CN111524122B - 一种基于特征工程的纱布浸血量估算模型构建方法 - Google Patents

Abstract

本发明涉及一种基于特征工程的纱布浸血量估算模型构建方法，属于人工智能领域。该方法包括步骤：S1采集包含血量标注的浸血纱布图像，构建数据集；S2图像预处理，包括图像尺寸规整和色彩空间转换；S3图像浸血区域掩模提取，并获得图像浸血区域；S4提取浸血纱布图像特征，包括浸血区域血红蛋白量、HSV色彩空间各通道的均值和方差共14个特征，并进一步构建图像特征集；S5基于步骤S4中所构建的图像特征集，构建纱布浸血量估算的机器学习模型。本发明基于特征工程，通过所构建的模型能够较为快速准确的估计病人的术中失血量。

Description

一种基于特征工程的纱布浸血量估算模型构建方法

技术领域

本发明属于人工智能领域，涉及一种基于特征工程的纱布浸血量估算模型构建方法。

背景技术

随着手术技术的发展，每年约有3亿次外科手术，术后并发症的发生率约为16.7％，死亡率约为0.5％麻醉师的工作在外科手术中至关重要，而其中最重要和最困难的任务就是持续监测和评估手术期间的失血，这不仅可以指导第一次输血，还可以指导第二次输液。如果低估术中失血量，可能导致输血失败和术后并发症。高估术中失血可能导致过度监测，输血相关并发症和血液制品的浪费。

术中失血是指循环血容量的减少，其中损失的循环血容量包括不可见成分：血液(血浆)和可见成分(主要是红细胞)。术中失血主要包括手术操作平台出血或渗血，纱布，抽吸器和无菌毛巾中的血液含量。术中持续监测失血的最大挑战是估计纱布中的血液含量。

估算纱布吸收的血液的主要方法包括视觉评估方法和称重方法。视觉评估方法通过目测测量不同规格的手术纱布上的血液面积来估计失血量。该方法是临床上估计失血量最常用的方法，但其准确性较差。当失血量小于150ml时，很容易高估失血量。但是，当失血量大于300ml时，很容易低估失血量，失血越多，不容易低估失血。上述方法仅涉及血液量，并未考虑不同患者的不同血红蛋白浓度和手术期间盐水对血液的稀释，因此该方法对血浸纱布中可见成分量的估计能力是有限的。称重方法相对准确，但操作复杂，一般在手术后进行，不便于快速的术中评估。同时，称重方法需要由仪器护士和外科医生准确计算纱布的灌水量，这在临床上应用有一定的局限性。

目前，人工智能技术已在医学领域得到了广泛的研究和应用。为了克服目前评估血浸纱布血液量的方法的缺点来协助麻醉医师，本文提出了一种基于特征工程的新方法。该方法利用图像处理技术和患者血红蛋白数据提取浸血纱布图像的关键特征，并结合特征工程方法构建模型，能够实现对纱布浸血量的快速准确估算。

发明内容

有鉴于此，本发明的目的在于提供一种基于特征工程的纱布浸血量估算模型构建方法。该方法利用特征工程提取血浸纱布图像中的关键特征，通过机器学习算法，构建纱布浸血量估算模型，能够实现手术过程中对纱布血容量的快速准确估算。

