基于改進(jìn)的種子生長(zhǎng)算法輔助靜脈穿刺的研究*

馬尉騰,呂勇

(嘉興學(xué)院機(jī)電工程學(xué)院，浙江 嘉興 314001)

1 引 言

近年來(lái)由于科技的迅猛發(fā)展，人們的信息安全問(wèn)題變得越來(lái)越重要，因而生物特征識(shí)別技術(shù)成為人們研究的焦點(diǎn)[1]。生物特征識(shí)別技術(shù)分為接觸式與非接觸式，靜脈識(shí)別屬于非接觸式的生物特征識(shí)別技術(shù)。

手臂靜脈識(shí)別，主要是利用靜脈血管的結(jié)構(gòu)來(lái)進(jìn)行身份識(shí)別，由于靜脈的紋路包含大量特征信息，故而可以用來(lái)作為驗(yàn)證對(duì)象。其原理是利用靜脈血管與肌肉、骨骼之間對(duì)特定波長(zhǎng)紅外光不同的吸收特性來(lái)進(jìn)行靜脈血管造影，然后對(duì)得到的圖像提取其骨架來(lái)識(shí)別不同的人[2],但它在臨床醫(yī)療領(lǐng)域中的研究甚少。靜脈穿刺是臨床最為常見(jiàn)的基礎(chǔ)護(hù)理操作，是臨床工作的重要內(nèi)容，然而，在日常操作過(guò)程中，護(hù)理人員會(huì)因?yàn)楦鞣N客觀因素使患者靜脈不易評(píng)估，從而導(dǎo)致穿刺失敗或者反復(fù)穿刺，如患者手臂肥胖、血管較細(xì)等各種原因，甚至還造成注射室的擁擠不堪[3]。因而，我們提出一種輔助手臂靜脈注射的方法，對(duì)于醫(yī)療領(lǐng)域具有重大的現(xiàn)實(shí)意義。它不但可以提高靜脈穿刺輸液治療的護(hù)理質(zhì)量，減輕患者痛苦，而且能對(duì)全自動(dòng)靜脈檢測(cè)與注射系統(tǒng)的研制提供一定指導(dǎo)。

本研究結(jié)合靜脈圖像處理與檢測(cè)的過(guò)程，對(duì)靜脈每一段進(jìn)行標(biāo)號(hào)與分析，再根據(jù)實(shí)際靜脈注射的要求選取合適的部分進(jìn)行標(biāo)明，主要包括圖像采集、預(yù)處理、特征提取、二值化、模板匹配。整體檢測(cè)流程框圖見(jiàn)圖1。

圖1 手臂靜脈檢測(cè)與標(biāo)明流程圖Fig 1 Arm vein recognition and identification flow chart

2 靜脈圖像采集與預(yù)處理

2.1 主動(dòng)紅外成像技術(shù)[4-5]

圖2所示是血液中氧合血紅蛋白(動(dòng)脈血)與還原血紅蛋白(靜脈血)的光吸收特性，是分子吸收系數(shù)與光譜波長(zhǎng)之間的曲線關(guān)系。從圖中可以看出，在由可見(jiàn)光區(qū)逐漸過(guò)渡到近紅外區(qū)的過(guò)程中，在大約 760 nm 的近紅外區(qū)，靜脈血對(duì)紅外光的吸收達(dá)到了一個(gè)峰值，分子吸收系數(shù)接近 1000，而雖然動(dòng)脈血的紅外吸收有上升的趨勢(shì)，但曲線增長(zhǎng)緩慢， 分子吸收系數(shù)也僅有200，是靜脈血的五分之一。故采用760 nm左右的紅外光源及窄帶紅外攝像頭進(jìn)行采集。采集系統(tǒng)見(jiàn)圖3。

圖2 血紅蛋白的光譜特性Fig 2 Spectral characteristics of hemoglobin

圖3 靜脈圖像采集系統(tǒng)Fig 3 Vein image acquisition system

2.2 靜脈圖像預(yù)處理

紅外攝像頭采集到的圖像中包含有背景與手臂邊緣，不利于進(jìn)行后續(xù)的處理，因此對(duì)得到的靜脈圖像進(jìn)行以下預(yù)處理操作。

(1) 感興趣區(qū)域的提取 ：采用Sobel算子進(jìn)行邊緣檢測(cè)，并以獲得的兩條邊界以內(nèi)的部分來(lái)代表整個(gè)手臂的圖像。

