CN112163576A - 静脉区域的检测方法、装置和设备 - Google Patents
静脉区域的检测方法、装置和设备 Download PDFInfo
- Publication number
- CN112163576A CN112163576A CN202011021200.7A CN202011021200A CN112163576A CN 112163576 A CN112163576 A CN 112163576A CN 202011021200 A CN202011021200 A CN 202011021200A CN 112163576 A CN112163576 A CN 112163576A
- Authority
- CN
- China
- Prior art keywords
- vein
- region
- training set
- detection model
- detection
- 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 171
- 238000001514 detection method Methods 0.000 title claims abstract description 152
- 238000000034 method Methods 0.000 claims abstract description 44
- 238000012549 training Methods 0.000 claims description 91
- 238000012545 processing Methods 0.000 claims description 26
- 238000012795 verification Methods 0.000 claims description 20
- 238000013136 deep learning model Methods 0.000 claims description 15
- 238000002372 labelling Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 238000010200 validation analysis Methods 0.000 claims description 6
- 230000002708 enhancing effect Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 6
- 230000036544 posture Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000010241 blood sampling Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000001802 infusion Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000001990 intravenous administration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003333 near-infrared imaging Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/143—Sensing or illuminating at different wavelengths
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Probability & Statistics with Applications (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及一种静脉区域的检测方法、装置和设备，通过利用预设的近红外摄像设备采集检测区域的区域图像；将区域图像输入到预先训练好的静脉检测模型中；获取静脉检测模型输出的预测框置信度；若预测框置信度大于预设阈值，获取静脉检测模型输出的静脉区域检测结果，实现了根据区域图像自动确定静脉区域的检测结果，不易受到摆放姿势、患者肤色以及患者年龄的影响，有效提高了静脉区域的检测精度。
Description
技术领域
本发明涉及静脉检测技术领域，具体涉及一种静脉区域的检测方法、装置和设备。
背景技术
静脉输液是治疗和抢救患者的重要医疗手段之一，静脉采血则是诊断病人疾病的重要依据。传统的静脉采血或输液需要医护人员人工进行穿刺。随着科技发展，计算机视觉、人工智能等技术开始逐步应用到医疗领域上来。通过近红外成像技术可获得包含静脉的近红外图像，然后利用包含静脉信息的近红外图像来确定穿刺点位置，由自动穿刺设备实现穿刺、输液、采血等工作。
