基于深度学习的腋路臂丛神经的识别方法及其系统技术方案

本发明专利技术涉及神经超声图像识别技术领域，公开了基于深度学习的腋路臂丛神经的识别方法及其系统，方法包括预处理腋路臂丛神经的原始医学图像，构成训练Con‑Re‑LU卷积神经网络模型所需的训练图像；构建卷积神经网络，使用Con‑Re‑LU算法构建卷积神经网络,在Con‑Re‑LU卷积神经网络模型中载入训练集，确定Con‑Re‑LU卷积神经网络的模型参数，进行特征学习，得到训练好的Con‑Re‑LU卷积神经网络模型并保存；部署训练好的Con‑Re‑LU卷积神经网络模型；既能增加识别的准确率，又能增加后续相似图像的识别速度，识别更加准确、高效。

Recognition method and system of axillary brachial plexus based on deep learning

【技术实现步骤摘要】
基于深度学习的腋路臂丛神经的识别方法及其系统
本专利技术涉及神经超声图像识别
，更具体地说，它涉及一种基于深度学习的腋路臂丛神经的识别方法及其系统。
技术介绍
随着计算机科学技术的飞速发展，人们开始使用计算机强大的计算能力实现人类的识别技能，尤其是在医学图像处理和分析以及自动识别，在医疗诊断中发挥了极其重要的作用。超声成像可实时、无创地显示人体内部组织结构的影像，非常适用于引导各项麻醉穿刺置管和靶向注药技术，已广泛应用于临床麻醉。在对医学图像进行分析时，临床医生人工分析与瞄准超声图像中的目标结构，将局部麻醉药注入腋路臂丛神经分支周围,使其所支配的区域产生麻醉的方法称为臂丛神经阻滞,是临床上常用的麻醉方法之一。由于超声分辨率有限、伪像较多、神经变异常见、神经回声与周围结缔组织和筋膜的回声近似等原因，在超声图像中辨别腋路臂丛神经比较困难，操作者需要具备丰富的经验才能正确辨识，且需要耗费大量时间和精力接受相关培训，是高年资医生才能完成的工作。同时，在传统的图像处理方法中，根据一些算子来对图像进行处理的方法受到了很多条件的限制，导致无法对超声图像进行准确、高效的分析。
技术实现思路
针对现本文档来自技高网...

【技术保护点】
1.一种基于深度学习的腋路臂丛神经的识别方法，其特征在于，包括如下步骤：步骤S1：获取腋路臂丛神经的原始医学图像组；步骤S2：预处理原始医学图像组，构成训练Con‑Re‑LU卷积神经网络模型所需的带有标注的训练图像，将标注好的图像分为训练集、测试集和调优集；步骤S3：对训练集中的医学图像组进行扩充和特征增强，计算生成新的图像并添加进训练集当中；步骤S4：构建卷积神经网络，使用Con‑Re‑LU算法构建卷积神经网络,在Con‑Re‑LU卷积神经网络模型中载入训练集，确定Con‑Re‑LU卷积神经网络的模型参数，进行特征学习，得到训练好的Con‑Re‑LU卷积神经网络模型并保存；步骤S5：部署训练...

【技术特征摘要】
1.一种基于深度学习的腋路臂丛神经的识别方法，其特征在于，包括如下步骤：步骤S1：获取腋路臂丛神经的原始医学图像组；步骤S2：预处理原始医学图像组，构成训练Con-Re-LU卷积神经网络模型所需的带有标注的训练图像，将标注好的图像分为训练集、测试集和调优集；步骤S3：对训练集中的医学图像组进行扩充和特征增强，计算生成新的图像并添加进训练集当中；步骤S4：构建卷积神经网络，使用Con-Re-LU算法构建卷积神经网络,在Con-Re-LU卷积神经网络模型中载入训练集，确定Con-Re-LU卷积神经网络的模型参数，进行特征学习，得到训练好的Con-Re-LU卷积神经网络模型并保存；步骤S5：部署训练好的Con-Re-LU卷积神经网络模型，识别并标记医学图像中的腋路臂丛神经。2.根据权利要求1所述的方法，其特征在于，所述步骤S4中的方法包括：获取输入的图像，构建输出卷积图像，输入层批尺寸参数为2的整数次幂；将输出卷积图像作为输入构建输入卷积层，进行两次二维卷积，每次卷积后使用修正线性单元激活层，平均值池化后输出卷积结果一；将卷积结果一作为输入构建第一次卷积层，进行两次二维卷积，每次卷积后使用修正线性单元激活层，平均值池化后输出卷积结果二；将卷积结果二作为输入构建第二次卷积层，进行两次二维卷积，每次卷积后使用修正线性单元激活层，平均值池化后输出卷积结果三；将卷积结果三作为输入构建第三次卷积层，进行两次二维卷积，每次卷积后使用修正线性单元激活层，平均值池化后输出卷积结果四；将输出卷积结果四作为输入构建第四次卷积层，进行两次二维卷积，每次卷积后使用修正线性单元激活层，输出卷积结果五；将卷积结果五作为输入构建第五次卷积层，进行一次连接并进行数据补足，使用修正线性单元激活层，卷积层使用预设算法调整，输出卷积结果六；将卷积结果六和卷积结果五经过复制和裁剪进行连接，作为输入构建第六次卷积层，进行两次二维卷积，每次卷积后使用修正线性单元激活层，输出卷积结果七；将卷积结果七和第三次卷积的中间输出经过复制和裁剪进行连接，作为输入构建第七次卷积层，进行两次二维卷积，每次卷积后使用修正线性单元激活层，向上卷积后输出卷积结果八；将卷积结果八和第二次卷积的中间输出经过复制和裁剪进行连接，作为输入构建第八次卷积层，进行两次二维卷积，每次卷积后使用修正线性单元激活层，向上卷积后输出卷积结果九；将卷积结果九和第一次卷积的中间输出经过复制和裁剪进行连接，作为输入构建第九次卷积层，进行两次二维卷积，每次卷积后使用修正线性单元激活层，向上卷积后输出卷积结果十；将卷积结果十的输出和输入卷积的中间输出经过复制和裁剪进行连接，作为输入构建输出卷积层，进行两次二维卷积，每次卷积后使用修正线性单元激活层，向上卷积后输出卷积结果十一；将卷积结果十一作为输入构建输出层，进行一次二维卷积，获得腋路臂丛神经在图像中的位置范围标记结果，输出标记遮罩数据形成输出图像。3.根据权利要求2所述的方法，其特征在于，使用sigmoid方法获得标记结果。4.根据权利要求2所述的方法，其特征在于，使用级联修正线性单元策略优化神经网络模型；将输出图像融合在原始医学图像组上。5.根据权利要求2所述的方法，其特征在于，预设算法包括正则化、归一化和/或增强运算。6.一种基于深度学习的腋路臂丛神经的识别系统，其特征在于，包括如下模块：获取模块（1），用于获取腋路臂丛神经的原始医学图像组；预处理模块（2），与所述获取模块（1）数据连接，用于预处理原始医学图像组，构成训练Con-Re-LU卷积神经网络模型所需的带有标注的训练...

【专利技术属性】
技术研发人员：王英伟，李根娣，杨笑宇，张清荣，沈志勇，邹颖华，郭婷，沈雅芳，李东丽，
申请(专利权)人：王英伟，
类型：发明
国别省市：上海,31