【技术实现步骤摘要】
一种基于多分辨率感知学习的中心静脉导管分割和尖端定位方法
本专利技术涉及人工智能计算机视觉图像领域，更具体地，是一种基于多分辨率感知学习的中心静脉导管分割和尖端定位方法。技术背景外周静脉植入的中心静脉导管(PeripherallyInsertedCentralCatheter，简称PICC),是一种薄而软的塑料导管，主要应用于长期静脉输液、输注刺激性药物以及间歇性输液治疗的患者。导管从手臂的静脉插入，通过锁骨下静脉进入上腔静脉，导管尖端向下引导，理想的位置是位于上腔静脉和右心房的交界处。放置不放的PICC可能会有潜在的并发症。因此，在PICC植入后，会立即用X光图像来确认位置。尽管放射科医生解释PICC位置的错误率较低，但是会需要较长的时间，以及需要医生有足够的经验。计算机辅助检测技术已经被用来帮助放射科医生解释医学图像，提高工作效率。语义分割是深度学习进行图像解释的一项基本任务，目的是为图像中的所有像素分配一个标签。使用更高分辨率的特征对于语义分割有至关重要的作用，但这将直接导致昂贵的计算成本，因此针对...
【技术保护点】
1.一种基于多分辨率感知学习的中心静脉导管分割和尖端定位方法，其特征在于，所述的方法包括以下步骤：/n步骤1：预处理过程：收集并预处理外周穿刺中心静脉导管PICC的X光片以及医生对PICC所做的标注，将数据集处理为三个分辨率级别，建立训练样本和测试样本；/n步骤2：全局粗分割过程：采用步骤1所得的最低分辨率的训练样本训练全局粗分割网络，构建全局粗分割网络的初始模型，并输出训练样本的全局粗分割结果；/n步骤3：局部精分割过程：将全局粗分割结果和步骤一中训练样本进行裁剪，用裁剪过的样本和全局粗分割结果共同来训练精分割网络，构建局部精分割模型；/n步骤4：全局和局部分割融合过程：...
【技术特征摘要】
1.一种基于多分辨率感知学习的中心静脉导管分割和尖端定位方法，其特征在于，所述的方法包括以下步骤：
步骤1：预处理过程：收集并预处理外周穿刺中心静脉导管PICC的X光片以及医生对PICC所做的标注，将数据集处理为三个分辨率级别，建立训练样本和测试样本；
步骤2：全局粗分割过程：采用步骤1所得的最低分辨率的训练样本训练全局粗分割网络，构建全局粗分割网络的初始模型，并输出训练样本的全局粗分割结果；
步骤3：局部精分割过程：将全局粗分割结果和步骤一中训练样本进行裁剪，用裁剪过的样本和全局粗分割结果共同来训练精分割网络，构建局部精分割模型；
步骤4：全局和局部分割融合过程：将步骤3中精分割的结果与步骤2中的分割结果相融合，作为整个系统的最终输出，使用对尖端位置加权的损失函数对整个系统进行训练，通过梯度反向传播训练整个分割模型；其中，全局和局部相融合采用的方法是用局部中的值与全局分割图中对应位置的值做平均，作为整个系统的最后输出；使用的损失函数是交叉熵损失函数和针对尖端位置的准确度所提出的损失函数Ltip所做的加权和；
步骤5：后处理过程：对分割系统的输出概率图用阈值的方法生成二值分割图，对该二值分割图通过形态学方法进行膨胀，消除断裂和空洞点，得到每个X光片的最终分割结果，使用的形态学方法为闭运算，先膨胀运算再腐蚀运算。
2.如权利要求1所述的一种基于多分辨率感知学习的中心静脉导管分割和尖端定位方法，其特征在于，所述步骤1的过程如下：
1.1数据集格式的转换是将X光片中的无关信息删除，转换成矩阵数据类型的数据格式，减少无用的数据量，提高后续模型训练训练效率；
1.2胸腔感兴趣区域ROI裁剪，使用的方法是使用深度学习图像分割任务中经典的UNet网络，使用胸腔样本和医生标注的胸腔轮廓训练模型，输出的结果经过阈值分割得到ROI，使用可以包含ROI的最小矩形对胸腔样本进行裁剪；
1.3多分辨率数据集构建是为了后续步骤的需要，将数据构建出低、中、高三个分辨率级别的数据集；划分数据集，将数据样本和标注样本划分为训练集和测试集；
1.4图像增强具体指的是，对训练集进行直方图均衡化和随机高斯模糊，可以使得模型更加具有鲁棒性，对训练集进行直方图均衡化。
3.如权利要求1或2所述的一种基于多分辨率感知学习的中心静脉导管分割和尖端定位方法...
【专利技术属性】
技术研发人员：汪晓妍，王璐瑶，赵锐祎，盛叶，江南，徐芳芳，刘震杰，顾政，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江;33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。