在实际操作过程中，由于检测区域的放置位置并不固定，每个人的检测区域的大小以及在摄像头下的摆放位置均有差异，所以要确定静脉最佳穿刺点，设备需要先确定静脉区域的具体位置。目前，关于静脉区域确定方法均是在实验室环境下确定静脉区域。以确定手背上的静脉区域为例，常用的方法有：固定手背区域范围，基于手背最大内切圆的几何方法；基于手背区域的灰度值阈值方法；基于质心法的手背区域选取方法。
然而，这些方法均对手背的摆放有严格的要求。而且，医院这一实际工作场景采集近红外图像时，由于不同年龄，不同肤色，不同患者在手背摆放时姿势不一样等因素，采集的图像并不能达到实验室的要求，导致无法精确地确定静脉区域。
发明内容
有鉴于此，本发明的目的在于提供一种静脉区域的检测方法、装置和设备，以克服目前无法精确地确定静脉区域的问题。
为实现以上目的，本发明采用如下技术方案：
一种静脉区域的检测方法，包括：
利用预设的近红外摄像设备采集检测区域的区域图像；
将所述区域图像输入到预先训练好的静脉检测模型中；
获取所述静脉检测模型输出的预测框置信度；
若所述预测框置信度大于预设阈值，获取所述静脉检测模型输出的静脉区域检测结果。
进一步地，以上所述静脉区域的检测方法，所述静脉检测模型的训练过程，包括：
获取训练集和验证集；
对所述训练集进行数据增强，得到增强训练集，以及，根据所述训练集确定先验框；
将所述增强训练集和所述先验框输入到预先构建的深度学习模型进行训练，通过调整不同的超参值得到多个初始静脉检测模型；
将所述验证集分别输入到每个所述初始静脉检测模型中，确定每个所述初始静脉检测模型的平均精度和召回率；
根据所述平均精度和所述召回率，在所述初始静脉检测模型中确定所述静脉检测模型。
进一步地，以上所述静脉区域的检测方法，所述获取训练集和验证集，包括：
利用所述近红外摄像设备采集若干张样本区域图像，以使所述用户在所述样本区域图像上标注静脉区域；
按照预设比例将已标注所述静脉区域的所述样本区域图像分为所述训练集和所述验证集。
进一步地，以上所述静脉区域的检测方法，所述根据所述训练集确定先验框，包括：
对标注所述静脉区域的标注框进行Kmeans聚类处理，得到所述先验框。
进一步地，以上所述静脉区域的检测方法，所述对所述训练集进行数据增强，得到增强训练集，包括：
对所述训练集至少进行旋转处理、裁剪处理、缩放处理和图像调整处理中的一种处理，得到所述增强训练集。
进一步地，以上所述静脉区域的检测方法，所述将所述增强训练集和所述先验框输入到预先构建的深度学习模型进行训练，通过调整不同的超参值得到多个初始静脉检测模型，包括：
将所述增强训练集和所述先验框输入到预先构建的深度学习模型，并设置不同的所述超参值，对所述深度学习模型进行训练；
当输出的损失函数收敛和/或达到预设的迭代次数后，得到多个所述初始静脉检测模型。
进一步地，以上所述静脉区域的检测方法，若所述预测框置信度小于或等于所述预设阈值，输出调整提醒，以重新获取所述区域图像。
本发明还提供了一种静脉区域的检测装置，包括：采集模块、输入模块和获取模块；
所述采集模块，用于利用预设的近红外摄像设备采集检测区域的区域图像；
所述输入模块，用于将所述区域图像输入到预先训练好的静脉检测模型中；
所述获取模块，用于获取所述静脉检测模型输出的预测框置信度，若所述预测框置信度大于预设阈值，获取所述静脉检测模型输出的静脉区域检测结果。
进一步地，以上所述静脉区域的检测装置，还包括：数据增强模块、先验框确定模块和模型确定模块；
所述获取模块，还用于获取训练集和验证集；
所述数据增强模块，用于对所述训练集进行数据增强，得到增强训练集；
所述先验框确定模块，用于根据所述训练集确定先验框；
所述输入模块，还用于将所述增强训练集和所述先验框输入到预先构建的深度学习模型进行训练，通过调整不同的超参值得到多个初始静脉检测模型；
所述模型确定模块，用于将所述验证集分别输入到每个所述初始静脉检测模型中，确定每个所述初始静脉检测模型的平均精度和召回率，根据所述平均精度和所述召回率，在所述初始静脉检测模型中确定所述静脉检测模型。
本发明还提供了一种静脉区域的检测设备，包括处理器和存储器，所述处理器与所述存储器相连：
其中，所述处理器，用于调用并执行所述存储器中存储的程序；
所述存储器，用于存储所述程序，所述程序至少用于执行以上任一项所述的静脉区域的检测方法。
本发明的静脉区域的检测方法、装置和设备，通过利用预设的近红外摄像设备采集检测区域的区域图像；将区域图像输入到预先训练好的静脉检测模型中；获取静脉检测模型输出的预测框置信度；若预测框置信度大于预设阈值，获取静脉检测模型输出的静脉区域检测结果，实现了根据区域图像自动确定静脉区域的检测结果，不易受到摆放姿势、患者肤色以及患者年龄的影响，有效提高了静脉区域的检测精度。
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是本发明静脉区域的检测方法一种实施例提供的流程图；