为达到上述目的，本发明提供如下技术方案：

一种基于特征工程的纱布浸血量估算模型构建方法，该方法包括以下步骤：

S1：采集包含血量标注的浸血纱布图像，构建数据集；

S2：图像预处理，包括图像尺寸规整和色彩空间转换；

S3：图像浸血区域掩模提取，并获得图像浸血区域；

S4：提取浸血纱布图像特征，包括浸血区域血红蛋白量、HSV色彩空间各通道的均值和方差共14个特征，并构建图像特征集；

S5：基于步骤S4中所构建的图像特征集，构建纱布浸血量估算的机器学习模型。

可选的，在所述步骤S1中，浸血纱布图像在手术结束时，将纱布平整展开，逐张浸血纱布统一拍摄。

可选的，在所述步骤S2中，将所拍摄图像尺寸规整到480x480像素大小，并将尺寸规整后的图像从RGB色彩空间转换到HSV色彩空间。

可选的，在所述步骤S3中，根据HSV色彩空间中的H值提取图像浸血区域掩模，共两个掩模，具体定义为：

其中，(i,j)为浸血图像在RGB色彩空间中的像素位置。

可选的，在所述步骤S3中，利用掩模得到浸血纱布图像的两个浸血区域，定义为：

其中，(i,j)为浸血图像在RGB色彩空间中的像素位置，B_i,j为原始浸血纱布图片(i,j)位置的HSV像素矢量值。

可选的，在所述步骤S4中，血红蛋白量由血红蛋白浓度与浸血区域面积占比相乘得到，具体步骤包括：

(1)计算两个浸血区域掩模下的像素个数，分别记为PR1_num和PR2_num；

(2)分别计算两个掩模下的浸血区域面积占比，即占整张图像的比例：

(3)对患者血红蛋白浓度归一化处理：

其中，Hbc表示当前单个患者的血红蛋白浓度，Max和Min分别代表所有患者血红蛋白浓度的最大值和最小值；

(4)分别计算两个掩模下浸血区域的血红蛋白量，定义为浸血区域面积占比与归一化血红蛋白浓度的乘积：

Hgb1＝Hbc×AR1，

Hgb2＝Hbc×AR2。

可选的，在所述步骤S4中，对每一幅浸血纱布图像，计算浸血区域在HSV色彩空间中各通道的均值和方差，由于存在两个浸血区域掩模，对所产生的两个浸血区域分别计算均值和方差特征；将这些特征记为：H1_mean、H1_std、S1_mean、S1_std、V1_mean、V1_std、H2_mean、H2_std、S2_mean、S2_std、V2_mean、V2_std，共12个特征。

可选的，在所述步骤4中，每一幅浸血纱布图像，共提取14个特征，包括特征Hgb1和Hgb2，以及所述12个特征；对步骤S1中所构建数据集中的所有图片提取特征，形成图像特征集；图像特征集串行构建获并行构建。

可选的，在所述步骤5中，纱布浸血量估算机器学习模型为所构建的图像特征集上构建的多元线性回归模型。

本发明的有益效果在于：通过本发明的纱布浸血量估算模型构建方法，采集浸血纱布图像并标注纱布浸血量，构建训练数据集，通过图像预处理规整图像尺寸并进行色彩空间转换，基于特征工程并结合患者血红蛋白浓度信息提取图像特征，以二次误差函数作为损失函数构建多元线性回归纱布浸血量估算模型，可实现对纱布浸血量的快速准确估算，为麻醉医师提供准确的参考，提高患者安全。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：

图1为一种基于特征工程的纱布浸血量估算模型构建方法流程示意图；

图2为实施例浸血纱布图像示意图；

图3为实施例中浸血区域图像示意图；

图4为实施例流程图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

如图1所示，一种基于特征工程的纱布浸血量估算模型构建方法，包括如下步骤：

S1采集包含血量标注的浸血纱布图像，构建数据集；

S2图像预处理，包括图像尺寸规整和色彩空间转换；

S3图像浸血区域掩模提取，并获得图像浸血区域；

S4提取浸血纱布图像特征，包括浸血区域血红蛋白量、HSV色彩空间各通道的均值和方差共14个特征，并进一步构建图像特征集；

S5基于步骤S4中所构建的图像特征集，构建纱布浸血量估算的机器学习模型。

进一步，在所述步骤S1中，所述浸血纱布图像在手术结束时，将纱布平整展开，逐张浸血纱布统一拍摄。

进一步，步所述骤S2中，将所拍摄图像尺寸规整到480x480像素大小，并将尺寸规整后的图像从RGB色彩空间转换到HSV色彩空间。

进一步，步所述骤S3中，根据HSV色彩空间中的H值提取图像浸血区域掩模，共两个掩模，具体定义为：

其中，(i,j)为浸血图像在RGB色彩空间中的像素位置。

进一步，在所述步骤S3中，利用掩模得到浸血纱布图像的两个浸血区域，定义为：

其中，(i,j)为浸血图像在RGB色彩空间中的像素位置，B_i,j为原始浸血纱布图片(i,j)位置的HSV像素矢量值。实际上，BR1和BR2是根据原始浸血纱布图像得到的两张浸血图像，每张图像上只有红色和黑色，红色表示浸血区域，黑色表示非浸血区域。

