本发明专利技术提供一种基于深度学习的术中胰管位置预测方法和装置，包括：获取待预测的术中超声图像；将所述术中超声图像输入至预先训练的胰管位置识别模型中，以得到至少一个位置预测结果，所述位置预测结果中包括目标区域，所述目标区域为所述术中超声图像中具有胰管的区域；其中，所述胰管位置识别模型是基于深度学习网络利用胰腺超声图像样本进行训练得到的。本发明专利技术基于预先训练的胰管位置识别模型，通过胰腺图像分析计算，得到至少一个胰管位置预测结果，在术中需要进行胰管位置判断时，可在模型输出的一个或几个预测位置中选择，降低了术中胰管位置识别的难度，实现在手术更容易、更准确对胰管所在位置识别的效果。更准确对胰管所在位置识别的效果。更准确对胰管所在位置识别的效果。
【技术实现步骤摘要】
基于深度学习的术中胰管位置预测方法和装置
[0001]本专利技术涉及生物医学工程
，尤其涉及一种基于深度学习的术中胰管位置预测方法和装置。
技术介绍
[0002]胰腺局部切除相关手术的关键困难在于是否会对胰管有损伤，准确的胰管定位有利于保护胰管，从而使手术顺利进行。然而，健康的成年人胰腺头部胰管直径约3mm，胰腺体部胰管直径约2mm，胰腺尾部胰管直径约1mm。胰管较小的直径给手术中胰管定位带来很大困难，在实际操作中，常用手段是通过术中超声进行寻找，寻找过程困难。
技术实现思路
[0003]本专利技术提供一种基于深度学习的术中胰管位置预测方法和装置，用以解决现有技术中对胰管定位困难的缺陷，通过对胰管所在位置做出准确的预测，以降低术中胰管定位难度。
[0004]本专利技术提供一种基于深度学习的术中胰管位置预测方法，包括：
[0005]获取待预测的术中超声图像；
[0006]将所述术中超声图像输入至预先训练的胰管位置识别模型中，以得到至少一个位置预测结果，所述位置预测结果中包括目标区域，所述目标区域为所述术中超声图像中具有胰管的区域；
[0007]其中，所述胰管位置识别模型是基于深度学习网络利用胰腺超声图像样本进行训练得到的。
[0008]根据本专利技术提供的一种基于深度学习的术中胰管位置预测方法，基于深度学习网络利用胰腺超声图像样本训练，以得到胰管位置识别模型，具体包括：
[0009]获取海量胰腺超声图像样本，所述胰腺超声图像样本中标识有目标区域样本，所述目标区域样本为所述胰腺超声图像样本中具有胰管的区域；
[0010]利用预先构建的图像数据库，在预先构建的深度学习网络的基础上构建预训练模型；基于所述预训练模型，利用所述胰腺超声图像样本进行迁移学习，以得到胰管位置识别模型；
[0011]利用海量胰腺超声图像样本构建数据样本集，并将所述数据样本集划分为训练集与测试集；
[0012]将所述训练集中的胰腺超声图像样本输入胰管位置识别模型进行训练，以得到训练完成的胰管位置识别模型。
[0013]根据本专利技术提供的一种基于深度学习的术中胰管位置预测方法，胰管位置识别模型的网络结构包括：
[0014]特征提取模块，所述特征提取模块用于提取所述训练集中的胰腺超声图像样本对应的预设数量个图像特征；
[0015]区域候选模块，所述区域候选模块用于基于所述图像特征，确定所述胰腺超声图像样本中的备选目标区域；
[0016]预测模块，所述预测模块用于基于所述备选目标区域进行计算，确定至少一个位置预测结果。
[0017]根据本专利技术提供的一种基于深度学习的术中胰管位置预测方法，所述预测模块包括：
[0018]兴趣域池化，用于获取区域候选模块生成的备选目标区域坐标，基于所述备选目标区域坐标，从所述图像特征中筛选目标图像特征，送入后续全连接层；
[0019]全连接层，用于对所述目标图像特征进行类别计算，之后进行边框回归，以获得至少一个位置预测结果。
[0020]根据本专利技术提供的一种基于深度学习的术中胰管位置预测方法，将所述术中超声图像输入至预先训练的胰管位置识别模型中，以得到至少一个位置预测结果，之后还包括计算所述位置预测结果的置信度值。
[0021]根据本专利技术提供的一种基于深度学习的术中胰管位置预测方法，利用预先构建的图像数据库，在预先构建的深度学习网络的基础上构建预训练模型；基于所述预训练模型，利用所述胰腺超声图像样本进行迁移学习，以得到胰管位置识别模型，具体包括：
[0022]利用预先构建的图像数据库，在预先构建的深度学习网络的基础上构建预训练模型；
[0023]微调所述预训练模型，以得到特征提取器；
[0024]利用所述特征提取器对所述胰腺超声图像样本进行处理，以获取图像的特征。
[0025]本专利技术还提供一种基于深度学习的术中胰管位置预测装置，包括：
[0026]获取单元，用于获取待预测的术中超声图像；
[0027]预测单元，用于将所述术中超声图像输入至预先训练的胰管位置识别模型中，以得到至少一个位置预测结果，所述位置预测结果中包括目标区域，所述目标区域为所述术中超声图像中具有胰管的区域；