图2是本发明静脉区域的检测方法一种实施例提供的模型训练图；
图3是本发明静脉区域的检测装置一种实施例提供的结构示意图；
图4是本发明静脉区域的检测设备一种实施例提供的结构示意图。
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。
图1是本发明静脉区域的检测一种实施例提供的流程图。请参阅图1，本实施例可以包括以下步骤：
S101、利用预设的近红外摄像设备采集检测区域的区域图像。
本实施例中，可以采集检测区域的区域图像。
在一种具体地实施方式中，通过近红外摄像设备采集检测区域的区域图像。本实施例以获取手背上的静脉区域为例进行说明，病患可以将手背放置于近红外摄像设备的摄像头下方，近红外摄像设备的摄像头采集手背的区域图像。
S102、将区域图像输入到预先训练好的静脉检测模型中。
通过上述步骤获取到区域图像后，可以将区域图像输入到预先训练好的静脉检测模型中，以通过静脉检测模型进行静脉区域的识别。
图2是本发明静脉区域的检测方法一种实施例提供的模型训练图。如图2所示，本实施例中，可以通过如下步骤对静脉检测模型进行训练：
步骤一、获取训练集和验证集。
具体地，可以先获取训练集和验证集。本实施例以获取手背上的静脉区域为例进行说明，可以将手背放置于近红外摄像设备的摄像头下方，通过拍照程序采集若干张手背的近红外图像，再将采集的近红外图像中模糊、拍摄错误以及有遮挡物干扰图片剔除，将剩余的近红外图像作为样本区域图像构建手背数据集。
用户在手背数据集中的每张手背的样本区域图像上标注静脉区域，为方便后面描述，将标注静脉区域的标签命名为veinarea。然后，按照预设比例将已标注静脉区域的样本区域图像分为训练集和验证集。在一种具体地实施方式中，训练集和验证集的比例为7∶3。
步骤二、对训练集进行数据增强，得到增强训练集，以及，根据训练集确定先验框。
可以对标注静脉区域的标注框进行Kmeans聚类处理，得到先验框。其中，对训练集中标注静脉区域的标注框长宽进行统计，根据Kmeans聚类算法，选择多个初始聚类中心点，分别计算所有数据到各个聚类中心点的距离，将数据对象划分到距离最短的集合，得到先验框参数。
此外，训练集中的图像一方面数量少，另一方面摆放位置及角度几乎相同，为了模型的泛化能力更好，需要对训练集进行数据增强处理，其中至少进行旋转处理、裁剪处理、缩放处理和图像调整处理中的一种处理，得到增强训练集。图像调整处理包括亮度调整、饱和度调整以及对比度调整等。
需要说明的是，本实施例可以先进行数据增强处理，再确定先验框的参数；也可以先确定先验框的参数，再进行数据增强处理；还可以同时对上述两个步骤进行处理，本实施例不做限定。
在一种具体地实施方式中，对训练集中的图像进行随机小角度[-5,5]旋转、小部分裁剪、[0.8,1.2]倍数范围之间缩放，调整亮度，饱和度等图像增强操作，即可得到增强训练集。
步骤三、将增强训练集和先验框输入到预先构建的深度学习模型进行训练，通过调整不同的超参值得到多个初始静脉检测模型。
可以预先设置BatchSize和最大迭代次数，例如，BatchSize预设为64，迭代次数预设为2000次。将先验框和增强训练集输入到对应的多个预先构建的深度学习模型进行训练，直至训练数据集输出的损失函数收敛或达到设置的最大迭代次数，得到训练好的多个初始静脉检测模型。
具体地，对于不同目标数据集，超参设置会影响到模型最终效果精度。在一种具体地实施方式中，深度学习模型为yolov3目标检测框架。在训练过程中，batch与subdivisions值的设置影响送入yolov3目标检测框架中批量处理图像的数量，batch越大，训练效果越好，subdivision越大，占用内存压力越小。momentum即动量参数，主要影响梯度下降得到最优值的速度，momentum过大，梯度下降速度会快，但也可能越过最优值，momentum过小，梯度下降速度则慢。learning_rate即学习率，学习率决定着权值更新的速度，设置的太大往往会使结果超过最优值，设置的太小又会使下降速度过慢，在训练过程中，一般根据训练次数设置动态变化的学习率。max_batches即最大迭代次数，往往训练损失函数在最大迭代次数之前收敛，如果在最大迭代次数训练模型损失函数仍不收敛，则需要调大迭代次数再观察，或者尝试重新修改模型其他参数。由于本实施例的数据集只有veinarea一个类别，因此，参数classes为1。
这样，若设置i组超参组合，通过数据增强后的训练集训练得到i个初始静脉检测模型。
步骤四、将验证集分别输入到每个初始静脉检测模型中，确定每个初始静脉检测模型的平均精度和召回率。
把验证集图像分别输入到上述i个初始静脉检测模型中，确定每个初始静脉检测模型的AP(平均精度)和Recall(召回率)。
