本發明涉及計算機圖像處理及人工智能，特別涉及一種基于機器視覺和人工智能的失血量估計方法及系統。

背景技術：

1、在手術或孕婦生產過程中，需要對手術過程中的失血量進行計算，因此準確及時的失血量評估是非常重要的。一方面，過低估計失血量可能導致因輸血延遲而引起的血紅蛋白(hemoglobin，hb)缺乏，導致循環不穩定和氧氣供應不足；另一方面，過高估計失血量可能導致不必要的血制品浪費，同時增加由于輸血引發的并發癥的發病率和死亡率。所以，準確估計失血量對于及時啟動救治措施和避免不必要的輸血至關重要。但是，目前尚缺乏簡單易行且精確的失血量評估方法，如何精確計量失血量一直是臨床關鍵問題。

2、常用的估計失血量的方法有：目測法，根據臨床經驗估算失血量，缺點是主觀性高，一致性和準確性較差。稱重法，失血前后的紗布的重量差值，加上吸引器中的失血量得到的失血量估計值，缺點是無法完全收集產后出血和血液中混有羊水會導致估計不準。休克指數法(shock?index，si)休克指數＝脈率/收縮壓(mmhg)，根據休克指數估計失血量，可以粗略估計失血量，其缺點是準確性不夠。如何實時、動態及準確地評估失血量一直是研究熱點和臨床難題，將機器視覺和人工智能技術應用于出血量估計中，研究開發創新的出血量估計方法，可以克服現有出血量估計方法中存在的準確性差，操作不方便，結果滯后的缺點；滿足出血量估計簡單、及時和準確的要求。

3、現有技術一，申請號：cn?202080052757.9公開了一種在醫療規程中提供指導，用于在醫療規程期間向用戶提供指導的示例方法和示例系統。示例方法可以由一個或多個處理器執行并且可以包括估計患者的失血量、基于估計的患者失血量確定失血協議的當前患者階段，以及基于失血協議的當前患者階段向用戶提供指導。失血協議可以包括多個階段，并且每個階段可以包括一個或多個元素。雖然向用戶提供指導可以包括從失血協議的當前患者階段選擇一個或多個元素。但是其方案較為簡單，失血量估計過程簡單，導致估計結果不準確。

4、現有技術二，申請號：cn202010324238.5公開了一種基于特征工程的紗布浸血量估算模型構建方法，包括步驟：采集包含血量標注的浸血紗布圖像，構建數據集；圖像預處理，包括圖像尺寸規整和色彩空間轉換；圖像浸血區域掩模提取，并獲得圖像浸血區域；提取浸血紗布圖像特征，包括浸血區域血紅蛋白量、hsv色彩空間各通道的均值和方差共14個特征，并進一步構建圖像特征集；基于所構建的圖像特征集，構建紗布浸血量估算的機器學習模型。雖然基于特征工程，通過所構建的模型能夠較為快速準確的估計病人的術中失血量。但是缺乏人工智能模型的支持，導致計算過程數據處理繁瑣，結果的精度有待進一步提升。

5、現有技術三，申請號：cn201310136102.1公開了一種產婦用的貯血器，半球形的貯血器頭通過連接管接貯血袋。使用時，先將貯血器頭上的凹面罩于會陰部，再將其上方的兩條固定帶粘貼于腹部兩側皮膚上，將其下方的兩條固定帶粘貼于兩側臀部皮膚上，產婦產后流出的血液即從貯血器頭通過連接管流入貯血袋。使產后出血量估計準確、簡單、方便、安全。雖然解決了傳統方法估計產后失血量不準確、不方便的問題；貯血器不使用時，可將其互相折疊包裝，便于攜帶。但是其估計方法較為傳統，而且過于依靠經驗的積累，很容易導致估計結果準確性差的問題。

6、目前現有技術一、現有技術二及現有技術三存在操作不方便，結果滯后的缺點的問題。因而，本發明提供一種基于機器視覺和人工智能的失血量估計方法及系統，通過相機拍攝浸血紗布，采集浸血紗布圖像；通過卷積神經網絡和特征金字塔模型，自動學習出有效的特征；通過深度學習方法，同時計算出失血量和血紅蛋白含量。

技術實現思路

1、為了解決上述技術問題，本發明提供了一種基于機器視覺和人工智能的失血量估計方法，包含以下步驟：

2、制作不同失血量和血紅蛋白含量的樣本數據，對樣本數據進行數據增強操作；

3、使用數據增強的樣本數據對深度學習模型進行訓練；

4、基于深度學習模型對實時浸血紗布圖像得到的特征，計算出失血量和血紅蛋白含量。

5、可選的，制作不同失血量和血紅蛋白含量的樣本數據的過程，包含以下步驟：

6、利用全血分析儀或血氣分析儀測量采集血液中的血紅蛋白濃度，并記錄結果，得到不同濃度的血紅蛋白樣本；將血液樣本按照不同的失血量進行劃分，得到每種失血量對應的血液；

