[发明专利]基于深度学习的锁骨上臂丛神经的识别方法及其系统

说明书

本发明涉及神经超声图像识别技术领域，公开了基于深度学习的锁骨上臂丛神经的识别方法及其系统，方法包括预处理锁骨上臂丛神经的原始医学图像，构成训练PixelCNN++卷积神经网络模型所需的训练图像；构建卷积神经网络，使用PixelCNN++算法构建卷积神经网络,在PixelCNN++卷积神经网络模型中载入训练集，确定PixelCNN++卷积神经网络的模型参数，部署训练好的PixelCNN++卷积神经网络模型；既能增加识别的准确率，又能增加后续相似图像的识别速度，识别更加准确、高效。

技术领域

本发明涉及神经超声图像识别技术领域，更具体地说，它涉及一种基于深度学习的锁骨上臂丛神经的识别方法及其系统。

背景技术

随着计算机科学技术的飞速发展，人们开始使用计算机强大的计算能力实现人类的识别技能，尤其是在医学图像处理和分析以及自动识别，在医疗诊断中发挥了极其重要的作用。

超声成像可实时、无创地显示人体内部组织结构的影像，非常适用于引导各项麻醉穿刺置管和靶向注药技术，已广泛应用于临床麻醉。在对医学图像进行分析时，临床医生人工分析与瞄准超声图像中的目标结构，将局部麻醉药注入锁骨上臂丛神经分支周围,使其所支配的区域产生麻醉的方法称为臂丛神经阻滞,是临床上常用的麻醉方法之一。由于超声分辨率有限、伪像较多、神经变异常见、神经回声与周围结缔组织和筋膜的回声近似等原因，在超声图像中辨别锁骨上臂丛神经比较困难，操作者需要具备丰富的经验才能正确辨识，且需要耗费大量时间和精力接受相关培训，是高年资医生才能完成的工作。同时，在传统的图像处理方法中，根据一些算子来对图像进行处理的方法受到了很多条件的限制，导致无法对超声图像进行准确、高效的分析。

发明内容

针对现有的技术问题，本发明的目的一在于提供一种基于深度学习的锁骨上臂丛神经的识别方法，其具有识别神经图像更加准确、高效的优点。本发明的目的二在于提供一种基于深度学习的锁骨上臂丛神经的识别系统，其具有识别神经图像更加准确、高效的优点。

为实现上述目的一，本发明提供了如下技术方案：

一种基于深度学习的锁骨上臂丛神经的识别方法，包括如下步骤：

步骤S1：获取锁骨上臂丛神经的原始医学图像组；

步骤S2：预处理原始医学图像组，构成训练PixelCNN++卷积神经网络模型所需的带有标注的训练图像，将标注好的图像分为训练集、测试集和调优集；

步骤S3：对训练集中的医学图像组进行扩充和特征增强，计算生成新的图像并添加进训练集当中；

步骤S4：构建卷积神经网络，使用PixelCNN++算法构建卷积神经网络,在PixelCNN++卷积神经网络模型中载入训练集，确定PixelCNN++卷积神经网络的模型参数，进行特征学习，得到训练好的PixelCNN++卷积神经网络模型并保存；

步骤S5：部署训练好的PixelCNN++卷积神经网络模型，识别并标记医学图像中的锁骨上臂丛神经。

进一步的，所述步骤S4中包括：

获取输入的图像，构建输出卷积图像，输入层批尺寸参数为2的整数次幂；

将卷积图像作为输入构建输入卷积层，先进行两次方向为自上往下的二维卷积，再在两次方向为自上往下的卷积结果基础上进行两次方向为自左往右的二维卷积，每次卷积后使用修正线性单元激活层，最大池化后直接输出卷积结果一，或者可以选择连接自上往下卷积和自左往右卷积的结果后输出卷积结果一，不同方向的两种卷积结果的连接方式选择分步（Local）连接或者全局（Global）连接；