CN112163506A - 基于超声的静脉血管识别方法、装置及设备 - Google Patents
基于超声的静脉血管识别方法、装置及设备 Download PDFInfo
- Publication number
- CN112163506A CN112163506A CN202011021251.XA CN202011021251A CN112163506A CN 112163506 A CN112163506 A CN 112163506A CN 202011021251 A CN202011021251 A CN 202011021251A CN 112163506 A CN112163506 A CN 112163506A
- Authority
- CN
- China
- Prior art keywords
- vein
- target
- hand
- ultrasonic image
- neural network
- 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
- 210000003462 vein Anatomy 0.000 title claims abstract description 162
- 238000002604 ultrasonography Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000013528 artificial neural network Methods 0.000 claims abstract description 39
- 230000007246 mechanism Effects 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 claims description 33
- 238000012549 training Methods 0.000 claims description 32
- 210000004204 blood vessel Anatomy 0.000 claims description 24
- 238000010586 diagram Methods 0.000 claims description 23
- 238000012360 testing method Methods 0.000 claims description 22
- 230000004913 activation Effects 0.000 claims description 15
- 238000011176 pooling Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 11
- 239000000523 sample Substances 0.000 claims description 10
- 238000003062 neural network model Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 235000021178 picnic Nutrition 0.000 claims description 3
- 238000011084 recovery Methods 0.000 claims description 3
- 210000000056 organ Anatomy 0.000 abstract description 11
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000015556 catabolic process Effects 0.000 description 4
- 238000006731 degradation reaction Methods 0.000 description 4
- 238000004880 explosion Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000011946 reduction process Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 210000004003 subcutaneous fat Anatomy 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明涉及一种基于超声的静脉血管识别方法、装置及设备，属于血管识别技术领域，通过获取目标人员的手背静脉超声图像；基于目标人员的手背静脉超声图像与预设静脉血管识别模型，识别手背静脉超声图像中的静脉血管，从而可以通过投影组件将静脉血管投影在目标人员的手背上，或者将静脉血管显示在显示屏上，以辅助引导静脉穿刺。在构建预设静脉血管识别模型时，采用U型神经网络，分别对编码部分和解码部分进行改进，利用残差模块和注意力门机制，使得还原出来的器官更加精准。
