本发明专利技术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。本发明专利技术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。临床应用效果较好的特点。临床应用效果较好的特点。
【技术实现步骤摘要】
一种动静脉内瘘血栓检测方法及装置
[0001]本专利技术涉及图像处理
，特别是指一种动静脉内瘘血栓检测方法及装置。
技术介绍
[0002]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。
[0003]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。
[0004]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。
[0005]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。
技术实现思路
[0006]本专利技术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，提出了本专利技术。
[0007]为解决上述技术问题，本专利技术提供如下技术方案：
[0008]一方面，本专利技术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：
[0009]S1、获取待检测的前臂血管图像。
[0010]S2、对待检测的前臂血管图像进行预处理。
[0011]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。
[0012]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。
[0013]可选地，S1中的获取待检测的前臂血管图像包括：
[0014]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。
[0015]可选地，S2中的对待检测的前臂血管图像进行预处理包括：
[0016]S21、对待检测的前臂血管图像进行背景去除。
[0017]S22、对背景去除后的前臂血管图像进行对比度拉伸。
[0018]S23、对对比度拉伸后的前臂血管图像进行噪声去除。
[0019]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：
[0020]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。
[0021]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。
[0022]S33、根据预处理后的前臂血管图像计算组合比系数。
[0023]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。
[0024]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：
[0025]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。
[0026]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。
[0027]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。
[0028]S44、沿前臂血管骨架图像中的血管位置截取局部图像。
[0029]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；
[0030]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。
[0031]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：
[0032]E(φ)＝μR
p
(φ)+λL
g
(φ)+νA
g
(φ)+γE
Shape
ꢀꢀꢀ
(1)
[0033]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。
[0034]可选地，水平集函数的面积项，如下式(2)所示：
[0035][0036]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。
[0037]可选地，水平集函数的形状约束项如下式(3)所示：
[0038]E
shape
＝∫
Ω
(H(Φ)
‑
H(Ψ))2dx
ꢀꢀꢀ
(3)
[0039]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。
[0040]可选地，S45中的支持向量机SVM模型的训练过程包括：
[0041]S451、获取样本局部图像，对样本局部图像进行增强处理。
[0042]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。...
【技术保护点】
【技术特征摘要】
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
【专利技术属性】
技术研发人员：刘皓挺，李亚杰，
申请(专利权)人：北京科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。