基于深度学习的检测方法及除烟系统技术方案

本发明专利技术公开了一种基于深度学习的检测方法及除烟系统，涉及医疗器械、控制系统技术领域。本发明专利技术用于检测腔内手术时产生的烟，包括构建真实数据集，将数据集分为训练集和测试集；构建分类网络模型；使用训练集训练分类网络模型，输出训练后的分类网络模型；使用测试集测试训练后的分类网络模型，引入损失函数，计算测试得到的损失值，当损失值大于预设的阈值，继续训练分类网络；直至输出预设的分类网络模型。本发明专利技术基于深度学习，能够精准识别烟，进而除烟系统依据检测到的烟，开始除烟，以保证体内始终在无烟环境下，便于医生进行手术。便于医生进行手术。便于医生进行手术。

【技术实现步骤摘要】
基于深度学习的检测方法及除烟系统


[0001]本专利技术涉及医学器械、控制系统
，尤其是一种基于深度学习的检测方法及除烟系统。

技术介绍

[0002]微创手术作为现代医学重要的内容之一，具有创伤小、疼痛轻、恢复快的特点。例如，以腔内微创手术为例，医用内窥镜作为手术中医生的“眼睛”，发挥着重要的作用，内窥镜的影像的质量，直接或间接地影响最终手术效果。而在腔内微创手术中，常产生烟，例如，手术中超声刀切割、电击等，作用在人体组织上，不断生成大小不一的烟，这些烟影响体内图像的清晰度，尤其是观察动态场景时，医生有时难以辨别患者体内的病理类型。
[0003]经检索，申请号CN202210815676.0，专利名为手术烟雾的处理方法、医疗系统和计算机设备，提出一种除手术烟雾的方法和相关设备，然后在临床中，烟和雾是两种类型，例如，在内窥镜进入人体内，由于内窥镜镜头采用冷光源提供照明而体腔内温度较高，存在温差的影响使得体腔内部水蒸气遇到较冷的内窥镜镜头容易凝聚，产生雾气，雾往往是吸附在镜头上，这些雾气在一定程度上也会影响医生的操作，因而该专利中获取本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度学习的检测方法，用于检测腔内手术时产生的烟，其特征在于，包括：S1、构建数据集，将数据集分为训练集和测试集；S2、构建分类网络模型；S3、使用训练集训练分类网络模型，输出训练后的分类网络模型；S4、使用测试集测试训练后的分类网络模型，引入损失函数，计算测试得到的损失值，当损失值大于预设的阈值，则返回步骤S3；否则进行步骤S5；S5、输出训练后的分类网络模型作为检测模型。2.如权利要1所述的基于深度学习的检测方法，其特征在于，步骤S1中，构建数据集的过程包括：S11、采集实际手术中的视频，对视频分帧处理，得到若干视频帧；S12、构建具有时序的视频帧序列，对所述视频帧序列中的每一个视频帧进行拉普拉斯金字塔空间分解，到不同空间频率下的帧图像，对所选帧图像去噪；S13、对每帧图像进行逐一标注，划分为有烟图像、无烟图像。3.如权利要2所述的基于深度学习的检测方法，其特征在于，还包括对数据集的准确性的检验，以下步骤S14、将数据集生成预定格式的文件，并将至少按照烟在图像中的分布区域进行归类；S15、对预定格式的文件做均值处理，检验数据集的准确性。4.如权利要1所述的基于深度学习的检测方法，其特征在于，步骤S2中构建分类网络模型的过程包括：S21、构建输入层、输出层，构建卷积层、池化层以及全连接层；S22、引入激活函数，所述激活函数采用sigmod激活函数，公式为：其中，x为任意值，e为常数，取值范围为(0,1)；将所述激活函数分别嵌入对应的卷积层、对应的全连接层；将所述输入层、输出层、卷积层、池化层、全连接层按照预设的数量以及顺序进行设置。5.如权利要4所述的基于深度学习的检测方法，其特征在于，训练所述分类网络模型的过程包括：S22、输入训练集中的图像数据，在第一卷积层进行卷积操作，输出第一卷积特征图并输入至第一池化层，输出第一池化特征图；S23、在第二卷积层对第一池化特征图进行卷积操作，输出第二卷积特征图并输入至第二池化层，输出第二池化特征图；S24、在第三卷积层对第二池化特征图进行卷积操作，输出第三卷积特征图并输入至第三池化层，输出第三池化特征图；...

【专利技术属性】
技术研发人员：黄新俊，赵传森，
申请(专利权)人：南京图格医疗科技有限公司，
类型：发明
国别省市：