CN111695451B - 一种静脉图像识别分析方法及处理装置 - Google Patents
一种静脉图像识别分析方法及处理装置 Download PDFInfo
- Publication number
- CN111695451B CN111695451B CN202010459829.3A CN202010459829A CN111695451B CN 111695451 B CN111695451 B CN 111695451B CN 202010459829 A CN202010459829 A CN 202010459829A CN 111695451 B CN111695451 B CN 111695451B
- Authority
- CN
- China
- Prior art keywords
- blood vessel
- vessel segment
- vein image
- initial
- fusion
- 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
Links
- 210000003462 vein Anatomy 0.000 title claims abstract description 86
- 238000012545 processing Methods 0.000 title claims abstract description 35
- 238000004458 analytical method Methods 0.000 title claims abstract description 22
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 118
- 230000004927 fusion Effects 0.000 claims abstract description 35
- 238000000605 extraction Methods 0.000 claims description 27
- 238000001914 filtration Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 238000000034 method Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 6
- 238000007499 fusion processing Methods 0.000 claims description 4
- 230000000877 morphologic effect Effects 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims 1
- 238000010241 blood sampling Methods 0.000 abstract description 9
- 238000012216 screening Methods 0.000 abstract description 5
- 238000003672 processing method Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000005452 bending Methods 0.000 description 3
- 239000008280 blood Substances 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 3
- 238000003780 insertion Methods 0.000 description 3
- 230000037431 insertion Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 101100356682 Caenorhabditis elegans rho-1 gene Proteins 0.000 description 1
- 208000024248 Vascular System injury Diseases 0.000 description 1
- 208000012339 Vascular injury Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- 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
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/14—Vascular patterns
