[发明专利]基于深度学习的纤支镜插管辅助决策系统

摘要

本发明公开了一种基于深度学习的纤支镜插管辅助决策方法，包括：采集插管视频并将视频拆分为图像帧；制定决策指令集；将操作指令作为图像决策的类别标签，对图像帧进行逐帧的标注；处理原始图像，制作数据集；提取训练集和验证集；对训练样本进行特征提取，逐步得到高层特征图；将特征图分别变换后的结果送入朴素贝叶斯分类器与softmax激活函数进行计算；输入训练样本，设定损失函数loss，对操作指令决策模型和朴素贝叶斯分类器模型分别进行单独训练；重复训练步骤，对网络模型进行交叉验证。本发明采用端到端的方法，由输入图像直接得到决策结果，大大降低了算法成本，决策速度快，具有很高的实时性。

主权项

1.一种基于深度学习的纤支镜插管辅助决策方法，其特征在于，包括以下步骤：/nS1：对插管时纤支镜镜头拍摄的影像进行录制，并将视频影像拆分为图像帧；/nS2：制定决策指令集，将其作为插管时的操作指令；/nS3：对原始图像帧数据进行标注，如果图像中能看清支气管隆突位置，则标记为终点，否则，将操作指令作为图像决策的类别标签，对图像帧进行逐帧的标注，用于后续任务的分类；/nS4：替换原始图像黑色背景，并进行尺寸变换及大小裁剪，只保留图像中间有效部分，制作成数据集；/nS5：从步骤S4的数据集中按比例随机取一部分作为训练集，其余作为验证集；/nS6：使用改进过的GoogleNet Inception V3卷积神经网络对训练样本进行特征提取，逐步得到高层特征图；/n即在原GoogleNet Inception V3卷积神经网络的基础上，在网络构建时加入he_normal初始化方法，并根据采集到的图片大小，修改卷积尺寸，对训练样本进行特征提取，逐步得到高层特征图；并删去GoogleNet Inception V3原有的单一输出模块，将高层特征图经过不同的方法处理后分别输出；/nS7：将高层特征图分别变换后的结果送入朴素贝叶斯分类器与softmax激活函数进行计算，基于终点判断输出操作决策结果；/n根据贝叶斯定理：/n /n其中，P(Y)表示类变量Y的先验概率；P(X)表示特征属性集为X的证据概率；P(X|Y)为类条件概率；P(Y|X)表示Y的后验概率，由前三者计算得出；得到对于第i个输入样本其分到终点和非终点两类j＝{0,1}的概率为：/n /n并以概率最大的类别为分类结果，对是否到达终点进行判断；/nS8：输入训练样本，设定损失函数loss，对操作指令决策模型和朴素贝叶斯分类器模型分别进行单独训练；/nS9：记录实验结果，重新对数据集进行随机划分，重复训练步骤，对网络模型进行交叉验证。/n