一种基于大数据自适应调节的腔镜调节方法

1.本发明涉及智能医疗技术领域，具体涉及一种基于大数据自适应调节的腔镜调节方法。


背景技术：

2.目前，越来越多的疾病可以通过手术机器人进行手术得到治愈，尤其是腹腔镜手术，最常用的腹腔镜手术方式为微创手术，在微创手术的基础上，为了进一步减小手术的伤口，从而发展为单孔腹腔手术，单孔腹腔手术在腹壁上开一个切口，将腹腔镜机器人放在切口处以采集腹腔内的不同角度的图像，为手术顺利进行提供基础，单孔腹腔手术以只开一个切口、术后恢复快的优点被广大患者和医生所接受，相关领域的研究也逐步开展。
3.现有技术中单孔腹腔手术所使用的腹腔镜机器人通过驱动器接收指令而使各关节动作以调整摄像头的位置采集不同角度的图像，需要根据采集的图像进行被动调节以获得病灶图像，多次调整驱动器的参数，需要耗费较长时间，病灶信息获取效率低，而且腔镜各个角度的调整容易对人体组织造成物理损伤，危险性提高。


技术实现要素：

4.本发明的目的在于提供一种基于大数据自适应调节的腔镜调节方法，以解决现有技术中根据采集的图像进行被动调节以获得病灶图像，多次调整驱动器的参数，需要耗费较长时间，病灶信息获取效率低，而且腔镜各个角度的调整容易对人体组织造成物理损伤，危险性提高的技术问题。
5.为解决上述技术问题，本发明具体提供下述技术方案：
6.一种基于大数据自适应调节的腔镜调节方法，包括以下步骤：
7.步骤s1、收集大数据量的腔镜检查历史数据，在大数据量的腔镜检查历史数据中拟合出人体组织损伤度与腔镜检查角度的关联关系，以及病灶信息捕获度与腔镜检查角度的关联关系；
8.步骤s2、以人体组织损伤度最小化和病灶信息捕获度最大化为双优化目标，基于双优化目标构建出腔镜检查角度选取函数，并利用腔镜检查角度选取函数确定出腔镜位于人体各个历史位置处最佳检查角度，其中，历史位置为获得每个腔镜检查历史数据时腔镜位于人体的位置；
9.步骤s3、将腔镜位于人体各个历史位置处最佳检查角度与人体各个历史位置进行学习训练得到腔镜调节模型，将腔镜位于人体实时位置处实际检查角度利用腔镜调节模型进行优化修正达到最佳检查角度，以实现以最小组织损伤获取最全病灶信息。
10.作为本发明的一种优选方案，所述在大数据量的腔镜检查历史数据中拟合出人体组织损伤度与腔镜检查角度的关联关系，包括：
11.在每个腔镜检查历史数据中提取出人体组织腔镜检查图像、腔镜检查角度以及历史位置；
12.在人体组织腔镜检查图像中提取出腔镜检查损伤图像块，并将腔镜检查损伤图像块与损伤组织原始图像块进行相似度量化，并将腔镜检查损伤图像块与损伤组织原始图像块间的相似度作为所述人体组织损伤度，其中，腔镜检查损伤图像块表征为人体组织腔镜检查图像中由腔镜检查造成的人体组织损伤的图像块，损伤组织原始图像块表征为所述人体组织损伤的图像块相对应的腔镜检查前的人体组织原始图像块；
13.将腔镜检查角度作为bp神经网络的输入项，将人体组织损伤度作为bp神经网络的输出项，利用bp神经网络对所述bp神经网络的输入项和bp神经网络的输出项进行网络训练拟合出人体组织损伤度与腔镜检查角度的关联关系；
14.所述人体组织损伤度与腔镜检查角度的关联关系的表达式为：
15.u
p
＝bp(k
p
)；
16.式中，k
p
为历史位置p处的腔镜检查角度，u
p
为历史位置p处的人体组织损伤度，bp为bp神经网络。
17.作为本发明的一种优选方案，在大数据量的腔镜检查历史数据中拟合出病灶信息捕获度与腔镜检查角度的关联关系，包括：
18.在每个腔镜检查历史数据中提取出人体组织腔镜检查图像、腔镜检查角度以及历史位置；
