[发明专利]一种肺冲击伤伤情现场快速超声评估方法及设备有效
| 申请号: | 202010455359.3 | 申请日: | 2020-05-26 |
| 公开(公告)号: | CN111696085B | 公开(公告)日: | 2023-08-25 |
| 发明(设计)人: | 蒋建新;吴春双;张茂;薛钰奇;陈萱;孙剑会;杜娟;张华才;张安强;胡书剑 | 申请(专利权)人: | 中国人民解放军陆军特色医学中心 |
| 主分类号: | G06T7/00 | 分类号: | G06T7/00;G06N3/0464;G06V10/82;H04L67/10;A61B8/08 |
| 代理公司: | 重庆志合专利事务所(普通合伙) 50210 | 代理人: | 胡荣珲 |
| 地址: | 400042 重*** | 国省代码: | 重庆;50 |
| 权利要求书: | 查看更多 | 说明书: | 查看更多 |
| 摘要: | |||
| 搜索关键词: | 一种 击伤 伤情 现场 快速 超声 评估 方法 设备 | ||
1.一种肺冲击伤伤情现场快速超声评估方法,其特征在于,包括如下步骤:
通过手持超声探头分别对各个肺区进行依次扫查,获取超声图像视频流,并传输给主机;
主机将获取的超声图像视频流输入给轻量化后的人工智能模型,所述轻量化后的人工智能模型根据输入的超声图像视频流进行动态估分,在扫查完各个肺区后分别记录各个肺区的最大得分值,肺区的最大得分值表示该肺区的最重损伤;
对每个肺区的最大得分值相加计算整个肺损伤的超声总分;
所述轻量化后的人工智能模型的构建方法,包括:
获取手持超声探头采集的正常/肺损伤图像,对获取的正常/肺损伤图像进行分数标注,作为训练、测试人工智能模型的训练数据样本、测试数据样本;
该人工智能模型采用逆残差卷积、可分离卷积进行人工智能模型的轻量化处理后,利用训练数据样本和测试数据样本训练人工智能模型,并部署到移动端,使轻量化后的人工智能模型以超声图像视频流为输入,输出估分结果;
所述轻量化后的人工智能模型为深度卷积神经网络模型,深度卷积神经网络包括依次设置的输入卷积层、多个逆残差卷积层、1x1卷积层、均值池化层、1x1卷积层、全连接层、Softmax层。
2.根据权利要求1所述的肺冲击伤伤情现场快速超声评估方法,其特征在于:所述主机用于将分析结果通过网络传输至云端控制中心,用于留存分析结果。
3.根据权利要求1所述的肺冲击伤伤情现场快速超声评估方法,其特征在于:所述主机用于将扫查的视频流上传给云端控制中心,并将其分解作为输入数据重新训练云端模型。
4. 一种肺冲击伤伤情现场快速超声评估设备,其特征在于:包括手持超声探头、主机,所述手持超声探头用于获取各个肺区的超声图像视频流,并传输给主机,所述主机设有轻量化后的人工智能模型,所述主机用于将超声图像视频流传递给轻量化后的人工智能模型,所述轻量化后的人工智能模型用于接受各个肺区的超声图像视频流进行动态评分, 并输出各个肺区的评分,所述主机用于保存各个肺区的最大得分值,并将所有肺区的最大分值进行求和,以及将评分结果显示于显示单元上;所述主机用于将超声图像视频流显示于显示单元上;
所述轻量化后的人工智能模型的构建方法,包括:
获取手持超声探头采集的正常/肺损伤图像,对获取的正常/肺损伤图像进行分数标注,作为训练、测试人工智能模型的训练数据样本、测试数据样本;
该人工智能模型采用逆残差卷积、可分离卷积进行人工智能模型的轻量化处理后,利用训练数据样本和测试数据样本训练人工智能模型,并部署到移动端,使轻量化后的人工智能模型以超声图像视频流为输入,输出估分结果;
所述轻量化后的人工智能模型为深度卷积神经网络模型,深度卷积神经网络包括依次设置的输入卷积层、多个逆残差卷积层、1x1卷积层、均值池化层、1x1卷积层、全连接层、Softmax层。
5.根据权利要求4所述的肺冲击伤伤情现场快速超声评估设备,其特征在于:所述主机用于将分析结果通过网络传输至云端控制中心,用于留存分析结果。
6.根据权利要求4所述的肺冲击伤伤情现场快速超声评估设备,其特征在于:主机采用移动设备。
7.根据权利要求6所述的肺冲击伤伤情现场快速超声评估设备,其特征在于:所述移动设备包括手机或平板。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于中国人民解放军陆军特色医学中心,未经中国人民解放军陆军特色医学中心许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202010455359.3/1.html,转载请声明来源钻瓜专利网。





