CN115456967A - 一种动静脉内瘘血栓检测方法及装置 - Google Patents

Abstract

本发明公开了一种动静脉内瘘血栓检测方法及装置，涉及图像处理技术领域。包括：获取待检测的前臂血管图像；对待检测的前臂血管图像进行预处理；基于两阶段图像增强方法，对预处理后的前臂血管图像进行图像增强；根据自适应先验形状水平集演化APSLSE模型以及图像增强后的前臂血管图像，得到待检测的前臂血管图像的血栓分割结果，并最终采用机器学习或深度神经网络方法进行血栓类型的检测。本发明针对前臂在透析过程中浅层血管的图像分析，实现对内瘘血栓形成的预警与干预。具有采集数据直观、计算精度较高、临床应用效果较好的特点。

Description

一种动静脉内瘘血栓检测方法及装置

技术领域

本发明涉及图像处理技术领域，特别是指一种动静脉内瘘血栓检测方法及装置。

背景技术

目前，透析病人在透析治疗过程中前臂极易出现内瘘血栓的情况。一般而言，透析病人需要定期去医院，采用特定装置从前臂将全身血液抽出、净化，再注入回体内；透析就是利用半透膜原理，通过弥散对流体内各种有害以及多余的代谢废物和过多的电解质移出体外，达到净化血液、纠正水电解质及酸碱平衡的目的。由于长期从前臂扎针抽血，对血管造成物理破坏，同时也极易在扎针处附近长血痂，最终形成血栓。血栓的形成极易导致血管堵塞、血流不畅，同时对于长期透析的病人来说，血栓也增加了透析的难度与风险，因此如何在血栓形成前对其进行检测，是目前血液透析领域研究的热点与难点。

近年来围绕动静脉内瘘血栓的检测，相关技术人员从不同研究角度提出了各自的方案。

传统对动静脉内瘘血栓检测与干预的研究主要存在以下问题：首先，相关研究方法使用较为复杂，应用效果不直接。如中国专利“自体动静脉内瘘血栓形成预测模型构建方法(CN202110440874.9)”通过应用平衡迭代随机森林算法得出导致成熟动静脉内瘘血栓发生的高危因素，并将建立的模型通过可视化的列线图形式呈现。相关方法在实际中使用具有一定难度。其次，相关方法虽然能够在一定程度上进行血栓的检测与干预，但检测过干预过程不直观，对医生诊疗的指导作用较为有限。如中国专利“一种动静脉内瘘血栓预警装置及其控制方法(CN201811424532.2)”通过获取瘘管震颤信号，并对瘘管震颤信号进行解析处理，进而实现对动静脉内瘘血栓的估计与预警。上述专利所采集的数据可视化效果较为有限。再次，相关方法的测量数据的可靠性与精度较为有限。如中国专利“内瘘血栓的实时检测系统、实时检测装置及其血流速度的检测方法(CN201710595825.6)”利用超声波探头的不同的放置方式和两种不同的工作模式，有效消除在测量血流速度的实际应用中难于确定多普勒夹角的问题，解决流速梯度模糊问题，进而实现对内瘘血栓、血流速的实时监测。上述方法在测量过程中误差源较多，测量精度较为有限。

因此，如何更好的对动静脉内瘘血栓进行检测，是现有技术亟需解决的问题。

发明内容

本发明针对现有动静脉内瘘血栓检测方法使用较为复杂，应用效果不直接，以及测量数据的可靠性与精度较为有限的问题，提出了本发明。

为解决上述技术问题，本发明提供如下技术方案：

一方面，本发明提供了一种动静脉内瘘血栓检测方法，该方法由电子设备实现，该方法包括：

S1、获取待检测的前臂血管图像。

S2、对待检测的前臂血管图像进行预处理。

S3、基于两阶段图像增强方法，对预处理后的前臂血管图像进行图像增强。

S4、根据自适应先验形状水平集演化APSLSE模型以及图像增强后的前臂血管图像，得到待检测的前臂血管图像的血栓类型检测结果。

可选地，S1中的获取待检测的前臂血管图像包括：

通过近红外图像采集装置获取待检测的前臂的浅层近红外血管图像。

可选地，S2中的对待检测的前臂血管图像进行预处理包括：

S21、对待检测的前臂血管图像进行背景去除。

S22、对背景去除后的前臂血管图像进行对比度拉伸。

S23、对对比度拉伸后的前臂血管图像进行噪声去除。

可选地，S3中的基于两阶段图像增强方法，对预处理后的前臂血管图像进行图像增强包括：

S31、将预处理后的前臂血管图像输入到残差卷积自动编码器RCAE模型，得到第一图像输出。

S32、将第一图像输出输入到对比度限制自适应直方图均衡CLAHE模型，得到第二图像输出。

S33、根据预处理后的前臂血管图像计算组合比系数。

S34、将第一图像输出以及第二图像输出按照组合比系数进行组合，得到预处理后的前臂血管图像的图像增强结果。

可选地，S4中的根据自适应先验形状水平集演化APSLSE模型以及图像增强后的前臂血管图像，得到待检测的前臂血管图像的血栓类型检测结果包括：

S41、基于自适应先验形状水平集演化APSLSE模型对图像增强后的前臂血管图像进行图像分割，得到分割区域。

S42、对图像分割后的前臂血管图像进行二值化处理，得到二值化的前臂血管图像。

S43、对二值化的前臂血管图像进行骨架提取，得到前臂血管骨架图像。

S44、沿前臂血管骨架图像中的血管位置截取局部图像。

S45、根据局部图像以及训练好的支持向量机SVM模型，得到待检测的前臂血管图像的血栓类型检测结果；

或根据局部图像以及深度学习网络，得到待检测的前臂血管图像的血栓类型检测结果。

可选地，S41中的基于自适应先验形状水平集演化APSLSE模型中的能量函数，如下式(1)所示：

E(φ)＝μR_p(φ)+λL_g(φ)+νA_g(φ)+γE_Shape (1)