19.在人体组织腔镜检查图像中提取出病灶信息捕获图像块，并将病灶信息捕获图像块与病灶信息标准图像块进行相似度量化，并将病灶信息捕获图像块与病灶信息标准图像块间的相似度作为所述病灶信息捕获度，其中，病灶信息捕获图像块表征为人体组织腔镜检查图像中包含人体病灶组织信息的图像块，病灶信息标准图像块表征为包含人体病灶组织全部信息的图像块；
20.将腔镜检查角度作为bp神经网络的第二输入项，将病灶信息捕获度作为bp神经网络的第二输出项，利用bp神经网络对所述bp神经网络的第二输入项和bp神经网络的第二输出项进行网络训练拟合出病灶信息捕获度与腔镜检查角度的关联关系；
21.所述病灶信息捕获度与腔镜检查角度的关联关系的表达式为：
[0022]vp
＝bp(k
p
)；
[0023]
式中，k
p
为历史位置p处的腔镜检查角度，v
p
为历史位置p处的病灶信息捕获度，bp为bp神经网络。
[0024]
作为本发明的一种优选方案，所述基于双优化目标构建出腔镜检查角度选取函数，包括：
[0025]
基于人体组织损伤度最小化构建腔镜检查角度选取函数的第一函数，所述第一函数的函数表达式为：
[0026]
min[u
p
]＝min[bp(k
p
)]；
[0027]
式中，min为最小化运算符，k
p
为历史位置p处的腔镜检查角度，u
p
为历史位置p处的人体组织损伤度，bp为bp神经网络；
[0028]
基于病灶信息捕获度最大化构建腔镜检查角度选取函数的第二函数，所述第二函数的函数表达式为：
[0029]
max[v
p
]＝max[bp(k
p
)]；
[0030]
式中，max为最大化运算符，k
p
为历史位置p处的腔镜检查角度，v
p
为历史位置p处的
病灶信息捕获度，bp为bp神经网络，p∈所有历史位置。
[0031]
作为本发明的一种优选方案，所述利用腔镜检查角度选取函数确定出腔镜位于人体各个历史位置处最佳检查角度，包括：
[0032]
确定出历史位置p处的约束条件，所述历史位置p处的约束条件为：k
p
∈[k
min
,k
max
]，k
min
,k
max
分别为腔镜检查角度最小值和腔镜检查角度最大值；
[0033]
基于历史位置p处的约束条件对腔镜检查角度选取函数进行搜索求解得到腔镜位于历史位置p处最佳检查角度k
pbest
。
[0034]
作为本发明的一种优选方案，所述将腔镜位于人体各个历史位置处最佳检查角度与人体各个历史位置进行学习训练得到腔镜调节模型，包括：
[0035]
将历史位置p作为bp神经网络的第三输入项，将腔镜位于历史位置p处最佳检查角度k
pbest
作为bp神经网络的第三输出项，利用bp神经网络对所述bp神经网络的第三输入项和bp神经网络的第三输出项进行学习训练得到所述腔镜调节模型，以表征腔镜位于人体的位置与最佳检查角度的关联关系；
[0036]
所述腔镜调节模型的模型表达式为：
[0037]kp
＝bp(p)；
[0038]
式中，k
p
为历史位置p处的最佳检查角度，p为历史位置p，bp为bp神经网络。
[0039]
作为本发明的一种优选方案，所述将腔镜位于人体实时位置处实际检查角度利用腔镜调节模型进行优化修正达到最佳检查角度，包括：
[0040]
获取腔镜位于人体的实时位置，以及腔镜位于人体实时位置处的实际检查角度；
[0041]
并将腔镜位于人体的实时位置输入至腔镜调节模型中，输出腔镜位于人体的实时位置处的最佳检查角度；
[0042]
将腔镜位于人体实时位置处的实际检查角度修正为腔镜位于人体的实时位置处的最佳检查角度。
[0043]
作为本发明的一种优选方案，所述腔镜检查损伤图像块、病灶信息捕获图像块均通过yolo算法进行提取。
[0044]
作为本发明的一种优选方案，所述相似度利用相关系数、欧式距离或杰卡德系数中的一种进行计算。
[0045]
