用于手术中血管、淋巴结和神经的识别方法及系统技术方案

本发明专利技术公开了用于手术中血管、淋巴结和神经的识别方法及系统，涉及计算机技术领域，方法包括S1获取手术视频，标记并建立血管样本数据库、淋巴样本数据库和神经样本数据库；S2构建初始识别模型；S3训练初始识别模型，得到血管识别模型、淋巴识别模型和神经识别模型；S4采集手术视频，识别并勾勒出血管、淋巴和神经的轮廓；S5可视化展示手术视频和轮廓给术者；系统包括采集模块、中央处理器和显示模块；采用人工智能计算机模型实时识别腹腔镜手术视野下的血管、淋巴及神经结构，结合可视化显示功能，为术者提供了切除和规避对应血管、淋巴结及神经的指引，指导术者合理的识别与切除血管和淋巴结，对无需切除的血管和淋巴结规避，辅助手术顺利进行。辅助手术顺利进行。辅助手术顺利进行。

【技术实现步骤摘要】
用于手术中血管、淋巴结和神经的识别方法及系统


[0001]本专利技术涉及计算机
，尤其涉及一种用于手术中血管、淋巴结和神经的识别方法及系统。

技术介绍

[0002]手术过程中，由于解剖结构的复杂性和术者的主观因素影响，血管、淋巴结和神经的切除和损伤相对比较常见。不当的损伤或切除失误极有可能导致术后并发症，不利于患者康复，影响患者的生存质量。

