CN111402252B - 精准医疗图像分析方法及机器人手术系统 - Google Patents

精准医疗图像分析方法及机器人手术系统 Download PDF

Info

Publication number
CN111402252B
CN111402252B CN202010256832.5A CN202010256832A CN111402252B CN 111402252 B CN111402252 B CN 111402252B CN 202010256832 A CN202010256832 A CN 202010256832A CN 111402252 B CN111402252 B CN 111402252B
Authority
CN
China
Prior art keywords
linkage analysis
image
node
images
score
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.)
Active
Application number
CN202010256832.5A
Other languages
English (en)
Other versions
CN111402252A (zh
Inventor
不公告发明人
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
HEYU HEALTH TECHNOLOGY Co.,Ltd.
Original Assignee
Heyu Health Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Heyu Health Technology Co ltd filed Critical Heyu Health Technology Co ltd
Priority to CN202010256832.5A priority Critical patent/CN111402252B/zh
Publication of CN111402252A publication Critical patent/CN111402252A/zh
Application granted granted Critical
Publication of CN111402252B publication Critical patent/CN111402252B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
    • A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
    • A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
    • A61B2034/101—Computer-aided simulation of surgical operations
    • A61B2034/105—Modelling of the patient, e.g. for ligaments or bones
    • 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
    • G06T2207/10016—Video; Image sequence
    • 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
    • G06T2207/30096—Tumor; Lesion

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Surgery (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Robotics (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Physics & Mathematics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明公开了一种精准医疗图像分析方法及机器人手术系统，获得病变部位的多张图像；对每张图像进行分区，每张图像对应得到多个区域图像；将多张图像的位置对应的区域图像按照拍摄时间的先后顺序构建成区域链；将多条区域链同时输入联动分析模型；全适应映射网络根据输出层的联动分析网的联动分析节点的输出值，得到病变部位的疾病特征，所述疾病特征包括对所述病变部位预测的疾病类型和严重程度。因为相同层的联动分析网的联动分析节点之间能够相互影响、相互调节，上下两层的相互对应的联动分析节点也能够相互影响、相互调节，实现了对相互影响的图像区域或者像素点或者细微到细胞之间的影响进行分析。