作为本发明的一种优选方案，将腔镜调节模型预测得到腔镜位于人体实时位置处的最佳检查角度加入腔镜调节模型的训练数据中，以对腔镜调节模型进行迭代更新。
[0046]
本发明与现有技术相比较具有如下有益效果：
[0047]
本发明以人体组织损伤度最小化和病灶信息捕获度最大化为双优化目标，基于双优化目标构建出腔镜检查角度选取函数，并利用腔镜检查角度选取函数确定出腔镜位于人体各个历史位置处最佳检查角度，将腔镜位于人体各个历史位置处最佳检查角度与人体各个历史位置进行学习训练得到腔镜调节模型，将腔镜位于人体实时位置处实际检查角度利用腔镜调节模型进行优化修正达到最佳检查角度，以实现以最小组织损伤获取最全病灶信息，无需根据采集的图像进行被动调节以获得病灶图像，无需多次调整驱动器的参数精准获取病灶信息，效率高，危险性小。
附图说明
[0048]
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。
[0049]
图1为本发明实施例提供的腔镜调节方法流程图。
具体实施方式
[0050]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0051]
目前单孔腹腔手术所使用的腹腔镜机器人通过驱动器接收指令而使各关节动作以调整摄像头的位置采集不同角度的图像，需要根据采集的图像进行被动调节以获得病灶图像，多次调整驱动器的参数，需要耗费较长时间，病灶信息获取效率低，而且腔镜各个角度的调整容易对人体组织造成物理损伤，危险性提高，因此本发明提供了一种腔镜自适应调节方法，基于当前人体结构的特点，在采集大量数据的基础上构建一个调节模型，从而使得腔镜在进入人体后可以在实时位置进行相应角度的变化调整，即以腔镜进入人体的所处位置作为判断依据，并结合调节模型的腔镜角度优化进行主动修正，从而在对应位置对腔镜的角度进行主动调整，以便腔镜更好进入人体的同时还可以降低对人体组织的损伤。
[0052]
如图1所示，本发明提供了一种基于大数据自适应调节的腔镜调节方法，包括以下步骤：
[0053]
步骤s1、收集大数据量的腔镜检查历史数据，在大数据量的腔镜检查历史数据中拟合出人体组织损伤度与腔镜检查角度的关联关系，以及病灶信息捕获度与腔镜检查角度的关联关系；
[0054]
步骤s2、以人体组织损伤度最小化和病灶信息捕获度最大化为双优化目标，基于双优化目标构建出腔镜检查角度选取函数，并利用腔镜检查角度选取函数确定出腔镜位于人体各个历史位置处最佳检查角度，其中，历史位置为获得每个腔镜检查历史数据时腔镜位于人体的位置；
[0055]
步骤s3、将腔镜位于人体各个历史位置处最佳检查角度与人体各个历史位置进行学习训练得到腔镜调节模型，将腔镜位于人体实时位置处实际检查角度利用腔镜调节模型进行优化修正达到最佳检查角度，以实现以最小组织损伤获取最全病灶信息。
[0056]
本发明利用历史腔镜检查产生的先验知识，从大数据量的腔镜检查历史数据中获取腔镜检查角度与人体损伤和病灶信息获取程度之间的关系，充分掌握腔镜检查角度与人体损伤和病灶信息获取程度之间的关系先验知识，能够利用人体损伤程度和病灶信息获取程度来确定最佳的腔镜检查角度，即确定出腔镜检查角度的量化指标，充分挖掘出腔镜检查历史数据的有效信息，定量化解释腔镜检查角度的选取原则，而非定性化人为决定，客观性更强，准确性也更强。获取腔镜检查角度与人体损伤和病灶信息获取程度之间的关系具体过程如下：
[0057]
在大数据量的腔镜检查历史数据中拟合出人体组织损伤度与腔镜检查角度的关联关系，包括：
[0058]
在每个腔镜检查历史数据中提取出人体组织腔镜检查图像、腔镜检查角度以及历史位置；
[0059]
