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！

龙图腾网获悉中国人民解放军总医院第四医学中心申请的专利一种距腓前韧带超声影像的病灶智能穿刺定位方法及装置获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119970169B 。

龙图腾网通过国家知识产权局官网在2025-09-12发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510103587.7，技术领域涉及：A61B17/34；该发明授权一种距腓前韧带超声影像的病灶智能穿刺定位方法及装置是由崔成文;李晓;石秀秀;母杰丹;李佳航设计研发完成，并于2025-01-22向国家知识产权局提交的专利申请。

本一种距腓前韧带超声影像的病灶智能穿刺定位方法及装置在说明书摘要公布了：本发明公开了一种距腓前韧带超声影像的病灶智能穿刺定位方法及装置，该方法包括：获取距腓前韧带的超声影像数据集；所述距腓前韧带的超声影像数据集包括N个距腓前韧带的超声影像数据，N为正整数；对所述距腓前韧带的超声影像数据进行预处理，得到预处理超声影像数据；对所述预处理超声影像数据进行分割，得到分割超声影像数据；对所述分割超声影像数据进行数据增强，得到增强超声影像数据；利用三维重建模型，对所述增强超声影像数据进行处理，得到三维重建模型；对所述三维重建模型进行处理，得到穿刺路径规划信息。本发明实现了距腓前韧带的精准识别，提高了穿刺定位的精度。

本发明授权一种距腓前韧带超声影像的病灶智能穿刺定位方法及装置在权利要求书中公布了：1.一种距腓前韧带超声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，获取距腓前韧带的超声影像数据集；所述距腓前韧带的超声影像数据集包括N个距腓前韧带的超声影像数据，N为正整数； S2，对所述距腓前韧带的超声影像数据进行预处理，得到预处理超声影像数据，包括： S21，对所述距腓前韧带的超声影像数据进行数据标注，得到标签信息数据； S22，对所述距腓前韧带的超声影像数据进行去噪处理，得到去噪超声影像数据，包括： S221，利用第一特征提取模型对所述距腓前韧带的超声影像数据进行处理，得到第一特征信息； 第一特征提取模型由两层Conv网络组成，第1层包括3×3，1×3，3×1这3个分支不同尺寸和方向的卷积，第2层采用3×3Conv+ReLU操作进一步细化融合后的特征，使用不同尺寸和方向的卷积核可以捕获更加多样性的特征，其中Conv的膨胀率都为1； y1＝C1×3x y2＝C3×1x y3＝C3×3x f1＝ReC3×3Caty1,y2,y3 其中，x为距腓前韧带的超声影像数据带噪图像，C1×3为1×3卷积，C3×1为3×1卷积，C3×3为3×3卷积，y1为1×3卷积的输出，y2为3×1卷积的输出，y3为3×3卷积的输出，f1为第一特征信息，Re表示ReLU激活函数，Cat为融合拼接操作； S222，对所述第一特征信息进行下采样，得到第二特征信息； S223，利用第二特征提取模型，对所述第二特征信息进行处理，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个模型的结构相同，都由4个交互残差单元多尺度逐步级联组合而成，将4个交互残差单元的数据进行Cat拼接后通过1×1卷积，得到输出； S224，对所述第三特征信息进行上采样，得到第四特征信息； S225，利用第三特征提取模型，对所述第四特征信息进行处理，得到第五特征信息； 第三特征提取模型为双路全局注意力模块，上分支通过两个7×7Conv操作提取广域像素信息，中间设置隐藏层来调整通道数量，提高网络运行效率，其中隐藏层的通道压缩比r为8；采用Sigmoid函数捕捉输入输出权重关系，并逐通道点乘加权到初始特征；下分支首先通过下采样操作获取聚合特征，随后，采用由两个1×1Conv组成的多层感知机单元，通过隐藏层调整特征映射，捕获图像像素间的多维层次依赖关系，其中压缩比r与上分支一致；Sigmoid函数将输出特征滤波至0,1之间，将上下两个支路的输出相加，得到第五特征信息； S226，利用卷积模型，对所述第五特征信息进行处理，得到第六特征信息； 卷积模型为3×3卷积； S227，对所述第六特征信息进行处理，得到去噪超声影像数据，包括： 其中，为去噪超声影像数据，xr为第六特征信息； S23，对所述去噪超声影像数据进行对比度增强处理，得到预处理距腓前声影像数据，包括： S231，对所述去噪超声影像数据进行分解，得到基础层数据和细节层数据； 去噪超声影像数据Ix,y＝基础层数据Ibx,y+细节层数据Idx,y Ix,y＝Ibx,y+Idx,y 通过最小化以下目标函数得到基础层数据： 该目标函数包括两项：第一项是与纹理成分相适应的差分项，用于保留有意义的结构；而第二项是基于总变差的正则化项，这将限制图像细节在细节层，表示梯度运算符，λ在设置为全局噪声估计σ的2倍，即λ＝2σ； 全局噪声估计σ计算为： 其中*表示卷积运算符，W和H分别是图像Ix,y的宽度和高度，N为卷积模板，定义为 S232，对所述基础层数据进行光照均衡化处理，得到增强基础层数据； 将Ibx,y转换到HSI颜色空间，得到强度层Iix,y，Iix,y＝Lx,y·Rx,y，Lx,y为光照分量，Rx,y为反射分量； 增强后的光照分量为 Lex,y＝Lx,y·Lsigx,y Lex,y为增强后的光照分量，rmin和rmax分别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； 增强后的反射分量为 Rex,y＝cRx,yγ 其中c是一个的常数，c＝0.3和γ＝0.6； Ii′x,y＝Lex,y·Rex,y 其中，Ii′x,y为增强后的强度层，将Ii′x,y转换到RGB空间，得到增强基础层数据； S233，对所述细节层数据进行增强处理，得到增强细节层数据； ωx,y＝|Idx,y|*Gx,y 其中*表示卷积运算符，Gx,y表示高斯滤波器，定义为 取高斯标准差δ＝21，ωx,y为增强细节层数据，x,y为像素的坐标； S234，对所述增强基础层数据和所述增强细节层数据进行合成，得到预处理距腓前声影像数据； S3，对所述预处理超声影像数据进行分割，得到分割超声影像数据； S4，对所述分割超声影像数据进行数据增强，得到增强超声影像数据，包括： S41，利用预设的生成器网络，对标签信息数据和随机噪声进行处理，得到生成图像； S42，对所述分割超声影像数据和所述生成图像进行处理，得到循环相关系数； 其中，i，j表示像素点的位置，m，n是图像长和宽，V1i,j为分割超声影像数据，V2i,j为生成图像； S43，利用所述循环相关系数，对预设的判别器网络和预设的生成器网络进行对抗训练，得到优化判别器网络和优化生成器网络； S431，将随机噪声和标签信息数据输入到生成器网络G中得到生成图像，固定判别器网络D，分别计算生成图像与标签信息数据的循环互相关系数，选取上述循环互相关系数的最大值改进损失函数，优化生成器网络G参数； S432，接着固定生成器网络G，同时将生成图像、真实图像和标签信息数据输入到判别器网络D中，判断图像的真假，并根据图像与标签图像的循环互相关系数最大值改进损失函数； S433，将结果反馈到生成器网络G和判别器网络D中，更新参数，反复执行上述步骤，使两者损失函数达到平衡，减少了生成图像与标签不匹配的情况； S44，利用所述优化生成器网络，对标签信息数据和随机噪声进行处理，得到扩增图像； 在图像扩增时，将原始数据集中各标签内的循环互相关系数平均值作为阈值，当生成图像与对应标签图像之间的循环互相关系数超过此阈值时输出图像，得到扩增图像； S45，对所述扩增图像和所述分割超声影像数据进行整合，得到增强超声影像数据； S5，利用三维重建模型，对所述增强超声影像数据进行处理，得到三维重建模型； S6，对所述三维重建模型进行处理，得到穿刺路径规划信息，包括： S61，对所述三维重建模型进行解析，得到起始点坐标信息和终止点坐标信息； S62，设置路径规划问题代价函数和约束条件； S63，利用Logistic混沌映射生成粒子群的初始种群； S64，利用人工蜂群算法进行迭代搜索，更新个体位置使其朝着更低适应度值的方向移动； S65，采用混沌映射对局部解空间进行搜索，使其跳出局部最优值； S66，重复S64、S65，直到达到最大迭代次数或达到适应度值变化阈值； S67，输出适应度最优值，得到穿刺路径规划信息。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人中国人民解放军总医院第四医学中心，其通讯地址为：100048 北京市海淀区阜成路51号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。