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种静脉图像识别分析方法及处理装置，包括：图像识别步骤，对静脉图像进行处理，并且从静脉图像中分析得出多段初始的血管段；迭代融合步骤，按照预设的融合基准对多段初始的血管段进行分析，将满足融合基准的初始的血管段进行融合；计算输出步骤，计算初始的血管段和/或融合的血管段的血管段参数并输出，对于满足要求的多段血管段能够进行融合迭代，并且计算出相应的血管段参数，提供给后续的机器，后续的机器可以加入施针判定阈值，根据血管段参数进行筛选判定，从而便于机器自动识别出适合静脉穿刺采血的入针血管段坐标、方向角度、长度及宽度等，从而实现静脉穿刺采血的全自动化。
Description
技术领域
本发明涉及图像处理领域，特别涉及一种静脉图像识别分析方法及处理装置。
背景技术
目前临床上静脉穿刺主要依靠熟练的医护人员进行，这些医护人员需经过专门的培训。穿刺的成功率极大依赖医护人员的经验和熟练度，对于肤色较黑、静脉较深、覆盖伤症、纹身及毛发较多的病人，或者是婴幼儿、老年人、肥胖者以及脱水病人等，想要准确地进行静脉穿刺十分困难。
国外统计资料表明：普通成人首次静脉穿刺尝试的失败率为12％-26％，儿童的失败率为24％-54％，在婴幼儿中需要进行3次以上尝试才能穿刺成功的比例为43％，一个病人进行一次成功静脉穿剌平均需要2.18次尝试。静脉穿刺失败不仅会给患者，尤其是少儿患者带来疼痛和精神上的压力，还有可能造成血管损伤，进而导致药物扩散到静脉周围的组织中，引起严重的后果，此外穿刺成功率低也是许多人不愿无偿献血的一个原因。随着计算机视觉和图像处理技术的进步，对自动静脉识别的需求已经越来越强烈。
现今有使用红外引导超声定位的第三方辅助设备对静脉血管进行检测，能够形成静脉图像信息，但是，对于以往没有经过任何处理的静脉图像信息，机器为了得出哪段血管能够施针采血而自动判断静脉图像信息时，容易出错，以往的形式还是在于为医护人员提供图像辅助，医护人员通过经验来判断哪段血管段可以施针，无法实现机器的自动化运行。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种静脉图像识别分析方法，对静脉图像进行优化处理，经过判断后将多段血管段融合迭代，再计算血管段的参数，能够便于后续的机器分析处理。
本发明还提出一种处理装置，能够对静脉图像进行优化处理，分析得出便于后续机器分析运算的血管段参数，实现自动化运行。
根据本发明的第一方面实施例的一种静脉图像识别分析方法，包括：图像识别步骤，对静脉图像进行处理，并且从静脉图像中分析得出多段初始的血管段；迭代融合步骤，按照预设的融合基准对多段初始的血管段进行分析，将满足融合基准的初始的血管段进行融合；计算输出步骤，计算初始的血管段和/或融合的血管段的血管段参数并输出。
根据本发明实施例的一种静脉图像识别分析方法，至少具有如下有益效果：
本发明静脉图像识别分析方法，对静脉图像识别处理，从中分析出多段初始的血管段，而后对多段初始的血管段进行分析，对于满足要求的多段血管段能够进行融合迭代，并且计算出相应的血管段参数，提供给后续的机器，后续的机器可以加入施针判定阈值，根据血管段参数进行筛选判定，从而便于机器自动识别出适合静脉穿刺采血的入针血管段坐标、方向角度、长度及宽度等，从而实现静脉穿刺采血的全自动化。
根据本发明的一些实施例，所述融合基准包括对两两初始的血管段之间的相交判定、两两初始的血管段之间的夹角判定中的一种或多种。
根据本发明的一些实施例，在所述迭代融合步骤中，若所有初始的血管段均不满足融合基准，则不进行融合处理，并且在所述计算输出步骤中，计算初始的血管段的血管段参数并输出。
根据本发明的一些实施例，所述图像识别步骤中对静脉图像中分析得出呈直线的初始的血管段。
根据本发明的一些实施例，在所述图像识别步骤中包括：图像滤波步骤，对静脉图像进行滤波处理；边缘轮廓提取步骤，在滤波处理后的静脉图像中提取边缘轮廓以得到血管段轮廓图像；中心骨架提取步骤，根据血管段轮廓图像的血管轮廓进行形态学运算得出中心骨架线；直线提取步骤，对中心骨架线进行直线提取，以得出呈直线的初始的血管段。
根据本发明的一些实施例，还包括建立图像坐标系步骤，基于静脉图像建立图像坐标系，所述迭代融合步骤和计算输出步骤基于图像坐标系进行处理。
根据本发明的一些实施例，所述图像滤波步骤包括：灰度转换步骤，将静脉图像进行灰度转换处理；开闭运算滤波步骤，对经过灰度转换处理的静脉图像循环多次进行开闭交替运算滤波处理。
根据本发明的一些实施例，在所述中心骨架提取步骤后还包括消除毛刺步骤，对所述中心骨架提取步骤中得出的中心骨架线消除毛刺处理。
根据本发明的一些实施例，在所述计算输出步骤，所述血管段参数包括血管段方向角度、血管段长度、血管段宽度中的一种或多种。
根据本发明第二方面实施例的一种处理装置，包括：
至少一个处理器；至少一个存储器，用于存储至少一个程序；当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现上述任一实施例公开的一种静脉图像识别分析方法。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1为本发明实施例静脉图像识别处理方法的流程图；
图2为本发明实施例的静脉图像识别处理方法的图像识别步骤的流程图；
