取治疗手段。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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。
图1是本申请实施例提供的一种静脉血栓检测方法的流程示意图；
图2是本申请实施例提供的一种静脉血栓检测方法的流程示意图；
图3是本申请实施例提供的一种电子设备的结构示意图；
图4本申请实施例提供的一种静脉血栓检测装置。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
静脉血栓是一种常见的血栓类疾病，该疾病可由血流缓慢、凝血亢进和静脉内膜变化引起，其临床表现主要为浅静脉血栓症、深静脉血栓症、上肢血栓性静脉炎、小腿静脉血栓形成、髂静脉股静脉血栓形成、下腔静脉血栓等，主要症状为肢体肿胀、疼痛、皮肤青紫和功能障碍，目前医学上对静脉血栓的检测方法主要有：彩色多普勒超声、CT和MRI血管重建技术、深静脉造影和红外热成像。因为手臂和小腿等肢体部位面积大、静脉纹理多、特征信息丰富，因而可以通过图像采集装置发出近红外光照射这些肢体部位，得到近红外图像，并从近红外图像中提取出静脉特征，通过将所提取的静脉特征与正常情况下的静脉特征进行比对，从而判断是否患有静脉血栓，实现早期诊断，便于患者进行进一步的确诊和治疗。
参阅图1，图1为本申请实施例提供的一种静脉血栓检测方法的流程示意图，所述静脉血栓检测方法应用于移动终端，所述方法包括：
101、采集用户的目标部位的N张静脉图像，N为大于2的正整数。
其中，在采集静脉图像之前，会通过移动终端发出红外光均匀的照射目标部位，目标部位可以为手臂、大腿或小腿。当红外光波长在720～1100nm区间时，血液中的血红蛋白可吸收更多的红外光，使血管结构更加凸显，在本申请实施例中，所述移动终端所发出红外光的波长取850nm。
102、对所述N张静脉图像进行预处理，得到目标静脉图像。
其中，由于静脉图像为红外图像，而红外图像普遍存在目标与背景区域对比不强烈，边缘模糊、噪声大等缺点，因而需要在图像对比前对静脉图像进行滤波降噪分割等处理，从而减少静脉图像中的噪声和杂波，提高图形中静脉血管部分与背景区域的对比度，突出静脉图像中的静脉血管信息，将静脉从背景中分割出来方便后续的图像特征比对。
103、通过训练好的静脉血栓病症检测模型对所述目标静脉图像进行分析，得到静脉血栓检测结果。
其中，在得到静脉血栓检测结果后，移动终端通过显示屏显示检测结果，并通过语音等方式提醒用户查看。
可以看出，在本申请实施例中，通过采集用户的目标部位的N张静脉图像，对所述N张静脉图像进行预处理，得到目标静脉图像，通过训练好的静脉血栓病症检测模型对所述目标静脉图像进行分析，得到静脉血栓检测结果，所用检测方法简便易行，成本低，可操作性强，可以帮助患者发现早期的静脉血栓疾病，以便患者尽早采取治疗手段。
在一个可能的示例中，所述采集用户的目标部位的N张静脉图像包括：
采集预定时间内所述目标部位的视频。
其中，用户将目标部位置于指定检测区域内，以手肘为例，在预定时间内缓缓转动手肘，通过图像采集装置获取预定时间内手肘区域转动的视频，预定时间可以设置为1s，2s，5s等，用户可以沿一定方向转动手肘，也可以左右转动手肘，转动的角度不限。因为人体手肘部分(或腿部)脂肪较厚、面积大，且采集图像时图像采集装置与之距离较大，故最后所得到的静脉图像中静脉区域很有可能并不完整，因此，在本申请中通过转动待检测区域，来获取不同方位的静脉图像，最终可得到完整的静脉区域，提高了检测的准确性，便于后续的静脉区域的提取以及图像比对。
根据所述视频得到M张帧图像，对所述M张帧图像进行质量检测，M为大于N的正整数。
其中，在得到M张帧图像后，需要对其进行质量检测，以过滤不符合标准的帧图像，质量检测包括检测曝光、清晰度、噪音、防手抖、闪光灯、对焦和伪像等因素，只有在以上因素都通过检测的情况下，才可通过质量检测。
从通过质量检测的帧图像中选取N张帧图像作为静脉图像。
例如，通过质量检测的帧图像有20张，最后只需要5张帧图像，则从上述20张帧图像中按照一定规则选取图片质量最高的5张帧图像作为静脉图像输入给终端，具体的选取规则可以以上述质量检测的因素中任意一项如清晰度为标准，选取清晰度最高的5张帧图像。
在一个可能的示例中，所述对所述N张静脉图像进行预处理，得到目标静脉图像，包括：
对所述N张静脉图像进行灰度化，得到N张灰度图像。
其中，由于采集时间、肢体脂肪厚度不同，静脉图像在灰度分布上存在较大差异，因而需要对静脉图像进行灰度化处理。
可选的，还可对N张静脉图像进行灰度化之前，对N张静脉图像进行尺寸归一化操作，使得对于一个人在不同的时刻所采集的静脉图像中静脉血管的大小一致。
对所述N张灰度图像进行滤波和二值化，得到N张二值化图像。
其中，因为静脉图像中噪声较大，因而需要进行滤波处理。
从所述N张二值化图像中分割出静脉轮廓，得到N个静脉轮廓图像。
