CN116999092A - 基于超声图像识别技术的困难气道评估方法及装置 - Google Patents
基于超声图像识别技术的困难气道评估方法及装置 Download PDFInfo
- Publication number
- CN116999092A CN116999092A CN202311045516.3A CN202311045516A CN116999092A CN 116999092 A CN116999092 A CN 116999092A CN 202311045516 A CN202311045516 A CN 202311045516A CN 116999092 A CN116999092 A CN 116999092A
- Authority
- CN
- China
- Prior art keywords
- image
- airway
- difficult airway
- ultrasonic
- difficult
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 210000004731 jugular vein Anatomy 0.000 claims abstract description 8
- 238000002604 ultrasonography Methods 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 23
- 210000003484 anatomy Anatomy 0.000 claims description 15
- 238000007477 logistic regression Methods 0.000 claims description 11
- 238000011156 evaluation Methods 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000013135 deep learning Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 239000003086 colorant Substances 0.000 claims description 3
- 238000012549 training Methods 0.000 abstract description 7
- 206010002091 Anaesthesia Diseases 0.000 abstract description 6
- 230000037005 anaesthesia Effects 0.000 abstract description 6
- 238000002627 tracheal intubation Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000000523 sample Substances 0.000 description 4
- 238000012360 testing method Methods 0.000 description 3
- 210000003205 muscle Anatomy 0.000 description 2
- 206010033675 panniculitis Diseases 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 210000004003 subcutaneous fat Anatomy 0.000 description 2
- 210000004304 subcutaneous tissue Anatomy 0.000 description 2
- 210000001685 thyroid gland Anatomy 0.000 description 2
- 238000009423 ventilation Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000000137 annealing Methods 0.000 description 1
- 230000003466 anti-cipated effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 210000002409 epiglottis Anatomy 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 210000003823 hyoid bone Anatomy 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 210000004373 mandible Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 230000009885 systemic effect Effects 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 210000003437 trachea Anatomy 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/12—Diagnosis using ultrasonic, sonic or infrasonic waves in body cavities or body tracts, e.g. by using catheters