在人体组织腔镜检查图像中提取出腔镜检查损伤图像块，并将腔镜检查损伤图像块与损伤组织原始图像块进行相似度量化，并将腔镜检查损伤图像块与损伤组织原始图像块间的相似度作为人体组织损伤度，其中，腔镜检查损伤图像块表征为人体组织腔镜检查图像中由腔镜检查造成的人体组织损伤的图像块，损伤组织原始图像块表征为人体组织损伤的图像块相对应的腔镜检查前的人体组织原始图像块；
[0060]
将腔镜检查角度作为bp神经网络的输入项，将人体组织损伤度作为bp神经网络的输出项，利用bp神经网络对bp神经网络的输入项和bp神经网络的输出项进行网络训练拟合出人体组织损伤度与腔镜检查角度的关联关系；
[0061]
人体组织损伤度与腔镜检查角度的关联关系的表达式为：
[0062]up
＝bp(k
p
)；
[0063]
式中，k
p
为历史位置p处的腔镜检查角度，u
p
为历史位置p处的人体组织损伤度，bp为bp神经网络。
[0064]
在大数据量的腔镜检查历史数据中拟合出病灶信息捕获度与腔镜检查角度的关联关系，包括：
[0065]
在每个腔镜检查历史数据中提取出人体组织腔镜检查图像、腔镜检查角度以及历史位置；
[0066]
在人体组织腔镜检查图像中提取出病灶信息捕获图像块，并将病灶信息捕获图像块与病灶信息标准图像块进行相似度量化，并将病灶信息捕获图像块与病灶信息标准图像块间的相似度作为病灶信息捕获度，其中，病灶信息捕获图像块表征为人体组织腔镜检查图像中包含人体病灶组织信息的图像块，病灶信息标准图像块表征为包含人体病灶组织全部信息的图像块；
[0067]
将腔镜检查角度作为bp神经网络的第二输入项，将病灶信息捕获度作为bp神经网络的第二输出项，利用bp神经网络对bp神经网络的第二输入项和bp神经网络的第二输出项进行网络训练拟合出病灶信息捕获度与腔镜检查角度的关联关系；
[0068]
病灶信息捕获度与腔镜检查角度的关联关系的表达式为：
[0069]vp
＝bp(k
p
)；
[0070]
式中，k
p
为历史位置p处的腔镜检查角度，v
p
为历史位置p处的病灶信息捕获度，bp为bp神经网络。
[0071]
本发明构建腔镜检查角度选取函数，利用人体组织损伤度和病灶信息捕获度为量化指标定量化在每个历史位置处确定出腔镜检查的最佳角度，提高腔镜检查的最佳角度的准确性，同时使的最佳角度满足最小组织损伤获取最全病灶信息，腔镜检查角度选取函数的构建如下：
[0072]
基于双优化目标构建出腔镜检查角度选取函数，包括：
[0073]
基于人体组织损伤度最小化构建腔镜检查角度选取函数的第一函数，第一函数的函数表达式为：
[0074]
min[u
p
]＝min[bp(k
p
)]；
[0075]
式中，min为最小化运算符，k
p
为历史位置p处的腔镜检查角度，u
p
为历史位置p处的人体组织损伤度，bp为bp神经网络；
[0076]
基于病灶信息捕获度最大化构建腔镜检查角度选取函数的第二函数，第二函数的函数表达式为：
[0077]
max[v
p
]＝max[bp(k
p
)]；
[0078]
式中，max为最大化运算符，k
p
为历史位置p处的腔镜检查角度，v
p
为历史位置p处的病灶信息捕获度，bp为bp神经网络，p∈所有历史位置。
[0079]
利用腔镜检查角度选取函数确定出腔镜位于人体各个历史位置处最佳检查角度，包括：
[0080]
确定出历史位置p处的约束条件，历史位置p处的约束条件为：k
p
∈[k
min
,k
max
]，k
min
,k
max
分别为腔镜检查角度最小值和腔镜检查角度最大值；
[0081]
基于历史位置p处的约束条件对腔镜检查角度选取函数进行搜索求解得到腔镜位于历史位置p处最佳检查角度k
pbest
。
[0082]
