[发明专利]一种基于Att-Res2-CE-Net的鼻内部疾病实时辅助诊疗系统

说明书

本发明公开了一种基于Att‑Res2‑CE‑Net的鼻内部疾病实时辅助诊疗系统，基于Att‑Res2‑CE‑Net，使用Res2Net50特征提取主干网络，将密集空洞卷积块DAC模块和残差多核池化RMP模块嵌入Attention U‑Net网络，系统包括视频采集处理端、云平台、服务器端，所述视频采集处理端包括数个鼻内窥镜视频采集设备，并与云平台无线连接，所述云平台与服务器无线连接，该系统设计巧妙，结构合理，综合了各个网络的劣势与优势分析，扬长避短，通过软硬件结合，可在服务器上搭建目标分割和目标跟踪网络，对视频采集处理端提供的实时手术视频进行鼻息肉、真菌性鼻窦炎和鼻腔肿瘤的精确识别定位，本发明成本低，使用灵活方便，可帮助医生辅助诊断，提高诊断效率。

技术领域

本发明涉及医学辅助诊疗技术领域，具体涉及一种基于Att-Res2-CE-Net的鼻内部疾病实时辅助诊疗系统。

背景技术

鼻腔、鼻窦疾患临床发病率高,形式多样化,特别是鼻窦炎、鼻息肉等疾病较为多见。虽然此类疾病病患范围小，但因为部位特殊，且与人们生活息息相关，依然是当下困扰不少人的一大类健康疾病。然而，鼻腔、鼻窦以及邻近结构的复杂性和深藏性的特点，给医生的诊断造成很大的麻烦。

一方面，现有传统诊断手段误诊率高，据调查数据显示，鼻腔疾病与其他类型疾病相比，位列首诊误诊率榜首之一，平均首诊误诊率高达10％；另一方面，虽然目前基于深度学习的目标检测和跟踪算法发展已经成熟，但人工智能医学影像辅助诊疗在判别鼻腔疾病的应用上依然是一个较空白的领域，亟需技术加持，以提高鼻腔疾病诊断准确性。

Att-Res2-CE-Net是在U-Net网络框架的基础上使用Res2Net50作为特征提取主干网络，在网络中增加Attention机制、DAC和RMP模块的改进分割算法。

其中,CE-Net:Context Encoder Network for 2D Medical ImageSegmentation，译为用于二维医学图像分割的编码网络，是一种用于医学图像分割的网络结构，在传统的encoder-decoder结构中间加入了特征编码器(Feature Encoder)、上下文提取器(Context Extractor)、特征解码器(Feature Decoder)。其中，上下文提取器(Context Extractor)通过空洞卷积(atrous convolution)以及并行结构的方式减少由于池化和卷积导致的信息损失。

Attention U-Net网络框架模型是以Unet模型为基础的，U-net是典型的编码-解码模型(encode-decode)，Attention U-Net网络框架模型在解码时从编码部分提取的部分利用Attention Gate(注意力门模型)再进行解码。该模型能够有效抑制模型学习与任务无关的部分，同时加重学习与任务有关的特征，从而提高整个模型的精度。

Res2Net50是一种新的多尺度骨干网络结构，通过在原有的残差单元结构中添加不同的小残差块，从而增加每层的感受野大小。

发明内容

本发明的目的在于提供一种基于Att-Res2-CE-Net的鼻内部疾病实时辅助诊疗系统，以解决上述背景技术中提出的问题，能够实现对鼻内复杂组织与病灶部位的精准定位，确保鼻部疾病种类的判定结果具有较高的准确性。

为实现上述目的，本发明提供如下技术方案：

一种基于Att-Res2-CE-Net的鼻内部疾病实时辅助诊疗系统，基于Att-Res2-CE-Net，使用Res2Net50特征提取主干网络，将密集空洞卷积块DAC模块和残差多核池化RMP模块嵌入Attention U-Net网络，实时辅助诊疗系统包括视频采集处理端、云平台、服务器端，所述视频采集处理端包括数个鼻内窥镜视频采集设备，并与云平台无线连接，所述云平台与服务器无线连接，在服务器上配置目标分割网络及跟踪网络，对视频流中截取出的图像实时分割和跟踪。