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
- A61B8/0833—Detecting organic movements or changes, e.g. tumours, cysts, swellings involving detecting or locating foreign bodies or organic structures
- A61B8/085—Detecting organic movements or changes, e.g. tumours, cysts, swellings involving detecting or locating foreign bodies or organic structures for locating body or organic structures, e.g. tumours, calculi, blood vessels, nodules
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Radiology & Medical Imaging (AREA)
- General Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Surgery (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Animal Behavior & Ethology (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Vascular Medicine (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明公开了一种基于超声图像识别技术的困难气道评估方法,获取包括下颌、气管、颈静脉切迹的超声图像,采用resnet网络模型提取超声图像的特征,通过构建好的困难气道预测模型对特征进行分析,得到困难气道的评估结果。在模型训练时,基于Cormack‑Lehane分级的标签,使用所述超声特征作为输入信息,构建一个logistics回归模型进行分类,采用焦点损失函数对模型进行训练优化,从而能够精准的对临床麻醉中困难气道做出预警,降低麻醉风险。
Description
技术领域
本发明属于临床医学的技术领域,尤其涉及一种基于超声图像识别技术的困难气道评估方法及装置。
背景技术
在临床麻醉工作中,维护气道安全是保证围术期患者全身氧供的前提条件,也是围术期患者预后的坚实保障。由于困难气道的原因复杂多样,目前没有一种评估方法可以作为评估困难气道的金标准,临床迫切需要一种快速准确的智能化预警***来优化困难气道评估路径,降低临床意外风险。
虽然高分辨率超声可以精确探查浅表组织的解剖结构,并被困难气道指南推荐用于患者困难气道的术前评估,但是由于超声图像的阅片门槛较高,步骤繁琐。随着人工智能的蓬勃发展,通过结合人工智能算法用以评估困难气道越来越受到关注,通过头颈部超声图像与人工智能相结合,从而建立一个智能化困难气道评估模型,这对于临床术前气道评估会有极大的帮助。
发明内容
本发明的目的是提供一种基于超声图像识别技术的困难气道评估方法及装置,能够精准的对临床麻醉中困难气道,尤其是困难喉镜暴露做出预警。
为解决上述问题,本发明的技术方案为:
一种基于超声图像识别技术的困难气道评估方法,包括:
获取反映气道解剖结构及功能的超声图像,将超声图像输入训练好的困难气道预测模型中进行分析,自动给出困难气道评价结果;
其中,所述困难气道预测模型包括特征提取器和分类器;所述特征提取器采用深度学习神经网络对超声图像进行特征提取,输出512*1的图像特征;并根据困难气道的特征指标,对提取的图像特征赋予不同的权值;
所述分类器基于Cormack-Lehane分级的标签,通过logistics回归模型对图像特征进行困难气道严重程度的评分。
根据本发明一实施例,所述获取反映气道解剖结构及功能的超声图像进一步包括:
获取多张超声图像,采用多因素逻辑回归算法从中筛选出符合P<0.05的超声图像,作为反映气道解剖结构及功能的超声图像;其中,筛选出来的超声图像包括下颌超声图像、气管超声图像及颈静脉切迹超声图像。
根据本发明一实施例,所述特征提取器采用ResNet-18网络对超声图像进行特征提取。
根据本发明一实施例,采用焦点损失函数对困难气道预测模型进行训练,所述焦点损失函数的公式为:
L=-α(1-p)γlogp
其中,α和γ是超参数,p是困难气道的预测概率。
根据本发明一实施例,所述根据困难气道的特征指标,对提取的图像特征赋予不同的权值进一步包括:
通过绘制困难气道的类激活热图,对比提取的图像特征的类激活热图中每个像素的RGB值,对不同颜色的图像特征赋予不同的权值。
一种基于超声图像识别技术的困难气道评估装置,包括:
图像获取模块,用于获取反映气道解剖结构及功能的超声图像;
困难气道预测模块,用于将超声图像输入训练好的困难气道预测模型中进行分析,自动给出困难气道评价结果;
其中,所述困难气道预测模型包括特征提取器和分类器;所述特征提取器采用深度学习神经网络对超声图像进行特征提取,输出512*1的图像特征;并根据困难气道的特征指标,对提取的图像特征赋予不同的权值;
