一种面向多类型疾病的人工智能手术辅助系统技术方案

本发明专利技术属于辅助手术技术领域，公开了一种面向多类型疾病的人工智能手术辅助系统，包括：服务器端和用户端两部分；其中，服务器端包括：网络结构构建模块、数据采集模块、模型建立及训练模块；用户端包括：选择疾病类型模块、摄像头实时采集图像模块、CPU计算处理模块、输出识别结果模块。本发明专利技术能够协助医生在手术过程中进行更准确更快速的判断，降低因手术医师缺乏操作经验而导致的手术失误的风险，提高手术的成功率。

An Artificial Intelligence Surgical Assistance System for Multiple Diseases

【技术实现步骤摘要】
一种面向多类型疾病的人工智能手术辅助系统
本专利技术涉及辅助手术
，尤其涉及一种面向多类型疾病的人工智能手术辅助系统。
技术介绍
目前，医疗资源分布不平衡一直受社会各界广泛关注。在中国，三甲医院只占医院总数的7.7％，然而在这里就医的人数比例则超过了48.7％。造成这种现象的原因是医疗资源分配不平衡，大医院集中了优质的医生、设备等资源。基于医疗资源的分配不均衡，导致患者形成了一种思维定势，“认为基层医疗水平不高，治病还得去大医院”。而手术主导医师是一个理论性、实践性极高的职业，培养专业医生的周期很长，很难在短时间内解决医疗短缺问题。在医疗需求日益高涨，医疗资源分配不均的情况下，打破患者的思维定势似乎并不容易实现。这时候，利用科技手段，用数据说话，客观的提高医院的治疗速度和质量是缓解医疗资源分配不均衡的有效措施。人工智能在医学领域有很大的前景，特别是在具有专业知识和高诊断准确性的医疗手术辅助诊断方面。人工智能技术的出现为专业医生资源短缺提供了一个很好的解决方案。传统的机器学习技术往往使用原始形式来处理自然数据，模型的学习能力受到很大的局限，构成一个模式识别或机器学习系统往往需要相当的专业知识来从原始数据中(如图像的像素值)提取特征，并转换成一个适当的内部表示。而深度学习则具有自动提取特征的能力，它是一种针对表示的学习。深度学习允许多个处理层组成复杂计算模型，从而自动获取数据的表示与多个抽象级别。这些方法大大推动了语音识别，视觉识别物体，物体检测，药物发现和基因组学等领域的发展。通过使用不同的算法，深度学习有能力发现在大的数据集的隐含的复杂结构。基于卷积神经网络的深度学习方法具有自动学习特征的能力，近两年在医学图像处理的各种应用中展现出了卓越的能力。它符合人眼感受图像的原理，可以全自动的学习大量的特征，替代了手工选取特征。
技术实现思路
针对现有技术的不足，本专利技术提供一种面向多类型疾病的人工智能手术辅助系统，协助医生在手术过程中进行更准确更快速的判断，降低因手术医师缺乏操作经验而导致的手术失误的风险，提高手术的成功率。本申请实施例提供一种面向多类型疾病的人工智能手术辅助系统，包括：服务器端和用户端两部分；所述服务器端包括：网络结构构建模块、数据采集模块、模型建立及训练模块；所述网络结构构建模块用于构建squeezenet网络；所述数据采集模块用于采集数据并建立医疗数据集；所述模型建立及训练模块用于利用所述医疗数据集对所述squeezenet网络进行训练，生成辅助识别模型；所述用户端包括：选择疾病类型模块、摄像头实时采集图像模块、CPU计算处理模、输出识别结果模块；所述选择疾病类型模块用于选择所要识别的疾病类型；所述摄像头实时采集图像模块用于采集实时手术影像；所述CPU计算处理模块用于根据所述辅助识别模型、所述实时手术影像得到辅助诊断结果；所述输出识别结果模块用于输出显示所述辅助诊断结果。优选的，所述用户端还包括：模型存储区；所述模型存储区用于存储所述辅助识别模型，接收所述实时手术影像。优选的，所述服务器端还包括：验证模块；所述验证模块用于对所述辅助识别模型的准确度进行验证。优选的，所述squeezenet网络的Fire模型包括：压缩层、扩张层；所述压缩层为1×1卷积核的卷积层，所述扩张层为1×1和3×3卷积核的卷积层。优选的，所述数据采集模块采集的数据包括：影像图像、临床信息、疾病类型、病灶区域标注信息。优选的，所述数据采集模块采集的数据隐去患者隐私信息和医疗机构信息。优选的，所述生成辅助识别模型包括：将所述squeezenet网络、所述医疗数据集导入TensorFlow框架，在GPU上利用所述医疗数据集对所述squeezenet网络进行训练，得到所述辅助识别模型。优选的，所述摄像头实时采集图像模块还用于对采集的实时手术影像的矩阵进行归一化处理。优选的，通过将病灶位置用红色框进行标定来显示所述辅助诊断结果。优选的，在PC端对所述辅助识别模型的准确度进行验证，若准确度达不到预定标准，则重新建立医疗数据集进行再次验证；若准确度达到预定标准，则保存所述辅助识别模型。本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：在本申请实施例中，结合传统医疗诊断过程和深度学习技术特点，采用squeezenet网络结构和TensorFlow框架，利用计算机视觉和深度学习技术，将手术过程中产生的医疗影像整理为训练数据集，得到相对应疾病的医疗手术辅助识别模型，最后将模型加载到用户端的模型存储区，医生即可在用户端上通过界面选择疾病类型，调用相关模型对手术中实时输入的医疗影像进行诊断，识别成功之后将结果显示在用户端界面，给出该疾病手术中应当进行的正确操作提示，从而帮助医生进行手术辅助诊断。附图说明为了更清楚地说明本实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一个实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术实施例提供的一种面向多类型疾病的人工智能手术辅助系统的原理图；图2为本专利技术实施例提供的一种面向多类型疾病的人工智能手术辅助系统中用户端的工作流程图；图3为本专利技术本专利技术实施例提供的一种面向多类型疾病的人工智能手术辅助系统中服务器端的工作流程图。具体实施方式为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。本实施例提供了一种面向多类型疾病的人工智能手术辅助系统的原理图如图1所示，主要执行以下步骤：步骤一：设计并构建以squeezenet网络为基础的网络结构采用squeezenet网络为基础进行设计，网络参数总计18层。其核心在于Fire模型，Fire模型由两层构成，分别是压缩(squeeze)层和扩张(expand)层；压缩层是一个1×1卷积核的卷积层，扩张层是1×1和3×3卷积核的卷积层，在扩张层中，把1×1和3×3的卷积层得到特征图谱(featuremap)进行合并。其中，Squeezenet网络可以显著减少参数数量，同时确保在参数数量受限的情况下提高准确率，提高模型的运算速度。即Squeezenet网络具有轻量级的特点，能够得到一个在准确度不下降太多的情况下需要更少参数的CNN网络。此外，采用的squeezenet通过以下三种策略减少参数需求并压缩网络：(1)使用1×1卷积代替3×3卷积，参数减少为原来的1/9。(2)减少输入通道数量，这一部分使用压缩层来实现。(3)将欠采样操作延后，可以给卷积层提供更大的激活图，更大的激活图保留了更多的信息，可以提供更高的分类准确率。步骤二：制作医疗数据集利用现有数据，包括影像图像、临床信息、疾病类型和病灶区域标注信息，制作VOC格式的数据集，将得到的大量带有标注信息的医疗图像作为训练数据集，供后续使用。其中，现有数据的来源包括：公开数据集及各级医院的病例数据。各级医院包括社区医院、三甲医院等各级医院，数据来源尽量涵盖各类医疗机构及人群、高质量影像及常见临床疾病手术影像，影像检查设备包括目前国内外各大常用厂商，如西门子、飞利浦、东芝、GE、东软、联影等，尽量降低其他因素对诊断结果可能产生的影响。本文档来自技高网...

【技术保护点】
1.一种面向多类型疾病的人工智能手术辅助系统，其特征在于，包括：服务器端和用户端两部分；所述服务器端包括：网络结构构建模块、数据采集模块、模型建立及训练模块；所述网络结构构建模块用于构建squeezenet网络；所述数据采集模块用于采集数据并建立医疗数据集；所述模型建立及训练模块用于利用所述医疗数据集对所述squeezenet网络进行训练，生成辅助识别模型；所述用户端包括：选择疾病类型模块、摄像头实时采集图像模块、CPU计算处理模块、输出识别结果模块；所述选择疾病类型模块用于选择所要识别的疾病类型；所述摄像头实时采集图像模块用于采集实时手术影像；所述CPU计算处理模块用于根据所述辅助识别模型、所述实时手术影像得到辅助诊断结果；所述输出识别结果模块用于输出显示所述辅助诊断结果。

【技术特征摘要】
1.一种面向多类型疾病的人工智能手术辅助系统，其特征在于，包括：服务器端和用户端两部分；所述服务器端包括：网络结构构建模块、数据采集模块、模型建立及训练模块；所述网络结构构建模块用于构建squeezenet网络；所述数据采集模块用于采集数据并建立医疗数据集；所述模型建立及训练模块用于利用所述医疗数据集对所述squeezenet网络进行训练，生成辅助识别模型；所述用户端包括：选择疾病类型模块、摄像头实时采集图像模块、CPU计算处理模块、输出识别结果模块；所述选择疾病类型模块用于选择所要识别的疾病类型；所述摄像头实时采集图像模块用于采集实时手术影像；所述CPU计算处理模块用于根据所述辅助识别模型、所述实时手术影像得到辅助诊断结果；所述输出识别结果模块用于输出显示所述辅助诊断结果。2.根据权利要求1所述的面向多类型疾病的人工智能手术辅助系统，其特征在于，所述用户端还包括：模型存储区；所述模型存储区用于存储所述辅助识别模型，接收所述实时手术影像。3.根据权利要求1所述的面向多类型疾病的人工智能手术辅助系统，其特征在于，所述服务器端还包括：验证模块；所述验证模块用于对所述辅助识别模型的准确度进行验证。4.根据权利要求1所述的面向多类型疾病的人工智能手术辅助系统，其特征在于，所述squeezenet网络的Fire模型包括：压缩层、...

【专利技术属性】
技术研发人员：郭洋，左齐茹仪，李佳，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北,42