【技术实现步骤摘要】
本专利技术涉及眼科仪器和人工智能，尤其涉及一种眼科显微手术器械的尖端的快速识别方法和装置。
技术介绍
1、由于眼科手术操作复杂且眼部结构十分脆弱，眼科手术一旦方法选择不当或者操作失误，将会对眼睛造成永久不可逆的损伤且术后并发症和回退现象困扰病人终生。眼科手术有它自身的独特性(如手术种类繁多、眼科显微手术器械不易辨识等)，使得眼科手术对用到的仪器、器械要求较高，特别是眼科显微手术器械。因此，眼科显微手术器械的管理(包括保存、运输以及清点)是整套眼科手术流程中的重要环节。
2、眼科手术器械在清洗消毒后通常采用人工清点的方式确认器械的名称和数量来规避遗失、混放等问题。这种人工清点的方式要求人工在短时间内分拣大量的眼科手术显微器械，工作量大、重复性高，加之眼科显微手术器械相似性高，在清点时更容易产生人为错捡和漏检的风险。现有的人工清点眼科显微手术器械的模式给医护人员造成巨大的压力。具体而言，若眼科手术显微器械清点不当，轻则导致手术器械保存不合理，降低使用寿命，重则影响手术质量，造成严重的医疗事故。因此，为了解决医院人工清点显微手术器械的痛点，采取有效的图像识别和处理方法在自动清点显微手术器械时具有十分重要的意义。
技术实现思路
1、本专利技术的实施例提供了一种眼科显微手术器械的尖端的快速识别方法和装置，用于解决现有技术中存在的问题。
2、为了实现上述目的，本专利技术采取了如下技术方案。
3、一种眼科显微手术器械的尖端的快速识别方法，包括：
4
5、s2将执行了步骤s1的数据图像输入到具有多个变分自编码器的神经网络模型中，获得不同显微器械尖端部位的潜变量特征；
6、s3根据潜变量特征信息，构建不同尖端部位的差异度信息量化矩阵；
7、s4通过将多个差异度信息量化矩阵和决策树分类算法相结合，对眼科显微手术器械的尖端进行快速识别。
8、优选地，步骤s1中，通过式
9、gray(x)＝0.299·r(x)+0.587·g(x)+0.114·b(x) (1)
10、对数据图像进行灰度化预处理，使得灰度化后的数据图像能够突出包含尖端信息的目标区域；式中，r(x)表示红色亮度值，g(x)表示绿色亮度值，b(x)表示蓝色亮度值，常系数0.299、0.587、0.114分别由人眼对红色、绿色和蓝色这三种颜色的敏感程度决定。
11、优选地，步骤s2包括：
12、将执行了步骤s1的数据图像输入到具有多个变分自编码器的神经网络模型中进行训练，获得最优的变分自编码器的神经网络模型的参数，并且，通过具有多个变分自编码器的神经网络模型中的生成模型和识别模型，将数据图像进行图像重构，提取出尖端部分的潜变量特征；具体包括：
13、s21针对数据图像中不同种类的眼科显微手术器械的图像特征，分别使用不同预设模型参数的具有变分自编码器的神经网络模型进行训练，获得具有针对每种眼科显微手术器械的图像特征的优化参数的神经网络模型，并且，通过获得的具有优化参数的神经网络模型提取出每种眼科显微手术器械的尖端部位的潜变量特征其中，x1i是其中的一张图像，n表示同种眼科显微手术器械尖端数据图像的样本总数，z1j表示其中一个潜变量且获得的潜变量的样本总数与尖端数据图像的样本总数相同；
14、s22通过式
15、pθ(x1|z1)＝n(μ(x1|z1；θ),diag(σ2(x1|z1；θ))) (2)
16、计算获得输入的尖端图像数据x1与获得的潜变量特征z1之间的关系；式中，pθ(x1|z1)为潜变量z1与尖端图像数据x1的条件概率分布的均值和方差，θ代表生成模型的参数，μ(x1|z1；θ)和diag(σ2(x1|z1；θ))分别表示高斯分布的均值向量和协方差矩阵；
17、s23通过式
18、
19、计算获得推断模型qφ(z1|x1)与pθ(z1|x1)的真实分布间近似效果；式中，表示qφ(z1|x1)分布下的logpθ(z1|x1)的期望；
20、s24通过代价函数式
21、
22、计算vae的代价；式中，等号右边第一项为期望误差项，第二项为kl散度项；
