一种基于近红外图像的动脉采血智能引导方法及装置

本发明涉及临床辅助医疗，尤其涉及一种基于近红外图像的动脉采血智能引导方法及装置。

背景技术：

1、动脉血气分析是临床判断机体酸碱平衡紊乱、缺氧程度及呼吸功能的核心检测手段，桡动脉因位置表浅、易于压迫止血，成为动脉采血的首选穿刺部位。由于动脉管径细、位置深、个体差异大，且肥胖、水肿、低血压、老年患者的动脉触诊难度高，临床中常出现反复穿刺、血肿、误穿静脉等问题。

2、现有技术已出现基于近红外成像的血管识别方案，例如：

3、cn115040079b 通过静脉段宽度排序与照片重合率比对选择采血点，但其针对静脉采血设计，不具备动静脉区分能力；

4、cn114677713a 通过遍历像素寻找最大边界点对中点确定入针点，仅依赖单波段灰度形态特征，无法区分动脉与静脉；

5、cn104799815b 采用三台近红外相机从不同角度采集图像进行三维重建，其说明书虽提及可根据血红蛋白对近红外光吸收率不同区分动静脉，但该区分方式仅为其三维重建流程中一个附带的后处理步骤，未给出任何具体的区分算法流程、特征计算方式或验证数据，技术上仅属于“粗血管+灰度略不同=动脉”的简单启发式规则而非定量光谱分析方法，且未利用动脉搏动性血流的生理特征进行功能验证，动静脉误判率高。

6、此外，cn106456056b 公开了一种近红外动脉可视化装置，通过近红外光源照射腕部，利用动脉血对近红外光的吸收特性成像，辅助操作者识别桡动脉位置。该方案属于辅助式引导设备，但其存在以下固有缺陷：

7、（1）仅采用单波段近红外成像，依靠灰度形态特征识别血管，无法从光谱层面区分动脉与静脉，在静脉与动脉伴行区域容易产生误判；

8、（2）仅基于静态图像识别，未利用动脉搏动性血流的生理特征进行功能验证，识别结果缺乏生理层面的确认依据；

9、（3）识别结果仅显示于设备屏幕，操作者需要在屏幕图像与患者体表之间进行坐标转换，引导直观性不足；

10、（4）未提供血管深度估计、进针角度建议等多维引导信息，引导维度单一。

11、总体而言，现有技术应用于动脉采血辅助引导时，存在以下根本性缺陷：

12、动静脉区分能力不足：仅依赖单波段灰度或形态特征识别血管，未利用氧合血红蛋白与脱氧血红蛋白的光谱吸收差异，无法从生理层面区分动静脉，误穿静脉风险高。

13、缺乏动脉功能验证机制：均采用静态图像分析，未利用动脉搏动性血流这一核心生理特征，识别停留在“形态表观”层面，而非“功能确认”层面，假阳性率高。

14、引导方式直观性差：识别结果仅显示于屏幕，操作者需在“屏幕坐标”与“患者体表坐标”之间进行脑内转换，认知负担重，引导效率低。

15、关键引导维度缺失：多数方案仅输出二维平面信息，缺少血管皮下深度预估，难以给操作者提供进针深度参考；且手持场景下深度测量的稳定性不足。

16、设备定位偏离临床需求：全自动穿刺方案合规成本高、接受度低；现有辅助方案精度不足、功能不全，无法满足动脉采血的安全要求。

技术实现思路

1、本发明针对现有技术中的问题，提供了一种基于近红外图像的动脉采血智能引导方法及装置。

2、本发明解决上述技术问题所采用的技术方案为：一种基于近红外图像的动脉采血智能引导方法，包括以下步骤：

3、s1、多光谱近红外图像同步采集与预处理

4、s1.1通过成像单元同步采集目标穿刺区域在三个特征波段下的近红外图像，三个特征波段分别为λ1 = 760 nm、λ2=850nm、λ3=940nm；其中760nm为脱氧血红蛋白的特征吸收峰，850nm为氧合血红蛋白与脱氧血红蛋白的等吸收点，940nm为氧合血红蛋白的特征吸收峰。