其中，μ>0；λ>0；γ>0；ν∈R；φ为水平集函数；R_p(φ)为水平集函数的正则化项；L_g(φ)为水平集函数的长度项；A_g(φ)为水平集函数的面积项；E_Shape为水平集函数的形状约束项。

可选地，水平集函数的面积项，如下式(2)所示：

其中，ν₁和ν₂为系数，ν₁、ν₂∈R；Ω为域；x∈Ω为域上的一个点；g为边缘指示函数；H为赫维赛德Heaviside函数；ε^LBF为局部二值拟合LBF的能量泛函。

可选地，水平集函数的形状约束项如下式(3)所示：

E_shape＝∫_Ω(H(Φ)-H(Ψ))²dx (3)

其中，Ω为域；x∈Ω为域上的一个点；H为赫维赛德Heaviside函数；Φ为演化曲线距离函数；Ψ为先验形状轮廓曲线的距离函数。

可选地，S45中的支持向量机SVM模型的训练过程包括：

S451、获取样本局部图像，对样本局部图像进行增强处理。

S452、对增强后的样本局部图像进行图像特征提取，得到样本局部图像的多个特征；其中，多个特征包括几何特征、灰度特征、梯度特征以及纹理特征。

S453、根据多个特征对支持向量机SVM模型进行训练，得到训练好的支持向量机SVM模型。

另一方面，本发明提供了一种动静脉内瘘血栓检测装置，该装置应用于实现动静脉内瘘血栓检测方法，该装置包括：

获取模块，用于获取待检测的前臂血管图像。

预处理模块，用于对待检测的前臂血管图像进行预处理。

图像增强模块，用于基于两阶段图像增强方法，对预处理后的前臂血管图像进行图像增强。

输出模块，用于根据自适应先验形状水平集演化APSLSE模型以及图像增强后的前臂血管图像，得到待检测的前臂血管图像的血栓类型检测结果。

可选地，获取模块，进一步用于：

通过近红外图像采集装置获取待检测的前臂的浅层近红外血管图像。

可选地，预处理模块，进一步用于：

S21、对待检测的前臂血管图像进行背景去除。

S22、对背景去除后的前臂血管图像进行对比度拉伸。

S23、对对比度拉伸后的前臂血管图像进行噪声去除。

可选地，图像增强模块，进一步用于：

S31、将预处理后的前臂血管图像输入到残差卷积自动编码器RCAE模型，得到第一图像输出。

S32、将第一图像输出输入到对比度限制自适应直方图均衡CLAHE模型，得到第二图像输出。

S33、根据预处理后的前臂血管图像计算组合比系数。

S34、将第一图像输出以及第二图像输出按照组合比系数进行组合，得到预处理后的前臂血管图像的图像增强结果。

可选地，输出模块，进一步用于：

S41、基于自适应先验形状水平集演化APSLSE模型对图像增强后的前臂血管图像进行图像分割，得到分割区域。

S42、对图像分割后的前臂血管图像进行二值化处理，得到二值化的前臂血管图像。

S43、对二值化的前臂血管图像进行骨架提取，得到前臂血管骨架图像。

S44、沿前臂血管骨架图像中的血管位置截取局部图像。

S45、根据局部图像以及训练好的支持向量机SVM模型，得到待检测的前臂血管图像的血栓类型检测结果；

或根据局部图像以及深度学习网络，得到待检测的前臂血管图像的血栓类型检测结果。

可选地，基于自适应先验形状水平集演化APSLSE模型中的能量函数，如下式(1)所示：

E(φ)＝μR_p(φ)+λL_g(φ)+νA_g(φ)+γE_Shape (1)

其中，μ>0；λ>0；γ>0；ν∈R；φ为水平集函数；R_p(φ)为水平集函数的正则化项；L_g(φ)为水平集函数的长度项；A_g(φ)为水平集函数的面积项；E_Shape为水平集函数的形状约束项。

可选地，水平集函数的面积项，如下式(2)所示：

其中，ν₁和ν₂为系数，ν₁、ν₂∈R；Ω为域；x∈Ω为域上的一个点；g为边缘指示函数；H为赫维赛德Heaviside函数；ε^LBF为局部二值拟合LBF的能量泛函。

可选地，水平集函数的形状约束项如下式(3)所示：

E_shape＝∫_Ω(H(Φ)-H(Ψ))²dx (3)

