本发明涉及医学图像处理的，具体来说，涉及一种基于深度学习的微创穿刺手术术中图像血肿状态识别方法及存储介质。
背景技术：
1、脑出血(intracranial hemorrhage，ich)是指由于局部脑血管破裂引起的脑实质出血，急性期病死率为30％～40％，造成脑出血患者高致死率的主要原因是由脑出血形成的脑内血肿所引起的。通过手术治疗及时清除血肿，能够减少血肿对周围脑组织的压迫和继发性脑损害，从而降低死亡率。
2、随着医疗技术的不断进步，微创穿刺手术已逐渐成为脑出血治疗的重要手段。与传统开放式手术相比，微创穿刺手术具有创伤小、恢复快等优势，正在被越来越多地应用于临床实践中。
3、在微创穿刺手术中，神经内镜技术的应用使得医生能够通过极小的切口精准地定位并清除血肿。然而，传统的血肿识别过程主要依赖于医生的经验和视觉判断，这一方法不仅主观性强、工作量大，而且准确性有限。在高压力的手术环境下，过度依赖人工识别可能增加误判或漏判的风险，进而影响手术的安全性和成功率。
4、为了解决这一问题，深度学习技术——尤其是其在医学图像处理领域的应用——提供了一种自动化、高效且准确的解决方案。深度学习模型，特别是yolo系列算法，因其在目标检测任务中所展现出的高效性和准确性而受到广泛关注。利用这些算法进行术中内窥镜下的血肿状态的自动识别，不仅能够保证高准确性，还能实现实时检测，极大地满足微创穿刺手术过程中对高效性和实时性的双重需求。基于上述背景，本发明提出了基于深度学习的微创穿刺手术术中图像血肿状态识别方法。
技术实现思路
1、针对相关技术中的上述技术问题，本发明提供一种微创穿刺手术术中图像血肿状态识别方法及存储介质，能够解决上述问题。
2、为实现上述技术目的，本发明的技术方案是这样实现的：
3、一种微创穿刺手术术中图像血肿状态识别方法，包括以下步骤：
4、s100、数据采集与预处理；
5、s110、在微创穿刺手术中，利用内窥镜设备采集术中图像数据，构建包含多种血肿状态的图像数据集；
6、s120、对采集的图像数据进行预处理，以提高图像质量和模型训练效果；
7、s130、对经预处理后的图像数据进行手动标注，标出血肿区域和血肿状态；
8、s200、模型训练；
9、s210、选择yolo系列网络架构，初始化模型参数；
10、s220、将预处理后的图像数据和标注数据输入yolo系列模型，进行模型训练；
11、s230、采用交叉验证方法，调整模型参数，优化模型性能，提高准确性和实时性；
12、s300、血肿实时识别；
13、s310、将微创穿刺手术术中实时采集的内窥镜图像输入训练好的yolo系列模型；
14、s320、训练好的yolo系列模型输出血肿区域的边界框及其状态信息；
15、s330、将识别结果实时显示在内窥镜图像上，医生可以根据标注信息进行判断和处理。
16、进一步的，步骤s110中的内窥镜设备为高清内窥镜设备，内窥镜设备采集到的术中血肿状态分为四种状态：固态血肿、半固态血肿、液态血肿和无血肿。
17、进一步的，步骤s120中的对采集的图像数据进行预处理具体包含以下步骤：
18、s121、利用高斯滤波算法对术中内窥镜下的血肿图像进行去噪处理，突出重要特征；
19、s122、利用直方图均衡化增强图像的对比度和亮度，突出组织之间的对比度，增强细微结构的可见度；
20、s123、将采集的术中内窥镜下的血肿图像进行尺寸标准化。
21、进一步的，步骤s130中的标出血肿区域和血肿状态具体包含以下步骤：
22、s131、通过利用eiseg软件对血肿区域进行交互式自动标注，通过点击图像上特定的点进行分割，包括前景点和背景点，并分别表示为：属于目标分割区域的点和不属于目标区域的点，在标注时，通过初步的点击标注信息后，会自动生成一个初步的分割结果，然后基于初步的自动分割结果进行微调，修正血肿区域边缘，最终得到血肿区域的标注信息；
23、s132、对血肿区域打上对应状态标签，状态标签分别为：固态血肿、半固态血肿、液态血肿和无血肿。
