一种喉罩移位监测方法及系统与流程

本发明涉及图像识别，具体涉及一种喉罩移位监测方法及系统。

背景技术：

1、可视喉罩是胸科肺部手术中关键的气道管理设备，用于在全身麻醉期间为患者提供安全有效的呼吸支持。与传统喉罩相比，其通过集成高清摄像头，实现了喉罩置入与使用过程中的患者气道内部结构的可视化，显著提高了气道管理的安全性与便利性。

2、然而，可视喉罩在临床应用中仍存在若干风险。一方面，由于手术中患者体位的变动、头颈部活动或喉罩气囊压力异常，可能导致喉罩发生移位甚至部分脱出，增加患者缺氧和呼吸衰竭的风险；另一方面，患者气道内痰液等分泌物若未得到及时吸引清理，则可能阻塞呼吸道或增加反流、误吸及细菌性肺炎的发生概率。尽管当前的可视喉罩能够提供实时视频图像，辅助医生观察喉罩位置及分泌物情况，然而，喉罩移位属于高危险但低发生率事件，且移位过程具有突发性与短暂性，在实际临床应用场景中，麻醉医生需同时监护多项生命体征参数和麻醉深度，难以持续专注地观察喉罩视频画面。

3、传统方法一般是基于预设关键点位置进行异常检测，对于患者生理结构的个体差异、置管角度、图像质量（如模糊、光照异常）等高度敏感。如图2展示了4名患者喉罩置入到位之后采集的喉腔图像，假设将患者声带附近的三个角点定义为预设关键点，如图2中患者1图像中的a、b、c点所示，那么从其他三名患者的临床图像中可以看出，在不同临床场景下，关键点的可见性和稳定性均无法保证。例如：患者2因为置管角度和喉腔光照条件不佳而导致无法观察到处于暗处的声带；患者3因为声带闭合导致关键点的外观结构变异；患者4则由于喉腔病变增厚导致声关键点缺失无法观察。由上述叙述可以看出，依赖预设关键点的现有技术在复杂场景下易受干扰，监测可靠性不足。

4、因此，受患者生理结构个体差异、喉罩型号选择偏差、医生置管手法差异等诸多因素的影响，不同患者喉罩置入到位后的图像呈现显著差异，缺乏统一的特征与判断标准，这为缺乏经验的临床医生增加了识别负担。

技术实现思路

1、为了克服现有技术中的问题，本发明的目的在于提供一种喉罩移位监测方法及系统，能自动识别喉罩移位状态，并在检测到异常时发出警报，从而提升气道管理的主动安全性，减少相关并发症的发生率。

2、为实现上述目的，本发明提供一种喉罩移位监测方法，其特征在于，包括以下步骤：

3、s1、在喉罩置管过程中，按预设帧率连续采集患者气道的视频图像，提取每一帧图像的深度语义特征并缓存，直至喉罩置入到位；

4、s2：截取喉罩置入到位时刻的当前帧作为标准图像并提取其深度语义特征，同时基于缓存的全部置管过程深度语义特征，构建对应于患者自体生理结构的喉罩移位图像特征空间；

5、s3：计算所述标准图像的深度语义特征与所述喉罩移位图像特征空间中各特征向量的特征距离，基于所有特征距离计算得到自适应于该患者的喉罩移位判断阈值；

6、s4：持续采集喉罩置入到位后的图像并提取其深度语义特征，计算喉罩置入到位后每帧图像的深度语义特征与标准图像深度语义特征的特征距离，当所述特征距离大于所述喉罩移位判断阈值时，输出喉罩移位的报警信息。

7、进一步，所述步骤s1还包括置管起始判断步骤：

8、对每一帧采集到的图像提取深度语义特征后，将深度语义特征输入图像分类模型，输出图像属于预设类别的概率向量，取概率最大值对应的类别索引；

9、当类别索引等于预设的体外类别索引时，判定置管过程未开始，不进行特征缓存；当类别索引大于体外类别索引时，判定置管过程开始，持续缓存各帧图像的深度语义特征，直至接收到置管到位的确认信号。

