WO2020073389A1 - 一种医学影像机器人及其控制、医学影像识别方法 - Google Patents

一种医学影像机器人及其控制、医学影像识别方法 Download PDF

Info

Publication number
WO2020073389A1
WO2020073389A1 PCT/CN2018/113464 CN2018113464W WO2020073389A1 WO 2020073389 A1 WO2020073389 A1 WO 2020073389A1 CN 2018113464 W CN2018113464 W CN 2018113464W WO 2020073389 A1 WO2020073389 A1 WO 2020073389A1
Authority
WO
WIPO (PCT)
Prior art keywords
main control
control chip
information
medical
module
Prior art date
Application number
PCT/CN2018/113464
Other languages
English (en)
French (fr)
Inventor
秦传波
柯凡晖
曾军英
王璠
陈荣海
梁中文
Original Assignee
五邑大学
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 五邑大学 filed Critical 五邑大学
Publication of WO2020073389A1 publication Critical patent/WO2020073389A1/zh

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J11/00—Manipulators not otherwise provided for
    • B25J11/008—Manipulators for service tasks
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J19/00—Accessories fitted to manipulators, e.g. for monitoring, for viewing; Safety devices combined with or specially adapted for use in connection with manipulators
    • B25J19/02—Sensing devices
    • B25J19/04—Viewing devices
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Robotics (AREA)
  • Public Health (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Mechanical Engineering (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Pathology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Manipulator (AREA)

Abstract

一种医学影像机器人及其控制、医学识别方法，在机器人中设置了采集模块、处理模块和运动模块。通过将采集模块采集的环境信息发送至处理模块中生成虚拟地图，并通过在显示屏（3）中选取目标区域信息的方式实现自动生成运动控制信息，从而控制运动模块带动机器人移动至指定地点，检测到输入医学影像后自动识别并得出医疗建议信息，实现了可移动的医疗影像识别。