5、s1.2对三波段图像进行联合预处理：基于相机内参完成去畸变校正，采用多尺度retinex算法实现自适应光照均衡，采用双边滤波完成边缘保持去噪。

6、s1.3构建多光谱特征张量，其中每个像素点的特征向量为。

7、s2、基于血红蛋白光谱特征的动静脉智能分割

8、s2.1计算像素级光谱特征指数：

9、氧合指数：，反映氧合血红蛋白相对浓度，动脉区域氧合血红蛋白占比高，oi值显著偏高；

10、脱氧指数：，为氧合指数的倒数，从脱氧血红蛋白相对浓度角度辅助表征血管血液属性；

11、氧合-脱氧差值指数：，综合氧合与脱氧特征的差值，作为动静脉分类的核心光谱特征；动脉区域odi为正值且幅值较大，静脉区域odi接近零或为负值。

12、s2.2光谱特征粗分割：以odi特征图为主要分类依据，结合局部空间一致性约束，采用改进图割算法进行粗分割，生成动脉候选区域掩膜与静脉区域掩膜。

13、s2.3深度学习精细分割：构建轻量级mobileu-net网络，网络采用编码器-解码器架构：编码器部分采用深度可分离卷积替代标准卷积，共4个下采样阶段，逐步提取多尺度光谱特征；解码器部分采用双线性上采样，通过跳跃连接融合编码器对应层级的特征；最终输出层采用sigmoid激活函数输出动脉概率图。

14、网络训练采用临床采集的桡动脉多光谱图像数据集与公开血管数据集联合训练，训练样本量≥2000例，标注由资深护士与影像科医师共同完成；训练采用adam优化器，损失函数采用dice损失与交叉熵损失的加权组合，总损失函数为：

15、

16、其中，，该权重配比基于消融实验确定：在验证集上分别测试权重配比（1.0/0.0,0.7/0.3,0.5/0.5,0.3/0.7,0.0/1.0），0.7/0.3时dice系数达到最优，表明dice损失主导优化血管区域分割重合度、交叉熵损失辅助优化像素级分类精度的组合策略有效。网络推理帧率≥15fps，满足便携式设备实时运行要求。

17、s2.4多特征融合确认：将动脉概率图与光谱粗分割结果加权融合，生成最终动脉候选掩膜：

18、

19、其中为自适应判定阈值，其确定方法为：取光谱粗分割输出的动脉候选区域内所有像素的odi值，计算其均值与标准差，取，系数取值为1.0~2.0；通过自适应阈值适配不同患者的皮肤光学特性差异，结合光谱特征与深度学习特征的交叉验证降低假阳性率。

20、s3、基于时序图像的动脉搏动功能验证

21、s3.1时间序列图像采集：以≥30fps的帧率连续采集动脉候选区域的近红外图像序列，采集时长覆盖至少3个完整心动周期。

22、s3.2运动干扰检测与置信度加权：通过成像单元内置的imu惯性传感器采集探头的角速度与加速度数据，识别探头抖动、快速位移的时间段；对受运动干扰的时间窗内的光强时序信号，在后续搏动能量计算中赋予对应置信度权重，权重取值范围为；当imu检测到角速度幅值超过预设剧烈抖动阈值时，权重置0，即该时段信号完全弃用，避免强噪声干扰搏动特征提取，得到校正后的光强时序信号。

23、s3.3时频特征提取：对动脉候选掩膜内每个像素的校正光强时序信号进行去趋势处理，采用短时傅里叶变换提取时频特征，计算与患者实时心率匹配频率范围内的归一化搏动能量：

24、，其中为心率允许波动范围，表示傅里叶变换。

25、s3.4动脉真实性双重验证：当像素同时满足以下两个条件时，判定为真实动脉像素：

26、（1）搏动能量，即光强信号中与心率匹配的搏动成分显著；

27、（2）该像素属于动脉候选掩膜，即光谱特征支持其为动脉。

28、其中，搏动能量阈值为自适应阈值，由术前个体化标定阶段确定：计算目标区域外背景皮肤像素的搏动能量均值与标准差，取，系数k取值为3~5，以保证假阳性率低于5%。

29、通过双重验证的像素集合构成确认动脉掩膜；仅通过光谱特征、未通过搏动验证的区域标记为疑似动脉，疑似动脉不参与后续采血点优选计算，仅在投影界面与显示界面中以黄色虚线轮廓标注，并提示“疑似动脉，建议触诊确认”——即提示操作者对该区域进行手动触诊，通过触觉感知搏动进行二次确认，充分发挥人机协同优势。

30、边界工况降级处理：若因患者血氧极低或皮肤光学特性异常导致odi特征区分度不足，粗分割输出为空或面积小于预设阈值（如5mm²），则自适应阈值计算自动切换为全图odi统计，并以该阈值的0.8倍作为临时阈值，同时标记“光谱信号异常，请检查探头贴合或考虑触诊”。若imu持续检测到剧烈抖动导致连续超过30帧信号权重为0，则搏动验证无法完成，系统自动延长采集时间至6秒并尝试重新标定，若仍无效，则将光谱识别结果直接标记为“疑似动脉”，强烈提示操作者手动触诊，确保在非理想条件下仍给出安全保守的引导。

