[发明专利]一种基于深度学习的自动血管穿刺方法

权利要求书

1.一种基于深度学习的自动血管穿刺方法，其特征在于，该方法具体为，获取待穿刺部分的血管图片，将该血管图片进行灰度化处理，将灰度化处理后的血管图片载入预先建立并训练好的卷积神经网络模型中，获取血管图片中的背景、血管内可穿刺区域和血管内不可穿刺区域，根据所述血管内可穿刺区域进行血管穿刺；

所述卷积神经网络模型包括依次连接的收缩路径、扩展路径和激活函数，

所述收缩路径用于对输入图片进行下采样；

所述扩展路径用于对收缩路径输出的图片进行上采样并与收缩路径中对应尺寸的图片拼接，所述扩展路径输出深度为3的图片；

所述激活函数对扩展路径输出的图片的第三个维度进行三分类，并选取三分类结果中的最大值作为最终的输出；

所述激活函数的处理过程具体为，对扩展路径输出的图片的第三个维度进行三分类，得到对于每一个像素点的三分类得分，分别为[V₀,V₁,V₂]，选取V₀,V₁,V₂中的最大值所在的位置作为最终的输出，若V₀最大，则对应像素的分类值为0，若V₁最大，则对应像素的分类值为1，若V₂最大，则对应像素的分类值为2；

若像素点为0，则表示背景，若像素点为1则代表血管可穿刺部分，若像素点为2则代表血管不可穿刺部分。

2.根据权利要求1所述的一种基于深度学习的自动血管穿刺方法，其特征在于，所述输入图片的大小为256*256*1，所述收缩路径包括依次对输入图片进行两次卷积操作，使得隐藏层大小为256*256*64，然后重复执行一次下采样和两次卷积操作，直至图片的大小为32*32*512。

3.根据权利要求2所述的一种基于深度学习的自动血管穿刺方法，其特征在于，所述扩展路径对所述收缩路径输出的图片重复执行一次上采样和一次拼接，直至图像大小为256*256*3。

4.根据权利要求1所述的一种基于深度学习的自动血管穿刺方法，其特征在于，所述卷积神经网络模型的损失函数采用Logistic回归。

5.根据权利要求1所述的一种基于深度学习的自动血管穿刺方法，其特征在于，所述血管图片为采用近红外相机获取的血管近红外图片。

6.根据权利要求5所述的一种基于深度学习的自动血管穿刺方法，其特征在于，所述灰度化处理的计算表达式为：

式中，Grey为灰度化处理结果，R为血管图片的R维数值，G为血管图片的G维数值，B为血管图片的B维数值。

7.根据权利要求6所述的一种基于深度学习的自动血管穿刺方法，其特征在于，所述自动血管穿刺方法还包括对灰度化处理后的血管图片进行标准化处理，然后载入所述卷积神经网络模型中。

8.根据权利要求1所述的一种基于深度学习的自动血管穿刺方法，其特征在于，所述卷积神经网络模型的训练过程包括：将预先收集并标注好的血管近红外数据集随机分为训练集和测试集，将所述训练集载入卷积神经网络模型进行训练，通过所述测试集对卷积神经网络模型进行验证，直至达到预设的训练标准；

所述卷积神经网络模型的训练过程中采用反向传播算法对参数进行更新。

9.根据权利要求8所述的一种基于深度学习的自动血管穿刺方法，其特征在于，所述血管近红外数据集包括经过灰度化处理和标准化处理后的血管近红外图片及其一一对应的Mask图片，所述Mask图片的尺寸与血管近红外数据集中的血管近红外图片相同，所述Mask图片通过三个不同的数值区分背景、血管内可穿刺区域和血管内不可穿刺区域。