[发明专利]一种基于人工智能的前列腺增生双极电切除手术预警方法

说明书

本发明属于辅助手术技术领域，公开了一种基于人工智能的前列腺增生双极电切除手术预警方法，包括以下步骤：构建squeezenet网络；采集数据并建立数据集；将squeezenet网络、数据集导入TensorFlow框架，利用数据集对squeezenet网络进行训练，生成预警模型；输入医疗影像；根据预警模型对医疗影像的包膜位置进行标定。本发明能够协助医生在手术过程中进行更准确更快速的判断，降低因手术医师缺乏操作经验而导致的前列腺包膜切割过度的风险，提高手术的成功率。

技术领域

本发明涉及辅助手术技术领域，尤其涉及一种基于人工智能的前列腺增生双极电切除手术预警方法。

背景技术

前列腺增生，常称作良性前列腺增生是中老年男性常见疾病之一，随全球人口老年化发病日渐增多。前列腺增生的发病率随年龄递增，但有增生病变时不一定有临床症状，多数患者随着年龄的增长，排尿困难等症状随之增加。前列腺增生的危害性在于引起下尿路梗阻后所产生的病理生理改变，其病理个体差异性很大。手术仍为前列腺增生的重要治疗方法，适用于具有中、重度并已明显影响生活质量的患者。经典的外科手术方法有经尿道前列腺电切术、经尿道前列腺切开术以及开放性前列腺摘除术。

目前，前列腺增生双极电切手术是最为普及的前列腺增生切割手术。医生用小圆刀弧形切开中叶腺体与膀胱颈交界处粘膜，将增生前列腺腺体切除，该手术的主要优点包括术中、术后出血少，降低输血率和缩短术后导尿和住院时间等。然而，在切割过程中，特别是针对手术经验不足的青年医生存在着切削过度的潜在可能，这对患者来说是一个很大的威胁。如果能用智能设备辅助医生判断是否切削过度，及时给医生提示预警，便能有效的预防这种情况的发生。

传统的机器学习技术往往使用原始形式来处理自然数据，模型的学习能力受到很大的局限，构成一个模式识别或机器学习系统往往需要相当的专业知识来从原始数据中(如图像的像素值)提取特征，并转换成一个适当的内部表示。而深度学习则具有自动提取特征的能力，它是一种针对表示的学习。深度学习允许多个处理层组成复杂计算模型，从而自动获取数据的表示与多个抽象级别。这些方法大大推动了语音识别，视觉识别物体，物体检测，药物发现和基因组学等领域的发展。通过使用不同算法，深度学习有能力发现在大的数据集的隐含的复杂结构。基于卷积神经网络的深度学习方法具有自动学习特征的能力，近两年在医学图像处理的各种应用中展现出了卓越的能力。它符合人眼感受图像的原理，可以全自动的学习大量的特征，替代了手工选取特征。

发明内容

针对现有技术的不足，本发明提供一种基于人工智能的前列腺增生双极电切除手术预警方法，协助医生在手术过程中进行更准确更快速的判断，降低因手术医师缺乏操作经验而导致的前列腺包膜切割过度的风险，提高手术的成功率。

本申请实施例提供一种基于人工智能的前列腺增生双极电切除手术预警方法，包括以下步骤：

构建squeezenet网络；

采集数据并建立数据集；

将所述squeezenet网络、所述数据集导入TensorFlow框架，利用所述数据集对所述squeezenet网络进行训练，生成预警模型；

输入医疗影像；

根据所述预警模型对所述医疗影像的包膜位置进行标定。

优选的，输入医疗影像之前，还包括：验证所述预警模型和所述数据集的准确性。

优选的，所述squeezenet网络的Fire模型包括：压缩层、扩张层；所述压缩层为1×1卷积核的卷积层，所述扩张层为1×1和3×3卷积核的卷积层。

优选的，所述squeezenet网络将欠采样操作延后。

优选的，采集的数据包括前列腺增生双极电切手术中内窥镜所采集的影像图像、临床信息、前列腺包膜组织区域标注，所述数据集采用VOC格式。