【技術實現步驟摘要】
本專利技術涉及臂叢神經麻醉穿刺，具體為一種基于深度學習的臂叢神經麻醉穿刺引導方法及系統。
技術介紹
1、將局部麻醉藥注入臂叢神經干周圍使其所支配的區域產生神經傳導阻滯的麻醉方法稱為臂叢神經阻滯麻醉，是臨床上常用的麻醉方法之一。適用于手、前臂、上臂及肩部各種手術。在超聲影像設備引入臨床使用以后,特別在麻醉穿刺領域,麻醉醫生熟練掌握超聲引導下的麻醉穿刺，需要經過長時間專業的超聲機操作培訓。因此，急需一種輔助技術手段協助麻醉醫生在使用超聲引導臂叢神經麻醉穿刺中，快速上手，準確地找到目標位置。
2、申請號為cn202010202046.7的中國專利技術專利提出了一種針對臂叢神經超聲圖像的多目標識別方法及系統，涉及超聲圖像智能識別
該方法包括以下步驟：s1、統一待識別臂叢神經超聲圖像的大小,作為待識別數據；s2、將待識別數據依次進行若干次卷積-下采樣操作，并使每次操作得到的圖像均比當前操作前的尺寸縮小2倍，得到特征圖；s3、通過反卷積和跳層連接對特征圖進行上采樣,將采樣得到的特征與上一次卷積-下采樣操作得到的特征圖相連接,得到若干個多尺度特征圖；s4、對于尺寸最大的多尺度特征圖，基于不同擴張率卷積操作生成具有不同接受域的特征圖；s5、將具有不同接受域的特征圖與通過卷積生成的圖相減后進行串聯合并，得到具有不同尺度對比特征的特征圖矩陣；s6、通過自注意力計算對具有不同尺度對比特征的特征圖矩陣的每個通道進行權重賦值，得到賦予權重后的特征圖矩陣；s7、對賦予權重后的特征圖矩陣中的每個像素點作為中心點生成感興趣區域，并對感興趣區
3、申請號為cn202110668377.4的中國專利技術專利提出了一種基于深度學習的超聲臂叢神經圖像識別方法，涉及超聲圖像智能識別
該方法包括以下步驟：s1、獲取多例超聲神經圖像數據并進行預處理；s2、構建訓練神經網絡模型所需的帶有標簽的超聲圖像數據集；s3、將超聲圖像數據集按照8:2的比例分為訓練集和測試集，將訓練集中的超聲圖像進行擴充和特征增強；s4、構建擠壓-注意力機制模塊sa加到傳統卷積中；s5、在v-net網絡中引入擠壓激勵模塊和注意力機制模塊從而構建sav-net網絡模型并進行訓練；s6、載入訓練好的sav-net網絡模型，輸入測試集進行預測得到識別結果,并根據標簽計算dice系數。
4、然而上述技術存在以下局限性：
5、1、上述技術在采集患者臂叢神經超聲圖像時會存在電磁干擾噪聲和環境噪聲，含有噪聲的臂叢神經超聲圖像會干擾深度學習模型的訓練過程，使模型難以準確地捕捉到數據的真實分布，導致模型在訓練過程中學習到錯誤的模式或規律，導致模型的泛化能力下降。上述技術沒有對臂叢神經超聲圖像進行降噪處理，會降低模型的泛化能力。
6、2、不同的患者臂叢神經超聲圖像尺度不同，上述技術忽略了該問題導致提取的特征缺少臂叢神經的局部細節或全局信息。
7、3、不同患者的臂叢神經超聲圖像存在差異，如果要訓練一個能夠精確識別患者臂叢神經超聲圖像中臂叢神經位置的人工智能模型，需要含有大量數據的數據集來實現，而上述技術均是以犧牲人力和物力為代價來獲得高精度的預測模型。
技術實現思路
1、針對現有技術的不足，本專利技術提供了一種基于深度學習的臂叢神經麻醉穿刺引導方法及系統，其目的在于解決