Description

精准医疗图像分析方法及机器人手术系统
技术领域
本发明涉及医疗技术领域，具体而言，涉及一种精准医疗图像分析方法及机器人手术系统。
背景技术
医学图像处理广泛应用于医疗领域，促进了医疗技术的进步。通常采用CT扫描、B超扫描等技术获得疾病部位的图像，然后通过医生对图像进行分析，得到疾病诊断结果，这种方法需要资历深、经验好的医生才能得到准确的疾病诊断结果。随着计算机技术的发展，常常采用计算机技术对图像进行分析，得到预测的疾病症断结果，以辅助医生对疾病进行诊断。但是，现有技术中，计算机技术对图像进行分析，是对图像中的像素点本身展现出的特点(像素值)进行分析，仅仅依靠像素值得到局部的颜色信息以确定图像中的疾病特征。但是，人或者动物，其细胞之间是存在联动性的，相邻的细胞之间会互相影响，一个部位发生病变，是由于病变细胞不断分裂，使得病变的细胞越来越多，或者病变细胞的病变信息扩散，导致其周围的细胞也开始病变，使得病变的细胞越来越多，才能体现出局部区域的病变。这种病变的过程是微观的，仅仅依靠病变图像的独立的像素点的像素值来确定图像中的疾病特征，是难以得到准确的疾病分析信息的。
因此，结合到细胞病变的扩散特性，本发明实施例提供了一种精准医疗图像分析方法，基于病变位置的图像对病变位置进行分析，提高了疾病分析的准确性，以辅助医生获得准确的疾病症断结果。
发明内容
本发明的目的在于提供了一种精准医疗图像分析方法及机器人手术系统，用以解决现有技术中存在的上述问题。
第一方面，本发明实施例提供了一种精准医疗图像分析方法，包括:
获得病变部位的多张图像，多张图像的拍摄时间连续；
对每张图像进行分区，每张图像对应得到多个区域图像；拍摄时间相邻的图像的多个区域图像一一对应；
将多张图像的位置对应的区域图像按照拍摄时间的先后顺序构建成区域链；每张图像包括多个区域图像，对应得到多条区域链；
将多条区域链同时输入联动分析模型；其中，联动分析模型包括多层联动分析网和一个全适应映射网络，每层联动分析网包括多个联动分析节点，每个联动分析节点之间能够相互影响、相互调节；每相邻的两层联动分析网的联动分析节点一一对应，相互对应的联动分析节点能够相互影响、相互调节；每条区域链中的区域图像与作为输入层的联动分析网中的联动分析节点一一对应；输出层的联动分析网与一个全适应映射网络连接；
针对每条区域链，区域链中的每个区域图像依次经过多层联动分析网中的联动分析节点，由每个联动分析节点对经过的区域图像进行分析处理；根据第一打分、第二打分和第三打分确定所述联动分析节点对经过的区域图像进行分析处理结果的反馈函数；其中，所述第一打分是与所述联动分析节点处在相同层的联动分析网的其他联动分析节点对所述结果的打分；所述第二打分是处在所述联动分析节点的前一层联动分析网且与所述联动分析节点对应的联动分析节点对所述结果的打分；所述第三打分是处在所述联动分析节点的后一层联动分析网且与所述联动分析节点对应的联动分析节点对所述结果的打分；
全适应映射网络根据输出层的联动分析网的联动分析节点的输出值，得到病变部位的疾病特征，所述疾病特征包括对所述病变部位预测的疾病类型和严重程度。
可选的，所述图像区域仅仅包括一个像素点。
可选的，所述第一打分由如下公式确定：
Figure BDA0002437674100000021
其中，a1表示第一打分，n表示与所述联动分析节点处在相同层的联动分析网的其他联动分析节点的数量，di表示第i个其他联动分析节点与所述联动分析节点的距离，Ii表示第i个其他联动分析节点的取值，p指的是所述联动分析节点对经过的区域图像进行分析处理的结果。
可选的，当所述图像区域包括多个像素点时，所述的第i个其他联动分析节点的取值等于所述图像区域中所有像素点的像素值的平均值；当所述图像区域仅仅包括一个像素点时，所述的第i个其他联动分析节点的取值等于所述像素点的像素值。