(2) 歸一化以及濾波去噪：將圖像大小設(shè)為200×300并經(jīng)行灰度歸一化，然后用7×7的高斯模板進(jìn)行低通濾波。

3 靜脈圖像檢測(cè)與標(biāo)明

3.1 特征提取并二值化

采用基于方向谷形檢測(cè)的靜脈紋路分割，即利用8個(gè)方向的方向算子對(duì)圖像進(jìn)行特征提取，然后用Niblack算法對(duì)所得圖像進(jìn)行二值化，由于分割后圖像會(huì)存在一些噪聲，所以還需對(duì)圖像進(jìn)行濾波[6-7]。

3.2 改進(jìn)的種子生長(zhǎng)法

本研究由二值化后圖像先進(jìn)行一種簡(jiǎn)單的查表法來(lái)進(jìn)行細(xì)化處理，然后對(duì)圖像進(jìn)行標(biāo)號(hào)，由于細(xì)化后的圖像會(huì)存在一些毛刺，因此在標(biāo)號(hào)之后還要進(jìn)行剪裁。

種子生長(zhǎng)是指從某個(gè)像素出發(fā)，按照一定的灰度閾值的準(zhǔn)則，逐步加入鄰近像素，當(dāng)滿足一定的條件時(shí)，種子生長(zhǎng)終止[8]。分析本研究所得靜脈骨架圖像可知，骨架就是由端點(diǎn)與端點(diǎn)、端點(diǎn)與分支點(diǎn)、分支點(diǎn)與分支點(diǎn)組成，利用種子生長(zhǎng)的原理可將其中的所有端點(diǎn)與分支點(diǎn)視為“種子點(diǎn)”，由于在任意一段以8鄰域或4鄰域連續(xù)的靜脈骨架中“種子點(diǎn)”數(shù)總比靜脈段數(shù)大1，故而遍歷所有“種子點(diǎn)”即可將每一段靜脈都實(shí)現(xiàn)標(biāo)號(hào)出來(lái)。具體步驟如下：

(1)遍歷骨架圖像記錄所有端點(diǎn)以及分支點(diǎn)作為種子點(diǎn)。

(2)遍歷所有種子點(diǎn)，每經(jīng)過(guò)一個(gè)種子點(diǎn)編號(hào)一段靜脈，并將編號(hào)值值加1。

(3)當(dāng)遍歷到的種子點(diǎn)8鄰域未檢測(cè)到靜脈骨架時(shí)，跳過(guò)該種子點(diǎn)。

圖4、圖5為該方法的一個(gè)例子。

經(jīng)過(guò)該方法對(duì)靜脈骨架編號(hào)后，每一段靜脈變成由不同的編號(hào)值組成的8鄰域連通段，后續(xù)對(duì)最佳穿刺點(diǎn)的提取即對(duì)這些靜脈分支進(jìn)行分析并計(jì)算最佳部位。

4 穿刺部位標(biāo)明

4.1 靜脈分段斜率與斜率方差計(jì)算

分別對(duì)每一段被編號(hào)靜脈進(jìn)行多次斜率計(jì)算并取參數(shù)n作為每一次計(jì)算相隔的像素點(diǎn)個(gè)數(shù)，將這些斜率視為隨機(jī)變量K，由于我們要選取的靜脈要求具有一定長(zhǎng)度并且彎曲度較小，因而對(duì)隨機(jī)變量K求方差σ即可確定K對(duì)于均值的偏離程度，比較σ就可確定我們想要的靜脈分支。

圖4 骨架標(biāo)記種子點(diǎn)Fig 4 Skeleton marker seed points

圖5 骨架編號(hào)Fig 5 skeleton number K=k1,k2,k3,…ki (i=1,2,3…N)

(1)

(2)

