一种基于深度学习的颈动脉超声扫查导航系统和方法与流程

本发明涉及超声图像处理和掌上超声设备，尤其涉及一种基于深度学习的颈动脉超声扫查导航系统和方法。

背景技术：

1、b超是医疗检查的一种重要手段，便携b超与其他影像设备最大的不同就是它轻便易携带。因此，因此易于往基层医疗机构推广。

2、b超(超声波)是一种常见的影像诊断技术，但对于不具备丰富经验和专业技术的基层医疗人员来说，进行准确的b超检查可能是一项挑战。b超导航算法可以辅助医生进行检查，提供准确的图像解读和诊断指导，降低对技术经验的要求。还可以帮助医生更快速和准确地定位和识别患者体内的组织结构、病变和异常区域。它可以辅助医生实施b超检查，优化探头的放置位置和角度，提高检查的效率和准确性。

3、导航的一般做法是直接针对我们需要导航的目标进行分割，然后通过分割结果来引导扫查医生完成扫查任务。但是由于针对颈动脉扫查的主要目标是找到颈动脉分叉的位置，所以需要算法来实现当前位置是否已经到了颈动脉分叉位置。并且扫查医生在扫查过程中经常会将超声探头拿反的情况，因此也需要提醒医生探头是否拿反。

技术实现思路

1、基于上述内容，本发明提供一种基于深度学习的颈动脉超声扫查导航系统和方法，旨在解决现有技术中缺乏颈动脉超声扫查有效导航等技术问题。

2、一种基于深度学习的颈动脉超声扫查导航系统，应用于掌上超声设备，包括：

3、图像采集模块，用于采集超声图像；

4、图像分割模块，连接图像采集模块，用于采用预先训练的轻量级的图像分割模型提取超声图像中的解剖结构，得到图像分割结果，解剖结构包括甲状腺、颈动脉和气管；

5、第一分析处理模块，连接图像分割模块，用于对图像分割结果进行第一次分析得到第一分析结果，并在第一分析结果为探头与当前扫查任务不匹配时产生第一提示信息；

6、第二分析处理模块，分别连接第一分析处理模块和图像分割模块，用于在第一分析结果为探头与当前扫查任务匹配时，对图像分割结果进行第二次分析，得到第二分析结果，并当第二分析结果为当前扫查已到达颈动脉分叉处时，产生第二提示信息。

7、进一步的，图像分割模型包括轻量级的mobilenet-v2模型和deeplab-v3模型；

8、mobilenet-v2模型的输入端用于接收超声图像；

9、mobilenet-v2模型的输出端连接deeplab-v3模型的输入端，

10、deeplab-v3模型的输出端输出图像分割结果。

11、进一步的，mobilenet-v2模型包括依次连接的第一卷积模块、第一下采样模块、第二卷积模块、第二下采样模块、第三卷积模块和第三下采样模块；

12、第一卷积模块的输入端接收256×256大小的超声图像，第一卷积模块输出256×256大小的特征信息；

13、第一下采样模块输出128×128大小的特征信息，第二卷积模块输出128×128大小的特征信息；

14、第二下采样模块输出64×64大小的特征信息；第三卷积模块输出64×64大小的特征信息；

15、第三下采样模块输出32×32大小的特征信息；

16、将mobilenet-v2模型中第二卷积模块输出的128×128大小的特征信息和第三下采样模块输出32×32大小的特征信息输入到deeplab-v3模型进行处理，deeplab-v3模型输出图像分割结果。

17、进一步的，deeplab-v3模型包括依次连接的aspp模块、第一级联模块、第四卷积模块、第一上采样模块、第二级联模块、第五卷积模块；

18、aspp模块的输入端连接第三下采样模块的输出端；

19、第二级联模块的输入端还连接第二卷积模块的输出端；

20、第一上采样模块为4倍采样。

21、进一步的，第一分析处理模块计算甲状腺、颈动脉和气管的中心点位置，根据甲状腺、颈动脉、气管的中心点位置之间的关系判定探头与当前扫查任务是否匹配。

22、进一步的，第二分析处理模块根据图像分割结果确定当前扫查的超声图像中存在2个连通域时，判定当前扫查已到达颈动脉分叉处。

23、一种基于深度学习的颈动脉超声扫查导航方法，使用前述的一种基于深度学习的颈动脉超声扫查导航系统，包括：

24、步骤a1，采集超声图像；

25、步骤a2，采用预先训练的轻量级的图像分割模型提取超声图像中的解剖结构，得到图像分割结果，解剖结构包括甲状腺、颈动脉和气管；

26、步骤a3，对图像分割结果进行第一次分析得到第一分析结果，并在第一分析结果为探头与当前扫查任务不匹配时产生第一提示信息；

27、步骤a4，在第一分析结果为探头与当前扫查任务匹配时，对图像分割结果进行第二次分析，得到第二分析结果，并当第二分析结果为当前扫查已到达颈动脉分叉处时，产生第二提示信息。

