【技术实现步骤摘要】
一种基于深度学习的血管介入机器人自动手术方法
本专利技术属于医疗机器人
，特别是一种基于深度学习的血管介入手术机器人自动手术的方法，应用场景主要为智能化主从式医疗机器人领域。
技术介绍
随着人工智能的快速发展，越来越多的智能机器人代替人类进入工业生产、驾驶、医疗等领域。目前在医疗手术机器人领域，使用频率最高、发展最快的便是血管介入手术机器人系统。血管手术机器人系统主要的工作该方式为：医生根据医学图像指示操作血管介入手术机器人系统的主端操作设备，主端操作器采集医生的操作指令，操作指令通过接口传输至中央处理器，中央处理器将其转变为数字信号并通过接口传输至从端手术操作设备上的步进电机中，步进电机接受到信号后带动从端手术设备根据医生的操作指令进行手术。但是，血管介入手术机器人进行手术作业时间长，医生需要长时间进行专注的手术操作容易产生疲劳感从而造成操作失误，而且主端操作器和从端操作器之间存在通讯延迟和操作误差。
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血管介入机器人自动手术方法，它可以解决现...
【技术保护点】
1.一种基于深度学习的血管介入机器人自动手术方法，其特征在于它包括以下步骤：/n(1)对于应用血管介入手术机器人进行手术过程中的终端医学图像信息和医生操作数据采集；/n(2)对于采集获得的数据进行处理应用Alexnet深度学习网络进行训练；/n(3)将已经训练完成的网络模型应用在血管介入手术机器人的自动化手术进程中。/n
【技术特征摘要】
1.一种基于深度学习的血管介入机器人自动手术方法，其特征在于它包括以下步骤：
(1)对于应用血管介入手术机器人进行手术过程中的终端医学图像信息和医生操作数据采集；
(2)对于采集获得的数据进行处理应用Alexnet深度学习网络进行训练；
(3)将已经训练完成的网络模型应用在血管介入手术机器人的自动化手术进程中。
2.根据权利要求1所述一种基于深度学习的血管介入机器人自动手术方法，其特征在于所述步骤(1)对于应用血管介入手术机器人进行手术过程中的终端医学图像信息和医生操作数据采集，具体包括以下步骤：
(1-1)在医生连续操作血管介入手术过程中，通过微处理器采集主端操作器向从端控制器发送的数字信号，并对医生的操作所对应数字信号的进行编码，并将操作编码上传保存至上位机；
(1-2)采集主端操作器向从端控制器发送的数字信号的同时，通过屏幕抓取程序采集手术操作过程中由医学摄像头拍摄的医学图像信号，对所有采集到的医学图像在上位机进行压缩预处理，并保存；
(1-3)在上位机中将同时刻步骤(1-1)和步骤(1-2)采集到的两种数据信息建立起对应关系，即：一帧医学图像对应一种操作方式编码，并将所采集到的一一对应的两种数据作为训练数据保存下来。
3.根据权利要求2所述一种基于深度学习的血管介入机器人自动手术方法，其特征在于所述步骤(1-1)中的编码是先采信号，再对信号根据编码规则编码，医生的不同操作就是通过不同的串口通信给主控板的，在硬件上已经分类，此时的编码只是对不便于成为神经网络编码的串口数字信号进行后续编码方便神经网络输出；所述微处理器采用ArduinoDUE微型处理器；
所述步骤(1-1)中对信号根据编码规则编码是指：为了方便神经网络输出，结合医生主端操作和神经网络输出习惯为系统制定如下编码规则，即：导管前进操作记为0001，导管的后退操作记为0010，导管左旋捻操作记为0100，导管右旋捻操作记为1000；
所述步骤(1-1)和步骤(1-2)中数据采集的采样间隔为0.05s；所述屏幕抓取程序采用微软公司开源的win32库实现；
所述步骤(1-2)中的图像压缩预处理是指通过插值或压采样的方式使样本医学图像变成尺寸大小为2k*2k的图像，其中，k为介于7～12之间的自然数，然后调用Opencv库对血管和导管的边缘特征进行初步提取。
4.根据权利要求1所述一种基于深度学习的血管介入机器人自动手术方法，其特征在于所述步骤(2)中对于采集获得的数据进行处理应用Alexnet深度学习网络进行训练，具体包括以下步骤：
(2-1)将步骤(1-3)所获得训练数据的时序打乱，形成马尔科夫链式的数组，防止训练过程中产生过拟合现象，并将其中70％的训练数据作为训练集，30％作为测试集；
(2-2)将步骤(2-1)得到的由70％的训练数据组成的训练集中的医学图像作为输入训练集，操作编码作为输出训练集，将其带入Alexnet深度学习网络中进行正向传播训练，获得操作输出；
(2-3)将步骤(2-2)获得的操作输出与步骤(2-1)得到的由70％的训练数据组成的训练集的实际输出按照交叉熵损失函数进行损失值计算；
(2-4)若步骤(2-3)中的损失值结果未达到设定阈值，则通过梯度下降法将步骤(2-3)获得交叉熵损失值逐层反向传播更新权重，并重复步骤(2-2)；
(2-5)若步骤(2-3)中的损失值达到设定阈值，则将测试集的数据带入步骤(2-2)已经训练过的深度学习网络中，并按照步骤(2-3)依次计算损失值；
(2-6)若步骤(2-5)中得到的损失值未达到设定阈值，则通过梯度下降法将步骤(2-5)获得交叉熵损失值逐层反向传播更新权重，并重复步骤(2-2)；
(2-7)若步骤(2-5)中的损失值达到设定阈值，则输出训练完成的深度学习网络模型。
5.根据权利要求4所述一种基于深度学习的血管介入机器人自动手术方法，其特征在于所述步骤(2-1)中的马尔科夫链式的数组是指一种离散的数组表现形式，是将步骤(1-3)所获得训练数据的时序打乱形成；由于医生的操作编码对应一张实时图像，因此，手术过程则是由多组连续的有时序的医生的操作编码和一张实时图像代表，但这个无法用作训练，因为连续操作数据直接拿来训练会造成严重的过拟合现象，所以需要将连续操作数据的时序打乱，形成马尔科夫链式的数组，防止训练过程中过...
【专利技术属性】
技术研发人员：郭健，郭书祥，冯苏湘，
申请(专利权)人：天津理工大学，
类型：发明
国别省市：天津;12
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。