31、s3.5生成动脉搏动分布图：在确认动脉区域内，以搏动幅度为亮度、以搏动相位为色相，生成搏动功能图像，直观展示动脉搏动强弱分布与搏动波传导方向。

32、s4、多目标优化驱动的采血点智能优选

33、s4.1候选点生成：在确认动脉掩膜对应的血管段上，沿动脉中心线以0.5mm间隔生成候选采血点集合；疑似动脉区域不生成候选采血点。

34、s4.2多维特征提取：对每个候选点p提取以下特征：

35、血管直径：通过动脉边界检测获取；

36、搏动幅度：反映该位置动脉搏动强度；

37、血管直线度：通过中心线曲率计算，，直线度越高越利于穿刺；

38、与邻近静脉的距离：距离越远，误穿静脉风险越低；

39、解剖位置适配性：预先训练一个轻量级语义分割网络（如u-net），以近红外灰度图像为输入，输出骨骼凸起（如桡骨茎突）和肌腱（如掌长肌腱）的区域概率图，概率>0.7的区域标记为“不可穿刺区”，候选点落入该区域则评分直接置零，确保推荐点避开这些高风险解剖结构。该网络可与主分割网络共享特征提取层，不增加额外计算负担。

40、s4.3多目标综合评分：构建加权评分函数：

41、

42、其中表示min-max归一化；权重向量基于临床专家经验设定，其中搏动幅度权重，为所有权重中的最高值，优先选择搏动明显的动脉段。

43、s4.4输出最优采血点信息：选取评分最高的候选点作为推荐采血点，输出其二维坐标、血管走向角度、搏动强度等级、血管直径。

44、s5、基于接触定位与双目视觉融合的血管皮下深度预估

45、s5.1探头前端设置三个呈三角形分布的微型接触定位针，使用时探头轻贴皮肤表面，三个定位针同时接触皮肤以确定探头基准平面；通过定位针内置的微型压力传感器确认探头与皮肤贴合稳定，且基准平面与皮肤表面夹角≤15°。

46、s5.2采用双目近红外相机同步采集左、右视点图像，经极线校正后，采用改进sgm立体匹配算法计算视差图；改进sgm算法的匹配代价函数定义为：

47、

48、其中，为像素p在视差d下的绝对差之和代价，为确认动脉掩膜在该像素的取值（动脉区域为1，背景为0），为权重系数（取值0.5~1.5）；通过在动脉区域加权提升匹配代价的区分度，优先保证动脉区域的视差计算精度。

49、s5.3以接触定位针确定的皮肤基准平面为深度零点，结合相机标定参数与视差图，通过小孔成像模型反演得到最优采血点处动脉的原始深度估计值。

50、当探头倾斜角度（探头光轴与皮肤法向的夹角）超出5°阈值时，采用三角几何模型进行深度补偿：

51、

52、，其中由三个接触定位针的顶端相对位移差结合双目相机姿态解算得到，为补偿后的动脉皮下预估深度。

53、深度预估失效处理：若视差图空洞率超过30%（因皮肤纹理不足或反光导致），则深度预估模块输出“深度估算不可靠”提示，不显示具体数值，并建议操作者参考超声或触诊估计深度，确保不提供不可靠的定量数据。

54、s5.4深度结果仅作为穿刺参考提示输出，不用于自动控制穿刺动作。

55、s6、基于ar投影的实时体表引导

56、s6.1体表实时配准：基于皮肤纹理与血管轮廓特征，对患者体表进行实时图像配准，当患者手腕发生微动时，实时修正投影坐标，确保引导信息与体表精准对齐。

57、s6.2将以下引导信息通过微型激光投影仪直接投影至患者皮肤表面：

58、血管分布：以红色线条标记确认动脉，以蓝色线条标记静脉，以黄色虚线标记疑似动脉；

59、最优采血点：以高亮金色圆环标记推荐采血点位置，旁侧标注血管直径、搏动强度等级、预估深度文字信息；

60、进针方向：以绿色箭头标记推荐进针方向（沿血管走向）；

61、穿刺角度：以角度标识提示推荐入针角度（与皮肤表面成30°~45°）。

62、s6.3投影内容以≥15hz频率实时更新，同时同步显示于交互显示单元，供操作者多角度参考。

63、s7、穿刺过程辅助监测与反馈

64、s7.1针尖识别与追踪：通过近红外成像单元实时识别采血针针尖位置，采用双模式切换追踪机制：

65、（1）优先模式：当检测到采血针端部粘贴的红外反光标记点时，采用标记点追踪法，根据预标定的针尖与标记点相对偏移量确定针尖位置，定位精度高，适用于常规穿刺场景；

