一种基于深度学习的患者问题部位标注方法技术

本发明专利技术公开了一种基于深度学习的患者问题部位标注方法，包括以下步骤：采集三维深度图像，对三维深度图像进行分析，建立样本数据库；对数据库中的三维深度图像进行标记；构造描述患者问题部位的维度特征；训练二分类模型；利用问题部位检测模型实时标注患者问题部位，解决了现有技术中存在手术部位标识错误风险的技术问题。

A method of patient problem location annotation based on deep learning

The invention discloses a method for marking patient problem parts based on depth learning, which comprises the following steps: collecting 3D depth image, analyzing 3D depth image, establishing sample database; marking 3D depth image in database; constructing dimensional features describing patient problem parts; training two classification model; using real-time mark of problem parts detection model Injection of the patient's problem location solves the technical problem of the risk of wrong identification of the operation location in the prior art.

【技术实现步骤摘要】
一种基于深度学习的患者问题部位标注方法
本专利技术涉及临床医学领域，尤其涉及的是一种基于深度学习的患者问题部位标注方法。
技术介绍
医生在手术前需要对患者的问题部位进行标注，国内曾发生过多起手术部位标识错误的医疗事故，暴露了现今医疗系统中存在的安全隐患：影像出现侧向标注错误；术前查房、讨论及手术审批均未发现并纠正标记错误；未标明手术侧向的手术申请顺利通过预约审查；病情交接不清楚；不了解病情的临时医生参与麻醉前核查，在未查阅第一手病历资料的情况下进行手术部位标记；组织监管不到位。为了避免手术部位标识错误的医疗事故再次发生，急需一种标注患者问题部位的辅助手段，提高手术安全性，降低手术医疗事故的风险。因此，现有技术还有待于改进和发展。
技术实现思路
本专利技术的目的在于提供一种基于深度学习的患者问题部位标注方法，以解决现有技术中存在手术部位标识错误风险的技术问题。本专利技术的技术方案如下：一种基于深度学习的患者问题部位标注方法，其中，包括以下步骤：S1：采集至少20000幅患者问题部位的三维深度图像，对三维深度图像进行分析，建立样本数据库；S2：对数据库中的三维深度图像进行标记，制作成图像标注数据集N，图像标注数据集N包括训练集、标签集和测试集；S3：对于数据库中的三维深度图像，构造描述患者问题部位的维度特征，维度特征用Dimeni＝∑iri·DisSum(ri)表示，其中，Dimeni为维度特征值，ri表示第i个矩形的权值，DisSum(ri)表示第i个矩形内所有像素值的和；S4：训练二分类模型：使用矩形框对训练集中的三维深度图像的问题部位进行标注，并将矩形框在图像中的左上角坐标和右下角坐标记录下来，记录为{x0，y0，x1，y1}；将标注好的问题部位图像区域裁剪出来作为正样本，同时裁剪若干非病灶区域图像作为负样本，将正样本和负样本的尺寸调整成统一大小；定义一个目标检测网络结构，目标检测网络结构包含候选窗口提取子网络PRN、基于区域的全卷积网络RFCN、分类全连接层、聚类向量全连接层，获取分类全连接层输出向量F(xi)、聚类向量全连接层参数向量cyi；使用如下公式作为为一元哈希损失函数：将正样本和负样本、维度特征Dimeni按照顺序输入到目标检测网络结构中进行训练，并将一元哈希损失函数输入目标检测网络结构中反向传播，采用端到端的多任务训练方式得到问题部位检测模型；S5：利用问题部位检测模型实时标注患者问题部位。所述的基于深度学习的患者问题部位标注方法，其中，所述维度特征为类矩形特征，通过出现患者病灶部位的矩形区域和非病灶矩形区域按照一定的权值关系相互错层、重叠和遮挡方式组合而成。所述的基于深度学习的患者问题部位标注方法，其中，所述训练二分类模型的方法还包括：在得到问题部位检测模型后将分类损失函数输入目标检测网络结构中反向传播，修正所述问题部位检测模型，其中，分类损失函数lc(F(xi)，yi)为：所述的基于深度学习的患者问题部位标注方法，其中，基于区域的全卷积网络RFCN包括十一层结构，第一层为输入层、第二层为模板大小为7*7的卷积层；第三层为模板大小为7*7的池化层；第四层为模板大小为5*5的卷积层；第五层为模板大小为6*6的池化层；第六层为模板大小为3*3的卷积层；第七层为模板大小4*4的卷积层；第八层为模板大小3*3的卷积层；第九层为全连接层；第十层为全连接层；第十一层为输出层。所述的基于深度学习的患者问题部位标注方法，其中，所述候选窗口提取子网络PRN包括二十层结构，用基于区域的全卷积网络RFCN的十一层结构作为候选窗口提取子网络PRN的前十一层，候选窗口提取子网络PRN的前十一层参数与基于区域的全卷积网络RFCN的十一层网格参数相同。所述的基于深度学习的患者问题部位标注方法，其中，所述聚类向量全连接层包括层次聚类向量全连接层，在目标检测网络结构中聚类若干轮形成层次聚类向量全连接层，聚类的步骤为：本轮聚类的结果中每一个类作为下一轮参与聚类的一个节点，本轮聚类结果的任意两个类之间的节点边的连接权重作为下一轮参与聚类的节点之间边的权重。本专利技术的有益效果：本专利技术通过提供一种基于深度学习的患者问题部位标注方法，将机器标注作为医生人手标注的辅助性手段，标注准确度高，基于深度学习的智能化程度高，解决了现有技术中存在手术部位标识错误风险的技术问题。附图说明图1是本专利技术的患者问题部位标注方法。具体实施方式为使本专利技术的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本专利技术进一步详细说明。参阅图1，本专利技术提供一种基于深度学习的患者问题部位标注方法，包括以下步骤：S1：采集至少20000幅患者问题部位的三维深度图像，对三维深度图像进行分析，建立样本数据库；在本实施例中，采集28000幅患者问题部位的三维深度图像较为适宜，保证足够多的样本量进行模型的训练而又不至于数据量太大增加系统负担。S2：对数据库中的三维深度图像进行标记，制作成图像标注数据集N，图像标注数据集N包括训练集、标签集和测试集；S3：对于数据库中的三维深度图像，构造描述患者问题部位的维度特征，维度特征用Dimeni＝∑iri·DisSum(ri)表示，其中，Dimeni为维度特征值，ri表示第i个矩形的权值，DisSum(ri)表示第i个矩形内所有像素值的和，维度特征为类矩形特征，通过出现患者病灶部位的矩形区域和非病灶矩形区域按照一定的权值关系相互错层、重叠和遮挡方式组合而成；S4：训练二分类模型：使用矩形框对训练集中的三维深度图像的问题部位进行标注，并将矩形框在图像中的左上角坐标和右下角坐标记录下来，记录为{x0，y0，x1，y1}；将标注好的问题部位图像区域裁剪出来作为正样本，同时裁剪若干非病灶区域图像作为负样本，将正样本和负样本的尺寸调整成统一大小；定义一个目标检测网络结构，目标检测网络结构包含候选窗口提取子网络PRN、基于区域的全卷积网络RFCN、分类全连接层、聚类向量全连接层，获取分类全连接层输出向量F(xi)、聚类向量全连接层参数向量Cyi；使用如下公式作为为一元哈希损失函数：将正样本和负样本、维度特征Dimeni按照顺序输入到目标检测网络结构中进行训练，并将一元哈希损失函数输入目标检测网络结构中反向传播，采用端到端的多任务训练方式得到问题部位检测模型；S5：利用问题部位检测模型实时标注患者问题部位。本专利技术创造性地将正样本和负样本、维度特征Dimeni按照顺序输入到目标检测网络结构中进行训练，并将一元哈希损失函数输入目标检测网络结构中反向传播，采用端到端的多任务训练方式得到问题部位检测模型，相对于现有技术采用多种特征值输入到目标检测网络结构中进行训练，本方案的训练效果明显提高了，维度特征Dimeni和正、负样本相互补充，细致地刻画了患者问题部位的特征，而且由于它们之间并不相关，在样本或维度特征发生本文档来自技高网...

