(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 202210936214.4 (22)申请日 2022.08.05 (71)申请人 宁波市第一医院 地址 315499 浙江省宁波市柳汀街59号 (72)发明人 胡嘉盛　张东旭　程跃　 (74)专利代理 机构 宁波市道同知识产权代理有 限公司 3 3478 专利代理师 郑盈 (51)Int.Cl. G01N 21/35(2014.01) G01N 21/3563(2014.01) G01N 21/01(2006.01) G01J 3/45(2006.01) G06T 7/00(2017.01) G06V 10/44(2022.01)G06V 10/764(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) A61B 17/225(2006.01) (54)发明名称 基于光谱图像的结石检测电子设备 (57)摘要 公开了一种基于光谱图像的结石检测电子 设备， 其采用傅里叶变换型的红外光谱仪来检测 体外排出结石的成分。 但是， 傅里叶变换型的红 外光谱仪在检测时受检测环境的影 响， 尤其是检 测环境中的二氧化碳和水蒸气 的影响。 相应地， 在本申请实施例中， 使用深度卷积神经网络将红 外光谱仪所采集的光谱图像映射到高维特征空 间中， 并提取由于检测环境中的二氧化碳和水蒸 气带来的噪声在高维特征空间中的特征表示， 并 以差分的方式来进行降噪处理， 最终基于降噪特 征图进行分类以提高结石成分检测的准确度。 权利要求书5页 说明书15页 附图7页 CN 115372302 A 2022.11.22 CN 115372302 A 1.一种基于光谱图像的结石检测方法， 其特 征在于， 包括： 训练阶段， 包括： 获取体外排出结石的粉末的光谱图像， 其中， 所述光谱图像通过傅里叶变换型红外光 谱仪采集； 使用深度卷积神经网络从所述 光谱图像获得第一特 征图； 将所述第一特 征图输入聚焦于噪声的注意力网络以获得第二特 征图； 获得所述体外排出 结石的检测场所中的二氧化 碳的浓度值和湿度值； 将所述浓度值和所述湿度值 通过编码器以获得第一编码值和第二编码值； 分别计算所述第一编码值和所述第二编码值与所述第二特征图之间的第一交叉熵损 失函数值和第二交叉熵损失函数值； 基于所述第一交叉熵损失函数值和所述第二交叉熵损失函数值的加权和来训练所述 聚焦于噪声的注意力网络； 计算所述第一特 征图和所述第二特 征图的差分以获得差分特 征图； 将所述差分特 征图通过分类 器以获得分类损失函数值； 以及 基于所述分类损失函数值对所述深度卷积神经网络和聚焦于噪声的注意力网络进行 训练； 以及 检测阶段， 包括： 获取待检测图像， 所述待检测图像为体外排出 结石的粉末的光谱图像； 将所述待检测图像输入经训练阶段训练完成的所述深度卷积神经网络以获得光谱特 征图； 将所述光谱特征图输入经训练完成的所述聚焦于噪声的注意力网络以获得噪声光谱 特征图； 计算所述 光谱特征图和噪声光谱特 征图之间的差分以获得降噪光谱特 征图； 以及 将所述降噪光谱特征图通过分类器以获得分类结果， 所述分类结果用于表示所述体外 排出结石的粉末包括哪些成分。 2.根据权利要求1所述的基于光谱图像的结石检测方法， 其中， 使用深度 卷积神经网络 从所述光谱图像获得第一特 征图， 包括： 所述深度卷积神经网络以如下公式对所述 光谱图像进行处 理以获得 所述第一特 征图； 所述公式为： fi＝tanh(Ni×fi‑1+Bi) 其中， fi‑1为第i层深度卷积神经 网络的输入， fi为第i层深度卷积神经网络的输出， Ni为 第i层深度卷积神经网络的卷积核， 且Bi为第i层深度卷积神经网络的偏置向量， tanh(.)表 示tanh非线性激活函数。 3.根据权利要求2所述的基于光谱图像的结石检测方法， 其中， 将所述第 一特征图输入 聚焦于噪声的注意力网络以获得第二特 征图， 包括： 将所述第一特 征图输入所述聚焦于噪声的注意力网络的卷积层， 以获得 卷积特征图； 将所述卷积特征图输入所述聚焦于噪声的注意力网络的池化层并以Sigmoid激活函数 进行激活以获得池化特征图， 其中， 所述池化特征图用于表示所述第一特征图中各个位置 的特征值表示噪声的高维隐含特 征的得分概 率值； 以及权　利　要　求　书 1/5 页 2 CN 115372302 A 2将所述第一特 征图与所述池化特 征图进行按位置点乘以获得 所述第二特 征图。 4.根据权利要求3所述的基于光谱图像的结石检测方法， 其中， 分别计算所述第 一编码 值和所述第二编码值与所述第二特征图之间的第一交叉熵损失函数值和第二交叉熵损失 函数值， 包括： 对所述第二特 征图进行沿通道维度的全局池化处 理以获得通道特 征向量； 以及 分别计算所述第一编码值和所述第二编码值与所述通道特征向量之间的交叉熵损失 函数值作为所述第一交叉熵损失函数值和所述第二交叉熵损失函数值。 5.根据权利要求1所述的基于光谱图像的结石检测方法， 其中， 计算所述第 一特征图和 所述第二特 征图的差分以获得差分特 征图， 包括： 计算所述第一特征图和所述第二特征图的按位置的特征值之差以获得所述差分特征 图。 6.根据权利要求1所述的基于光谱图像的结石检测方法， 其中， 将所述差分特征图通过 分类器以获得分类损失函数值， 包括： 使用所述分类器的至少一个全连接层对所述差分特征图进行全位置编码以获得分类 特征向量； 将所述分类特 征向量通过所述分类 器的Softmax分类函数以获得分类结果； 以及 计算所述分类结果与真实值之间的交叉熵损失函数值作为所述分类损失函数值。 7.一种基于光谱图像的结石检测装置， 其特 征在于， 包括： 训练模块， 包括： 训练数据获取单元， 用于获取体外排出结石的粉末的光谱图像， 其中， 所述光谱图像通 过傅里叶变换 型红外光谱仪采集； 神经网络单 元， 用于使用深度卷积神经网络从所述 光谱图像获得第一特 征图； 噪声提取单元， 用于将所述第 一特征图输入聚焦于噪声的注意力网络以获得第 二特征 图； 环境因素单元， 用于获得所述体外排出结石的检测场所中的二氧化碳的浓度值和湿度 值； 编码单元， 用于将所述浓度值和所述湿度值通过编码器以获得第 一编码值和第 二编码 值； 交叉熵损失函数值计算单元， 用于分别计算所述第 一编码值和所述第 二编码值与 所述 第二特征图之间的第一交叉熵损失函数值和第二交叉熵损失函数值； 第一训练单元， 用于基于所述第 一交叉熵损失函数值和所述第 二交叉熵损失函数值的 加权和来训练所述聚焦于噪声的注意力网络； 差异特征提取单元， 用于计算所述第 一特征图和所述第 二特征图的差分以获得差分特 征图； 分类损失函数值计算单元， 用于将所述差分特征图通过分类器以获得分类损失函数 值； 以及 第二训练单元， 用于基于所述分类损失函数值对所述深度 卷积神经网络和聚焦于噪声 的注意力网络进行训练； 以及 检测模块， 包括：权　利　要　求　书 2/5 页 3 CN 115372302 A 3