Description
技术领域
本发明属于血管识别技术领域，具体涉及一种基于超声的静脉血管识别方法、装置及设备。
背景技术
目前，医学采用的静脉穿刺技术依旧以人工盲穿为主。而这种人工盲穿技术主要是护士通过眼观以手触确定穿刺的血管，估计穿刺点的位置以及进针的角度，手动进行穿刺。人工盲穿的成功率严重依赖医护人员的经验以及患者的手背血管状态，当患者的出现皮下脂肪较厚，血管硬化或血管细小的情况时，哪怕是经验丰富的医护人员也难以保证这些患者的穿刺成功率。而培养一位能盲穿的医护人员同样需要大量的时间与物力。
因此，如何辅助识别静脉血管，从而在临床上引导穿刺，降低刺穿工作对于医护人员经验的依赖，成为亟待解决的技术问题。而为了解决该问题，现有技术中通常采用机器学习的方法来识别血管。传统机器学习的方法主要是依据血管的阈值信息以及不同组织的纹理特征来识别出血管的位置与信息。
但是，这种方法所学习到的血管特征都是固定与有限的，不能很好地适应血管的形变，周围组织的变化或者仪器设备的变化，具有较差的鲁棒性。
发明内容
为了至少解决现有技术存在的上述问题，本发明提供了一种基于超声的静脉血管识别方法、装置及设备，以实现对静脉血管的识别，适应血管的形变，具有较好的鲁棒性。
本发明提供的技术方案如下：
一方面，一种基于超声的静脉血管识别方法，包括：
获取目标人员的手背静脉超声图像；
基于目标人员的所述手背静脉超声图像与预设静脉血管识别模型，识别所述手背静脉超声图像中的静脉血管。
可选的，所述预设静脉血管识别模型的构建方法，包括：
基于超声探头，获取手背静脉超声图像数据集；
根据预设处理规则，对所述手背静脉超声图像数据集进行预处理，获取目标手背静脉超声图像数据集；所述目标手背静脉超声图像数据集，包括：目标训练集、目标验证集和目标测试集；
根据所述目标手背静脉超声图像数据集，搭建U型神经网络；
根据所述目标训练集，对所述U型神经网络进行训练；
基于所述目标训练集和所述目标测试集，对训练后的U型神经网络进行测试和修订，获取目标U型神经网络模型。
可选的，所述U型神经网络，包括：编码部分和解码部分；所述编码部分，包括：残差模块；
每个所述残差模块，包括：两个卷积层；每个所述卷积层，包括：卷积单元、批量归一化单元和激活函数；
所述残差模块，用于将第一个卷积层生成的特征图与第二个卷积层生成的特征图直接相加，从而使得高层的卷积直接获得较为低层生成的特征图。
可选的，所述编码部分，还包括：最大池化层；
所述最大池化层与所述残差模块相连；
所述最大池化层，用于将特征图的大小缩放为上一层的1/2。
可选的，所述解码部分，包括：注意力门机制模块；
所述注意力门机制模块，用于对手背静脉超声图像中的血管像素点和背景像素点的权重值进行计算，从而提升所述血管像素点的权重，降低所述背景像素点的权重。
可选的，所述注意力门机制模块，具体用于：
生成对应的编码块的特征图的特征权重矩阵；
将所述特征权重矩阵与上采样还原胡来的特征图通道连接；
经过两个3*3大小的卷积层生成当前层的特征图；
将最后一层的特征图经过激活函数，通过所述U型神经网络获取所述手背静脉超声图像中的血管。
可选的，所述U型神经网络为所述编码部分和所述解码部分均为5层的U型神经网络。
又一方面，一种基于超声的静脉血管识别装置，包括：获取模块和识别模块；
所述获取模块，用于获取目标人员的手背静脉超声图像；
所述识别模块，用于基于目标人员的所述手背静脉超声图像与预设静脉血管识别模型，识别所述手背静脉超声图像中的静脉血管。
可选的，所述识别模块中依据的所述预设静脉血管识别模型通过模型构建模块构建，所述模型构建模块，用于：基于超声探头，获取手背静脉超声图像数据集；根据预设处理规则，对所述手背静脉超声图像数据集进行预处理，获取目标手背静脉超声图像数据集；所述目标手背静脉超声图像数据集，包括：目标训练集、目标验证集和目标测试集；根据所述目标手背静脉超声图像数据集，搭建U型神经网络；根据所述目标训练集，对所述U型神经网络进行训练；基于所述目标训练集和所述目标测试集，对训练后的U型神经网络进行测试和修订，获取目标U型神经网络模型。
又一方面，一种基于超声的静脉血管识别设备，包括：处理器，以及与所述处理器相连接的存储器；
