基于改進的種子生長算法輔助靜脈穿刺的研究*

馬尉騰,呂勇

(嘉興學院機電工程學院，浙江 嘉興 314001)

1 引 言

近年來由于科技的迅猛發展，人們的信息安全問題變得越來越重要，因而生物特征識別技術成為人們研究的焦點[1]。生物特征識別技術分為接觸式與非接觸式，靜脈識別屬于非接觸式的生物特征識別技術。

手臂靜脈識別，主要是利用靜脈血管的結構來進行身份識別，由于靜脈的紋路包含大量特征信息，故而可以用來作為驗證對象。其原理是利用靜脈血管與肌肉、骨骼之間對特定波長紅外光不同的吸收特性來進行靜脈血管造影，然后對得到的圖像提取其骨架來識別不同的人[2],但它在臨床醫療領域中的研究甚少。靜脈穿刺是臨床最為常見的基礎護理操作，是臨床工作的重要內容，然而，在日常操作過程中，護理人員會因為各種客觀因素使患者靜脈不易評估，從而導致穿刺失敗或者反復穿刺，如患者手臂肥胖、血管較細等各種原因，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，對于醫療領域具有重大的現實意義。它不但可以提高靜脈穿刺輸液治療的護理質量，減輕患者痛苦，而且能對全自動靜脈檢測與注射系統的研制提供一定指導。

本研究結合靜脈圖像處理與檢測的過程，對靜脈每一段進行標號與分析，再根據實際靜脈注射的要求選取合適的部分進行標明，主要包括圖像采集、預處理、特征提取、二值化、模板匹配。整體檢測流程框圖見圖1。

圖1 手臂靜脈檢測與標明流程圖Fig 1 Arm vein recognition and identification flow chart

2 靜脈圖像采集與預處理

2.1 主動紅外成像技術[4-5]

圖2所示是血液中氧合血紅蛋白(動脈血)與還原血紅蛋白(靜脈血)的光吸收特性，是分子吸收系數與光譜波長之間的曲線關系。從圖中可以看出，在由可見光區逐漸過渡到近紅外區的過程中，在大約 760 nm 的近紅外區，靜脈血對紅外光的吸收達到了一個峰值，分子吸收系數接近 1000，而雖然動脈血的紅外吸收有上升的趨勢，但曲線增長緩慢， 分子吸收系數也僅有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行采集。采集系統見圖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Fig 3 Vein image acquisition system

2.2 靜脈圖像預處理

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

(1) 感興趣區域的提取 ：采用Sobel算子進行邊緣檢測，并以獲得的兩條邊界以內的部分來代表整個手臂的圖像。

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

3 靜脈圖像檢測與標明

3.1 特征提取并二值化

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

3.2 改進的種子生長法

本研究由二值化后圖像先進行一種簡單的查表法來進行細化處理，然后對圖像進行標號，由于細化后的圖像會存在一些毛刺，因此在標號之后還要進行剪裁。

種子生長是指從某個像素出發，按照一定的灰度閾值的準則，逐步加入鄰近像素，當滿足一定的條件時，種子生長終止[8]。分析本研究所得靜脈骨架圖像可知，骨架就是由端點與端點、端點與分支點、分支點與分支點組成，利用種子生長的原理可將其中的所有端點與分支點視為“種子點”，由于在任意一段以8鄰域或4鄰域連續的靜脈骨架中“種子點”數總比靜脈段數大1，故而遍歷所有“種子點”即可將每一段靜脈都實現標號出來。具體步驟如下：

(1)遍歷骨架圖像記錄所有端點以及分支點作為種子點。

(2)遍歷所有種子點，每經過一個種子點編號一段靜脈，并將編號值值加1。

(3)當遍歷到的種子點8鄰域未檢測到靜脈骨架時，跳過該種子點。

圖4、圖5為該方法的一個例子。

經過該方法對靜脈骨架編號后，每一段靜脈變成由不同的編號值組成的8鄰域連通段，后續對最佳穿刺點的提取即對這些靜脈分支進行分析并計算最佳部位。

4 穿刺部位標明

4.1 靜脈分段斜率與斜率方差計算

分別對每一段被編號靜脈進行多次斜率計算并取參數n作為每一次計算相隔的像素點個數，將這些斜率視為隨機變量K，由于我們要選取的靜脈要求具有一定長度并且彎曲度較小，因而對隨機變量K求方差σ即可確定K對于均值的偏離程度，比較σ就可確定我們想要的靜脈分支。

圖4 骨架標記種子點Fig 4 Skeleton marker seed points

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

(1)

(2)

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

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度，為了盡量減小醫護人員選擇的范圍，故需對其進行片段的提取，基于靜脈穿刺時對靜脈寬度、彎曲度、長度等多方面的考慮，選擇對得到的最佳靜脈分支進行模板匹配的方法[9]。具體操作步驟如下：

(1)建立標準匹配模板

由于得到的最佳靜脈分支的細化圖像具有彎曲度較小的特點，故對其進行分段斜率的計算并以這些斜率繪制長度為30個像素的線段，然后建立結構元素對其進行膨脹操作即可得到需要的標準模版。

(2)進行模板匹配

通過模板匹配的原理，用得到的這些標準模板對最佳靜脈分支經行匹配，每進行一次匹配就通過式(3)計算一次匹配度α，最后提取匹配度最大的區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分別表示像素點的橫縱坐標。

(3)標明

記錄匹配所得區域的坐標，在最原始處理前的圖像中畫一個矩形，標明出所得到的最佳注射部位。

5 靜脈檢測與標明系統實驗平臺與實驗結果

5.1 實驗平臺

本系統采用150度USB高清窄紅外工業1080P電腦攝像頭，采用Microsoft Visual Studio 2013軟件并搭建第三方庫Opencv，在PC上進行圖像的采集和處理的實驗。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是一個基于BSD許可(開源)發行的跨平臺計算機視覺庫，可以運行在Linux、Windows、Android和Mac OS操作系統上。它輕量級而且高效，由一系列 C 函數和C++ 類構成，同時提供了Python、Ruby、MATLAB等語言的接口，實現了圖像處理和計算機視覺方面的很多通用算法[10]。

5.2 實驗結果

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

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

圖8 ROI區域提取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 圖像細化Fig 12 Image refinement

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

圖14 標準模板與最終標明圖Fig 14 Standard template and marked diagram

圖15 另外一幅原圖與標明圖Fig 15 Another original and markedFigure

其中由圖7采集到一幅原始圖像，經過邊緣檢測提取包含靜脈信息的ROI區域，見圖8。圖9為經過提前設計好的方向算子進行特征提取得到的結果，圖10為直接用Niblack進行二值化得到的結果，顯然圖中存在一些斑點，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果，圖12為經過查表細化算法得到的信息完整的細化圖像，然后提取最佳靜脈并根據相關信息建立圖14左的標準模板，再對圖11未細化的最佳分支進行模板匹配并在圖14右中進行標明。由最終結果可以看出本研究的算法能夠完成靜脈的自動檢測與標明。圖15為對另外一人圖像采樣后處理結果，從圖中可以看出本研究算法能夠實現靜脈的自動檢測與較高效的標明。

通過本研究的方法對240個樣本進行處理，得到的數據見表1、表2。

表1 手臂靜脈檢測與標明的結果

表2手臂靜脈識別與標明系統所用時間

Table2Armveinidentificationandlabelingsystemtime

圖像處理時間(s)檢測與標明時間(s)總時間(s)0.4030.1650.568

針對經過本研究算法所提取出的最佳靜脈穿刺點的位置是否準確的問題，邀請了醫院具有3年靜脈穿刺經驗的護士對通過本研究算法處理過的并檢測出穿刺位置的231個樣本進行評價，得到數據見表3。

表3 評價結果

由表1可知，240個樣本中，僅有9個樣本未檢測到合適的穿刺部位，檢測率為96.25%，可見該檢測系統具有較好的性能。由表2可知本算法運行一次所需時間大概在1.1 s，滿足實際需求。由表3可知，在檢測到穿刺位置的231個樣本中不符合的只有13個，不符合率為5.628%，可見本研究算法標明出的靜脈具有較高的準確性與可靠性。

6 總結與展望

對本研究算法在實驗中的結果分析可知，本文方法對采集到的手臂圖像經行一系列處理后，能夠對靜脈實現提取與標明，驗證了算法的可行性與有效性，并且為真正全自動靜脈穿刺提供了一定的依據，具有比較重要的現實意義。在對所標明出的圖像進行分析后發現，光照的不均勻以及光線中各種波長的含量對采集到的圖像質量以及標明部位有較大的影響。因此，制作理想的采集設備就能夠獲取更好的原始圖像以及更可靠的匹配模板，進一步提高標明的準確率。