可选的，所述第i个其他联动分析节点与所述联动分析节点的距离di的取值，等于在图像上，两个分别输入所述联动分析节点的图像区域和所述第i个其他联动分析节点的图像区域的距离。
可选的，所述第二打分由如下公式确定：
Figure BDA0002437674100000031
其中，a2指的是第二打分，I1指的是所述联动分析节点的输入，也是处在所述联动分析节点的前一层联动分析网且与所述联动分析节点对应的联动分析节点的输出。
可选的，所述第三打分由如下公式确定：
Figure BDA0002437674100000032
其中，a3指的是点打分，I2指的是处在所述联动分析节点的后一层联动分析网且与所述联动分析节点对应的联动分析节点的输出。
可选的，所述根据第一打分、第二打分和第三打分确定所述联动分析节点对经过的区域图像进行分析处理结果的反馈函数，具体由如下公式确定：
Figure BDA0002437674100000033
其中，f为反馈函数。
可选的，所述全适应映射网络根据输出层的联动分析网的联动分析节点的输出值，得到病变部位的疾病特征，包括：
获得输出层的所有所述输出值的和以及方差；
获得与所述和匹配的疾病类型；
获得与所述方差匹配的严重程度指数，严重程度指数表示预测的疾病的严重程度。
第二方面，本发明实施例提供了一种机器人手术系统，所述系统包括手术机器人和图像采集装置，所述图像采集装置与所述手术机器人连接；
所述图像采集装置用于拍摄病变部位的多张图像，将所述多张图像发送至手术机器人；
所述手术机器人包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述任一项所述方法的步骤。
相对于现有技术，本发明实施例达到的有益效果如下：
本发明的目的在于提供了一种精准医疗图像分析方法及机器人手术系统，所述方法包括:获得病变部位的多张图像，多张图像的拍摄时间连续；对每张图像进行分区，每张图像对应得到多个区域图像；拍摄时间相邻的图像的多个区域图像一一对应；将多张图像的位置对应的区域图像按照拍摄时间的先后顺序构建成区域链；每张图像包括多个区域图像，对应得到多条区域链；将多条区域链同时输入联动分析模型；其中，联动分析模型包括多层联动分析网和一个全适应映射网络，每层联动分析网包括多个联动分析节点，每个联动分析节点之间能够相互影响、相互调节；每相邻的两层联动分析网的联动分析节点一一对应，相互对应的联动分析节点能够相互影响、相互调节；每条区域链中的区域图像与作为输入层的联动分析网中的联动分析节点一一对应；输出层的联动分析网与一个全适应映射网络连接；针对每条区域链，区域链中的每个区域图像依次经过多层联动分析网中的联动分析节点，由每个联动分析节点对经过的区域图像进行分析处理；根据第一打分、第二打分和第三打分确定所述联动分析节点对经过的区域图像进行分析处理结果的反馈函数；其中，所述第一打分是与所述联动分析节点处在相同层的联动分析网的其他联动分析节点对所述结果的打分；所述第二打分是处在所述联动分析节点的前一层联动分析网且与所述联动分析节点对应的联动分析节点对所述结果的打分；所述第三打分是处在所述联动分析节点的后一层联动分析网且与所述联动分析节点对应的联动分析节点对所述结果的打分；全适应映射网络根据输出层的联动分析网的联动分析节点的输出值，得到病变部位的疾病特征，所述疾病特征包括对所述病变部位预测的疾病类型和严重程度。因为相同层的联动分析网的联动分析节点之间能够相互影响、相互调节，上下两层的相互对应的联动分析节点也能够相互影响、相互调节，实现了对相互影响的图像区域或者像素点或者细微到细胞之间的影响进行分析，提高了疾病预测的准确性。因此，整个技术方案可以通过分析相邻的细胞或者像素点或者区域之间的影响关系，得到医学图像疾病预测结果，可以提高对医疗图像分析的有效性、准确性和可靠性，提高预测疾病的准确性和可靠性。同时，所提出的联动分析模型具有自适应性，对于不同场景的图像具有很强的适应性，不需要提前对网络模型进行训练，节省了大量的训练成本和资源。通过准确地根据医疗图像预测疾病，为医生诊断疾病提供了可靠的参考数据和信息，同时对于自动化的机器人手术，也提高了机器人根据所采集的图像金属自动化的手术的准确性和成功率，为医疗技术的进步起到了极大的推动作用。