其中，Ω为域；x∈Ω为域上的一个点；H为赫维赛德Heaviside函数；Φ为演化曲线距离函数；Ψ为先验形状轮廓曲线的距离函数。

可选地，输出模块，进一步用于：

S451、获取样本局部图像，对样本局部图像进行增强处理。

S452、对增强后的样本局部图像进行图像特征提取，得到样本局部图像的多个特征；其中，多个特征包括几何特征、灰度特征、梯度特征以及纹理特征。

S453、根据多个特征对支持向量机SVM模型进行训练，得到训练好的支持向量机SVM模型。

一方面，提供了一种电子设备，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行以实现上述动静脉内瘘血栓检测方法。

一方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现上述动静脉内瘘血栓检测方法。

本发明实施例提供的技术方案带来的有益效果至少包括：

上述方案中，所设计方法能够较为清晰直观的采集到浅层血管图像，有利于后续各类图像处理、模式识别算法的设计与应用。

其次，所设计的方法，能够同时进行动静脉内瘘血栓的检测与标记/干预，具有使用方便、信息处理可靠、自动化程度高的优点，可以显著提高病患对诊疗结果的满意度。

再次，所设计方法综合采用具有几何约束的主动轮廓/水平集方法进行浅层血管分割，具有计算结果可靠、精度高的优点。

最后，所设计方法智能化水平高，综合采用了水平集方法、机器学习技术，实现了对血管分割和识别的精确计算。采用深度学习网络进行动静脉内瘘血栓的分类识别，具有检测精度高、计算鲁棒性高的优点，实验表明所设计方法对不同性别人员计算效果均较高，达90％以上。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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是本发明实施例提供的动静脉内瘘血栓检测方法流程示意图；

图2是本发明实施例提供的两阶段图像增强的过程流程图；

图3是本发明实施例提供的RCAE模型的结构图；

图4是本发明实施例提供的预处理后的图像及其掩码示例图；

图5是本发明实施例提供的近红外血管图像及其典型区域图；

图6是本发明实施例提供的图像处理流程图；

图7是本发明实施例提供的动静脉内瘘血栓检测装置框图；

图8是本发明实施例提供的一种电子设备的结构示意图。

具体实施方式

为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。

如图1所示，本发明实施例提供了一种动静脉内瘘血栓检测方法，该方法可以由电子设备实现。如图1所示的动静脉内瘘血栓检测方法流程图，该方法的处理流程可以包括如下的步骤：

S1、获取待检测的前臂血管图像。

可选地，S1中的获取待检测的前臂血管图像包括：

通过近红外图像采集装置获取待检测的前臂的浅层近红外血管图像。

一种可行的实施方式中，近红外图像采集装置可以包括近红外相机、近红外光源、相机与光源支架及滑轨、标记/干预机械臂、机械臂滑轨、标记/干预机械臂末端执行机构。

进一步地，近红外图像采集装置可以采用850nm波长的光源与响应相机；光源与相机安装于支架1上对前臂进行辐照和拍摄；支架1对面是支架2，支架2上设有传动机械臂，可根据支架1检测血栓的结果，定位到血栓位置处，并将机械臂末端执行器送到血栓位置处，采用热敷、电疗或特殊外敷药物的方式进行早期血栓的干预。支架1和支架2安装在滑轨上，可以沿手臂方向同侧运动。

进一步地，为解决动静脉内瘘血栓的检测问题，本发明设计了一种综合采用近红外相机、近红外光源，以及机械臂的装置，并采用图像处理与模式识别手段，进行动静脉内瘘血栓的检测的方法。采用典型谱段近红外成像的方式，进行浅层血管的检测、图像分割，在此基础上，采用机器学习技术进行血栓的分类识别，具有采集数据直观、计算精度较高、临床应用效果较好的特点。

S2、对待检测的前臂血管图像进行预处理。

可选地，S2中的对待检测的前臂血管图像进行预处理包括：

S21、对待检测的前臂血管图像进行背景去除。

一种可行的实施方式中，为了便于后续处理，本发明首先在去除背景之前对近红外血管图像的大小进行标准化。它们的大小可以设置为1024×768像素。在前臂近红外血管图像中，前臂和背景区域的灰度范围差异很大。需要去除近红外血管图像的背景，以减少背景干扰，使算法更具自适应性。前臂区域明显比背景亮，因为它可以反射更多的近红外光。因此，可以保留手臂部分并轻松删除背景。背景去除的表达式如下式(1)所示：

其中，I(x,y)和N(x,y)分别是原始图像和去除背景后图像在位置(x,y)的灰度值；T_H是背景去除的阈值。

S22、对背景去除后的前臂血管图像进行对比度拉伸。

一种可行的实施方式中，受近红外摄像头光圈设置不同或患者前臂脂肪和肌肉厚度不同的影响，近红外血管图像灰度分布范围广，直接增加了后续手臂血管形态分析的难度。拉伸对比度可以增加前景和背景之间的差异，扩大灰度的动态范围，更容易区分图像中的血管。对比度拉伸的方程定义为下式(2)：

其中，I(x,y)和N(x,y)分别是原始图像和对比拉伸后图像在(x,y)点的灰度值；I_min和I_max分别为原始图像的最小灰度值和最大灰度值；MAX_I是图像像素亮度的最大值。对于灰度图像，如果每个像素用8位数据表示，则MAX_I＝2⁸–1＝255。