[0028]其中，所述胰管位置识别模型是基于深度学习网络利用胰腺超声图像样本进行训练得到的。
[0029]本专利技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于深度学习的术中胰管位置预测方法。
[0030]本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于深度学习的术中胰管位置预测方法。
[0031]本专利技术还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述基于深度学习的术中胰管位置预测方法。
[0032]本专利技术提供的基于深度学习的术中胰管位置预测方法和装置，通过获取待预测的术中超声图像；将所述术中超声图像输入至预先训练的胰管位置识别模型中，以得到至少一个位置预测结果，所述位置预测结果中包括目标区域，所述目标区域为所述术中超声图像中具有胰管的区域；其中，所述胰管位置识别模型是基于深度学习网络利用胰腺超声图像样本进行训练得到的。本专利技术基于预先训练的胰管位置识别模型，通过胰腺图像分析计
算，得到至少一个胰管位置预测结果，在术中需要进行胰管位置判断时，可在模型输出的一个或几个预测位置中选择，降低了术中胰管位置识别的难度，实现在手术更容易、更准确对胰管所在位置识别的效果。
附图说明
[0033]为了更清楚地说明本专利技术或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0034]图1是本专利技术提供的基于深度学习的术中胰管位置预测方法的流程示意图之一；
[0035]图2是本专利技术提供的基于深度学习的术中胰管位置预测方法的流程示意图之二；
[0036]图3本专利技术提供的基于深度学习的术中胰管位置预测方法的流程示意图之三；
[0037]图4是本专利技术提供的基于深度学习的术中胰管位置预测方法一个实施例的预先构建的深度学习网络的网络结构示意图；
[0038]图5是本专利技术提供的基于深度学习的术中胰管位置预测装置的结构示意图；
[0039]图6是本专利技术提供的电子设备的结构示意图。
[0040]附图标记：
[0041]510：获取单元；520：预测单元；
[0042]610：处理器；620：通信接口；630：存储器；640：通信总线。
具体实施方式
[0043]为使本专利技术的目的、技术方案和优点更加清楚，下面将结合本专利技术中的本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的术中胰管位置预测方法，其特征在于，包括：获取待预测的术中超声图像；将所述术中超声图像输入至预先训练的胰管位置识别模型中，以得到至少一个位置预测结果，所述位置预测结果中包括目标区域，所述目标区域为所述术中超声图像中具有胰管的区域；其中，所述胰管位置识别模型是基于深度学习网络利用胰腺超声图像样本进行训练得到的。2.根据权利要求1所述的基于深度学习的术中胰管位置预测方法，其特征在于，基于深度学习网络利用胰腺超声图像样本训练，以得到胰管位置识别模型，具体包括：获取海量胰腺超声图像样本，所述胰腺超声图像样本中标识有目标区域样本，所述目标区域样本为所述胰腺超声图像样本中具有胰管的区域；利用预先构建的图像数据库，在预先构建的深度学习网络的基础上构建预训练模型；基于所述预训练模型，利用所述胰腺超声图像样本进行迁移学习，以得到胰管位置识别模型；利用海量胰腺超声图像样本构建数据样本集，并将所述数据样本集划分为训练集与测试集；将所述训练集中的胰腺超声图像样本输入胰管位置识别模型进行训练，以得到训练完成的胰管位置识别模型。3.根据权利要求2所述的基于深度学习的术中胰管位置预测方法，其特征在于，胰管位置识别模型的网络结构包括：特征提取模块，所述特征提取模块用于提取所述训练集中的胰腺超声图像样本对应的预设数量个图像特征；区域候选模块，所述区域候选模块用于基于所述图像特征，确定所述胰腺超声图像样本中的备选目标区域；预测模块，所述预测模块用于基于所述备选目标区域进行计算，确定至少一个位置预测结果。4.根据权利要求3所述的基于深度学习的术中胰管位置预测方法，其特征在于，所述预测模块包括：兴趣域池化，用于获取区域候选模块生成的备选目标区域坐标，基于所述备选目标区域坐标，从所述图像特征中筛选目标图像特征，送入后续全连接层；全连接层，用于对所述目标图像特征...
【专利技术属性】
技术研发人员：李昶田，聂再清，张昌盛，
申请(专利权)人：北京企元界科技有限公司，
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。