一种生物组织识别模型构建方法、装置及电子设备 专利技术说明

计算;推算;计数设备的制造及其应用技术1.本发明涉及医学技术领域，尤其涉及一种生物组织识别模型构建方法、装置及电子设备。背景技术：2.脊柱相关疾病一直是威胁国民健康的重要危险因素之一，主要包括腰椎间盘突出症、腰椎管狭窄症等。3.脊柱微创手术的风险较传统开放手术更低，但较为依赖主刀医生经验，同时由于视野狭窄、镜下没有“手感”等限制。目前已有术中使用的超声探头(如肝脏)，但较为粗大，无法通过脊柱微创通道；在胃肠镜、血管内导管中有应用微型超声探头的案例，但其为侧扫或环扫探头，且仅能辨别特定的组织结构如胃肠壁、血管壁等，且扫查范围小，形态复原困难，仅用于判定病变性质和范围。4.因此，提出一种生物组织识别模型构建方法、装置及电子设备。技术实现要素：5.本说明书提供一种生物组织识别模型构建方法、装置及电子设备，实现脊柱内镜下的组织的识别，以及提高脊柱内镜下的组织的识别效率。6.本说明书提供一种生物组织识别模型构建方法，包括：7.获取生物组织训练样本信息、生物组织支撑样本信息，所述生物组织训练样本信息包括生物组织训练样本图像、训练样本组织类型；8.将所述生物组织训练样本进行分解，得到所述生物组织训练样本图像的特点；9.构建所述生物组织训练样本图像的特点与所述训练样本组织类型之间的映射关系；10.利用若干个所述映射关系对生物组织识别模型进行训练，得到所述生物组织识别模型的初始参数；11.将所述生物组织支撑样本信息输入至配置有所述初始参数的所述生物组织识别模型中进行参数微调，得到优化后的所述生物组织识别模型。12.可选的，所述训练样本组织类型包括骨头、肌肉、脂肪、血管。13.可选的，所述生物组织支撑样本信息包括生物组织支撑样本图像、支撑样本组织类型，所述支撑样本组织类型包括神经、髓核、纤维环、脊髓。14.可选的，所述将所述生物组织训练样本进行分解，得到所述生物组织训练样本图像的特点，包括：15.利用一维哈尔小波变换对所述生物组织训练样本进行小波分解，得到所述生物组织训练样本图像的信号特征。16.可选的，所述将所述生物组织支撑样本信息输入至配置有所述初始参数的所述生物组织识别模型中进行参数微调，得到优化后的所述生物组织识别模型，包括：17.将所述生物组织支撑样本进行分解，得到所述生物组织支撑样本图像的特点；18.构建所述生物组织支撑样本图像的特点与所述支撑样本组织类型之间的映射关系；19.利用若干个所述映射关系对生物组织识别模型进行优化，得到所述生物组织识别模型的优化参数；20.基于所述优化参数确定优化后的所述生物组织识别模型。21.可选的，所述基于所述优化参数确定优化后的所述生物组织识别模型之后，包括：22.通过微型超高频超声探头获取待识别生物组织图像；23.将所述待识别生物组织图像输入至所述优化后的所述生物组织识别模型，得到生物组织类型。24.本说明书提供一种生物组织识别模型构建装置，包括：25.获取模块，用于获取生物组织训练样本信息、生物组织支撑样本信息，所述生物组织训练样本信息包括生物组织训练样本图像、训练样本组织类型；26.分解模块，用于将所述生物组织训练样本进行分解，得到所述生物组织训练样本图像的特点；27.构建模块，用于构建所述生物组织训练样本图像的特点与所述训练样本组织类型之间的映射关系；28.训练模块，用于利用若干个所述映射关系对生物组织识别模型进行训练，得到所述生物组织识别模型的初始参数；29.微调模块，用于将所述生物组织支撑样本信息输入至配置有所述初始参数的所述生物组织识别模型中进行参数微调，得到优化后的所述生物组织识别模型。30.可选的，所述训练样本组织类型包括骨头、肌肉、脂肪、血管。31.可选的，所述生物组织支撑样本信息包括生物组织支撑样本图像、支撑样本组织类型，所述支撑样本组织类型包括神经、髓核、纤维环、脊髓。32.可选的，所述分解模块，包括：33.利用一维哈尔小波变换对所述生物组织训练样本进行小波分解，得到所述生物组织训练样本图像的信号特征。34.可选的，所述微调模块，包括：35.将所述生物组织支撑样本进行分解，得到所述生物组织支撑样本图像的特点；36.构建所述生物组织支撑样本图像的特点与所述支撑样本组织类型之间的映射关系；37.利用若干个所述映射关系对生物组织识别模型进行优化，得到所述生物组织识别模型的优化参数；38.基于所述优化参数确定优化后的所述生物组织识别模型。39.可选的，所述基于所述优化参数确定优化后的所述生物组织识别模型之后，包括：40.通过微型超高频超声探头获取待识别生物组织图像；41.将所述待识别生物组织图像输入至所述优化后的所述生物组织识别模型，得到生物组织类型。42.本说明书还提供一种电子设备，其中，该电子设备包括：43.处理器；以及，44.