其中，根据以下任意一种方法对所述二值化图像进行分割得到静脉区域：Canny，Sobel，Scarry，Laplacian，Prewitt，Marr-Hildresh。其中，通过边缘检测进行图像的分割得到静脉区域，以Canny为例说明：使用高斯滤波器平滑图像，滤除噪声；用一阶偏导的有限差分计算图像中每个像素点的梯度强度和方向；对梯度强度进行非极大值抑制，以消除边缘检测带来的杂散响应；应用双阈值检测并连接边缘。
其中，在对所述N张二值化图像进行分割得到N个静脉轮廓图像后，还包括对所述N个静脉轮廓图像进行平滑处理，以此消除噪声以及图像分割带来的毛刺的影响，具体的可以使用中值滤波或高通滤或其他方法，本申请不做限制。
对所述N个静脉轮廓图像进行融合处理，得到目标静脉图像。
其中，本实施例中的融合为决策级融合，融合算法包括以下中的任意一种：贝叶斯估计法，神经网络法、模糊聚类法、D-S证据推理法、表决法。其中，神经网络法可以解决融合过程中数据类别先验信息难于获得而造成的困难，在决策层融合算法中,神经网络不仅作为分类器对信息作出决策判断，还作为融合中心,对初始决策进行进一步的联合决策分析。
由于噪声等因素，对于某些静脉图像，其静脉区域可能存在静脉血管不完整、信息缺失的问题，通过对N个静脉区域进行融合处理，从而可以对不同方位的静脉区域进行联合互补，弥补缺失的静脉信息，得到完整的静脉区域。
其中，上述步骤是先根据N张静脉图像得到N个静脉轮廓图像，再对N个静脉轮廓图像进行融合处理，得到一个融合后的目标静脉图像之后，再通过静脉血栓病症检测模型从该目标静脉图像中提取静脉特征，可选的，还可以先对N张静脉图像进行融合处理，得到一张融合后的静脉图像之后，再从这张融合后的静脉图像中分割得到静脉轮廓图像并提取静脉轮廓图像的静脉特征，具体步骤如下：
对所述N张静脉图像进行预处理。
其中，预处理包括灰度化，滤波，二值化。
对预处理后的所述N张静脉图像进行融合处理。
对融合后的静脉图像进行分割得到静脉轮廓图像。
通过静脉血栓病症检测模型获取所述静脉轮廓图像的静脉特征。
在一个可能的示例中，所述通过训练好的静脉血栓病症检测模型对所述目标静脉图像进行分析，得到静脉血栓检测结果包括：
将所述目标静脉图像输入训练好的静脉血栓病症检测模型中，其中，所述神经网络由多个卷积-池化层、全连接层和预测层构成；
通过所述多个卷积-池化层连续提取所述目标静脉图像的多个特征，将所述多个特征输入所述全连接层；
通过所述全连接层基于所述多个特征生成静脉特征向量，将所述静脉特征向量输入所述预测层；
通过对比所述静脉特征向量与所述预测层中预存的静脉特征向量，得到静脉血栓检测结果。
其中，在静脉的各种特征中最显著、最有效的是结构特征，通过训练好的静脉血栓病症检测模型提取静脉轮廓图像中交叉点、端点等关键结构点的特征以及各条静脉线的曲率和方向作为静脉特征，静脉特征提取方法包括：Sift算法、Surf算法、阈值分割方法、方向滤波模板与阈值分割结合算法、最大曲率法、区域生长法、重复线性追踪法、微分方程法等，考虑到本申请中所得到的静脉图像是不同方位的，之后需要调整图像方向以进行图像融合，故选取具有旋转不变性和尺度变换不变性的Surf算法作为本申请实施例所使用的静脉特征提取方法。
其中，静脉血栓病症检测模型中预存有一定数量的正常人的上肢静脉图像和下肢静脉图像，在检测之初，确定检测部位，在进行特征比对时，神经网络模型选取相应的部位的静脉图像进行比对，若比对后置信度高于阈值，例如70％，则判断为正常，反之则患有静脉血栓。
在一个可能的示例中，所述方法还包括：
获取用户的生理状态参数，所述生理状态参数包括以下至少一种：性别、年龄、身高、体重、职业、疾病史；
查询样本数据库，获取适配所述生理状态参数的多个样本数据子集，所述多个样本数据子集中的每个样本数据子集对应一种预配置的静脉血栓病症状态，且所述每个样本数据子集包括多个样本数据，所述多个样本数据中每个样本数据包括静脉图像和对应的静脉血栓病症状态；
根据所述多个样本数据子集确定用于训练预设的静脉血栓病症检测模型的样本数据集合；
根据所述样本数据集合训练所述预设的静脉血栓病症检测模型，得到训练后的所述静脉血栓病症检测模型。
其中，样本数据库与云端大数据存储中心通讯连接，可实时向云端大数据存储中心申请调用数据，数据样本分为训练样本和测试样本，通过训练样本训练静脉血栓病症检测模型，通过测试样本检测第一静脉血栓病症检测模型是否准确并适应的调整模型参数。
在一个可能的示例中，所述根据所述样本数据集合训练所述预设的静脉血栓病症检测模型，得到训练后的所述静脉血栓病症检测模型，包括：
利用所述样本数据集合训练所述预设的静脉血栓病症检测模型，得到首次训练后的第一静脉血栓病症检测模型；
通过预设的模型测试数据集合检测所述第一静脉血栓病症检测模型针对多个静脉血栓病症中每个静脉血栓病症的预测准确度；
检测是否存在预测准确度低于预设准确度的静脉血栓病症；若是，则调整所述样本数据集合中预测准确度低于预设准确度的样本数据子集的占比，得到更新后的第一样本数据集合；利用所述第一样本数据集合训练所述第一静脉血栓病症检测模型，得到第二次训练后的第二静脉血栓病症检测模型；通过预设的模型测试数据集合检测所述第二静脉血栓病症检测模型针对所述每个静脉血栓病症的预测准确度；重复该处理过程，直至所述每个静脉血栓病症的预测准确度均大于所述预设准确度；得到训练后的满足所述预设准确度的所述静脉血栓病症检测模型。