Recall代表识别出的正样本数量与验证集中所有正样本的数量的比值，AP计算方式为：首先设定一组recall阈值，例如，设置[0,0.1,0.2,0.3,0.4，0.5，0.6，0.7，0.8，0.9，1]，共11个值作为recall阈值。然后对每个recall阈值从小到大取值，同时计算当取大于该recall阈值时top-n所对应的最大precision。这样，就计算出对应的11个precision。AP即为这11个precision的平均值。
其中，还可以根据如下步骤确定训练集或验证集的正样本：
将训练集或验证集中的图片分为S×S个网格，在一种具体地实施方式中，按照yolov3目标检测框架的要求，将S分为13，26和52三种不同的图像尺寸。将每个检测中心点落在该网格范围内的目标，预测出3个预测框，每个预测框对应C+5个值，C为检测目标的类别数目，由于本实施例的数据集只有veinarea一个类别，所以C为1，类别的置信度得分为P(Ohand)，5个值分别为预测框的坐标(x,y)，预测框的宽度w和高度h，以及存在检测目标的置信得分P(Ohand)。
通过每个预测框对应的C+5个值计算得到的预测框置信度得分Sconf为：
Sconf＝P(Ohand)*I(truth,pred)
上式中，I(truth,pred)是预测目标框与真实目标框的交并比，预测框中存在检测物体时，P(Ohand)＝1，否则P(Ohand)＝0。其中，真实目标框为用户标注的静脉区域的标注框。
通过非极大值抑制算法筛选出预测框置信得分S′conf为：
上式中，B为置信度最大的候选框，bi为被比较的物体预测框，I(B,bi)为B与bi的交并比，Nt为抑制阈值。
如果最终得到的预测框置信度大于给定阈值，则说明该训练集或验证集中的图片为正样本。可以根据实际情况，对给定阈值进行设置，本实施例不做限定。在一种具体地实施方式中，给定阈值为0.5。
步骤五、根据平均精度和召回率，在初始静脉检测模型中确定静脉检测模型。
根据步骤四中计算得到的AP和Recall选择最佳初始静脉检测模型作为静脉检测模型。在一种具体地实施方式中，训练集中图像数量为555，验证集中图像数量为238，通过采取不同的超参值，最后获得的静脉检测模型的AP和Recall如表1所示。
表1
S103、获取静脉检测模型输出的预测框置信度。
将区域图像输入到预先训练好的静脉检测模型后，获取静脉检测模型输出的预测框置信度。
S104、若预测框置信度大于预设阈值，获取静脉检测模型输出的静脉区域检测结果。
如果静脉检测模型输出的预测框置信度大于预设阈值，则表示静脉检测模型识别定位出了手背静脉区域，则可以获取静脉检测模型输出的静脉区域检测结果，其中静脉区域检测结果包括静脉区域的位置信息。
可以根据实际情况，对预设阈值进行设置，本实施例不做限定。在一种具体地实施方式中，预设阈值为0.5。
本实施例的静脉区域的检测方法，通过利用预设的近红外摄像设备采集检测区域的区域图像；将区域图像输入到预先训练好的静脉检测模型中；获取静脉检测模型输出的预测框置信度；若预测框置信度大于预设阈值，获取静脉检测模型输出的静脉区域检测结果，实现了根据区域图像自动确定静脉区域的检测结果，不易受到摆放姿势、患者肤色以及患者年龄的影响，有效提高了静脉区域的检测精度。通过近红外技术识别静脉区域，在此基础上可由机器自动识别最近穿刺点位置辅助医护人员穿刺或者由机器实现全自动的静脉穿刺，可以大大减轻医护人员的工作压力。
而且，本发明所提供的技术方案并不是以获得疾病诊断结果或健康状况为直接目的，因此，本发明所提供的方案并不属于专利法第二十五条不授予专利权的客体。
进一步地，本实施例在以上实施例的基础上，还可以包括以下步骤：若预测框置信度小于或等于预设阈值，输出调整提醒，以重新获取区域图像。
具体地，预测框置信度小于或等于预设阈值，则说明静脉识别定位失败，此时可以输出调整提醒，以便调整检测区域的摆放或者调整近红外摄像设备的摄像头等，以重新获取区域图像。
在一种具体地实施方式中，检测区域为病患的手背，那么在输出调整提醒后，可以调整病患的手背的摆放位置、姿势，或者调整近红外摄像设备的摄像头等，以重新获取手背的区域图像。
本发明还提供了一种静脉区域的检测装置，用于实现上述方法实施例。图3是本发明静脉区域的检测装置一种实施例提供的结构示意图。如图3所示，本实施例的静脉区域的检测装置，包括：采集模块11、输入模块12和获取模块13；
采集模块11，用于利用预设的近红外摄像设备采集检测区域的区域图像；
输入模块12，用于将区域图像输入到预先训练好的静脉检测模型中；
获取模块13，用于获取静脉检测模型输出的预测框置信度，若预测框置信度大于预设阈值，获取静脉检测模型输出的静脉区域检测结果。
本实施例的静脉区域的检测装置，采集模块11利用预设的近红外摄像设备采集检测区域的区域图像；输入模块12将区域图像输入到预先训练好的静脉检测模型中；获取模块13获取静脉检测模型输出的预测框置信度；若预测框置信度大于预设阈值，获取模块13获取静脉检测模型输出的静脉区域检测结果，实现了根据区域图像自动确定静脉区域的检测结果，不易受到摆放姿势、患者肤色以及患者年龄的影响，有效提高了静脉区域的检测精度。
