一种基于深度学习的智能止血控制装置的制作方法

1.本发明涉及一种医学图像处理技术领域，特别是关于一种基于深度学习的智能止血控制装置。


背景技术：

2.目前，深度学习在医疗影像分割中的应用主要包括两种方法：基于卷积神经网络(cnn)的方法和基于级联形态学(cmm)的方法。其中，基于cnn的方法已经成为医疗影像分割领域中的主流方法，并取得了极高的准确率和鲁棒性。深度学习可以通过对大量标注数据的学习，自动学习到特征和规律，并实现对医疗影像中的不同组织和器官的准确分割。
3.在医疗领域中止血是一项重要的技能。传统的止血方法通常采用压迫止血或用药进行止血。但这些方法不仅操作难度大，而且效果不稳定，有时会出现复发的情况。故如何进行有效止血成为目前亟需解决的技术问题。


技术实现要素：

4.针对上述问题，本发明的目的是提供一种基于深度学习的智能止血控制装置，其能对待止血部位发射出较为适宜的激光能，避免因止血不当而对患者造成严重的伤害。
5.为实现上述目的，本发明采取以下技术方案：一种基于深度学习的智能止血控制装置，其包括：血管图像处理模块，根据患者待止血部位的图像数据，确定待止血部分的血管位置及血管直径信息；血量确定模块，根据患者血红蛋白量确定相应的出血量信息；控制模块，用于接收血管位置及血管直径信息，以及出血量信息，根据接收到的信息得到止血用的激光能量控制信息；激光止血设备，用于接收控制模块传输至的激光能量值控制信息，根据该激光能量值控制信息输出相应的激光能量。
6.进一步，血管图像处理模块包括：图像采集预处理模块，实时获取患者待止血部位的图像数据，并对图像数据进行预处理；深度学习模块，将预处理后的图像数据作为输入，对图像数据进行分割、识别及特征提取后，得到血管位置坐标，并根据血管位置坐标确定血管直径。
7.进一步，深度学习模型采用卷积神经网络模型。
8.进一步，卷积神经网络模型中对图像数据进行分割，包括：根据图像数据中的像素值，采用分水岭及动态阈值，将图像分为不同的区域，包括含有血管的血管区域和非血管区域；对分割后的血管区域进行形态学处理、连接分支及曲线拟合，将连续的像素点组成完整的血管。
9.进一步，卷积神经网络模型中对图像数据进行特征提取，包括：设置卷积核的大小及层数，并设置激活函数，对分割后的图像数据进行血管特征提取。
10.进一步，血量确定模块包括血氧饱和度检测仪和计算模块；血氧饱和度检测仪将检测到的血氧饱和度信息传输至计算模块；计算模块内预置有血氧饱和度与血红蛋白的关系模型，根据接收到的血氧饱和度信息实时得到需血红蛋白量，进而确定出血量是否在设
定范围内，若在设定范围内，则该出血量为正常出血量，反之为异常出血量。
11.进一步，控制模块包括数据接收模块、数据处理模块和数据输出模块；
12.数据接收模块，用于接收血管图像处理模块和血量确定模块传输至的血管位置及血管直径信息，以及出血量信息；
13.数据处理模块，将血管位置、血管直径以及出血量信息进行融合处理，得到激光能量控制信息；
14.数据输出模块，将激光能量控制信息传输至激光止血设备。
15.进一步，数据处理模块内融合处理，包括：正常出血量时，根据血管直径信息，输出激光能第一控制信号，控制激光止血设备向待止血的血管位置发出相应的激光能量；异常出血量时，根据出血量及血管直径信息，输出激光能第二控制信号，控制激光止血设备向待止血的血管位置发出相应的激光能量。
16.进一步，正常出血量时，若血管直径在预设正常范围内，则激光能第一控制信号控制激光止血设备输出正常能量范围内的激光能；若血管直径大于预设正常范围内，则激光能第一控制信号控制激光止血设备输出的激光能高于正常能量范围内最大值的一个能量等级；若血管直径小于预设正常范围内，则激光能第一控制信号控制激光止血设备输出的激光能低于正常能量范围内最大值的1或2个能量等级。
17.进一步，异常出血量时，若血管直径在预设正常范围内，则激光能第二控制信号控制激光止血设备输出预设能量范围内的激光能；若血管直径大于预设正常范围内，则激光能第二控制信号控制激光止血设备输出的激光能高于预设能量范围内最大值的一个能量等级；若血管直径小于预设正常范围内，则激光能第二控制信号控制激光止血设备输出的激光能低于预设能量范围内最大值的一个能量等级。
18.本发明由于采取以上技术方案，其具有以下优点：
19.本发明根据提取出的血管位置信息及血管直径信息，并与血量确定模块相结合，通过实时调节激光能量的大小，可以有效对待止血部位进行有效处理，选择最佳的一个止血激光能量值，有效避免了因止血不当而对患者造成严重的伤害。
附图说明
20.图1是本发明实施例中基于深度学习的智能止血控制装置结构示意图。
具体实施方式
21.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例的附图，对本发明实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。
22.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
23.为了解决现有技术中止血效果不稳定的问题，本发明提供一种基于深度学习的智
能止血控制装置，其包括：血管图像处理模块，根据患者待止血部位的图像数据，确定待止血部分的血管位置及血管直径信息；血量确定模块，根据患者血红蛋白量确定相应的出血量信息；控制模块，用于接收血管位置及血管直径信息，以及出血量信息，根据接收到的信息得到止血用的激光能量控制信息；激光止血设备，用于接收控制模块传输至的激光能量值控制信息，根据该激光能量值控制信息输出相应的激光能量。本发明能对待止血部位发射出较为适宜的激光能，避免因止血不当而对患者造成严重的伤害。
24.在本发明的一个实施例中，提供一种基于深度学习的智能止血控制装置。本实施例中，如图1所示，该装置包括：
25.血管图像处理模块，根据患者待止血部位的图像数据，确定待止血部分的血管位置及血管直径信息；
26.血量确定模块，根据患者血红蛋白量确定相应的出血量信息；
27.控制模块，用于接收血管位置及血管直径信息，以及出血量信息，根据接收到的信息得到止血用的激光能量控制信息；
28.激光止血设备，用于接收控制模块传输至的激光能量值控制信息，根据该激光能量值控制信息输出相应的激光能量。
29.在一个可行的实施方式中，血管图像处理模块包括：
30.图像采集预处理模块，实时获取患者待止血部位的图像数据，并对图像数据进行预处理；
31.深度学习模块，将预处理后的图像数据作为输入，对图像数据进行分割、识别及特征提取后，得到血管位置坐标，并根据血管位置坐标确定血管直径。
32.本实施例中，图像数据可以采用ct扫描、mri和/或内窥镜中的摄像头等设备进行采集；优选的，采用内窥镜进行实时图像采集。
33.本实施例中，图像数据预处理包括去噪、增强及归一化等处理，以提高经预处理后的图像数据的质量和鲁棒性。
34.本实施例中，深度学习模型采用卷积神经网络模型。将预处理后的图像数据划分为训练集和测试集，以训练集中的图像数据训练卷积神经网络模型，优化卷积神经网络模型的参数，以提高血管位置定位的准确性和稳定性。
35.可选的，在卷积神经网络模型中对图像数据进行分割，具体为：根据图像数据中的像素值，采用分水岭及动态阈值等方法，将图像分为不同的区域，其中包括含有血管的血管区域和非血管区域。并对分割后的血管区域进行形态学处理、连接分支及曲线拟合等操作，将连续的像素点组成完整的血管，并将其进行标记。
36.可选的，在卷积神经网络模型中对图像数据进行特征提取，具体为：根据实际需求设置卷积核的大小及层数，并设置激活函数，对分割后的图像数据进行血管特征提取，以提高卷积神经网络模型的准确率。
37.在一个可行的实施方式中，血量确定模块包括血氧饱和度检测仪和计算模块，其中，血氧饱和度检测仪采用现有技术中的常规血氧饱和度检测仪即可，在此对其不做限定。
38.血氧饱和度检测仪将检测到的血氧饱和度信息传输至计算模块；计算模块内预置有血氧饱和度与血红蛋白的关系模型，根据接收到的血氧饱和度信息可以实时得到需血红蛋白量，进而确定出血量是否在设定范围内，若在设定范围内，则该出血量为正常出血量，
反之为异常出血量。
39.其中，血氧饱和度与血红蛋白的关系模型采用现有技术中已有的关系模型即可。
40.在一个可行的实施方式中，控制模块包括数据接收模块、数据处理模块和数据输出模块。
41.数据接收模块，用于接收血管图像处理模块和血量确定模块传输至的血管位置及血管直径信息，以及出血量信息；
42.数据处理模块，将血管位置、血管直径以及出血量信息进行融合处理，得到激光能量控制信息；
43.数据输出模块，将激光能量控制信息传输至激光止血设备。
44.本实施例中，数据处理模块内融合处理具体为：
45.正常出血量时，根据血管直径信息，输出激光能第一控制信号，控制激光止血设备向待止血的血管位置发出相应的激光能量；
46.异常出血量时，根据出血量及血管直径信息，输出激光能第二控制信号，控制激光止血设备向待止血的血管位置发出相应的激光能量。
47.其中，正常出血量时，若血管直径在预设正常范围内，则激光能第一控制信号控制激光止血设备输出正常能量范围内的激光能；若血管直径大于预设正常范围内，则激光能第一控制信号控制激光止血设备输出的激光能高于正常能量范围内最大值的一个能量等级；若血管直径小于预设正常范围内，则激光能第一控制信号控制激光止血设备输出的激光能低于正常能量范围内最大值的1或2个能量等级。
48.优选的，以0.1j为一个能量等级。
49.异常出血量时，若血管直径在预设正常范围内，则激光能第二控制信号控制激光止血设备输出预设能量范围内的激光能；优选的，预设能量范围大于激光能正常能量范围至少一个能量级，例如，预设能量范围的最小值小于正常能量范围最小值0.05j，预设能量范围的最大值大于正常能量范围最大值0.05j；使用时根据具体使用需求进行具体设定。
50.异常出血量时，若血管直径大于预设正常范围内，则激光能第二控制信号控制激光止血设备输出的激光能高于预设能量范围内最大值的一个能量等级；若血管直径小于预设正常范围内，则激光能第二控制信号控制激光止血设备输出的激光能低于预设能量范围内最大值的一个能量等级。
51.在一个可行的实施方式中，激光止血设备可以采用现有的激光器，输出的激光可以为铥激光或钬激光等，在此不做限定。
52.综上，本发明在使用时，基于卷积神经网络模型，通过数据学习和模型训练，提高了血管位置定位的准确性和稳定性。并根据提取出的血管位置信息及血管直径信息，并与血量确定模块相结合，通过实时调节激光能量的大小，可以有效对待止血部位进行有效处理，选择最佳的一个止血激光能量值。本发明具有准确性高、鲁棒性强、自适应性好、计算速度快等优势，能为临床医学提供了可靠的依据。
53.最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和
范围。