技术实现思路

[0003]本专利技术的目的就在于为了解决上述问题设计了一种用于手术中血管、淋巴结和神经的识别方法及系统。
[0004]本专利技术通过以下技术方案来实现上述目的：用于手术中血管、淋巴结和神经的识别方法，包括：S1、获取多种术式的手术视频，并标记手术阶段以及视野下的血管、淋巴和神经，建立血管样本数据库、淋巴样本数据库和神经样本数据库；S2、构建三个初始识别模型，每个初始识别模型为包括FPN神经网络和多特征提取神经网络，FPN神经网络为自底向上、自顶向下和横向连接的网络结构，多特征提取神经网络包括四层池化注意力层，四层池化注意力层连接形成自底向上的下采样结构，FPN神经网络的自底向上的层数为四层，一层池化注意力层与一层自底向上的下采样层对应，上一池化注意力层与上一下采样层的输出均作为下一下采样层的输入；S3、血管样本数据库导入初始识别模型并对其进行训练优化，得到血管识别模型；淋巴样本数据库导入初始识别模型并对其进行训练优化，得到淋巴识别模型；神经样本数据库导入初始识别模型并对其进行训练优化，得到神经识别模型；S4、实时采集手术视频，并分别导入血管识别模型、淋巴识别模型和神经识别模型，得到血管识别结果、淋巴识别结果和神经识别结果，并勾勒出血管识别结果、淋巴识别结果和神经识别结果的轮廓；S5、可视化展示手术视频和轮廓给术者。
[0005]用于手术中血管、淋巴结和神经的识别系统，包括：用于实时采集手术视频的采集模块；中央处理器；中央处理器用于分析手术视频识别血管、淋巴和神经，并将得到血管识别结果、淋巴识别结果和神经识别结果标注在手术视频中；显示模块；显示模块用于显示标注后的手术视频给术者。
[0006]本专利技术的有益效果在于：采用人工智能计算机模型实时识别腹腔镜手术视野下的血管、淋巴及神经结构，同时结合可视化显示功能，为术者提供了切除和规避对应血管、淋巴结及神经的指引，从而指导术者合理的识别与切除血管和淋巴结等结构，以及对无需切
除的血管和淋巴结的规避，辅助手术顺利进行。
附图说明
[0007]图1是本专利技术用于手术中血管、淋巴结和神经的识别方法的流程示意图；图2是本专利技术中识别模型的结构示意图；图3是本专利技术中多特征提取神经网络的结构示意图。
具体实施方式
[0008]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本专利技术实施例的组件可以以各种不同的配置来布置和设计。
[0009]因此，以下对在附图中提供的本专利技术的实施例的详细描述并非旨在限制要求保护的本专利技术的范围，而是仅仅表示本专利技术的选定实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0010]应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
[0011]在本专利技术的描述中，需要理解的是，术语“上”、“下”、“内”、“外”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该专利技术产品使用时惯常摆放的方位或位置关系，或者是本领域技术人员惯常理解的方位或位置关系，仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的设备或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本专利技术的限制。
[0012]此外，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0013]在本专利技术的描述中，还需要说明的是，除非另有明确的规定和限定，“设置”、“连接”等术语应做广义理解，例如，“连接”可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接连接，也可以通过中间媒介间接连接，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本专利技术中的具体含义。
[0014]下面结合附图，对本专利技术的具体实施方式进行详细说明。
[0015]如图1、图2、图3所示，用于手术中血管、淋巴结和神经的识别方法，包括：S1、获取多种术式的手术视频，并标记手术阶段以及视野下的血管、淋巴和神经，建立血管样本数据库、淋巴样本数据库和神经样本数据库；S2、构建三个初始识别模型，每个初始识别模型为包括FPN神经网络和多特征提取神经网络，FPN神经网络为自底向上、自顶向下和横向连接的网络结构，多特征提取神经网络包括四层池化注意力层，四层池化注意力层连接形成自底向上的下采样结构，FPN神经网络的自底向上的层数为四层，一层池化注意力层与一层自底向上的下采样层对应，上一池化注意力层与上一下采样层的输出均作为下一下采样层的输入；
S3、血管样本数据库导入初始识别模型并对其进行训练优化，得到血管识别模型；淋巴样本数据库导入初始识别模型并对其进行训练优化，得到淋巴识别模型；神经样本数据库导入初始识别模型并对其进行训练优化，得到神经识别模型；S4、实时采集手术视频，并分别导入血管识别模型、淋巴识别模型和神经识别模型，得到血管识别结果、淋巴识别结果和神经识别结果，并勾勒出血管识别结果、淋巴识别结果和神经识别结果的轮廓；S5、可视化展示手术视频和轮廓给术者。
[0016]每层池化注意力层均池化层和第一自注意力层，池化层的输出作为第一自注意力层的输入，第一自注意力层通过局部聚集对手术图像进行下采样并计算全局自我注意力。
[0017]多特征提取神经网络还包括四层第二自注意力层，第二自注意力层通过将输入划分为非重叠窗口以及计算每个窗口内的局部自我注意力，第二自注意力层的输出作为FPN神经网络的输入。
[0018]多特征提取神经网络还包括三层混合窗口层，一层混合窗口层用于计算一个窗口内的局部关注度，除混合窗口层的最后一个块之外，混合窗口层的输出作为FPN神经网络的输入。
[0019]池化注意力层对于任意输入序列，对其进行线性投影，会得到Q、K、V三个张量，表示为；分别对三个张量依次进行池化处理和注意力计算，并将相对位置的信息纳入到了注意力计算中，注意力计算表示为，将元素和之间的距离计算沿时空轴分解表示为，其中h和w分别代表垂直和水平方向。
[0020]用于手术中血管、淋巴结和神经的识别系统，包括：用于实时采集手术视频的采集模块；中央处理器；中央处理器用于分析手术视频识别血管、淋巴和神经，并将得到血管识别结果本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.用于手术中血管、淋巴结和神经的识别方法，其特征在于，包括：S1、获取多种术式的手术视频，并标记手术阶段以及视野下的血管、淋巴和神经，建立血管样本数据库、淋巴样本数据库和神经样本数据库；S2、构建三个初始识别模型，每个初始识别模型为包括FPN神经网络和多特征提取神经网络，FPN神经网络为自底向上、自顶向下和横向连接的网络结构，多特征提取神经网络包括四层池化注意力层，四层池化注意力层连接形成自底向上的下采样结构，FPN神经网络的自底向上的层数为四层，一层池化注意力层与一层自底向上的下采样层对应，上一池化注意力层与上一下采样层的输出均作为下一下采样层的输入；S3、血管样本数据库导入初始识别模型并对其进行训练优化，得到血管识别模型；淋巴样本数据库导入初始识别模型并对其进行训练优化，得到淋巴识别模型；神经样本数据库导入初始识别模型并对其进行训练优化，得到神经识别模型；S4、实时采集手术视频，并分别导入血管识别模型、淋巴识别模型和神经识别模型，得到血管识别结果、淋巴识别结果和神经识别结果，并勾勒出血管识别结果、淋巴识别结果和神经识别结果的轮廓；S5、可视化展示手术视频和轮廓给术者。2.根据权利要求1所述的用于手术中血管、淋巴结和神经的识别方法，其特征在于，每层池化注意力层均池化层和第一自注意力层，池化层的输出作为第一自注意力层的输入，第一自注意力层通过局部聚集对手术图像进行下采样并计算全局自我注意力。3.根据权利要求2所述的用于手术中血管、淋巴结和神经的识别方法，其特征在于，多特征提取神经网络还包括四层第二自...

【专利技术属性】
技术研发人员：张涛，刘杰，赵继帆，石歆竹，
申请(专利权)人：成都与睿创新科技有限公司，
类型：发明
国别省市：