一种基于计算机视觉的术中出血识别与计量方法及系统

1.本发明属于计算机视觉技术领域，具体涉及一种基于计算机视觉的术中出血识别与计量方法、系统、电子设备以及存储介质。


背景技术：

2.手术已逐渐转向微创手术(mis)范式，例如腹腔镜手术和视频辅助胸腔镜手术。与开胸手术相比，视频辅助胸腔镜手术(vats)因其较少的术后急性期、较小的肺功能损害、较低的术后发病率以及较短的住院时间，已成为治疗早期和局部晚期非小细胞肺癌患者的标准方法。在vats手术期间，数码相机将手术过程拍摄为手术视频。这些手术视频包含了丰富的有关患者手术部位解剖结构、手术过程、手术过程中器械运动等的信息。直观上来看，手术部位的血迹信息与预后可能有一定的相关性。例如：手术部位血迹较少的vats手术可能会产生较少的术后引流和较短的住院时长。对一个经验丰富的外科医生而言，判断手术部位是否“干净”是一件轻而易举的事，并且术中出血量也可以通过术后称重获取。但手术视频中包含更多除了出血总量以外的、关于出血这一动态事件的信息，例如出血的时段、冲水后的出血状况等。如何通过对手术视频的分析准确有效地量化vats视频中的血迹，并提取能够反映手术状态、与预后显著相关的变量是一项尚未解决的挑战。
3.通过计算机视觉(cv)算法处理手术视频，可以识别手术阶段以及手术器械，但是无法进行腹腔镜手术分析。现有技术中，hassan等人开发了一种基于纹理特征描述符的算法，该算法对图像幅度谱的归一化灰度共生矩阵进行操作以检测血迹。随着基于像素的血迹基于计算机视觉的术中出血识别与计量方法的出现，潘等人提取血迹特征，并提出了一种基于概率神经网络的智能血迹检测。在usman的研究中，提出了一种使用支持向量分类器检测无线胶囊内窥镜视频中血迹的基于像素的方法。novozamsky等人定义了一种基于逐像素方法的新颜色空间，以便在胶囊内窥镜视频中最大化血液像素和肠壁的可分离性；虽然基本可以完成血迹检测任务，但是，存在的弊端如下：算法复杂，计算效率低；无法适用于时长较长、画面像素高的胸腔镜手术场景。
4.因此，亟需一种能够从图像中准确识别血迹像素的术中出血识别与计量方法。


技术实现要素：

5.本发明提供一种基于计算机视觉的术中出血识别与计量方法、系统、电子设备以及存储介质，用以克服现有技术中存在的至少一个技术问题。
6.为实现上述目的，本发明提供一种基于计算机视觉的术中出血识别与计量方法，方法包括：
7.将所获取的手术视频按照设定频率切割成图片流；
8.通过预先获得的血迹识别模型确定图片流中的每张图片的血迹像素占比值，并通过图片流中的每张图片的血迹像素占比值确定多个基于血迹像素占比的变量；
9.基于预设的关联分析规则，将各个基于血迹像素占比的变量分别与患者手术单因
素显著指标以及预后指标进行关联分析；其中，患者手术单因素显著指标包括患者性别、年龄、bmi、是否吸烟、是否术后即可漏气、手术时长和预估出血量；预后指标包括术后引流量和术后插管时间是否延长；
10.基于所述关联分析结果建立各个基于血迹像素占比的变量与各个预后指标间的关系模型图；
11.根据各个基于血迹像素占比的变量与各个预后指标间的关系模型图形成临床预后方案。
12.进一步，优选的，
13.通过血迹识别模型获取血迹像素占比值的方法，包括：
14.获取待检测图片的每个像素点的颜色通道信息；其中，颜色通道信息包括每个像素点的灰度值、红色通道值、灰度值与红色通道值的比值以及像素点所属图片的灰度值总和与红色通道值总和的比值；
15.按照预设的标准筛选颜色通道值符合设定阈值的像素点作为血迹像素点；预设的标准为红色通道值大于红色通道设定值，灰度值小于灰度设定值，灰度值与红色通道值的比值小于比值设定值；其中，比值设定值通过以下公式获取：
16.c d
×
frame
gray/r
，c，d均为阈值参数；(frame
gray/r
)为像素点所属图片的灰度值总和与红色通道值总和之比；
17.将血迹像素点在待检测图片的全部像素点中的占比作为血迹像素占比值。
18.进一步，优选的，
19.手术视频标注有冲水阶段的开始时间；
20.基于血迹像素占比的变量包括血迹像素占比总和以及冲水阶段后的血迹像素占比总和；通过所有图片流中的每张图片的血迹像素占比值获得手术视频的血迹像素占比总和，通过冲水阶段的开始时间之后的图片流中的每张图片的血迹像素占比值获得冲水阶段后的血迹像素占比总和。
21.进一步，优选的，
22.血迹识别模型的训练方法，包括：