技術介紹
中的問題。
2、為實現上述目的，本專利技術提供如下技術方案：一種基于深度學習的臂叢神經麻醉穿刺引導方法，包括如下步驟：
3、步驟s1：收集患者臂叢神經超聲圖像，并對臂叢神經超聲圖像中的臂叢神經進行標注，采用標注后的臂叢神經超聲圖像構建超聲圖像數據集；
4、步驟s2：構建深度去噪自編碼器去除超聲圖像數據集中臂叢神經超聲圖像的噪聲；
5、所述深度去噪自編碼器由編碼器和解碼器組成，編碼器由依次連接的第一lstm層、第二lstm層、第一卷積層和平均池化層組成，解碼器由第二卷積層、第三lstm層和第四lstm層組成；編碼器中的平均池化層和解碼器中的第二卷積層連接；
6、步驟s3：采用去噪后的超聲圖像數據集構建源域數據集和目標域數據集，將源域數據集和目標域數據集內的每個圖像作為一個樣本；
7、步驟s4：構建多尺度特征提取模塊，將源域數據集和目標域數據集內的樣本分別輸入多尺度特征提取模塊，得到源域樣本多尺度特征圖和目標域樣本多尺度特征圖；
8、所述多尺度特征提取模塊由6個卷積層和1個最大池化層組成，且分為四條分支；多尺度特征提取模塊的第一分支由依次連接的第三卷積層和第六卷積層組成，第二分支由依次連接的第四卷積層和第七卷積層組成，第三分支由依次連接的最大池化層和第八卷積層組成，第四分支由第五卷積層組成；
9、步驟s5：構建域泛化深度學習模型，采用源域樣本多尺度特征圖和目標域樣本多尺度特征圖對域泛化深度學習模型進行訓練；
10、步驟s6：部署深度去噪自編碼器、多尺度特征提取模塊以及訓練好的域泛化深度學習模型于后臺服務器，獲取輸入的患者臂叢神經超聲圖像中臂叢神經的位置。
11、進一步的，采用深度去噪自編碼器去除超聲圖像數據集中臂叢神經超聲圖像的噪聲的具體過程為：將臂叢神經超聲圖像輸入深度去噪自編碼器中的編碼器，臂叢神經超聲圖像依次經過第一lstm層、第二lstm層、第一卷積層和平均池化層后輸出深度特征圖，表示為：
12、；
13、；
14、式中，為第一lstm層；為第二lstm層；為第一卷積層；為第一卷積層的輸出；為平均池化操作；為平均池化層的權重矩陣；為平均池化層的偏置；
15、將深度特征圖輸入解碼器，深度特征圖依次經過第二卷積層、第三lstm層和第四lstm層后輸出去噪后的臂叢神經超聲圖像，即重構患者臂叢神經超聲圖像，表示為：
16、；
17、；
18、式中，為第三lstm層；為第二卷積層；為第三lstm層的輸出；為第四lstm層的權重矩陣；為第四lstm層的偏置；為第四lstm層。
19、進一步的，步驟s3的具體過程為：首先生成一個長度為的索引序列；隨機選取中百分之五十的元素，作為第一元素集合，將中剩余的元素作為第二元素集合；依據分別在去噪后的超聲圖像數據集中選取重構患者臂叢神經超聲圖像組成源域數據集；依據分別在去噪后的超聲圖像數據集中選取重構患者臂叢神經超聲圖像組成目標域數據集；
20、設置源域數據集中的重構患者臂叢神經超聲圖像含有標注的臂叢神經，設置目標域數據集中的重構患者臂叢神經超聲圖像不含標注的臂叢神經。
21、進一步的，所述第三卷積層的卷積核尺度為1×1，第六卷積層的卷積核尺度為7×7，第七卷積層的卷積核尺度為5×5。
22、進一步的，步驟本文檔來自技高網...
