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。
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。