CN112183518A - 静脉靶点自动确定方法、装置和设备 - Google Patents
静脉靶点自动确定方法、装置和设备 Download PDFInfo
- Publication number
- CN112183518A CN112183518A CN202011023023.6A CN202011023023A CN112183518A CN 112183518 A CN112183518 A CN 112183518A CN 202011023023 A CN202011023023 A CN 202011023023A CN 112183518 A CN112183518 A CN 112183518A
- Authority
- CN
- China
- Prior art keywords
- target point
- image
- detection image
- vein
- target
- 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.)
- Granted
Links
- 210000003462 vein Anatomy 0.000 title claims abstract description 102
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000001514 detection method Methods 0.000 claims abstract description 167
- 238000013507 mapping Methods 0.000 claims abstract description 20
- 238000000605 extraction Methods 0.000 claims description 33
- 238000003333 near-infrared imaging Methods 0.000 claims description 18
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000003780 insertion Methods 0.000 abstract description 12
- 230000037431 insertion Effects 0.000 abstract description 12
- 238000010586 diagram Methods 0.000 description 13
- 238000001990 intravenous administration Methods 0.000 description 5
- 238000001802 infusion Methods 0.000 description 4
- 238000010241 blood sampling Methods 0.000 description 3
- 210000004204 blood vessel Anatomy 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000000149 penetrating effect Effects 0.000 description 3
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 210000000707 wrist Anatomy 0.000 description 2
- 206010013954 Dysphoria Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation 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
- G06V10/20—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- 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
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/242—Aligning, centring, orientation detection or correction of the image by image rotation, e.g. by 90 degrees
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (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靶点自动确定方法、装置和设备,通过获取区域图像,将区域图像进行批量角度旋转,得到多个不同旋转角度的旋转检测图像,利用预设的窗口模板,在每个旋转检测图像内滑动,确定窗口模板的覆盖区域中像素和符合预设要求的目标覆盖区域,在每个旋转检测图像上的目标覆盖区域中,确定每个旋转检测图像上的候选靶点坐标,将每个旋转检测图像上的候选靶点坐标映射回区域图像,对靶点检测图像上的多个候选靶点坐标进行聚类处理,将聚类处理后聚点最多的簇坐标均值作为选取靶点,将选取靶点的坐标映射回检测图像,得到入针靶点坐标,本方案能够准确快速地确定静脉穿刺时的进针点,有效提高了静脉穿刺的成功率。
Description
技术领域