23.将血迹图片数据集分为训练集和验证集，血迹图片数据集包括含血迹像素点的图片以及包含非血迹像素点的图片；
24.利用训练集建立血迹识别预训练模型，血迹识别预训练模型按照预设的标准筛选颜色通道值符合设定阈值的像素点作为血迹像素点；预设的标准为红色通道值大于红色通道设定值a，灰度值小于灰度设定值b，灰度值与红色通道值的比值小于比值设定值；其中，比值设定值通过以下公式获取：
25.c d
×
frame
gray/r
，a，b，c，d均为阈值参数；(frame
gray/r
)为像素点所属图片的灰度值总和与红色通道值总和之比；
26.利用验证集对血迹识别预训练模型进行阈值参数调参验证，得到最佳阈值参数组合。
27.进一步，优选的，
28.将各个基于血迹像素占比的变量分别与患者手术单因素显著指标以及预后指标进行关联分析，包括，
29.将各个基于血迹像素占比的变量分别与患者手术单因素显著指标以及术后引流量加入线性回归模型，向后回归筛选与术后引流量成显著相关的基于血迹像素占比的变量；
30.通过术后插管时间是否大于等于插管时间阈值，判定术后插管时间是否延长；将插管时间延长记为1，将插管时间不延长记为0；
31.将各个基于血迹像素占比的变量分别与患者手术单因素显著指标以及术后插管时间是否延长做逻辑回归，向后回归筛选与术后插管时间是否延长成显著相关的基于血迹像素占比的变量。
32.为了解决上述问题，本发明还提供一种基于计算机视觉的术中出血识别与计量系统，包括：
33.获取单元，用于将所获取的手术视频按照设定频率切割成图片流；
34.血迹识别单元，用于通过预先获得的血迹识别模型确定图片流中的每张图片的血迹像素占比值，并通过图片流中的每张图片的血迹像素占比值确定多个基于血迹像素占比的变量；
35.关联分析单元，用于基于预设的关联分析规则，将各个基于血迹像素占比的变量分别与患者手术单因素显著指标以及预后指标进行关联分析；其中，患者手术单因素显著指标包括患者性别、年龄、bmi、是否吸烟、是否术后即可漏气、手术时长和预估出血量；预后指标包括术后引流量和术后插管时间是否延长；
36.临床预后方案形成单元，用于基于所述关联分析结果建立各个基于血迹像素占比的变量与各个预后指标间的关系模型图；根据各个基于血迹像素占比的变量与各个预后指标间的关系模型图形成临床预后方案。
37.为了解决上述问题，本发明还提供一种电子设备，电子设备包括：
38.存储器，存储至少一个指令；及
39.处理器，执行所述存储器中存储的指令以实现上述所述的一种基于计算机视觉的术中出血识别与计量方法中的步骤。
40.为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的一种基于计算机视觉的术中出血识别与计量方法。
41.本发明的一种基于计算机视觉的术中出血识别与计量方法、系统、电子设备以及存储介质，通过采用动态阈值与静态阈值相结合的血迹识别模型进行血迹识别，并通过关联分析获得各个基于血迹像素占比的变量与各个预后指标间的关系模型图，进而根据各个基于血迹像素占比的变量与各个预后指标间的关系模型图形成临床预后方案，达到了计算效率高，适用于时长较长、画面像素高的胸腔镜手术场景的技术效果。
附图说明
42.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
43.图1为本发明一实施例提供的一种基于计算机视觉的术中出血识别与计量方法的流程示意图；
44.图2为本发明一实施例提供的血迹识别模型的原理示意图；
45.图3为本发明一实施例提供的一种基于计算机视觉的术中出血识别与计量方法的引流量取对数变换关于pbp总和的散点图与线性模型图；
46.图4为本发明一实施例提供的一种基于计算机视觉的术中出血识别与计量方法的引流量取对数变换关于冲水阶段pbp总和的散点图与线性模型图；
47.图5为本发明一实施例提供的一种基于计算机视觉的术中出血识别与计量系统的模块示意图；
48.图6为本发明一实施例提供的实现一种基于计算机视觉的术中出血识别与计量方法的电子设备的内部结构示意图；
49.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
50.应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