附图说明
图1示出了本发明实施例提供的一种精准医疗图像分析方法的流程图。
图2示出了本发明实施例提供的一种联动分析模型的结构示意图。
图3示出了本发明实施例提供的一种机器人手术系统200的方框结构示意图。
图4示出了本发明实施例提供的一种手术机器人的方框结构示意图。
图标：200-机器人手术系统；210-手术机器人；220-图像采集装置；500-总线；501-接收器；502-处理器；503-发送器；504-存储器；505-总线接口。
具体实施方式
下面结合附图，对本发明作详细的说明。
现有技术中，没有一种方法通过分析相邻的细胞或者像素点或者区域之间的影响关系，得到医学图像疾病预测结果。本发明实施例提供了一种精准医疗图像分析方法及机器人手术系统，其可以通过分析相邻的细胞或者像素点或者区域之间的影响关系，得到医学图像疾病预测结果，可以提高对医疗图像分析的有效性、准确性和可靠性，提高预测疾病的准确性和可靠性。同时，所提出的联动分析模型具有自适应性，对于不同场景的图像具有很强的适应性，不需要提前对网络模型进行训练，节省了大量的训练成本和资源。通过准确地根据医疗图像预测疾病，为医生诊断疾病提供了可靠的参考数据和信息，同时对于自动化的机器人手术，也提高了机器人根据所采集的图像金属自动化的手术的准确性和成功率，为医疗技术的进步起到了极大的推动作用。
如图1所示，本发明实施例提供的一种精准医疗图像分析方法包括：
S101：获得病变部位的多张图像，多张图像的拍摄时间连续.
S102：对每张图像进行分区，每张图像对应得到多个区域图像。
其中，拍摄时间相邻的图像的多个区域图像一一对应。
S103：将多张图像的位置对应的区域图像按照拍摄时间的先后顺序构建成区域链。
其中，每张图像包括多个区域图像，对应得到多条区域链。
S104：将多条区域链同时输入联动分析模型。
其中，联动分析模型包括多层联动分析网和一个全适应映射网络，每层联动分析网包括多个联动分析节点，每个联动分析节点之间能够相互影响、相互调节。每相邻的两层联动分析网的联动分析节点一一对应，相互对应的联动分析节点能够相互影响、相互调节。每条区域链中的区域图像与作为输入层的联动分析网中的联动分析节点一一对应。输出层的联动分析网与一个全适应映射网络连接。
因为相同层的联动分析网的联动分析节点之间能够相互影响、相互调节，上下两层的相互对应的联动分析节点也能够相互影响、相互调节，实现了对相互影响的图像区域或者像素点或者细微到细胞之间的影响进行分析，提高了疾病预测的准确性。具体的通过下述的S105确定联动分析节点之间相互影响、相互调节的程度。
S105：针对每条区域链，区域链中的每个区域图像依次经过多层联动分析网中的联动分析节点，由每个联动分析节点对经过的区域图像进行分析处理；根据第一打分、第二打分和第三打分确定所述联动分析节点对经过的区域图像进行分析处理结果的反馈函数。
其中，所述第一打分是与所述联动分析节点处在相同层的联动分析网的其他联动分析节点对所述结果的打分。所述第二打分是处在所述联动分析节点的前一层联动分析网且与所述联动分析节点对应的联动分析节点对所述结果的打分。所述第三打分是处在所述联动分析节点的后一层联动分析网且与所述联动分析节点对应的联动分析节点对所述结果的打分。
S106：全适应映射网络根据输出层的联动分析网的联动分析节点的输出值，得到病变部位的疾病特征，所述疾病特征包括对所述病变部位预测的疾病类型和严重程度。
在本发明实施例中，每个区域图像依次经过多层联动分析网进行处理。如图2示出了本发明实施例提供的联动分析模型的结构示意图。为了便于理解本方案，举一个简单的例子。