图3为本发明实施例的静脉图像识别处理方法的迭代融合步骤的流程图；
图4是本发明实施例的静脉图像识别处理方法中原始的静脉图像的效果图；
图5是本发明实施例的静脉图像识别处理方法中开闭运算滤波步骤后的效果图；
图6是本发明实施例的静脉图像识别处理方法中去除连通区域步骤后的效果图；
图7是本发明实施例的静脉图像识别处理方法中边缘轮廓提取步骤后的效果图；
图8是本发明实施例的静脉图像识别处理方法中中心骨架提取步骤后的效果图；
图9是本发明实施例的静脉图像识别处理方法中消除毛刺步骤后的效果图；
图10是本发明实施例的静脉图像识别处理方法中直线提取步骤后的效果图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
本发明的描述中，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发明中的具体含义。
如图1-3所示，根据本发明实施例的一种静脉图像识别分析方法，包括：图像识别步骤，对静脉图像进行处理，并且从静脉图像中分析得出多段初始的血管段；迭代融合步骤，按照预设的融合基准对多段初始的血管段进行分析，将满足融合基准的初始的血管段进行融合；计算输出步骤，计算初始的血管段和/或融合的血管段的血管段参数并输出。
经过图像识别步骤中对静脉图像中分析得出的多种形态的血管段，而一般需要筛选出呈直线的初始的血管段，由于一般的血管均呈长条状，在图像识别步骤中可以基于霍夫变换，利用直线特征能够快速识别出各个呈直线的初始的血管段，但是条状的血管也有弯折部分，此时霍夫变换中，有可能将基于弯折点将较长的血管分成多个呈直线的血管段，由于在入针采血的要求中，需要筛选出长度、宽度足够的血管段，但是经过以上的图像识别步骤后，容易将本来弯折偏移角度较小的较长的血管段分割成两个长度较小的血管段，从而后续机器筛选时，容易忽略，引起判断误差，因此，本设计需要进一步设置迭代融合步骤，从而进行优化处理。
本设计对静脉图像识别处理，从中分析出多段初始的血管段，而后对多段初始的血管段进行分析，对于满足要求的多段血管段能够进行融合迭代，并且计算出相应的血管段参数，提供给后续的机器，后续的机器可以加入施针判定阈值，根据血管段参数进行筛选判定，从而便于机器自动识别出适合静脉穿刺采血的入针血管段坐标、方向角度、长度及宽度等，从而实现静脉穿刺采血的全自动化。
其中，为了便于机器的运算以及程序的编辑，在本发明的一些实施例中，还包括建立图像坐标系步骤，基于静脉图像建立图像坐标系，迭代融合步骤和计算输出步骤基于图像坐标系进行处理。
图像坐标系的纵轴Y和横轴X所在平面可对于静脉图像平行，而坐标单位为像素。
在本发明的一些实施例中，如图2所示，在图像识别步骤中包括：图像滤波步骤，对静脉图像进行滤波处理；边缘轮廓提取步骤，在滤波处理后的静脉图像中提取边缘轮廓以得到血管段轮廓图像；中心骨架提取步骤，根据血管段轮廓图像的血管轮廓进行形态学运算得出中心骨架线；直线提取步骤，对中心骨架线进行直线提取，以得出呈直线的初始的血管段，此图像识别步骤快捷高效，并且识别结果准确，并且呈直线的初始的血管段也便于计算血管段参数，提高后续的处理效率。
在本发明的一些实施例中，图像滤波步骤包括：灰度转换步骤，将静脉图像进行灰度转换处理；开闭运算滤波步骤，对经过灰度转换处理的静脉图像循环多次进行开闭交替运算滤波处理。
其中，如图4所示，图4为未经处理的原始静脉图像，先将静脉图像进行灰度转换处理，形成灰度的静脉图像，而后进行开运算处理(对灰度的静脉图像腐蚀后膨胀，用来消除小物体、在纤细点处分离物体、平滑较大物体的边界)，然后再进行闭运算处理(用来填充物体内细小空洞、连接邻近物体、平滑其边界)，并且对交替的开运算和闭运算循环多次，例如可以循环8次，从而得到滤波后的图像，具体如图5所示。
在本发明的一些实施例中，边缘轮廓提取步骤包括：
图像二值化步骤，将滤波后的图像进行二值化，从而使得图像变得简单，而且数据量减小，能凸显出感兴趣的目标(血管)的轮廓，而后进行图像取反处理；
去除连通区域步骤，将取反处理后的图像去除小连通区域，删除毛细血管和干扰噪声带来的小面积对象，得到主要静脉血管，具体如图6所示。
边缘提取步骤，对去除连通区域后的图像进行边缘检测，可以采用索贝尔Sobel算子来实行，提取边缘得到主要静脉血管图像的边缘轮廓，具体如图7所示。
在提取血管图像的边缘轮廓后，为了选择相对笔直的血管段，因此需要提取静脉血管的中心线，以便后面步骤中进行直线提取，根据血管段轮廓图像的血管轮廓进行形态学运算得出中心骨架线，具体如图8所示。
在中心骨架提取步骤后还包括消除毛刺步骤，对中心骨架提取步骤中得出的中心骨架线消除毛刺处理，此处的消除毛刺可以根据设定毛刺长度阈值，对于突出的部分并且没有达到毛刺长度阈值进行圆滑消除处理，具体如图9所示。
在直线提取步骤中，可利用霍夫变换算法对中心骨架线进行直线提取，霍夫变换算法中采用直线特征图案，匹配出呈直线的初始的血管段，具体如图10所示。
在本发明的一些实施例中，融合基准包括对两两初始的血管段之间的相交判定、两两初始的血管段之间的夹角判定中的一种或多种。
