论文部分内容阅读
医学临床介入的第一步通常是建立一条安全、有效、方便进入静脉的通路。传统的人工盲穿和超声引导下人工穿刺的穿刺成功率严重依赖于医护人员的穿刺经验及病患的血管条件,临床亟待一种智能静脉穿刺解决方案。本课题研究对象为智能穿刺系统中的超声引导图像,通过智能检测、定位和跟踪图像中的穿刺靶血管,更好地实现自动引导穿刺。首先通过对比人工特征与不同机器学习算法组成的静脉检测器的检测效果,选择Haar特征结合级联Adaboost算法检测血管,该方法对目标的召回为0.90。然后尝试采用基于深度学习的目标检测算法进行血管检测,由于医学图像获取较困难,数据量无法充分训练深度学习模型,在验证了微调预训练的ImageNet模型对超声图像的识别有效性后,本文借助Faster R-CNN(Regions with Convolutional Neural Network features)的交替训练方法,实现自然数据集到静脉超声图像数据集上的迁移学习,完成在有限注释样本情况下的静脉检测训练,检测器的AP值为0.896。提出的逐层筛选策略不仅能够准确筛选出超声图像中的穿刺靶血管,还有助于穿刺过程中的人机友好交互。针对穿刺靶血管位置的精准定位,提出了两种静脉管径的测量方法,一种方法是基于评估后自适应选取的阈值分割血管,然后向上、下分别扫描静脉血管的上下边缘轮廓。另一种方法是基于大津法分割血管,运用形态学开运算对二值图像进行预处理,然后采用与方法一类似的方式计算管径信息,结合管径信息再对静脉的深度信息进行矫正。在上肢静脉超声图像测试集上进行试验,方法一和方法二的准确率分别为93.0%和99.4%,基于大津法和形态学处理的方法对上肢静脉超声图像管径测量效果更佳。针对穿刺过程中穿刺靶血管的实时跟踪,利用基于核化相关滤波思想的目标跟踪算法,实时跟踪穿刺靶目标的位置变化,以供穿刺机械手在穿刺过程中实时调整进针的角度和行程,保证穿刺成功率。