買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉中國人民解放軍總醫院第四醫學中心申請的專利一種距腓前韌帶超聲影像的病灶智能穿刺定位方法及裝置獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN119970169B 。

龍圖騰網通過國家知識產權局官網在2025-09-12發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202510103587.7，技術領域涉及：A61B17/34；該發明授權一種距腓前韌帶超聲影像的病灶智能穿刺定位方法及裝置是由崔成文;李曉;石秀秀;母杰丹;李佳航設計研發完成，并于2025-01-22向國家知識產權局提交的專利申請。

本一種距腓前韌帶超聲影像的病灶智能穿刺定位方法及裝置在說明書摘要公布了：本發明公開了一種距腓前韌帶超聲影像的病灶智能穿刺定位方法及裝置，該方法包括：獲取距腓前韌帶的超聲影像數據集；所述距腓前韌帶的超聲影像數據集包括N個距腓前韌帶的超聲影像數據，N為正整數；對所述距腓前韌帶的超聲影像數據進行預處理，得到預處理超聲影像數據；對所述預處理超聲影像數據進行分割，得到分割超聲影像數據；對所述分割超聲影像數據進行數據增強，得到增強超聲影像數據；利用三維重建模型，對所述增強超聲影像數據進行處理，得到三維重建模型；對所述三維重建模型進行處理，得到穿刺路徑規劃信息。本發明實現了距腓前韌帶的精準識別，提高了穿刺定位的精度。