51.图1为本发明一实施例提供的一种基于计算机视觉的术中出血识别与计量方法的流程示意图。该方法可以由一个系统执行，该系统可以由软件和/或硬件实现。
52.本发明的一种基于计算机视觉的术中出血识别与计量方法，主要适用于胸腔镜手术场景中，通过利用计算机视觉技术对胸腔镜手术视频进行分析，从中提取基于血迹像素占比的变量，并将基于血迹像素占比的变量与临床预后数据进行关联分析。基于血迹像素占比的变量与引流量、插管时间是否延长等预后数据显著相关，可以用于预测病人的术后情况，为制定临床预后方案提供指导作用。
53.名词解释：像素，指图像中的一个点。一张图像由有限个像素点组成。rgb，指计算机视觉技术中一种储存描述图像的方式。一张图像中的一个像素点可以用一个三维向量表示，分别代表红色、绿色和蓝色通道值，取值范围均为0到255.0表示黑色，255表示纯红(或绿或蓝)。
54.如图1所示，在本实施例中，一种基于计算机视觉的术中出血识别与计量方法包括步骤s110～s140。
55.s110、将所获取的手术视频按照设定频率切割成图片流。其中，手术视频标注有冲水阶段的开始时间。
56.手术视频为可以但不限制为开放式外科手术视频，内窥镜式外科手术视频以及机器人外科手术视频。本发明的一种基于计算机视觉的术中出血识别与计量方法尤其适用于在vats手术期间，数码相机为手术过程拍摄的手术视频。这些手术视频包含了丰富的有关患者手术部位解剖结构、手术过程、手术过程中器械运动等的信息。在本实施例中，采用帧率为50fps的胸腔镜手术视频。
57.需要说明的是，对每一个病人的完整手术视频，由专业胸外科医生标注冲水阶段的开始时间，并以每秒1次的频率将手术视频切割为图片流。在实际的手术过程中，冲水阶段后是否出血对于手术预后具有很重要的临床意义，所以，将冲水阶段的开始时间作为一个重要的节点。
58.对于切割成图片流后，对图片流中每一张图片，在步骤s120中用血迹识别模型识别血迹像素，并计算血迹像素在全图中的占比(proportion of blood pixels，pbp)。
59.s120、通过预先获得的血迹识别模型确定图片流中的每张图片的血迹像素占比值，并通过图片流中的每张图片的血迹像素占比值确定多个基于血迹像素占比的变量。
60.具体地说，基于血迹像素占比的变量包括血迹像素占比总和以及冲水阶段后的血迹像素占比总和；通过所有图片流中的每张图片的血迹像素占比值获得手术视频的血迹像素占比总和，通过冲水阶段的开始时间之后的图片流中的每张图片的血迹像素占比值获得冲水阶段后的血迹像素占比总和。其中，完整手术视频中所有pbp的总和为sumpbp,用以刻画整个手术过程中出血的状况；计算冲水阶段后pbp的总和为sumpbp-flushing，用以刻画冲水阶段后病人出血的情况。
61.血迹识别模型的训练方法，包括：s1211、将血迹图片数据集分为训练集和验证集，血迹图片数据集包括含血迹像素点的图片以及包含非血迹像素点的图片；s1212、利用训练集建立血迹识别预训练模型，血迹识别预训练模型按照预设的标准筛选颜色通道值符合设定阈值的像素点作为血迹像素点；预设的标准为红色通道值大于红色通道设定值a，灰度值小于灰度设定值b，灰度值与红色通道值的比值小于比值设定值；其中，比值设定值通过以下公式获取：c d
×
frame
gray/r
，a，b，c，d均为阈值参数；(frame
gray/r
)为像素点所属图片的灰度值总和与红色通道值总和之比；也就是说按照预设的标准判定像素点是否为血迹的标准，用训练数据集上的识别效果选取最佳的准则。s1213、利用验证集对血迹识别预训练模型进行阈值参数调参验证，得到最佳阈值参数组合。
62.以从10位病人的手术视频中选取10000个血迹像素点和10000个非血迹像素点，作为训练数据集为例。对每一个像素点，计算其灰度值(pixel
gray
)、红色通道值(pixel
red
)、灰度值与红色通道值之比(pixel
gray/r
)，以及该像素点原属图像的灰度值总和与红色通道值总和之比(frame
gray/r
)。若一个像素点同时满足以下预设的标准则，判定其为血迹像素：(1)红色通道值大于阈值a；(2)灰度值小于阈值b；(3)灰度值与红色通道值之比小于关于该像素点原属图像的灰度值总和与红色通道值总和之比的线性函数：c d
×
frame
gray/r
；将20000个训练像素点代入上述标准，最佳阈值参数组合，即训练准确率最高的阈值组合为：a＝14，b＝80，c＝0.24，d＝0.38.