所述分类器基于Cormack-Lehane分级的标签,通过logistics回归模型对图像特征进行困难气道严重程度的评分。
根据本发明一实施例,所述图像获取模块包括图像筛选单元,所述图像筛选单元采用多因素逻辑回归算法从多张超声图像中筛选出符合P<0.05的超声图像,作为反映气道解剖结构及功能的超声图像;其中,筛选出来的超声图像包括下颌超声图像、气管超声图像及颈静脉切迹超声图像。
根据本发明一实施例,所述特征提取器为采用ResNet-18网络模型进行超声图像特征提取的模块。
本发明由于采用以上技术方案,使其与现有技术相比具有以下的优点和积极效果:
1)本发明一实施例中的基于超声图像识别技术的困难气道评估方法,获取包括下颌、气管、颈静脉切迹的超声图像,采用resnet网络模型提取超声图像的特征,通过构建好的困难气道预测模型对特征进行分析,得到困难气道的评估结果。在模型训练时,基于Cormack-Lehane分级的标签,使用所述超声特征作为输入信息,构建一个logistics回归模型进行分类,采用焦点损失函数对模型进行训练优化,从而能够精准的对临床麻醉中困难气道做出预警,降低麻醉风险。
2)本发明一实施例中的基于超声图像识别技术的困难气道评估方法,采用超声图像进行困难气道的预测,相较于采集体表结构的图像,超声图像可体现皮下组织(如皮下脂肪、肌肉、口内空间、气管等皮肤下的结构),更直接、真实地反映气道,更有利于困难气道的预测,提高困难气道预测的准确性。
附图说明
图1为本发明一实施例中的超声图像示意图;
图2为本发明一实施例中的困难气道预测模块框架图;
图3为本发明一实施例中的ResNet-18深度学习神经网络示意图;
图4为本发明一实施例中的超声图像的热图;
图5为本发明一实施例中的困难气道预测模型的性能比较示意图。
具体实施方式
以下结合附图和具体实施例对本发明提出的一种基于超声图像识别技术的困难气道评估方法及装置作进一步详细说明。根据下面说明和权利要求书,本发明的优点和特征将更清楚。
困难气道,定义为经过麻醉医学培训的医师面临预期或意外的气道管理困难或失败的临床情况,根据2022年美国麻醉师协会困难气道管理实践指南,困难气道包含一种或多种情况:面罩通气困难,气道暴露困难,声门上气道通气困难,气管插管困难或失败,拔管困难或失败,以及有创气道建立困难或失败。而术前对困难气道进行相对准确的评估将为气道管理提供十分有价值的信息,以便于医生提前做好插管方案及合适插管工具的准备。
本实施例提供了一种基于超声图像识别技术的困难气道评估方法,将能够反映气道解剖结构及功能的超声图像作为困难气道评价的对象,由于超声图像可体现皮下组织(如皮下脂肪、肌肉、口内空间、气管等皮肤下的结构),相较于采集体表结构的图像,超声图像能更直接、真实地反映气道,更有利于困难气道的预测。
本实施例中初始采集能够反映气道解剖结构及功能的超声图像,请参看图1,包括下颌矢状面A、环甲膜水平面B、气管矢状面C、甲状腺峡部水平面D、颈静脉切迹水平面E、舌骨平面F、会厌平面G。为了更有效地预测困难气道,本实施例采用多因素逻辑回归算法对这些超声图像进行筛选,筛选出关于困难气道预测的关键因素。
通过多因素逻辑回归算法的筛选方法包括以下步骤:
对上述超声图像中的指标转化为虚拟变量分别进行单因素逻辑回归分析;
对单因素逻辑回归分析中P<0.05的变量,采用向后逐步回归的方法进行多因素逻辑回归分析,得到关于困难气道预测的关键因素。
通过上述筛选方法得到的关键因素为下颌、气管及颈静脉切迹。由此确定符合筛选条件的是下颌矢状面A、气管矢状面C和颈静脉切迹水平面E这三种超声图像。
本实施例通过将这三种超声图像输入训练好的困难气道预测模型中进行分析,自动给出困难气道的评价结果。
该困难气道预测模型的框架请参看图2。该困难气道预测模型包括输入层、特征提取层、attention权重层、全连接层及输出层,超声图像从输入层进入特征提取层,该特征提取层采用resnet网络模型提取超声图像的特征,得到512*1的图像特征。具体的,请参看图3,该resnet网络模型为ResNet-18深度学***均池化层,计算图像区域的平均值,输出512*1的图像特征。
该ResNet-18深度学习神经网络经过训练之后,作为困难气道预测模型的特征提取器。
对输入的超声图像进行特征提取后,将图像特征输入attention权重层,对不同的图像特征赋予不同的权重。本实施例通过绘制困难气道的类激活热图,对比提取的图像特征的类激活热图中每个像素的RGB值,对不同颜色的图像特征赋予不同的权值。
请参看图4,热图采用Grad-CAM++绘制的。类激活热图是通过计算每个区域的重要性而创建的二维图像。热图上的红色和黄色区域表示人工智能模型认为对图像分类很重要的区域,对这部分区域赋予较大的权值,对其他部分赋予较小的权值。权值的取值范围为0~1。该热图可作为困难气道预测的依据。
全连接层作为分类器,输出困难气道严重程度的评分。进行分类器的训练时,基于Cormack-Lehane分级的标签(Ⅰ-Ⅱ级为非困难气道,Ⅲ-Ⅳ级为困难气道),构建logistics回归模型构建的分类器进行困难气道严重程度评分。
该困难气道预测模型在投入使用前需要进行训练,本实施例采用焦点损失函数来优化神经网络的参数,焦点损失函数不仅能够优化不同类别之间数据数量不平衡的影响,而且还能够对不同难易程度的数据不平衡问题进行优化。针对本实施例中的非困难气道类型与困难气道类型的数据量差异问题,采用焦点损失函数进行优化。本实施例中将数据量较少的困难气道类型为正样本类别,将数据量较多的非困难气道类型为负样本类别,通过设置α的值来控制正负样本对总的损失的共享权重。该焦点损失函数如下所示:
L=-α(1-p)γlogp
其中,系数α是调节正负样本的权重,γ是调节难易分类样本的权重,p是困难气道的预测概率。
在进行模型训练时,数据集按6:2:2的比例随机分为训练集、验证集和测试集,模型的batch size为64。学***比较,所有模型都在相同的数据集上进行了训练和测试,以保持训练和评估程序的一致性。这种方法可以对模型的性能进行可靠的比较。
为了体现本实施例中的困难气道预测模型的性能,本实施例提供了几种其他困难气道预测评估方法,并与本实施例中的困难气道预测模型的性能进行对比。其预测性能用AUC(曲线下面积)表示,具体请参看图5。图中Combine:本实施例中的模型评估方法;TMD:甲状腺距离;MMT:改良马兰帕蒂试验;ULBT:上唇咬合试验;NC:颈围;IIG:牙槽间隙;EGRI:ElGanzouri风险指数。本实施例中的模型预测性能,其AUC达到0.833,灵敏度为1.000,特异度为0.632,准确度为0.650,预测性能明显高于其他方法。
在实际应用中,获取超声图像时,可将患者安排在一个固定的安静诊室中,平卧于平车上,每位患者使用统一制式的硬质肩枕将肩部垫高,使患者处于颈部过伸仰卧位,使用使用超声***及其相关超声探头(如Sonosite SII彩色超声诊断***)进行超声数据采集。将超声探头置于患者头颈部及下颌区域进行超声扫描,在指定的超声截面下保存超声图像。所得的超声图像数据储存在保密性数据库中。
在术前将采集的超声图像输入训练好的困难气道预测模型中进行分析,得到其困难气道的严重程度评分,以便于医生提前做好插管方案及合适插管工具的准备。
基于相同的构思,本实施例还提供了一种基于超声图像识别技术的困难气道评估装置,包括:
图像获取模块,用于获取反映气道解剖结构及功能的超声图像;
困难气道预测模块,用于将超声图像输入训练好的困难气道预测模型中进行分析,自动给出困难气道评价结果;
其中,困难气道预测模型包括特征提取器和分类器;所述特征提取器采用深度学习神经网络对超声图像进行特征提取,输出512*1的图像特征;并根据困难气道的特征指标,对提取的图像特征赋予不同的权值;
分类器基于Cormack-Lehane分级的标签,通过logistics回归模型对图像特征进行困难气道严重程度的评分。
图像获取模块包括图像筛选单元,该图像筛选单元采用多因素逻辑回归算法从多张超声图像中筛选出符合P<0.05的超声图像,作为反映气道解剖结构及功能的超声图像;其中,筛选出来的超声图像包括下颌超声图像、气管超声图像及颈静脉切迹超声图像。
特征提取器为采用ResNet-18网络模型进行超声图像特征提取的模块。
上述图像获取模块、困难气道预测模块的功能及实施方式如基于超声图像识别技术的困难气道评估方式所述,在此不再赘述。
上面结合附图对本发明的实施方式作了详细说明,但是本发明并不限于上述实施方式。即使对本发明作出各种变化,倘若这些变化属于本发明权利要求及其等同技术的范围之内,则仍落入在本发明的保护范围之中。
Claims (8)
1.一种基于超声图像识别技术的困难气道评估方法,其特征在于,包括:
获取反映气道解剖结构及功能的超声图像,将超声图像输入训练好的困难气道预测模型中进行分析,自动给出困难气道评价结果;
其中,所述困难气道预测模型包括特征提取器和分类器;所述特征提取器采用深度学习神经网络对超声图像进行特征提取,输出512*1的图像特征;并根据困难气道的特征指标,对提取的图像特征赋予不同的权值;
所述分类器基于Cormack-Lehane分级的标签,通过logistics回归模型对图像特征进行困难气道严重程度的评分。
2.如权利要求1所述的基于超声图像识别技术的困难气道评估方法,其特征在于,所述获取反映气道解剖结构及功能的超声图像进一步包括:
获取多张超声图像,采用多因素逻辑回归算法从中筛选出符合P<0.05的超声图像,作为反映气道解剖结构及功能的超声图像;其中,筛选出来的超声图像包括下颌超声图像、气管超声图像及颈静脉切迹超声图像。
3.如权利要求1所述的基于超声图像识别技术的困难气道评估方法,其特征在于,所述特征提取器采用ResNet-18网络对超声图像进行特征提取。
4.如权利要求1所述的基于超声图像识别技术的困难气道评估方法,其特征在于,采用焦点损失函数对困难气道预测模型进行训练,所述焦点损失函数的公式为:
L=-α(1-p)γlogp
其中,α和γ是超参数,p是困难气道的预测概率。
5.如权利要求1所述的基于超声图像识别技术的困难气道评估方法,其特征在于,所述根据困难气道的特征指标,对提取的图像特征赋予不同的权值进一步包括:
通过绘制困难气道的类激活热图,对比提取的图像特征的类激活热图中每个像素的RGB值,对不同颜色的图像特征赋予不同的权值。
6.一种基于超声图像识别技术的困难气道评估装置,其特征在于,包括:
图像获取模块,用于获取反映气道解剖结构及功能的超声图像;
困难气道预测模块,用于将超声图像输入训练好的困难气道预测模型中进行分析,自动给出困难气道评价结果;
其中,所述困难气道预测模型包括特征提取器和分类器;所述特征提取器采用深度学习神经网络对超声图像进行特征提取,输出512*1的图像特征;并根据困难气道的特征指标,对提取的图像特征赋予不同的权值;
所述分类器基于Cormack-Lehane分级的标签,通过logistics回归模型对图像特征进行困难气道严重程度的评分。