S23、对对比度拉伸后的前臂血管图像进行噪声去除。

一种可行的实施方式中，为了抑制前臂近红外血管图像中的噪声，本发明使用中值滤波来去除它。中值滤波器是一种非线性滤波器，可以解决细节模糊的问题，对去除脉冲干扰和图像噪声有很好的效果。其思想是按照灰度强度等级排列像素周围的局部像素，取中间灰度值作为像素的灰度值。中值滤波的去噪过程可以表示为下式(3)：

N(x,y)＝Median{I(x-k,y-l),(k,l)∈w} (3)

其中，I(x,y)和N(x,y)分别是原始图像和去噪后图像的灰度值；w为模板窗口，w的形状可以是直线、正方形、圆形、菱形等。

S3、基于两阶段图像增强方法，对预处理后的前臂血管图像进行图像增强。

可选地，S3中的基于两阶段图像增强方法，对预处理后的前臂血管图像进行图像增强包括：

S31、将预处理后的前臂血管图像输入到残差卷积自动编码器RCAE模型，得到第一图像输出。

一种可行的实施方式中，对于卷积神经网络增强的第一步，考虑使用RCAE(Residual Convolutional Auto-Encoders，残差卷积自动编码器)架构对图像进行网络训练。它能够有针对性地增强血管形状。

S32、将第一图像输出输入到CLAHE(Contrast Limited Adaptive HistogramEqualization，对比度限制自适应直方图均衡)模型，得到第二图像输出。

S33、根据预处理后的前臂血管图像计算组合比系数α。

S34、将第一图像输出以及第二图像输出按照组合比系数进行组合，得到预处理后的前臂血管图像的图像增强结果。

一种可行的实施方式中，两阶段图像增强的过程流程图如图2所示，图像增强能够有效解决近红外血管图像对比度低、血管线条模糊以及血管细节丢失等问题。本发明采用一种两阶段增强方法，将深度卷积神经网络自动编码器与传统增强方法相结合。这种方法能将卷积神经网络和传统图像增强方法的优势相结合，有效增强血管结构并抑制非血管结构。

进一步地，线性组合方法如下式(4)所示：

I＝αI₁+(1-α)I₂ (4)

组合比α由预处理后的前臂血管图像的信息熵决定，其定义如下式(5)所示：

信息熵可以反映图像中的信息量。当信息熵较小时，选择较大的系数α以获得更好的图像增强效果。系数α的计算方法如下式(6)所示：

其中，I是两阶段图像增强的结果图像；I₁和I₂分别是第二步和第一步增强的结果图像；p_i是图像中灰度值为i的像素所占的比例；根据实验观察选择M_H1和M_H2。

进一步地，RCAE模型的结构如图3所示。RCAE由通过残差连接的编码器和解码器块组成。编码器使用输入血管图像，解码器尝试重建其增强版本。在本发明中，输入图像是灰色的，固定大小为1024×768像素；因此，RCAE的编码器由3个块组成，其中每个块包括卷积、激活和归一化。这些块通过池化操作按顺序相互连接，可以减少每个阶段有效输入的空间维度。在本发明中，最大池化是在编码器的2×2窗口上执行的。在解码器端，有连续的3个解码块：每个都由一个卷积和一个反卷积滤波器以及激活和归一化层组成。本发明为解码器中的反卷积保留了2的步幅。该网络包括编码器和解码器中每对块的残差传输。这导致差分组件可以跨层学习输入和目标之间的差异。在编码器和解码器中选择ReLU(RectifiedLinear Unit，整流线性单元)作为激活算子；并且每个块都穿插了一个批归一化层，以减少对训练数据集的依赖，并可以提高网络泛化能力。

进一步地，卷积核的大小是决定输入和深层网络后续层的有效感受野的重要因素。由于血管形状的宽度或厚度在给定的表现形式内变化，卷积核的最佳尺寸可能不容易确定。而尺寸相对较大的滤波器能够学习图像中距离较远的像素的空间关系；较小的过滤器专注于对输入局部补丁中的特征进行编码。在本发明中，模型的卷积核在编码器中从9×9逐渐减小到3×3，而解码器层观察到核大小逐渐增加。并且网络内的通道数量已大幅增加到64，以引入任务所需的复杂性。为了训练RCAE，本发明使用学习率为0.001的Adam优化器来完成计算。一开始，权重可以通过以0为中心、偏差为0.05的高斯归一化的随机值来初始化。

图4显示了原始图像及其掩码，以及参考图像的示例。其中，(a)是预处理后的图像；(b)是(a)的掩码；(c)是参考图像。合成生成的增强近红外血管图像在训练期间被视为参考输出。本发明将增强图像(参考图像)视为实际输入图像和血管标签的二进制掩码的线性组合。因此，本发明可以为训练数据集以二进制掩码的形式手动注释血管位置。如果I_pre是输入的近红外血管图像，I_mask是带有血管结构描述的二进制mask，那么可以得到参考图像I_ref，如下式(7)所示：

I_ref＝βI_pre+(1-β)I_mask (7)