66、（2）降级模式：当未检测到有效反光标记点（如未粘贴标记、标记被遮挡）时，自动切换为针体轮廓分割追踪法，通过深度学习分割针体轮廓并拟合针尖坐标，适用于无标记的应急操作场景。

67、当针尖接近皮肤表面（距离＜3cm）时，自动切换至更高帧率采集模式，提升近距离针体追踪的稳定性与精度。

68、若两种模式均失效（如标记点被完全遮挡且针体轮廓分割置信度低于阈值），设备发出“追踪丢失”声光报警，提示操作者暂停穿刺动作并重新调整探头视野，防止在无追踪辅助的状态下盲目进针。

69、实时显示针尖相对于推荐采血点的位置偏差，辅助操作者调整进针位置。

70、s7.2穿刺深度提示：结合针尖三维定位与皮肤表面标定位置，估算当前针尖深度，提示操作者当前深度与预估动脉深度的相对关系。

71、s7.3搏动波形参考：实时显示针尖附近区域的动脉搏动波形，辅助操作者判断针尖与动脉的相对距离。

72、s7.4穿刺结果辅助验证：穿刺完成后，通过近红外图像观察回血特征与搏动波形变化，辅助操作者判断穿刺是否成功。

73、s8、术前个体化标定与持续优化

74、s8.1术前预采集：采集约3秒预数据，自动获取患者实时心率、皮肤光学特性、搏动信号基线水平，自适应调整图像增强参数与搏动能量判定阈值。

75、s8.2数据记录与优化：在获得操作者同意后，匿名记录每次操作的患者特征、识别结果、推荐点与实际穿刺点偏差、一次成功率等数据，用于后续迭代优化算法参数与评分权重。

76、一种基于近红外图像的动脉采血智能引导装置

77、用于实现上述方法，所述装置包括：

78、手持式成像探头：集成多光谱近红外成像单元、双目近红外立体视觉单元、imu惯性传感器、三个呈三角形分布的微型接触定位针；多光谱近红外成像单元配置760nm、850nm、940nm三个特征波段的led光源阵列与对应近红外相机；探头整体重量≤300g，符合单手操作人体工学要求。

79、微型激光投影单元：优选集成于探头内部（投影光轴与成像光轴经工厂预校准，出厂后无需现场标定），作为独立实施方式也可安装于床旁支架，由主机处理单元通过有线或无线方式驱动。

80、主机处理单元，包含gpu加速计算模块，内置动脉识别、搏动验证、深度预估、ar配准与投影控制、针尖追踪与穿刺辅助监测的全部算法程序。

81、交互显示单元：高分辨率触控显示屏，同步显示原始近红外图像、动脉分割结果、搏动功能图像、推荐采血点信息与穿刺辅助监测信息，支持缩放、标注等交互操作。

82、控制开关单元：脚踏式控制开关，实现非接触式图像采集触发与画面冻结，符合无菌操作规范。

83、作为优选实施方式，所述手持式成像探头还可集成激光散斑衬比成像（lsci）模块，包含785nm激光二极管与帧率≥100fps的高速cmos相机，基于散斑衬比度时序变化提取血流搏动信号，替代普通近红外时序图像完成动脉搏动验证，进一步提升搏动检测的信噪比。

84、作为优选实施方式，所述装置还配置一次性无菌保护膜套，适配手持式成像探头外形，用于穿刺操作时隔离探头本体与术区，满足临床无菌要求。

85、本发明与现有技术相比，具有以下有益效果：本发明基于760nm、850nm和940nm三个特征波段的多光谱近红外成像，从血红蛋白氧合状态的生理层面定量区分动静脉，结合图割粗分割与mobileu-net深度学习精细分割，显著提升了动静脉区分精度，有效降低了动脉识别的假阳性率；在此基础上进一步引入基于时序图像的搏动心率匹配双重验证机制，从功能层面确认动脉真实性，从根本上降低了将静脉误判为动脉的风险；采用三点接触定位确定基准平面并结合双目视觉与倾斜角度补偿进行深度预估，为操作者提供了稳定的皮下深度参考；同时通过ar投影将动脉、静脉、疑似动脉、最优采血点、进针方向及预估深度等引导信息直接投射于患者体表，消除了操作者在屏幕坐标与体表坐标之间的认知转换负担，实现了直观的引导；整个装置采用手持式设计，定位于辅助工具而非全自动穿刺设备，保留了医护人员的最终决策权，配合脚踏开关与一次性无菌保护膜套，充分适配临床无菌操作规范，有效提升了动脉采血的一次成功率与安全性。