【技术实现步骤摘要】
基于深度学习的超声臂丛神经图像识别方法
[0001]本专利技术涉及超声图像智能识别
，具体地，涉及一种基于深度学习的超声臂丛神经图像识别方法。
技术介绍
[0002]神经阻滞技术是一种将局部麻醉药注入目标神经分支周围,使其所支配的区域产生麻醉的技术，适用于手、上臂、下肢等各种手术及疼痛治疗。是临床上最常用的麻醉方法之一。临床医生经常使用超声图像对神经结构进行分析寻找目标神经分支。但由于超声图像分辨率有限、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。因此寻找一种自动的基于深度学习的超声神经图像识别方法对神经分支的识别和定位具有重要意义。
[0003]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。虽然超声成像技术有待完善，操作者需要具备丰富的经验，但其可实时显示神经、血管、肌肉、筋膜、其他组织和穿刺针动态位置，实现...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的超声臂丛神经图像识别方法，其特征在于，包括：步骤S1：获取多例超声神经图像数据并进行预处理，构建训练神经网络模型所需的带有标签的超声图像数据集；步骤S2：将超声图像数据集分为训练集和测试集，将训练集中的超声图像进行扩充和特征增强；步骤S3：构建挤压
‑
注意力机制模块SA加到传统卷积中；步骤S4：在V
‑
net网络中引入挤压激励模块和注意力机制模块从而构建SA V
‑
net网络模型并进行训练；步骤S5：载入训练好的SA V
‑
net网络模型，输入测试集进行预测得到识别结果，根据标签计算Dice系数，并基于Dice系数对目标神经区域的效果进行判断。2.根据权利要求1所述的基于深度学习的超声臂丛神经图像识别方法，其特征在于，所述步骤S1包括：步骤S1.1：获取超声臂丛神经图像，所述超声臂丛神经图像中的目标神经区域为肌间沟臂丛神经、腋路臂丛神经和/或锁骨上臂丛神经；步骤S1.2：对获取的超声臂丛神经图像进行数据脱敏，并剔除不规范的超声臂丛神经图像，将每幅超声臂丛神经图像重采样为580
×
448x64大小来提高数据的一致性；步骤S1.3：通过临床医生对超声图像的手动标注得到目标神经分支的分割标签L
mask
构建带有原始超声图像和分割标签的数据集D
all
。3.根据权利要求1所述的基于深度学习的超声臂丛神经图像识别方法，其特征在于，所述步骤S2包括：步骤S2.1：将所有原始图像中随机选取多张进行裁剪操作扩展数据集D
all
，原始图像大小为580
×
448x64裁剪为480x448x64输入到网络中；分割标签L
mask
也进行相同的裁剪操作；步骤S2.2：对数据集D
all
的所有图像进行标准化处理，公式如下：式中，μ为图像的均值，x表示图像矩阵，σ和N分别表示图像的标准差和图像体素数量。4.根据权利要求1所述的基于深度学习的超声臂丛神经图像识别方法，其特征在于，所述步骤S3中挤压
‑
注意力机制模块SA由挤压激励模块和注意力机制模块构成：步骤S3.1：首先，将原始图像通过卷积变换提取特征得到特征图U，其中U＝[u1，u2，...u
c
]；特征图大小为W
×
H
×
C，其中W和H分别表示特征图的宽和高，C表示通道数；其次，通过激活函数ReLU降低超参数数量，降低为原来的得到向量X2，大小为最后，将向量s2输入到权重参数矩阵w2，通过激活函数sigmoid得到向量X3；步骤S3.2：扩展挤压激励模块的重加权通道，考虑图像局部和全局两个维度重新设计加权通道，输出x
out
表示为：x
out
＝x
atten
*X3+x
atten
式中，Up(.)为上采样函数，目标将x
atten
与X3维度统一；
计算公式如下：式中，表示注意力卷积通道F
atten
(.)的输出，F
atten
(.)由ω
atten
和注意卷积层α
atten
参数化表示，平均池化层avgpool(.)用于压缩操作；x
out
即为整个挤压
‑
注意力机制模块SA模块的输出。5.根据权利要求4所述的基于深度学习的超声臂丛神经图像识别方法，其特征在于，所述步骤S3.1中挤压激励模块包含压缩操作和激励操作；压缩操作将特征图U经过F
s
(.)函数压缩为1
×1×
C的向量A，将每个通道内的所有特征值相加再平均，向量A计算公式如下：式中W和H分别表示特征图u
c
...
【专利技术属性】
技术研发人员：王英伟，杨笑宇，耿道颖，周锟，于泽宽，徐道杰，罗猛强，陈平，汪乐天，李东丽，
申请(专利权)人：复旦大学附属华山医院，
类型：发明
国别省市：
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。