一种血流优化模型与神经网络相结合的自动插针方法

本发明属于人工智能及医学领域，具体涉及一种血流优化模型与神经网络相结合的自动插针方法。

背景技术：

1、血管插针在现代医疗中随处可见，小至体检时的静脉取血，大至抢救病人时的输血输液。然而精准地找到静脉或动脉并判断其走向在很多情况下对医护人员都是一项难事。例如，部分人的血管细小，或者被皮下脂肪肌肉层严实包裹，或者体表毛发浓密，导致人眼能见度很低；而动物则是直接被兽毛包裹，难以用人眼识别其静动脉走向。因不能精准地找到可以用于插针的血管，而导致的抢救时间延误的情况时有发生；拙劣的插针手法会导致病人或动物多次不必要地挨针，出现疼痛出血甚至不同程度的感染，进而可能引发医疗事故以及病人家庭与医生的严重冲突。

2、超声波能够用于探测人眼看不见的浅层和深层组织，尤其适用于准确地探测和定位人体和动物体内的血管。在自然界中，吸血蝙蝠通过自带的超声能力能够准确判断动物及牲畜身上人眼所看不到的血管分布，并完成取血；在人工开发的医疗设备中，彩色多普勒超声显像仪能够在给定的截面内提供血流的方向和流速等二维或三维图像信息。

3、然而，目前还未有一套基于多普勒超声原理和血流优化模型且无须成像的自动插针技术方法。

技术实现思路

1、针对现有技术方法的缺失和不足，本发明提出一种血流优化模型与神经网络相结合的自动插针方法。本发明具体通过如下的技术方案实现：

2、一种血流优化模型与神经网络相结合的自动插针方法，包括以下步骤：

3、步骤一：超声血流信息获取——利用多普勒超声原理，由自动超声扫描测得的血流反馈信号，计算出注射区域的血管位置和血流速度分布的空间角度关系；

4、步骤二：建立血流相对速度优化模型，其瞬时最小化模型表达式如下：

5、p*＝argmin f(μp)+c|μp|γ  (1a)

6、式(1a)-(1b)中，c，γ＞0及m＞＞1为常数，μ′p为p点处血流相对速度沿流动方向的方向导数或差分矢量，为判别函数；

7、由物理测算和血流相对速度优化模型得到一组插针位置和角度的优选方案；

8、步骤三：所述优选方案结合具有选择功能的神经网络，决策出最优插针点及插针角度，得到最优插针方案；

9、步骤四：根据所述最优插针方案，结合具有学习功能的神经网络，学习并模拟医护人员的插针手法，得到插针路径。

10、进一步地，所述步骤一包括具有多组频率且能调整角度的自动超声扫描，和基于超声多普勒的血管位置和血流速度的计算。通常医护中作超声检查是手动式扫描，而为获得所述血流相对速度优化模型所需的各变量值，达到自动插针的目的，对身体上待插针部位进行能自动调整发射角度和频率的超声扫描，再利用多普勒原理自动测算；

11、超声扫描采用机动式或静止式，机动式超声扫描要求超声探头能在局部范围内按可变的角度自动旋转，并沿着活动支架作机动式平移扫描；静止式超声扫描采用电子调控的相控阵模式；

12、根据采集到的超声信息，过滤不相关信息，借助多普勒超声原理，解调并计算出包括插针部位皮下主要血管的局部空间分布、血流方向在内的必要信息。利用超声多普勒原理对血流空间角度进行测算和标注的方法为：

13、设红细胞群沿着x轴即血流方向以速度v移动，w为基准轴，所述基准轴可以是重力方向的竖直轴，z轴、x轴与w轴处于同一平面内，其中z轴垂直于x轴，并且z轴与w交角为超声探头发射出频率为fo的超声波，在体内介质中以声速cs传播至探测目标，再返回散射信号至接收探头，接收频率为fr；记超声入射平面为入射声束轴与z轴所在的平面p1，p1内与z轴垂直的轴为y；超声入射平面与血流方向的夹角为α，即x轴与y轴的夹角为α，入射声束轴与水平面的夹角设为β，即入射声束轴与y轴夹角为β；记红细胞(群)沿接收器方向的散射声轴与z轴所在的散射平面为p2，p2中与z轴垂直的轴为y′，y′轴与血流方向的夹角为α′，且散射声轴与y′轴夹角为β′；记入射声束轴与w轴的交角为γ，散射声轴与w轴的交角为γ′，其中γ与γ′的值能直接测量得到。