23、s25重复多次执行子步骤s24，直至代价函数式(4)收敛，获得具有针对每种眼科显微手术器械的图像特征的最佳参数的神经网络模型，并且，通过获得的具有最佳参数的神经网络模型提取出每种眼科显微手术器械的尖端部位的潜变量特征
24、z＝{z1,z2,…,zm}。
25、优选地，步骤s3包括：
26、s31基于提取获得的每种眼科显微手术器械的尖端部位的潜变量特征
27、z＝{z1,z2,…,zm}，根据图像灰度级进行赋值操作，获得与每种眼科显微手术器械的尖端部位的潜变量特征信息对应的二维矩阵；赋值操作的取值范围为[0,255]之间；
28、s32将子步骤s31获得的二维矩阵进行比较操作，筛选出各个二维矩阵中不同于其他二维矩阵的差异信息，并对差异信息的差异度进行排序；
29、s33基于子步骤s32获得的排序结果，通过式
30、α＝f(a) (5)
31、对应设置差异信息的权重；式中，f(·)代表一个正相关关系的函数；
32、s34基于子步骤s33获得的差异信息的权重，以及子步骤s31获得的二维矩阵，通过式
33、hc＝α·c (6)
34、构建多个眼科显微手术器械的尖端部位的差异度信息量化矩阵。
35、优选地，还包括步骤s0，具体包括：
36、设置用于防止眼科显微手术器械的支架，设置具有固定机位和拍摄角度的摄像机，摄像机用于采集眼科显微手术器械的尖端的数据图像。
37、第二方面，本专利技术提供一种眼科显微手术器械的尖端的快速识别装置，包括：
38、图像预处理模块，用于采集眼科显微手术器械的尖端的数据图像，并对数据图像进行灰度化预处理；
39、特征提取模块，用于将执行了灰度化预处理的数据图像输入到具有多个变分自编码器的神经网络模型中，获得不同显微器械尖端部位的潜变量特征；
40、差异信息量化模块，用于根据潜变量特征信息，构建不同尖端部位的差异度信息量化矩阵；
41、输出模块，用于通过将多个差异度信息量化矩阵和决策树分类算法相结合，对眼科显微手术器械的尖端进行快速识别。
42、优选地，图像预处理模块具体用于：通过式
43、gray(x)＝0.299·r(x)+0.587·g(x)+0.114·b(x) (1)...
【技术保护点】
1.一种眼科显微手术器械的尖端的快速识别方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，步骤S1中，通过式
3.根据权利要求2所述的方法，其特征在于，步骤S2包括：
4.根据权利要求3所述的方法，其特征在于，步骤S3包括：
5.根据权利要求1至4任一所述的方法，其特征在于，还包括步骤S0，具体包括：
6.一种眼科显微手术器械的尖端的快速识别装置，其特征在于，包括：
7.根据权利要求6所述的装置，其特征在于，所述图像预处理模块具体用于：通过式
8.根据权利要求7所述的装置，其特征在于，所述特征提取模块具体用于：
9.根据权利要求8所述的装置，其特征在于，所述差异信息量化模块具体用于：
10.根据权利要求6至9任一所述的装置，其特征在于，还包括图像获取模块，具有摄像机，所述摄像机用于获取眼科显微手术器械的尖端的数据图像；所述摄像机具有固定机位及拍摄角度。
【技术特征摘要】
1.一种眼科显微手术器械的尖端的快速识别方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，步骤s1中，通过式
3.根据权利要求2所述的方法，其特征在于，步骤s2包括：
4.根据权利要求3所述的方法，其特征在于，步骤s3包括：
5.根据权利要求1至4任一所述的方法，其特征在于，还包括步骤s0，具体包括：
6.一种眼科显微手术器械的尖端的快速识别装置，其特征在于，包括...
【专利技术属性】
技术研发人员：杨慧，牟大鹏，马张芳，王影，侯锦，
申请(专利权)人：首都医科大学附属北京同仁医院，
类型：发明
国别省市：
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。