存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行上述任一项方法。45.本说明书还提供一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现上述任一项方法。46.本说明书中，利用小样本学习训练生物组织识别模型，通过容易获取的大量数据完成生物组织识别模型的训练，再利用难获取的少量数据优化生物组织识别模型。再利用微型超高频超声探头与优化后的生物组织识别模型在常规内镜操作通道，对脊柱内镜下的组织进行扫查，实现脊柱内镜下的组织的识别，以及提高脊柱内镜下的组织的识别效率。附图说明47.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。48.图1为本说明书实施例提供的一种生物组织识别模型构建方法的原理示意图；49.图2为本说明书实施例提供的一种生物组织识别模型构建装置的结构示意图；50.图3为本说明书实施例提供的一种电子设备的结构示意图；51.图4为本说明书实施例提供的一种计算机可读介质的原理示意图。具体实施方式52.以下描述用于揭露本发明以使本领域技术人员能够实现本发明。以下描述中的优选实施例只作为举例，本领域技术人员可以想到其他显而易见的变型。在以下描述中界定的本发明的基本原理可以应用于其他实施方案、变形方案、改进方案、等同方案以及没有背离本发明的精神和范围的其他技术方案。53.以下结合附图1-4更全面地描述本发明的示例性实施例。然而，示例性实施例能够以多种形式实施，且不应被理解为本发明仅限于在此阐述的实施例。相反，提供这些示例性实施例能够使得本发明更加全面和完整，更加便于将发明构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的元件、组件或部分，因而将省略对它们的重复描述。54.在符合本发明的技术构思的前提下，在某个特定的实施例中描述的特征、结构、特性或其他细节不排除可以以合适的方式结合在一个或更多其他的实施例中。55.在对于具体实施例的描述中，本发明描述的特征、结构、特性或其他细节是为了使本领域的技术人员对实施例进行充分理解。但是，并不排除本领域技术人员可以实践本发明的技术方案而没有特定特征、结构、特性或其他细节的一个或更多。56.附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。57.附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。58.术语“和/或”或者“及/或”包括相关联的列出项目中的任一个或多者的所有组合。59.图1为本说明书实施例提供的一种生物组织识别模型构建方法的原理示意图，该方法可以包括：60.s110：获取生物组织训练样本信息、生物组织支撑样本信息，所述生物组织训练样本信息包括生物组织训练样本图像、训练样本组织类型；61.可选的，所述训练样本组织类型包括骨头、肌肉、脂肪、血管。62.可选的，所述生物组织支撑样本信息包括生物组织支撑样本图像、支撑样本组织类型，所述支撑样本组织类型包括神经、髓核、纤维环、脊髓。63.在本说明书具体实施方式中，小样本学习(few-shot learning fsl)是一类机器学习方法，而现有的机器学习和深度学习任务都依赖于大量的标注数据来训练。而人类的学习过程并不是这样的，人类可以利用过去学得的知识，在新的问题上只需要少量的样例就可以学得很好。小样本学习就是这样一个过程，期待像人类一样，能利用一些先验知识，在新的问题上只需要少量样本。现有的小样本学习方法应用领域聚焦于图像方面，广泛应用在图像分类、强化学习等问题上，在生物组织类型确定方面尚存诸多问题，而且缺乏成熟的模型。64.收集大量的骨头、肌肉、脂肪、血管等剖面图及标注其类型，收集少量的神经、纤维环、脊髓等剖面图及标注其类型。骨头、肌肉、脂肪、血管等相对来说，较为表层，比较容易获取；同时，骨头、肌肉、脂肪、血管等形状、大小等也容易获取，所以才用大量的骨头、肌肉、脂肪、血管等数据作为生物组织训练样本信息。神经、髓核、纤维环、脊髓等数据，由于在人体脊柱通道内，获取难度较大，也较难分辨，能够得到的数据量较少，作为生物组织支撑样本信息。65.s120：将所述生物组织训练样本进行分解，得到所述生物组织训练样本图像的特点；66.可选的，所述将所述生物组织训练样本进行分解，得到所述生物组织训练样本图像的特点，包括：67.利用一维哈尔小波变换对所述生物组织训练样本进行小波分解，得到所述生物组织训练样本图像的信号特征。68.在本说明书具体实施方式中，利用一维哈尔小波变换对生物组织训练样本的超声扫查信号进行小波分解，得到各个生物组织训练样本的信号特征。生物组织训练样本图像包括组织在扫查深度的范围。