所述存储器用于存储计算机程序，所述计算机程序至少用于执行上述任一项所述的基于超声的静脉血管识别方法；
所述处理器用于调用并执行所述存储器中的所述计算机程序。
本发明的有益效果为：
本发明实施例提供的基于超声的静脉血管识别方法、装置及设备，通过获取目标人员的手背静脉超声图像；基于目标人员的手背静脉超声图像与预设静脉血管识别模型，识别手背静脉超声图像中的静脉血管，从而可以通过投影组件将静脉血管投影在目标人员的手背上，或者将静脉血管显示在显示屏上，以辅助引导静脉穿刺。在构建预设静脉血管识别模型时，先本发明利用Unet来识别超声图像中的静脉血管识别，与传统全卷积网络不通，Unet通过长连接将编码生成的特征图与对应解码部分还原出来的特征图利用通道连接拼接在一起，这样避免了在下采样过程中的特征损失，提高了特征传播的有效性。其次，本发明在纯Unet的编码部分利用残差模块来代替传统卷积，提高了下采样生的特征图的复用率，同时由于高层的网络可以直接获取低层网络生成的特征图，避免了由于网络加深所导致的网络退化或者梯度爆炸等问题。同时本发明在Unet的解码部分加入了注意力门机制，使得血管所属的像素点获得更高的权重，而非目标器官与背景平等识别，从而使得网络在还原的过程中可以更加专注地识别目标器官，使得还原出来的器官更加精准。
附图说明
为了更清楚地说明本发明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发明的一些实施例，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为本发明实施例提供的一种基于超声的静脉血管识别方法的流程示意图；
图2为本发明实施例提供的残差模块的结构示意图；
图3为本发明实施例提供的一种注意力门机制模块结构示意图；
图4为本发明实施例提供的目标U型神经网络模型的结构示意图；
图5为本发明实施例提供的仿真实验示意图；
图6为本发明实施例提供的一种基于超声的静脉血管识别装置结构示意图；
图7为本发明实施例提供的一种基于超声的静脉血管识别设备结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行详细的描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。
为了至少解决本发明中提出的技术问题，本发明实施例提供一种基于超声的静脉血管识别方法。
图1为本发明实施例提供的一种基于超声的静脉血管识别方法的流程示意图，请参阅图1，本发明实施例提供的方法，可以包括以下步骤：
S11、获取目标人员的手背静脉超声图像；
S12、基于目标人员的手背静脉超声图像与预设静脉血管识别模型，识别手背静脉超声图像中的静脉血管。
在一个具体的实现过程中，可以定义要进行静脉穿刺的患者为目标人员，依据本申请实施例提供的基于超声的静脉血管识别方法，来对其静脉血管进行识别。可以拍摄目标人员的手背静脉超声图像，为了保证识别效果，可以在拍摄的多张手背静脉超声图像中选取较为清晰的一张作为即将识别静脉血管的图像。其中，可以通过超声探头来获取手背静脉超声图像。
在确定完手背静脉超声图像后，将手背静脉超声图像输入与预设静脉血管识别模型中，从而识别到手背静脉超声图像中的静脉血管。在识别到静脉血管后，可以通过投影组件将静脉血管投影在目标人员的手背上，或者将静脉血管显示在显示屏上，以辅助引导静脉穿刺。
在一些实施例中，可选的，预设静脉血管识别模型的构建方法，包括：
基于超声探头，获取手背静脉超声图像数据集；
根据预设处理规则，对手背静脉超声图像数据集进行预处理，获取目标手背静脉超声图像数据集；目标手背静脉超声图像数据集，包括：目标训练集、目标验证集和目标测试集；
根据目标手背静脉超声图像数据集，搭建U型神经网络；
根据目标训练集，对U型神经网络进行训练；
基于目标训练集和目标测试集，对训练后的U型神经网络进行测试和修订，获取目标U型神经网络模型。
例如，在进行模型构建时，首先获取数据集，通过超声探头获取不同人员或同一人员的多张手背静脉超声图像，具体数值此处不做限定，用户可根据需求自行获取，在获取到多张手背静脉超声图像后，选取清晰的手背静脉超声图像作为手背静脉超声图像数据集。
在获取到手背静脉超声图像数据集后，对数据集中的手背静脉超声图像进行预处理，其中，预设预测规则，可以为：对数据集进行噪声滤波和边缘增强处理，然后采用双边滤波增强超声图像背景与目标器官之间的差异，以方便网络模型进行训练，获取目标手背静脉超声图像数据集。然后以5：2：3的比例将目标手背静脉超声图像数据集划分为目标训练集、目标验证集与目标测试集。为了增加网络的训练集个数，避免网络出现过拟合的情况，对目标测试集进行旋转，平移，缩放，随机遮挡，水平翻转等数据增强的操作。其中，划分比例只是本实施例中的列举，并不是限定。