本發明授權一種距腓前韌帶超聲影像的病灶智能穿刺定位方法及裝置在權利要求書中公布了：1.一種距腓前韌帶超聲影像的病灶智能穿刺定位方法，其特征在于，所述方法包括： S1，獲取距腓前韌帶的超聲影像數據集；所述距腓前韌帶的超聲影像數據集包括N個距腓前韌帶的超聲影像數據，N為正整數； S2，對所述距腓前韌帶的超聲影像數據進行預處理，得到預處理超聲影像數據，包括： S21，對所述距腓前韌帶的超聲影像數據進行數據標注，得到標簽信息數據； S22，對所述距腓前韌帶的超聲影像數據進行去噪處理，得到去噪超聲影像數據，包括： S221，利用第一特征提取模型對所述距腓前韌帶的超聲影像數據進行處理，得到第一特征信息； 第一特征提取模型由兩層Conv網絡組成，第1層包括3×3，1×3，3×1這3個分支不同尺寸和方向的卷積，第2層采用3×3Conv+ReLU操作進一步細化融合后的特征，使用不同尺寸和方向的卷積核可以捕獲更加多樣性的特征，其中Conv的膨脹率都為1； y1＝C1×3x y2＝C3×1x y3＝C3×3x f1＝ReC3×3Caty1,y2,y3 其中，x為距腓前韌帶的超聲影像數據帶噪圖像，C1×3為1×3卷積，C3×1為3×1卷積，C3×3為3×3卷積，y1為1×3卷積的輸出，y2為3×1卷積的輸出，y3為3×3卷積的輸出，f1為第一特征信息，Re表示ReLU激活函數，Cat為融合拼接操作； S222，對所述第一特征信息進行下采樣，得到第二特征信息； S223，利用第二特征提取模型，對所述第二特征信息進行處理，得到第三特征信息； 第二特征提取模型包括第一尺度模型、第二尺度模型、第三尺度模型和第四尺度模型，第一尺度模型、第二尺度模型、第三尺度模型和第四尺度模型等四個模型的結構相同，都由4個交互殘差單元多尺度逐步級聯組合而成，將4個交互殘差單元的數據進行Cat拼接后通過1×1卷積，得到輸出； S224，對所述第三特征信息進行上采樣，得到第四特征信息； S225，利用第三特征提取模型，對所述第四特征信息進行處理，得到第五特征信息； 第三特征提取模型為雙路全局注意力模塊，上分支通過兩個7×7Conv操作提取廣域像素信息，中間設置隱藏層來調整通道數量，提高網絡運行效率，其中隱藏層的通道壓縮比r為8；采用Sigmoid函數捕捉輸入輸出權重關系，并逐通道點乘加權到初始特征；下分支首先通過下采樣操作獲取聚合特征，隨后，采用由兩個1×1Conv組成的多層感知機單元，通過隱藏層調整特征映射，捕獲圖像像素間的多維層次依賴關系，其中壓縮比r與上分支一致；Sigmoid函數將輸出特征濾波至0,1之間，將上下兩個支路的輸出相加，得到第五特征信息； S226，利用卷積模型，對所述第五特征信息進行處理，得到第六特征信息； 卷積模型為3×3卷積； S227，對所述第六特征信息進行處理，得到去噪超聲影像數據，包括： 其中，為去噪超聲影像數據，xr為第六特征信息； S23，對所述去噪超聲影像數據進行對比度增強處理，得到預處理距腓前聲影像數據，包括： S231，對所述去噪超聲影像數據進行分解，得到基礎層數據和細節層數據； 去噪超聲影像數據Ix,y＝基礎層數據Ibx,y+細節層數據Idx,y Ix,y＝Ibx,y+Idx,y 通過最小化以下目標函數得到基礎層數據： 該目標函數包括兩項：第一項是與紋理成分相適應的差分項，用于保留有意義的結構；而第二項是基于總變差的正則化項，這將限制圖像細節在細節層，表示梯度運算符，λ在設置為全局噪聲估計σ的2倍，即λ＝2σ； 全局噪聲估計σ計算為： 其中*表示卷積運算符，W和H分別是圖像Ix,y的寬度和高度，N為卷積模板，定義為 S232，對所述基礎層數據進行光照均衡化處理，得到增強基礎層數據； 將Ibx,y轉換到HSI顏色空間，得到強度層Iix,y，Iix,y＝Lx,y·Rx,y，Lx,y為光照分量，Rx,y為反射分量； 增強后的光照分量為 Lex,y＝Lx,y·Lsigx,y Lex,y為增強后的光照分量，rmin和rmax分別表示反射射分量的最小值和最大值，α＝0.5～7.5，β＝0.002～0.014； 增強后的反射分量為 Rex,y＝cRx,yγ 其中c是一個的常數，c＝0.3和γ＝0.6； Ii′x,y＝Lex,y·Rex,y 其中，Ii′x,y為增強后的強度層，將Ii′x,y轉換到RGB空間，得到增強基礎層數據； S233，對所述細節層數據進行增強處理，得到增強細節層數據； ωx,y＝|Idx,y|*Gx,y 其中*表示卷積運算符，Gx,y表示高斯濾波器，定義為 取高斯標準差δ＝21，ωx,y為增強細節層數據，x,y為像素的坐標； S234，對所述增強基礎層數據和所述增強細節層數據進行合成，得到預處理距腓前聲影像數據； S3，對所述預處理超聲影像數據進行分割，得到分割超聲影像數據； S4，對所述分割超聲影像數據進行數據增強，得到增強超聲影像數據，包括： S41，利用預設的生成器網絡，對標簽信息數據和隨機噪聲進行處理，得到生成圖像； S42，對所述分割超聲影像數據和所述生成圖像進行處理，得到循環相關系數； 其中，i，j表示像素點的位置，m，n是圖像長和寬，V1i,j為分割超聲影像數據，V2i,j為生成圖像； S43，利用所述循環相關系數，對預設的判別器網絡和預設的生成器網絡進行對抗訓練，得到優化判別器網絡和優化生成器網絡； S431，將隨機噪聲和標簽信息數據輸入到生成器網絡G中得到生成圖像，固定判別器網絡D，分別計算生成圖像與標簽信息數據的循環互相關系數，選取上述循環互相關系數的最大值改進損失函數，優化生成器網絡G參數； S432，接著固定生成器網絡G，同時將生成圖像、真實圖像和標簽信息數據輸入到判別器網絡D中，判斷圖像的真假，并根據圖像與標簽圖像的循環互相關系數最大值改進損失函數； S433，將結果反饋到生成器網絡G和判別器網絡D中，更新參數，反復執行上述步驟，使兩者損失函數達到平衡，減少了生成圖像與標簽不匹配的情況； S44，利用所述優化生成器網絡，對標簽信息數據和隨機噪聲進行處理，得到擴增圖像； 在圖像擴增時，將原始數據集中各標簽內的循環互相關系數平均值作為閾值，當生成圖像與對應標簽圖像之間的循環互相關系數超過此閾值時輸出圖像，得到擴增圖像； S45，對所述擴增圖像和所述分割超聲影像數據進行整合，得到增強超聲影像數據； S5，利用三維重建模型，對所述增強超聲影像數據進行處理，得到三維重建模型； S6，對所述三維重建模型進行處理，得到穿刺路徑規劃信息，包括： S61，對所述三維重建模型進行解析，得到起始點坐標信息和終止點坐標信息； S62，設置路徑規劃問題代價函數和約束條件； S63，利用Logistic混沌映射生成粒子群的初始種群； S64，利用人工蜂群算法進行迭代搜索，更新個體位置使其朝著更低適應度值的方向移動； S65，采用混沌映射對局部解空間進行搜索，使其跳出局部最優值； S66，重復S64、S65，直到達到最大迭代次數或達到適應度值變化閾值； S67，輸出適應度最優值，得到穿刺路徑規劃信息。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人中國人民解放軍總醫院第四醫學中心，其通訊地址為：100048 北京市海淀區阜成路51號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。