基于5G的颈动脉斑块超声实时识别方法及装置

本发明涉及医学图像处理的，尤其涉及一种基于5g的颈动脉斑块超声实时识别方法，以及基于5g的颈动脉斑块超声实时识别装置。

背景技术：

1、机器深度学习在医学图像处理中的应用已经有多项研究，为医学影像诊断提供了新的思路和方法。基于人工智能的超声图像识别与诊断主要研究领域集中在甲状腺、乳腺和肝脏。基于迁移学习方法，在静态图像的最优图像识别和分析方面取得了一系列研究成果，并取得了较高的精度。但是在实时检测方面，对自主研发的算法有很高的要求。可用于迁移学习的主流算法数量有限，基于yolo系列的算法是继rcnn、fast-rcnn、faster-rcnn之后提出的另一个解决目标检测速度问题的框架。yolov4作为人工智能领域公认的深度神经网络，实时分析和高效是其最突出的特点和优势。与其他复杂的深度学习分类算法相比，yolo在准确率上存在缺陷。yolo很难达到类似于其他基于98%以上准确率的算法对静态图像的分类精度。

技术实现思路

1、为克服现有技术的缺陷，本发明要解决的技术问题是提供了一种基于5g的颈动脉斑块超声实时识别方法，其能够大大提高实时数据的处理精度，从而保证识别的准确性。

2、本发明的技术方案是：这种基于5g的颈动脉斑块超声实时识别方法，其包括以下步骤：

3、（1）通过体外形式对颈动脉进行动态超声灰阶图像的采集；

4、（2）对动态超声灰阶图像进行自动、实时的分割及预处理，保证图像特征不丢失；

5、（3）应用深度学习算法对预处理后的超声图像自动识别分析，判断图像是否存在颈动脉斑块；

6、（4）借助5g网络实现远程、实时自动分析颈动脉超声的动态图像，并识别颈动脉斑块；

7、所述步骤（2）包括：

8、（2.1）基于opencv软件实现对实时超声影像数据的关键帧截取；

9、（2.2）采用帧差法进行运动目标检测和分割，并保存关键帧；

10、（2.3）通过实现混合域注意力机制和锚定预处理，提升预处理过程中对关键部位及感兴趣区域roi的提取；

11、（2.4）调整k-means算法动态得到先验框值，强调性能；

12、（2.5）进行重采样和分割的预处理操作，调整骨干网络和检测网络的结构单元数量。

13、本发明基于opencv实现对实时超声影像数据的关键帧截取，采用帧差法进行运动目标检测和分割，并保存关键帧，通过实现混合域注意力机制和anchor预处理，提升预处理过程中对关键部位及roi敏感区域的提取，调整k-means算法动态得到先验框值，强调性能，进行重采样和分割的预处理操作，调整骨干网络和检测网络的结构单元数量，因此能够大大提高实时数据的处理精度，从而保证识别的准确性。

