(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211266436.6 (22)申请日 2022.10.17 (71)申请人 成都与睿创新科技有限公司 地址 610000 四川省成 都市高新区益州大 道中段1858号G5 栋1008号 (72)发明人 刘杰　石歆竹　朱宗斌　王玉贤　 (74)专利代理 机构 北京天奇智新知识产权代理 有限公司 1 1340 专利代理师 王大刚 (51)Int.Cl. G16H 20/40(2018.01) G06V 20/40(2022.01) G06V 10/82(2022.01) G06V 10/80(2022.01) G06V 10/764(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 用于手术质量的控制方法 (57)摘要 本发明公开了用于手术质量的控制方法， 涉 及人工智能技术领域， 包括S1构建手术要素量化 模型； S2手术数据库导入手术要素量化模型获取 量化数据； S3分析量化数据输出不同手术要素、 对应变量的统计学信息； S4构建手术管理知识 库； S5构建手术管理系统， 手术数据库导入手术 管理系统进行分析， 获得手术质量的控制建议； 采用人工智能计算机模型识别手术器材、 解剖结 构、 手术阶段、 器械轨迹、 术中异常事件、 解剖处 理质量、 疾病严重程度等多重手术要素， 结合统 计分析功能建立手术视频自动分析和质量控制 系统， 通过 实时或者术后对手术视频的手术要素 进行提取整理， 并进行成组分析， 实现手术信息 的准确高效提取及质量分析。 权利要求书2页 说明书6页 附图2页 CN 115359873 A 2022.11.18 CN 115359873 A 1.用于手术质量的控制方法， 其特 征在于， 包括： S1、 构建手术要素量 化模型； S2、 手术数据库导入手术要素量 化模型获取手术要素的量 化数据； S3、 将手术要素的量化数据输入到统计分析模型进行分析， 输出不同手术要素、 对应变 量的统计学信息； S4、 利用知识图谱算法根据统计学信 息与手术质量和管理建议之间的对应关系构建手 术管理知识库； S5、 手术要素量化模型、 统计分析模型和手术管理知识库组合形成手术管理系统， 医院 的手术数据库导入手术管理系统进行分析， 并根据分析 结果获得手术质量的控制建议。 2.根据权利要求1所述的用于手术质量的控制方法， 其特征在于， 手术要素量化模型包 括器械运动轨迹识别模型、 解剖结构识别模型、 解剖结构处理状态分类模型、 手术阶段及异 常事件识别模型和器官病变情况分类模型， 手术要素的量化数据包括器械运动轨迹识别模 型的识别结果、 解剖结构识别模 型的识别结果、 解剖结构处理状态分类模型的分类结果、 手 术阶段及异常事 件识别模型的识别结果和器官病变情况分类模型的分类结果。 3.根据权利要求2所述的用于手术质量的控制方法， 其特 征在于， 构建器械运动轨迹识别模型： 标记手术视频中不同器械及其对应的运动轨迹， 并储存 标记得到器械运动轨迹数据库； 通过器械运动轨迹数据库利用基于KCF跟踪算法训练得到 用于识别视频图片序列中不同器械及其视野下运动轨 迹的器械运动轨 迹识别模型； 构建解剖结构识别模型： 使用含有解剖结构的手术视频图片和完整手术视频， 对图片 中出现的解剖结构进行标记， 并储存标记得到解剖结构识别数据库； 通过解剖结构识别数 据库利用神经网络训练得到解剖结构识别模型； 构建手术阶段及异常事件识别模型： 使用含有解剖结构的手术视频图片和完整手术视 频， 对视频片段中对应的手术阶段和异常事件进行标记进行标记， 并储存标记得到手术阶 段及异常事件识别数据库； 通过手术阶段及异常事件识别数据库利用神经网络训练得到手 术阶段及异常事 件识别模型； 构建解剖结构处理状态分类模型和器官病变情况分类模型： 根据图片中解剖结构的处 理状态、 器官的病变情况， 标记含有解剖结构的手术图片， 获得解剖处理状态分类数据库和 器官病变情况分类数据库； 分别使用解剖处理状态分类数据库和器官病变情况分类数据 库， 利用图像分类算法模型， 训练得到解剖结构处理状态分类模型和器官病变情况分类模 型。 4.根据权利要求3所述的用于手术质量的控制方法， 其特征在于， 图像分类算法模型为 KNN分类算法模型， KN N分类算法模型 具体包括： 1） 计算待分类点与已知类别的点之间的距离； 2） 按照距离递增次序排序； 3） 选取与待分类点距离最小的K个点； 4） 确定前 K个点所在类别的出现次数； 5） 返回前 K个点出现次数最高的类别作为待分类点的预测分类。 5.根据权利 要求3所述的用于手术质量的控制方法， 其特征在于， 神经网络为FCN ‑8s全 卷积网络， FCN ‑8s全卷积网络依次包括全卷积部分和反卷积部分， 全卷积部分用于提取特权　利　要　求　书 1/2 页 2 CN 115359873 A 2征， 全卷积部分包括7组卷积池化层， 一组卷积池化层包括一个卷积层和池化层， 反卷积部 分用于通过上采样得到原尺寸的语义分割图像， 在FCN ‑8s全卷积网络中， 输入图片在经过 全卷积部 分之后， 对第七组的卷积层进 行上采样2 倍再和第四组的池化层相加， 相加之后再 上采样2倍， 再和第三组的池化层相加， 最后再 上采样8倍到原来的尺寸。 6.根据权利要求2所述的用于手术质量的控制方法， 其特征在于， 在S4中， 构建手术管 理知识库包括： S41、 根据通用数据标准建立所需手术管理知识库的基础架构； S42、 将基础架构中的各个实体之间的关系 进行统一规范， 得到具有标准规范的标准字 典表； S43、 获取与手术管理知识库中的内容相关的半结构化数据； S44、 从半结构化数据中抽取关键实体的实体信息； S45、 根据标准字典表将实体信息进行 数据融合， 形成结构化数据； S46、 将结构化数据生成对应的数据结构对， 并述数据结构对存储形成手术管理知识 库。权　利　要　求　书 2/2 页 3 CN 115359873 A 3