28、进一步的，图像分割模型包括轻量级的mobilenet-v2模型和deeplab-v3模型；

29、mobilenet-v2模型的输入端用于接收超声图像；

30、mobilenet-v2模型的输出端连接deeplab-v3模型的输入端，

31、deeplab-v3模型的输出端输出图像分割结果。

32、进一步的，mobilenet-v2模型包括依次连接的第一卷积模块、第一下采样模块、第二卷积模块、第二下采样模块、第三卷积模块、第五卷积模块；

33、第一卷积模块的输入端接收256×256大小的超声图像，第一卷积模块输出256×256大小的特征信息；

34、第一下采样模块输出128×128大小的特征信息，第二卷积模块输出128×128大小的特征信息；

35、第二下采样模块输出64×64大小的特征信息；第三卷积模块输出64×64大小的特征信息；

36、第三下采样模块输出32×32大小的特征信息；

37、将mobilenet-v2模型中第二卷积模块输出的128×128大小的特征信息和第三下采样模块输出32×32大小的特征信息输入到deeplab-v3模型进行处理，deeplab-v3模型输出图像分割结果。

38、进一步的，deeplab-v3模型包括依次连接的aspp模块、第一级联模块、第四卷积模块、第一上采样模块、第二级联模块、第五卷积模块；

39、aspp模块的输入端连接第三下采样模块的输出端；

40、第二级联模块的输入端还连接第二卷积模块的输出端；

41、第一上采样模块为4倍采样。

42、本发明的有益技术效果在于：基于深度学习的方法，能够实时的实现多种解剖结构的分割。医生可以根据当前的分割结果来自行判断超声探头的移动方向是否符合要求，并根据是否扫查到颈动脉分叉位置来决定是否结束扫查任务，提高扫查效率，且使用的计算资源少，计算快，分割准确。

技术特征：

1.一种基于深度学习的颈动脉超声扫查导航系统，应用于掌上超声设备，其特征在于，包括：

2.如权利要求1所述的一种基于深度学习的颈动脉超声扫查导航系统，其特征在于，所述图像分割模型包括轻量级的mobilenet-v2模型和deeplab-v3模型；

3.如权利要求2所述的一种基于深度学习的颈动脉超声扫查导航系统，其特征在于，所述mobilenet-v2模型包括依次连接的第一卷积模块、第一下采样模块、第二卷积模块、第二下采样模块、第三卷积模块和第三下采样模块；

4.如权利要求3所述的一种基于深度学习的颈动脉超声扫查导航系统，其特征在于，所述deeplab-v3模型包括依次连接的aspp模块、第一级联模块、第四卷积模块、第一上采样模块、第二级联模块、第五卷积模块；

5.如权利要求1所述的一种基于深度学习的颈动脉超声扫查导航系统，其特征在于，所述第一分析处理模块计算甲状腺、颈动脉和气管的中心点位置，根据所述甲状腺、颈动脉、气管的中心点位置之间的关系判定所述探头与当前扫查任务是否匹配。

6.如权利要求1所述的一种基于深度学习的颈动脉超声扫查导航系统，其特征在于，所述第二分析处理模块根据所述图像分割结果确定当前扫查的所述超声图像中存在2个连通域时，判定当前扫查已到达颈动脉分叉处。

7.一种基于深度学习的颈动脉超声扫查导航方法，其特征在于，使用如权利要求1-6任意一项所述的一种基于深度学习的颈动脉超声扫查导航系统，包括：

8.如权利要求7所述的一种基于深度学习的颈动脉超声扫查导航方法，其特征在于，所述图像分割模型包括轻量级的mobilenet-v2模型和deeplab-v3模型；

9.如权利要求8所述的一种基于深度学习的颈动脉超声扫查导航方法，其特征在于，所述mobilenet-v2模型包括依次连接的第一卷积模块、第一下采样模块、第二卷积模块、第二下采样模块、第三卷积模块和第三下采样模块；

10.如权利要求9所述的一种基于深度学习的颈动脉超声扫查导航方法，其特征在于，所述deeplab-v3模型包括依次连接的aspp模块、第一级联模块、第四卷积模块、第一上采样模块、第二级联模块、第五卷积模块；

技术总结本发明提供一种基于深度学习的颈动脉超声扫查导航系统和方法，包括：图像采集模块采集超声图像；图像分割模块采用预先训练的轻量级的图像分割模型提取超声图像中的解剖结构，得到图像分割结果；第一分析处理模块对图像分割结果进行第一次分析得到第一分析结果，并在第一分析结果为探头与当前扫查任务不匹配时产生第一提示信息；第二分析处理模块在第一分析结果为探头与当前扫查任务匹配时，对图像分割结果进行第二次分析，得到第二分析结果，并当第二分析结果为当前扫查已到达颈动脉分叉处时，产生第二提示信息。提高扫查效率，且使用的计算资源少，计算快，分割准确。技术研发人员：赵冬冬,朱瑞星,梁洋洋受保护的技术使用者：上海深至信息科技有限公司技术研发日：技术公布日：2024/11/14