其中，β指的是固定权重参数；I_pre、I_mask和I_ref的尺寸相同，I_mask要提前反色。

S4、根据自适应先验形状水平集演化APSLSE模型以及图像增强后的前臂血管图像，得到待检测的前臂血管图像的血栓类型检测结果。

可选地，S4中的根据自适应先验形状水平集演化APSLSE模型以及图像增强后的前臂血管图像，得到待检测的前臂血管图像的血栓类型检测结果包括：

S41、基于自适应先验形状水平集演化APSLSE模型对图像增强后的前臂血管图像进行图像分割，得到分割区域。

一种可行的实施方式中，本发明提出了一种APSLSE(Adaptive Prior ShapeLevel Set Evolution，自适应先验形状水平集演化)来实现血管分割。与早期的方法相比，它可以成功解决对初始轮廓的敏感性问题，适应水平集演化的方向，更好地配合血管分割应用。

由于初始轮廓对大多数分割模型都有显着影响，因此选择不同的初始轮廓会导致完全不同的分割结果。本发明通过将粗分割结果作为初始轮廓迭代，有效地降低了其对分割结果的影响。图5给出了近红外图像及其典型区域的示例。APSLSE设计了一个关于演化曲线的能量函数，定义如下式(8)所示：

E(φ)＝μR_p(φ)+λL_g(φ)+νA_g(φ)+γE_Shape (8)

其中，μ>0；λ>0；γ>0；ν∈R是能量泛函R_p(φ)、L_g(φ)、A_g(φ)和E_Shape的系数；φ为水平集函数，是能量项E(φ)、R_p(φ)、L_g(φ)、A_g(φ)、E_Shape的变量；R_p(φ)为水平集函数的正则化项；L_g(φ)为水平集函数的长度项；A_g(φ)为水平集函数的面积项；E_Shape为水平集函数的形状约束项。

进一步地，水平集函数的正则化项，如下式(9)所示：

其中，

是梯度算子；p是势(或能量密度)函数；距离正则化项的优选势函数是双阱势，表示为下式(10)：

与DRLSE一样，本发明在APSLSE中引入了距离正则化项，即在传统的主动轮廓模型中的能量函数中加入了一个内部函数来校正水平集函数与有符号距离函数之间的偏差。因此，水平集函数的目的不需要在进化过程中周期性地重新初始化。

进一步地，为了正则化φ的零级轮廓，本发明还使用φ的零级曲线(曲面)的长度，由下式(11)给出：

其中，δ是狄拉克三角函数；g是边缘指示函数。在实践中，函数L_g中的狄拉克三角函数δ由以下平滑函数δ_ε(x)近似，如在许多水平集方法中，定义为下式(12)：

其中，ε是经验设置的参数。边缘指示函数g定义为下式(13)：

其中，G_σ是标准差为σ的高斯核。卷积用于平滑图像以减少噪声。函数g在对象边界处的值通常小于在其他位置处的值。

可选地，针对许多水平集模型中曲线演化是单向运动的问题，将其与LBF(LocalBinary Fitting,局部二值拟合)方法相结合，使其能够自适应地改变水平集模型的运动方向。水平集函数的面积项，如下式(14)所示：

其中，ν₁和ν₂为系数，并且ν₁、ν₂∈R；Ω为域；x∈Ω为域上的一个点；g为边缘指示函数；H为赫维赛德Heaviside函数，由下式(15)平滑函数H_ε(x)逼近；ε^LBF为局部二值拟合LBF的能量泛函。

显然，面积项是一个变量。局部为正时，进行收缩运动；不同的是，当它在局部区域为负时，它会进行扩张运动。因此，无论初始轮廓是否与目标相交，本发明的模型都可以根据图像信息进行适当的运动。

进一步地，为了克服大多数水平集方法对初始轮廓敏感的问题，本发明提出了一种基于Hessian矩阵的形状约束。由于图像中的血管结构是线性的，基于Hessian矩阵特征值的多尺度血管增强滤波器可以很好地利用这一特性来提取血管。它利用Hessian矩阵的特征值与线性目标之间的关系构造血管相似度函数V(x)来检测线性目标，并使用多尺度融合来解决不同血管大小的情况。图像经过多尺度滤波后，血管目标处的血管相似度函数具有较大的V(x)值(V(x)∈[0,1])，而其他非血管目标处的相似度函数值为小或0。然后可以将血管轮廓曲线定义为C_shape＝{x|V(x)＝T}，其中阈值T∈[0,1]。

在本发明中，Rousson等人提出的有符号距离函数。用于表示血管形状，如下式(16)所示：

其中，d(x,C_shape)是像素x和曲线C_shape之间的欧几里得距离；图像中血管的形状可以用有符号距离函数表示；R_C是图像平面Ω中由C_shape定义的区域。因此，初始化水平集函数可以设置为(x,C_shape)，如下式(17)所示：

Φ(0,x,C)＝Ψ(x,C_shape) (17)

其中，Φ为演化曲线距离函数，即目标边曲线的水平集表示；Ψ是先验形状轮廓曲线的距离函数。先验形状水平集分割模型使用曲线形状能量函数来惩罚偏离先验形状的曲线。

可选地，水平集函数的形状约束项如下式(18)所示：

E_shape＝∫_Ω(H(Φ)-H(Ψ))²dx (18)

