[发明专利]一种基于深度学习的术中出血点检测系统

权利要求书

1.一种基于深度学习的术中出血点检测系统，其特征在于，包括：

图像数据获取模块，用于获取术中可疑出血区域视频，并将出血区域视频经分帧处理后得到红外图像序列；

标记模块，将红外图像序列中的目标区域进行像素级标记，得到原始图像对应的标签图像；

图像分割提取模块，将标签图像输入DSCNN-BiLSTM网络模型中，提取出出血区域的图像特征，获取目标区域的图像；

定位模块，根据获取的目标区域的图像，进行出血点定位及出血量判定；

DSCNN-BiLSTM网络模型，包括：粗粒度化网络模块、双向长短时记忆网络模块、dropout层和分类层；

粗粒度化网络模块，采用双通道的卷积神经网络结构，将标签图像进行双通道的粗粒度化处理后，再由concentrate层对两通道的提取的出血区域的图像特征数据进行特征融合；

双向长短时记忆网络模块，将融合后的特征进行时序特征提取后，依次输入dropout层和分类层，经dropout层以防止深度学习模型参数量过大导致的过拟合，经分类层获得目标区域的图像。

2.如权利要求1所述基于深度学习的术中出血点检测系统，其特征在于，还包括预处理模块；该预处理模块用于对可疑出血区域进行降温处理，对出血区域进行冲洗并降低渗血情况。

3.如权利要求1所述基于深度学习的术中出血点检测系统，其特征在于，所述图像数据获取模块中，采用红外热像仪采集出血区域视频，并采用Opencv视频分帧方法将出血区域视频转换为红外图像序列。

4.如权利要求1所述基于深度学习的术中出血点检测系统，其特征在于，所述标记模块中，采用3D Slicer对红外图像序列中的目标区域进行像素级标记。

5.如权利要求4所述基于深度学习的术中出血点检测系统，其特征在于，以红外图像中达到预设温度的区域作为所述目标区域。

6.如权利要求1所述基于深度学习的术中出血点检测系统，其特征在于，粗粒度化网络模块中双通道的卷积神经网络结构为：采用平均池化层替换双尺度粗粒度层；

在第一通道中，当粗粒度化尺度s=1时，通道输入为标签图像本身；在第二通道中，当粗粒度化尺度s=2时，采用池化尺寸为2，步长为2的一维平均池化层，当s=z时，用池化尺度为z，步长为z的一维池化层来代替双尺度粗粒度层。

7.如权利要求1所述基于深度学习的术中出血点检测系统，其特征在于，粗粒度化网络模块中采用一维卷积层、BN层和最大池化层来构建卷积神经网络，对标签图像信号进行空间特征提取；在每个通道的卷积神经网络中，设置两个一维卷积层，每个一维卷积层后添加批量BN层并使用ReLU激活函数。

8.如权利要求1所述基于深度学习的术中出血点检测系统，其特征在于，出血量判定为：若出血点处的红外图像能量位于第一预设区间，则判定为需进行一级处理；若出血点处的红外图像能量位于第二预设区间，则判定为需进行二级处理；若出血点处的红外图像能量高于第三预设值，则判定为需进行三级处理；若出血点处的红外图像能量低于第一预设区间的最小值，则判定为不需处理。