本发明涉及静脉穿刺技术领域,具体涉及一种静脉靶点自动确定方法、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。而无论是进行静脉输液还是静脉采血,都需要从静脉上选择一个适合穿刺的靶点作为进针点。
目前,医学采用的静脉穿刺技术依旧以人工盲穿为主,即静脉输液或静脉采血时均由医护人员通过人工选择进针点再进行穿刺的方式完成。但是医护人员进行穿刺时,由于人体肤色以及个人身体状况等因素的影响,静脉识别难易程度也不一样,进针点选择的难易程度也不一样,即使经验丰富的医护人员,也有可能因为进针点选择失误而导致穿刺失败。如果进行多次穿刺会导致患者疼痛和烦躁情绪,进而进一步加深医患矛盾。
因此,如何准确快速地确定静脉穿刺时的进针点,以提高静脉穿刺的成功率,是本领域技术人员亟待解决的技术问题。
发明内容
有鉴于此,本发明的目的在于提供一种静脉靶点自动确定方法、装置和设备,以克服目前医护人员进行穿刺时,由于人体肤色以及个人身体状况等因素的影响,静脉识别难易程度也不一样,进针点选择的难易程度也不一样,即使经验丰富的医护人员,也有可能因为进针点选择失误而导致穿刺失败的问题。
为实现以上目的,本发明采用如下技术方案:
一种静脉靶点自动确定方法,包括:
获取检测图像;
对所述检测图像进行预处理,得到预处理后的区域图像;
将所述区域图像进行批量角度旋转,得到多个不同旋转角度的旋转检测图像;
利用预设的窗口模板,在每个所述旋转检测图像内滑动,确定所述窗口模板的覆盖区域中像素和符合预设要求的目标覆盖区域;其中,所述窗口模板的形状与刺入针头的形状对应;
在每个所述旋转检测图像上的所述目标覆盖区域中,确定每个所述旋转检测图像上的候选靶点坐标;
将每个所述旋转检测图像上的候选靶点坐标映射回所述区域图像,得到包含多个所述候选靶点的靶点检测图像;
对所述靶点检测图像上的多个所述候选靶点坐标进行聚类处理,将聚类处理后聚点最多的簇坐标均值作为选取靶点;
将所述选取靶点的坐标映射回所述检测图像,得到入针靶点坐标。
进一步地,以上所述静脉靶点自动确定方法,所述获取检测图像,包括:
基于预设的近红外成像装置,获取检测位置的第一近红外图像;
根据所述近红外成像装置在当前拍摄高度对应的提取区域信息,提取所述第一近红外图像中的所述检测图像。
进一步地,以上所述静脉靶点自动确定方法,所述提取区域信息包括提取比例和提取中心;
所述提取比例和所述提取中心的确定过程包括:
获取若干张在不同拍摄高度下拍摄的第二近红外图像,以使用户在所述第二近红外图像上标记静脉区域;
根据每个拍摄高度下的第二近红外图像和对应的静脉区域的缩放比例确定对应的拍摄高度的提取比例,根据每个拍摄高度下静脉区域的中心确定对应的拍摄高度的提取中心。
进一步地,以上所述静脉靶点自动确定方法,所述利用预设的窗口模板,在每个所述旋转检测图像内滑动,确定所述窗口的模板覆盖区域中像素和符合预设要求的目标覆盖区域之前,还包括:
获取所述刺入针头的针头尺寸;
基于所述当前拍摄高度,对所述针头尺寸进行缩放,以得到所述窗口模板。
进一步地,以上所述静脉靶点自动确定方法,所述对所述检测图像进行预处理,得到预处理后的区域图像,包括:
对所述检测图像进行CLAHE图像增强,得到增强图像;
将所述增强图像进行高斯滤波和中值滤波处理,得到滤波图像;
将所述滤波图像进行自适应阈值二值化处理,得到所述区域图像。
进一步地,以上所述静脉靶点自动确定方法,所述利用预设的窗口模板,在每个所述旋转检测图像内滑动,确定所述窗口模板的覆盖区域中像素和符合预设要求的目标覆盖区域,包括:
将所述窗口模板按照预设规律在每个所述旋转检测图像内滑动;
利用积分直方图算法计算所述窗口模板的覆盖区域中像素和;
确定所述像素和小于预设阈值的目标覆盖区域。
进一步地,以上所述静脉靶点自动确定方法,所述对所述靶点检测图像上的多个所述候选靶点坐标进行聚类处理,包括:
对所述靶点检测图像上的多个所述候选靶点坐标进行DBSCAN聚类处理。
本发明还提供了一种静脉靶点自动确定装置,包括:
获取模块,用于获取检测图像;
预处理模块,用于对所述检测图像进行预处理,得到预处理后的区域图像;
旋转模块,用于将所述区域图像进行批量角度旋转,得到多个不同旋转角度的旋转检测图像;
确定模块,用于利用预设的窗口模板,在每个所述旋转检测图像内滑动,确定所述窗口模板的覆盖区域中像素和符合预设要求的目标覆盖区域;其中,所述窗口模板的形状与刺入针头的形状对应;
所述确定模块,还用于在每个所述旋转检测图像上的所述目标覆盖区域中,确定每个所述旋转检测图像上的候选靶点坐标;
初始映射模块,用于将每个所述旋转检测图像上的候选靶点坐标映射回所述区域图像,得到包含多个所述候选靶点的靶点检测图像;
聚类模块,用于对所述靶点检测图像上的多个所述候选靶点坐标进行聚类处理,将聚类处理后聚点最多的簇坐标均值作为选取靶点;
最终映射模块,用于将所述选取靶点的坐标映射回所述检测图像,得到入针靶点坐标。
进一步地,以上所述静脉靶点自动确定装置,所述获取模块,具体用于基于预设的近红外成像装置,获取检测位置的第一近红外图像,根据所述近红外成像装置在当前拍摄高度对应的提取区域信息,提取所述第一近红外图像中的所述检测图像。
本发明还提供了一种静脉靶点自动确定设备,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靶点自动确定方法。
本发明的静脉靶点自动确定方法、装置和设备,通过获取检测图像,对检测图像进行预处理,得到预处理后的区域图像,将区域图像进行批量角度旋转,得到多个不同旋转角度的旋转检测图像,利用预设的窗口模板,在每个旋转检测图像内滑动,确定窗口模板的覆盖区域中像素和符合预设要求的目标覆盖区域,在每个旋转检测图像上的目标覆盖区域中,确定每个旋转检测图像上的候选靶点坐标,将每个旋转检测图像上的候选靶点坐标映射回区域图像,得到包含多个候选靶点的靶点检测图像,对靶点检测图像上的多个候选靶点坐标进行聚类处理,将聚类处理后聚点最多的簇坐标均值作为选取靶点,将选取靶点的坐标映射回检测图像,得到入针靶点坐标,实现了静脉穿刺靶点的自动确定,使静脉穿刺靶点的选择不再依赖于医护人员的穿刺经验,本方案能够准确快速地确定静脉穿刺时的进针点,有效提高了静脉穿刺的成功率。