7.如权利要求6所述的基于超声图像识别技术的困难气道评估装置,其特征在于,所述图像获取模块包括图像筛选单元,所述图像筛选单元采用多因素逻辑回归算法从多张超声图像中筛选出符合P<0.05的超声图像,作为反映气道解剖结构及功能的超声图像;其中,筛选出来的超声图像包括下颌超声图像、气管超声图像及颈静脉切迹超声图像。
8.如权利要求6所述的基于超声图像识别技术的困难气道评估装置,其特征在于,所述特征提取器为采用ResNet-18网络模型进行超声图像特征提取的模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311045516.3A CN116999092B (zh) | 2023-08-18 | 2023-08-18 | 基于超声图像识别技术的困难气道评估方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311045516.3A CN116999092B (zh) | 2023-08-18 | 2023-08-18 | 基于超声图像识别技术的困难气道评估方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116999092A true CN116999092A (zh) | 2023-11-07 |
CN116999092B CN116999092B (zh) | 2024-07-23 |
Family
ID=88563511
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311045516.3A Active CN116999092B (zh) | 2023-08-18 | 2023-08-18 | 基于超声图像识别技术的困难气道评估方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116999092B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016122536A1 (en) * | 2015-01-29 | 2016-08-04 | University Of Maryland, Baltimore | Ultrasound localization of obstruction for obstructive sleep apnea |
US20170189634A1 (en) * | 2014-05-15 | 2017-07-06 | Barrett J. Larson | System, Method, and Device For Airway Assessment and Endotracheal Intubation |
CN109788933A (zh) * | 2016-09-19 | 2019-05-21 | 威斯康星校友研究基金会 | 利用超声监测气管内气流的***和方法 |
CN111862085A (zh) * | 2020-08-03 | 2020-10-30 | 徐州市肿瘤医院 | 一种周围型nsclc的隐匿性n2***转移的预测方法及*** |
CN113069080A (zh) * | 2021-03-22 | 2021-07-06 | 上海交通大学医学院附属第九人民医院 | 一种基于人工智能的困难气道评估方法及装置 |
CN113229853A (zh) * | 2021-06-25 | 2021-08-10 | 苏州市立医院 | 一种气道误吸的监测方法 |
CN113936663A (zh) * | 2021-12-03 | 2022-01-14 | 上海交通大学 | 困难气道的检测方法及其电子设备和存储介质 |
CN114938974A (zh) * | 2022-06-06 | 2022-08-26 | 复旦大学附属中山医院 | 一种基于超声弹性技术预测胰瘘风险的方法及*** |
CN116108365A (zh) * | 2023-01-16 | 2023-05-12 | 南京航空航天大学 | 基于深度学习的超声速进气道不起动状态实时在线预警方法 |
CN116259410A (zh) * | 2023-02-13 | 2023-06-13 | 兰州大学第一医院 | 一种肝癌发生风险预测模型及其网络计算器的构建方法 |
-
2023
- 2023-08-18 CN CN202311045516.3A patent/CN116999092B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170189634A1 (en) * | 2014-05-15 | 2017-07-06 | Barrett J. Larson | System, Method, and Device For Airway Assessment and Endotracheal Intubation |
WO2016122536A1 (en) * | 2015-01-29 | 2016-08-04 | University Of Maryland, Baltimore | Ultrasound localization of obstruction for obstructive sleep apnea |
CN109788933A (zh) * | 2016-09-19 | 2019-05-21 | 威斯康星校友研究基金会 | 利用超声监测气管内气流的***和方法 |
