[发明专利]一种智能镜下腕管切割器

权利要求书

1.一种智能镜下腕管切割器，其特征在于，包括：刀架、图像传感器和微刀；其中，

所述微刀设在所述刀架上，用于对腕管内的腕横韧带进行切割；

所述图像传感器，设在所述刀架上，用于采集腕管内部的图像信息，并将采集的所述图像信息传给图像处理装置，以使所述图像处理装置对所述图像信息进行分析，对腕管中的正中神经进行识别；

所述微刀可包括刀杆和设在刀杆第一端的刀头；所述刀杆的横截面呈“工”字型；所述刀架包括刀架本体，在所述刀架本体上设有第一导槽，于所述第一导槽的两侧相对设有第一导向块和第二导向块，所述刀杆夹持在所述第一导向块和所述第二导向块之间，且所述第一导向块有部分位于所述刀杆第一侧的凹槽中，所述第二导向块有部分位于所述刀杆第二侧的凹槽中；

所述刀架还包括连接在所述刀架本体上的导板，所述导板的第一端的端面上设有图像传感器容纳腔，所述图像传感器容纳腔开口于所述导板的第一端的端面上；所述图像传感器设在所述图像传感器容纳腔中；其中,导板的第一端为导板远离刀架本体的一端，所述导板的第一端的端面，为自所述导板的第一端的上表面，向所述导板的第一端的下表面倾斜的斜面；

其中，所述图像处理装置对所述图像信息进行分析，对腕管中的正中神经进行识别，包括：采用Mask R-CNN算法进行图像中的正中神经检测识别；

其中的检测识别步骤包括：

第一步：将图像输入到Mask R-CNN的主干网络；Mask R-CNN取其中若干层的输出组合作为图像的特征，由于在不同深度所提取的特征维度不同，将他们在Z轴方向组合后，形成特征金字塔，其中，所述主干网络是一个标准的卷积神经网络；

第二步：由区域建议网络Region Proposal Network对特征金字塔进行分析，得到可能的实体位置建议；其中，Region Proposal Network是一个轻量的神经网络，它用滑动窗口来扫描图像，并寻找存在目标的区域，滑动窗口是由Region Proposal Network的卷积过程实现的，使用GPU并行地扫描所有区域anchor；如果有多个anchor互相重叠，保留拥有最高前景分数的anchor，并舍弃余下的；然后得到最终的区域建议，并将其传递到下一个阶段；

第三步：将第二步中得到的目标候选区域作为输入，使用ROI分类器和边界框回归器对候选区域进行分类，去除非目标区域，并对剩余候选区域的边界框位置进行微调；

第四步：取ROI分类器选择的正区域为输入，并生成它们的掩码，标记出边框中属于物体的所有像素；其中，对于不同的物体，用不同的色彩标记出边界框中属于物体的所有像素，以便更快速直观地观察出正中神经、屈指肌腱所在的位置；通过图像传感器获取的图像，除了可作为机器学习样本进行学习得到识别结果之外，也可作为训练样本，对Mask R-CNN算法进行不断的训练，不断提高机器学习的准确度。

2.根据权利要求1所述的智能镜下腕管切割器，其特征在于，所述刀架包括刀架本体和连接在所述刀架本体上的导板；

在所述刀架本体上设有第一导槽，在所述导板上设有第二导槽，所述第二导槽沿所述导板的长度方向延伸设置；

所述微刀设在所述第一导槽中并能沿所述第一导槽移动，且所述微刀的第一端能够自所述第一导槽中伸出；所述微刀的第一端自所述第一导槽中伸出后，所述微刀的第一端的底部位于所述第二导槽中，并能沿所述第二导槽移动；

所述图像传感器设在所述导板的第一端；其中，所述导板的第一端为所述导板远离所述刀架本体的一端。

3.根据权利要求1所述的智能镜下腕管切割器，其特征在于，所述刀头呈燕尾型。

4.根据权利要求3所述的智能镜下腕管切割器，其特征在于，所述刀头包括上刀头和下刀头，所述下刀头位于所述上刀头的下方；

在所述上刀头下方设有第一刀刃部，所述下刀头上方设有第二刀刃部，所述第一刀刃部和所述第二刀刃部形成V型切割部；

所述微刀的第一端自所述第一导槽中伸出后，所述下刀头位于第二导槽中，并能沿所述第二导槽移动。

5.根据权利要求4所述的智能镜下腕管切割器，其特征在于，所述上刀头的长度大于所述下刀头的长度；

所述第一刀刃部与所述上刀头之间的连接部，与所述上刀头的端部之间具有预定距离。