在对手背静脉超声图像数据集预处理完成后，根据目标手背静脉超声图像数据集，搭建U型神经网络。在本实施例中，U型神经网络为编码部分和解码部分均为5层的U型神经网络，本实施例中以此为例，对本申请的技术方案进行说明。值得说明的是，此处的5层只是列举，并不是限定。
为了更好的识别出超声图像中的血管信息，本发明对编码部分进行了改进。
在一些实施例中，可选的，U型神经网络，包括：编码部分和解码部分；编码部分，包括：残差模块；
每个残差模块，包括：两个卷积层；每个卷积层，包括：卷积单元、批量归一化单元和激活函数；
残差模块，用于将第一个卷积层生成的特征图与第二个卷积层生成的特征图直接相加，从而使得高层的卷积直接获得较为低层生成的特征图。
图2为本发明实施例提供的残差模块的结构示意图。
为了避免梯度爆炸，网络退化的问题，本发明实施例中对于U型神经网络的编码部分进行改进，以残差模块来代替传统卷积。残差模块的具体结构参阅图2，一个残差模块包含两个卷积层；每个卷积层由卷积核大小为3*3，填充值(padding)为1的卷积(Conv)操作(即卷积单元)，批量归一化(BatchNorm2d)和激活函数构成。在本实施例中，激活函数选用Relu激活函数，其计算公式为：
公式(1)，x表示relu函数的输入，f(x)表示relu激活函数的输出。图2中的加号表示矩阵的直接相加。残差模块通过将第一个卷积成生成的特征图与第二个卷积成生成的特征图直接相加，而使得高层的卷积可以直接获得较为低层生成的特征图，从而在一定程度上避免的网络退化与梯度爆炸等问题。
在一些实施例中，可选的，编码部分，还包括：最大池化层；
最大池化层与残差模块相连；
最大池化层，用于将特征图的大小缩放为上一层的1/2。
在一些实施例中，可选的，解码部分，包括：注意力门机制模块；注意力门机制模块，用于对手背静脉超声图像中的血管像素点和背景像素点的权重值进行计算，从而提升血管像素点的权重，降低背景像素点的权重。
在一些实施例中，可选的，注意力门机制模块，具体用于：
生成对应的编码块的特征图的特征权重矩阵；
将特征权重矩阵与上采样还原胡来的特征图通道连接；
经过两个3*3大小的卷积层生成当前层的特征图；
将最后一层的特征图经过激活函数，通过U型神经网络获取手背静脉超声图像中的血管。
图3为本发明实施例提供的一种注意力门机制模块结构示意图。
为了使得网络在还原特征图时，能更加专注的识别目标器官，本发明实施例中对于U型神经网络的解码部分进行改进，本实施例中将传统卷积与注意力门机制(attentiongate)相结合。参阅图3，图中g为门控信号，是来自下一层的特征图(feature map)，x为当前层的特征图。注意力门机制将先将当前层的特征x下采样为与g相同的尺寸，然后通过矩阵相加，再由relu激活函数进行非线性变化。最后再经过sigmoid函数求出每一个像素点的权重值，再将权重值与当前成的特征x进行相乘，从而使得目标器官所在的像素点获得更高的权重，背景所在的像素点获得更低的权重。这样网络就可以更加专注的识别目标器官(血管)。
图4为本发明实施例提供的目标U型神经网络模型的结构示意图。参阅图4，其中其中每一个编码层由残差模块与最大池化层(max pooling)组成，最大池化层的卷积核大小为2x2，步长为2。最大池化层的作用是将特征图的大小缩放为上一层的1/2，这样在这一层的卷积操作中，可以使得卷积获得更大的感受野。而解码层由上采样(up sample)与注意力门机制组成，其中上采样是利用相邻插值法将被缩放为1/2大小的特征图还原为原来的尺寸大小。解码块的操作流程是先利用注意力门机制，生成对应的编码块的特征图的特征权重矩阵，再将特征权重矩阵与上采样还原回来的特征图进行通道连接，再经过两个3*3大小的卷积生成当前层的特征图。最后将最后一层的特征图经过sigomid激活函数得到U型神经网络的输出。
在构建完成U型神经网络后，对U型神经网络进行训练。将预处理结束的训练集放入网络中，依次通过五层残差编码块，提取出图像的特征矩阵。
本发明实施例提供的U型神经网络模型为编码与解码皆为5层，经过五次编码得到结果通过解码块进行2倍的上采样，上采用后得到的结果g，将得到的结果g与对应的编码块生成的特征图x一起输入到注意力门模块中去得到权重特征图x’，将x’与g进行通道连接后再经过两次卷积操作，得到当前层的输出，在输入给下一个解码块。
其中，relu函数是指修正线性函数，是人工神经网络中一种非常常用的激活函数，其公式为
Relu(x)＝max(0，x) 公式(2)