Description

一种医学影像机器人及其控制、医学影像识别方法
技术领域
本发明涉及智能机器人领域，特别是一种医学影像机器人及其控制、医学影像识别方法。
背景技术
目前，在医疗过程中，通过医学影像对病情诊断分析是重要的手段。由于对医学影像的分析通常涉及复杂的运算，因此现有技术对医学影像的分析和处理主要通过计算机和服务器设备完成。现有技术虽然能够完成对医学影像的分析和处理，但是计算机通常是固定设置在医生办公室，且设备较为大型，不可移动，机动性较差，当遇到需要在室外或者在病房中与病人或其他医生进行交流时无法使用。
发明内容
为解决上述问题，本发明的目的在于提供一种设置有医学影像识别功能的机器人，在实际应用中能根据目的地自动规划路径并移动至目的地，通过设置的交互模块将医学影像输入至主控芯片中进行医学影像识别。实现可移动的医疗影像辅助识别。
本发明解决其问题所采用的技术方案是：一种医学影像机器人，包括：采集模块和处理模块，所述采集模块包括用于获取构建地图扫描值的激光雷达和用于获取距离信息的深度相机；
所述处理模块包括用于处理采集模块所发送的数据的第一主控芯片和用于传送运动数据的第二主控芯片，所述第一主控芯片的输入端与采集模块的输出端相连接，所述第二主控芯片与第一主控芯片相连接，所述第一主控芯片响应于采集模块发送的采集信息向第二主控芯片发送运动控制信息；
还包括运动模块，所述运动模块与第二主控芯片相连接，所述第二主控芯片响应于所述运动控制信息向运动模块发送启动信号；
还包括显示屏，所述显示屏与第一主控芯片相连接，所述显示屏响应于第一主控芯片发送的显示信号进行显示。
进一步，所述运动模块包括用于电机调速的无极电机调速器和直流无刷电机，所述无极电机调速器的输入端与第二主控芯片的输出端相连接，所述无极电机调速器响应于第二主控芯片发送的启动信号控制所述直流无刷电机运转；所述无极电机调速器的输出端与直流无刷电机的输入端通过CAN总线相连接；所述运动模块还包括麦克纳姆轮，所述麦克纳姆轮与直流无刷电机之间通过法兰盘相连接；所述麦克纳姆轮与直流无刷电机之间还设置有避震结构；所述避震结构包括液压避震器、合页碳纤维连接板和铝合金固定板。
进一步，还包括电源模块和用于控制电路电流的电源转压模块，所述电源模块的输出端与电源转压模块的输入端相连接。
进一步，所述显示屏为带电容式触摸的LCD显示屏，所述LCD显示屏通过HDMI影像连接线与第一主控芯片相连接；所述显示屏底侧还设置有用于控制显示屏高度的升降架。
一种医学影像机器人的控制方法，包括以下步骤：
根据采集模块所采集的环境信息构建地图，并将构建的地图发送至显示屏中显示；
读取用户在显示屏中点击的目标区域信息并发送至第一主控芯片中；
第一主控芯片根据当前位置信息和目标区域信息得出运动控制信息，发送至第二主控芯片中；
所述第二主控芯片获取所述运动控制信息后，控制运动模块运作。
进一步，所述环境信息包括由激光雷达采集的空间信息和深度相机采集的距离信息；所述运动控制信息包括移动方向、移动速度和移动距离。
一种医学影像识别方法，包括以下步骤：
检测到在显示屏中点击病人信息时，在数据库中读取与所述病人信息所对应的医学影像；
将所述医学影像输入至目标检测模型中，对所述医学影像中的病变位置进行标识，设置为病变图像；
将所述病变图像发送至深度学习分类模型中进行特征提取，获取病变图像所属的病变类别；
根据所述病变类别在数据库中读取对应的医疗建议信息；
将所述病变图像所对应的病变位置、病变类别和医疗建议信息发送至显示屏中显示。
进一步，所述目标检测模型和深度学习分类模型为预先训练好的卷积神经网络。
进一步，所述目标检测模型和深度学习分类模型为预先训练的卷积神经网络，其训练方法包括以下步骤：
将医学影像转换成Jpg图像格式，根据标注的病变部位信息，生成目标检测训练用的XML文件；按照分类结果将对应的标签输入至病变部位图像中；
将全部用于病变部位目标检测的医学影像和分类的医学影像数据随机地分配成训练集数据和验证集数据；
通过深度卷积神经网络进行目标检测与分类的深度学习训练；
获取训练后的模型，利用验证数据对模型进行验证。
进一步，所述目标检测模型和深度学习分类模型中包括19个卷积层和5个最大池化层。
本发明的有益效果是：本发明采用一种医学影像机器人及其控制、医学识别方法。通过在医学影像机器人中设置采集模块和处理模块，对环境数据进行采集，通过处理模块生成运动控制信息，完成对运动模块的控制，从而实现自动移动。同时在机器人中设置有显示屏，能通过对显示屏的操作实现医学影像的识别。对比起现有技术只能在固定场所进行医学影像识别的方法，本发明的方法实现了可移动医学识别，大大提高了医疗过程的便利性，同时可以通过医疗识别得出初步医疗建议信息，确保了医生与病人交流的及时性，提高了用户体验。
附图说明
下面结合附图和实例对本发明作进一步说明。
图1是本发明一种医学影像机器人及其控制、医学识别方法的机器人结构示意图；
图2是本发明一种医学影像机器人及其控制、医学识别方法的模块示意图；
