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