[发明专利]一种基于深度学习的术中出血点检测系统

说明书

本发明涉及一种基于深度学习的术中出血点检测系统，其包括：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。本发明能对出血点进行准确有效的识别，有效降低主观误判率。

技术领域

本发明涉及一种图像数据处理技术领域，特别是关于一种基于深度学习的术中出血点检测系统。

背景技术

由于心脏外科手术以开胸手术为主，在手术完成后止血工作相当复杂。术前患者因各种情况（急性主动脉夹层患者假腔血栓化）导致凝血功能障碍、术中缝合口范围大、数量多以及体外循环，低温手术等保障技术将不可避免引起患者术后凝血功能差，出血及渗血严重，所以术后止血也是手术成果与否的关节环节。

目前仍然以肉眼形式判断出血点以及是否需要进行止血，术者难以有效判断出血点，存有误判漏判的可能，以至于造成以下不良后果：1、在不需要止血的地方进行操作可能导致新发出血，愈合差等不良情况；2、需要止血的地方有遗漏导致术后引流量大，未能控制甚至需要二次手术，重新寻找出血点。3、不同术者对出血判断不一，即使添加辅助装置（红外热成像仪）也是凭借肉眼判断，加大了止血难度。

发明内容

针对上述问题，本发明的目的是提供一种基于深度学习的术中出血点检测系统，其能对出血点进行准确有效的识别，有效降低主观误判率。

为实现上述目的，本发明采取以下技术方案：一种基于深度学习的术中出血点检测系统，其包括：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。

进一步，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。

进一步，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。

进一步，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。

进一步，以红外图像中达到预设温度的区域作为所述目标区域。

进一步，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。

进一步，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。

进一步，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。