经过直线提取步骤中得到的血管段中可能存在同一段长直血管却被识别为若干个血管段的情况，这些血管段具有方向和位置接近的特点。
同时，由于长直血管往往是适合穿刺的对象，为避免影响穿刺位置的选择，可以将多段首尾临近，并且偏移角度不大的多段血管段进行合并。
在迭代融合步骤中，如图3所示，具体地，可以将霍夫变换得到的血管段进行标号，如图10所示，每条血管段有唯一编号(1，2……)；提取当前编号(初始值为1)的血管段，在建立的图像坐标系中通过计算血管段的斜率得到血管段与横坐标的夹角值，并基于此与其余血管段进行夹角值计算；
选择夹角值在预设角度阈值以内的血管段组，此处的预设角度阈值可以是5°、6°或者其他，如果不满足则依次提取下一个编号的血管段，继续夹角值的对比；
然后进行是否相交判断，在建立的图像坐标系中，两血管段的直线方程可以分别为：y＝k1*x+b1；y＝k2*x+b2；令k1*x+b1＝k2*x+b2；计算方程是否有解，若有解，则进一步判断其一血管段的两端点的横坐标(x1；x2)和另一血管段的两端点的横坐标(x3；x4)是否有交集，若有，则判断解是否在交集区域内，若是，则证明两血管段相交，如果该血管段与其他的血管段不相交，则依次提取下一个编号的血管段，继续进行相交判定。
将夹角值在预设角度阈值以内且相交的血管段进行融合成一条血管段，更新两端的坐标为新血管段的坐标；
将新血管段保存并提取下一个编号的血管段，重新进行夹角值计算，需要说明的是，下一个编号的血管段也会与新保存的血管段进行比较。
在迭代融合步骤中，若所有初始的血管段均不满足融合基准，则不进行融合处理，并且在计算输出步骤中，计算初始的血管段的血管段参数并输出。
在本发明的一些实施例中，在计算输出步骤，血管段参数包括血管段方向角度、血管段长度、血管段宽度、血管段坐标中的一种或多种。
其中，假设血管段首尾两端的坐标位置ρ1和ρ2：霍夫变换后的每条直线血管段都包含中心直线两端的像素点坐标，如发生迭代融合则更新为最新融合后直线血管段的中心直线两端的像素点坐标，以此定义为血管段的坐标ρ1(x1,y1)和ρ2(x2,y2)，其中，x1、x2分别为两个像素点在图像坐标系中的横轴坐标，y1、y2分别为两个像素点在图像坐标系中的纵轴坐标，可以根据以下算法得出血管段方向角度、血管段长度、血管段宽度参数。
血管段方向角度θ(基于图像坐标而言)：血管段中心直线两端的像素点连线与图像坐标系纵轴之间的夹角，θ＝90°-arctan(|y1-y2|/|x1-x2|)；
血管段长度l：血管段中心直线两端的像素点之间的距离为长度，
血管段宽度ω：定义血管段两端的宽度平均值为血管宽度，计算方法为：将血管段与去除连通区域步骤后得到主要静脉血管的图像叠加，并且取中心骨架提取步骤后得到血管段的中心直线两端端点，做中心直线的垂直线，然后沿着垂直线向两端搜索非零像素点，两端非零像素点之间的距离即为血管宽度，最后将两端宽度取平均值。
而后，工作人员可以在机器中设定入针时的判断参数，例如，不同的机器驱动针头运动时，相对于图像坐标可能有角度的限制，或者为了更好的入针，对选取的血管长度和宽度也有限制，例如以角度θ≤30°，长度l≥15像素为限制条件筛选出的多条静脉采血备选血管段，从而机器可以准确入针。
根据本发明第二方面实施例的一种处理装置，包括：至少一个处理器；至少一个存储器，用于存储至少一个程序；当至少一个程序被至少一个处理器执行，使得至少一个处理器实现上述任一实施例公开的一种静脉图像识别分析方法。
本设计将采集的静脉图像进行血管的自动识别，进行图像优化，设置筛选条件，自动识别出适合静脉穿刺采血的入针血管段坐标、方向角度、长度及宽度，可以将这些参数提供给采血执行机械臂，从而实现静脉穿刺采血的全自动化。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
Claims (8)
1.一种静脉图像识别分析方法，其特征在于，包括：
图像识别步骤，对静脉图像进行处理，并且从静脉图像中分析得出多段初始的血管段；
迭代融合步骤，按照预设的融合基准对多段初始的血管段进行分析，将满足融合基准的初始的血管段进行融合；
计算输出步骤，计算初始的血管段和/或融合的血管段的血管段参数并输出；
所述融合基准包括对两两初始的血管段之间的相交判定、两两初始的血管段之间的夹角判定中的一种或多种；
建立图像坐标系步骤，基于静脉图像建立图像坐标系，所述迭代融合步骤和计算输出步骤基于图像坐标系进行处理；
其中，在迭代融合步骤中，将霍夫变换得到的血管段进行标号，每条血管段有唯一编号；提取当前编号初始值为1的血管段，在建立的图像坐标系中通过计算血管段的斜率得到血管段与横坐标的夹角值，并与其余血管段进行夹角值计算；
选择夹角值在预设角度阈值以内的血管段组，若不满足则依次提取下一个编号的血管段，继续夹角值的对比，然后进行是否相交判断；
在建立的图像坐标系中，两血管段的直线方程可以分别为：y＝k1*x+b1；y＝k2*x+b2；令k1*x+b1＝k2*x+b2；计算两血管段的直线方程是否有解，若有解，则进一步判断其一血管段的两端点的横坐标(x1；x2)和另一血管段的两端点的横坐标(x3；x4)是否有交集，若有，则判断解是否在交集区域内，若是，则证明两血管段相交，如果该血管段与其他的血管段不相交，则依次提取下一个编号的血管段，继续进行相交判定；
