买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：南昌大学第一附属医院

摘要：本发明公开了一种基于深度学习的臂丛神经麻醉穿刺引导方法及系统，该方法包括构建一个深度去噪自编码器对臂丛神经超声图像进行去噪，并采用去噪图像构建源域、目标域数据集；构建一个多尺度特征提取模块获取源域、目标域数据集中的图像特征来对构建的域泛化深度学习模型进行训练；部署深度去噪自编码器、多尺度特征提取模块以及训练好的域泛化深度学习模型于后台服务器，获取输入的患者臂丛神经超声图像中臂丛神经的位置；本发明可有效去除生理数据中的各种噪声，保留臂丛神经超声图像中臂丛神经的局部细节特征和全局信息，且构建的域泛化深度学习模型只需使用较小规模的数据集进行训练就可以达到臂丛神经识别精度高的效果。

主权项：1.一种基于深度学习的臂丛神经麻醉穿刺引导方法，其特征在于，包括如下步骤：步骤S1：收集患者臂丛神经超声图像，并对臂丛神经超声图像中的臂丛神经进行标注，采用标注后的臂丛神经超声图像构建超声图像数据集；步骤S2：构建深度去噪自编码器去除超声图像数据集中臂丛神经超声图像的噪声；所述深度去噪自编码器由编码器和解码器组成，编码器由依次连接的第一LSTM层、第二LSTM层、第一卷积层和平均池化层组成，解码器由第二卷积层、第三LSTM层和第四LSTM层组成；编码器中的平均池化层和解码器中的第二卷积层连接；步骤S3：采用去噪后的超声图像数据集构建源域数据集和目标域数据集，将源域数据集和目标域数据集内的每个图像作为一个样本；步骤S4：构建多尺度特征提取模块，将源域数据集和目标域数据集内的样本分别输入多尺度特征提取模块，得到源域样本多尺度特征图和目标域样本多尺度特征图；所述多尺度特征提取模块由6个卷积层和1个最大池化层组成，且分为四条分支；多尺度特征提取模块的第一分支由依次连接的第三卷积层和第六卷积层组成，第二分支由依次连接的第四卷积层和第七卷积层组成，第三分支由依次连接的最大池化层和第八卷积层组成，第四分支由第五卷积层组成；步骤S5：构建域泛化深度学习模型，采用源域样本多尺度特征图和目标域样本多尺度特征图对域泛化深度学习模型进行训练；步骤S6：部署深度去噪自编码器、多尺度特征提取模块以及训练好的域泛化深度学习模型于后台服务器，获取输入的患者臂丛神经超声图像中臂丛神经的位置；采用深度去噪自编码器去除超声图像数据集中臂丛神经超声图像的噪声的具体过程为：将臂丛神经超声图像输入深度去噪自编码器中的编码器，臂丛神经超声图像依次经过第一LSTM层、第二LSTM层、第一卷积层和平均池化层后输出深度特征图，表示为： ； ；式中，为第一LSTM层；为第二LSTM层；为第一卷积层；为第一卷积层的输出；为平均池化操作；为平均池化层的权重矩阵；为平均池化层的偏置；将深度特征图输入解码器，深度特征图依次经过第二卷积层、第三LSTM层和第四LSTM层后输出去噪后的臂丛神经超声图像，即重构患者臂丛神经超声图像，表示为： ； ；式中，为第三LSTM层；为第二卷积层；为第三LSTM层的输出；为第四LSTM层的权重矩阵；为第四LSTM层的偏置；为第四LSTM层；步骤S3的具体过程为：首先生成一个长度为的索引序列；随机选取中百分之五十的元素，作为第一元素集合，将中剩余的元素作为第二元素集合；依据分别在去噪后的超声图像数据集中选取重构患者臂丛神经超声图像组成源域数据集；依据分别在去噪后的超声图像数据集中选取重构患者臂丛神经超声图像组成目标域数据集；设置源域数据集中的重构患者臂丛神经超声图像含有标注的臂丛神经，设置目标域数据集中的重构患者臂丛神经超声图像不含标注的臂丛神经；步骤S4中将源域数据集和目标域数据集内的样本分别输入多尺度特征提取模块进行处理的过程为：将源域数据集中第个样本输入多尺度特征提取模块后的计算过程如下： ； ； ； ； ；式中，为第三卷积层；为第四卷积层；为第五卷积层；为第六卷积层；为第七卷积层；为第八卷积层；为最大池化层，为上采样运算；为输入多尺度特征提取模块第一分支后获得的输出；为输入多尺度特征提取模块第二分支后获得的输出；为输入多尺度特征提取模块第三分支后获得的输出；为输入多尺度特征提取模块第四分支后获得的输出；将目标域数据集中第个样本输入多尺度特征提取模块后的计算过程如下： ； ； ； ； ；式中，为输入多尺度特征提取模块第一分支后获得的输出；为输入多尺度特征提取模块第二分支后获得的输出；为输入多尺度特征提取模块第三分支后获得的输出；为输入多尺度特征提取模块第四分支后获得的输出；所述域泛化深度学习模型分为两条支路，两条支路呈并行排列，第一条支路由第一注意力编码器组成，第二条支路由依次连接的第二注意力编码器和目标检测网络组成；第一注意力编码器和第二注意力编码器结构相同，均由依次连接的多头注意力层、残差计算层和归一化层组成；目标检测网络由依次连接的第一全连接层、第二全连接层和边界框回归解码层组成；采用源域样本多尺度特征图和目标域样本多尺度特征图对域泛化深度学习模型进行训练的具体过程为：将源域样本多尺度特征图和目标域样本多尺度特征图分别输入第一注意力编码器和第二注意力编码器内分别对和进行融合，得到源域样本融合特征图和目标域样本融合特征图，表示为： ； ；式中，表示多头注意力层的注意力计算操作；表示残差计算层的残差计算操作；表示归一化层的归一化计算操作；目标检测网络接收第二注意力编码器输出的目标域样本融合特征图，获取中臂丛神经的坐标，表示为： ；式中，和分别是边界框回归解码层的权重矩阵和偏置向量；是经过第一全连接层和第二全连接层后获得的高维特征图；为边界框中心坐标；采用局部最大平均损失函数对域泛化深度学习模型进行训练，表示为： ；式中，表示第个源域数据集样本；表示第个目标域数据集样本；为求向量模长的运算符；为核函数；为个源域数据集样本的权重值；为第个目标域数据集样本的权重值；为源域数据集长度。

全文数据：

权利要求：

百度查询： 南昌大学第一附属医院 一种基于深度学习的臂丛神经麻醉穿刺引导方法及系统