进一步地，本实施例的静脉区域的检测装置，还包括：数据增强模块、先验框确定模块和模型确定模块；
获取模块13，还用于获取训练集和验证集；
数据增强模块，用于对训练集进行数据增强，得到增强训练集；
先验框确定模块，用于根据训练集确定先验框；
输入模块12，还用于将增强训练集和先验框输入到预先构建的深度学习模型进行训练，通过调整不同的超参值得到多个初始静脉检测模型；
模型确定模块，用于将验证集分别输入到每个初始静脉检测模型中，确定每个初始静脉检测模型的平均精度和召回率，根据平均精度和召回率，在初始静脉检测模型中确定静脉检测模型。
进一步地，本实施例的静脉区域的检测装置，获取模块13，具体用于利用近红外摄像设备采集若干张样本区域图像，以使用户在样本区域图像上标注静脉区域；按照预设比例将已标注静脉区域的样本区域图像分为训练集和验证集。
进一步地，本实施例的静脉区域的检测装置，先验框确定模块，具体用于对标注静脉区域的标注框进行Kmeans聚类处理，得到先验框。
进一步地，本实施例的静脉区域的检测装置，数据增强模块，具体用于对训练集至少进行旋转处理、裁剪处理、缩放处理和图像调整处理中的一种处理，得到增强训练集。
进一步地，本实施例的静脉区域的检测装置，输入模块12，具体用于将增强训练集和先验框输入到预先构建的深度学习模型进行训练，当输出的损失函数收敛和/或达到预设的迭代次数后，得到初始静脉检测模型。
进一步地，本实施例的静脉区域的检测装置，还包括提醒模块；
提醒模块，用于若预测框置信度小于或等于预设阈值，输出调整提醒，以重新获取区域图像。
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。
本发明还提供了一种静脉区域的检测设备，用于实现上述方法实施例。图4是本发明静脉区域的检测设备一种实施例提供的结构示意图。如图4所示，本实施例的种静脉区域的检测设备包括处理器21和存储器22，处理器21与存储器22相连。其中，处理器21用于调用并执行存储器22中存储的程序；存储器22用于存储程序，程序至少用于执行以上实施例中的静脉区域的检测方法。
本实施例的静脉区域的检测设备，实现了根据区域图像自动确定静脉区域的检测结果，不易受到摆放姿势、患者肤色以及患者年龄的影响，有效提高了静脉区域的检测精度。
本申请实施例提供的静脉区域的检测设备的具体实施方案可以参考以上任意实施例的静脉区域的检测方法的实施方式，此处不再赘述。
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)
1.一种静脉区域的检测方法，其特征在于，包括：
利用预设的近红外摄像设备采集检测区域的区域图像；
将所述区域图像输入到预先训练好的静脉检测模型中；
获取所述静脉检测模型输出的预测框置信度；
若所述预测框置信度大于预设阈值，获取所述静脉检测模型输出的静脉区域检测结果。
2.根据权利要求1所述静脉区域的检测方法，其特征在于，所述静脉检测模型的训练过程，包括：
获取训练集和验证集；
对所述训练集进行数据增强，得到增强训练集，以及，根据所述训练集确定先验框；
将所述增强训练集和所述先验框输入到预先构建的深度学习模型进行训练，通过调整不同的超参值得到多个初始静脉检测模型；
将所述验证集分别输入到每个所述初始静脉检测模型中，确定每个所述初始静脉检测模型的平均精度和召回率；
根据所述平均精度和所述召回率，在所述初始静脉检测模型中确定所述静脉检测模型。
3.根据权利要求2所述静脉区域的检测方法，其特征在于，所述获取训练集和验证集，包括：
利用所述近红外摄像设备采集若干张样本区域图像，以使所述用户在所述样本区域图像上标注静脉区域；
按照预设比例将已标注所述静脉区域的所述样本区域图像分为所述训练集和所述验证集。
4.根据权利要求3所述静脉区域的检测方法，其特征在于，所述根据所述训练集确定先验框，包括：
对标注所述静脉区域的标注框进行Kmeans聚类处理，得到所述先验框。
5.根据权利要求2所述静脉区域的检测方法，其特征在于，所述对所述训练集进行数据增强，得到增强训练集，包括：
对所述训练集至少进行旋转处理、裁剪处理、缩放处理和图像调整处理中的一种处理，得到所述增强训练集。
6.根据权利要求2所述静脉区域的检测方法，其特征在于，所述将所述增强训练集和所述先验框输入到预先构建的深度学习模型进行训练，通过调整不同的超参值得到多个初始静脉检测模型，包括：
将所述增强训练集和所述先验框输入到预先构建的深度学习模型，并设置不同的所述超参值，对所述深度学习模型进行训练；
当输出的损失函数收敛和/或达到预设的迭代次数后，得到多个所述初始静脉检测模型。
7.根据权利要求1所述静脉区域的检测方法，其特征在于，所述方法还包括：
若所述预测框置信度小于或等于所述预设阈值，输出调整提醒，以重新获取所述区域图像。