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是本发明静脉靶点自动确定方法一种实施例提供的流程图;
图2是本发明静脉靶点自动确定方法一种实施例提供的检测图像提取示意图;
图3是本发明静脉靶点自动确定方法一种实施例提供的区域图像示意图;
图4是本发明静脉靶点自动确定方法一种实施例提供的旋转检测图像示意图;
图5是本发明静脉靶点自动确定方法一种实施例提供的右旋的旋转检测图像示意图;
图6是本发明静脉靶点自动确定方法一种实施例提供的左旋的旋转检测图像示意图;
图7是本发明静脉靶点自动确定方法一种实施例提供的靶点检测图像示意图;
图8是本发明静脉靶点自动确定方法一种实施例提供的检测图像示意图;
图9是本发明静脉靶点自动确定装置一种实施例提供的结构示意图;
图10是本发明静脉靶点自动确定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是本发明静脉靶点自动确定方法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、获取检测图像。
可以基于近红外成像装置,获取检测图像。其中,检测图像的检测区域可以是病患的手背部、手腕部等常见的采血、输液位置,本实施例不做限定。
其中,检测图像的获取,可以包括如下步骤:
步骤一:基于预设的近红外成像装置,获取检测位置的第一近红外图像;
步骤二:根据近红外成像装置在当前拍摄高度对应的提取区域信息,提取第一近红外图像中的检测图像。
本实施例中将手背作为检测区域,对本方案进行详细的说明与示例。具体地,可以先将近红外成像装置的摄像头固定,然后再大致固定手背的放置位置,最后控制近红外成像装置打开,以获取检测位置,即本实施例中手背的第一近红外图像。确定近红外成像装置的当前拍摄高度对应的提取区域信息,根据该提取区域信息,提取第一近红外图像中的检测图像。
近红外成像装置在不同拍摄高度所拍摄的第一近红外图像,对应不同的提取区域信息。本实施例中提取区域信息包括提取比例和提取中心,提取比例和提取中心可以按照如下步骤确定:
步骤一:获取若干张在不同拍摄高度下拍摄的第二近红外图像,以使用户在第二近红外图像上标记静脉区域;
步骤二:根据每个拍摄高度下的第二近红外图像和对应的静脉区域的缩放比例确定对应的拍摄高度的提取比例,根据每个拍摄高度下静脉区域的中心确定对应的拍摄高度的提取中心。
具体地,可以在不同的拍摄高度下拍摄多个人的第二近红外图像,使用户在第二近红外图像上标记静脉区域,用户所标记的静脉区域可以是大小不同的矩形区域。例如,在拍摄高度为h1时拍摄100张第二近红外图像,在拍摄高度为h2时拍摄100张第二近红外图像。用户在上述200张第二近红外图像上分别将静脉区域标记出来。
可以将每个拍摄高度下所有的第二近红外图像与对应的静脉区域的长度缩放比例、宽度缩放比例的平均值作为对应拍摄高度的提取比例。需要说明的是,若静脉区域为矩形,那么根据静脉区域确定的提取比例所提取的检测图像也是矩形。
如果经过图像处理,确定用户标记的静脉区域大部分都位于第二近红外图像的中心位置,即绝大部分静脉区域的中心与第二近红外图像的中心基本重合,那么可以直接将第二近红外图像的中心作为该拍摄高度的提取中心;如果过图像处理,确定用户标记的静脉区域大部分没有在第二近红外图像的中心位置,即大部分静脉区域的中心与第二近红外图像的中心偏离较大,则可以对近红外成像装置的摄像头进行微调,或者对检测区域的放置位置进行微调,以使静脉区域的中心与第二近红外图像的中心基本重合,将第二近红外图像的中心作为该拍摄高度的提取中心,或者不进行调整,将每个拍摄高度下所有静脉区域的中心的坐标平均值作为提取中心的坐标。其中,上述坐标是以静脉区域为基础平面的直角坐标系上的坐标。
可以在较高的拍摄高度中,采集成人的检测区域的图像作为第二近红外图像,在较低的拍摄高度中,采集儿童的检测区域的图像作为第二近红外图像,确定针对成人的拍摄高度和提取区域信息,确定针对儿童的拍摄高度和提取区域信息,进而无论是成人患者还是儿童患者,都能够按照对应的拍摄高度和提取区域信息获取清晰的检测图像。
图2是本发明静脉靶点自动确定方法一种实施例提供的检测图像提取示意图。
如图2所示,在一种具体地实施方式中,该拍摄高度下提取的所有静脉区域的中心与第二近红外图像的中心基本重合,将第二近红外图像的中心作为提取中心。第一近红外图像S1的高度为H0,宽度是W0;提取区域信息中宽度提取比例为a,高度提取比例为b。那么提取的检测图像S2的高度为H0×b,检测图像S2的宽度为W0×a,且检测图像S2的中心与第一近红外图像S1的中心O重合。
S102、对检测图像进行预处理,得到预处理后的区域图像。
对经过上述步骤获取到的检测图像进行预处理。包括:对检测图像进行CLAHE图像增强,得到增强图像;将增强图像输入预设的高斯滤波器中进行滤波,中值滤波去噪平滑后,得到滤波图像;将滤波图像进行自适应阈值二值化处理,得到二值图像作为区域图像。
二值图像中不仅包含单根静脉特征信息,同时还隐含了静脉之间的结构信息,以便于寻找靶点避开静脉交叉处。
图3是本发明静脉靶点自动确定方法一种实施例提供的区域图像示意图。
如图3所示,区域图像中的黑色线条则代表静脉。
S103、将区域图像进行批量角度旋转,得到多个不同旋转角度的旋转检测图像。
