论文部分内容阅读
为了实现人体手臂静脉血管穿刺的全自动化,本文提出了一种基于深度学习的手臂静脉血管自动检测算法模块,该模块分为两个子模块,分别负责血管区域检测和穿刺点定位。首先,针对传统目标检测方法难以同时处理的几类血管图像(凸起、普通和模糊血管),本文采用基于深度学习的Faster-RCNN目标检测模块来检测血管区域。然后通过穿刺点定位模块来精细化提取血管区域内的血管结构,并通过图像细化、直线拟合来确定穿刺点位置和穿刺方向。通过对测试集中的1200张图像进行实验测试,实验结果表明:凸起血管区域、普通血管区域和分模糊管区域的分类准确率依次为:0.998、0.993和0.960,测试一张图片的平均耗时为0.335秒。说明该方法对人体手臂静脉血管的检测精度和实时性均达到临床要求,可作为静脉血管自动穿刺的辅助方法。本文开展的研究工作主要可归纳为以下几个方面:(1)调研了国内外静脉穿刺辅助技术和静脉检测技术的研究现状。总结出传统静脉检测方法所面临的问题,即算法结构复杂、自动化程度不高、模型泛化能力较弱。(2)深入研究了目标检测的相关理论。总结分析了传统目标检测方法中具有代表性的特征模型和分类方法,重点研究了SIFT和HOG特征以及k-NN、SVM、AdaBoost等分类方法;同时介绍了深度学习的框架,并对基于深度学习的目标检测算法的理论基础做了深入研究。Faster-RCNN目标检测算法改进了传统目标检测算法中的特征提取和区域推荐方式,实现了目标检测的全自动化,并在检测的精度、鲁棒性和泛化能力上体现出极大优势。(3)提出了基于深度学习的静脉血管自动检测模块。该模块分为两个子模块,第一个子模块利用Faster-RCNN算法完成对各类血管区域的检测;第二个子模块利用传统的图像算法对血管区域的血管结构进行精细化提取,最终确定最佳穿刺点与穿刺方向。(4)对静脉血管自动检测模块进行了性能测试。利用精确度、召回率、运行耗时等指标对模块的检测性能进行评定,测试结果表明本文提出的静脉血管自动检测模块在自动化程度、精确度、工作效率和鲁棒性等方面达到了市场化应用的技术指标要求。