首页 专利交易 科技果 科技人才 科技服务 国际服务 商标交易 会员权益 IP管家助手 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索

一种基于深度学习卷积神经网络的查体辅助系统 

买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!

申请/专利权人:天津医科大学总医院

摘要:本发明提供了一种基于深度学习卷积神经网络的查体辅助系统,包括,采集模块,其被配置为采集初始图像;定位模块,其被配置为从初始图像中识别待检测者;关键点位识别模块,其被配置为识别待检测者的关键点位;查体识别模块,其被配置为根据关键点位的运动轨迹识别待检测者的查体结果。本发明所述的一种基于深度学习卷积神经网络的查体辅助系统,可以加快医生门诊的进行速度,减轻医生负担,对于提升医院运营效率、优化资源配置具有重要意义。

主权项:1.一种基于深度学习卷积神经网络的查体辅助系统,其特征在于,包括:S1、采集模块,其被配置为采集初始图像;S2、定位模块,其被配置为从初始图像中识别待检测者;S3、关键点位识别模块,其被配置为识别待检测者的关键点位;S4、查体识别模块,其被配置为根据关键点位的运动轨迹识别待检测者的查体结果;从初始图像中识别待检测者包括如下步骤:S21、输入初始图像;S22、使用卷积神经网络进行初始图像的特征进行初步提取;S23、利用Inception结构对S22的输出进行处理,进行深度特征编码;S24、将S23的输出送入一个深层残差网络,捕捉更复杂的特征关系;S25、通过全局平均池化层进行空间维度的压缩,将S24得到的特征转换为固定长度的特征向量;S26、利用一个全连接层对特征向量进行分类,通过softmax激活函数识别待检测者;识别待检测者的关键点位包括如下步骤:S31、所有输入图像被调整到固定的分辨率,并进行归一化处理;S32、用从连续的二维关键点坐标预测关键点之间的距离,并进一步转换为三维空间坐标;步骤S31通过输入图像进行特征提取,进行特征融合,包括如下步骤;S312、使用两个3×3卷积核,输出通道数为64,进行卷积操作,保持图像尺寸为512×512,生成Featuremap1;S313、在S312后应用最大池化操作,减少特征图尺寸至256×256;S314、使用3×3卷积核,输出通道数增加至128,进行两次卷积操作,生成Featuremap2;S315、继续使用最大池化,将特征图尺寸降低至128×128;S316、采用3×3卷积核,输出通道数为256,进行两次卷积操作,生成Featuremap3;S317、使用最大池化,特征图尺寸进一步降低至64×64;S318、在64×64的特征图上,使用输出通道为512的3×3卷积核,进行两次卷积操作,生成Featuremap4;S319、再次最大池化后,特征图尺寸缩小至32×32,进行两次卷积操作,进行一次Dropout操作,设置Dropout率为0.5,生成Featuremap5;S3110、在32×32的特征图上,继续使用3×3卷积核,输出通道为512,进行两次卷积操作;S3111、使用双线性插值方法进行上采样,将特征图尺寸增加至64×64,生成Featuremap6;S3112、在Featuremap6上进行两次3×3卷积操作,与Featuremap4进行特征融合,生成Featurefusiondiagram1;S313、继续使用双线性插值上采样至128×128,生成Featuremap7;S314、在Featuremap7上进行两次3×3卷积操作,与Featuremap3进行特征融合,生成Featurefusiondiagram2;S315、双线性插值上采样至256×256,生成Featuremap8;S316、在Featuremap8上进行两次3×3卷积操作,与Featuremap2进行特征融合,生成Featurefusiondiagram3;S317、双线性插值上采样至512×512,生成Featuremap9;S319、在Featuremap9上进行两次3×3卷积操作,生成Featurefusiondiagram4,输出图为512×512×2,其中每个像素点表示对应关键点的概率;步骤S32包括以下步骤:S321、提取S319中每个关键点概率最大的位置,输出每个关键点的二维坐标集;S322、使用LSTM网络接受连续的二维关键点坐标序列,捕获时序数据中的长期依赖关系;S323、采用全连接层作为输出层,输出大小设为1,即预测的两个相邻关键点之间的距离;使用线性激活函数来保持输出的连续性;S324、使用从LSTM网络预测得到的关键点间距离,结合三角函数,计算关键点在三维空间中的位置;S325、使用简单的几何转换方法,将计算得到的三维坐标调整到适合具体应用的坐标系统中;S326、使用带有已知三维关键点坐标的训练数据集来训练LSTM网络,优化模型以准确预测关键点间的距离;S327、采用均方误差作为损失函数,以优化距离预测的准确性。

全文数据:

权利要求:

百度查询: 天津医科大学总医院 一种基于深度学习卷积神经网络的查体辅助系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。