将夹角值在预设角度阈值以内且相交的血管段进行融合成一条血管段，更新两端的坐标为新血管段的坐标；
将新血管段保存并提取下一个编号的血管段，重新进行夹角值计算，其中，下一个编号的血管段也会与新保存的血管段进行比较；
在迭代融合步骤中，若所有初始的血管段均不满足融合基准，则不进行融合处理，并且在计算输出步骤中，计算初始的血管段的血管段参数并输出。
2.根据权利要求1所述的一种静脉图像识别分析方法，其特征在于，在所述迭代融合步骤中，若所有初始的血管段均不满足融合基准，则不进行融合处理，并且在所述计算输出步骤中，计算初始的血管段的血管段参数并输出。
3.根据权利要求1所述的一种静脉图像识别分析方法，其特征在于，所述图像识别步骤中对静脉图像中分析得出呈直线的初始的血管段。
4.根据权利要求3所述的一种静脉图像识别分析方法，其特征在于，在所述图像识别步骤中包括：
图像滤波步骤，对静脉图像进行滤波处理；
边缘轮廓提取步骤，在滤波处理后的静脉图像中提取边缘轮廓以得到血管段轮廓图像；
中心骨架提取步骤，根据血管段轮廓图像的血管轮廓进行形态学运算得出中心骨架线；
直线提取步骤，对中心骨架线进行直线提取，以得出呈直线的初始的血管段。
5.根据权利要求4所述的一种静脉图像识别分析方法，其特征在于，所述图像滤波步骤包括：
灰度转换步骤，将静脉图像进行灰度转换处理；
开闭运算滤波步骤，对经过灰度转换处理的静脉图像循环多次进行开闭交替运算滤波处理。
6.根据权利要求4所述的一种静脉图像识别分析方法，其特征在于，在所述中心骨架提取步骤后还包括消除毛刺步骤，对所述中心骨架提取步骤中得出的中心骨架线消除毛刺处理。
7.根据权利要求1所述的一种静脉图像识别分析方法，其特征在于，在所述计算输出步骤，所述血管段参数包括血管段方向角度、血管段长度、血管段宽度中的一种或多种。
8.一种处理装置，其特征在于，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如权利要求1-7任一项所述的一种静脉图像识别分析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010459829.3A CN111695451B (zh) | 2020-05-27 | 2020-05-27 | 一种静脉图像识别分析方法及处理装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010459829.3A CN111695451B (zh) | 2020-05-27 | 2020-05-27 | 一种静脉图像识别分析方法及处理装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111695451A CN111695451A (zh) | 2020-09-22 |
| CN111695451B true CN111695451B (zh) | 2023-11-07 |
Family
ID=72478515
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010459829.3A Active CN111695451B (zh) | 2020-05-27 | 2020-05-27 | 一种静脉图像识别分析方法及处理装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111695451B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112561900A (zh) * | 2020-12-23 | 2021-03-26 | 同济大学 | 一种基于超声成像的静脉穿刺机器人扎针速度控制方法 |
| CN113763403B (zh) * | 2021-09-07 | 2024-03-08 | 北京深睿博联科技有限责任公司 | 一种冠状动脉血管分割方法及装置 |
| CN116036421B (zh) * | 2023-01-19 | 2023-12-22 | 成都市凯瑞医疗科技有限公司 | 一种智能可穿戴式自动穿刺设备 |
| CN116746926B (zh) * | 2023-08-16 | 2023-11-10 | 深圳市益心达医学新技术有限公司 | 基于图像识别的自动采血方法、装置、设备及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104318557A (zh) * | 2014-10-17 | 2015-01-28 | 重庆大学 | 血管骨架线重构及精确管径计算方法 |
| CN106510731A (zh) * | 2016-11-08 | 2017-03-22 | 华中科技大学同济医学院附属协和医院 | 一种全自动静脉采血设备 |