图3是本发明一种医学影像机器人及其控制、医学识别方法的检测流程示意图；
图4是本发明一种医学影像机器人及其控制、医学识别方法的控制流程图；
图5是本发明一种医学影像机器人及其控制、医学识别方法的控制方法详细步骤图；
图6是本发明一种医学影像机器人及其控制、医学识别方法的医学识别方法流程图；
图7是本发明一种医学影像机器人及其控制、医学识别方法的医学识别模型训练流程图；
图8是本发明一种医学影像机器人及其控制、医学识别方法的第二实施例的自动跟踪方法流程图。
附图标号说明：
1.激光雷达；2.深度相机；3.显示屏；4.第一主控芯片；5.第二主控芯片；6.无极电机调速器；7.麦克纳姆轮；8.电源转压模块；9.升降架；10.直流无刷电机；11.电源模块；12.避震结构。
具体实施方式
参照图1-图3，本发明的一种医学影像机器人，包括：采集模块和处理模块，所述采集模块包括用于获取构建地图扫描值的激光雷达1和用于获取距离信息的深度相机2；
所述处理模块包括用于处理采集模块所发送的数据的第一主控芯片4和用于传送运动数据的第二主控芯片5，所述第一主控芯片4的输入端与采集模块的输出端相连接，所述第二主控芯片5与第一主控芯片4相连接，所述第一主控芯片4响应于采集模块发送的采集信息向第二主控芯片5发送运动控制信息；
还包括运动模块，所述运动模块与第二主控芯片5相连接，所述第二主控芯片5响应于所述运动控制信息向运动模块发送启动信号；
还包括显示屏3，所述显示屏3与第一主控芯片4相连接，所述显示屏3响应于第一主控芯片4发送的显示信号进行显示。
其中，所述机器人的本体由从上至下设置的3层碳纤维板构成，其中深度相机2、激光雷达1和显示屏3设置于第一层碳纤维板中；第一主控芯片4和电源模块11设置于第二层碳纤维板中；第三层碳纤维板中包括第二主控芯片5、无极电机调速器6、电源转压模块8。
其中，深度相机2为USB接口高速高清摄像机，用于提供深度影像、RGB 和红外影像。所述深度相机2通过支撑架固定第一层碳纤维板中。
优选地，所述激光雷达1通过串口数据转换线连接到第一主控芯片4中，利用串口数据转换线进行传送能加快传送速度，确保反应的及时性。
其中，所述第一主控芯片4与第二主控芯片5之间通过串口数据连接线相连接，有线连接方式能确保在运动过程中两个主控芯片之间的连接保持稳定。
进一步，所述运动模块包括用于电机调速的无极电机调速器6和直流无刷电机10，所述无极电机调速器6的输入端与第二主控芯片5的输出端相连接，所述无极电机调速器6响应于第二主控芯片5发送的启动信号控制所述直流无刷电机10运转；所述无极电机调速器6的输出端与直流无刷电机10的输入端通过CAN总线相连接；所述运动模块还包括麦克纳姆轮7，所述麦克纳姆轮7与直流无刷电机10之间通过法兰盘相连接；所述麦克纳姆轮7与直流无刷电机10之间还设置有避震结构12；所述避震结构12包括液压避震器、合页碳纤维连接板和铝合金固定板。
其中，所述避震结构12通过合页连接机器人的第三层碳纤维板中，通过螺栓将直流无刷电机10固定在第三次碳纤维板中。
其中，辅助机器人中设置有4个麦克纳姆轮7，因此设置有4个对应的直流无刷电机10，每个直流无刷电机10独立运作，单独响应第二芯片5发送的运动控制信息。
进一步，还包括电源模块11和用于控制电路电流的电源转压模块8，所述电源模块11的输出端与电源转压模块8的输入端相连接。
其中，所述电源转压模块还用于信号隔离、主电路限流保护、反馈补偿和过压保护。
进一步，所述显示屏3为带电容式触摸的LCD显示屏，所述LCD显示屏通过HDMI影像连接线与第一主控芯片4相连接；所述显示屏3底侧还设置有用于控制显示屏3高度的升降架9。
其中，在不使用显示屏3时，通过控制升降架9可以使显示屏3收纳于第一层碳纤维板表面，便于机器人的收纳和放置。
一种医学影像机器人的控制方法，包括以下步骤：
根据采集模块所采集的环境信息构建地图，并将构建的地图发送至显示屏3中显示；
读取用户在显示屏3中点击的目标区域信息并发送至第一主控芯片4中；
第一主控芯片4根据当前位置信息和目标区域信息得出运动控制信息，发送至第二主控芯片5中；
所述第二主控芯片5获取所述运动控制信息后，控制运动模块运作。
其中，本实施例采用的地图构建技术为SLAM（simultaneous localization and mapping 即时定位与地图构建），采用该技术能在获取到空间和距离信息后自动构建出虚拟地图，并且在输入目标区域信息后能自动规划路线，同时对路径中的障碍物能自动避障。
优选地，所述运动模块在运作过程中还向第二主控芯片5发送运动反馈信息，所述运动反馈信息包括实际速度与预设速度的速度差，所述第二主控芯片5接收到运动反馈信息后发送至第一主控芯片4中，第一主控芯片4根据反馈信息和目标区域信息重新计算运动控制信息并发送至第二主控芯片5中。
进一步，所述环境信息包括由激光雷达1采集的空间信息和深度相机2采集的距离信息；所述运动控制信息包括移动方向、移动速度和移动距离。