其中式(2)中μ為隨機(jī)變量K的均值，N為每一段靜脈計(jì)算斜率的次數(shù)，ki為每次計(jì)算的斜率值。

4.2 提取最佳注射部位

由于獲得的最佳靜脈分支仍具有一定的長(zhǎng)度，為了盡量減小醫(yī)護(hù)人員選擇的范圍，故需對(duì)其進(jìn)行片段的提取，基于靜脈穿刺時(shí)對(duì)靜脈寬度、彎曲度、長(zhǎng)度等多方面的考慮，選擇對(duì)得到的最佳靜脈分支進(jìn)行模板匹配的方法[9]。具體操作步驟如下：

(1)建立標(biāo)準(zhǔn)匹配模板

由于得到的最佳靜脈分支的細(xì)化圖像具有彎曲度較小的特點(diǎn)，故對(duì)其進(jìn)行分段斜率的計(jì)算并以這些斜率繪制長(zhǎng)度為30個(gè)像素的線段，然后建立結(jié)構(gòu)元素對(duì)其進(jìn)行膨脹操作即可得到需要的標(biāo)準(zhǔn)模版。

(2)進(jìn)行模板匹配

通過(guò)模板匹配的原理，用得到的這些標(biāo)準(zhǔn)模板對(duì)最佳靜脈分支經(jīng)行匹配，每進(jìn)行一次匹配就通過(guò)式(3)計(jì)算一次匹配度α，最后提取匹配度最大的區(qū)域作為最佳注射部位。

(3)

其中I表示待匹配圖像，T表示模板圖像，α表示匹配度，x、y分別表示像素點(diǎn)的橫縱坐標(biāo)。

(3)標(biāo)明

記錄匹配所得區(qū)域的坐標(biāo)，在最原始處理前的圖像中畫一個(gè)矩形，標(biāo)明出所得到的最佳注射部位。

5 靜脈檢測(cè)與標(biāo)明系統(tǒng)實(shí)驗(yàn)平臺(tái)與實(shí)驗(yàn)結(jié)果

5.1 實(shí)驗(yàn)平臺(tái)

本系統(tǒng)采用150度USB高清窄紅外工業(yè)1080P電腦攝像頭，采用Microsoft Visual Studio 2013軟件并搭建第三方庫(kù)Opencv，在PC上進(jìn)行圖像的采集和處理的實(shí)驗(yàn)。圖6為所采用的攝像頭示意圖。

圖6 高清紅外攝像頭Fig 6 HD Infrared camera

OpenCV是一個(gè)基于BSD許可(開源)發(fā)行的跨平臺(tái)計(jì)算機(jī)視覺(jué)庫(kù)，可以運(yùn)行在Linux、Windows、Android和Mac OS操作系統(tǒng)上。它輕量級(jí)而且高效，由一系列 C 函數(shù)和C++ 類構(gòu)成，同時(shí)提供了Python、Ruby、MATLAB等語(yǔ)言的接口，實(shí)現(xiàn)了圖像處理和計(jì)算機(jī)視覺(jué)方面的很多通用算法[10]。

5.2 實(shí)驗(yàn)結(jié)果

在上述手臂靜脈檢測(cè)與標(biāo)明系統(tǒng)的軟硬件平臺(tái)下，分別采集30個(gè)人的手臂圖像，每個(gè)人分別采集8幅圖像組成個(gè)人的靜脈樣本。圖7～圖15具體給出了從樣本中隨機(jī)選取的一幅圖像從采集到靜脈穿刺部位標(biāo)明的整體流程圖。