| CN107788996A (zh) * | 2017-12-10 | 2018-03-13 | 苏理锋 | 具有自动抽血功能装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7774036B2 (en) * | 2005-06-07 | 2010-08-10 | Oxymap Ehf | Automatic registration of images |
-
2020
- 2020-05-27 CN CN202010459829.3A patent/CN111695451B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104318557A (zh) * | 2014-10-17 | 2015-01-28 | 重庆大学 | 血管骨架线重构及精确管径计算方法 |
| CN106510731A (zh) * | 2016-11-08 | 2017-03-22 | 华中科技大学同济医学院附属协和医院 | 一种全自动静脉采血设备 |
| CN107788996A (zh) * | 2017-12-10 | 2018-03-13 | 苏理锋 | 具有自动抽血功能装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111695451A (zh) | 2020-09-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111695451B (zh) | 一种静脉图像识别分析方法及处理装置 | |
| CN105678746B (zh) | 一种医学图像中肝脏范围的定位方法及装置 | |
| WO2022052303A1 (zh) | 超声图像和ct图像的配准方法、装置及设备 | |
| WO2022199403A1 (zh) | 血管中心线的提取方法及装置 | |
| US6654497B1 (en) | Image processing apparatus, method and storage medium | |
| US20160117797A1 (en) | Image Processing Apparatus and Image Processing Method | |
| CN110136153B (zh) | 一种图像处理方法、设备及存储介质 | |
| US11783488B2 (en) | Method and device of extracting label in medical image | |
| US11284855B2 (en) | Ultrasound needle positioning system and ultrasound needle positioning method utilizing convolutional neural networks | |
| US20160192832A1 (en) | Image processing apparatus, method of processing image, and image processing program | |
| Hiremath et al. | Automatic detection of follicles in ultrasound images of ovaries using edge based method | |
| CN109801276B (zh) | 一种计算心胸比的方法及装置 | |
| CN112070790B (zh) | 一种基于深度学习和图像处理的混合肺部分割系统 | |
| CN116883293A (zh) | 一种用于神经麻醉穿刺的图像增强处理方法 | |
| CN104507392A (zh) | 图像处理装置及图像处理方法 | |
| CN107220644B (zh) | 一种心电图扫描图像倾斜度校正方法 | |
| CN112183518B (zh) | 静脉靶点自动确定方法、装置和设备 | |
| CN113971728B (zh) | 图像识别方法、模型的训练方法、装置、设备及介质 | |
| CN111340780A (zh) | 一种基于三维超声图像的病灶检测方法 | |
| CN104240198A (zh) | 一种ct图像中床板的去除方法及系统 | |
| CN112137721A (zh) | 一种基于超声图像的穿刺针针尖与血管壁深度定位方法 | |
| CN111899272A (zh) | 基于耦合神经网络和线连接器的眼底图像血管分割方法 | |
| CN111739026B (zh) | 一种基于血管中心线的黏连割除方法及装置 | |
| CN112700421B (zh) | 冠脉图像分类方法及装置 | |
| CN114494364A (zh) | 肝脏三维超声与ct图像配准初始化方法、装置、电子设备 |
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 |