以下通过具体步骤对医学影像机器人的控制过程进行描述：
步骤101，激光雷达1对机器人周围障碍形状数据进行激光扫描，并将获取的形状数据发送至第一主控芯片4中；
步骤102，深度相机2对机器人周围障碍的距离数据进行检测，并将获取的距离数据发送至第一主控芯片4中；
步骤103，所述第一主控芯片4接收到形状数据和距离数据后，通过SLAM算法构建出虚拟空间地图，并通过显示屏3进行显示；
步骤104，读取到用户在显示屏3中点击选取的目标区域信息，第一主控芯片4根据当前位置信息和目标区域信息，再结合虚拟地图得出规划路径，并计算出根据该规划路径运行时所需执行运动控制信息，包括移动速度、移动方向和移动距离。
步骤105，第一主控芯片4将运动控制信息发送至第二主控芯片5中，所述第二主控芯片5接收到运动控制信息后，向无极电机调速器6发送运动控制信息，所述无极电机调速器6控制直流无刷电机10的转速和麦克纳姆轮7的方向完成移动。
参考图6，一种医学影像识别方法，包括以下步骤：
检测到在显示屏3中点击病人信息时，在数据库中读取与所述病人信息所对应的医学影像；
将所述医学影像输入至目标检测模型中，对所述医学影像中的病变位置进行标识，设置为病变图像；
将所述病变图像发送至深度学习分类模型中进行特征提取，获取病变图像所属的病变类别；
根据所述病变类别在数据库中读取对应的医疗建议信息；
将所述病变图像所对应的病变位置、病变类别和医疗建议信息发送至显示屏3中显示。
其中，保存在数据库中的医学影像为DICOM医学影像，所述医学影像在数据库中与病人信息相对应。
其中，显示屏3中显示的病人信息从服务器中读取病人列表所得。
其中，医学影像输入至目标检测模型后，目标检测模型利用预先训练好的特征提取网络对医学影像中的特征进行提取，再对所提取的特征按照预先设定的类型进行分类，本实施例中的分类为病变类别。
优选地，当检测到所述医学影像对应的病变类别不为空时，则认定该医学影像中包含病变，则根据病变类别在数据库中读取预设的医疗建议信息，实现初步快速诊断。
其中，所述将病变图像的病变位置进行显示，在本实施例中通过对病变位置用标识方框的形式在病变图像中标识。
优选地，所述机器人中设置有存储器用于存储数据库，当机器人连接上互联网时，自动将服务器中的数据库数据同步至存储器中，所述存储器与第一主控芯片4相连接；所述医疗建议信息生成后保存在存储器中，当机器人连接上互联网时，所述医疗建议信息同步至服务器中数据库的对应位置，有效实现了医学影像识别的离线化，提高了辅助机器人的适用范围，同时保证了数据的时效性。
进一步，所述目标检测模型和深度学习分类模型为预先训练好的卷积神经网络。
其中，采用预先训练好的目标检测模型和深度学习分类模型能更快地对医学图像进行识别。
参考图7，进一步，所述目标检测模型和深度学习分类模型为预先训练的卷积神经网络，其训练方法包括以下步骤：
将医学影像转换成Jpg图像格式，根据标注的病变部位信息，生成目标检测训练用的XML文件；按照分类结果将对应的标签输入至病变部位图像中；
将全部用于病变部位目标检测的医学影像和分类的医学影像数据随机地分配成训练集数据和验证集数据；
通过深度卷积神经网络进行目标检测与分类的深度学习训练；
获取训练后的模型，利用验证数据对模型进行验证。
其中，所述标注的病变部位信息由人工标注完成，通过人工标注给训练网络提供了初始参数，采用XML文件的形式能更直观地体现病变部位信息与病变类别形成一一对应关系，所述将对应的标签书只病变部位图像中由人工输入完成，为训练网络提供了学习识别的基准。
其中，将医学影像输入至训练网络中后，当检测到输入的数据为训练集数据时，对医学影像进行特征提取并且分类训练，当检测到是输入的数据是验证集数据后，进行分类训练后还将训练好的数据与验证集数据相对比，从而验证训练数据的准确性，实现训练准确性的提高。
其中，采用深度卷积神经网络能通过多层卷积层和最大池化层对图像中的特征进行提取，能有效提高深度学习训练的准确性和计算效率。
进一步，所述目标检测模型和深度学习分类模型中包括19个卷积层和5个最大池化层。
其中，本实施例中采用YoloV2深度卷积神经网络中的Darknet-19基础模型，该模型中包括19个卷积层和5个最大池化层。
其中，所述卷积层的卷积核为3×3，最大池化层的步长为2×2。
参考图8，一种医学影像机器人及其控制、医学影像识别方法，其基本结构和基本流程与第一实施例基本相同，控制方法中有以下区别：当用户在显示屏3中选取所构建地图中的人形图像时，第一主控芯片4启动机器人目标跟踪，将该人形图像所对应的位置信息设置为目标区域信息；检测到该人形图像移动时，以移动的实时位置信息得出实时运动控制信息，发送至第二主控芯片5中，控制运动模块运作，从而实现自动跟踪目标移动。
以上所述，只是本发明的较佳实施例而已，本发明并不局限于上述实施方式，只要其以相同的手段达到本发明的技术效果，都应属于本发明的保护范围。