其中，Ω为域；x∈Ω为域上的一个点；H为赫维赛德Heaviside函数；Φ为演化曲线距离函数；Ψ为先验形状轮廓曲线的距离函数。

S42、对图像分割后的前臂血管图像进行二值化处理，得到二值化的前臂血管图像。

S43、对二值化的前臂血管图像进行骨架提取，得到前臂血管骨架图像。

S44、沿前臂血管骨架图像中的血管位置截取局部图像。

一种可行的实施方式中，以骨架上的点为中心截取局部图像，并调用SVM模型对其进行血栓检测。

S45、根据局部图像以及训练好的支持向量机SVM模型，得到待检测的前臂血管图像的血栓类型检测结果。

一种可行的实施方式中，保持一定间距遍历骨架，完成对整幅图像中血管部位的血栓检测。

进一步地，若所有局部图像均不存在血栓则认为该图像不存在血栓，若局部图像存在血栓则用红框标记表示当前位置存在血栓。

可选地，S45中的SVM(Support Vector Machine，支持向量机)模型的训练过程包括：

S451、获取样本局部图像，对样本局部图像进行增强处理。

S452、对增强后的样本局部图像进行图像特征提取，得到样本局部图像的多个特征；其中，多个特征包括几何特征、灰度特征、梯度特征以及纹理特征。

一种可行的实施方式中，几何特征(圆度)的计算方法，如下式(19)所示：

其中，A为该区域面积，P为该区域周长。计算分割后各连通区域的圆度，若包含多个区域则取最接近1的值。

灰度特征包括灰度平均值、灰度方差、等效视数、熵。

其中，灰度平均值的计算方法，如下式(20)所示：

其中，f(x,y)表示图像f对应像素点(x,y)的灰度值；M和N分别为图像的宽和高。

灰度方差的计算方法，如下式(21)所示：

D_var(f)＝∑_y∑_x|f(x,y)-μ|² (21)

其中，μ为整幅图像的平均灰度值。

等效视数的计算方法，如下式(22)所示：

熵的计算方法，如下式(23)所示：

其中，p_i表示图像中灰度值为i的像素出现的概率，L为灰度级总数(通常取值256)。

梯度特征包括平均梯度、Brenner梯度、能量梯度、Vollath函数。

其中，平均梯度的计算方法，如下式(24)所示：

其中，

和

分别表示水平和垂直方向的梯度。

Brenner梯度的计算方法，如下式(25)所示：

D_Brenner(f)＝∑_y∑_x|f(x+2,y)-f(x,y)|² (25)

能量梯度的计算方法，如下式(26)所示：

D_ene(f)＝∑_y∑_x(|f(x+1,y)-f(x,y)|²+|f(x,y+1)-f(x,y)|²) (26)

Vollath梯度的计算方法，如下式(27)所示：

D_Vollath(f)＝∑_y∑_xf(x,y)*f(x+1,y)-M*N*μ² (27)

纹理特征(灰度共生矩阵)包括：

能量的计算方法，如下式(28)所示：

En(f)＝∑_y∑_xf(x,y)² (28)

对比度的计算方法，如下式(29)所示：

相关性的计算方法，如下式(30)所示：

熵的计算方法，如下式(31)所示：

Ent(f)＝-∑_y∑_xf(x,y)log(f(x,y)) (31)

其中，μ_x＝∑_y∑_xxf(x,y)；μ_y＝∑_y∑_xyf(x,y)；

S453、根据多个特征对支持向量机SVM模型进行训练，得到训练好的支持向量机SVM模型。

一种可行的实施方式中，支持向量机(Support Vector Machine,SVM)可以算是监督学习这一类机器学习方法中性能最好的算法之一，对于学习复杂程度极高的非线性方程有着极为优秀的稳定性与准确性。其优势在于能在异常复杂的高维特征空间中寻找到很好的分类模型。在该应用中，由于样本数量有限，故选择所需训练样本数量较小的传统机器学习算法SVM。

可选地，根据局部图像以及深度学习网络，得到待检测的前臂血管图像的血栓类型检测结果。

一种可行的实施方式中，早期血栓的识别可以采用支持向量机的方式，也可以采用深度学习网络的方式，采用深度学习网络不需要人为设计特征，网络根据标注的结果自动计算抽象特征。

进一步地，本发明所提出的计算流程图如图6所示，前臂血管的图像是从近红外图像采集装置获得的，然后首先进行图像预处理。预处理包括背景去除、对比度拉伸和噪声去除。图像增强能够有效解决近红外血管图像对比度低、血管线条模糊以及血管细节丢失等问题。本发明采用一种两阶段增强方法，将深度卷积神经网络自动编码器与传统增强方法相结合。这种方法能将卷积神经网络和传统图像增强方法的优势相结合，有效增强血管结构并抑制非血管结构。之后进行血管形状的分割和提取。在本发明中，提出了一种APSLSE来实现血管分割。与早期的方法相比，它可以成功解决对初始轮廓的敏感性问题，适应水平集演化的方向，更好地配合血管分割应用。