10、进一步，所述图像分类模型由全连接层和softmax层依次连接构成，深度语义特征经图像分类模型输出概率向量的计算过程为：

11、；

12、其中，y为长度等于类别总数c的概率向量，记为，且所有类别概率之和为1，为输入的深度语义特征向量，为全连接层的权重矩阵；为全连接层的偏置项；

13、图像对应的类别索引计算公式为：

14、；

15、其中，为图像对应的类别索引，取值为0至的整数；第个元素表示输入图像属于第类的概率。

16、进一步，所述类别总数；其中，类别索引0对应体外图像，类别索引1至6分别对应口腔、会厌谷、会厌、声门、勺状软骨、痰液。

17、进一步，所述步骤s2中，通过关键帧提取构建喉罩移位图像特征空间，具体包括：将缓存的全部置管过程深度语义特征组成特征集合输入关键帧提取模型，输出集合中每一帧深度语义特征对应的重要性评分；筛选出重要性评分大于预设评分阈值的深度语义特征，由筛选得到的所有深度语义特征构成所述喉罩移位图像特征空间。

18、进一步，所述关键帧提取模型采用csta模型，其主干网络为卷积神经网络。

19、进一步，所述深度语义特征通过卷积神经网络提取，所述卷积神经网络包含依次级联的多个网络层，每个网络层由卷积层、归一化层和激活函数依次连接构成；对于第i个网络层，输入特征矩阵为，该层输出特征矩阵的计算过程为：

20、；

21、其中，为第网络层的卷积运算；

22、为第网络层的批量归一化运算；

23、为第网络层的激活函数；

24、第网络层的输出特征矩阵作为第网络层的输入特征矩阵；卷积神经网络最后一层的输出深度语义特征向量。

25、进一步，，所述特征距离的计算公式为：

26、；

27、其中，表示标准图像的深度语义特征与深度语义特征向量之间的特征距离，取值范围为0~1；表示标准图像的深度语义特征与深度语义特征向量的内积运算；表示标准图像的深度语义特征的模长，表示深度语义特征向量的模长。

28、进一步，所述步骤s3中，喉罩移位判断阈值的计算公式为：

29、；

30、其中，t为自适应得到的喉罩移位判断阈值；为标准图像深度语义特征与喉罩移位图像特征空间中所有特征向量的特征距离的均值；为标准图像深度语义特征与喉罩移位图像特征空间中所有特征向量的特征距离的标准差；为预设的比例因子。

31、本技术还在于提供一种喉罩移位监测系统，其特征在于，包括图像采集模块、深度特征提取模块、图像分类模块、关键帧提取模块、特征距离计算模块以及交互与输出模块；

32、所述图像采集模块用于按预设帧率采集患者气道的视频图像并输出；

33、所述深度特征提取模块用于接收输入的图像，提取并输出图像对应的深度语义特征；

34、所述图像分类模块，用于接收深度特征提取模块输出的深度语义特征，对输入图像进行类别判定并输出类别索引，以判断置管过程是否开始；

35、所述关键帧提取模块，用于接收置管过程中缓存的全部深度语义特征构建适配患者自体生理结构的喉罩移位图像特征空间；

36、所述特征距离计算模块，用于计算两个深度语义特征向量之间的特征距离以及判断阈值；

37、所述交互与输出模块，用于输出图像采集模块实时采集的视频图像，提供喉罩置入到位的确认按键，以及在实时监测阶段，喉罩置入到位后每帧图像的深度语义特征与标准图像深度语义特征的特征距离大于喉罩移位判断阈值时，输出喉罩移位的报警信息。

38、本发明使用喉罩置管过程采集到的患者自身的喉腔图像样本，模拟构建反映患者个体生理特征特点的喉罩移位图像特征空间，并据此动态计算喉罩移位的判断阈值，为每一个患者个性化设定喉罩移位监测方法的参数，消除了患者个体生理结构差异和医生的操作变量带来的影响；同时，以截取喉罩置入到位时刻的当前帧作为标准图像并提取其深度语义特征，无需大量真实移位标注样本，有效提升了监测方法的准确性、灵活性和适应性。