14、超声接收频率fr(t+δt)与入射频率fo(t)的关系表达式为：

15、

16、式(2)中，μ为血流速度与人体组织或动物体内组织介质中超声声速cs之比，t表示超声波的发射时刻；(α，β)为入射声束与血流方向相对于入射平面的夹角，(α′，β′)为散射声束与血流方向相对于散射平面的夹角；各空间角度满足如下关系式：

17、

18、

19、当血流相对速度μ＜＜1，且超声发射器与接收器位于同一探头内，即同一空间位置时，多普勒频移、血流相对速度与方向角度具有如下关系：

20、δf(t)＝μfo(t)(cosαcosβ+cosα′cosβ′)   (4)

21、式中，δf(t)为多普勒频移；

22、记ω0为超声的发射中心频率，为平均角频率，则有平均速度比的关系式：

23、

24、根据扫描角度变化后采集和过滤提取出的有效超声反馈波段，定向解调得到一组多普勒频移并以此计算血管位置、血流流速变量，即利用频移变化方程组、相应的延时变化及式(3)，求解出相对流速和相对角度参数进而得到须插针区域的局部血管相对于基准坐标的分布和走向；当超声发射器与接收器位于同一探头内，即同一空间位置时，所述频移变化方程组的表达式如下：

25、δfj，k＝2μfocos(α+δαj)cos(β+δβk)，-j≤j，k≤j   (6)

26、或

27、

28、式中，δfj，k表示频移变化量，j≥1为正整数；

29、当频移变化方程组中保持参量α的同时，设定δβk＝kδβ，k＝-j，...，j，则有：

30、

31、当频移变化方程组中保持参量β的同时，α变为α+jδα，j＝-j，...，j，j≥1为正整数，则有：

32、

33、特别地，当kδβ＜＜β，jδα＜＜α时，(8a)-(8b)有简化的线性计算形式

34、

35、(8a)-(9)各式中，±号保证右侧计算量与左侧cosβ或cosα正负保持一致；在δα与δβ精确可控的情况下求解出相对角度参数，并由频移变化方程得到局部相对流速；再由式(3)计算并记录z轴与基准轴w的夹角

36、此外，在保持参量α时，亦可以通过声程变化导致的延时计算得到β的值：

37、tk-t＝2lδβtanβ/cs    (10)

38、式(10)中，l为探头与目标探测点的距离，t表示超声波的发射时刻，tk表示β变为β+kδβ而α保持不变时信号的接收时刻。

39、进一步地，所述步骤二中，利用具有一个或多个局部最优解的血流相对速度优化模型，得到一组候选的较优插针坐标与插针角度，所述血流相对速度优化模型的构造具体如下：

40、对于半径为r的圆柱形血管模型，血流量并且在无分叉的质量恒定的血管中有由流体连续性原理知其中为血流平均速度，为血流方向上压强的单位长度变化。进而有：

41、

42、其中，为血流平均相对速度的单位长度变化；这意味着血流量极大地依赖于血管半径，且血管半径的变化依赖于血流相对速度的变化；

43、由此建立血流相对速度的瞬时最小化模型(1a)-(1b)；瞬时最小化模型中，在以p为中心，距离为的采样范围内，血流速度在血流方向上无跳跃或明显变化的区域是优选区域，此时令判别函数否则对应于血管分叉、堵塞或局部破裂的情况；

44、在计算效率和计算量允许的情况下，在血流相对速度的瞬时最小化模型中加入时间变化量，并要求血流速度优化模型对时间有稳定性；先对{μp(tk)}k≤n进行降噪的预处理，其中为m个心动周期[0，mt]上的一组时间列，0≤k≤mn，n为正整数；再考虑依赖时间的血流速度优化模型：