例如，将每张图像都分区成3个区域图像，例如有两张拍摄时间相邻的图像，那么拍摄时间在排在前面的图像分区得到的3个区域图像分别是f11、f12、f13，拍摄时间在排在后面的图像分区得到的3个区域图像分别是f21、f22、f23。f11、f12、f13分别与f21、f22、f23的分别一一位置对应。将多张图像的位置对应的区域图像按照拍摄时间的先后顺序构建成区域链，3个区域图像对应3个区域链F1、F2和F3，其中，F1由位置对应的f11和f21构成，即F1＝{f11，f21}。同样的，F2由位置对应的f12和f22构成，即F2＝{f12，f22}，F3由位置对应的f13和f23构成，即F3＝{f13，f23}。将多条区域链同时输入联动分析模型，具体为：将F1、F2和F3同时输入联动分析模型中的输入层的联动分析网，联动分析网的联动分析节点的数量与区域链的数量相同，此时，联动分析网有3个联动分析节点t1、t2和t3。其中，F1输入t1，F2输入t2，F3输入t3，具体的，f11，f21按照拍摄时间的先后顺序依次输入t1，f12，f22按照拍摄时间的先后顺序依次输入t2，f13，f23按照拍摄时间的先后顺序依次输入t3。
通过采用以上方案，因为相同层的联动分析网的联动分析节点之间能够相互影响、相互调节，上下两层的相互对应的联动分析节点也能够相互影响、相互调节，实现了对相互影响的图像区域或者像素点或者细微到细胞之间的影响进行分析，提高了疾病预测的准确性。因此，整个技术方案可以通过分析相邻的细胞或者像素点或者区域之间的影响关系，得到医学图像疾病预测结果，可以提高对医疗图像分析的有效性、准确性和可靠性，提高预测疾病的准确性和可靠性。同时，所提出的联动分析模型具有自适应性，对于不同场景的图像具有很强的适应性，不需要提前对网络模型进行训练，节省了大量的训练成本和资源。通过准确地根据医疗图像预测疾病，为医生诊断疾病提供了可靠的参考数据和信息，同时对于自动化的机器人手术，也提高了机器人根据所采集的图像金属自动化的手术的准确性和成功率，为医疗技术的进步起到了极大的推动作用。
为了提高对医学图像分析的准确性，提高自动化医疗手术的精准性，所述图像区域仅仅包括一个像素点。即对图像分区得越细，通过分析区域图像之间的相互影响关系就越能够模拟到细胞之间的相互影响关系，由此分析和预测的疾病类型和严重程度的准确性越高。如果所述的图像是细胞图像，那么分区图像就是一个细胞的图像。
其中，S105中，所述第一打分由如下公式确定：
Figure BDA0002437674100000071
其中，a1表示第一打分，n表示与所述联动分析节点处在相同层的联动分析网的其他联动分析节点的数量，di表示第i个其他联动分析节点与所述联动分析节点的距离，Ii表示第i个其他联动分析节点的取值，p指的是所述联动分析节点对经过的区域图像进行分析处理的结果。如果联动分析节点是输入层的联动分析节点，那么Ii就表示其他联动分析节点的输入区域的所有像素点的像素值的平均值。
需要说明的是，当图像区域包括多个像素点时，所述的第i个其他联动分析节点的取值等于所述图像区域中所有像素点的像素值的平均值；当所述图像区域仅仅包括一个像素点时，所述的第i个其他联动分析节点的取值等于所述像素点的像素值。
所述第i个其他联动分析节点与所述联动分析节点的距离di的取值，等于在图像上，两个分别输入所述联动分析节点的图像区域和所述第i个其他联动分析节点的图像区域的距离。
其中，所述第二打分由如下公式确定：
Figure BDA0002437674100000081
其中，a2指的是第二打分，I1指的是所述联动分析节点的输入，也是处在所述联动分析节点的前一层联动分析网且与所述联动分析节点对应的联动分析节点的输出。如果联动分析节点是输入层的联动分析节点，那么I1就是该联动分析节点的输入，即输入该联动分析节点的图像区域的所有像素点的像素值的平均值。
所述第三打分由如下公式确定：
Figure BDA0002437674100000082
其中，a3指的是点打分，I2指的是处在所述联动分析节点的后一层联动分析网且与所述联动分析节点对应的联动分析节点的输出。如果联动分析节点是输入层的联动分析节点，那么I2就是处在所述联动分析节点的后一层联动分析网且与所述联动分析节点对应的联动分析节点对p的处理输出的结果，或I2就是处在所述联动分析节点的后一层联动分析网且与所述联动分析节点对应的联动分析节点对输入该联动分析节点的图像区域的处理输出的结果。
作为一种可选的实施方式，所述根据第一打分、第二打分和第三打分确定所述联动分析节点对经过的区域图像进行分析处理结果的反馈函数，具体由如下公式确定：
Figure BDA0002437674100000083
其中，f为反馈函数。
如此，联动分析节点通过f调整其对区域图像的分析处理的结果，提高了联动分析节点的输出结果的仿真性，进一步提高了分析区域图像之间的相互影响关系就越能够模拟到细胞之间的相互影响关系的准确性，由此分析和预测的疾病类型和严重程度的准确性高。
可选的，所述全适应映射网络根据输出层的联动分析网的联动分析节点的输出值，得到病变部位的疾病特征，包括：获得输出层的所有所述输出值的和以及方差；获得与所述和匹配的疾病类型；获得与所述方差匹配的严重程度指数，严重程度指数表示预测的疾病的严重程度。
通过采用以上方案，其可以通过分析相邻的细胞或者像素点或者区域之间的影响关系，得到医学图像疾病预测结果，可以提高对医疗图像分析的有效性、准确性和可靠性，提高预测疾病的准确性和可靠性。同时，所提出的联动分析模型具有自适应性，对于不同场景的图像具有很强的适应性，不需要提前对网络模型进行训练，节省了大量的训练成本和资源。通过准确地根据医疗图像预测疾病，为医生诊断疾病提供了可靠的参考数据和信息，同时对于自动化的机器人手术，也提高了机器人根据所采集的图像金属自动化的手术的准确性和成功率，为医疗技术的进步起到了极大的推动作用。
针对上述实施例提供一种精准医疗图像分析方法，本申请实施例还对应提供一种机器人手术系统200，机器人手术系统如图3所示，机器人手术系统200包括手术机器人210和图像采集装置220，图像采集装置220与所述手术机器人210连接。其中，图像采集装置220可以是B超扫描仪、CT扫描仪以及高清摄像头等图像采集设备。
所述图像采集装置220用于，拍摄病变部位的多张图像，将所述多张图像发送至手术机器人210。
手术机器人210是用于执行上述精准医疗图像分析方法的步骤的执行主体，手术机器人210如图4所示，包括存储器504、处理器502及存储在存储器504上并可在处理器502上运行的计算机程序，所述处理器502执行所述程序时实现前文所述精准医疗图像分析方法的任一方法的步骤。
其中，在图4中，总线架构(用总线500来代表)，总线500可以包括任意数量的互联的总线和桥，总线500将包括由处理器502代表的一个或多个处理器和存储器504代表的存储器的各种电路链接在一起。总线500还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口505在总线500和接收器501和发送器503之间提供接口。接收器501和发送器503可以是同一个元件，即收发机，提供用于在传输介质上与各种其他装置通信的单元。处理器502负责管理总线500和通常的处理，而存储器504可以被用于存储处理器502在执行操作时所使用的数据。
手术机器人210还用于根据病变部位的疾病特征对病变部位进行手术。
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现前文所述精准医疗图像分析方法的任一方法的步骤。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