进一步，在所述步骤S4中，血红蛋白量由血红蛋白浓度与浸血区域面积占比相乘得到，具体步骤包括：

(1)计算两个浸血区域掩模下的像素个数，分别记为PR1_num和PR2_num；

(2)分别计算两个掩模下的浸血区域面积占比，即占整张图像的比例：

(3)对患者血红蛋白浓度归一化处理：

其中，Hbc表示当前单个患者的血红蛋白浓度，Max和Min分别代表所有患者血红蛋白浓度的最大值和最小值；

(4)分别计算两个掩模下浸血区域的血红蛋白量，定义为浸血区域面积占比与归一化血红蛋白浓度的乘积：

Hgb1＝Hbc×AR1，

Hgb2＝Hbc×AR2。

进一步，在所述步骤S4中，对每一幅浸血纱布图像，计算浸血区域在HSV色彩空间中各通道的均值和方差，由于存在两个浸血区域掩模，因此对所产生的两个浸血区域分别计算均值和方差特征。将这些特征记为：H1_mean、H1_std、S1_mean、S1_std、V1_mean、V1_std、H2_mean、H2_std、S2_mean、S2_std、V2_mean、V2_std，共12个特征。

进一步，在所述步骤4中，每一幅浸血纱布图像，共提取14个特征，包括权利要求6中的特征Hgb1和Hgb2，以及权利要求7中的12个特征。对步骤S1中所构建数据集中的所有图片提取特征，形成图像特征集。图像特征集可串行构建，也可并行构建。

进一步，在所述步骤5中，所述纱布浸血量估算机器学习模型为在步骤S4所构建的图像特征集上构建的多元线性回归模型。多元线性回归模型定义为：

y_est＝β₀+β₁×f₁+β₂×f₂+…+β₁₄×f₁₄，

其中，y_est为血量估计值，β₀,β₁,…,β₁₄为参数，f₁,f₂,…,f₁₄为浸血纱布图像的特征。模型求解采用最小二乘法对如下损失函数最优化：

其中，n为训练集中图像数量。

下面将结合附图1，对本发明的优选实施例进行详细的描述。

实施例：

采用一种基于特征工程的纱布浸血量估算模型构建方法，构建纱布浸血量估算模型，包括如下步骤：

步骤一、结合图2，先将3968×2976×3原始图像矩阵调整大小至480×480×3，再将调整大小后的RGB图像转化到HSV空间。

步骤二、首先在HSV空间中，根据H、S、V值划分浸血区域和非浸血区域，其中浸血区域分为两部分：

通过上述两种划分得到两个掩膜(浸血区域赋值为“255”，非浸血区域赋值为“0”)，利用H空间的值计算出浸血区域的占比。

步骤三、利用在HSV空间中得到的掩膜，得到两个浸血区域图像，如图3所示。

步骤四、在HSV空间，分别计算两张浸血区域图像H、S、V通道的均值和方差，共12个特征。

步骤五、归一化血红蛋白浓度，并与两个浸血区域占比相乘，得到特征Hgb1和Hgb2。

步骤六、对训练集中的所有图像执行步骤一至步骤五，每张图像获得14个特征，形成图像特征集。可串行，也可并行处理。

步骤七、利用步骤六得到的图像特征集，针对如下二次损失函数训练多元线性回归模型：

训练所得模型可用于纱布浸血量估算。

本实施例流程图如图4所示。

最后说明的是，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者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (9)

1.一种基于特征工程的纱布浸血量估算模型构建方法，其特征在于：该方法包括以下步骤：

S1：采集包含血量标注的浸血纱布图像，构建数据集；

S2：图像预处理，包括图像尺寸规整和色彩空间转换；

S3：图像浸血区域掩模提取，并获得图像浸血区域；具体步骤为：根据HSV色彩空间中的H值提取图像浸血区域掩模，共两个掩模；利用掩模得到浸血纱布图像的两个浸血区域；

S4：提取浸血纱布图像特征，针对每一个浸血区域，提取图像特征：包括浸血区域血红蛋白量、HSV色彩空间各通道的均值和方差，共14个特征，

S5：基于步骤S4中所构建的图像特征集，构建纱布浸血量估算的机器学习模型。

2.根据权利要求1所述的一种基于特征工程的纱布浸血量估算模型构建方法，其特征在于：在所述步骤S1中，浸血纱布图像在手术结束时，将纱布平整展开，逐张浸血纱布统一拍摄。

3.根据权利要求1所述的一种基于特征工程的纱布浸血量估算模型构建方法，其特征在于：在所述步骤S2中，将所拍摄图像尺寸规整到480x480像素大小，并将尺寸规整后的图像从RGB色彩空间转换到HSV色彩空间。

4.根据权利要求1所述的一种基于特征工程的纱布浸血量估算模型构建方法，其特征在于：在所述步骤S3中，根据HSV色彩空间中的H值提取图像浸血区域掩模，共两个掩模，具体定义为：

第一个掩模

第二个掩模

其中，(i,j)为浸血图像在RGB色彩空间中的像素位置。

5.根据权利要求4所述的一种基于特征工程的纱布浸血量估算模型构建方法，其特征在于：在所述步骤S3中，利用掩模得到浸血纱布图像的两个浸血区域，定义为：

第一个浸血区域

第二个浸血区域

其中，(i,j)为浸血图像在RGB色彩空间中的像素位置，B_i,j为原始浸血纱布图片(i,j)位置的HSV像素矢量值。

6.根据权利要求5所述的一种基于特征工程的纱布浸血量估算模型构建方法，其特征在于：在所述步骤S4中，血红蛋白量由血红蛋白浓度与浸血区域面积占比相乘得到，具体步骤包括：

(1)计算两个浸血区域掩模下的像素个数，分别记为PR1_num和PR2_num；

(2)分别计算两个掩模下的浸血区域面积占比，即占整张图像的比例：

(3)对患者血红蛋白浓度归一化处理：

其中，Hbc表示当前单个患者的血红蛋白浓度，Max和Min分别代表所有患者血红蛋白浓度的最大值和最小值；

(4)分别计算两个掩模下浸血区域的血红蛋白量，定义为浸血区域面积占比与归一化血红蛋白浓度的乘积：

Hgb1＝Hbc×AR1，

Hgb2＝Hbc×AR2。

7.根据权利要求6所述的一种基于特征工程的纱布浸血量估算模型构建方法，其特征在于：在所述步骤S4中，对每一幅浸血纱布图像，计算浸血区域在HSV色彩空间中各通道的均值和方差，由于存在两个浸血区域掩模，对所产生的两个浸血区域分别计算均值和方差特征；将这些特征记为：H1_mean、H1_std、S1_mean、S1_std、V1_mean、V1_std、H2_mean、H2_std、S2_mean、S2_std、V2_mean、V2_std，共12个特征。

8.根据权利要求7所述的一种基于特征工程的纱布浸血量估算模型构建方法，其特征在于：在所述步骤S4中，每一幅浸血纱布图像，共提取14个特征，包括特征Hgb1和Hgb2，以及所述12个特征；对步骤S1中所构建数据集中的所有图片提取特征，形成图像特征集；图像特征集串行构建获并行构建。

9.根据权利要求8所述的一种基于特征工程的纱布浸血量估算模型构建方法，其特征在于：在所述步骤S5中，纱布浸血量估算机器学习模型为所构建的图像特征集上构建的多元线性回归模型。

Images