一种基于深度学习的超声引导桡动脉辅助穿刺方法技术

本发明专利技术公开了一种基于深度学习的超声引导桡动脉辅助穿刺方法，包括S1：构建数据集；S2：增强S1中桡动脉超声图像样本数据的特征，获得增强后的桡动脉超声图像；S3：构建训练集和测试集；步骤S4：构建分块特征提取模块，获得提取特征图；步骤S5：构建语义分割模型，模型对S4中的提取特征图进行语义分割，获取分割图像以标定桡动脉的位置。本发明专利技术构建语义分割模型，采用层数较少的编码器和解码器结构以突出桡动脉在分割图像的位置，采用平均池化层降低模型参数以防止过拟合；进一步在编码器与解码器之间增加了注意力门控单元用于过滤编码器输出至解码器中的无关环境特征，进一步突出桡动脉在分割图像的位置。

【技术实现步骤摘要】

本专利技术属于图像处理，具体涉及一种基于深度学习的超声引导桡动脉辅助穿刺方法。

技术介绍

1、在医疗实践中，桡动脉穿刺是常见且重要的操作，如麻醉有创测压、冠状动脉造影等。然而，传统的手动穿刺方法依赖于医生的经验和手感，存在较高的失败率和并发症风险，如血肿、动脉痉挛等。因此，需要一种更加精准、高效的引导方法。且不同患者的桡动脉位置、形态和深度存在较大差异，且可能受到周围组织、病理变化等因素的影响。这增加了穿刺的难度和不确定性，对医生的技能提出了更高要求。超声成像技术具有实时性、无辐射、便携性等优点，能够实时显示血管结构和周围组织，为穿刺提供直观、动态的引导。然而，传统的超声成像技术主要依赖医生的视觉判断，存在一定的主观性和局限性。

2、随着计算机图像处理技术的发展，超声图像的分辨率、对比度和清晰度得到了显著提升。通过边缘检测、图像分割等算法，可以更加精确地识别和定位目标血管，为穿刺提供准确依据。深度学习技术，尤其是卷积神经网络（cnn），能够自动学习图像中的特征表示，并具备强大的模式识别能力。通过训练一个cnn模型，可以实现对超声图像中桡动脉的自本文档来自技高网...

【技术保护点】

1.一种基于深度学习的超声引导桡动脉辅助穿刺方法，其特征在于，包括以下步骤：

2.如权利要求1所述的一种基于深度学习的超声引导桡动脉辅助穿刺方法，其特征在于，步骤S1中的采集桡动脉超声图像样本数据具体为：

3.如权利要求2所述的一种基于深度学习的超声引导桡动脉辅助穿刺方法，其特征在于，步骤S2中的图像增强模块包括串联的多尺度池化层、通道卷积层、通道融合层、多尺度卷积层和全连接层；

4.如权利要求3所述的一种基于深度学习的超声引导桡动脉辅助穿刺方法，其特征在于，步骤S3具体为：

5.如权利要求4所述的一种基于深度学习的超声引导桡动脉辅助穿刺方...

【技术特征摘要】

1.一种基于深度学习的超声引导桡动脉辅助穿刺方法，其特征在于，包括以下步骤：

2.如权利要求1所述的一种基于深度学习的超声引导桡动脉辅助穿刺方法，其特征在于，步骤s1中的采集桡动脉超声图像样本数据具体为：

3.如权利要求2所述的一种基于深度学习的超声引导桡动脉辅助穿刺方法，其特征在于，步骤s2中的图像增强模块包括串联的多尺度池化层、通道卷积层、通道融合层、多尺度卷积层和全连...

【专利技术属性】
技术研发人员：陈美玲，孙文杰，张蔚，胡春华，
申请(专利权)人：南昌大学第一附属医院，
类型：发明
国别省市：