将区域图像进行批量角度旋转,在一种具体地实施方式中,其角度范围以1度递增,即可得到偏转角度相差为1度的多个旋转检测图像。
在一种具体地实施方式中,角度范围为[-30,30],代表进针穿刺与平面竖直方向角度夹角。
图4是本发明静脉靶点自动确定方法一种实施例提供的旋转检测图像示意图。
如图4所示,在一种具体地实施方式中,图4所示的旋转检测图像为区域图像旋转θ度后得到的图像。旋转检测图像的形状为正好覆盖旋转后的区域图像的矩形,因此区域图像旋转不同的角度,得到的旋转检测图像的形状与大小也不同。
需要说明的是,图4仅为区域图像旋转一个角度得到的旋转检测图像,本领域的技术人员基于图4能够在不耗费创造性的前提下确定其他旋转角度的旋转检测图像,本实施例不做赘述。
S104、利用预设的窗口模板,在每个旋转检测图像内滑动,确定窗口模板的覆盖区域中像素和符合预设要求的目标覆盖区域。
本实施例根据预设的窗口模板,在旋转检测图像内确定目标覆盖区域。具体可以通过如下几个步骤确定:
步骤一:将窗口模板按照预设规律在每个旋转检测图像内滑动;
步骤二:利用积分直方图算法计算窗口模板的覆盖区域中像素和;
步骤三:确定像素和小于预设阈值的目标覆盖区域。
具体地,窗口模板形状与刺入针头的形状是对应的。在一种具体的实施方式中,如图4所示,窗口模板N可以从左向右,从上到下进行模板窗口滑动,滑动过程中利用积分直方图思想计算窗口模板的覆盖区域的像素和,选取像素和小于预设阈值的目标覆盖区域。其中,窗口模板为竖直放置,以便于通过阵列变换快速计算像素和,实现快速定位候选靶点。一般的,白色的对应的值为1,黑色对应的值为0,即窗口模板覆盖区域的像素和越小,表示窗口模板所覆盖的血管越多。因此,此处的阈值应设置的尽量小,以保证目标覆盖区域对应的为静脉血管,即保证刺入针头能够进入到静脉血管中。
如图4所示,当前窗口模板N所覆盖的区域即为该旋转检测图像对应的目标覆盖区域。
S105、在每个旋转检测图像上的目标覆盖区域中,确定每个旋转检测图像上的候选靶点坐标。
具体地,目标覆盖区域对应的为静脉血管,需要在目标覆盖区域中确定好候选入针位置。在一种具体的实施方式中,取每个目标覆盖区域宽的1/2,长的2/3作为该旋转检测图像上的候选靶点。例如,图4中的点M,即为该旋转检测图像上的候选靶点。
需要说明的是,上述候选靶点的位置只是一种实施例提供的方案,并不会限制本发明。但是,为了保证刺入针头刺入静脉后不跑针,需要将候选靶点设置在目标覆盖区域的中间宽度位置;而且,候选靶点应靠近目标覆盖区域一端,即靠近图4中的A端或者B端,以保证能够将针头送入血管而并不会将血管穿透。
在一种具体地实施方式中,图4中手腕端在上侧,手指端即远心端在下侧,根据进针选取依据优先从远心端进针,所以,候选靶点应靠近A端。
如图4所示,以旋转检测图像的长所在的直线作为x轴,旋转检测图像的宽所在的直线作为y轴,建立直角坐标系xo1y。根据窗口模板移动的次数、窗口模板的尺寸以及候选靶点在窗口模板中的位置,即可确定候选靶点的坐标(x1,y1)。
S106、将每个旋转检测图像上的候选靶点坐标映射回区域图像,得到包含多个候选靶点的靶点检测图像。
确定好候选靶点后,将每个旋转检测图像上的候选靶点坐标映射回区域图像中。
若以图2中区域图像的位置为初始位置,将图2中区域图像向右旋转θ度,可以按照如下方式确定候选靶点在旋转检测图像和区域图像中的映射关系。
图5是本发明静脉靶点自动确定方法一种实施例提供的右旋的旋转检测图像示意图。如图5所示,旋转前的区域图像的长为y0,宽度为x0为已知,候选靶点在xo1y中的坐标(x1,y1)为已知,若以区域图像的长所在的直线作为x轴,区域图像的宽所在的直线作为y轴,建立直角坐标系xo2y,那么候选靶点在xo2y中的坐标(x2,y2)可以确定为:
d1=(x0cosθ-x1)
d2=d1tanθ
y2=(y1-d2)cosθ
x2=x0-d1/cosθ-y2tanθ
需要说明的是,d1和d2是辅助计算候选靶点在xoy2中的坐标(x2,y2)的中间量,d1是图5中点a和点b的距离,d2是图5中点a和点c的距离。
若以图2中区域图像的位置为初始位置,将图2中区域图像向左旋转θ度,可以按照如下方式确定候选靶点在旋转检测图像和区域图像中的映射关系。
图6是本发明静脉靶点自动确定方法一种实施例提供的左旋的旋转检测图像示意图。如图6所示,候选靶点在xoy2中的坐标(x2,y2)为:
d1=(y0cosθ-y1)
d2=d1tanθ
x2=(y1-d2)cosθ
y2=y0-d1/cosθ-x2tanθ
需要说明的是,d1和d2是辅助计算候选靶点在xoy2中的坐标(x2,y2)的中间量,d1是图6中点a和点b的距离,d2是图6中点a和点c的距离。
S107、对靶点检测图像上的多个候选靶点坐标进行聚类处理,将聚类处理后聚点最多的簇坐标均值作为选取靶点。
对靶点检测图像上的多个候选靶点坐标进行DBSCAN聚类处理,将聚类处理后聚点最多的簇坐标均值作为选取靶点。
S108、将选取靶点的坐标映射回检测图像,得到入针靶点坐标。
本实施例中,确定好选取靶点以后,可以将选取靶点的坐标再进行一次映射,映射回检测图像,选取靶点映射回检测图像的坐标即为最终确定的入针靶点坐标。
图7是本发明静脉靶点自动确定方法一种实施例提供的靶点检测图像示意图,图8是本发明静脉靶点自动确定方法一种实施例提供的检测图像示意图。
如图7和图8所示,若选取靶点在靶点检测图像上的坐标为(x1,y1),靶点检测图像的原点(0,0)在检测图像中对应的坐标为(x2,y2),那么入针靶点的坐标:
x0=x1+x2;
y0=y1+y2。
可以采用投影技术将选取靶点投影到病患的检测区域。例如,若检测区域可以是病患的手背部,可以将入针靶点对应投影在是病患的手背上,以告知医护人员正确的入针位置,辅助医护人员入针。