14、还提供了基于5g的颈动脉斑块超声实时识别装置，其包括：

15、图像采集模块，通过体外形式对颈动脉进行动态超声灰阶图像的采集；

16、分割及预处理模块，对动态超声灰阶图像进行自动、实时的分割及预处理，保证图像特征不丢失；

17、识别分析模块，应用深度学习算法对预处理后的超声图像自动识别分析，判断图像是否存在颈动脉斑块；

18、远程模块，借助5g网络实现远程、实时自动分析颈动脉超声的动态图像，并识别颈动脉斑块；

19、所述分割及预处理模块执行：

20、（2.1）基于opencv软件实现对实时超声影像数据的关键帧截取；

21、（2.2）采用帧差法进行运动目标检测和分割，并保存关键帧；

22、（2.3）通过实现混合域注意力机制和锚定预处理，提升预处理过程中对关键部位及感兴趣区域roi的提取；

23、（2.4）调整k-means算法动态得到先验框值，强调性能；

24、（2.5）进行重采样和分割的预处理操作，调整骨干网络和检测网络的结构单元数量。

技术特征：

1.基于5g的颈动脉斑块超声实时识别方法，其特征在于：其包括以下步骤：

2.根据权利要求1所述的基于5g的颈动脉斑块超声实时识别方法，其特征在于：所述步骤（2.2）中，判断帧与帧之间是否出现较为明显的差别,两帧相减,得到两帧图像亮度差的绝对值,判断它是否大于阈值来分析图像序列的运动特性,确定图像序列中有无物体运动；超过阈值则认为当前帧和上一保存的帧数据有显著不同，确认当前帧为关键帧并进行保存。

3.根据权利要求2所述的基于5g的颈动脉斑块超声实时识别方法，其特征在于：所述步骤（2.3）中，混合域注意力机制是一种有效的轻量级模块，额外开销可以忽略不计，在通道域和空间域两个维度推断出注意力权重，然后与原特征图相乘，从而对特征进行自适应调整。

4.根据权利要求3所述的基于5g的颈动脉斑块超声实时识别方法，其特征在于：所述步骤（2.3）中，在开始训练之前对数据集中标注信息进行核查，计算此数据集标注信息针对默认锚定框的最佳召回率，当最佳召回率大于或等于阈值，则不需要更新锚定框，使用默认锚定框；如果最佳召回率小于阈值，则需要重新计算符合此数据集的锚定框。

5.根据权利要求4所述的基于5g的颈动脉斑块超声实时识别方法，其特征在于：所述步骤（2.4）中，在锚定预处理中，在数据集中随机选择一个样本作为第一个初始化聚类中心；计算样本中每一个样本点与已经初始化的聚类中心的距离，并选择其中最短的距离；以概率选择距离最大的点作为新的聚类中心；重复上述步骤直至选出k个聚类中心；对k个聚类中心使用k-means算法计算最终的聚类结果。

6.根据权利要求5所述的基于5g的颈动脉斑块超声实时识别方法，其特征在于：所述步骤（3）中，基于yolo模型，修改网络结构第36/61/74层，提高fps；改造激活函数，替换原有relu激活函数，提高小目标检测效率；优化下采样，防止临床医生关注的特征值丢失。

7.基于5g的颈动脉斑块超声实时识别装置，其特征在于：其包括：

8.根据权利要求7所述的基于5g的颈动脉斑块超声实时识别装置，其特征在于：所述分割及预处理模块中，判断帧与帧之间是否出现较为明显的差别,两帧相减,得到两帧图像亮度差的绝对值,判断它是否大于阈值来分析图像序列的运动特性,确定图像序列中有无物体运动；超过阈值则认为当前帧和上一保存的帧数据有显著不同，确认当前帧为关键帧并进行保存。

9.根据权利要求8所述的基于5g的颈动脉斑块超声实时识别装置，其特征在于：所述分割及预处理模块中，

10.根据权利要求9所述的基于5g的颈动脉斑块超声实时识别装置，其特征在于：所述识别分析模块中，基于yolo模型，修改网络结构第36/61/74层，提高fps；改造激活函数，替换原有relu激活函数，提高小目标检测效率；优化下采样，防止临床医生关注的特征值丢失。

技术总结
基于5G的颈动脉斑块超声实时识别方法及装置，能够大大提高实时数据的处理精度，从而保证识别的准确性。方法包括：（1）通过体外形式对颈动脉进行动态超声灰阶图像的采集；（2）对动态超声灰阶图像进行自动、实时的分割及预处理，保证图像特征不丢失；（3）应用深度学习算法对预处理后的超声图像自动识别分析，判断图像是否存在颈动脉斑块；（4）借助5G网络实现远程、实时自动分析颈动脉超声的动态图像，并识别颈动脉斑块。

技术研发人员：杨萌,韦瑶,薛军,杨斌,魏凌,纪菲,李田香
受保护的技术使用者：中国医学科学院北京协和医院
技术研发日：
技术公布日：2024/1/12