【技术保护点】
1.一种基于深度学习的患者问题部位标注方法，其特征在于，包括以下步骤：/nS1：采集至少20000幅患者问题部位的三维深度图像，对三维深度图像进行分析，建立样本数据库；/nS2：对数据库中的三维深度图像进行标记，制作成图像标注数据集N，图像标注数据集N包括训练集、标签集和测试集；/nS3：对于数据库中的三维深度图像，构造描述患者问题部位的维度特征，维度特征用Dimen

【技术特征摘要】
1.一种基于深度学习的患者问题部位标注方法，其特征在于，包括以下步骤：
S1：采集至少20000幅患者问题部位的三维深度图像，对三维深度图像进行分析，建立样本数据库；
S2：对数据库中的三维深度图像进行标记，制作成图像标注数据集N，图像标注数据集N包括训练集、标签集和测试集；
S3：对于数据库中的三维深度图像，构造描述患者问题部位的维度特征，维度特征用Dimeni＝∑iri·DisSum(ri)表示，其中，Dimeni为维度特征值，ri表示第i个矩形的权值，DisSum(ri)表示第i个矩形内所有像素值的和；
S4：训练二分类模型：使用矩形框对训练集中的三维深度图像的问题部位进行标注，并将矩形框在图像中的左上角坐标和右下角坐标记录下来，记录为{x0,y0,x1,y1}；将标注好的问题部位图像区域裁剪出来作为正样本，同时裁剪若干非病灶区域图像作为负样本，将正样本和负样本的尺寸调整成统一大小；定义一个目标检测网络结构，目标检测网络结构包含候选窗口提取子网络PRN、基于区域的全卷积网络RFCN、分类全连接层、聚类向量全连接层，获取分类全连接层输出向量F(xi)、聚类向量全连接层参数向量cyi；
使用如下公式作为为一元哈希损失函数：



将正样本和负样本、维度特征Dimeni按照顺序输入到目标检测网络结构中进行训练，并将一元哈希损失函数输入目标检测网络结构中反向传播，采用端到端的多任务训练方式得到问题部位检测模型；
S5：利用问题部位检测模型实时标注患者问题部位。


2.根据权利要求1所述的基于深度学习的患者问题部位标注方法，其特征在于，所述维度特征为类矩形特征，通过出现患者病灶部位的...

【专利技术属性】
技术研发人员：不公告发明人，
申请(专利权)人：湖南省华芯医疗器械有限公司，
类型：发明
国别省市：湖南;43