一种微创手术器械类别及位置检测方法与系统技术方案

本发明专利技术公开了一种微创手术器械类别及位置检测方法和系统，涉及深度学习与计算机视觉技术领域，所述方法包括：采集微创手术过程图像数据集并进行人工标注；构建Soft

【技术实现步骤摘要】
一种微创手术器械类别及位置检测方法与系统


[0001]本专利技术涉及深度学习与计算机视觉
，具体涉及一种微创手术器械类别及位置检测方法和系统。

技术介绍

[0002]微创手术(Minimally Invasive Surgery,MIS)是指在手术过程中，使用各种特制的手术器械通过一个小切口插入到病人身体中进行操作的一类手术。与传统在腹部或胸部做切口进行的开放性手术不同，外科医生通过在病人体内的摄像头回传的实时画面，确定病人病患位置，进而实施手术操作。因为MIS具有更快的恢复速度，更低的疼痛指数等特点，被广泛用于各种外科手术中。但独特的手术器械操作方式和通过摄像头间接观察病人患处给腹腔镜手术带来了前所未有的挑战。这些挑战包括医生缺乏对深度的感知、缺乏触觉感知信息与手术器械的运动范围有限等。因此，外科医生需要经过大量的特殊训练才能达到所要求的熟练程度，而手术过程视频是医生学习训练的重要资源。
[0003]虽然微创手术视频蕴藏着巨大的研究价值，但是挖掘这些价值也是一项富有挑战性的工作，因为手术过程中出现的血迹、不稳定的光线照明、由于呼本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种微创手术器械类别及位置检测方法，其特征在于，包括：S1：采集微创手术过程视频和图像数据集并进行人工标注；S2：构建Soft
‑
ANL
‑
RCNN网络模型，所述Soft
‑
ANL
‑
RCNN网络模型以resnet101网络为骨干网络提取图像特征，采用非对称Non
‑
local结构对提取的特征图进行融合并挖掘特征图中的长距离信息，采用Soft
‑
NMS网络进行非极大值抑制处理；S3：通过标注后的数据集对步骤S2中的模型进行训练以获取最佳模型参数；S4：将待检测图像输入模型中，对图像中的手术器械类别及位置进行检测。2.根据权利要求1所述的微创手术器械类别及位置检测方法，其特征在于，所述方法还包括采用Faster RCNN网络生成候选区并对候选区域进行检测和分类。3.根据权利要求2所述的微创手术器械类别及位置检测方法，其特征在于，所述Faster RCNN网络中RPN的损失函数如公式（1）所示：
ꢀꢀꢀꢀꢀꢀ
（1）其中p
i
为第i个anchor的预测分类置信度，p
i
*为真实数据，正样本时为1，负样本时为0，N
cls
为batch size的值，N
reg
为anchor location的数目，L
cls
为类别损失，L
reg
为回归损失，λ1用于调节L
cls
和L
reg
的权重，第i个anchor的参数化坐标为t
i
，第i个anchor对应的真实框参数化坐标为t
i
*；t
i
与t
i
*的形式如公式（2）所示：
ꢀꢀꢀ
（2）其中，x，y，w，h分别代表预测框的中心点坐标、宽度以及高度；以字母x为例，x，x
a
，x*分别对应预测框、anchor以及真实值的中心点坐标，其他三个字母同理。4.根据权利要求1所述的微创手术器械类别及位置检测方法，其特征在于，步骤S2中所述resnet101骨干网络包括Stage1、Stage2、Stage3、Stage4、Stage5五个阶段，获得五个特征图，且Stage3、Stage4、Stage5三个阶段之间的池化层用空洞卷积代替，用于获得相同尺寸的特征图。5.根据权利要求1所述的微创手术器械类别及位置检测方法，其特征在于，步骤S2中所述非对称Non
...

【专利技术属性】
技术研发人员：王旭，吴春，王生生，徐勇，尤天舒，富倩，
申请(专利权)人：吉林建筑大学，
类型：发明
国别省市：