【技術保護點】
1.一種基于深度學習的臂叢神經麻醉穿刺引導方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的一種基于深度學習的臂叢神經麻醉穿刺引導方法，其特征在于：采用深度去噪自編碼器去除超聲圖像數據集中臂叢神經超聲圖像的噪聲的具體過程為：將臂叢神經超聲圖像輸入深度去噪自編碼器中的編碼器，臂叢神經超聲圖像依次經過第一LSTM層、第二LSTM層、第一卷積層和平均池化層后輸出深度特征圖，表示為：
3.根據權利要求2所述的一種基于深度學習的臂叢神經麻醉穿刺引導方法，其特征在于：步驟S3的具體過程為：首先生成一個長度為的索引序列；隨機選取中百分之五十的元素，作為第一元素集合，將中剩余的元素作為第二元素集合；依據分別在去噪后的超聲圖像數據集中選取重構患者臂叢神經超聲圖像組成源域數據集；依據分別在去噪后的超聲圖像數據集中選取重構患者臂叢神經超聲圖像組成目標域數據集；
4.根據權利要求3所述的一種基于深度學習的臂叢神經麻醉穿刺引導方法，其特征在于：所述第三卷積層的卷積核尺度為1×1，第六卷積層的卷積核尺度為7×7，第七卷積層的卷積核尺度為5×5。
5.根
6.根據權利要求5所述的一種基于深度學習的臂叢神經麻醉穿刺引導方法，其特征在于：多尺度特征提取模塊中的卷積層包括第三卷積層、第四卷積層、第五卷積層、第六卷積層、第七卷積層和第八卷積層處理完源域數據集和目標域數據集內的樣本后，輸出患者臂叢神經超聲圖像特征圖，在患者臂叢神經超聲圖像特征圖的邊界添加額外的像素，并使用步長來控制卷積層的卷積核在輸入上的移動速度，經過添加額外的像素，并使用步長來控制卷積核的卷積層輸出的患者臂叢神經超聲圖像特征圖尺寸由以下公式計算：
7.根據權利要求6所述的一種基于深度學習的臂叢神經麻醉穿刺引導方法，其特征在于：所述域泛化深度學習模型分為兩條支路，兩條支路呈并行排列，第一條支路由第一注意力編碼器組成，第二條支路由依次連接的第二注意力編碼器和目標檢測網絡組成；第一注意力編碼器和第二注意力編碼器結構相同，均由依次連接的多頭注意力層、殘差計算層和歸一化層組成；目標檢測網絡由依次連接的第一全連接層、第二全連接層和邊界框回歸解碼層組成。
8.根據權利要求7所述的一種基于深度學習的臂叢神經麻醉穿刺引導方法，其特征在于：采用源域樣本多尺度特征圖和目標域樣本多尺度特征圖對域泛化深度學習模型進行訓練的具體過程為：將源域樣本多尺度特征圖和目標域樣本多尺度特征圖分別輸入第一注意力編碼器和第二注意力編碼器內分別對和進行融合，得到源域樣本融合特征圖和目標域樣本融合特征圖，表示為：
9.根據權利要求8所述的一種基于深度學習的臂叢神經麻醉穿刺引導方法，其特征在于：采用局部最大平均損失函數對域泛化深度學習模型進行訓練，表示為：
10.一種基于深度學習的臂叢神經麻醉穿刺引導系統，應用于權利要求1-9任意一項所述的基于深度學習的臂叢神經麻醉穿刺引導方法，其特征在于，包括：
...【技術特征摘要】
1.一種基于深度學習的臂叢神經麻醉穿刺引導方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的一種基于深度學習的臂叢神經麻醉穿刺引導方法，其特征在于：采用深度去噪自編碼器去除超聲圖像數據集中臂叢神經超聲圖像的噪聲的具體過程為：將臂叢神經超聲圖像輸入深度去噪自編碼器中的編碼器，臂叢神經超聲圖像依次經過第一lstm層、第二lstm層、第一卷積層和平均池化層后輸出深度特征圖，表示為：
3.根據權利要求2所述的一種基于深度學習的臂叢神經麻醉穿刺引導方法，其特征在于：步驟s3的具體過程為：首先生成一個長度為的索引序列；隨機選取中百分之五十的元素，作為第一元素集合，將中剩余的元素作為第二元素集合；依據分別在去噪后的超聲圖像數據集中選取重構患者臂叢神經超聲圖像組成源域數據集；依據分別在去噪后的超聲圖像數據集中選取重構患者臂叢神經超聲圖像組成目標域數據集；
4.根據權利要求3所述的一種基于深度學習的臂叢神經麻醉穿刺引導方法，其特征在于：所述第三卷積層的卷積核尺度為1×1，第六卷積層的卷積核尺度為7×7，第七卷積層的卷積核尺度為5×5。
5.根據權利要求4所述的一種基于深度學習的臂叢神經麻醉穿刺引導方法，其特征在于：步驟s4中將源域數據集和目標域數據集內的樣本分別輸入多尺度特征提取模塊進行處理的過程為：將源域數據集中第個樣本輸入多尺度特征提取模塊后的計算過程如下：
6.根據權利要求5所述的一種基于深度學習的臂叢神經麻醉穿刺引導方法，其特征在于：多尺度特征提取模塊中的卷積層包括第三卷積層、第四卷積層、第五卷積層、第...
【專利技術屬性】
技術研發人員：孫文杰，陳世彪，閔佳，尹世平，
申請(專利權)人：南昌大學第一附屬醫院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。