【技术实现步骤摘要】
本专利技术属于人工智能辅助医疗，具体涉及一种基于深度学习检测小目标的方法和系统。
技术介绍
1、手术器械在医疗手术中扮演着至关重要的角色，确保手术的顺利进行和患者的安全。然而，由于手术器械的频繁使用和清洁、消毒过程中的不恰当，器械可能出现各种缺损，如断裂或变形等。这些缺损可能会影响器械的性能，增加手术风险，甚至可能导致手术失败。
2、传统的手术器械检查方法通常依赖于人工视觉检查，这不仅耗时且效率低下，还存在主观性和误判的风险。随着人工智能和计算机视觉技术的快速发展，自动化的手术器械缺损检测系统逐渐受到了关注。这些系统可以快速、准确地检测和识别手术器械上的缺损，提高检查的效率和准确性。
3、garcía-peraza-herrera等人在2016年提出用于微创手术中手术器械检测和跟踪的算法。该算法在微创手术的低速视频数据集中准确率达到88.3％。alshirbaji等人在2020年将卷积神经网络与两种长短期记忆模型相结合，该方法在原始腹腔镜视频中检测手术器械的精确度达到了91％。kitaguchi等人开发了一种能够同时识别腹腔镜结直肠手术中所需的8种手术器械的深度学习框架并达到91.8％的准确性。
4、眼科手术器械与常规的手术器械在尺寸上有较大的差别，由于眼科手术的精细度，眼科手术器械的尺寸通常只有几毫米。由于尺寸的差异，眼科手术器械在常规的视频或图片中所占有的像素也更低，并且图像中包含的缺损或器械类型相关的特征信息也更加难以提取。因而，将上述现有的手术器械人工智能识别方法用于眼科手术器械的识别
5、目前尚未报道过关于使用人工智能检测眼科手术器械的缺陷与类型的研究。针对眼科手术器械这类小目标的识别，如何提供优化人工智能模型，获得更好的识别能力，这是本领域亟需解决的问题。
技术实现思路
1、针对现有技术的问题，本专利技术提供一种基于深度学习检测小目标的方法和系统。
2、一种基于深度学习检测小目标的方法，包括如下步骤：
3、步骤1，输入待检测小目标的图像数据；
4、步骤2，将所述图像数据输入深度学习网络模型，识别出待检测小目标的位置和/或类型；
5、所述深度学习网络模型是改进的yolo网络，改进的方式包括：将backbone中所有c3模块中引入了se注意力机制。
6、优选的，所述图像数据为灰度图像。
7、优选的，所述yolo网络选自yolov5网络。
8、优选的，所述yolov5网络改进的方式还包括：在neck层中，在第18层将40*40的特征图通过卷积层扩大为80*80特征图；在第19层进行上采样，将80*80特征图扩大为160*160特征图；在第20层，将第19层获得的160*160特征图与backbone中第2层的160*160特征图进行融合，生成一个160*160的特征图；
9、在neck层中的第21层、第24层、第27层和第30层分别设置检测层。
10、优选的，改进的yolov5网络的层次设计如下表所示：
11、
12、
13、其中，
14、第3层的输出通过跳跃连接与第20层的输入相结合，第5层的输出通过跳跃连接与第16层的输入相结合，第7层的输出通过跳跃连接与第12层的输入相结合，第10层的输出通过跳跃连接与第29层的输入相结合，第14层的输出通过跳跃连接与第26层的输入相结合，第18层的输出通过跳跃连接与第23层的输入相结合；
15、第21层、第24层、第27层和第30层分别设置检测层。
16、优选的，所述yolo网络的损失函数选自varifocal loss损失函数。
17、优选的，所述待检测小目标是眼科手术器械或眼底病灶。
18、本专利技术还提供一种基于深度学习检测小目标的系统，包括：
19、第一输入模块，用于输入待检测小目标的图像数据；
20、小目标检测模块，用于按照上述基于深度学习检测小目标的方法进行小目标的检测；
21、第一输出模块，用于输出检测的结果。
22、本专利技术还提供一种眼科手术器械检测方法，包括如下步骤：
23、步骤a，按照上述基于深度学习检测小目标的方法对眼科手术器的图像进行检测，识别眼科手术器械，输出所述眼科手术器械的器械操作区域图像；
24、步骤b，采用神经网络模型对步骤a得到的器械操作区域图像进行检测，得到预测结果，所述预测结果包括：眼科手术器械是否缺损和/或眼科手术器械的计数结果。
25、优选的，步骤b中，所述神经网络模型的算法选自efficienctnet、resnet、inceptionv3或moviebilenet。
26、本专利技术还提供一种眼科手术器械检测系统，包括：
27、第二输入模块，用于输入眼科手术器械的图像数据；
28、眼科手术器械检测模块，用于按照上述眼科手术器械检测方法进行检测；
29、第二输出模块，用于输出检测的结果。
30、本专利技术还提供一种计算机可读存储介质，其上存储有：用于实现上述基于深度学习检测小目标的方法的计算机程序，或用于实现上述眼科手术器检测方法的计算机程序。
31、本专利技术针对小目标的人工智能检测检测提供了一种改进的yolo网络。通过引入se注意力机制，我们有效增强了特征表征能力。该机制通过自适应地学习特征通道的重要性，显著提升了模型在多尺度目标检测任务中的表现。此外，我们结合使用varifocal loss损失函数引入了可变焦点机制，动态调整正样本的权重从而使模型更加专注于识别难以检测的小目标。这些改进措施极大地优化了对小目标的自动检测，一方面能够提升对小目标进行检测的准确性；另一方面能够进一步缩小能够检测到的小目标的尺度，本专利技术能够将yolo网络的最小检测目标的尺寸从现有技术的8*8像素缩小至4*4像素。本专利技术的技术方案适用于各种小目标的检测(例如：细微手术器械的检测，眼底图像中细微病灶的识别)，具有很高的应用价值。
32、进一步的，本专利技术还将改进的yolo网络与其他神经网络模型结合，首次实现了对眼科手术器械是否缺损的分类，实现了手术闭环前手术器械缺损，降低因手术器械碎片掉落于患者眼内的手术风险。同时通过自动分类和计数手术器械为洗手护士提供了更高效、更准确和更简单的清点方法。减轻了洗手护士的负担，该方法为提升眼科手术安全性和效率提供了全新的检测方案，同时也为未来手术室内自动化管理系统的发展奠定了坚实的基础，具有很好的应用前景。
33、显然，根据本专利技术的上述内容，按照本领域的普通技术知识和惯用手段，在不脱离本专利技术上述基本技术思想前提下，还可以做出其它多种形式的修改、替换或变更。
34、以下通过实施例形式的具体实施方式，对本专利技术的上述内容再作进一步的详细说明。但不应将此理解为本专利技术上述主题的本文档来自技高网...
【技术保护点】
1.一种基于深度学习检测小目标的方法，其特征在于，包括如下步骤：
2.按照权利要求1所述的基于深度学习检测小目标的方法，其特征在于：所述图像数据为灰度图像；
3.按照权利要求2所述的基于深度学习检测小目标的方法，其特征在于：所述Yolov5网络改进的方式还包括：在Neck层中，在第18层将40*40的特征图通过卷积层扩大为80*80特征图；在第19层进行上采样，将80*80特征图扩大为160*160特征图；在第20层，将第19层获得的160*160特征图与Backbone中第2层的160*160特征图进行融合，生成一个160*160的特征图；
4.按照权利要求3所述的基于深度学习检测小目标的方法，其特征在于：改进的Yolov5网络的层次设计如下表所示：
5.按照权利要求1所述的基于深度学习检测小目标的方法，其特征在于：所述Yolo网络的损失函数选自VariFocal Loss损失函数；
6.一种基于深度学习检测小目标的系统，其特征在于，包括：
7.一种眼科手术器械检测方法，其特征在于，包括如下步骤：
<...【技术特征摘要】
1.一种基于深度学习检测小目标的方法，其特征在于，包括如下步骤：
2.按照权利要求1所述的基于深度学习检测小目标的方法，其特征在于：所述图像数据为灰度图像；
3.按照权利要求2所述的基于深度学习检测小目标的方法，其特征在于：所述yolov5网络改进的方式还包括：在neck层中，在第18层将40*40的特征图通过卷积层扩大为80*80特征图；在第19层进行上采样，将80*80特征图扩大为160*160特征图；在第20层，将第19层获得的160*160特征图与backbone中第2层的160*160特征图进行融合，生成一个160*160的特征图；
4.按照权利要求3所述的基于深度学习检测小目标的方法，其特征在于：改进的yolov5网络的层次设计如下表所示：
5.按照权利要求...
【专利技术属性】
技术研发人员：钟捷，成洪壮，李杰，李春秀，沈亚丹，宁欣茹，任怡菲，王友，董文韬，王茜，刘逸，陈丽，凌若岚，陈思竹，易航锦，徐明鑫，杨航，冷思雨，
申请(专利权)人：四川省医学科学院·四川省人民医院，
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。