Edge AI-Based Vein Detector for Efficient Venipuncture in the Antecubital Fossa

要約

静脈の状態と可視性の評価は、肘前窩への静脈アクセスを確立する前の重要なステップです。これは、採血または静脈内治療 (IV 治療) を行うための一般的な手順です。
医療従事者は静脈内カニューレ挿入術に高度な技術を持っていますが、体液貯留、年齢、太りすぎ、肌の色が濃い、糖尿病などの理由で静脈が見えにくい患者にこの処置を行うのは通常困難です。
最近、いくつかの研究で、前腕静脈セグメンテーションのために近赤外線 (NIR) イメージングと深層学習 (DL) 技術を組み合わせることが提案されました。
これらは説得力のある結果を示していますが、携帯性と静脈穿刺を実行するための精度の要件により、その使用はかなり制限されてきました。
このホワイトペーパーでは、3 つの戦略を使用してこのギャップを埋めることに貢献することを目指しています。
まず、静脈が見えにくい 1,008 人の被験者から収集した 2,016 枚のラベル付き画像からなる、新しい NIR ベースの前腕静脈セグメンテーション データセットを紹介します。
第 2 に、検査対象の患者の肘前窩領域に特に静脈の位置を特定する、修正された U-Net アーキテクチャを提案します。
最後に、4 つの一般的な組み込みマイクロコンピューターと 4 つの一般的な量子化モダリティをテストした後、提案されたアーキテクチャの圧縮バージョンが特注のポータブル静脈ファインダー デバイス内に展開されました。
実験結果は、ダイナミック レンジ量子化で圧縮し、Raspberry Pi 4B カードに展開したモデルが、それぞれ 5.14 FPS と 0.957 のレイテンシーと 0.957 の Intersection over Union (IoU) という最良の実行時間と精度のバランスを生成することを示しました。
これらの結果は、リソースが制限された低コスト デバイス内で有望なパフォーマンスを示しています。

要約(オリジナル)

Assessing the condition and visibility of veins is a crucial step before obtaining intravenous access in the antecubital fossa, which is a common procedure to draw blood or administer intravenous therapies (IV therapies). Even though medical practitioners are highly skilled at intravenous cannulation, they usually struggle to perform the procedure in patients with low visible veins due to fluid retention, age, overweight, dark skin tone, or diabetes. Recently, several investigations proposed combining Near Infrared (NIR) imaging and deep learning (DL) techniques for forearm vein segmentation. Although they have demonstrated compelling results, their use has been rather limited owing to the portability and precision requirements to perform venipuncture. In this paper, we aim to contribute to bridging this gap using three strategies. First, we introduce a new NIR-based forearm vein segmentation dataset of 2,016 labelled images collected from 1,008 subjects with low visible veins. Second, we propose a modified U-Net architecture that locates veins specifically in the antecubital fossa region of the examined patient. Finally, a compressed version of the proposed architecture was deployed inside a bespoke, portable vein finder device after testing four common embedded microcomputers and four common quantization modalities. Experimental results showed that the model compressed with Dynamic Range Quantization and deployed on a Raspberry Pi 4B card produced the best execution time and precision balance, with 5.14 FPS and 0.957 of latency and Intersection over Union (IoU), respectively. These results show promising performance inside a resource-restricted low-cost device.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google