还可以将本实施例的静脉靶点自动确定方法与现有技术中的自动穿刺设备结合,当确定好入针靶点后,自动穿刺设备能够将入针靶点作为入针位置自动穿刺,以实现静脉穿刺的自动化,不仅能够提高穿刺的成功几率,还能够有效降低医护人员的工作量。
本实施例的静脉靶点自动确定方法,通过获取检测图像,对检测图像进行预处理,得到预处理后的区域图像,将区域图像进行批量角度旋转,得到多个不同旋转角度的旋转检测图像,利用预设的窗口模板,在每个旋转检测图像内滑动,确定窗口模板的覆盖区域中像素和符合预设要求的目标覆盖区域,在每个旋转检测图像上的目标覆盖区域中,确定每个旋转检测图像上的候选靶点坐标,将每个旋转检测图像上的候选靶点坐标映射回区域图像,得到包含多个候选靶点的靶点检测图像,对靶点检测图像上的多个候选靶点坐标进行聚类处理,将聚类处理后聚点最多的簇坐标均值作为选取靶点,将选取靶点的坐标映射回检测图像,得到入针靶点坐标,实现了静脉穿刺靶点的自动确定,使静脉穿刺靶点的选择不再依赖于医护人员的穿刺经验,本实施例能够准确快速地确定静脉穿刺时的进针点,有效提高了静脉穿刺的成功率。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,在以上实施例的步骤“利用预设的窗口模板,在每个旋转检测图像内滑动,确定窗口的模板覆盖区域中像素和符合预设要求的目标覆盖区域”之前,还包括以下步骤:
步骤一:获取刺入针头的针头尺寸;
步骤二:基于当前拍摄高度,对针头尺寸进行缩放,以得到窗口模板。
具体地,在被拍摄的物体固定的情况下,不同的拍摄高度拍摄到的照片大小不同。因此,本实施例可以基于当前拍摄高度对针头的实际尺寸进行缩放,以使针头的缩放比例与旋转检测图像中静脉的缩放比例相同,进而得到上述实施例中使用的窗口模板。这样一来,窗口模板与旋转检测图像的第一比例和实际针头与静脉血管的第二比例是相同的,进而能够得到更加精准的结果。
本发明还提供了一种静脉靶点自动确定装置,用于实现上述方法实施例。图9是本发明静脉靶点自动确定装置一种实施例提供的结构示意图。如图9所示,本实施例的装置包括:
获取模块11,用于获取检测图像;
预处理模块12,用于对检测图像进行预处理,得到预处理后的区域图像;
旋转模块13,用于将区域图像进行批量角度旋转,得到多个不同旋转角度的旋转检测图像;
确定模块14,用于利用预设的窗口模板,在每个旋转检测图像内滑动,确定窗口模板的覆盖区域中像素和符合预设要求的目标覆盖区域;其中,窗口模板的形状与刺入针头的形状对应;
确定模块14,还用于在每个旋转检测图像上的目标覆盖区域中,确定每个旋转检测图像上的候选靶点坐标;
初始映射模块15,用于将每个旋转检测图像上的候选靶点坐标映射回区域图像,得到包含多个候选靶点的靶点检测图像;
聚类模块16,用于对靶点检测图像上的多个候选靶点坐标进行聚类处理,将聚类处理后聚点最多的簇坐标均值作为选取靶点;
最终映射模块17,用于将选取靶点的坐标映射回检测图像,得到入针靶点坐标。
本实施例的静脉靶点自动确定装置实现了静脉穿刺靶点的自动确定,使静脉穿刺靶点的选择不再依赖于医护人员的穿刺经验,能够准确快速地确定静脉穿刺时的进针点,有效提高了静脉穿刺的成功率。
进一步地,本实施例的静脉靶点自动确定装置,获取模块11,具体用于基于预设的近红外成像装置,获取检测位置的第一近红外图像,根据近红外成像装置在当前拍摄高度对应的提取区域信息,提取第一近红外图像中的检测图像。
进一步地,本实施例的静脉靶点自动确定装置,提取区域信息包括提取比例和提取中心;
获取模块11,还用于获取若干张在不同拍摄高度下拍摄的第二近红外图像,以使用户在第二近红外图像上标记静脉区域;
确定模块14,还用于根据每个拍摄高度下的第二近红外图像和对应的静脉区域的缩放比例确定对应的拍摄高度的提取比例,根据每个拍摄高度下静脉区域的中心确定对应的拍摄高度的提取中心。
进一步地,本实施例的静脉靶点自动确定装置,还包括缩放模块;
获取模块11,还用于获取刺入针头的针头尺寸;
缩放模块,用于基于当前拍摄高度,对针头尺寸进行缩放,以得到窗口模板。
进一步地,本实施例的静脉靶点自动确定装置,预处理模块12,具体用于对检测图像进行CLAHE图像增强,得到增强图像;将增强图像输入预设的高斯滤波器中进行滤波,得到滤波图像;将滤波图像进行自适应阈值二值化处理,得到区域图像。
进一步地,本实施例的静脉靶点自动确定装置,确定模块14,具体用于将窗口模板按照预设规律在每个旋转检测图像内滑动;利用积分直方图算法计算窗口模板的覆盖区域中像素和;确定像素和小于预设阈值的目标覆盖区域。
进一步地,本实施例的静脉靶点自动确定装置,聚类模块16,具体用于对靶点检测图像上的多个候选靶点坐标进行DBSCAN聚类处理。
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靶点自动确定设备,用于实现上述方法实施例。图10是本发明静脉靶点自动确定设备一种实施例提供的结构示意图。如图10所示,本实施例的静脉靶点自动确定设备包括处理器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靶点自动确定方法。
本实施例的静脉靶点自动确定设备实现了静脉穿刺靶点的自动确定,使静脉穿刺靶点的选择不再依赖于医护人员的穿刺经验,能够准确快速地确定静脉穿刺时的进针点,有效提高了静脉穿刺的成功率。
本申请实施例提供的静脉靶点自动确定设备的具体实施方案可以参考以上任意实施例的静脉靶点自动确定方法的实施方式,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)
