[发明专利]用于血管动脉瘤介入手术导航系统的导管检测方法及系统

说明书

本发明属于领域，具体涉及了一种用于血管动脉瘤介入手术导航系统的导管检测方法，旨在解决无法实时并准确地分割和追踪血管内动脉瘤修复手术中X光透射图像中介入导管的问题。本发明包括：获取包含导管的区域的X光透射视频序列作为待检测序列，根据待检测序列通过训练好的编码解码结构生成而知分割掩膜序列，将二值分割掩膜序列覆盖在待检测视频上获得导管的视频序列。本发明提高了血管内动脉瘤修复手术中X光透射图像介入导管的分割和追踪的精确性和速度，满足了手术跟踪算法要求的实时性。

技术领域

本发明属于图像处理技术领域，具体涉及了一种用于血管动脉瘤介入手术导航系统的导管检测方法及系统。

背景技术

微创介入手术导航系统是一种新兴的心血管疾病治疗系统，即集计算机科学、人工智能、自动控制、影像处理、多模态融合、目标分割、三维图像学、虚拟现实培训和临床治疗等多方面技术为一体的新方法。该方法使用多种模态的医学影像协助医生将介入手术器械从桡动脉或股动脉穿刺，送到血管狭窄的部位进行治疗，该方法可以提高手术质量、减少手术创伤、降低患者痛苦。

虽然该方法取得了较好的临床进步，但是微创介入手术在主动脉瘤手术实际应用过程中还面临着多方面的困难。例如，目前在进行某些介入相关治疗时，并没有一种完善的手术规划方法；医生很难按照预定的手术方案准确地将介入治疗器械送到病变部位，实施手术，血管介入手术中的导管检测是实现血管导航系统的重要一环，但是有着以下难点：(1)X射线图像的信噪比(SNR)低，背景噪声极大地干扰了导管的分割。(2)极端的前景-背景类别失衡是由导管像素与背景像素的低比率产生的。(3)由于造影剂和诸如椎骨和骨盆轮廓的线状结构，导管的边缘像素变成错误分类的例子。

基于深度学习的导航技术，随着技术的发展，深度学习在图像检测和识别方面具有巨大的优势，在检测精度和检测速度方面是具有巨大的优势的。由于卷积在图像方面具有巨大的优势，包括在运算速度，学习能力方面具有巨大优势。

本发明提出的用于血管动脉瘤介入手术导航器械检测方法，是对上述专利的进一步深化与改进，并相对于常见器械检测方法，在检测的速度、精度，个体差异引起的鲁棒性等方面都有了明显的改善。

发明内容

为了解决现有技术中的上述问题，即无法实时并准确地分割和追踪血管内动脉瘤修复手术中X光透射图像中介入导管的问题，本发明提供了一种用于血管动脉瘤介入手术导航系统的导管检测方法，所述检测方法包括

步骤S10，获取手术过程中包含导管的区域的X光透射视频序列，作为待检测视频序列；

步骤S20，基于所述待检测视频序列，通过训练好的基于深度学习的编码解码结构生成所述导管的二值分割掩膜序列；

步骤S30，将所述二值分割掩膜序列覆盖在所述待检测视频序列上获得所述导管的视频序列；

其中，所述基于深度学习的编码解码结构包括顺次连接的第一卷积层、第一循环残差块、多级嵌套的编码解码结构和第二卷积层；所述多级嵌套的编码解码结构为在各级编码解码结构的编码器与解码器之间嵌套插入下一级编码解码结构；

所述多级嵌套的编码解码结构，其编码器和解码器分别包括多个编码模块和多个解码模块；所述编码模块通过残差连接与对应的同级解码模块连接；

所述编码模块基于MobileNetV2网络构建，包括顺次连接的编码残差块和第二循环残差块；

所述解码模块基于U-net神经结构和递归神经网络构建，包括顺次连接的解码块和第二循环残差块。

进一步地，步骤S20包括：

步骤S21，对于所述待检测视频序列中任一待检测图片，通过所述基于深度学习的编码解码结构中第一卷积层生成第一特征图像；