本发明实施例中，所设计方法能够较为清晰直观的采集到浅层血管图像，有利于后续各类图像处理、模式识别算法的设计与应用。

其次，所设计的方法，能够同时进行动静脉内瘘血栓的检测与标记/干预，具有使用方便、信息处理可靠、自动化程度高的优点，可以显著提高病患对诊疗结果的满意度。

再次，所设计方法综合采用具有几何约束的主动轮廓/水平集方法进行浅层血管分割，具有计算结果可靠、精度高的优点。

最后，所设计方法智能化水平高，综合采用了水平集方法、机器学习技术，实现了对血管分割的精确计算。采用深度学习网络进行动静脉内瘘血栓的分类识别，具有检测精度高、计算鲁棒性高的优点，实验表明所设计方法对不同性别人员计算效果均较高，达90％以上。

如图7所示，本发明实施例提供了一种动静脉内瘘血栓检测装置700，该装置700应用于实现动静脉内瘘血栓检测方法，该装置700包括：

获取模块710，用于获取待检测的前臂血管图像。

预处理模块720，用于对待检测的前臂血管图像进行预处理。

图像增强模块730，用于基于两阶段图像增强方法，对预处理后的前臂血管图像进行图像增强。

输出模块740，用于根据自适应先验形状水平集演化APSLSE模型以及图像增强后的前臂血管图像，得到待检测的前臂血管图像的血栓类型检测结果。

可选地，获取模块710，进一步用于：

通过近红外图像采集装置获取待检测的前臂的浅层近红外血管图像。

可选地，预处理模块720，进一步用于：

S21、对待检测的前臂血管图像进行背景去除。

S22、对背景去除后的前臂血管图像进行对比度拉伸。

S23、对对比度拉伸后的前臂血管图像进行噪声去除。

可选地，图像增强模块730，进一步用于：

S31、将预处理后的前臂血管图像输入到残差卷积自动编码器RCAE模型，得到第一图像输出。

S32、将第一图像输出输入到对比度限制自适应直方图均衡CLAHE模型，得到第二图像输出。

S33、根据预处理后的前臂血管图像计算组合比系数。

S34、将第一图像输出以及第二图像输出按照组合比系数进行组合，得到预处理后的前臂血管图像的图像增强结果。

可选地，输出模块740，进一步用于：

S41、基于自适应先验形状水平集演化APSLSE模型对图像增强后的前臂血管图像进行图像分割，得到分割区域。

S42、对图像分割后的前臂血管图像进行二值化处理，得到二值化的前臂血管图像。

S43、对二值化的前臂血管图像进行骨架提取，得到前臂血管骨架图像。

S44、沿前臂血管骨架图像中的血管位置截取局部图像。

S45、根据局部图像以及训练好的支持向量机SVM模型，得到待检测的前臂血管图像的血栓类型检测结果；

或根据局部图像以及深度学习网络，得到待检测的前臂血管图像的血栓类型检测结果。

可选地，基于自适应先验形状水平集演化APSLSE模型中的能量函数，如下式(1)所示：

E(φ)＝μR_p(φ)+λL_g(φ)+νA_g(φ)+γE_Shape (1)

其中，μ>0；λ>0；γ>0；ν∈R；φ为水平集函数；R_p(φ)为水平集函数的正则化项；L_g(φ)为水平集函数的长度项；A_g(φ)为水平集函数的面积项；E_Shape为水平集函数的形状约束项。

可选地，水平集函数的面积项，如下式(2)所示：

其中，ν₁和ν₂为系数，ν₁、ν₂∈R；Ω为域；x∈Ω为域上的一个点；g为边缘指示函数；H为赫维赛德Heaviside函数；ε^LBF为局部二值拟合LBF的能量泛函。

可选地，水平集函数的形状约束项如下式(3)所示：

E_shape＝∫_Ω(H(Φ)-H(Ψ))²dx (3)

其中，Ω为域；x∈Ω为域上的一个点；H为赫维赛德Heaviside函数；Φ为演化曲线距离函数；Ψ为先验形状轮廓曲线的距离函数。

可选地，输出模块，进一步用于：

S451、获取样本局部图像，对样本局部图像进行增强处理。

S452、对增强后的样本局部图像进行图像特征提取，得到样本局部图像的多个特征；其中，多个特征包括几何特征、灰度特征、梯度特征以及纹理特征。

S453、根据多个特征对支持向量机SVM模型进行训练，得到训练好的支持向量机SVM模型。

本发明实施例中，所设计方法能够较为清晰直观的采集到浅层血管图像，有利于后续各类图像处理、模式识别算法的设计与应用。

其次，所设计的方法，能够同时进行动静脉内瘘血栓的检测与标记/干预，具有使用方便、信息处理可靠、自动化程度高的优点，可以显著提高病患对诊疗结果的满意度。

再次，所设计方法综合采用具有几何约束的主动轮廓/水平集方法进行浅层血管分割，具有计算结果可靠、精度高的优点。

最后，所设计方法智能化水平高，综合采用了水平集方法、机器学习技术，实现了对血管分割的精确计算。采用深度学习网络进行动静脉内瘘血栓的分类识别，具有检测精度高、计算鲁棒性高的优点，实验表明所设计方法对不同性别人员计算效果均较高，达90％以上。

图8是本发明实施例提供的一种电子设备800的结构示意图，该电子设备800可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(centralprocessing units，CPU)801和一个或一个以上的存储器802，其中，存储器802中存储有至少一条指令，至少一条指令由处理器801加载并执行以实现下述动静脉内瘘血栓检测方法：