69.s130：构建所述生物组织训练样本图像的特点与所述训练样本组织类型之间的映射关系；70.s140：利用若干个所述映射关系对生物组织识别模型进行训练，得到所述生物组织识别模型的初始参数；71.s150：将所述生物组织支撑样本信息输入至配置有所述初始参数的所述生物组织识别模型中进行参数微调，得到优化后的所述生物组织识别模型。72.可选的，所述将所述生物组织支撑样本信息输入至配置有所述初始参数的所述生物组织识别模型中进行参数微调，得到优化后的所述生物组织识别模型，包括：73.将所述生物组织支撑样本进行分解，得到所述生物组织支撑样本图像的特点；74.构建所述生物组织支撑样本图像的特点与所述支撑样本组织类型之间的映射关系；75.利用若干个所述映射关系对生物组织识别模型进行优化，得到所述生物组织识别模型的优化参数；76.基于所述优化参数确定优化后的所述生物组织识别模型。77.在本说明书具体实施方式中，利用一维哈尔小波变换对生物组织支撑样本的超声扫查信号进行小波分解，得到各个生物组织支撑样本的信号特征。生物组织支撑样本图像包括组织在扫查深度的范围。例如：髓核、脊柱的信号特征包括匀质且声阻抗小；神经的信号特征包括点状面且声阻抗小；纤维环的信号特征包括声阻抗大。78.可选的，所述基于所述优化参数确定优化后的所述生物组织识别模型之后，包括：79.通过微型超高频超声探头获取待识别生物组织图像；80.将所述待识别生物组织图像输入至所述优化后的所述生物组织识别模型，得到生物组织类型。81.在本说明书具体实施方式中，微型超高频超声探头的直径范围在6mm以内，优选方案为4mm；微型超高频超声探头的朝向角度范围为向前扫描及向侧方偏转0°‑60°内扫描，以便于适配脊柱内镜的使用场景，实现沿微创通道对软组织进行超声扫查，尽可能减少操作过程中对人体不必要的损伤。82.通过微型超高频超声探头在常规内镜操作通道，对脊柱内镜下的组织进行扫查。微型超高频超声探头与显像设备通过导线相连，用于激发电脉冲信号，采集由超声回波转换成电脉冲信号，将通过改变超声参数实现相控阵超声波的发射与接收，再通过显像设备对超声检测的内容进行成像。83.本说明书中，利用小样本学习训练生物组织识别模型，通过容易获取的大量数据完成生物组织识别模型的训练，再利用难获取的少量数据优化生物组织识别模型。再利用微型超高频超声探头与优化后的生物组织识别模型在常规内镜操作通道，对脊柱内镜下的组织进行扫查，实现脊柱内镜下的组织的识别，以及提高脊柱内镜下的组织的识别效率。84.图2为本说明书实施例提供的一种生物组织识别模型构建装置的原理示意图，该装置可以包括：85.获取模块10，用于获取生物组织训练样本信息、生物组织支撑样本信息，所述生物组织训练样本信息包括生物组织训练样本图像、训练样本组织类型；86.分解模块20，用于将所述生物组织训练样本进行分解，得到所述生物组织训练样本图像的特点；87.构建模块30，用于构建所述生物组织训练样本图像的特点与所述训练样本组织类型之间的映射关系；88.训练模块40，用于利用若干个所述映射关系对生物组织识别模型进行训练，得到所述生物组织识别模型的初始参数；89.微调模块50，用于将所述生物组织支撑样本信息输入至配置有所述初始参数的所述生物组织识别模型中进行参数微调，得到优化后的所述生物组织识别模型。90.可选的，所述训练样本组织类型包括骨头、肌肉、脂肪、血管。91.可选的，所述生物组织支撑样本信息包括生物组织支撑样本图像、支撑样本组织类型，所述支撑样本组织类型包括神经、髓核、纤维环、脊髓。92.可选的，所述分解模块，包括：93.利用一维哈尔小波变换对所述生物组织训练样本进行小波分解，得到所述生物组织训练样本图像的信号特征。94.可选的，所述微调模块，包括：95.将所述生物组织支撑样本进行分解，得到所述生物组织支撑样本图像的特点；96.构建所述生物组织支撑样本图像的特点与所述支撑样本组织类型之间的映射关系；97.利用若干个所述映射关系对生物组织识别模型进行优化，得到所述生物组织识别模型的优化参数；98.基于所述优化参数确定优化后的所述生物组织识别模型。99.可选的，所述基于所述优化参数确定优化后的所述生物组织识别模型之后，包括：100.通过微型超高频超声探头获取待识别生物组织图像；101.将所述待识别生物组织图像输入至所述优化后的所述生物组织识别模型，得到生物组织类型。102.本发明实施例的装置的功能已经在上述的方法实施例中进行了描述，故本实施例的描述中未详尽之处，可以参见前述实施例中的相关说明，在此不做赘述。103.基于同一发明构思，本说明书实施例还提供一种电子设备。104.下面描述本发明的电子设备实施例，该电子设备可以视为对于上述本发明的方法和装置实施例的具体实体实施方式。对于本发明电子设备实施例中描述的细节，应视为对于上述方法或装置实施例的补充；对于在本发明电子设备实施例中未披露的细节，可以参照上述方法或装置实施例来实现。