1.一种静脉靶点自动确定方法,其特征在于,包括:
获取检测图像;
对所述检测图像进行预处理,得到预处理后的区域图像;
将所述区域图像进行批量角度旋转,得到多个不同旋转角度的旋转检测图像;
利用预设的窗口模板,在每个所述旋转检测图像内滑动,确定所述窗口模板的覆盖区域中像素和符合预设要求的目标覆盖区域;其中,所述窗口模板的形状与刺入针头的形状对应;
在每个所述旋转检测图像上的所述目标覆盖区域中,确定每个所述旋转检测图像上的候选靶点坐标;
将每个所述旋转检测图像上的候选靶点坐标映射回所述区域图像,得到包含多个所述候选靶点的靶点检测图像;
对所述靶点检测图像上的多个所述候选靶点坐标进行聚类处理,将聚类处理后聚点最多的簇坐标均值作为选取靶点;
将所述选取靶点的坐标映射回所述检测图像,得到入针靶点坐标。
2.根据权利要求1所述静脉靶点自动确定方法,其特征在于,所述获取检测图像,包括:
基于预设的近红外成像装置,获取检测位置的第一近红外图像;
根据所述近红外成像装置在当前拍摄高度对应的提取区域信息,提取所述第一近红外图像中的所述检测图像。
3.根据权利要求2所述静脉靶点自动确定方法,其特征在于,所述提取区域信息包括提取比例和提取中心;
所述提取比例和所述提取中心的确定过程包括:
获取若干张在不同拍摄高度下拍摄的第二近红外图像,以使用户在所述第二近红外图像上标记静脉区域;
根据每个拍摄高度下的第二近红外图像和对应的静脉区域的缩放比例确定对应的拍摄高度的提取比例,根据每个拍摄高度下静脉区域的中心确定对应的拍摄高度的提取中心。
4.根据权利要求2所述静脉靶点自动确定方法,其特征在于,所述利用预设的窗口模板,在每个所述旋转检测图像内滑动,确定所述窗口的模板覆盖区域中像素和符合预设要求的目标覆盖区域之前,还包括:
获取所述刺入针头的针头尺寸;
基于所述当前拍摄高度,对所述针头尺寸进行缩放,以得到所述窗口模板。
5.根据权利要求1所述静脉靶点自动确定方法,其特征在于,所述对所述检测图像进行预处理,得到预处理后的区域图像,包括:
对所述检测图像进行CLAHE图像增强,得到增强图像;
将所述增强图像进行高斯滤波和中值滤波处理,得到滤波图像;
将所述滤波图像进行自适应阈值二值化处理,得到所述区域图像。
6.根据权利要求1所述静脉靶点自动确定方法,其特征在于,所述利用预设的窗口模板,在每个所述旋转检测图像内滑动,确定所述窗口模板的覆盖区域中像素和符合预设要求的目标覆盖区域,包括:
将所述窗口模板按照预设规律在每个所述旋转检测图像内滑动;
利用积分直方图算法计算所述窗口模板的覆盖区域中像素和;
确定所述像素和小于预设阈值的目标覆盖区域。
7.根据权利要求1所述静脉靶点自动确定方法,其特征在于,所述对所述靶点检测图像上的多个所述候选靶点坐标进行聚类处理,包括:
对所述靶点检测图像上的多个所述候选靶点坐标进行DBSCAN聚类处理。
8.一种静脉靶点自动确定装置,其特征在于,包括:
获取模块,用于获取检测图像;
预处理模块,用于对所述检测图像进行预处理,得到预处理后的区域图像;
旋转模块,用于将所述区域图像进行批量角度旋转,得到多个不同旋转角度的旋转检测图像;
确定模块,用于利用预设的窗口模板,在每个所述旋转检测图像内滑动,确定所述窗口模板的覆盖区域中像素和符合预设要求的目标覆盖区域;其中,所述窗口模板的形状与刺入针头的形状对应;
所述确定模块,还用于在每个所述旋转检测图像上的所述目标覆盖区域中,确定每个所述旋转检测图像上的候选靶点坐标;
初始映射模块,用于将每个所述旋转检测图像上的候选靶点坐标映射回所述区域图像,得到包含多个所述候选靶点的靶点检测图像;
聚类模块,用于对所述靶点检测图像上的多个所述候选靶点坐标进行聚类处理,将聚类处理后聚点最多的簇坐标均值作为选取靶点;
最终映射模块,用于将所述选取靶点的坐标映射回所述检测图像,得到入针靶点坐标。
9.根据权利要求8所述的静脉靶点自动确定装置,其特征在于,所述获取模块,具体用于基于预设的近红外成像装置,获取检测位置的第一近红外图像,根据所述近红外成像装置在当前拍摄高度对应的提取区域信息,提取所述第一近红外图像中的所述检测图像。
10.一种静脉靶点自动确定设备,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任一项所述的静脉靶点自动确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011023023.6A CN112183518B (zh) | 2020-09-25 | 2020-09-25 | 静脉靶点自动确定方法、装置和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011023023.6A CN112183518B (zh) | 2020-09-25 | 2020-09-25 | 静脉靶点自动确定方法、装置和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112183518A true CN112183518A (zh) | 2021-01-05 |
CN112183518B CN112183518B (zh) | 2024-05-28 |
Family
ID=73945282
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011023023.6A Active CN112183518B (zh) | 2020-09-25 | 2020-09-25 | 静脉靶点自动确定方法、装置和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112183518B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112990367A (zh) * | 2021-04-25 | 2021-06-18 | 杭州晟视科技有限公司 | 一种图像处理方法、装置、设备以及存储介质 |
CN115239795A (zh) * | 2022-09-23 | 2022-10-25 | 山东工程职业技术大学 | 射箭靶环命中位置记环检测方法、检测装置及电子设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103945755A (zh) * | 2011-11-25 | 2014-07-23 | 奥林巴斯株式会社 | 图像处理装置、图像处理方法和图像处理程序 |
CN105518716A (zh) * | 2015-10-10 | 2016-04-20 | 厦门中控生物识别信息技术有限公司 | 手指静脉识别方法及装置 |
CN106821468A (zh) * | 2017-03-23 | 2017-06-13 | 王燕青 | 一种留置针在穿刺静脉血管中的自动定位方法及装置 |
EP3454301A1 (en) * | 2017-09-08 | 2019-03-13 | Siemens Healthcare GmbH | Method for detecting and labelling coronary artery calcium |
CN109711420A (zh) * | 2018-12-20 | 2019-05-03 | 湖南商学院 | 基于人类视觉注意机制的多仿射目标的检测与识别方法 |
CN109886218A (zh) * | 2019-02-26 | 2019-06-14 | 西安电子科技大学 | 基于超像素统计相异性的sar图像舰船目标检测方法 |
WO2020002810A1 (fr) * | 2018-06-25 | 2020-01-02 | Universite D'orleans | Détection de nerfs dans une série d'images échographiques par la détermination de régions d'intérêts définies par la détection d'artères |
CN111310688A (zh) * | 2020-02-25 | 2020-06-19 | 重庆大学 | 一种基于多角度成像的手指静脉识别方法 |
-
2020
- 2020-09-25 CN CN202011023023.6A patent/CN112183518B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103945755A (zh) * | 2011-11-25 | 2014-07-23 | 奥林巴斯株式会社 | 图像处理装置、图像处理方法和图像处理程序 |
CN105518716A (zh) * | 2015-10-10 | 2016-04-20 | 厦门中控生物识别信息技术有限公司 | 手指静脉识别方法及装置 |
CN106821468A (zh) * | 2017-03-23 | 2017-06-13 | 王燕青 | 一种留置针在穿刺静脉血管中的自动定位方法及装置 |
EP3454301A1 (en) * | 2017-09-08 | 2019-03-13 | Siemens Healthcare GmbH | Method for detecting and labelling coronary artery calcium |
WO2020002810A1 (fr) * | 2018-06-25 | 2020-01-02 | Universite D'orleans | Détection de nerfs dans une série d'images échographiques par la détermination de régions d'intérêts définies par la détection d'artères |
CN109711420A (zh) * | 2018-12-20 | 2019-05-03 | 湖南商学院 | 基于人类视觉注意机制的多仿射目标的检测与识别方法 |
CN109886218A (zh) * | 2019-02-26 | 2019-06-14 | 西安电子科技大学 | 基于超像素统计相异性的sar图像舰船目标检测方法 |
CN111310688A (zh) * | 2020-02-25 | 2020-06-19 | 重庆大学 | 一种基于多角度成像的手指静脉识别方法 |
Non-Patent Citations (5)
Title |
---|
BEIGI PARMIDA: "Image-based enhancement and tracking of an epidural needle in ultrasound using time-series analysis", 《VANCOUVER : UNIVERSITY OF BRITISH COLUMBIA LIBRARY》, 31 August 2017 (2017-08-31), pages 1 - 165 * |
BO ZHANG 等: "Flexible needle posture control stratagem for ultrasound-based puncture manipulator system", 《ADVANCED ROBOTICS》, vol. 34, no. 1, 6 September 2019 (2019-09-06), pages 45 - 56 * |