S1、获取待检测的前臂血管图像。

S2、对待检测的前臂血管图像进行预处理。

S3、基于两阶段图像增强方法，对预处理后的前臂血管图像进行图像增强。

S4、根据自适应先验形状水平集演化APSLSE模型以及图像增强后的前臂血管图像，得到待检测的前臂血管图像的血栓类型检测结果。

在示例性实施例中，还提供了一种计算机可读存储介质，例如包括指令的存储器，上述指令可由终端中的处理器执行以完成上述动静脉内瘘血栓检测方法。例如，计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也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，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种动静脉内瘘血栓检测方法，其特征在于，所述方法包括：

S1、获取待检测的前臂血管图像；

S2、对所述待检测的前臂血管图像进行预处理；

S3、基于两阶段图像增强方法，对预处理后的前臂血管图像进行图像增强；

S4、根据自适应先验形状水平集演化APSLSE模型以及图像增强后的前臂血管图像，得到待检测的前臂血管图像的血栓类型检测结果。

2.根据权利要求1所述的方法，其特征在于，所述S1中的获取待检测的前臂血管图像包括：

通过近红外图像采集装置获取待检测的前臂的浅层近红外血管图像。

3.根据权利要求1所述的方法，其特征在于，所述S2中的对所述待检测的前臂血管图像进行预处理包括：

S21、对所述待检测的前臂血管图像进行背景去除；

S22、对背景去除后的前臂血管图像进行对比度拉伸；

S23、对对比度拉伸后的前臂血管图像进行噪声去除。

4.根据权利要求1所述的方法，其特征在于，所述S3中的基于两阶段图像增强方法，对预处理后的前臂血管图像进行图像增强包括：

S31、将预处理后的前臂血管图像输入到残差卷积自动编码器RCAE模型，得到第一图像输出；

S32、将所述第一图像输出输入到对比度限制自适应直方图均衡CLAHE模型，得到第二图像输出；

S33、根据所述预处理后的前臂血管图像计算组合比系数；

S34、将所述第一图像输出以及第二图像输出按照所述组合比系数进行组合，得到预处理后的前臂血管图像的图像增强结果。

5.根据权利要求1所述的方法，其特征在于，所述S4中的根据自适应先验形状水平集演化APSLSE模型以及图像增强后的前臂血管图像，得到待检测的前臂血管图像的血栓类型检测结果包括：

S41、基于自适应先验形状水平集演化APSLSE模型对图像增强后的前臂血管图像进行图像分割；

S42、对图像分割后的前臂血管图像进行二值化处理，得到二值化的前臂血管图像；

S43、对所述二值化的前臂血管图像进行骨架提取，得到前臂血管骨架图像；

S44、沿所述前臂血管骨架图像中的血管位置截取局部图像；

S45、根据所述局部图像以及训练好的支持向量机SVM模型，得到待检测的前臂血管图像的血栓类型检测结果；

或根据所述局部图像以及深度学习网络，得到待检测的前臂血管图像的血栓类型检测结果。

6.根据权利要求5所述的方法，其特征在于，所述S41中的基于自适应先验形状水平集演化APSLSE模型中的能量函数，如下式(1)所示：

E(φ)＝μR_p(φ)+λL_g(φ)+νA_g(φ)+γE_Shape (1)

其中，μ>0；λ>0；γ>0；ν∈R；φ为水平集函数；R_p(φ)为水平集函数的正则化项；L_g(φ)为水平集函数的长度项；A_g(φ)为水平集函数的面积项；E_Shape为水平集函数的形状约束项。

7.根据权利要求6所述的方法，其特征在于，所述水平集函数的面积项，如下式(2)所示：

其中，ν₁和ν₂为系数，ν₁、ν₂∈R；Ω为域；x∈Ω为域上的一个点；g为边缘指示函数；H为赫维赛德Heaviside函数；ε^LBF为局部二值拟合LBF的能量泛函。

8.根据权利要求6所述的方法，其特征在于，所述水平集函数的形状约束项如下式(3)所示：

E_shape＝∫_Ω(H(Φ)-H(Ψ))²dx (3)

其中，Ω为域；x∈Ω为域上的一个点；H为赫维赛德Heaviside函数；Φ为演化曲线距离函数；Ψ为先验形状轮廓曲线的距离函数。

9.根据权利要求5所述的方法，其特征在于，所述S45中的支持向量机SVM模型的训练过程包括：

S451、获取样本局部图像，对所述样本局部图像进行增强处理；

S452、对增强后的样本局部图像进行图像特征提取，得到样本局部图像的多个特征；其中，所述多个特征包括几何特征、灰度特征、梯度特征以及纹理特征；

S453、根据所述多个特征对支持向量机SVM模型进行训练，得到训练好的支持向量机SVM模型。

10.一种动静脉内瘘血栓检测装置，其特征在于，所述装置包括：

获取模块，用于获取待检测的前臂血管图像；

预处理模块，用于对所述待检测的前臂血管图像进行预处理；

图像增强模块，用于基于两阶段图像增强方法，对预处理后的前臂血管图像进行图像增强；

输出模块，用于根据自适应先验形状水平集演化APSLSE模型以及图像增强后的前臂血管图像，得到待检测的前臂血管图像的血栓类型检测结果。

Images