一种基于超声的神经阻滞识别方法、设备及程序产品与流程

本技术涉及智能医疗领域，具体涉及一种基于超声的神经阻滞识别方法、设备、程序产品及计算机可读存储介质。

背景技术：

1、周围神经阻滞是临床麻醉与镇痛领域的关键技术，超声引导下的精准神经定位可显著降低穿刺误伤血管、神经的并发症风险，提升阻滞操作的安全性与有效性。目前临床常用的周围神经阻滞类型包括股神经阻滞、坐骨神经阻滞、臂丛神经阻滞、腹横肌平面阻滞（tap）、前锯肌阻滞等，不同阻滞部位的超声图像在神经形态、周围组织分布、回声强度及筋膜层结构等方面存在显著特征差异。

2、现有技术中，针对周围神经阻滞超声图像的智能识别研究多采用 cnn-transformer 混合架构，该类架构存在以下技术缺陷：其一，cnn 对超声图像的长序列特征捕捉能力有限，transformer 多头注意力机制的计算复杂度为o(n2)，在高分辨率超声图像识别中实时性不足，难以满足临床操作的实时需求；维护成本高，且缺乏跨类型特征迁移能力；其二，超声扫描过程中需人工手动切换阻滞类型模型，操作繁琐且易因人为误选导致识别偏差；其三，在多阻滞类型共存的临床复杂场景或医学教学场景中，模型的适配性与识别一致性较差。

技术实现思路

1、针对上述问题，本发明提供一种基于超声的神经阻滞识别方法，至少解决上述其中任意一个问题，具体包括：

2、获取二维超声图像序列；

3、将所述二维超声图像序列转换为一维特征序列并输至特征提取网络中进行特征提取得到特征数据，特征数据再通过分类层得到预测分类类型的置信度分布；

4、计算动态置信度阈值，当预测分类类型的最高置信度分布大于等于动态置信度阈值时，直接输出对应阻滞类型；当预测分类类型的最高置信度分布小于动态置信度阈值且大于等于第一阈值时，对置信度进行排序，输出前三项候选类型及对应置信度；当预测分类类型的最高置信度小于第一阈值时，输出识别不确定。

5、所述动态置信度阈值是通过置信度变异系数、预设最大变异系数和偏置系数计算得到；

6、可选地，所述动态置信度阈值是通过置信度变异系数和预设最大变异系数的比值与偏置系数加和计算得到。

7、当阻滞识别的预测结果为单一阻滞类型，将特征提取网络更新为对应阻滞类型识别的子模型，执行后续阻滞类型的识别；

8、可选地，当阻滞识别的预测结果为多组织类型时，将特征提取网络更新为增强模型，所述增强模型增加特征提取网络中的网络层数，延长对单帧特征提取的时间，对特征进行二次识别得到预测阻滞类型及置信度，通过增强模型执行后续识别或通过二次识别得到的最高置信度阻滞类型选择对应的子模型执行后续识别；

9、可选地，所述增强模型还包括临床参数，获取临床参数，对二次识别得到预测分类类型进行加权修正排序得到预测阻滞类型，通过增强模型执行后续识别或通过修正排序后得到的预测阻滞类型选择对应的子模型执行后续识别；

10、可选地，当阻滞识别的预测结果为不确定时，将特征提取网络进行参数调整，先对超声图像执行已更新参数的预处理，将重新预处理后的数据转换为一维序列特征并输至特征提取网络进行识别，当连续n帧的识别结果都为不确定状态，输出调整探头角度/扫描区域的提示，n为大于1的自然数。

11、所述特征提取网络包括串联的第一特征提取模块和第二特征提取模块，通过第一特征提取模块对每个神经区域进行细粒度特征提取，再通过第二特征提取模块对不同神经区域之间关联进行全局特征提取得到特征数据；

12、可选地，所述第一特征提取模块为通过mamba模块进行每个神经区域细粒度特征提取；所述第二特征提取模块为transformer模块进行不同神经区域之间全局特征提取得到特征数据；

13、可选地，所述增强模型增加特征提取网络中第一特征提取模块的网络层数，第二体征提取模块的注意力头数，延长对单帧特征提取的时间，对特征进行二次识别得到预测阻滞类型及置信度；

14、可选地，所述阻滞类型的专用子模型为通过任意一个阻滞类型的超声图像输至特征提取网络中进行参数调整得到的模型，通过阻滞类型更换为对应类型的专用子模型进行后续识别。

