【技术实现步骤摘要】
基于人工智能的气管插管关键结构识别模型系统及构建方法
[0001]本专利技术涉及人工智能医疗急救
,具体为基于人工智能的气管插管关键结构识别模型系统及构建方法
。
技术介绍
[0002]可视喉镜的运用显著降低了急救相关专业人员完成气管插管的难度,但并非意味着其他专业急救人员完成气管插管也同样容易
。
急救气管插管还需要进行气管结构是否正常
、
是否适合进行插管等及时判断,快速完成关键临床决策
。
[0003]气管插管决策通常需要长期临床实践的积累,而通常很难在普通的模拟人气管插管训练中获得
。
非医疗专业的现场施救人员在进行急救技术训练时,更加难以在短时间内形成这种判断能力
。
目前我国的急救体系中,最快到达急救现场的,又往往不是医疗专业人员
。
同时声门容易被其他组织
(
如会厌
、
肿瘤等组织
)
遮挡,其暴露过程中的形状不唯一,且急救场景下容易被异物干扰
。
因此,开发一种高灵敏性
、
特异性的基于人工智能的声门关键结构识别模型,在气管插管过程中,提供准确的声门结构识别和关键特征定位,能够帮助现场早期施救者及时决策,快速施救,减少病人的不适与损伤,对于提高气管插管的准确性和安全性具有重要意义
。
技术实现思路
[0004](
一
)
解决的技术问题
[0005]针对现有 ...
【技术保护点】
【技术特征摘要】
1.
基于人工智能的气管插管关键结构识别模型系统,包括采集气道图像数据,其特征在于:所述采集气道图像数据连接有对抗生成模型扩充数据集,所述对抗生成模型扩充数据集连接有数据集标注及预处理,所述数据集标注及预处理连接有多分类目标检测模型,所述多分类目标检测模型连接有时序检测优化模块,所述时序检测优化模块连接有气管插管辅助决策系统
。2.
基于人工智能的气管插管关键结构识别模型的构建方法,其特征在于,具体包括以下步骤:
S1.
获得扩充数据集采集若干目标画面,并使用对抗生成网络获得扩充数据集;
S2.
图像框选标注对步骤
S1
中获取的扩充气道图像使用
CVAT
标注平台进行会厌软骨及声门结构的框选标注,得到
YOLO
格式的标注文件;
S3.
标注及预处理对扩充后的数据进行关键结构的标注及预处理;
S4.
建立检测模型通过训练集和验证集以
YOLOv5
模型为框架训练一个针对会厌软骨和声门结构的检测模型;
S5.
数据时序优化对视频数据的检测进行了时序上的优化,考虑不同帧的时间上下文关系;
S6.
决策实施通过部署方式
、
环境要求和生成诊断结果进行插管决策系统的实施
。3.
根据权利要求2所述的基于人工智能的气管插管关键结构识别模型的构建方法,其特征在于:所述步骤
S1
中在急救场景下的气管插管图像数据往往难以获得,整体样本量较小,对于训练数据量有限的问题,需使用了一种高效的生成对抗网络,合成新的气管插管图像,用于声门结构的识别任务
。4.
根据权利要求2所述的基于人工智能的气管插管关键结构识别模型的构建方法,其特征在于:所述步骤
S2
中
CVAT
标注的数据导出为
YOLO
目标检测任务...
【专利技术属性】
技术研发人员:邓思懿,孙欣,叶方全,张勇,
申请(专利权)人:重庆鹏康大数据有限公司,
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。