8.一种静脉区域的检测装置，其特征在于，包括：采集模块、输入模块和获取模块；
所述采集模块，用于利用预设的近红外摄像设备采集检测区域的区域图像；
所述输入模块，用于将所述区域图像输入到预先训练好的静脉检测模型中；
所述获取模块，用于获取所述静脉检测模型输出的预测框置信度，若所述预测框置信度大于预设阈值，获取所述静脉检测模型输出的静脉区域检测结果。
9.根据权利要求8所述静脉区域的检测装置，其特征在于，还包括：数据增强模块、先验框确定模块和模型确定模块；
所述获取模块，还用于获取训练集和验证集；
所述数据增强模块，用于对所述训练集进行数据增强，得到增强训练集；
所述先验框确定模块，用于根据所述训练集确定先验框；
所述输入模块，还用于将所述增强训练集和所述先验框输入到预先构建的深度学习模型进行训练，通过调整不同的超参值得到多个初始静脉检测模型；
所述模型确定模块，用于将所述验证集分别输入到每个所述初始静脉检测模型中，确定每个所述初始静脉检测模型的平均精度和召回率，根据所述平均精度和所述召回率，在所述初始静脉检测模型中确定所述静脉检测模型。
10.一种静脉区域的检测设备，其特征在于，包括处理器和存储器，所述处理器与所述存储器相连：
其中，所述处理器，用于调用并执行所述存储器中存储的程序；
所述存储器，用于存储所述程序，所述程序至少用于执行权利要求1-7任一项所述的静脉区域的检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011021200.7A CN112163576A (zh) | 2020-09-25 | 2020-09-25 | 静脉区域的检测方法、装置和设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011021200.7A CN112163576A (zh) | 2020-09-25 | 2020-09-25 | 静脉区域的检测方法、装置和设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112163576A true CN112163576A (zh) | 2021-01-01 |
Family
ID=73863910
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011021200.7A Pending CN112163576A (zh) | 2020-09-25 | 2020-09-25 | 静脉区域的检测方法、装置和设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112163576A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104224129A (zh) * | 2014-09-24 | 2014-12-24 | 深圳市中科微光医疗器械技术有限公司 | 一种静脉血管深度识别方法和提示系统 |
| CN108520214A (zh) * | 2018-03-28 | 2018-09-11 | 五邑大学 | 一种基于多尺度hog和svm的手指静脉识别方法 |
| CN109815869A (zh) * | 2019-01-16 | 2019-05-28 | 浙江理工大学 | 一种基于fcn全卷积网络的指静脉识别方法 |
| CN110348375A (zh) * | 2019-07-09 | 2019-10-18 | 华南理工大学 | 一种基于神经网络的手指静脉感兴趣区域检测方法 |
| CN110555382A (zh) * | 2019-07-31 | 2019-12-10 | 浙江理工大学 | 一种基于深度学习和Wasserstein距离度量的指静脉识别方法 |
| CN110942446A (zh) * | 2019-10-17 | 2020-03-31 | 付冲 | 一种基于ct影像的肺结节自动检测方法 |
-
2020
- 2020-09-25 CN CN202011021200.7A patent/CN112163576A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104224129A (zh) * | 2014-09-24 | 2014-12-24 | 深圳市中科微光医疗器械技术有限公司 | 一种静脉血管深度识别方法和提示系统 |
| CN108520214A (zh) * | 2018-03-28 | 2018-09-11 | 五邑大学 | 一种基于多尺度hog和svm的手指静脉识别方法 |
| CN109815869A (zh) * | 2019-01-16 | 2019-05-28 | 浙江理工大学 | 一种基于fcn全卷积网络的指静脉识别方法 |