Claims (10)

  1. 一种医学影像机器人，其特征在于，包括：采集模块和处理模块，所述采集模块包括用于获取构建地图扫描值的激光雷达和用于获取距离信息的深度相机；
    所述处理模块包括用于处理采集模块所发送的数据的第一主控芯片和用于传送运动数据的第二主控芯片，所述第一主控芯片的输入端与采集模块的输出端相连接，所述第二主控芯片与第一主控芯片相连接，所述第一主控芯片响应于采集模块发送的采集信息向第二主控芯片发送运动控制信息；
    还包括运动模块，所述运动模块与第二主控芯片相连接，所述第二主控芯片响应于所述运动控制信息向运动模块发送启动信号；
    还包括显示屏，所述显示屏与第一主控芯片相连接，所述显示屏响应于第一主控芯片发送的显示信号进行显示。
  2. 根据权利要求1所述的一种医学影像机器人，其特征在于：所述运动模块包括用于电机调速的无极电机调速器和直流无刷电机，所述无极电机调速器的输入端与第二主控芯片的输出端相连接，所述无极电机调速器响应于第二主控芯片发送的启动信号控制所述直流无刷电机运转；所述无极电机调速器的输出端与直流无刷电机的输入端通过CAN总线相连接；所述运动模块还包括麦克纳姆轮，所述麦克纳姆轮与直流无刷电机之间通过法兰盘相连接；所述麦克纳姆轮与直流无刷电机之间还设置有避震结构；所述避震结构包括液压避震器、合页碳纤维连接板和铝合金固定板。
  3. 根据权利要求1所述的一种医学影像机器人，其特征在于：还包括电源模块和用于控制电路电流的电源转压模块，所述电源模块的输出端与电源转压模块的输入端相连接。
  4. 根据权利要求1所述的一种医学影像机器人，其特征在于：所述显示屏为带电容式触摸的LCD显示屏，所述LCD显示屏通过HDMI影像连接线与第一主控芯片相连接；所述显示屏底侧还设置有用于控制显示屏高度的升降架。
  5. 一种医学影像机器人的控制方法，其特征在于，包括以下步骤：
    根据采集模块所采集的环境信息构建地图，并将构建的地图发送至显示屏中显示；
    读取用户在显示屏中点击的目标区域信息并发送至第一主控芯片中；
    第一主控芯片根据当前位置信息和目标区域信息得出运动控制信息，发送至第二主控芯片中；
    所述第二主控芯片获取所述运动控制信息后，控制运动模块运作。
  6. 根据权利要求5所述的一种医学影像机器人的控制方法，其特征在于：所述环境信息包括由激光雷达采集的空间信息和深度相机采集的距离信息；所述运动控制信息包括移动方向、移动速度和移动距离。
  7. 一种医学影像识别方法，其特征在于，包括以下步骤：
    检测到在显示屏中点击病人信息时，在数据库中读取与所述病人信息所对应的医学影像；
    将所述医学影像输入至目标检测模型中，对所述医学影像中的病变位置进行标识，设置为病变图像；
    将所述病变图像发送至深度学习分类模型中进行特征提取，获取病变图像所属的病变类别；
    根据所述病变类别在数据库中读取对应的医疗建议信息；
    将所述病变图像所对应的病变位置、病变类别和医疗建议信息发送至显示屏中显示。
  8. 根据权利要求7所述的一种医学影像识别方法，其特征在于：所述目标检测模型和深度学习分类模型为预先训练好的卷积神经网络。
  9. 根据权利要求8所述的一种医学影像识别方法，其特征在于，所述目标检测模型和深度学习分类模型为预先训练的卷积神经网络，其训练方法包括以下步骤：
    将医学影像转换成Jpg图像格式，根据标注的病变部位信息，生成目标检测训练用的XML文件；按照分类结果将对应的标签输入至病变部位图像中；
    将全部用于病变部位目标检测的医学影像和分类的医学影像数据随机地分配成训练集数据和验证集数据；
    通过深度卷积神经网络进行目标检测与分类的深度学习训练；
    获取训练后的模型，利用验证数据对模型进行验证。
  10. 根据权利要求9所述的一种医学影像识别方法，其特征在于：所述目标检测模型和深度学习分类模型中包括19个卷积层和5个最大池化层。
PCT/CN2018/113464 2018-10-09 2018-11-01 一种医学影像机器人及其控制、医学影像识别方法 WO2020073389A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201811171881.8 2018-10-09
CN201811171881.8A CN109473168A (zh) 2018-10-09 2018-10-09 一种医学影像机器人及其控制、医学影像识别方法

