[发明专利]一种基于深度学习的自动血管穿刺方法

说明书

本发明涉及一种基于深度学习的自动血管穿刺方法，包括获取待穿刺部分的血管图片，进行灰度化处理后载入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，根据血管内可穿刺区域进行血管穿刺；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，收缩路径进行下采样；扩展路径进行上采样并与收缩路径中对应尺寸的图片拼接，扩展路径输出深度为3的图片；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。与现有技术相比，本发明通过图像三分类实现了对血管内可穿刺区域的识别，有利于实现自动血管穿刺，进一步避免护士与病人在扎针时的接触。

技术领域

本发明涉及血管穿刺领域，尤其是涉及一种基于深度学习的自动血管穿刺方法。

背景技术

在世界疫情日益严重的背景下，避免人与人之间的接触可以最大程度上避免病毒的传播，从而尽早结束疫情。而在日常的医疗中，护士与病人在扎针时的接触不可避免，而一个可以实现自动扎针的机器人就可以避免这种情况，而如何寻找血管在实现自动扎针机器人中必不可少。

现有的血管图像分割技术中，通常采用SIFT算法或基于边界、区域的分割技术。然而，这些基于传统图像处理方法的血管图像分割技术可能会产生以下问题：1.模型基于特征点的纹理特点，表达能力不足。在医疗过程中，一条血管的超声成像周围具有许多噪声的干扰，难以形成有效的纹理供模型检查。2.没有深度学习技术的支撑，在精度、准确度以及模型的泛化能力上都不能得益于神经网络强大的能力。3.传统算法通常用于区分血管部分与背景部分。

中国专利CN201710145321.4给出了一种基于PCNN的视网膜血管图像分割方法及系统，在该方法中，利用了种子区域增长与阈值处理的图像预处理技术对视网膜血管进行分割。阈值处理技术是一种较为粗糙的处理技术，提供给PCNN预处理图像已经丧失了一部分的细节信息，而这些信息能够被神经网络掌握并加以利用。并且分段式的处理方法不具有端到端模型的易训练优点，难以快速应用到其他场景。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种有利于实现自动血管穿刺的一种基于深度学习的自动血管穿刺方法。

本发明的目的可以通过以下技术方案来实现：

一种基于深度学习的自动血管穿刺方法，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。

进一步地，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。

进一步地，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。