| CN110348375A (zh) * | 2019-07-09 | 2019-10-18 | 华南理工大学 | 一种基于神经网络的手指静脉感兴趣区域检测方法 |
| CN110555382A (zh) * | 2019-07-31 | 2019-12-10 | 浙江理工大学 | 一种基于深度学习和Wasserstein距离度量的指静脉识别方法 |
| CN110942446A (zh) * | 2019-10-17 | 2020-03-31 | 付冲 | 一种基于ct影像的肺结节自动检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 王炳德 等: "基于YOLOv3的船舶目标检测算法", 中国航海, no. 01 * |
| 袭肖明 等: "基于手指静脉和手指轮廓的个性化融合方法", 计算机研究与发展, no. 09 * |
| 贾海晶 等: "基于深度学习的静脉留置针穿刺点智能定位方法", 生物医学工程研究, no. 01 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111046717B (zh) | 眼底图像黄斑中心定位方法、装置、电子设备及存储介质 | |
| CN110400289B (zh) | 眼底图像识别方法、装置、设备和存储介质 | |
| WO2021115313A1 (zh) | 医学影像中正常器官的轮廓线自动勾画系统 | |
| CN107945870B (zh) | 基于深度神经网络的早产儿视网膜病变检测方法及装置 | |
| WO2020062840A1 (zh) | 一种检测骨龄的方法及装置 | |
| CN102567734B (zh) | 基于比值的视网膜细小血管分割方法 | |
| CN112837805B (zh) | 基于深度学习的眼睑拓扑形态特征的提取方法 | |
| WO2021190656A1 (zh) | 眼底图像黄斑中心定位方法及装置、服务器、存储介质 | |
| Lee et al. | Deep learning based cephalometric landmark identification using landmark-dependent multi-scale patches | |
| CN110110782A (zh) | 基于深度学习的视网膜眼底图像视盘定位方法 | |
| JP2021052999A (ja) | 評価システム、評価方法、学習方法、学習済みモデル、プログラム | |
| CN116269198B (zh) | 基于卷积神经网络的眼球旋转角测量方法及装置 | |
| Reethika et al. | Diabetic retinopathy detection using statistical features | |
| CN112163576A (zh) | 静脉区域的检测方法、装置和设备 | |
| Velia et al. | Retracted: Designing Diabetes Mellitus Detection System Based on Iridology with Convolutional Neural Network Modeling | |
| CN115880358A (zh) | 定位模型的构建方法、影像标志点的定位方法及电子设备 | |
| WO2021139446A1 (zh) | 一种抗血管内皮生长因子vegf疗效预测装置及方法 | |
| CN114266742A (zh) | 脑血管cta图像的狭窄区域检测方法 | |
| KR102402011B1 (ko) | 의료영상 처리 장치와 그 의료영상 학습 방법 및 의료영상 처리 방법 | |
| CN111700600A (zh) | 在诊脉仪存储认定医生的诊脉原理的方法及诊脉仪 | |
| CN115909470B (zh) | 基于深度学习的全自动眼睑疾病术后外观预测系统和方法 | |
| CN115836838A (zh) | 一种屈光度精准评估的方法及应用 | |
| NL2030064B1 (en) | Fundus image regionalization deep learning method, device, equipment, and storage medium | |
| TW202316370A (zh) | 一種使用深度學習模型分析慢性傷口數位影像的方法及系統 | |
| Prasanna et al. | Deep learning models for predicting the position of the head on an X-ray image for Cephalometric analysis |
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 |