其中，在检测过程中，若存在预测准确度低于预设准确度的静脉血栓病症，可以适当降低所述样本数据集合中预测准确度低于预设准确度的样本数据子集的占比，也可通过向云端大数据存储中心请求从而获取更多针对该静脉血栓病症的样本数据，增加样本数据量。
参阅图2，图2为本申请实施例提供的一种静脉血栓检测方法的流程示意图，所述方法包括：
201、采集预定时间内所述目标部位的视频；
202、根据所述视频得到M张帧图像，对所述M张帧图像进行质量检测，M为大于N的正整数；
203、从通过质量检测的帧图像中选取N张帧图像作为静脉图像；
204、对所述N张静脉图像进行灰度化，得到N张灰度图像；
205、对所述N张灰度图像进行滤波和二值化，得到N张二值化图像；
206、从所述N张二值化图像中分割出静脉轮廓，得到N个静脉轮廓图像。
207、对所述N个静脉轮廓图像进行融合处理，得到目标静脉图像；
208、将所述目标静脉图像输入训练好的静脉血栓病症检测模型中，其中，所述神经网络由多个卷积-池化层、全连接层和预测层构成；
209、通过所述多个卷积-池化层连续提取所述目标静脉图像的多个特征，将所述多个特征输入所述全连接层；
210、通过所述全连接层基于所述多个特征生成静脉特征向量，将所述静脉特征向量输入所述预测层；
211、通过对比所述静脉特征向量与所述预测层中预存的静脉特征向量，得到静脉血栓检测结果。
可以看出，在本申请实施例中，通过采集用户的目标部位的N张静脉图像，对所述N张静脉图像进行预处理，得到目标静脉图像，通过训练好的静脉血栓病症检测模型对所述目标静脉图像进行分析，得到静脉血栓检测结果，所用检测方法简便易行，成本低，可操作性强，可以帮助患者发现早期的静脉血栓疾病，以便患者尽早采取治疗手段。
在一个具体的示例中，用户需要检测手肘部位的静脉情况，则将手肘正面(手心面)面对移动终端的摄像头，在预设时间3s内左右摇摆缓缓转动手肘，摄像头发出红外光照射手肘部位，得到静脉图像，在经过分析静脉图像得到诊断结果后，将诊断结果通过语音以及屏幕文字显示的方式向用户呈现，若用户同时佩戴有运动手环，则移动终端在进行图像分析同时，通过运动手环获取用户此时的脉搏、心律和血压等参数，还可获取腕部血流速度，用以上参数辅助分析最终诊断结果，在最后显示诊断结果时，一并显示上述参数。
请参阅图3，图3为本申请实施例提供的一种电子设备的结构示意图，如图所示，包括处理器、存储器、通信接口，以及一个或多个程序，所述程序被存储在所述存储器中，并且被配置由所述处理器执行。
在一可能的示例中，所述程序包括用于执行以下步骤的指令：
采集用户的目标部位的N张静脉图像，N为大于2的正整数；
对所述N张静脉图像进行预处理，得到目标静脉图像；
通过训练好的静脉血栓病症检测模型对所述目标静脉图像进行分析，得到静脉血栓检测结果。
采集预定时间内所述目标部位的视频；
根据所述视频得到M张帧图像，对所述M张帧图像进行质量检测，M为大于N的正整数；
从通过质量检测的帧图像中选取N张帧图像作为静脉图像。
在一个可能的示例中，在所述对所述N张静脉图像进行预处理，得到目标静脉图像方面，所述程序包括用于执行以下步骤的指令：
对所述N张静脉图像进行灰度化，得到N张灰度图像；
对所述N张灰度图像进行滤波和二值化，得到N张二值化图像；
从所述N张二值化图像中分割出静脉轮廓，得到N个静脉轮廓图像。
对所述N个静脉轮廓图像进行融合处理，得到目标静脉图像。
在一个可能的示例中，在所述通过训练好的静脉血栓病症检测模型对所述目标静脉图像进行分析，得到静脉血栓检测结果方面，所述程序包括用于执行以下步骤的指令：
将所述目标静脉图像输入训练好的静脉血栓病症检测模型中，其中，所述神经网络由多个卷积-池化层、全连接层和预测层构成；
通过所述多个卷积-池化层连续提取所述目标静脉图像的多个特征，将所述多个特征输入所述全连接层；
通过所述全连接层基于所述多个特征生成静脉特征向量，将所述静脉特征向量输入所述预测层；
通过对比所述静脉特征向量与所述预测层中预存的静脉特征向量，得到静脉血栓检测结果。
在一可能的示例中，所述程序还包括用于执行以下步骤的指令：
获取用户的生理状态参数，所述生理状态参数包括以下至少一种：性别、年龄、身高、体重、职业、疾病史；
查询样本数据库，获取适配所述生理状态参数的多个样本数据子集，所述多个样本数据子集中的每个样本数据子集对应一种预配置的静脉血栓病症状态，且所述每个样本数据子集包括多个样本数据，所述多个样本数据中每个样本数据包括静脉图像和对应的静脉血栓病症状态；
根据所述多个样本数据子集确定用于训练预设的静脉血栓病症检测模型的样本数据集合；
根据所述样本数据集合训练所述预设的静脉血栓病症检测模型，得到训练后的所述静脉血栓病症检测模型。