CN111862085A (zh) * | 2020-08-03 | 2020-10-30 | 徐州市肿瘤医院 | 一种周围型nsclc的隐匿性n2***转移的预测方法及*** |
CN113069080A (zh) * | 2021-03-22 | 2021-07-06 | 上海交通大学医学院附属第九人民医院 | 一种基于人工智能的困难气道评估方法及装置 |
CN113229853A (zh) * | 2021-06-25 | 2021-08-10 | 苏州市立医院 | 一种气道误吸的监测方法 |
CN113936663A (zh) * | 2021-12-03 | 2022-01-14 | 上海交通大学 | 困难气道的检测方法及其电子设备和存储介质 |
CN114938974A (zh) * | 2022-06-06 | 2022-08-26 | 复旦大学附属中山医院 | 一种基于超声弹性技术预测胰瘘风险的方法及*** |
CN116108365A (zh) * | 2023-01-16 | 2023-05-12 | 南京航空航天大学 | 基于深度学习的超声速进气道不起动状态实时在线预警方法 |
CN116259410A (zh) * | 2023-02-13 | 2023-06-13 | 兰州大学第一医院 | 一种肝癌发生风险预测模型及其网络计算器的构建方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116999092B (zh) | 2024-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ran et al. | Cataract detection and grading based on combination of deep convolutional neural network and random forests | |
CN106033540B (zh) | 一种***微生态形态学自动分析方法和*** | |
TWI684997B (zh) | 骨齡評估與身高預測模型之建立方法、骨齡評估與身高預測系統及骨齡評估與身高預測方法 | |
JP7303531B2 (ja) | 人工知能に基づく困難な気道の評価方法及び装置 | |
CN112365464B (zh) | 一种基于gan的医学图像病变区域弱监督定位方法 | |
CN112088394A (zh) | 生物组织的计算机分类 | |
Tobias et al. | CNN-based deep learning model for chest X-ray health classification using tensorflow | |
TWI810498B (zh) | 肝腫瘤智慧分析裝置 | |
CN111862075A (zh) | 一种基于深度学习的肺部图像分析***及其分析方法 | |
CN111430025B (zh) | 一种基于医疗影像数据扩增的疾病诊断模型训练方法 | |
CN113706491A (zh) | 基于混合注意力弱监督迁移学习的半月板损伤分级方法 | |
Tang et al. | CNN-based qualitative detection of bone mineral density via diagnostic CT slices for osteoporosis screening | |
Hu et al. | ACCV: automatic classification algorithm of cataract video based on deep learning | |
CN112862749A (zh) | 一种骨龄图像数字化处理后自动识别方法 | |
CN113397485A (zh) | 一种基于深度学习的脊柱侧弯筛查方法 | |
CN115349828A (zh) | 一种基于计算机深度学习的新生儿疼痛评估*** | |
Zhang et al. | Detection and quantification of intracerebral and intraventricular hemorrhage from computed tomography images with adaptive thresholding and case-based reasoning | |
CN117322865B (zh) | 基于深度学习的颞下颌关节盘移位mri检查诊断*** | |
CN116999092B (zh) | 基于超声图像识别技术的困难气道评估方法及装置 | |
CN113469987A (zh) | 基于深度学习的牙科x射线图像病变区域定位*** | |
CN113052227A (zh) | 一种基于SE-ResNet的肺结核识别方法 | |
Li et al. | Covid-19 detection in chest radiograph based on yolo v5 | |
CN113936775A (zh) | 基于人在回路智能辅助导航的胎心超声标准切面提取方法 | |
CN113344022A (zh) | 一种基于深度学习的胸片检测方法 | |
CN113011514A (zh) | 基于双线性池化应用于ct影像的颅内出血亚类型分类算法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |