[發(fā)明專利]一種基于可解釋人工智能的外科手術(shù)技能評級方法與系統(tǒng)在審
| 申請?zhí)枺?/td> | 202111287603.0 | 申請日： | 2021-11-02 |
| 公開（公告）號： | CN114170437A | 公開（公告）日： | 2022-03-11 |
| 發(fā)明（設計）人： | 翁瑩;陳珂;張一名 | 申請（專利權(quán)）人： | 翁瑩 |
| 主分類號： | G06V10/46 | 分類號： | G06V10/46;G06V20/40;G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/08;G06Q10/06;G16H30/20 |
| 代理公司： | 寧波市鄞州盛飛專利代理事務所(特殊普通合伙) 33243 | 代理人： | 鮑英彬 |
| 地址： | 315000 浙江*** | 國省代碼： | 浙江;33 |
| 權(quán)利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關(guān)鍵詞： | 一種 基于 可解釋 人工智能 外科手術(shù) 技能 評級 方法 系統(tǒng) | ||
本發(fā)明公開了一種基于可解釋人工智能的外科手術(shù)技能評級方法，涉及人工智能領域，主要包括步驟：獲取手術(shù)的整流視頻，并通過膨脹三維卷積網(wǎng)提取整流視頻各通道下的特征圖集；通過全局平均池化層對各特征圖進行時間維度上的均值化處理并獲取時序均值特征；根據(jù)時序均值特征求取整流視頻中各特征區(qū)域的分類評分；通過將分類評分與整流視頻中對應的特征區(qū)域相關(guān)聯(lián)獲取類別激活圖，并根據(jù)類別激活圖獲取帶有手術(shù)軌跡以及各軌跡段評級的顯著圖。本發(fā)明通過獲取帶有手術(shù)軌跡以及相應評分的熱度顯著圖，從而幫助醫(yī)生能夠清晰的了解自身術(shù)中操作存在的缺陷和不足，從而做出針對性訓練。
技術(shù)領域
本發(fā)明涉及人工智能技術(shù)領域，具體涉及一種基于可解釋人工智能的外科手術(shù)技能評級方法與系統(tǒng)。
背景技術(shù)
目前，對于醫(yī)生外科手術(shù)的技能培訓還停留在老帶新的模式，依靠資深醫(yī)師的手術(shù)經(jīng)驗，對新手醫(yī)生的術(shù)中操作進行指導和糾正。然而由于個人主觀認知的影響，不同醫(yī)師對于術(shù)中操作的理解存在偏差，部分理解可能與正確操作存在偏差，這就導致了其對新手醫(yī)生的指導不夠規(guī)范。新手醫(yī)生還是要在一次又一次的實際操作中發(fā)現(xiàn)自身所存在的錯誤并予以糾正。
這種老帶新的傳統(tǒng)培訓方式顯然已經(jīng)不足以滿足現(xiàn)代醫(yī)學高效、高精度的要求，因此亟需一種更加科學、自主的方法，幫助新手醫(yī)生找出自身手術(shù)操作中不規(guī)范的操作，從而做出針對性的改進。
發(fā)明內(nèi)容
為了更好的幫助醫(yī)生找出自身術(shù)中操作存在的不足點，并對其進行針對性訓練和改進，本發(fā)明提出了一種基于可解釋人工智能的外科手術(shù)技能評級方法，包括步驟：
S1：獲取手術(shù)的整流視頻，并通過膨脹三維卷積網(wǎng)提取整流視頻各通道下的特征圖集；
S2：通過全局平均池化層對各特征圖進行時間維度上的均值化處理并獲取時序均值特征；
S3：根據(jù)時序均值特征求取整流視頻中各特征區(qū)域的分類評分；
S4：通過將分類評分與整流視頻中對應的特征區(qū)域相關(guān)聯(lián)獲取類別激活圖，并根據(jù)類別激活圖獲取帶有手術(shù)軌跡以及各軌跡段評級的顯著圖。
進一步地，所述手術(shù)整流視頻為根據(jù)手術(shù)視頻進行時空維度的下采樣，并以預設提取頻率進行重取樣后，以預設提取頻率相對應的幀率進行等時長的視頻獲取。
進一步地，所述分類評分是根據(jù)各特征圖的時序均值特征進行加權(quán)求和后獲取。
進一步地，所述全局平均池化層之后還連接有全連接層，類別激活圖是根據(jù)全連接層中對應分類的權(quán)重矩陣與相應的特征圖相乘并累加獲得。
進一步地，所述根據(jù)類別激活圖獲取帶有手術(shù)軌跡評級的顯著圖前還包括步驟：
對類別激活圖進行整流視頻規(guī)格下的時空域放大處理；
根據(jù)放大處理后的類激活圖進行熱圖轉(zhuǎn)換獲取顯著圖。
進一步地，所述特征圖集的提取標準包括手術(shù)器材和手術(shù)行為，膨脹三維卷積網(wǎng)需經(jīng)過預訓練獲取，所述預訓練包括：
通過ImageNet和Kinetics中的數(shù)據(jù)集對膨脹三維卷積網(wǎng)進行模型預訓練；
將訓練后膨脹三維卷積網(wǎng)的權(quán)重矩陣集作為初始參數(shù)，通過遷移學習優(yōu)化初始參數(shù)。
以預設權(quán)重矩陣集作為預訓練后膨脹三維卷積網(wǎng)的初始參數(shù)，并通過遷移學習對初始參數(shù)進行優(yōu)化。
進一步地，所述類激活圖的熱圖轉(zhuǎn)換中，根據(jù)各特征區(qū)域中手術(shù)行為和手術(shù)器材的分類評分進行熱度轉(zhuǎn)換。
本發(fā)明還提出了一種基于可解釋人工智能的外科手術(shù)技能評級系統(tǒng)，包括：
特征提取模塊，用于根據(jù)手術(shù)的整流視頻，通過膨脹三維卷積網(wǎng)提取整流視頻各通道下的特征圖集；
該專利技術(shù)資料僅供研究查看技術(shù)是否侵權(quán)等信息，商用須獲得專利權(quán)人授權(quán)。該專利全部權(quán)利屬于翁瑩，未經(jīng)翁瑩許可，擅自商用是侵權(quán)行為。如果您想購買此專利、獲得商業(yè)授權(quán)和技術(shù)合作，請聯(lián)系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202111287603.0/2.html，轉(zhuǎn)載請聲明來源鉆瓜專利網(wǎng)。