Claims (10)

1.一种精准医疗图像分析方法，其特征在于，包括:
获得病变部位的多张图像，多张图像的拍摄时间连续；
对每张图像进行分区，每张图像对应得到多个区域图像；拍摄时间相邻的图像的多个区域图像一一对应；
将多张图像的位置对应的区域图像按照拍摄时间的先后顺序构建成区域链；每张图像包括多个区域图像，对应得到多条区域链；
将多条区域链同时输入联动分析模型；其中，联动分析模型包括多层联动分析网和一个全适应映射网络，每层联动分析网包括多个联动分析节点，每个联动分析节点之间能够相互影响、相互调节；每相邻的两层联动分析网的联动分析节点一一对应，相互对应的联动分析节点能够相互影响、相互调节；每条区域链中的区域图像与作为输入层的联动分析网中的联动分析节点一一对应；输出层的联动分析网与一个全适应映射网络连接；
针对每条区域链，区域链中的每个区域图像依次经过多层联动分析网中的联动分析节点，由每个联动分析节点对经过的区域图像进行分析处理；根据第一打分、第二打分和第三打分确定所述联动分析节点对经过的区域图像进行分析处理结果的反馈函数；其中，所述第一打分是与所述联动分析节点处在相同层的联动分析网的其他联动分析节点对所述结果的打分；所述第二打分是处在所述联动分析节点的前一层联动分析网且与所述联动分析节点对应的联动分析节点对所述结果的打分；所述第三打分是处在所述联动分析节点的后一层联动分析网且与所述联动分析节点对应的联动分析节点对所述结果的打分；联动分析节点通过反馈函数调整所述联动分析节点对区域图像的分析处理的结果；
全适应映射网络根据输出层的联动分析网的联动分析节点的输出值，得到病变部位的疾病特征，所述疾病特征包括对所述病变部位预测的疾病类型和严重程度。
2.根据权利要求1所述的方法，其特征在于，所述区域图像仅仅包括一个像素点。
3.根据权利要求1所述的方法，其特征在于，所述第一打分由如下公式确定：
Figure FDA0002724776460000011
其中，a1表示第一打分，n表示与所述联动分析节点处在相同层的联动分析网的其他联动分析节点的数量，di表示第i个其他联动分析节点与所述联动分析节点的距离，Ii表示第i个其他联动分析节点的取值，p指的是所述联动分析节点对经过的区域图像进行分析处理的结果。
4.根据权利要求3所述的方法，其特征在于，当所述区域图像包括多个像素点时，所述的第i个其他联动分析节点的取值等于所述区域图像 中所有像素点的像素值的平均值；当所述区域图像仅仅包括一个像素点时，所述的第i个其他联动分析节点的取值等于所述像素点的像素值。
5.根据权利要求4所述的方法，其特征在于，所述第i个其他联动分析节点与所述联动分析节点的距离di的取值，等于在图像上，两个分别输入所述联动分析节点的区域图像和所述第i个其他联动分析节点的区域图像的距离。
6.根据权利要求5所述的方法，其特征在于，所述第二打分由如下公式确定：
Figure FDA0002724776460000021
其中，a2指的是第二打分，I1指的是所述联动分析节点的输入，也是处在所述联动分析节点的前一层联动分析网且与所述联动分析节点对应的联动分析节点的输出。
7.根据权利要求6所述的方法，其特征在于，所述第三打分由如下公式确定：
Figure FDA0002724776460000022
其中，a3指的第三打分，I2指的是处在所述联动分析节点的后一层联动分析网且与所述联动分析节点对应的联动分析节点的输出。
8.根据权利要求7所述的方法，其特征在于，所述根据第一打分、第二打分和第三打分确定所述联动分析节点对经过的区域图像进行分析处理结果的反馈函数，具体由如下公式确定：
Figure FDA0002724776460000023
其中，f为反馈函数。
9.根据权利要求1所述的方法，其特征在于，所述全适应映射网络根据输出层的联动分析网的联动分析节点的输出值，得到病变部位的疾病特征，包括：
获得输出层的所有所述输出值的和以及方差；
获得与所述和匹配的疾病类型；
获得与所述方差匹配的严重程度指数，严重程度指数表示预测的疾病的严重程度。
10.一种机器人手术系统，其特征在于，所述系统包括手术机器人和图像采集装置，所述图像采集装置与所述手术机器人连接；
所述图像采集装置用于拍摄病变部位的多张图像，将所述多张图像发送至手术机器人；
所述手术机器人包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现权利要求1-9任一项所述方法的步骤。
CN202010256832.5A 2020-04-02 2020-04-02 精准医疗图像分析方法及机器人手术系统 Active CN111402252B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010256832.5A CN111402252B (zh) 2020-04-02 2020-04-02 精准医疗图像分析方法及机器人手术系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010256832.5A CN111402252B (zh) 2020-04-02 2020-04-02 精准医疗图像分析方法及机器人手术系统

Publications (2)

Publication Number Publication Date
CN111402252A CN111402252A (zh) 2020-07-10
CN111402252B true CN111402252B (zh) 2021-01-15

Family

ID=71429372

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010256832.5A Active CN111402252B (zh) 2020-04-02 2020-04-02 精准医疗图像分析方法及机器人手术系统

Country Status (1)

Country Link
CN (1) CN111402252B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112001848B (zh) * 2020-09-07 2022-04-26 鹏祥智慧保安有限公司 大数据监控系统中的图像识别拼接方法及系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10748281B2 (en) * 2018-07-21 2020-08-18 International Business Machines Corporation Negative sample enhanced object detection machine
CN111292301A (zh) * 2018-12-07 2020-06-16 北京市商汤科技开发有限公司 一种病灶检测方法、装置、设备及存储介质
CN110458883B (zh) * 2019-03-07 2021-07-13 腾讯科技（深圳）有限公司 一种医疗影像的处理系统、方法、装置和设备
CN110458355A (zh) * 2019-08-09 2019-11-15 泰康保险集团股份有限公司 事件预测方法、装置、设备及存储介质
CN110827979A (zh) * 2019-10-29 2020-02-21 立旃（上海）科技有限公司 基于区块链的预测系统及方法

Also Published As

Publication number Publication date
CN111402252A (zh) 2020-07-10

Similar Documents

Publication Publication Date Title
CN110232383B (zh) 一种基于深度学习模型的病灶图像识别方法及病灶图像识别系统
WO2020147263A1 (zh) 一种评估眼底图像质量的方法、装置及存储介质
CN110334722A (zh) 图像分类方法、装置、计算机设备和存储介质
CN109801272B (zh) 肝脏肿瘤自动分割定位方法、系统及存储介质
CN112102266A (zh) 基于注意力机制的脑梗死医学影像分类模型的训练方法
CN114998210B (zh) 一种基于深度学习目标检测的早产儿视网膜病变检测系统
CN110136147A (zh) 一种基于U-Net模型的分割医学图像的方法、装置及存储介质
CN108564578A (zh) 病理诊断辅助方法、装置及系统
KR102119057B1 (ko) 골절 진단모델의 학습 방법 및 장치
CN110910377B (zh) 一种基于神经网络的脑梗死mri图像识别方法
CN110648317B (zh) 适用于脊柱转移肿瘤骨质的质量分类方法及系统
CN103460254A (zh) 基于图像内容的自动亮度检测方法与装置
CN111402252B (zh) 精准医疗图像分析方法及机器人手术系统
CN112101456B (zh) 注意力特征图获取方法及装置、目标检测的方法及装置
CN111667459A (zh) 一种基于3d可变卷积和时序特征融合的医学征象检测方法、系统、终端及存储介质
CN115719334A (zh) 基于人工智能的医学影像评价方法、装置、设备及介质
CN116612386A (zh) 基于分级检测双任务模型的辣椒病虫害识别方法及系统
JP6345332B1 (ja) 分類装置、分類方法、プログラム、ならびに、情報記録媒体
CN111724371A (zh) 一种数据处理方法、装置及电子设备
Fu et al. Automatic grading of Diabetic macular edema based on end-to-end network
CN113724185B (zh) 用于图像分类的模型处理方法、装置及存储介质
CN113344926A (zh) 胆胰超声图像识别方法、装置、服务器及存储介质
CN112651960A (zh) 一种图像处理方法、装置、设备及存储介质
CN116188366A (zh) 知识和数据驱动的脑网络计算方法、装置、电子设备及存储介质
CN115205954A (zh) 一种眼部病症识别方法、装置及设备

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
TA01 Transfer of patent application right

Effective date of registration: 20201225

Address after: Room 2003, 1801, 1804, No.13-1, Hai'an Road, Tianhe District, Guangzhou City, Guangdong Province

Applicant after: HEYU HEALTH TECHNOLOGY Co.,Ltd.

Address before: 556000 No.38, Yingpan West Road, Ximen street, Kaili City, Qiandongnan Miao and Dong Autonomous Prefecture, Guizhou Province

Applicant before: Yang Xianlian

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant