【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)涉及醫(yī)療設(shè)備，尤其涉及基于人工智能的射頻治療超細(xì)電子內(nèi)鏡視覺導(dǎo)航系統(tǒng)。
技術(shù)介紹
1、隨著醫(yī)療技術(shù)的進(jìn)步，內(nèi)鏡治療已成為疾病診斷和治療的重要手段。然而，在復(fù)雜的人體結(jié)構(gòu)中，精確導(dǎo)航仍然是一個(gè)挑戰(zhàn)，尤其是胎兒鏡在進(jìn)行射頻治療時(shí)，醫(yī)生需要準(zhǔn)確的定位病變部位并實(shí)施精準(zhǔn)治療。
2、目前的超細(xì)電子內(nèi)窺鏡治療，目標(biāo)位置的查找和射頻能量的給量取決于醫(yī)生的經(jīng)驗(yàn)和技術(shù)，不同的醫(yī)生或同一個(gè)醫(yī)生不同的手術(shù)，均存在差異，導(dǎo)致手術(shù)的結(jié)果或療效不穩(wěn)定。
3、因此，亟需基于人工智能的射頻治療超細(xì)電子內(nèi)鏡視覺導(dǎo)航系統(tǒng)來改變這一現(xiàn)狀。
技術(shù)實(shí)現(xiàn)思路
1、本專利技術(shù)的目的是為了解決現(xiàn)有技術(shù)中存在的缺點(diǎn)，而提出的基于人工智能的射頻治療超細(xì)電子內(nèi)鏡視覺導(dǎo)航系統(tǒng)。其優(yōu)點(diǎn)在于有助于避免誤傷正常組織，降低了治療過程中的風(fēng)險(xiǎn)。
2、為了實(shí)現(xiàn)上述目的，本專利技術(shù)采用了如下技術(shù)方案：
3、基于人工智能的射頻治療超細(xì)電子內(nèi)鏡視覺導(dǎo)航系統(tǒng)，包括內(nèi)鏡攝像系統(tǒng)、能量系統(tǒng)、照明系統(tǒng)和顯示系統(tǒng)，所述內(nèi)鏡攝像系統(tǒng)實(shí)時(shí)采集人體內(nèi)部圖像并將圖像進(jìn)行處理，并將處理圖像和原視頻圖像輸出至顯示端顯示；所述能量系統(tǒng)提供激光能量并通過光纖導(dǎo)絲將能量輸送至前端供醫(yī)生對(duì)目標(biāo)位置進(jìn)行血管阻斷的治療；所述照明系統(tǒng)為圖像采集提供視野內(nèi)的光源照明；
4、所述內(nèi)鏡攝像系統(tǒng)主要包括圖像采集模塊和圖像處理模塊，所述圖像采集模塊包括前端一根直徑小于3mm的硬鏡體和后端的傳輸線纜，用于獲取內(nèi)鏡圖像，包括高分辨率的
5、本專利技術(shù)進(jìn)一步設(shè)置為，所述圖像處理模型算法用于對(duì)圖像的所有像素進(jìn)行分類，識(shí)別分割目標(biāo)區(qū)域；基本的圖像識(shí)別網(wǎng)絡(luò)是將圖像送入網(wǎng)路編碼器模塊，經(jīng)過各個(gè)編碼模塊提取到具有豐富語義信息的特征圖，然后將高緯度的特征圖送入網(wǎng)絡(luò)解碼器，同時(shí)通過模型各個(gè)跳躍連接將編碼器中不同深度特征信息傳遞給解碼器，得到提取圖像。
6、本專利技術(shù)進(jìn)一步設(shè)置為，所述圖像處理模型算法包括血管高亮檢測(cè)算法，所述血管高亮檢測(cè)算法將胎兒鏡圖像通過血管高亮分類網(wǎng)絡(luò)將圖像分類為有高亮圖像或無高亮圖像；將判斷為有高亮血管的圖像做為輸入，通過血管高亮檢測(cè)算法生成相應(yīng)的高亮掩膜圖像；將高亮掩膜圖像、胎兒鏡圖像和按照基本識(shí)別方法提取的血管圖像一起作為輸入再次輸入到圖像識(shí)別網(wǎng)絡(luò)進(jìn)行訓(xùn)練，使其能夠在初步的提取方法的基礎(chǔ)上利用血管高亮掩膜中的額外信息。
7、本專利技術(shù)進(jìn)一步設(shè)置為，所述血管高亮檢測(cè)算法是基于franging濾波器進(jìn)行的升級(jí)算法，franging濾波器的檢測(cè)原理基于hessian矩陣進(jìn)行；hessian矩陣是由像素中每個(gè)像素灰度值各方向的二階偏導(dǎo)數(shù)組成的。即對(duì)于二位圖像，圖像像素點(diǎn)p(x,y)的hessian矩陣表示為：
8、
9、其中，分別表示二維圖像對(duì)應(yīng)的四個(gè)二階偏導(dǎo)數(shù)。
10、本專利技術(shù)進(jìn)一步設(shè)置為，所述hessian矩陣的特征值能夠描述需要檢測(cè)的管狀結(jié)構(gòu)，設(shè)兩個(gè)特征值絕對(duì)值較小的為λ1，絕對(duì)值較大的為λ2，則λ1和其相應(yīng)的特征向量代表圖中灰度值變化較小的強(qiáng)度和方向，而λ2和其特征向量則代表灰度值變化較大的的強(qiáng)度方向。圖像中孤立點(diǎn)的各方向灰度值都具有較大的變化，而管狀結(jié)構(gòu)則是在軸向上變化較小，垂直于管狀的方向上變化較大。
11、本專利技術(shù)進(jìn)一步設(shè)置為，使用一對(duì)所述franging濾波器分別對(duì)圖像中較暗的管狀結(jié)構(gòu)和較亮的管狀結(jié)構(gòu)進(jìn)行檢測(cè)；hessian矩陣中具有較大絕對(duì)值的特征值λ2的正負(fù)表示檢測(cè)到的是較暗的管狀結(jié)構(gòu)還是較亮的管狀結(jié)構(gòu)；當(dāng)λ2＜0時(shí)，對(duì)應(yīng)黑色背景上的白色結(jié)構(gòu)，當(dāng)λ2＞0時(shí)，對(duì)應(yīng)白色背景上的黑色結(jié)構(gòu)；胎兒鏡中高亮血管為相對(duì)較亮的管狀結(jié)構(gòu)，而血管則一般更暗，從而通過設(shè)置λ2的正負(fù)對(duì)其分別進(jìn)行初步提取。
12、本專利技術(shù)進(jìn)一步設(shè)置為，所述franging濾波器對(duì)于檢測(cè)較亮的管狀結(jié)構(gòu)的情況，構(gòu)造變量rb＝λ2/λ1，則相應(yīng)函數(shù)的表達(dá)式為：
13、
14、對(duì)于檢測(cè)較暗的管狀結(jié)構(gòu)的情況，將上式中的λ2＞0改為λ2＜0。然后將濾波器結(jié)果轉(zhuǎn)值為二值圖像，設(shè)較亮和較暗的管狀結(jié)構(gòu)的對(duì)應(yīng)二值圖像分別為l1和d1。
15、本專利技術(shù)進(jìn)一步設(shè)置為，將所述d1中的外圍邊緣進(jìn)行去除，對(duì)輸入的胎兒鏡圖像設(shè)定一個(gè)較低的閾值i，令圖像中像素值低于i的點(diǎn)為0，其它為1，再對(duì)這個(gè)區(qū)域進(jìn)行膨脹操作得到可視區(qū)域掩膜iv,將iv和d1逐像素相乘，可得到邊緣去除結(jié)果d2；然后為了消除部分由于雜質(zhì)組織和噪聲產(chǎn)生的孤立點(diǎn)，對(duì)l1和d2都進(jìn)行腐蝕操作，得到去除孤立點(diǎn)的l2和d3；由于高亮血管會(huì)導(dǎo)致檢測(cè)的較暗的血管結(jié)構(gòu)中間產(chǎn)生空隙，再對(duì)d3進(jìn)行閉運(yùn)算，得到d4；最后再將l2和d4取并集，得到高亮血管區(qū)域掩膜：
16、ih＝l2∪d4；
17、由于高亮血管區(qū)域一般在于血管內(nèi)部，d4可看做為血管區(qū)域，因此將兩張圖像取并集的結(jié)果做為輸出血管高亮區(qū)域掩膜圖像；
18、對(duì)于血管高亮分類網(wǎng)絡(luò)判斷為無血管高亮的圖像，使用基本的圖像識(shí)別網(wǎng)絡(luò)，進(jìn)行目標(biāo)區(qū)域的提取。
19、本專利技術(shù)進(jìn)一步設(shè)置為，所述能量系統(tǒng)包括能量發(fā)生模塊、能量控制模塊和能量傳輸模塊，能量控制模塊通過調(diào)節(jié)電流的大小調(diào)節(jié)能量發(fā)生模塊輸出的能量功率不同，能量傳輸模塊將能量通過激光導(dǎo)絲傳送至前端應(yīng)用；所述能量控制模塊與攝像系統(tǒng)具有信號(hào)連接，根據(jù)攝像系統(tǒng)識(shí)別到的需要施加能量熔斷的血管直徑不同，實(shí)現(xiàn)能量輸出功率的自適應(yīng)。
20、本專利技術(shù)進(jìn)一步設(shè)置為，所述照明系統(tǒng)為醫(yī)用冷光源系統(tǒng)，冷光源系統(tǒng)將光通過導(dǎo)光束送至前端的超細(xì)內(nèi)窺鏡的光源連接口，內(nèi)窺鏡內(nèi)部的導(dǎo)光束將光送至腔體內(nèi)部，實(shí)現(xiàn)對(duì)腔體內(nèi)部的照明。
21、本專利技術(shù)的有益效果為：本專利技術(shù)公開了基于人工智能的射頻治療超細(xì)電子內(nèi)鏡視覺導(dǎo)航系統(tǒng)，輸出視頻原圖的基礎(chǔ)上增加了輸出導(dǎo)航圖片，自動(dòng)識(shí)別病患結(jié)構(gòu)特征和位置，為醫(yī)生查找目標(biāo)位置提供導(dǎo)航，提高治療效果；內(nèi)鏡攝像模塊和射頻能量模塊互聯(lián)，通過圖像中消融血管尺寸自動(dòng)調(diào)節(jié)所需能量大小，實(shí)現(xiàn)給量自動(dòng)控制；自動(dòng)化的導(dǎo)航功能減輕了醫(yī)生的工作負(fù)擔(dān)，使得操作更加簡(jiǎn)便快捷；導(dǎo)航有助于避免誤傷正常組織，降低了治療過程中的風(fēng)險(xiǎn)。
本文檔來自技高網(wǎng)...【技術(shù)保護(hù)點(diǎn)】
1.基于人工智能的射頻治療超細(xì)電子內(nèi)鏡視覺導(dǎo)航系統(tǒng)，其特征在于，包括內(nèi)鏡攝像系統(tǒng)、能量系統(tǒng)、照明系統(tǒng)和顯示系統(tǒng)，所述內(nèi)鏡攝像系統(tǒng)實(shí)時(shí)采集人體內(nèi)部圖像并將圖像進(jìn)行處理，并將處理圖像和原視頻圖像輸出至顯示端顯示；所述能量系統(tǒng)提供激光能量并通過光纖導(dǎo)絲將能量輸送至前端供醫(yī)生對(duì)目標(biāo)位置進(jìn)行血管阻斷的治療；所述照明系統(tǒng)為圖像采集提供視野內(nèi)的光源照明；
2.根據(jù)權(quán)利要求1所述的基于人工智能的射頻治療超細(xì)電子內(nèi)鏡視覺導(dǎo)航系統(tǒng)，其特征在于，所述圖像處理模型算法用于對(duì)圖像的所有像素進(jìn)行分類，識(shí)別分割目標(biāo)區(qū)域；基本的圖像識(shí)別網(wǎng)絡(luò)是將圖像送入網(wǎng)路編碼器模塊，經(jīng)過各個(gè)編碼模塊提取到具有豐富語義信息的特征圖，然后將高緯度的特征圖送入網(wǎng)絡(luò)解碼器，同時(shí)通過模型各個(gè)跳躍連接將編碼器中不同深度特征信息傳遞給解碼器，得到提取圖像。
3.根據(jù)權(quán)利要求2所述的基于人工智能的射頻治療超細(xì)電子內(nèi)鏡視覺導(dǎo)航系統(tǒng)，其特征在于，所述圖像處理模型算法包括血管高亮檢測(cè)算法，所述血管高亮檢測(cè)算法將胎兒鏡圖像通過血管高亮分類網(wǎng)絡(luò)將圖像分類為有高亮圖像或無高亮圖像；將判斷為有高亮血管的圖像做為輸入，通過血管高亮檢測(cè)
4.根據(jù)權(quán)利要求3所述的基于人工智能的射頻治療超細(xì)電子內(nèi)鏡視覺導(dǎo)航系統(tǒng)，其特征在于，所述血管高亮檢測(cè)算法是基于Franging濾波器進(jìn)行的升級(jí)算法，F(xiàn)ranging濾波器的檢測(cè)原理基于Hessian矩陣進(jìn)行；Hessian矩陣是由像素中每個(gè)像素灰度值各方向的二階偏導(dǎo)數(shù)組成的。即對(duì)于二位圖像，圖像像素點(diǎn)P(x,y)的Hessian矩陣表示為：
5.根據(jù)權(quán)利要求4所述的基于人工智能的射頻治療超細(xì)電子內(nèi)鏡視覺導(dǎo)航系統(tǒng)，其特征在于，所述Hessian矩陣的特征值能夠描述需要檢測(cè)的管狀結(jié)構(gòu)，設(shè)兩個(gè)特征值絕對(duì)值較小的為λ1，絕對(duì)值較大的為λ2，則λ1和其相應(yīng)的特征向量代表圖中灰度值變化較小的強(qiáng)度和方向，而λ2和其特征向量則代表灰度值變化較大的的強(qiáng)度方向。圖像中孤立點(diǎn)的各方向灰度值都具有較大的變化，而管狀結(jié)構(gòu)則是在軸向上變化較小，垂直于管狀的方向上變化較大。
6.根據(jù)權(quán)利要求5所述的基于人工智能的射頻治療超細(xì)電子內(nèi)鏡視覺導(dǎo)航系統(tǒng)，其特征在于，使用一對(duì)所述Franging濾波器分別對(duì)圖像中較暗的管狀結(jié)構(gòu)和較亮的管狀結(jié)構(gòu)進(jìn)行檢測(cè)；Hessian矩陣中具有較大絕對(duì)值的特征值λ2的正負(fù)表示檢測(cè)到的是較暗的管狀結(jié)構(gòu)還是較亮的管狀結(jié)構(gòu)；當(dāng)λ2＜0時(shí)，對(duì)應(yīng)黑色背景上的白色結(jié)構(gòu)，當(dāng)λ2＞0時(shí)，對(duì)應(yīng)白色背景上的黑色結(jié)構(gòu)；胎兒鏡中高亮血管為相對(duì)較亮的管狀結(jié)構(gòu)，而血管則一般更暗，從而通過設(shè)置λ2的正負(fù)對(duì)其分別進(jìn)行初步提取。
7.根據(jù)權(quán)利要求6所述的基于人工智能的射頻治療超細(xì)電子內(nèi)鏡視覺導(dǎo)航系統(tǒng)，其特征在于，所述Franging濾波器對(duì)于檢測(cè)較亮的管狀結(jié)構(gòu)的情況，構(gòu)造變量Rb＝λ2/λ1，則相應(yīng)函數(shù)的表達(dá)式為：
8.根據(jù)權(quán)利要求7所述的基于人工智能的射頻治療超細(xì)電子內(nèi)鏡視覺導(dǎo)航系統(tǒng)，其特征在于，將所述D1中的外圍邊緣進(jìn)行去除，對(duì)輸入的胎兒鏡圖像設(shè)定一個(gè)較低的閾值i，令圖像中像素值低于i的點(diǎn)為0，其它為1，再對(duì)這個(gè)區(qū)域進(jìn)行膨脹操作得到可視區(qū)域掩膜IV,將IV和D1逐像素相乘，可得到邊緣去除結(jié)果D2；然后為了消除部分由于雜質(zhì)組織和噪聲產(chǎn)生的孤立點(diǎn)，對(duì)L1和D2都進(jìn)行腐蝕操作，得到去除孤立點(diǎn)的L2和D3；由于高亮血管會(huì)導(dǎo)致檢測(cè)的較暗的血管結(jié)構(gòu)中間產(chǎn)生空隙，再對(duì)D3進(jìn)行閉運(yùn)算，得到D4；最后再將L2和D4取并集，得到高亮血管區(qū)域掩膜：
9.根據(jù)權(quán)利要求1所述的基于人工智能的射頻治療超細(xì)電子內(nèi)鏡視覺導(dǎo)航系統(tǒng)，其特征在于，所述能量系統(tǒng)包括能量發(fā)生模塊、能量控制模塊和能量傳輸模塊，能量控制模塊通過調(diào)節(jié)電流的大小調(diào)節(jié)能量發(fā)生模塊輸出的能量功率不同，能量傳輸模塊將能量通過激光導(dǎo)絲傳送至前端應(yīng)用；所述能量控制模塊與攝像系統(tǒng)具有信號(hào)連接，根據(jù)攝像系統(tǒng)識(shí)別到的需要施加能量熔斷的血管直徑不同，實(shí)現(xiàn)能量輸出功率的自適應(yīng)。
10.根據(jù)權(quán)利要求9所述的基于人工智能的射頻治療超細(xì)電子內(nèi)鏡視覺導(dǎo)航系統(tǒng)，其特征在于，所述照明系統(tǒng)為醫(yī)用冷光源系統(tǒng)，冷光源系統(tǒng)將光通過導(dǎo)光束送至前端的超細(xì)內(nèi)窺鏡的光源連接口，內(nèi)窺鏡內(nèi)部的導(dǎo)光束將光送至腔體內(nèi)部，實(shí)現(xiàn)對(duì)腔體內(nèi)部的照明。
...【技術(shù)特征摘要】
1.基于人工智能的射頻治療超細(xì)電子內(nèi)鏡視覺導(dǎo)航系統(tǒng)，其特征在于，包括內(nèi)鏡攝像系統(tǒng)、能量系統(tǒng)、照明系統(tǒng)和顯示系統(tǒng)，所述內(nèi)鏡攝像系統(tǒng)實(shí)時(shí)采集人體內(nèi)部圖像并將圖像進(jìn)行處理，并將處理圖像和原視頻圖像輸出至顯示端顯示；所述能量系統(tǒng)提供激光能量并通過光纖導(dǎo)絲將能量輸送至前端供醫(yī)生對(duì)目標(biāo)位置進(jìn)行血管阻斷的治療；所述照明系統(tǒng)為圖像采集提供視野內(nèi)的光源照明；
2.根據(jù)權(quán)利要求1所述的基于人工智能的射頻治療超細(xì)電子內(nèi)鏡視覺導(dǎo)航系統(tǒng)，其特征在于，所述圖像處理模型算法用于對(duì)圖像的所有像素進(jìn)行分類，識(shí)別分割目標(biāo)區(qū)域；基本的圖像識(shí)別網(wǎng)絡(luò)是將圖像送入網(wǎng)路編碼器模塊，經(jīng)過各個(gè)編碼模塊提取到具有豐富語義信息的特征圖，然后將高緯度的特征圖送入網(wǎng)絡(luò)解碼器，同時(shí)通過模型各個(gè)跳躍連接將編碼器中不同深度特征信息傳遞給解碼器，得到提取圖像。
3.根據(jù)權(quán)利要求2所述的基于人工智能的射頻治療超細(xì)電子內(nèi)鏡視覺導(dǎo)航系統(tǒng)，其特征在于，所述圖像處理模型算法包括血管高亮檢測(cè)算法，所述血管高亮檢測(cè)算法將胎兒鏡圖像通過血管高亮分類網(wǎng)絡(luò)將圖像分類為有高亮圖像或無高亮圖像；將判斷為有高亮血管的圖像做為輸入，通過血管高亮檢測(cè)算法生成相應(yīng)的高亮掩膜圖像；將高亮掩膜圖像、胎兒鏡圖像和按照基本識(shí)別方法提取的血管圖像一起作為輸入再次輸入到圖像識(shí)別網(wǎng)絡(luò)進(jìn)行訓(xùn)練，使其能夠在初步的提取方法的基礎(chǔ)上利用血管高亮掩膜中的額外信息。
4.根據(jù)權(quán)利要求3所述的基于人工智能的射頻治療超細(xì)電子內(nèi)鏡視覺導(dǎo)航系統(tǒng)，其特征在于，所述血管高亮檢測(cè)算法是基于franging濾波器進(jìn)行的升級(jí)算法，franging濾波器的檢測(cè)原理基于hessian矩陣進(jìn)行；hessian矩陣是由像素中每個(gè)像素灰度值各方向的二階偏導(dǎo)數(shù)組成的。即對(duì)于二位圖像，圖像像素點(diǎn)p(x,y)的hessian矩陣表示為：
5.根據(jù)權(quán)利要求4所述的基于人工智能的射頻治療超細(xì)電子內(nèi)鏡視覺導(dǎo)航系統(tǒng)，其特征在于，所述hessian矩陣的特征值能夠描述需要檢測(cè)的管狀結(jié)構(gòu)，設(shè)兩個(gè)特征值絕對(duì)值較小的為λ1，絕對(duì)值較大的為λ2，則λ1和其相應(yīng)的特征向量代表圖中灰度值變化較小的強(qiáng)度和方向，而λ2和其特征向量則代表灰度值變化較大的的強(qiáng)度方向。圖像中孤立點(diǎn)的各方向灰度值都具有較大的變...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：吳寒梅，傅強(qiáng)，張艷茹，許建國(guó)，王明，張秀明，朱冠蘭，
申請(qǐng)(專利權(quán))人：合肥德銘電子有限公司，
類型：發(fā)明
國(guó)別省市：
還沒有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。