7、將血液放入盤子中，用紗布將盤子里的血液擦拭干凈，使得其表面顏色反映出不同的失血量和血紅蛋白濃度；使用相機進行拍照獲得浸血紗布圖像樣本，記錄每個圖像樣本對應的失血量和血紅蛋白含量，形成訓練數據集的標簽；

8、對相機獲取的浸血紗布圖像進行數據增強處理，得到包含數據增強的樣本數據。

9、可選的，對相機獲取的浸血紗布圖像進行數據增強處理過程，包含以下步驟：

10、獲取放置角度不影響含血量的第一程序和光照變化不影響含血量的第二程序；

11、可選的，深度學習模型的迭代訓練過程中正向傳播和反向傳播的過程中更新每層的權重和偏置的過程，所有的網絡層的權重和偏置存儲在一個字典中，以層索引為鍵，層的權重和偏置數組為值。

12、可選的，在每一次迭代中，在每次迭代結束時，根據模型在驗證集上的性能，動態地調整學習率。

13、可選的，從輸出層開始，從輸出層開始，將誤差反向傳播，利用鏈式法則向后逐層傳遞梯度信息，對網絡參數進行更新，梯度表示損失函數對網絡參數的變化率。

14、可選的，對于層的權重，通過反向傳播計算獲取權重的梯度；選擇學習率，將當前的權重根據其梯度進行更新。

15、可選的，對于層的偏置，通過反向傳播計算獲取層的偏置梯度；選擇學習率，將當前的偏置根據其梯度進行更新。

16、本發明提供的一種基于機器視覺和人工智能的失血量估計系統，包含：

17、數據制作模塊，負責制作不同失血量和血紅蛋白含量的樣本數據，對樣本數據進行數據增強操作，得到包含數據增強的樣本數據；

18、網絡訓練模塊，負責使用數據增強的樣本數據對深度學習模型進行訓練，

19、數據計算模塊，負責基于深度學習模型對實時浸血紗布圖像得到的特征，計算出失血量和血紅蛋白含量。

20、本發明的樣本數據制作與圖像采集，制作不同失血量和血紅蛋白含量的樣本數據，為模型訓練提供多樣化的輸入；通過數據增強技術增加樣本的多樣性，例如旋轉、翻轉及光照變換等，有效減少過擬合現象，提升模型的泛化能力；檢測浸血紗布中嵌入的rfid電子標簽，實現對樣本的快速識別與追蹤；達到的意義：通過制作和增強樣本數據，能獲得充足且多樣化的訓練數據，保證模型在學習時具有較全面的信息；結合rfid電子標簽進行樣本追蹤，有助于及時判斷不同紗布的出現和離開事件，使后續分析更具可靠性；卷積神經網絡的訓練，使用經過數據增強的樣本數據對卷積神經網絡進行訓練，自動提取浸血紗布圖像中的特征；cnn通過多層卷積和池化操作，能夠逐漸從低層級到高層級提取具有代表性的特征，減少了人工特征設計的復雜性。達到的意義：訓練的cnn能夠快速、準確地分析和識別浸血紗布圖像中的重要特征，有助于實時失血量評估；自動化特征提取大幅度降低了對人工經驗和干預的依賴，提高了系統的自動化程度，減少了人力及時間成本；通過豐富的訓練數據，模型能夠更好地適應不同場景下的圖像，提升其魯棒性和準確性。失血量和血紅蛋白含量的計算，基于經過訓練的卷積神經網絡得到的特征，并結合樣本數據，通過一定的算法對失血量和血紅蛋白含量進行計算；可使用一些回歸分析或其他機器學習算法，將特征映射到具體的失血量和血紅蛋白含量，最終得出結果。達到的意義：通過對失血量和血紅蛋白含量的準確計算，能夠為臨床提供及時、精準的醫療信息，幫助醫生做出更好的治療決策；快速而準確的失血評估能顯著提高緊急情況下的救治效率，降低患者的風險；展示了機器視覺與人工智能在醫療領域的應用潛力，為未來更多智能醫療設備的研發提供了參考和借鑒。

21、本發明的其它特征和優點將在隨后的說明書中闡述，并且，部分地從說明書中變得顯而易見，或者通過實施本發明而了解。本發明的目的和其他優點可通過在所寫的說明書以及附圖中所特別指出的結構來實現和獲得。

22、下面通過附圖和實施例，對本發明的技術方案做進一步的詳細描述。