Relu函数相对与sigmoid等函数计算量较小，可以减少网络的训练时间。同时Relu函数会让一部份的神经元的输出为0，这样能增大网络的稀疏性，从而可以减少网络参数之间相互依赖的关系，与数据增强的效果类似可以防止网络选练过拟合的发生。
重复进行上一步骤，将特征图(featuremap)上采样成原始图的尺寸，再利用激活函数sigmoid将特征图转换为与原始图相同尺寸的概率图。
这里采用的sigmoid的公式为
其导数的公式为
Sigmoid函数具有很好的对称性，并且sigmoid函数的输出范围为(0，1)，并且当输入趋于正负无穷时，函数就趋于平滑状态，因此sigmoid对于输入超过一定范围后就不会敏感了。由于sigmoid函数的输出在0到1之间的特性，本发明选择sigmoid函数作为输出层的激活函数，以此来判断当前像素点是否是血管。
在本发明实施例中，使用交叉熵代价函数将得到的概率分布图真实标签图进行对比。交叉熵代价函数的公式为：
公式(5)中，y表示真实标签图，a表示概率分布图，n为采集样本数目。
得到代价函数值后，根据Adam梯度下降法计算各个权重值的梯度从而进行反向传播，更新各个权重的值。
Adam梯度下降算法结合了AdaGrad与RMSProp两种优化算法的优点，综合考虑一阶矩估计和二阶矩估计，计算出更新步长。Adam不仅实现简单，计算高效，对内存的需求又小，且参数的更新不会受梯度的伸缩影响，同时adam的超参数又很好的解释性，通常无需调整或只需要少量的微调。结合以上几点，本发明选用Adam梯度下降法。
Adam的梯度下降过程为：
Vdw＝β1Vdw+(1-β1)dw 公式(6)
Vdb＝β1Vdb+(1-β1)db 公式(7)
Sdw＝β2Sdw+(1-β2)dw2 公式(8)
Sdb＝β2Sdb+(1-β2)db2 公式(9)
在公式(6-15)中，β1、β2为超参数，采用超参数β1为0.9，β2为0.999，W指的是网络的权重值，b指的是偏移值，t表示当前的迭代次数，Vdw，Vdb，Sdw，Sdb的初始值均为0。Vdw与Vdb分别是权重w和偏移值b的一阶动量即各个时刻梯度方向的指数移动平均值，Sdw，Sdb是w与b的二阶动量即到第t次迭代为止所有梯度值的平方和。V′dw，V′db，S′dw与S′db是指在第t次迭代中进行参数修正后的一阶动量与二阶动量。
在训练网络完成后，对网络进行测试：将训练集放入与测试集同样的方式放入U型神经网络中去，但不进行反向传播，并将得到的结果与真实标签图(ground_truth)进行对比。图5为本发明实施例提供的仿真实验示意图。通过图5，可以看到，经过本申请方法识别后的血管，可以清晰地显现出来。
本发明实施例提供的基于超声的静脉血管识别方法，通过获取目标人员的手背静脉超声图像；基于目标人员的手背静脉超声图像与预设静脉血管识别模型，识别手背静脉超声图像中的静脉血管，从而可以通过投影组件将静脉血管投影在目标人员的手背上，或者将静脉血管显示在显示屏上，以辅助引导静脉穿刺。
本发明实施例中，在构建预设静脉血管识别模型时，首先本发明利用Unet来识别超声图像中的静脉血管识别，与传统全卷积网络不通，Unet通过长连接将编码生成的特征图与对应解码部分还原出来的特征图利用通道连接拼接在一起，这样避免了在下采样过程中的特征损失，提高了特征传播的有效性。
其次，本发明在纯Unet的编码部分利用残差模块来代替传统卷积，提高了下采样生的特征图的复用率，同时由于高层的网络可以直接获取低层网络生成的特征图，避免了由于网络加深所导致的网络退化或者梯度爆炸等问题。
同时本发明在Unet的解码部分加入了注意力门机制，使得血管所属的像素点获得更高的权重，而非目标器官与背景平等识别，从而使得网络在还原的过程中可以更加专注地识别目标器官，使得还原出来的器官更加精准。
基于一个总的发明构思，本发明实施例还提供一种基于超声的静脉血管识别装置。
图6为本发明实施例提供的一种基于超声的静脉血管识别装置结构示意图，请参阅图6，本发明实施例提供的装置，可以包括以下结构：获取模块61和识别模块62；
获取模块61，用于获取目标人员的手背静脉超声图像；
识别模块62，用于基于目标人员的手背静脉超声图像与预设静脉血管识别模型，识别手背静脉超声图像中的静脉血管。
可选的，识别模块中依据的预设静脉血管识别模型通过模型构建模块构建，模型构建模块，用于：基于超声探头，获取手背静脉超声图像数据集；根据预设处理规则，对手背静脉超声图像数据集进行预处理，获取目标手背静脉超声图像数据集；目标手背静脉超声图像数据集，包括：目标训练集、目标验证集和目标测试集；根据目标手背静脉超声图像数据集，搭建U型神经网络；根据目标训练集，对U型神经网络进行训练；基于目标训练集和目标测试集，对训练后的U型神经网络进行测试和修订，获取目标U型神经网络模型。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