圖7 初始采集圖像Fig 7 Initial acquisition image

圖8 ROI區(qū)域提取Fig 8 ROI region extraction

圖9 方向算子特征提取Fig 9 Direction operator feature extraction

圖10 Niblack二值化Fig 10 Niblack binarization

圖11 平滑與去噪Fig 11 Smoothing and denoising

圖12 圖像細(xì)化Fig 12 Image refinement

圖13 最佳靜脈分支提取Fig 13 Best vein branch extraction

圖14 標(biāo)準(zhǔn)模板與最終標(biāo)明圖Fig 14 Standard template and marked diagram

圖15 另外一幅原圖與標(biāo)明圖Fig 15 Another original and markedFigure

其中由圖7采集到一幅原始圖像，經(jīng)過(guò)邊緣檢測(cè)提取包含靜脈信息的ROI區(qū)域，見(jiàn)圖8。圖9為經(jīng)過(guò)提前設(shè)計(jì)好的方向算子進(jìn)行特征提取得到的結(jié)果，圖10為直接用Niblack進(jìn)行二值化得到的結(jié)果，顯然圖中存在一些斑點(diǎn)，并且靜脈邊緣存在一些凸起的毛刺，圖11為邊緣平滑和去噪的結(jié)果，圖12為經(jīng)過(guò)查表細(xì)化算法得到的信息完整的細(xì)化圖像，然后提取最佳靜脈并根據(jù)相關(guān)信息建立圖14左的標(biāo)準(zhǔn)模板，再對(duì)圖11未細(xì)化的最佳分支進(jìn)行模板匹配并在圖14右中進(jìn)行標(biāo)明。由最終結(jié)果可以看出本研究的算法能夠完成靜脈的自動(dòng)檢測(cè)與標(biāo)明。圖15為對(duì)另外一人圖像采樣后處理結(jié)果，從圖中可以看出本研究算法能夠?qū)崿F(xiàn)靜脈的自動(dòng)檢測(cè)與較高效的標(biāo)明。

通過(guò)本研究的方法對(duì)240個(gè)樣本進(jìn)行處理，得到的數(shù)據(jù)見(jiàn)表1、表2。

表1 手臂靜脈檢測(cè)與標(biāo)明的結(jié)果

表2手臂靜脈識(shí)別與標(biāo)明系統(tǒng)所用時(shí)間

Table2Armveinidentificationandlabelingsystemtime

圖像處理時(shí)間(s)檢測(cè)與標(biāo)明時(shí)間(s)總時(shí)間(s)0.4030.1650.568

針對(duì)經(jīng)過(guò)本研究算法所提取出的最佳靜脈穿刺點(diǎn)的位置是否準(zhǔn)確的問(wèn)題，邀請(qǐng)了醫(yī)院具有3年靜脈穿刺經(jīng)驗(yàn)的護(hù)士對(duì)通過(guò)本研究算法處理過(guò)的并檢測(cè)出穿刺位置的231個(gè)樣本進(jìn)行評(píng)價(jià)，得到數(shù)據(jù)見(jiàn)表3。

表3 評(píng)價(jià)結(jié)果

由表1可知，240個(gè)樣本中，僅有9個(gè)樣本未檢測(cè)到合適的穿刺部位，檢測(cè)率為96.25%，可見(jiàn)該檢測(cè)系統(tǒng)具有較好的性能。由表2可知本算法運(yùn)行一次所需時(shí)間大概在1.1 s，滿足實(shí)際需求。由表3可知，在檢測(cè)到穿刺位置的231個(gè)樣本中不符合的只有13個(gè)，不符合率為5.628%，可見(jiàn)本研究算法標(biāo)明出的靜脈具有較高的準(zhǔn)確性與可靠性。

6 總結(jié)與展望

對(duì)本研究算法在實(shí)驗(yàn)中的結(jié)果分析可知，本文方法對(duì)采集到的手臂圖像經(jīng)行一系列處理后，能夠?qū)o脈實(shí)現(xiàn)提取與標(biāo)明，驗(yàn)證了算法的可行性與有效性，并且為真正全自動(dòng)靜脈穿刺提供了一定的依據(jù)，具有比較重要的現(xiàn)實(shí)意義。在對(duì)所標(biāo)明出的圖像進(jìn)行分析后發(fā)現(xiàn)，光照的不均勻以及光線中各種波長(zhǎng)的含量對(duì)采集到的圖像質(zhì)量以及標(biāo)明部位有較大的影響。因此，制作理想的采集設(shè)備就能夠獲取更好的原始圖像以及更可靠的匹配模板，進(jìn)一步提高標(biāo)明的準(zhǔn)確率。