Алгоритм извлечения венозного паттерна предплечья на основе вычитания изображений в двух диапазонах

Современные методы медицинской лабораторной диагностики зачастую требуют проведения венепункции, что может вызывать затруднения, когда вены не видны невооруженным глазом. Это потенциально приводит к ошибкам в заборе крови, множественным попыткам пункции и дискомфорту для пациента. В настоящее время активно развиваются оптические методы в медицине. Визуализация вен в ближнем инфракрасном (ИК) диапазоне является одним из перспективных направлений, основанным на различии в поглощении и рассеивании ИК-излучения гемоглобином крови и окружающими биотканями. Несмотря на перспективность существующих методов визуализации вен, ряд недостатков ограничивает их клиническое применение: малая глубина визуализации, недостаточная контрастность, отсутствие стандартизированных параметров устройств. Кроме того, в существующих исследованиях не уделяется достаточного внимания вопросу сегментации сосудов, что ограничивает применение алгоритмов цифровой обработки. В данной работе предложен метод визуализации вен на основе двухдиапазонной регистрации изображения (532 нм + 850 нм) в сочетании с алгоритмами компьютерного зрения. Использование двух спектральных диапазонов позволяет выполнять автоматическую сегментацию сосудов на изображении для поддержки принятия решения о выборе вены для пункции врачом за счет комбинирования информации из двух каналов. В ходе работы были рассмотрены существующие подходы к обработке изображений при визуализации вен. Разработан алгоритм обработки изображений, включающий предобработку, согласование каналов, усиление сосудистых структур и построение маски-паттерна сегментации. Предложен подход к оценке результатов на основе метрик Recall и Dice Similarity Index. Экспериментальное моделирование показало, что предложенный алгоритм обеспечивает высокий показатель Recall (до 0,95) при низком показателе DSI (до 0,35). Разработанный метод может быть использован как для поддержки принятия решений в реальной медицинской практике в качестве инструмента, так и для обучения медицинского персонала.

1. Remizov N.V., Bataeva E.M., Stramousov D.P., et al. 3D Printed Modular Vein Viewing System Based on Differential Light Absorption in the Near Infrared Range. Journal of Biomedical Photonics & Engineering. 2023;9(2):20307. https://doi.org/10.18287/JBPE23.09.020307

2. Remizov N.V., Yakimenko D.S., Artemyev D.N. NIR Imaging: Development of Digital Image Processing Algorithm for Vein Contrast Enhancement. Journal of Biomedical Photonics & Engineering. 2025;11(2):020309. https://doi.org/10.18287/JBPE25.11.020309

3. Francisco M.D., Chen W.-F., Pan Ch.-T., et al. Competitive Real-Time Near Infrared (NIR) Vein Finder Imaging Device to Improve Peripheral Subcutaneous Vein Selection in Venipuncture for Clinical Laboratory Testing. Micromachines. 2021;12(4):373. https://doi.org/10.3390/mi12040373

4. Abd Rahman A.B., Juhim F., Chee F.P., et al. Near Infrared Illumination Optimization for Vein Detection: Hardware and Software Approaches. Applied Sciences. 2022;12(21):11173. https://doi.org/10.3390/app122111173

5. Vt G. A novel design proposal for low-cost vein-viewer for medical and non-contact biometric applications using NIR imaging. Journal of Medical Engineering & Technology. 2021;45(4):303–312. https://doi.org/10.1080/03091902.2021.1895898

6. Sharma N., Hefeeda M. Hyperspectral reconstruction from RGB images for vein visualization. In: Proceedings of the 11th ACM Multimedia Systems Conference (MMSys 2020), 08–11 June 2020, Istanbul, Turkey. New York: ACM; 2020. P. 77–87. https://doi.org/10.1145/3339825.3391861

7. Ozkan H., Aydin M., Ozcan O.A., et al. A portable multispectral vein imaging system. Journal of Electrical Engineering. 2023;74(1):64–69. https://doi.org/10.2478/jee-2023-0008

8. Hamza M., Skidanov R., Podlipnov V. Visualization of Subcutaneous Blood Vessels Based on Hyperspectral Imaging and Three-Wavelength Index Images. Sensors. 2023;23(21):8895. https://doi.org/10.3390/s23218895

9. May H.Y., Ernawan F. Real Time Vein Visualization using Near-Infrared Imaging. In: 2020 International Conference on Computational Intelligence (ICCI), 08–09 October 2020, Bandar Seri Iskandar, Malaysia. IEEE; 2020. P. 276–280. https://doi.org/10.1109/ICCI51257.2020.9247732

10. Song J.H., Kim Ch., Yoo Y. Vein Visualization Using a Smart Phone With Multispectral Wiener Estimation for Point-of-Care Applications. IEEE Journal of Biomedical and Health Informatics. 2015;19(2):773–778. https://doi.org/10.1109/JBHI.2014.2313145

11. Francis M., Jose A., Devadhas G.G., et al. A novel technique for forearm blood vein detection and enhancement. Biomedical Research. 2017;28(7):2913–2919.

12. Maray A.H., Hasan S.Q., Mohammed N.L. Design and implementation of low-cost vein-viewer detection using near infrared imaging. Indonesian Journal of Electrical Engineering and Computer Science. 2023;29(2):1039–1046. https://doi.org/10.11591/ijeecs.v29.i2.pp1039-1046

13. Chekanov K., Danko D., Tlyachev T., et al. State-of-the-Art in Skin Fluorescent Photography for Cosmetic and Skincare Research: From Molecular Spectra to AI Image Analysis. Life. 2024;14(10):1271. https://doi.org/10.3390/life14101271

14. Du P., Liu S., Gamba P., et al. Fusion of Difference Images for Change Detection Over Urban Areas. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. 2012;5(4):1076–1086. https://doi.org/10.1109/JSTARS.2012.2200879