105.图3为本说明书实施例提供的一种电子设备的结构示意图。下面参照图3来描述根据本发明该实施例的电子设备300。图3显示的电子设备300仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。106.如图3所示，电子设备300以通用计算设备的形式表现。电子设备300的组件可以包括但不限于：至少一个处理单元310、至少一个存储单元320、连接不同系统组件(包括存储单元320和处理单元310)的总线330、显示单元340等。107.其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元310执行，使得所述处理单元310执行本说明书上述处理方法部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元310可以执行如图1所示的步骤。108.所述存储单元320可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(ram)3201和/或高速缓存存储单元3202，还可以进一步包括只读存储单元(rom)3203。109.所述存储单元320还可以包括具有一组(至少一个)程序模块3205的程序/实用工具3204，这样的程序模块3205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。110.总线330可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。111.电子设备300也可以与一个或多个外部设备400(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备300交互的设备通信，和/或与使得该电子设备300能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口350进行。并且，电子设备300还可以通过网络适配器360与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。网络适配器360可以通过总线330与电子设备300的其它模块通信。应当明白，尽管图3中未示出，可以结合电子设备300使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。112.通过以上的实施方式的描述，本领域的技术人员易于理解，本发明描述的示例性实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个计算机可读的存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本发明的上述方法。当所述计算机程序被一个数据处理设备执行时，使得该计算机可读介质能够实现本发明的上述方法，即：如图1所示的方法。113.图4为本说明书实施例提供的一种计算机可读介质的原理示意图。114.实现图1所示方法的计算机程序可以存储于一个或多个计算机可读介质上。计算机可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。115.所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。116.可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、c++等，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。117.综上所述，本发明可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(dsp)等通用数据处理设备来实现根据本发明实施例中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。118.以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，本发明不与任何特定计算机、虚拟装置或者电子设备固有相关，各种通用装置也可以实现本发明。以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。119.本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。120.以上所述仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!