24、进一步的，在执行步骤s200时，选取已经标注的术中内窥镜图像若干张，其中70%作为训练集、20%作为验证集、10%作为测试集，选取预训练模型为yolov8x，其中训练网络架构采用yolov8；将训练集数据输入yolov8分割模型中进行训练；在训练过程中使用验证集调整预训练模型的参数，采用交叉验证方法调整模型参数，优化模型性能，确保高准确性和实时性；将训练好的血肿状态识别模型用测试集数据进行检验。
25、进一步的，在执行步骤s300时，加载模型训练过程中训练好的yolo系列模型，使用opencv加载术中内窥镜血肿检测视频并获取视频流帧画面；调用训练好的yolo系列模型检测视频帧画面，从而输出血肿区域的边界框及血肿状态信息，并将识别结果实时显示在内窥镜图像上。
26、进一步的，所输出的血肿区域的边界框及血肿状态信息具体包括血肿的状态标签以及所属血肿状态类别的概率。
27、一种计算机可读存储介质，计算机可读存储介质存储有计算机可执行指令，计算机可执行指令用于使计算机执行所述的微创穿刺手术术中图像血肿状态识别方法。
28、本发明的有益效果：本发明提供的微创穿刺手术术中血肿状态识别方法，尤其在配合手术机器人使用时具有如下优点：(1)能够实时处理内窥镜图像，并快速输出血肿识别结果，满足手术过程中的实时性需求，从而提高手术效率和安全性。(2)通过深度学习模型的训练和优化，能够准确识别和定位血肿区域，并判断其状态，减少误判和漏判，提升诊断的可靠性。(3)自动完成图像处理和血肿识别，减少了医生的工作负担，提高了工作效率，使医生能够更专注于手术操作。(4)识别结果以直观的方式显示在内窥镜图像上，便于医生实时参考和判断，提供了直观的手术辅助信息。(5)相比于传统术中血肿状态判断，本发明依赖于深度学习模型的自动化识别，减少了医生在术中判断中的主观性和疲劳引起的误判，从而提升整体医疗质量。
1.一种微创穿刺手术术中图像血肿状态识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种微创穿刺手术术中图像血肿状态识别方法，其特征在于，步骤s110中的内窥镜设备为高清内窥镜设备，内窥镜设备采集到的术中血肿状态分为四种状态：固态血肿、半固态血肿、液态血肿和无血肿。
3.根据权利要求1所述的一种微创穿刺手术术中图像血肿状态识别方法，其特征在于，步骤s120中对采集的图像数据进行预处理具体包含以下步骤：
4.根据权利要求3所述的一种微创穿刺手术术中图像血肿状态识别方法，其特征在于，步骤s130中标出血肿区域和血肿状态具体包含以下步骤：
5.根据权利要求1所述的一种微创穿刺手术术中图像血肿状态识别方法，其特征在于，在执行步骤s200时，选取已经标注的术中内窥镜图像若干张，其中70%作为训练集、20%作为验证集、10%作为测试集，选取预训练模型为yolov8x，其中训练网络架构采用yolov8；将训练集数据输入yolov8分割模型中进行训练；在训练过程中使用验证集调整预训练模型的参数，采用交叉验证方法调整模型参数，优化模型性能，确保高准确性和实时性；将训练好的血肿状态识别模型用测试集数据进行检验。
6.根据权利要求1所述的一种微创穿刺手术术中图像血肿状态识别方法，其特征在于，在执行步骤s300时，加载模型训练过程中训练好的yolo系列模型，使用opencv加载术中内窥镜血肿检测视频并获取视频流帧画面；调用训练好的yolo系列模型检测视频帧画面，从而输出血肿区域的边界框及血肿状态信息，并将识别结果实时显示在内窥镜图像上。
7.根据权利要求6所述的一种微创穿刺手术术中图像血肿状态识别方法，其特征在于，所输出的血肿区域的边界框及血肿状态信息具体包括血肿的状态标签以及所属血肿状态类别的概率。
8.一种计算机可读存储介质，其特征在于，计算机可读存储介质存储有计算机可执行指令，计算机可执行指令用于使计算机执行如权利要求1～7中任一项所述的微创穿刺手术术中图像血肿状态识别方法。