45、argminp f({μp(tk)}k)+c1||{μp(tk)}k||γ+c2gp(k)  (12a)

46、其中

47、

48、所述血流速度优化模型需满足如下约束：

49、ip，min≤ip≤ip，max，ir，min≤ir≤ir，max  (13a)

50、其中，

51、

52、与

53、

54、分别为临床上表征血管受阻情况的搏动指数与阻力指数的估算式，为第(n+1)个心动周期内的平均流速；

55、血流相对速度模型中各范数为关于时间序列的||·||∞或||·||1范数，或其中q≥1，根据所需达到的效果挑选，在降低计算值受噪声影响的同时保证计算效率；通过(13a)中值ip，min、ip，max、ir，min及ir，max的设定，初步判定并排除阻塞或病变的血管从而减少血流相对速度优化模型的运算量。

56、进一步地，在能够快速测得的情况下，所述判别函数表达式为：

57、

58、

59、式(14a)-(14b)中，pn与p-n分别为血流方向和逆血流方向上与p相距的采样点，δ0为阈值，cd为正常数，取值约等于且不小于插针深度；在血流相对速度的优化方案，即在式(1a)-(1b)及(12a)-(12b)中，中根据临床经验对插针理想位置血流相对速度的取值范围作额外的限定，即设定μ‘≤|μp|≤μ’‘。

60、进一步地，所述依赖时间的血流速度优化模型中，式(12a)能被替换为：

61、argminp f({μp(tk)}k)+c1||{μp(tk)}k||γ  (15a)

62、并满足约束条件

63、gp(k)≤δ  (15b)

64、从而使计算进一步简化。

65、进一步地，所述步骤三中，利用从物理测算和血流相对速度优化模型所得到的优选方案和实际临床表现分值，训练具有选择功能的神经网络，集成于一个学习芯片；所述具有选择功能的神经网络，包含多个中间层，以候选注射点的血流相对速度和坐标所对应的参量以及(1，2，3，4，5)的序列号为输入层的输入数据，并由有经验的医护工作者给物理测算出的坐标和角度进行评估反馈，其中μ为血流速度与人体组织或动物体内组织介质中超声声速cs之比，确定入射声束与血流方向的夹角；训练组的评估反馈内容包含医护人员利用其它医疗器械在实验样本上事先标注的优选注射位置和实际插针时的血管走向，以及按照优先顺序给出的序列号排名；实验中所标注的优选注射位置及血管走向通过系统扫描和计算，以数据形式反馈给所述具有选择功能的神经网络；在多次使用评估后，经训练后的具有选择功能的神经网络能根据输入数据以参量形式输出最优插针坐标及插针角度。

66、进一步地，所述步骤四中的插针路径规划如下：

67、若计算所得的最优插针点的局部血流方向对应插针角度则初始推针角度应选为再逐渐调整针体使其与局部血流方向一致，可按经验直接设定。

68、所述逐渐调整针体的过程由所述具有学习功能的神经网络指导完成，反映在针头接触皮肤和插入的过程会有一个插入角度插入速度{uτ：τ∈n}随时间的微妙变化；将这些反映专业的插针手法的变化量输入并训练具有学习功能的神经网络；所述具有学习功能的神经网络的训练由专业人员配合独立于整体方法步骤完成。

69、本发明的有益效果如下：

70、(1)本发明通过结合血流优化模型和神经网络的学习和判别功能，自动选择血管上的最优插针位置，并模拟专业人员的插针手法设计插针路径，以克服特殊情况下肉眼寻找血管时的困难，提高在缺乏专业人员的环境中自救急救的存活概率。

71、(2)本发明有益于避免或减少人和动物因多次扎针失败而引发的痛苦。

72、(3)本发明基于超声多普勒原理，但只须使用血流速度的相关数据在局部范围内作空间坐标的计算和优化，无须作三维超声成像，免去了三维超声成像所需的庞大计算量和显像设备，为实现体积小、重量小且便于携带的自动插针设备提供一种全新的技术方法基础。