本发明实施例提供的基于超声的静脉血管识别装置，通过获取目标人员的手背静脉超声图像；基于目标人员的手背静脉超声图像与预设静脉血管识别模型，识别手背静脉超声图像中的静脉血管，从而可以通过投影组件将静脉血管投影在目标人员的手背上，或者将静脉血管显示在显示屏上，以辅助引导静脉穿刺。
基于一个总的发明构思，本发明实施例还提供一种基于超声的静脉血管识别设备。
图7为本发明实施例提供的一种基于超声的静脉血管识别设备结构示意图，请参阅图7，本发明实施例提供的一种基于超声的静脉血管识别设备，包括：处理器71，以及与处理器相连接的存储器72。
存储器72用于存储计算机程序，计算机程序至少用于上述任一实施例记载的基于超声的静脉血管识别方法；
处理器71用于调用并执行存储器中的计算机程序。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是，在本发明的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明的描述中，除非另有说明，“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“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。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种基于超声的静脉血管识别方法，其特征在于，包括：
获取目标人员的手背静脉超声图像；
基于目标人员的所述手背静脉超声图像与预设静脉血管识别模型，识别所述手背静脉超声图像中的静脉血管。
2.根据权利要求1所述的方法，其特征在于，所述预设静脉血管识别模型的构建方法，包括：
基于超声探头，获取手背静脉超声图像数据集；
根据预设处理规则，对所述手背静脉超声图像数据集进行预处理，获取目标手背静脉超声图像数据集；所述目标手背静脉超声图像数据集，包括：目标训练集、目标验证集和目标测试集；
根据所述目标手背静脉超声图像数据集，搭建U型神经网络；
根据所述目标训练集，对所述U型神经网络进行训练；
基于所述目标训练集和所述目标测试集，对训练后的U型神经网络进行测试和修订，获取目标U型神经网络模型。
3.根据权利要求2所述的方法，其特征在于，所述U型神经网络，包括：编码部分和解码部分；所述编码部分，包括：残差模块；
每个所述残差模块，包括：两个卷积层；每个所述卷积层，包括：卷积单元、批量归一化单元和激活函数；
所述残差模块，用于将第一个卷积层生成的特征图与第二个卷积层生成的特征图直接相加，从而使得高层的卷积直接获得较为低层生成的特征图。
4.根据权利要求3所述的方法，其特征在于，所述编码部分，还包括：最大池化层；
所述最大池化层与所述残差模块相连；
所述最大池化层，用于将特征图的大小缩放为上一层的1/2。
5.根据权利要求3所述的方法，其特征在于，所述解码部分，包括：注意力门机制模块；
所述注意力门机制模块，用于对手背静脉超声图像中的血管像素点和背景像素点的权重值进行计算，从而提升所述血管像素点的权重，降低所述背景像素点的权重。
6.根据权利要求5所述的方法，其特征在于，所述注意力门机制模块，具体用于：
生成对应的编码块的特征图的特征权重矩阵；
将所述特征权重矩阵与上采样还原胡来的特征图通道连接；
经过两个3*3大小的卷积层生成当前层的特征图；
将最后一层的特征图经过激活函数，通过所述U型神经网络获取所述手背静脉超声图像中的血管。
7.根据权利要求3所述的方法，其特征在于，所述U型神经网络为所述编码部分和所述解码部分均为5层的U型神经网络。
8.一种基于超声的静脉血管识别装置，其特征在于，包括：获取模块和识别模块；
所述获取模块，用于获取目标人员的手背静脉超声图像；
所述识别模块，用于基于目标人员的所述手背静脉超声图像与预设静脉血管识别模型，识别所述手背静脉超声图像中的静脉血管。
9.根据权利要求8所述的装置，其特征在于，所述识别模块中依据的所述预设静脉血管识别模型通过模型构建模块构建，所述模型构建模块，用于：基于超声探头，获取手背静脉超声图像数据集；根据预设处理规则，对所述手背静脉超声图像数据集进行预处理，获取目标手背静脉超声图像数据集；所述目标手背静脉超声图像数据集，包括：目标训练集、目标验证集和目标测试集；根据所述目标手背静脉超声图像数据集，搭建U型神经网络；根据所述目标训练集，对所述U型神经网络进行训练；基于所述目标训练集和所述目标测试集，对训练后的U型神经网络进行测试和修订，获取目标U型神经网络模型。