Publications (1)

Publication Number Publication Date
WO2020073389A1 true WO2020073389A1 (zh) 2020-04-16

Family

ID=65664762

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2018/113464 WO2020073389A1 (zh) 2018-10-09 2018-11-01 一种医学影像机器人及其控制、医学影像识别方法

Country Status (2)

Country Link
CN (1) CN109473168A (zh)
WO (1) WO2020073389A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112150543A (zh) * 2020-09-24 2020-12-29 上海联影医疗科技股份有限公司 医疗成像设备的成像定位方法、装置、设备及存储介质

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111341441A (zh) * 2020-03-02 2020-06-26 刘四花 一种肠胃科病模型构建方法及诊断系统
CN112109096B (zh) * 2020-09-21 2022-04-19 安徽省幸福工场医疗设备有限公司 一种高精度医学影像机器人及其识别方法
CN112151169B (zh) * 2020-09-22 2023-12-05 深圳市人工智能与机器人研究院 一种仿人操作的超声机器人自主扫描方法及系统
CN115294515B (zh) * 2022-07-05 2023-06-13 南京邮电大学 一种基于人工智能的综合防盗管理方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080161672A1 (en) * 2006-10-17 2008-07-03 General Electric Company Self-guided portable medical diagnostic system
CN106780460A (zh) * 2016-12-13 2017-05-31 杭州健培科技有限公司 一种用于胸部ct影像的肺结节自动检测系统
CN106808480A (zh) * 2017-03-23 2017-06-09 北京瑞华康源科技有限公司 一种机器人导医系统
CN107368073A (zh) * 2017-07-27 2017-11-21 上海工程技术大学 一种全环境多信息融合智能探测机器人系统
US20180061058A1 (en) * 2016-08-26 2018-03-01 Elekta, Inc. Image segmentation using neural network method
CN108364006A (zh) * 2018-01-17 2018-08-03 超凡影像科技股份有限公司 基于多模式深度学习的医学图像分类装置及其构建方法
WO2018142395A1 (en) * 2017-01-31 2018-08-09 Arbe Robotics Ltd A radar-based system and method for real-time simultaneous localization and mapping
CN108478348A (zh) * 2018-05-29 2018-09-04 华南理工大学 一种室内自主导航物联的智能轮椅车及控制方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104573385B (zh) * 2015-01-24 2017-04-12 福州环亚众志计算机有限公司 用于病房数据采集的机器人系统
CN204462851U (zh) * 2015-03-16 2015-07-08 武汉汉迪机器人科技有限公司 麦克纳姆轮全向移动巡检机器人
CN105479433B (zh) * 2016-01-04 2017-06-23 江苏科技大学 一种麦克纳姆轮全向移动搬运机器人
AU2017268489B1 (en) * 2016-12-02 2018-05-17 Avent, Inc. System and method for navigation to a target anatomical object in medical imaging-based procedures
CN106709254B (zh) * 2016-12-29 2019-06-21 天津中科智能识别产业技术研究院有限公司 一种医疗诊断机器人系统
CN106682435B (zh) * 2016-12-31 2021-01-29 西安百利信息科技有限公司 一种多模型融合自动检测医学图像中病变的系统及方法
CN106909778B (zh) * 2017-02-09 2019-08-27 北京市计算中心 一种基于深度学习的多模态医学影像识别方法及装置
CN107644419A (zh) * 2017-09-30 2018-01-30 百度在线网络技术（北京）有限公司 用于分析医学影像的方法和装置
CN108229584A (zh) * 2018-02-02 2018-06-29 莒县人民医院 一种基于深度学习的多模态医学影像识别方法及装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080161672A1 (en) * 2006-10-17 2008-07-03 General Electric Company Self-guided portable medical diagnostic system
US20180061058A1 (en) * 2016-08-26 2018-03-01 Elekta, Inc. Image segmentation using neural network method
CN106780460A (zh) * 2016-12-13 2017-05-31 杭州健培科技有限公司 一种用于胸部ct影像的肺结节自动检测系统
WO2018142395A1 (en) * 2017-01-31 2018-08-09 Arbe Robotics Ltd A radar-based system and method for real-time simultaneous localization and mapping
CN106808480A (zh) * 2017-03-23 2017-06-09 北京瑞华康源科技有限公司 一种机器人导医系统
CN107368073A (zh) * 2017-07-27 2017-11-21 上海工程技术大学 一种全环境多信息融合智能探测机器人系统
CN108364006A (zh) * 2018-01-17 2018-08-03 超凡影像科技股份有限公司 基于多模式深度学习的医学图像分类装置及其构建方法
CN108478348A (zh) * 2018-05-29 2018-09-04 华南理工大学 一种室内自主导航物联的智能轮椅车及控制方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112150543A (zh) * 2020-09-24 2020-12-29 上海联影医疗科技股份有限公司 医疗成像设备的成像定位方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN109473168A (zh) 2019-03-15

