[发明专利]气道分类方法及其装置、计算机可读存储介质

说明书

本发明提供一种气道分类方法及其装置、计算机可读存储介质，该气道分类方法包括：获取气道图像数据；对气道图像数据进行分割，以得到气道区域图像数据；将气道图像数据和气道区域图像数据进行连接，以得到二通道数据；将二通道数据输入至预先训练的深度学习网络，以确认气道图像中的气道是否为困难气道。本申请通过将二通道数据输入到深度学习网络中，使得深度学习网络能够有效的利用气道区域图像数据中的气道信息识别气道是否为困难气道，还可以保留深度学习网络对气道图像数据中的气道信息之外的其他部位的学习能力，进而提升气道分类的精确度，方法简单，分类结果可靠。

技术领域

本发明涉及图像处理技术领域，特别是涉及一种气道分类方法及其装置、计算机可读存储介质。

背景技术

困难气道情形是指在全麻、急救、危重患者诊疗中，因病情或手术需要进行人工通气，但在建立人工通气管道时遇到困难的情况。

临床困难气道情形包括面罩通气困难、喉镜显露声门困难、插管困难、插管失败及声门上气道通气困难，无论是危急患者抢救性插管，还是全麻诱导后的气管插管，患者都已失去正常的呼吸功能，患者一旦遇到不能及时成功插管又不能有效通气的时候，患者将因窒息继发生心脏骤停、脑损伤，甚至死亡，因此预测困难气道就显得尤为重要。

目前的术前困难气道评估方法主要包括了解病史、体格检查以及辅助检查三种。其中，了解病史包括年龄、BMI(Body Mass Index，身体质量指数)、牙齿异常、睡眠呼吸暂停综合征和打鼾病史等；体格检查包括上门齿的长度、闭口时上下切牙的关系、下颌骨的发育和前伸能力、张口度、咽部结构分级等；辅助检查包括清醒镇静表面麻醉下行可视喉镜或可视插管软镜等工具的检查与评估，明确喉镜显露分级等。上述方法需要的信息量很大且部分信息不易获取，且这些方法预测困难气道具有一定的特异性和敏感性，个体差异较大且大多依赖于经验。

发明内容

本发明主要解决的技术问题是提供一种气道分类方法及其装置、计算机可读存储介质，解决现有技术中气道分类精度低的问题。

为解决上述技术问题，本发明采用的第一个技术方案是：提供一种气道分类方法，该方法包括：获取气道图像数据；对气道图像数据进行分割，以得到气道区域图像数据；将气道图像数据和气道区域图像数据进行连接，以得到二通道数据；将二通道数据输入至预先训练的深度学习网络，以确认气道图像中的气道是否为困难气道。

其中，深度学习网络包括深度学习特征提取网络模型和深度学习分类网络模型，将二通道数据输入至预先训练的深度学习网络，以确认气道图像中的气道是否为困难气道的步骤具体包括：将二通道数据输入至预先训练的深度学习特征提取网络模型进行特征提取得到气道特征图；将气道特征图输入到预先训练的深度学习分类网络模型进行识别确定气道是否为困难气道。

其中，对气道图像数据进行分割，以得到气道区域图像数据的步骤具体包括：设定阈值，使用阈值分割对气道图像数据进行二值化处理，以提取初始气道区域图像；对初始气道区域图像进行预处理，预处理包括孔洞填充和小区域去除；构建气道模板并通过气道模板在初始气道区域图像中确定种子点；根据种子点的连通域内的体素点在气道图像数据的体素点中所占的比例确定种子点的连通域是否为气道区域图像。

其中，构建气道模板并通过气道模板在初始气道区域图像中确定种子点的步骤具体包括：构建气道模板；将气道模板与初始气道区域图像中各体素点的连通域进行匹配；将连通域与气道模板重合度最高的体素点确定为种子点。

其中，根据种子点的连通域内的体素点在气道图像数据的体素点中所占的比例确定种子点的连通域是否为气道区域图像的步骤具体包括：判断种子点的连通域内的体素点在气道图像数据的体素点中所占的比例是否在0.2％～0.8％范围内；如果比例在范围内，则确定种子点的连通域为气道区域图像。

其中，获取气道图像数据的步骤之前还包括：对深度学习网络进行训练，其中，深度学习特征提取网络模型和深度学习分类网络模型具有三维卷积核。