技术特征：
1.一种基于深度学习的智能止血控制装置，其特征在于，包括：血管图像处理模块，根据患者待止血部位的图像数据，确定待止血部分的血管位置及血管直径信息；血量确定模块，根据患者血红蛋白量确定相应的出血量信息；控制模块，用于接收血管位置及血管直径信息，以及出血量信息，根据接收到的信息得到止血用的激光能量控制信息；激光止血设备，用于接收控制模块传输至的激光能量值控制信息，根据该激光能量值控制信息输出相应的激光能量。2.如权利要求1所述基于深度学习的智能止血控制装置，其特征在于，血管图像处理模块包括：图像采集预处理模块，实时获取患者待止血部位的图像数据，并对图像数据进行预处理；深度学习模块，将预处理后的图像数据作为输入，对图像数据进行分割、识别及特征提取后，得到血管位置坐标，并根据血管位置坐标确定血管直径。3.如权利要求2所述基于深度学习的智能止血控制装置，其特征在于，深度学习模型采用卷积神经网络模型。4.如权利要求3所述基于深度学习的智能止血控制装置，其特征在于，卷积神经网络模型中对图像数据进行分割，包括：根据图像数据中的像素值，采用分水岭及动态阈值，将图像分为不同的区域，包括含有血管的血管区域和非血管区域；对分割后的血管区域进行形态学处理、连接分支及曲线拟合，将连续的像素点组成完整的血管。5.如权利要求3所述基于深度学习的智能止血控制装置，其特征在于，卷积神经网络模型中对图像数据进行特征提取，包括：设置卷积核的大小及层数，并设置激活函数，对分割后的图像数据进行血管特征提取。6.如权利要求1所述基于深度学习的智能止血控制装置，其特征在于，血量确定模块包括血氧饱和度检测仪和计算模块；血氧饱和度检测仪将检测到的血氧饱和度信息传输至计算模块；计算模块内预置有血氧饱和度与血红蛋白的关系模型，根据接收到的血氧饱和度信息实时得到需血红蛋白量，进而确定出血量是否在设定范围内，若在设定范围内，则该出血量为正常出血量，反之为异常出血量。7.如权利要求1所述基于深度学习的智能止血控制装置，其特征在于，控制模块包括数据接收模块、数据处理模块和数据输出模块；数据接收模块，用于接收血管图像处理模块和血量确定模块传输至的血管位置及血管直径信息，以及出血量信息；数据处理模块，将血管位置、血管直径以及出血量信息进行融合处理，得到激光能量控制信息；数据输出模块，将激光能量控制信息传输至激光止血设备。8.如权利要求7所述基于深度学习的智能止血控制装置，其特征在于，数据处理模块内融合处理，包括：
正常出血量时，根据血管直径信息，输出激光能第一控制信号，控制激光止血设备向待止血的血管位置发出相应的激光能量；异常出血量时，根据出血量及血管直径信息，输出激光能第二控制信号，控制激光止血设备向待止血的血管位置发出相应的激光能量。9.如权利要求8所述基于深度学习的智能止血控制装置，其特征在于，正常出血量时，若血管直径在预设正常范围内，则激光能第一控制信号控制激光止血设备输出正常能量范围内的激光能；若血管直径大于预设正常范围内，则激光能第一控制信号控制激光止血设备输出的激光能高于正常能量范围内最大值的一个能量等级；若血管直径小于预设正常范围内，则激光能第一控制信号控制激光止血设备输出的激光能低于正常能量范围内最大值的1或2个能量等级。10.如权利要求8所述基于深度学习的智能止血控制装置，其特征在于，异常出血量时，若血管直径在预设正常范围内，则激光能第二控制信号控制激光止血设备输出预设能量范围内的激光能；若血管直径大于预设正常范围内，则激光能第二控制信号控制激光止血设备输出的激光能高于预设能量范围内最大值的一个能量等级；若血管直径小于预设正常范围内，则激光能第二控制信号控制激光止血设备输出的激光能低于预设能量范围内最大值的一个能量等级。

技术总结
本发明涉及一种基于深度学习的智能止血控制装置，其包括：血管图像处理模块，根据患者待止血部位的图像数据，确定待止血部分的血管位置及血管直径信息；血量确定模块，根据患者血红蛋白量确定相应的出血量信息；控制模块，用于接收血管位置及血管直径信息，以及出血量信息，根据接收到的信息得到止血用的激光能量控制信息；激光止血设备，用于接收控制模块传输至的激光能量值控制信息，根据该激光能量值控制信息输出相应的激光能量。本发明能对待止血部位发射出较为适宜的激光能，避免因止血不当而对患者造成严重的伤害。当而对患者造成严重的伤害。当而对患者造成严重的伤害。


技术研发人员：李洪举
受保护的技术使用者：莱凯医疗器械（北京）有限公司
技术研发日：2023.03.16
技术公布日：2023/7/25