【技术实现步骤摘要】
本专利技术涉及内镜黏膜下剥离术，特别是涉及一种基于深度学习的内镜黏膜下剥离术辅助系统。
技术介绍
1、本部分的陈述仅仅是提到了与本专利技术相关的
技术介绍
，并不必然构成现有技术。
2、消化道恶性肿瘤严重威胁人民生命健康。通过消化内镜(胃镜或肠镜)发现和切除早期消化道肿瘤，可以将5年生存率升至90％以上。内镜黏膜下剥离术(endoscopicsubmucosal dissection，esd)具有创伤小、完整切除率高的优势，目前已成为消化道早癌的首选手术方式。esd是在消化道腔内利用高频电刀等专用手术器械，将局限在黏膜层或黏膜下层的病变进行整块剥离的过程，要求手术者精准识别切割部位，完成手术操作。然而，目前仍存在以下问题：
3、(1)面对日益增长的手术例数，内镜医师操作过程中随着疲惫感增加注意力会下降，容易发生切割部位识别不准；
4、(2)esd手术时间长，如果由经验较浅的内镜技师进行程序，或会增加手术期间出现肠道流血、穿孔的风险，这就提出了效率要求，尤其对于导航系统实时性更是追求无极限。这就对于导航模型算法是个考验，识别好的实时性差，实时性好的，效果很难做到要求；
5、(3)初学者esd培训中，需要有经验的内镜医师指导其识别切割部位，耗费大量人力，阻碍了esd在世界范围内的推广和应用；
6、(4)由于esd是个动态手术过程，一个环节接着另外一个环节，每个环节都要有准确无误的目标，这些环节识别结果一起就构成导航的标记性的参考物，如果一个环节出现稍许误差，都会对于手术构成影响
技术实现思路
1、为了解决现有技术的不足，本专利技术提供了一种基于深度学习的内镜黏膜下剥离术辅助系统，通过观察状态特征的方差计算，保证了对病灶区域的充分观察，且通过充分观察的图像对病灶区域进行优化，解决了内镜医师操作过程中随着疲惫感增加注意力下降的问题，提高了内镜黏膜下剥离术的准确性，降低了医生负担。
2、第一方面，本专利技术提供了一种基于深度学习的内镜黏膜下剥离术辅助系统；
3、一种基于深度学习的内镜黏膜下剥离术辅助系统，包括：
4、方差计算模块，用于连续获取内镜下若干帧病灶观察图像；对于每一帧病灶观察图像，通过病灶分割模型，得到病灶区域，并计算所述病灶区域的观察状态特征；当病灶观察图像的帧数达到某一数量时，基于所述观察状态特征进行方差计算，若方差大于评判阈值，则进入微调优化模块；否则，继续获取病灶观察图像，并重新计算方差；
5、微调优化模块，用于获取内镜下新病灶观察图像，通过病灶分割模型，得到新病灶区域，并计算所述新病灶区域的观察状态特征，并结合所述病灶区域的观察状态特征，计算得到距离所述新病灶观察图像距离最近的若干张病灶观察图像后，对新病灶区域的边界上的点进行采样，并与距离最近的若干张病灶观察图像进行关键点匹配，基于匹配的关键点，优化所述新病灶区域的边界，将优化后的新病灶区域的边界作为电凝标记的位置进行显示。
6、进一步地，所述观察状态特征包括：病灶区域的最大内切圆和病灶区域的最小外接圆的圆心距离。
7、进一步地，所述观察状态特征包括：病灶区域的最大内切圆和病灶区域的最小外接圆的半径比。
8、进一步地，所述观察状态特征包括：病灶区域的最大内切圆的圆心与病灶观察图像的中心点的相对位置。
9、进一步地，所述相对位置包括：病灶区域的最大内切圆的圆心与病灶观察图像的中心点的横坐标之差和纵坐标之差。
10、进一步地，还包括评判阈值计算模块；
11、所述评判阈值计算模块，用于对病灶观察视频片段中的每一帧图像，通过病灶分割模型，得到病灶区域后，计算所述病灶观察视频片段中的每一帧图像的观察状态特征，并使用聚类算法进行聚类，计算所有簇的中心点的方差，基于所有病灶观察视频片段的方差，选取评判阈值。
12、进一步地，所述方差的计算方法为：计算得到所述观察状态特征中每一维度的方差值后，将所有的维度方差值进行加权平均。
13、进一步地，所述病灶分割模型若得到多个病灶区域，则保留面积最大的病灶区域。
14、第二方面，本专利技术还提供了一种电子设备，包括：
15、存储器，用于非暂时性存储计算机可读指令；以及
16、处理器，用于运行所述计算机可读指令，
17、其中，所述计算机可读指令被所述处理器运行时，执行以下步骤：
18、连续获取内镜下若干帧病灶观察图像；对于每一帧病灶观察图像，通过病灶分割模型，得到病灶区域，并计算所述病灶区域的观察状态特征；当病灶观察图像的帧数达到某一数量时，基于所述观察状态特征进行方差计算，若方差大于评判阈值，则获取内镜下新病灶观察图像；否则，继续获取病灶观察图像，并重新计算方差；
19、对于新病灶观察图像，通过病灶分割模型，得到新病灶区域，并计算所述新病灶区域的观察状态特征，并结合所述病灶区域的观察状态特征，计算得到距离所述新病灶观察图像距离最近的若干张病灶观察图像后，对新病灶区域的边界上的点进行采样，并与距离最近的若干张病灶观察图像进行关键点匹配，基于匹配的关键点，优化所述新病灶区域的边界，将优化后的新病灶区域的边界作为电凝标记的位置进行显示。
20、第三方面，本专利技术还提供了一种存储介质，非暂时性地存储计算机可读指令，其中，当所述非暂时性计算机可读指令由计算机执行时，执行以下步骤：
21、连续获取内镜下若干帧病灶观察图像；对于每一帧病灶观察图像，通过病灶分割模型，得到病灶区域，并计算所述病灶区域的观察状态特征；当病灶观察图像的帧数达到某一数量时，基于所述观察状态特征进行方差计算，若方差大于评判阈值，则获取内镜下新病灶观察图像；否则，继续获取病灶观察图像，并重新计算方差；
22、对于新病灶观察图像，通过病灶分割模型，得到新病灶区域，并计算所述新病灶区域的观察状态特征，并结合所述病灶区域的观察状态特征，计算得到距离所述新病灶观察图像距离最近的若干张病灶观察图像后，对新病灶区域的边界上的点进行采样，并与距离最近的若干张病灶观察图像进行关键点匹配，基于匹配的关键点，优化所述新病灶区域的边界，将优化后的新病灶区域的边界作为电凝标记的位置进行显示。
23、与现有技术相比，本专利技术的有益效果是：
24、本专利技术通过观察状态特征的方差计算，保证了对病灶区域的充分观察，且通过充分观察的图像对病灶区域进行优化，解决了内镜医师操作过程中随着疲惫感增加注意力下降的问题，提高了内镜黏膜下剥离术的准确性，降低了医生负担。
25、本专利技术附加方面的优点将在下面的描述中部分给出，或通过本专利技术的实践了解到。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的内镜黏膜下剥离术辅助系统，其特征是，包括：
2.如权利要求1所述的一种基于深度学习的内镜黏膜下剥离术辅助系统，其特征是，所述观察状态特征包括：病灶区域的最大内切圆和病灶区域的最小外接圆的圆心距离。
3.如权利要求1所述的一种基于深度学习的内镜黏膜下剥离术辅助系统，其特征是，所述观察状态特征包括：病灶区域的最大内切圆和病灶区域的最小外接圆的半径比。
4.如权利要求1所述的一种基于深度学习的内镜黏膜下剥离术辅助系统，其特征是，所述观察状态特征包括：病灶区域的最大内切圆的圆心与病灶观察图像的中心点的相对位置。
5.如权利要求4所述的一种基于深度学习的内镜黏膜下剥离术辅助系统，其特征是，所述相对位置包括：病灶区域的最大内切圆的圆心与病灶观察图像的中心点的横坐标之差和纵坐标之差。
6.如权利要求1所述的一种基于深度学习的内镜黏膜下剥离术辅助系统，其特征是，还包括评判阈值计算模块；
7.如权利要求1所述的一种基于深度学习的内镜黏膜下剥离术辅助系统，其特征是，所述方差的计算方法为：计算得到所述观察状态
8.如权利要求1所述的一种基于深度学习的内镜黏膜下剥离术辅助系统，其特征是，所述病灶分割模型若得到多个病灶区域，则保留面积最大的病灶区域。
9.一种电子设备，其特征是，包括：
10.一种存储介质，其特征是，非暂时性地存储计算机可读指令，其中，当所述非暂时性计算机可读指令由计算机执行时，执行以下步骤：
...【技术特征摘要】
1.一种基于深度学习的内镜黏膜下剥离术辅助系统，其特征是，包括：
2.如权利要求1所述的一种基于深度学习的内镜黏膜下剥离术辅助系统，其特征是，所述观察状态特征包括：病灶区域的最大内切圆和病灶区域的最小外接圆的圆心距离。
3.如权利要求1所述的一种基于深度学习的内镜黏膜下剥离术辅助系统，其特征是，所述观察状态特征包括：病灶区域的最大内切圆和病灶区域的最小外接圆的半径比。
4.如权利要求1所述的一种基于深度学习的内镜黏膜下剥离术辅助系统，其特征是，所述观察状态特征包括：病灶区域的最大内切圆的圆心与病灶观察图像的中心点的相对位置。
5.如权利要求4所述的一种基于深度学习的内镜黏膜下剥离术辅助系统，其特征是，所述相对位置包括：病灶区域的最大内切圆的...
【专利技术属性】
技术研发人员：左秀丽，杨笑笑，李真，赖永航，马铭骏，李广超，史珍珍，季锐，王鹏，戚庆庆，刘晗，
申请(专利权)人：山东大学齐鲁医院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。