在一个可能的示例中，在所述根据所述样本数据集合训练所述预设的静脉血栓病症检测模型，得到训练后的所述静脉血栓病症检测模型方面，所述程序还包括用于执行以下步骤的指令：
利用所述样本数据集合训练所述预设的静脉血栓病症检测模型，得到首次训练后的第一静脉血栓病症检测模型；
通过预设的模型测试数据集合检测所述第一静脉血栓病症检测模型针对多个静脉血栓病症中每个静脉血栓病症的预测准确度；
检测是否存在预测准确度低于预设准确度的静脉血栓病症；若是，则调整所述样本数据集合中预测准确度低于预设准确度的样本数据子集的占比，得到更新后的第一样本数据集合；利用所述第一样本数据集合训练所述第一静脉血栓病症检测模型，得到第二次训练后的第二静脉血栓病症检测模型；通过预设的模型测试数据集合检测所述第二静脉血栓病症检测模型针对所述每个静脉血栓病症的预测准确度；重复该处理过程，直至所述每个静脉血栓病症的预测准确度均大于所述预设准确度；得到训练后的满足所述预设准确度的所述静脉血栓病症检测模型。
上述主要从方法执行过程的角度对本申请实施例的方案进行了介绍。可以理解的是，终端为了实现上述功能，其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到，结合本文中所提供的实施例描述的各示例的单元及算法步骤，本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
本申请实施例可以根据上述方法示例对终端进行功能单元的划分，例如，可以对应各个功能划分各个功能单元，也可以将两个或两个以上的功能集成在一个处理单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。需要说明的是，本申请实施例中对单元的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
与上述一致的，请参阅图4，图4为本申请实施例提供了一种静脉血栓检测装置400的结构示意图。所述静脉血栓检测装置包括处理单元401和通信单元402，其中：
处理单元401，用于通过通信单元402采集用户的目标部位的N张静脉图像，N为大于2的正整数；以及用于对所述N张静脉图像进行预处理，得到目标静脉图像；以及用于通过训练好的静脉血栓病症检测模型对所述目标静脉图像进行分析，得到静脉血栓检测结果。
在一可能的示例中，在所述采集用户的目标部位的N张静脉图像方面，所述通信单元402具体用于：
采集预定时间内所述目标部位的视频；
根据所述视频得到M张帧图像，对所述M张帧图像进行质量检测，M为大于N的正整数；
从通过质量检测的帧图像中选取N张帧图像作为静脉图像。
在一个可能的示例中，在所述对所述N张静脉图像进行预处理，得到目标静脉图像方面，所述处理单元401具体用于：
对所述N张静脉图像进行灰度化，得到N张灰度图像；
对所述N张灰度图像进行滤波和二值化，得到N张二值化图像；
从所述N张二值化图像中分割出静脉轮廓，得到N个静脉轮廓图像。
对所述N个静脉轮廓图像进行融合处理，得到目标静脉图像。
在一可能的示例中，在所述通过训练好的静脉血栓病症检测模型对所述目标静脉图像进行分析，得到静脉血栓检测结果方面，所述处理单元401具体用于：
将所述目标静脉图像输入训练好的静脉血栓病症检测模型中，其中，所述神经网络由多个卷积-池化层、全连接层和预测层构成；
通过所述多个卷积-池化层连续提取所述目标静脉图像的多个特征，将所述多个特征输入所述全连接层；
通过所述全连接层基于所述多个特征生成静脉特征向量，将所述静脉特征向量输入所述预测层；
通过对比所述静脉特征向量与所述预测层中预存的静脉特征向量，得到静脉血栓检测结果。
在一可能的示例中，所述处理单元401还用于：
获取用户的生理状态参数，所述生理状态参数包括以下至少一种：性别、年龄、身高、体重、职业、疾病史；
查询样本数据库，获取适配所述生理状态参数的多个样本数据子集，所述多个样本数据子集中的每个样本数据子集对应一种预配置的静脉血栓病症状态，且所述每个样本数据子集包括多个样本数据，所述多个样本数据中每个样本数据包括静脉图像和对应的静脉血栓病症状态；
根据所述多个样本数据子集确定用于训练预设的静脉血栓病症检测模型的样本数据集合；
根据所述样本数据集合训练所述预设的静脉血栓病症检测模型，得到训练后的所述静脉血栓病症检测模型。
在一可能的示例中，在所述根据所述样本数据集合训练所述预设的静脉血栓病症检测模型，得到训练后的所述静脉血栓病症检测模型方面，所述处理单元401具体用于：
利用所述样本数据集合训练所述预设的静脉血栓病症检测模型，得到首次训练后的第一静脉血栓病症检测模型；
通过预设的模型测试数据集合检测所述第一静脉血栓病症检测模型针对多个静脉血栓病症中每个静脉血栓病症的预测准确度；
检测是否存在预测准确度低于预设准确度的静脉血栓病症；若是，则调整所述样本数据集合中预测准确度低于预设准确度的样本数据子集的占比，得到更新后的第一样本数据集合；利用所述第一样本数据集合训练所述第一静脉血栓病症检测模型，得到第二次训练后的第二静脉血栓病症检测模型；通过预设的模型测试数据集合检测所述第二静脉血栓病症检测模型针对所述每个静脉血栓病症的预测准确度；重复该处理过程，直至所述每个静脉血栓病症的预测准确度均大于所述预设准确度；得到训练后的满足所述预设准确度的所述静脉血栓病症检测模型。
