[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

权利要求书

1.一种用于血管动脉瘤介入手术导航系统的导管检测方法，其特征在于，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。

2.根据权利要求1所述的用于血管动脉瘤介入手术导航系统的导管检测方法，其特征在于，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；

步骤S22，通过基于深度学习的编码解码结构中第一循环残差块将所述第一特征图像生成第二特征图像；

步骤S23，基于所述第二特征图像，通过所述基于深度学习的编码解码结构中各编码模块进行分级编码，获得特征压缩图像；

步骤S24，基于所述特征压缩图像，通过所述基于深度学习的编码解码结构中各解码模块，进行分级解码，获得上采样特征图像；

步骤S25，基于所述上采样特征图像，通过所述基于深度学习的编码解码结构中第二卷积层生成所述待检测图片对应的导管的二值分割掩膜，获得导管的二值分割掩膜序列。

3.根据权利要求1所述的用于血管动脉瘤介入手术导航系统的导管检测方法，其特征在于，所述第二循环残差块为包含两个循环卷积层的残差块。

4.根据权利要求1所述的用于血管动脉瘤介入手术导航系统的导管检测方法，其特征在于，所述编码残差块，为包含了第四卷积层、Dwise卷积层和第五卷积层的残差块。

5.根据权利要求1所述的用于血管动脉瘤介入手术导航系统的导管检测方法，其特征在于，所述解码块，包括顺次连接的第六卷积层、转置卷积层和第七卷积层。

6.根据权利要求5所述的用于血管动脉瘤介入手术导航系统的导管检测方法，其特征在于，所述第六卷积层和第七卷积层为合并了批正则化层的卷积层。

7.根据权利要求1所述的用于血管动脉瘤介入手术导航系统的导管检测方法，所述基于深度学习的编码解码结构，其训练中采用的损失函数为：

其中L_BCE是二值交叉熵损失函数，β_i是梯度密度协调参数，是第i个像素的像素标签，1是导管，0是背景，p_i是最后的预测值。

8.根据权利要求1所述的用于血管动脉瘤介入手术导航系统的导管检测方法，其特征在于，所述基于深度学习的编码解码结构采用MSRA的方法初始化。

9.根据权利要求1所述的用于血管动脉瘤介入手术导航系统的导管检测方法，其特征在于，所述基于深度学习的编码解码结构，其训练中多次迭代至验证精度达到饱和时，将学习率降低2倍。