15、所述阻滞类型包括下列的任意一种或几种：股神经阻滞、坐骨神经阻滞、臂丛神经阻滞、腹横肌平面阻滞、前锯肌阻滞；通过特征网络模型识别输出阻滞类型，通过阻滞类型调整模型进行后续识别。

16、所述方法还包括分割任务，所述分割层与分类层并行，将特征数据输至分割层进行神经结构分割得到分割结果；

17、可选地，所述分割层为解码器，通过解码器对特征数据进行上采样和特征解码，得到神经结构的二值化分割掩码；

18、可选地，所述特征提取网络的构建：获取超声图像数据集及标签；

19、将所述超声图像数据集及标签转换为一维序列特征并输至特征提取网络模型中，通过第一特征模块进行细粒度特征提取，通过第二特征提取模块进行全局特征提取得到特征数据，特征数据输至分类层后输出预测阻滞类型及置信度分布，将置信度分布最高的预测阻滞类型与标签进行比较计算损失函数，迭代模型，直至损失函数不变，得到特征提取网络；

20、可选地，所述特征提取网络还包括分割层的训练，特征数据输至分割层后输出预测分割掩码，将预测分割掩码与标签进行比较计算损失函数，迭代模型，直至第一损失函数不变，得到特征提取网络；第一损失函数包括交叉熵损失函数和dice 损失。

21、所述方法还包括数据预处理，对超声图像进行数据预处理得到预处理后图像，将预处理后图像转换为一维序列特征并输至特征提取网络中进行特征提取得到特征数据；

22、可选地，所述预处理包括下列的任意一种或几种：自适应噪声抑制、灰度归一化、尺寸统一与roi剪裁、clahe 对比度增强；

23、可选地，对超声图像的自适应噪声抑制是通过小波基函数进行多尺度分解，去除超声图像的斑点噪声与电路噪声；

24、可选地，所述灰度归一化通过线性变换去除超声图像的灰度分布偏移；

25、可选地，所述clahe 对比度增强通过对比自适应直方图均衡算法强化神经与周围肌肉、筋膜和血管的灰度差异。

26、本发明的目的在于提供一种计算机程序产品，其上包括计算机程序或指令，所述计算机程序或指令被处理器执行实现上述的基于超声的神经阻滞识别方法。

27、本发明的目的在于提供一种计算机设备，其包括存储器、处理器及存储在所述存储器上的计算机程序或指令，所述计算机程序或指令被处理器执行实现上述的基于超声的神经阻滞识别方法。

28、本发明的目的在于提供一种计算机可读存储介质，其上存储有计算机程序或指令，所述计算机程序或指令被处理器执行实现上述的基于超声的神经阻滞识别方法。

29、本发明的优势：

30、1.针对当前阻滞识别框架的计算复杂度高、效率和精度难以兼顾的问题，本发明构建了mamba-transformer 融合架构，分别用于细粒度特征和全局特征的提取，mamba 的线性计算复杂度低，且能够对长序列特征精准捕捉，与 transformer 的全局注意力优势结合，解决了传统 cnn-transformer 架构效率与精度难以兼顾的痛点；分类准确率≥97%，分割 dice 系数≥0.90，单帧全流程处理时间≤150ms，满足临床实时性需求，核心指标较传统架构提升 1.5%~2%。

31、2.针对多类型阻滞需要人工操作的繁琐问题，本发明通过置信度动态阈值机制实现阻滞类型全自动判断，结合双模式动态调度策略，无需医师人工切换模型 / 参数，神经定位平均时间降至 1.5 秒，较传统方法缩短 70% 以上，大幅提升临床麻醉操作效率。

32、3. 针对当前多类型阻滞的识别，通常构建多个识别模型，导致维护成本高的问题，本发明构建统一的 mamba-transformer 识别框架，兼容 5 类核心神经阻滞类型，新增阻滞类型时仅需采集对应数据、微调专用子模型，无需重构系统架构，适配成本降低 75%，模型复用率提升 80% 以上。

33、4.本发明首次将 mamba-transformer 融合架构应用于多类型周围神经阻滞超声图像智能识别领域，创新设计了 mamba-transformer 多任务联合损失函数、置信度动态阈值机制与双模式动态调度策略，解决了现有技术的核心行业痛点，具备显著的创新性与先进性，此外，本发明加护方案不仅适用于临床麻醉、术后镇痛、急诊救治等临床场景，还可通过可视化标注、识别结果追溯等功能，应用于医学院校的麻醉专业教学，提升教学的直观性与效率。