63.为了验证算法识别的效果，选取1000个血迹像素和1000个非血迹像素作为验证集。最终取得验证结果为，准确性(accuracy)99.05％，特异性(specificity)98.9％，敏感度(sensitivity)99.2％。相比garcia-martinez等人的血迹识别方法有更高的准确性和敏感性，说明本发明的一种基于计算机视觉的术中出血识别与计量方法中的具有动静态结合阈值的血迹识别模型与garcia-martinez等人的方法相比，更能够识别出血迹像素。
64.通过血迹识别模型获取血迹像素占比值的方法，包括：s1221、获取待检测图片的每个像素点的颜色通道信息；其中，颜色通道信息包括每个像素点的灰度值、红色通道值、灰度值与红色通道值的比值以及像素点所属图片的灰度值总和与红色通道值总和的比值。s1222、按照预设的标准筛选颜色通道值符合设定阈值的像素点作为血迹像素点；预设的标准为红色通道值大于红色通道设定值，灰度值小于灰度设定值，灰度值与红色通道值的比值小于比值设定值；其中，比值设定值通过以下公式获取：c d
×
frame
gray/r
，c，d均为阈值参数；(frame
gray/r
)为像素点所属图片的灰度值总和与红色通道值总和之比。s1223、将血迹像
素点在待检测图片的全部像素点中的占比作为血迹像素占比值。
65.图2为本发明一实施例提供的血迹识别模型的原理示意图；如图2所示，
66.以病人的完整手术视频i为例，以及冲水开始时间点，并记冲水开始后为冲水阶段。自冲水阶段开始，按每秒一次的频率将视频切割为图片流，并获取非冲水阶段后的关键帧f
i1
……fiti
，以及冲水阶段后的关键帧f
iti
……fiti
，对每一张图片上的每一个像素点，通过血迹像素点识别器(即通过10000个血迹像素点和10000个非血迹像素点训练获得的血迹识别模型)用上述三准则判定是否为血迹像素，然后计算血迹像素占图片中像素点总数的比例；对于关键帧f
i1
获取识别图像m
i1
，并利用血迹像素点识别器对图像m
i1
进行血迹像素识别，并获得血迹像素占比值pbp
i1
＝0.019；对于关键帧f
iti
获取识别图像m
iti
，并利用血迹像素点识别器对图像m
iti
进行血迹像素识别，并获得血迹像素占比值pbp
iti
＝0.0560；对于关键帧f
iti
获取识别图像m
iti
，并利用血迹像素点识别器对图像m
iti
进行血迹像素识别，并获得血迹像素占比值pbp
iti
＝0.164；对于手术全过程的图像进行血迹像素占比值求总和，获得pbp总和，即spbpi＝1433；对于冲水阶段后的手术视频的图像进行血迹像素占比值求总和，获得冲水阶段pbp总和，即spbpfi＝50。
67.综上，一种基于计算机视觉的术中出血识别与计量方法采用了动态阈值与静态阈值结合的方法，其中，对红色值和灰度值采用静态阈值，对灰度值/红色值采用动态阈值，以此针对不同的环境对判断标准进行调整。具有识别准确率高、运算代价小、计算效率高的特点，实现了通过计算机视觉技术，分析处理大规模胸腔镜手术视频，能够从图像中准确识别血迹像素的技术效果。
68.s130、基于预设的关联分析规则，将各个基于血迹像素占比的变量分别与患者手术单因素显著指标以及预后指标进行关联分析；其中，患者手术单因素显著指标包括患者性别、年龄、bmi、是否吸烟、是否术后即可漏气、手术时长和预估出血量；预后指标包括术后引流量和术后插管时间是否延长。
69.其中，
70.dv:引流量(ml)；ebv:医生估计出血量(ml)；ptid:插管时长；
71.age:年龄；sd:手术总时长(min)；
72.pbp:血迹像素占比；ipal:是否术后即刻漏气；
73.spbp:血迹像素占比总和；spbpf:冲水阶段血迹像素占比总和。
74.将各个基于血迹像素占比的变量分别与患者手术单因素显著指标以及预后指标进行关联分析，包括，1)将各个基于血迹像素占比的变量分别与患者手术单因素显著指标以及术后引流量加入线性回归模型，向后回归筛选与术后引流量成显著相关的基于血迹像素占比的变量。2)通过术后插管时间是否大于等于插管时间阈值，判定术后插管时间是否延长；将插管时间延长记为1，将插管时间不延长记为0；将各个基于血迹像素占比的变量分别与患者手术单因素显著指标以及术后插管时间是否延长做逻辑回归，向后回归筛选与术后插管时间是否延长成显著相关的基于血迹像素占比的变量。
75.在具体的实施过程中，将各个基于血迹像素占比的变量分别与患者手术单因素显著指标以及预后指标进行关联分析的结果见表1和表2。
76.表1 pbp和术后引流量的单因素分析以及pbp和引流量的多元线性回归模型(r2＝0.228)
[0077][0078]
表2 pbp和术后插管时间是否延长的单因素分析以及pbp和引流量的二元逻辑回归模型
[0079][0080]
通过表1和表2可见，手术过程中pbp的总和(sumpbp)、冲水后pbp的总和(sumpbp-flushing)与术后引流量做单因素分析，sumpbp与sumpbp-flushing的p-value均《0.001。将sumpbp,sumpbp-flushing以及患者性别、年龄、是否即刻漏气等单因素显著的指标与术后引流量做多因素分析，得到sumpbp-flushing的p-value＝0.022。因此，sumpbp-flushing与术后引流量显著相关。将上述变量与插管时间是否延长做逻辑回归，得到sumpbp-flushing的p-value＝0.017；因此，sumpbp-flushing与插管时间是否延长显著相关。
[0081]
s140、基于所述关联分析结果建立各个基于血迹像素占比的变量与各个预后指标间的关系模型图；根据各个基于血迹像素占比的变量与各个预后指标间的关系模型图形成临床预后方案。
[0082]
图3和图4为本发明一实施例提供的各个基于血迹像素占比的变量与各个预后指标间的关系模型图；其中，图3为一种基于计算机视觉的术中出血识别与计量方法的引流量取对数变换关于pbp总和的散点图与线性模型图；
[0083]
图4为本发明一实施例提供的一种基于计算机视觉的术中出血识别与计量方法的引流量取对数变换关于冲水阶段pbp总和的散点图与线性模型图。
[0084]
如图3所示，横轴为pbp总和，纵轴为引流量取对数变换，获得了引流量取对数变换关于pbp总和的散点图与线性模型。也就是说对引流量做对数变换，使之满足线性回归的正态性假设。然后使用基于血迹像素占比的变量以及患者的基线数据(如年龄、性别等)对变换后的引流量做线性回归，获得关系模型图。其决定系数r2＝0.1039，p-value＜0.05。
[0085]
如图4所示，横轴为冲水阶段pbp总和，纵轴为引流量取对数变换，获得了引流量取对数变换关于冲水阶段pbp总和的散点图与线性模型图。其决定系数r2＝0.0746，p-value＜0.05。
[0086]
在具体实施过程中，通过引流量取对数变换关于pbp总和的散点图与线性模型图，
引流量取对数变换关于冲水阶段pbp总和的散点图与线性模型图为预后提供指导。
[0087]
在一个具体的实施例中，首先，获取患者a的手术视频，利用算法对患者的视频进行分析，得出其手术总的pbp值为3534.13、冲水阶段的pbp值为367.46；然后，结合其他手术单因素显著指标如患者为男性、41岁、有术后即刻的漏气、手术时间为203.88分钟，根据以上数据通过本算法可以预估患者的术后情况：患者的引流量将较多、术后带管时间将＞5天、术中出血量也较多，提示患者的术后短期康复情况较一般患者较差。而患者实际的引流量为2275ml，远高于同样手术患者的引流量，此患者的术后带管时间为8天，与利用本发明的基于计算机视觉的术中出血识别与计量方法生成的临床预后方案相一致，患者的术中出血量为100ml，也位于行同样手术患者的较高水平。通过本实施例证明了本发明的基于计算机视觉的术中出血识别与计量方法及其生成的临床预后方案的可靠性。
[0088]
在另一实施例中，对患者b的手术视频进行分析后得出其手术总的pbp值为2553.84、冲水阶段的pbp值为338.82；结合患者男性、64岁、有术后即刻的漏气、手术时长为219.02分钟，根据以上数据本发明的基于计算机视觉的术中出血识别与计量方法给出的预后方案与患者a相似，但由于本发明的基于计算机视觉的术中出血识别与计量方法的提示作用，患者b的主管医师给予了患者相应的治疗措施；例如保持引流管的通畅、术后抗凝药物的延后给予及减量、术后化痰药物的精细化调整等，患者的术后短期康复过程较患者a有明显的提高，与患者a相比患者b的引流量降至1300ml，术后带管时间减至5天。由此可见，利用本发明的基于计算机视觉的术中出血识别与计量方法生成的临床预后方案，通过给予患者针对性、精细化的治疗，能够达到加快患者的术后康复、获得更好的治疗的技术效果。
[0089]
本发明的一种基于计算机视觉的术中出血识别与计量方法通过各个基于血迹像素占比的变量与各个预后指标间的关系模型图，进行术中出血识别与计量，进而可以用于预测患者的术后恢复时间，从而有助于提高病床的利用率；也可以根据pbp值调整术后抗凝策略，如果患者的pbp值过高，术后应该不给予抗凝药物或者减少抗凝药物的用量；也可以指导选择引流管的吸力、直径和数量等。
[0090]
综上，本发明的一种基于计算机视觉的术中出血识别与计量方法，通过利用计算机视觉技术对胸腔镜手术视频进行分析，从中提取基于血迹像素占比的变量，并将基于血迹像素占比的变量与临床预后数据进行关联分析。基于血迹像素占比的变量与引流量、插管时间是否延长等预后数据显著相关，可以用于预测病人的术后情况，为制定临床预后方案提供指导作用。
[0091]
如图5所示，本发明提供一种基于计算机视觉的术中出血识别与计量系统500，本发明可以安装于电子设备中。根据实现的功能，该基于计算机视觉的术中出血识别与计量系统500可以获取单元510、血迹识别单元520、关联分析单元530和临床预后方案形成单元540。本发明所述单元也可以称之为模块，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
[0092]
在本实施例中，关于各模块/单元的功能如下：
[0093]
获取单元510，用于将所获取的手术视频按照设定频率切割成图片流；
[0094]
血迹识别单元520，用于通过预先获得的血迹识别模型确定图片流中的每张图片的血迹像素占比值，并通过图片流中的每张图片的血迹像素占比值确定多个基于血迹像素占比的变量；
[0095]
关联分析单元530，用于基于预设的关联分析规则，将各个基于血迹像素占比的变量分别与患者手术单因素显著指标以及预后指标进行关联分析；其中，患者手术单因素显著指标包括患者性别、年龄、bmi、是否吸烟、是否术后即可漏气、手术时长和预估出血量；预后指标包括术后引流量和术后插管时间是否延长；
[0096]
临床预后方案形成单元540，用于基于所述关联分析结果建立各个基于血迹像素占比的变量与各个预后指标间的关系模型图；根据各个基于血迹像素占比的变量与各个预后指标间的关系模型图形成临床预后方案。
[0097]
本发明的基于计算机视觉的术中出血识别与计量系统500，通过采用动态阈值与静态阈值相结合的血迹识别模型进行血迹识别，并通过关联分析获得各个基于血迹像素占比的变量与各个预后指标间的关系模型图，进而根据各个基于血迹像素占比的变量与各个预后指标间的关系模型图形成临床预后方案，达到了计算效率高，适用于时长较长、画面像素高的胸腔镜手术场景的技术效果。
[0098]
如图6所示，本发明提供一种基于计算机视觉的术中出血识别与计量方法的电子设备6。
[0099]
该电子设备6可以包括处理器60、存储器61和总线，还可以包括存储在存储器61中并可在所述处理器60上运行的计算机程序，如基于计算机视觉的术中出血识别与计量程序62。存储器61还可以既包括基于计算机视觉的术中出血识别与计量系统的内部存储单元也包括外部存储设备。存储器61不仅可以用于存储安装于应用软件及各类数据，例如基于计算机视觉的术中出血识别与计量程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
[0100]
其中，所述存储器61至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：sd或dx存储器等)、磁性存储器、磁盘、光盘等。所述存储器61在一些实施例中可以是电子设备6的内部存储单元，例如该电子设备6的移动硬盘。所述存储器61在另一些实施例中也可以是电子设备6的外部存储设备，例如电子设备6上配备的插接式移动硬盘、智能存储卡(smart media card，smc)、安全数字(secure digital，sd)卡、闪存卡(flash card)等。进一步地，所述存储器61还可以既包括电子设备6的内部存储单元也包括外部存储设备。所述存储器61不仅可以用于存储安装于电子设备6的应用软件及各类数据，例如基于计算机视觉的术中出血识别与计量程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
[0101]
所述处理器60在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(central processing unit，cpu)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器60是所述电子设备的控制核心(control unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器61内的程序或者模块(例如基于计算机视觉的术中出血识别与计量程序等)，以及调用存储在所述存储器61内的数据，以执行电子设备6的各种功能和处理数据。
[0102]
所述总线可以是外设部件互连标准(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存
储器61以及至少一个处理器60等之间的连接通信。
[0103]
图6仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图6示出的结构并不构成对所述电子设备6的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
[0104]
例如，尽管未示出，所述电子设备6还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理系统与所述至少一个处理器60逻辑相连，从而通过电源管理系统实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备6还可以包括多种传感器、蓝牙模块、wi-fi模块等，在此不再赘述。
[0105]
进一步地，所述电子设备6还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如wi-fi接口、蓝牙接口等)，通常用于在该电子设备6与其他电子设备之间建立通信连接。
[0106]
可选地，该电子设备6还可以包括用户接口，用户接口可以是显示器(display)、输入单元(比如键盘(keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organic light-emitting diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备6中处理的信息以及用于显示可视化的用户界面。
[0107]
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
[0108]
所述电子设备6中的所述存储器61存储的基于计算机视觉的术中出血识别与计量程序62是多个指令的组合，在所述处理器60中运行时，可以实现：将所获取的手术视频按照设定频率切割成图片流；通过预先获得的血迹识别模型确定图片流中的每张图片的血迹像素占比值，并通过图片流中的每张图片的血迹像素占比值确定多个基于血迹像素占比的变量；基于预设的关联分析规则，将各个基于血迹像素占比的变量分别与患者手术单因素显著指标以及预后指标进行关联分析；其中，患者手术单因素显著指标包括患者性别、年龄、bmi、是否吸烟、是否术后即可漏气、手术时长和预估出血量；预后指标包括术后引流量和术后插管时间是否延长；基于所述关联分析结果建立各个基于血迹像素占比的变量与各个预后指标间的关系模型图；根据各个基于血迹像素占比的变量与各个预后指标间的关系模型图形成临床预后方案。
[0109]
具体地，所述处理器60对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。需要强调的是，为进一步保证上述基于计算机视觉的术中出血识别与计量程序的私密和安全性，上述基于计算机视觉的术中出血识别与计量数据存储于本服务器集群所处区块链的节点中。
[0110]
进一步地，所述电子设备6集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或系统、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)。
[0111]
本发明实施例还提供一种计算机可读存储介质，所述存储介质可以是非易失性
的，也可以是易失性的，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现：将所获取的手术视频按照设定频率切割成图片流；通过预先获得的血迹识别模型确定图片流中的每张图片的血迹像素占比值，并通过图片流中的每张图片的血迹像素占比值确定多个基于血迹像素占比的变量；基于预设的关联分析规则，将各个基于血迹像素占比的变量分别与患者手术单因素显著指标以及预后指标进行关联分析；其中，患者手术单因素显著指标包括患者性别、年龄、bmi、是否吸烟、是否术后即可漏气、手术时长和预估出血量；预后指标包括术后引流量和术后插管时间是否延长；基于所述关联分析结果建立各个基于血迹像素占比的变量与各个预后指标间的关系模型图；根据各个基于血迹像素占比的变量与各个预后指标间的关系模型图形成临床预后方案。
[0112]
具体地，所述计算机程序被处理器执行时具体实现方法可参考实施例基于计算机视觉的术中出血识别与计量方法中相关步骤的描述，在此不赘述。
[0113]
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，系统和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
[0114]
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
[0115]
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
[0116]
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
[0117]
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
[0118]
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
[0119]
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或系统也可以由一个单元或系统通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
[0120]
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。