Similar Documents

Publication Publication Date Title
WO2020073389A1 (zh) 一种医学影像机器人及其控制、医学影像识别方法
US6856425B2 (en) Image processing system, digital camera, and printing apparatus
CN102316263A (zh) 图像处理设备和图像处理方法
CN102136201B (zh) 摄像式点读机
JP5665405B2 (ja) 放射線画像撮影システム及び画像表示方法
EP2096614B1 (en) Reading device for blind or visually impaired persons
CN105042789B (zh) 一种智能空调的控制方法及系统
JP2007067870A (ja) デジタルカメラシステム及び撮影条件の較正方法
CN112223288B (zh) 一种视觉融合的服务机器人控制方法
US7576779B2 (en) Control apparatus and controlled apparatus utilized in system supporting both command-based model and user-interface export model, control system and computer used in said system
JP2021177251A (ja) 投写画像調整システム及び投写画像調整方法
JPWO2010061889A1 (ja) 携帯端末装置、画像表示システム、画像表示方法、及びプログラム
CN107040723A (zh) 一种基于双摄像头的成像方法、移动终端及存储介质
CN107399241A (zh) 一种无线充电定位方法、装置、系统及电动汽车
JP5686690B2 (ja) 画像形成システム、携帯端末装置、およびプログラム
US8345105B2 (en) System and method for accessing and utilizing ancillary data with an electronic camera device
CN1495511A (zh) 不干胶照片出售机和方法、不干胶照片和不干胶照片单元
KR20040090477A (ko) 프린트용 단말기, 프린트 시스템, 기억 매체 및 프로그램
CN100590645C (zh) 基于拓扑栅格学习的命中点解算方法及装置
CN105975830B (zh) 一种智能控制自拍杆的方法、装置及自拍杆
US8797349B2 (en) Image processing apparatus and image processing method
CN107154009A (zh) 多模态一体化信息采集系统及方法
GB2327526A (en) Digital video camera with still image search function
CN206686260U (zh) 一种手势控制智能微录仪
CN105708458A (zh) 一种胸外按压质量的监控方法和系统

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18936567

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 18936567

Country of ref document: EP

Kind code of ref document: A1