可以看出，本申请实施例中通过采集用户的目标部位的N张静脉图像，对所述N张静脉图像进行预处理，得到目标静脉图像，通过训练好的静脉血栓病症检测模型对所述目标静脉图像进行分析，得到静脉血栓检测结果，所用检测方法简便易行，成本低，可操作性强，可以帮助患者发现早期的静脉血栓疾病，以便患者尽早采取治疗手段。
本申请实施例还提供一种计算机可读存储介质，存储用于电子数据交换的计算机程序，该计算机程序使得计算机执行如上述方法实施例中记载的任何一种基于高光谱成像的车道识别方法的部分或全部步骤。
本申请实施例还提供一种计算机程序产品，所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，该计算机程序使得计算机执行如上述方法实施例中记载的任何一种基于高光谱成像的车道识别方法的部分或全部步骤。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。

Claims (10)

1.一种静脉血栓检测方法，其特征在于，应用于移动终端，所述方法包括：
采集用户的目标部位的N张静脉图像，N为大于2的正整数；
对所述N张静脉图像进行预处理，得到目标静脉图像；
通过训练好的静脉血栓病症检测模型对所述目标静脉图像进行分析，得到静脉血栓检测结果；
其中，所述方法还包括：获取用户的生理状态参数，所述生理状态参数包括以下至少一种：性别、年龄、身高、体重、职业、疾病史；
查询样本数据库，获取适配所述生理状态参数的多个样本数据子集，所述多个样本数据子集中的每个样本数据子集对应一种预配置的静脉血栓病症状态，且所述每个样本数据子集包括多个样本数据，所述多个样本数据中每个样本数据包括静脉图像和对应的静脉血栓病症状态；
根据所述多个样本数据子集确定用于训练预设的静脉血栓病症检测模型的样本数据集合；
根据所述样本数据集合训练所述预设的静脉血栓病症检测模型，得到训练后的所述静脉血栓病症检测模型。
2.根据权利要求1所述的方法，其特征在于，所述采集用户的目标部位的N张静脉图像包括：
采集预定时间内所述目标部位的视频；
根据所述视频得到M张帧图像，对所述M张帧图像进行质量检测，M为大于N的正整数；
从通过质量检测的帧图像中选取N张帧图像作为静脉图像。
3.根据权利要求1所述的方法，其特征在于，所述对所述N张静脉图像进行预处理，得到目标静脉图像，包括：
对所述N张静脉图像进行灰度化，得到N张灰度图像；
对所述N张灰度图像进行滤波和二值化，得到N张二值化图像；
从所述N张二值化图像中分割出静脉轮廓，得到N个静脉轮廓图像；
对所述N个静脉轮廓图像进行融合处理，得到目标静脉图像。
4.根据权利要求1-3任一项所述的方法，其特征在于，所述通过训练好的静脉血栓病症检测模型对所述目标静脉图像进行分析，得到静脉血栓检测结果包括：
将所述目标静脉图像输入训练好的静脉血栓病症检测模型中，其中，所述静脉血栓病症检测模型为神经网络模型，其中，所述神经网络模型由多个卷积-池化层、全连接层和预测层构成；
通过所述多个卷积-池化层连续提取所述目标静脉图像的多个特征，将所述多个特征输入所述全连接层；
通过所述全连接层基于所述多个特征生成静脉特征向量，将所述静脉特征向量输入所述预测层；
通过对比所述静脉特征向量与所述预测层中预存的静脉特征向量，得到静脉血栓检测结果。
5.根据权利要求4所述的方法，其特征在于，所述多个特征包括：静脉交叉点、静脉端点、静脉曲率、静脉方向。
6.根据权利要求1-3任一项所述的方法，其特征在于，所述根据所述样本数据集合训练所述预设的静脉血栓病症检测模型，得到训练后的所述静脉血栓病症检测模型，包括：
利用所述样本数据集合训练所述预设的静脉血栓病症检测模型，得到首次训练后的第一静脉血栓病症检测模型；
通过预设的模型测试数据集合检测所述第一静脉血栓病症检测模型针对多个静脉血栓病症中每个静脉血栓病症的预测准确度；
检测是否存在预测准确度低于预设准确度的静脉血栓病症；若是，则调整所述样本数据集合中预测准确度低于预设准确度的样本数据子集的占比，得到更新后的第一样本数据集合；利用所述第一样本数据集合训练所述第一静脉血栓病症检测模型，得到第二次训练后的第二静脉血栓病症检测模型；通过预设的模型测试数据集合检测所述第二静脉血栓病症检测模型针对所述每个静脉血栓病症的预测准确度；重复该处理过程，直至所述每个静脉血栓病症的预测准确度均大于所述预设准确度；得到训练后的满足所述预设准确度的所述静脉血栓病症检测模型。
7.根据权利要求4所述的方法，其特征在于，所述根据所述样本数据集合训练所述预设的静脉血栓病症检测模型，得到训练后的所述静脉血栓病症检测模型，包括：
利用所述样本数据集合训练所述预设的静脉血栓病症检测模型，得到首次训练后的第一静脉血栓病症检测模型；
通过预设的模型测试数据集合检测所述第一静脉血栓病症检测模型针对多个静脉血栓病症中每个静脉血栓病症的预测准确度；
检测是否存在预测准确度低于预设准确度的静脉血栓病症；若是，则调整所述样本数据集合中预测准确度低于预设准确度的样本数据子集的占比，得到更新后的第一样本数据集合；利用所述第一样本数据集合训练所述第一静脉血栓病症检测模型，得到第二次训练后的第二静脉血栓病症检测模型；通过预设的模型测试数据集合检测所述第二静脉血栓病症检测模型针对所述每个静脉血栓病症的预测准确度；重复该处理过程，直至所述每个静脉血栓病症的预测准确度均大于所述预设准确度；得到训练后的满足所述预设准确度的所述静脉血栓病症检测模型。
8.一种静脉血栓检测装置，其特征在于，应用于移动终端，所述静脉血栓检测装置包括处理单元和通信单元，其中，
所述处理单元，用于通过所述通信单元采集用户的目标部位的N张静脉图像，N为大于2的正整数；以及用于对所述N张静脉图像进行预处理，得到目标静脉图像；以及用于通过训练好的静脉血栓病症检测模型对所述目标静脉图像进行分析，得到静脉血栓检测结果；
所述静脉血栓检测装置还用于：获取用户的生理状态参数，所述生理状态参数包括以下至少一种：性别、年龄、身高、体重、职业、疾病史；查询样本数据库，获取适配所述生理状态参数的多个样本数据子集，所述多个样本数据子集中的每个样本数据子集对应一种预配置的静脉血栓病症状态，且所述每个样本数据子集包括多个样本数据，所述多个样本数据中每个样本数据包括静脉图像和对应的静脉血栓病症状态；根据所述多个样本数据子集确定用于训练预设的静脉血栓病症检测模型的样本数据集合；根据所述样本数据集合训练所述预设的静脉血栓病症检测模型，得到训练后的所述静脉血栓病症检测模型。
9.一种电子设备，其特征在于，包括处理器、存储器、通信接口，以及一个或多个程序，所述程序被存储在所述存储器中，并且被配置由所述处理器执行，所述程序包括用于执行如权利要求1-7任一项所述的方法中的步骤的指令。
10.一种计算机可读存储介质，其特征在于，存储用于电子数据交换的计算机程序，其中，所述计算机程序使得计算机执行如权利要求1-7任一项所述的方法。
CN201910478690.4A 2019-06-03 2019-06-03 静脉血栓检测方法和静脉血栓检测装置 Active CN110223280B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910478690.4A CN110223280B (zh) 2019-06-03 2019-06-03 静脉血栓检测方法和静脉血栓检测装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910478690.4A CN110223280B (zh) 2019-06-03 2019-06-03 静脉血栓检测方法和静脉血栓检测装置

Publications (2)

Publication Number Publication Date
CN110223280A CN110223280A (zh) 2019-09-10
CN110223280B true CN110223280B (zh) 2021-04-13

Family

ID=67819330

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910478690.4A Active CN110223280B (zh) 2019-06-03 2019-06-03 静脉血栓检测方法和静脉血栓检测装置

Country Status (1)

Country Link
CN (1) CN110223280B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114375438A (zh) * 2019-10-30 2022-04-19 未艾医疗技术(深圳)有限公司 静脉血管肿瘤影像处理方法及相关产品
CN111275668B (zh) * 2020-01-13 2023-09-15 浙江杜比医疗科技有限公司 Nir图像的乳房血管提取方法、系统和装置
CN111754452B (zh) * 2020-05-09 2021-05-18 广州市番禺区中心医院 基于深度学习的下肢深静脉血栓的检测方法、介质及终端
CN112674729B (zh) * 2020-12-24 2024-03-01 南通市第一人民医院 一种深静脉血栓患者的护理系统及方法
CN114176616A (zh) * 2021-11-30 2022-03-15 上海联影智能医疗科技有限公司 静脉血栓的检测方法、电子设备和存储介质
CN114452459B (zh) * 2022-03-01 2022-10-18 上海璞慧医疗器械有限公司 一种血栓抽吸导管监测预警系统
CN114628010A (zh) * 2022-03-23 2022-06-14 康键信息技术（深圳）有限公司 智能医疗阅片方法、装置、设备及存储介质
CN116649918A (zh) * 2023-07-25 2023-08-29 安徽康沐医疗器械科技有限公司 一种静脉显像仪采集还原系统
CN117133443B (zh) * 2023-08-29 2024-03-12 山东大学 一种基于视频动态算子的下肢静脉血栓超声辅助诊断系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106778014A (zh) * 2016-12-29 2017-05-31 浙江大学 一种基于循环神经网络的患病风险预测方法
CN107595243A (zh) * 2017-07-28 2018-01-19 深圳和而泰智能控制股份有限公司 一种病症评估方法及终端设备
CN107993228A (zh) * 2017-12-15 2018-05-04 中国人民解放军总医院 一种基于心血管oct影像的易损斑块自动检测方法和装置
CN108052977A (zh) * 2017-12-15 2018-05-18 福建师范大学 基于轻量级神经网络的乳腺钼靶图像深度学习分类方法
CN108231194A (zh) * 2018-04-04 2018-06-29 苏州医云健康管理有限公司 一种疾病诊断系统
CN108961229A (zh) * 2018-06-27 2018-12-07 东北大学 基于深度学习的心血管oct影像易损失斑块检测方法及系统
CN109255354A (zh) * 2018-10-15 2019-01-22 天津大学 面向医用ct的计算机图像处理方法和装置
CN109598266A (zh) * 2018-10-24 2019-04-09 深圳大学 基于机器学习的下肢深静脉血栓溶栓疗效预测方法及系统
CN109685807A (zh) * 2018-11-16 2019-04-26 广州市番禺区中心医院(广州市番禺区人民医院、广州市番禺区心血管疾病研究所) 基于深度学习的下肢深静脉血栓自动分割方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109215014B (zh) * 2018-07-02 2022-03-04 中国科学院深圳先进技术研究院 Ct图像预测模型的训练方法、装置、设备及存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106778014A (zh) * 2016-12-29 2017-05-31 浙江大学 一种基于循环神经网络的患病风险预测方法
CN107595243A (zh) * 2017-07-28 2018-01-19 深圳和而泰智能控制股份有限公司 一种病症评估方法及终端设备
CN107993228A (zh) * 2017-12-15 2018-05-04 中国人民解放军总医院 一种基于心血管oct影像的易损斑块自动检测方法和装置
CN108052977A (zh) * 2017-12-15 2018-05-18 福建师范大学 基于轻量级神经网络的乳腺钼靶图像深度学习分类方法
CN108231194A (zh) * 2018-04-04 2018-06-29 苏州医云健康管理有限公司 一种疾病诊断系统
CN108961229A (zh) * 2018-06-27 2018-12-07 东北大学 基于深度学习的心血管oct影像易损失斑块检测方法及系统
CN109255354A (zh) * 2018-10-15 2019-01-22 天津大学 面向医用ct的计算机图像处理方法和装置
CN109598266A (zh) * 2018-10-24 2019-04-09 深圳大学 基于机器学习的下肢深静脉血栓溶栓疗效预测方法及系统
CN109685807A (zh) * 2018-11-16 2019-04-26 广州市番禺区中心医院(广州市番禺区人民医院、广州市番禺区心血管疾病研究所) 基于深度学习的下肢深静脉血栓自动分割方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Application of deep convolutional neural network for automated detection of myocardial infarction using ECG signals;U. Rajendra Acharya;《Elsevier》;20170623;论文全文 *
静脉血栓栓塞症风险评估模型的临床应用研究进展;洪跃玲;《重庆医学》;20141231;第43卷(第35期);论文全文 *

Also Published As

Publication number Publication date
CN110223280A (zh) 2019-09-10

Similar Documents

Publication Publication Date Title
CN110223280B (zh) 静脉血栓检测方法和静脉血栓检测装置
Melinscak et al. Retinal Vessel Segmentation using Deep Neural Networks.
CN106780495B (zh) 基于oct的心血管植入支架自动检测与评估方法及系统
Gegundez-Arias et al. Locating the fovea center position in digital fundus images using thresholding and feature extraction techniques
KR102212499B1 (ko) Ivus 영상 분석방법
KR101141312B1 (ko) 영상의 융합 기법을 이용한 의료용 혈관영상 처리방법
US20220183567A1 (en) System and method for evaluating vascular health condition of a person using thermal imaging
US20220319004A1 (en) Automatic vessel analysis from 2d images
Goyal et al. A refined deep learning architecture for diabetic foot ulcers detection
Hatami et al. Automatic identification of retinal arteries and veins in fundus images using local binary patterns
KR101182729B1 (ko) 의료용 혈관영상 처리방법
Saha et al. Deep learning for automated quality assessment of color fundus images in diabetic retinopathy screening
JP2022520409A (ja) 超音波分析方法及びデバイス
Mwawado et al. Robust edge detection method for the segmentation of diabetic foot ulcer images
US11903742B2 (en) Non-invasive non-contact system and method for measuring dyslipidemia condition using thermal imaging
Begum et al. Deep Convolutional Neural Networks for Diagnosis of Parkinson's Disease Using MRI Data.
Taş et al. Detection of retinal diseases from ophthalmological images based on convolutional neural network architecture.
Gross et al. Segmentation of blood vessel structures in retinal fundus images with Logarithmic Gabor filters
Sirajudeen et al. Multi-scale LBP and SVM classification to identify diabetic retinopathy in lesions
Wang et al. Segmentation of intravascular ultrasound images based on convex–concave adjustment in extreme regions
Gadriye et al. Neural network based method for the diagnosis of diabetic retinopathy
Satyarthi et al. Detection of diabetic retinopathy in fundus images using vector quantization technique
TW201419167A (zh) 動態心臟影像分析與心功能評估系統
Jayanthi et al. Analysis on various segmentation techniques–IMT measurement of common carotid artery
Nivetha Retinal Based Pathology Analysis Using Deep Learning Approaches

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
GR01 Patent grant
GR01 Patent grant