于海江: "COMPSS软件利用靶点坐标反算井口坐标并设计轨道", 《中国石油和化工标准与质量》, no. 24, 23 December 2016 (2016-12-23), pages 51 - 52 * |
李振娟: "基于分形的手指静脉网络复原方法研究", 《中国优秀硕士学位论文全文数据库医药卫生科技辑(月刊)》, no. 2, 15 February 2020 (2020-02-15), pages 080 - 48 * |
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》, vol. 37, no. 1, 15 March 2018 (2018-03-15), pages 91 - 95 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112990367A (zh) * | 2021-04-25 | 2021-06-18 | 杭州晟视科技有限公司 | 一种图像处理方法、装置、设备以及存储介质 |
CN115239795A (zh) * | 2022-09-23 | 2022-10-25 | 山东工程职业技术大学 | 射箭靶环命中位置记环检测方法、检测装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112183518B (zh) | 2024-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3669942B1 (en) | Systems and methods for determining a region of interest of a subject | |
CN109859203B (zh) | 基于深度学习的缺陷牙齿图像识别方法 | |
CN104856649B (zh) | 一种通过红外成像和压力变化来识别和穿刺血管的装置 | |
Grau et al. | Automatic localization of cephalometric landmarks | |
Molinari et al. | Completely automated multiresolution edge snapper—a new technique for an accurate carotid ultrasound IMT measurement: clinical validation and benchmarking on a multi-institutional database | |
AU2019340215B2 (en) | Methods and systems for ocular imaging, diagnosis and prognosis | |
CN109685809B (zh) | 一种基于神经网络的肝包虫病灶分割方法及系统 | |
US6055326A (en) | Method for orienting electronic medical images | |
CN112183518B (zh) | 静脉靶点自动确定方法、装置和设备 | |
Giachetti et al. | The use of radial symmetry to localize retinal landmarks | |
CN110298273A (zh) | 一种基于多光谱图像的3d指静脉提取方法及系统 | |
JP2018068400A (ja) | 動態画像処理装置 | |
EP3892200A1 (en) | Methods and systems for user and/or patient experience improvement in mammography | |
CN110415216A (zh) | 基于sd-oct和octa视网膜图像的cnv自动检测方法 | |
JP2008073280A (ja) | 眼底画像処理装置 | |
CN105447870B (zh) | 医学图像中身体组织的提取方法及装置 | |
CN113017566B (zh) | 基于图像的血管识别与定位方法及装置 | |
CN112075981B (zh) | 静脉穿刺机器人控制方法、装置及计算机可读存储介质 | |
Mahfouz et al. | Ultrafast localization of the optic disc using dimensionality reduction of the search space | |
CN106462969B (zh) | 用于两幅图像的配准的设备和方法 | |
CN113011333B (zh) | 基于近红外图像获取最佳静脉穿刺点和方向的系统及方法 | |
Carmona et al. | Modeling, localization, and segmentation of the foveal avascular zone on retinal OCT-angiography images | |
CN109615656A (zh) | 一种基于模型搜索的脊柱定位方法 | |
CN113081013B (zh) | 定位片扫描方法、装置及系统 | |
CN109993754B (zh) | 从图像上进行颅骨分割的方法和系统 |
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 |