10.一种基于超声的静脉血管识别设备，其特征在于，包括：处理器，以及与所述处理器相连接的存储器；
所述存储器用于存储计算机程序，所述计算机程序至少用于执行权利要求1～7任一项所述的基于超声的静脉血管识别方法；
所述处理器用于调用并执行所述存储器中的所述计算机程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011021251.XA CN112163506A (zh) | 2020-09-25 | 2020-09-25 | 基于超声的静脉血管识别方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011021251.XA CN112163506A (zh) | 2020-09-25 | 2020-09-25 | 基于超声的静脉血管识别方法、装置及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112163506A true CN112163506A (zh) | 2021-01-01 |
Family
ID=73862963
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011021251.XA Pending CN112163506A (zh) | 2020-09-25 | 2020-09-25 | 基于超声的静脉血管识别方法、装置及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112163506A (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108537793A (zh) * | 2018-04-17 | 2018-09-14 | 电子科技大学 | 一种基于改进的u-net网络的肺结节检测方法 |
| CN109903228A (zh) * | 2019-02-28 | 2019-06-18 | 合肥工业大学 | 一种基于卷积神经网络的图像超分辨率重建方法 |
| CN110348541A (zh) * | 2019-05-10 | 2019-10-18 | 腾讯医疗健康(深圳)有限公司 | 眼底血管图像分类方法、装置、设备及存储介质 |
| CN110853051A (zh) * | 2019-10-24 | 2020-02-28 | 北京航空航天大学 | 基于多注意密集连接生成对抗网络的脑血管影像分割方法 |
| CN111127447A (zh) * | 2019-12-26 | 2020-05-08 | 河南工业大学 | 基于生成式对抗网络的血管分割网络及方法 |
| CN111145137A (zh) * | 2018-11-02 | 2020-05-12 | 无锡祥生医疗科技股份有限公司 | 基于神经网络的静脉与动脉识别方法 |
| CN111134727A (zh) * | 2018-11-02 | 2020-05-12 | 无锡祥生医疗科技股份有限公司 | 基于神经网络的静脉与动脉识别的穿刺引导系统 |
| CN111178229A (zh) * | 2019-12-26 | 2020-05-19 | 南京航空航天大学 | 一种基于深度学习的静脉显像方法和装置 |
| CN111582029A (zh) * | 2020-04-02 | 2020-08-25 | 天津大学 | 一种基于密集连接与注意力机制的交通标志识别方法 |
-
2020
- 2020-09-25 CN CN202011021251.XA patent/CN112163506A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108537793A (zh) * | 2018-04-17 | 2018-09-14 | 电子科技大学 | 一种基于改进的u-net网络的肺结节检测方法 |
| CN111145137A (zh) * | 2018-11-02 | 2020-05-12 | 无锡祥生医疗科技股份有限公司 | 基于神经网络的静脉与动脉识别方法 |
| CN111134727A (zh) * | 2018-11-02 | 2020-05-12 | 无锡祥生医疗科技股份有限公司 | 基于神经网络的静脉与动脉识别的穿刺引导系统 |
| CN109903228A (zh) * | 2019-02-28 | 2019-06-18 | 合肥工业大学 | 一种基于卷积神经网络的图像超分辨率重建方法 |
| CN110348541A (zh) * | 2019-05-10 | 2019-10-18 | 腾讯医疗健康(深圳)有限公司 | 眼底血管图像分类方法、装置、设备及存储介质 |
| CN110853051A (zh) * | 2019-10-24 | 2020-02-28 | 北京航空航天大学 | 基于多注意密集连接生成对抗网络的脑血管影像分割方法 |
| CN111127447A (zh) * | 2019-12-26 | 2020-05-08 | 河南工业大学 | 基于生成式对抗网络的血管分割网络及方法 |
| CN111178229A (zh) * | 2019-12-26 | 2020-05-19 | 南京航空航天大学 | 一种基于深度学习的静脉显像方法和装置 |
| CN111582029A (zh) * | 2020-04-02 | 2020-08-25 | 天津大学 | 一种基于密集连接与注意力机制的交通标志识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111539930B (zh) | 基于深度学习的动态超声乳腺结节实时分割与识别的方法 | |
| US10664979B2 (en) | Method and system for deep motion model learning in medical images | |
| US11941807B2 (en) | Artificial intelligence-based medical image processing method and medical device, and storage medium | |
| CN113205537B (zh) | 基于深度学习的血管图像分割方法、装置、设备及介质 | |
| CN109754403A (zh) | 一种ct图像内的肿瘤自动分割方法及系统 | |
| JP2002539870A (ja) | 画像処理の方法と装置 | |
| CN111881926A (zh) | 图像生成、图像生成模型的训练方法、装置、设备及介质 | |
| CN112150476A (zh) | 基于时空判别性特征学习的冠状动脉序列血管分割方法 | |
| CN112819831B (zh) | 基于卷积Lstm及多模型融合的分割模型生成方法及装置 | |
| CN117218133A (zh) | 肺图像处理方法及装置、电子设备和存储介质 | |
| CN114693671B (zh) | 基于深度学习的肺结节半自动分割方法、装置、设备及介质 | |
| CN115471470A (zh) | 一种食管癌ct图像分割方法 | |
| CN113838067A (zh) | 肺结节的分割方法和装置、计算设备、可存储介质 | |
| CN113313728B (zh) | 一种颅内动脉分割方法及系统 | |
| CN117409030A (zh) | 基于动态管状卷积的octa图像血管分割方法及其系统 | |
| KR20220001177A (ko) | 심층신경망을 이용하여 초음파 영상으로부터 골격근의 상태를 진단하기 위한 장치 및 이를 위한 방법 | |
| CN112163506A (zh) | 基于超声的静脉血管识别方法、装置及设备 | |
| CN115439478A (zh) | 基于肺灌注的肺叶灌注强度评估方法、系统、设备及介质 | |
| Shao et al. | Semantic segmentation method of 3D liver image based on contextual attention model | |
| CN110009604A (zh) | 造影图像序列的呼吸信号提取方法及装置 | |
| CN116630634B (zh) | 一种图像处理方法、装置、设备及存储介质 | |
| CN113538451B (zh) | 一种深静脉血栓的磁共振图像分割方法及装置，电子设备及存储介质 | |
| JP7433913B2 (ja) | 経路決定方法、医用画像処理装置、モデル学習方法及びモデル学習装置 | |
| CN117095395B (zh) | 用于心脏超声图像分割的模型训练方法、装置和分割方法 | |
| CN117635625A (zh) | 基于自动数据增强策略和多注意力辅助UNet的胰腺肿瘤分割方法 |
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 |