申请/专利权人：中国科学院西安光学精密机械研究所

申请日：2023-12-26

公开（公告）日：2024-03-29

公开（公告）号：CN117788797A

主分类号：G06V10/25

分类号：G06V10/25;G06V10/774;G06V10/764;G06V10/82;G06N3/0464;G06N3/09

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.16#实质审查的生效;2024.03.29#公开

摘要：本发明涉及甲状腺组织的识别方法及系统，具体涉及一种基于高光谱图像的甲状腺组织识别方法及系统，解决了现有甲状腺组织识别方法针对甲状腺组织的快速识别能力不足，或者时效性较差、对于人力依赖较高的技术问题。本发明将高光谱数据处理和术中甲状腺组织组织识别有机结合在一起，建立了基于卷积和数字化表征的甲状腺组织图谱特征提取算法，通过实时处理进行大数据模型训练，将python算法集成于采集分析软件，实现对甲状腺组织的自动化快速识别，具有快速、便捷、自动化程度高等优点，大幅提高了术中诊断的速度，有利于手术过程中的快速准确决策；同时可以将数据采集与分析同步进行，进一步提高了甲状腺高光谱数据分类诊断的效率。

主权项：1.一种基于高光谱图像的甲状腺组织识别方法，其特征在于，包括以下步骤：步骤1、获得多个离体甲状腺组织的高光谱图像数据，得到由多组原始甲状腺组织医学影像数据构成的原始甲状腺组织医学影像数据集；步骤2、截取每组原始甲状腺组织医学影像数据中的有效区域，然后对其进行数据标注，得到标签甲状腺组织医学影像数据集；步骤3、对标签甲状腺组织医学影像数据集进行预处理，得到甲状腺组织高光谱数据集，然后将甲状腺组织高光谱数据集分为训练集、验证集和测试集；步骤4、构建神经网络模型，并使用神经网络模型提取训练集的特征向量和识别数据；步骤5、根据训练集的数据标注，采用监督学习算法对步骤4得到的特征向量和识别数据进行训练，得到训练模型，然后使用交叉熵函数计算训练损失；步骤6、使用验证集对训练模型进行评估和测试，根据验证集的数据标注计算评估和测试结果中评估指标的准确率；然后根据评估指标的准确率和步骤5得到的训练损失，对训练模型的性能进行调整和选择，获得优化模型；步骤7、使用优化模型，对测试集进行识别并输出识别结果。

全文数据：

权利要求：

百度查询： 中国科学院西安光学精密机械研究所 一种基于高光谱图像的甲状腺组织识别方法及系统

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。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD