【技术实现步骤摘要】
一种基于深度学习的大视角喉镜
[0001]本专利技术涉及喉镜
，具体涉及一种基于深度学习的大视角喉镜。
技术介绍
[0002]对喉部的检查是医学诊断领域的重点问题。由于喉部位置较深且结构复杂，一般情况下难以直接目视探测，因此一般需要借助视频探测设备进行高动态、高空间分辨率的成像及观察。视频喉镜是喉部检查设备中一类应用广泛的代表。对于困难的气管插管过程，视频喉镜通过图像传感器采集喉部影像，通过视频传输线在显示屏进行实时显示。它一方面超越了普通喉镜中人眼的视野范围，另一方面视频喉镜的镜片无需将喉部结构进行移动，因而对病人的痛苦较轻，同时由于其符合人体喉部的解剖结构，因而降低了气管插管的难度，具有上手快、采集方便、成功率高、声门显露情况改善等优点。
[0003]常用的视频喉镜结构中的成像模块一般以摄像手柄和主机的协同方式进行，即摄像手柄中包含一套镜头和图像传感器单元以用于对镜头对应的视场进行高速成像，此外还包含光源用于在喉部内较暗环境下的照明。这类方法中，视频喉镜的观测效果主要取决于采用的镜头和传感器的视场大小、空间...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的大视角喉镜，其特征在于，包括：微镜头成像组件（1），用于获取图像数据；所述微镜头成像组件包括视场不重叠至少两组小口径微镜头；柔性传像组件（2），与微镜头成像组件连接，用于传输图像数据；为末端外圈直径小于1.6mm、数量为1
‑
6条的柔性传像束；图像处理模块（3），连接于柔性传像组件另一端，所述图像处理模块根据微镜头成像组件获得的图像数据，通过使用生成对抗神经网络训练以获得图像融合模型，所述图像融合模型将训练输出的结果重新拼接为消除了不重叠视场图像之间缝隙的完整图像；以及显示组件（4），与图像处理模块连接，用于显示所述图像处理模块重新拼接的完整图像；所述生成对抗神经网络包含生成器G和判别器D两部分，其训练过程为：S1、获取训练数据；S2、搭建生成器神经网络和判别器神经网络；S3、生成器和判别器对抗训练，获得图像融合模型。2.根据权利要求1所述的基于深度学习的大视角喉镜，其特征在于，步骤S1中，所述训练数据的获取步骤为：S11、针对相同条件下的喉部静态样本，微镜头成像组件沿镜头分布平面移动，连续采集至少10张包含缝隙的系列图像，相邻图像重叠区域不小于单张图像面积的50%；S12、以其中一张包含缝隙的图像为基准，将该图像不重叠地切分成256
×
256像素的图像小块，对每个图像小块采用尺度不变特征变换，并与系列图像中的其他图像分别进行特征匹配，在每张图像中获取与之匹配的图像小块区域；S13、将该图像小块和与之匹配的图像小块区域进行分析：如果都含有缝隙则舍弃；如果均不含缝隙则将其中任意一个作为...
【专利技术属性】
技术研发人员：李金红，刘磊，李丽娟，闫燕，栾衡，王丽，
申请(专利权)人：北京大学第三医院北京大学第三临床医学院，
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。