各个历史位置处利用双目标优化方式进行最佳检查角度的确定，由于腔镜检查历史数据的有限性，则历史位置的数量也有限，而各个离散的历史位置虽然确定出了最佳检查角度，却难以覆盖到人体的任意位置上，因此本发明将最佳检查角度与人体位置进行关联映射，通过有限量离散的历史位置的最佳检查角度利用神经网络进行学习训练得到最佳检查角度与人体位置之间无线量连续性的关联映射关系，从而能够实现通过任意人体位置直接测算出其位置的最佳检查角度，进而提供给腔镜角度控制单元进行对应调节，省去了调整摄像头的位置采集不同角度的图像，需要根据采集的图像进行被动调节以获得病灶图像，多次调整驱动器的参数的过程，节省检查时间，提高效率，而且避免腔镜各个角度的调整对人体组织造成物理损伤，保证安全性。
[0083]
腔镜调节模型为最佳检查角度与人体位置之间无线量连续性的关联映射关系，由神经网络基于有限量离散的历史位置的最佳检查角度进行学习训练得到，因此腔镜调节模型得到最佳检查角度也具有人体组织损伤度最小化和病灶信息捕获度最大化的特点，腔镜调节模型预测到的最佳检查角度能够实现在实时位置处以最小组织损伤获取最全病灶信息的目的。
[0084]
将腔镜位于人体各个历史位置处最佳检查角度与人体各个历史位置进行学习训练得到腔镜调节模型，包括：
[0085]
将历史位置p作为bp神经网络的第三输入项，将腔镜位于历史位置p处最佳检查角度k
pbest
作为bp神经网络的第三输出项，利用bp神经网络对bp神经网络的第三输入项和bp神经网络的第三输出项进行学习训练得到腔镜调节模型，以表征腔镜位于人体的位置与最佳检查角度的关联关系；
[0086]
腔镜调节模型的模型表达式为：
[0087]kp
＝bp(p)；
[0088]
式中，k
p
为历史位置p处的最佳检查角度，p为历史位置p，bp为bp神经网络。
[0089]
将腔镜位于人体实时位置处实际检查角度利用腔镜调节模型进行优化修正达到最佳检查角度，包括：
[0090]
获取腔镜位于人体的实时位置，以及腔镜位于人体实时位置处的实际检查角度；
[0091]
并将腔镜位于人体的实时位置输入至腔镜调节模型中，输出腔镜位于人体的实时位置处的最佳检查角度；
[0092]
将腔镜位于人体实时位置处的实际检查角度修正为腔镜位于人体的实时位置处的最佳检查角度。
[0093]
腔镜检查损伤图像块、病灶信息捕获图像块均通过yolo算法进行提取。
[0094]
相似度利用相关系数、欧式距离或杰卡德系数中的一种进行计算。
[0095]
将腔镜调节模型预测得到腔镜位于人体实时位置处的最佳检查角度加入腔镜调节模型的训练数据中，以对腔镜调节模型进行迭代更新。
[0096]
本发明以人体组织损伤度最小化和病灶信息捕获度最大化为双优化目标，基于双优化目标构建出腔镜检查角度选取函数，并利用腔镜检查角度选取函数确定出腔镜位于人体各个历史位置处最佳检查角度，将腔镜位于人体各个历史位置处最佳检查角度与人体各个历史位置进行学习训练得到腔镜调节模型，将腔镜位于人体实时位置处实际检查角度利用腔镜调节模型进行优化修正达到最佳检查角度，以实现以最小组织损伤获取最全病灶信息，无需根据采集的图像进行被动调节以获得病灶图像，无需多次调整驱动器的参数精准获取病灶信息，效率高，危险性小。
[0097]
以上实施例仅为本技术的示例性实施例，不用于限制本技术，本技术的保护范围由权利要求书限定。本领域技术人员可以在本技术的实质和保护范围内，对本技术做出各种修改或等同替换，这种修改或等同替换也应视为落在本技术的保护范围内。

技术特征：
1.一种基于大数据自适应调节的腔镜调节方法，其特征在于，包括以下步骤：步骤s1、收集大数据量的腔镜检查历史数据，在大数据量的腔镜检查历史数据中拟合出人体组织损伤度与腔镜检查角度的关联关系，以及病灶信息捕获度与腔镜检查角度的关联关系；步骤s2、以人体组织损伤度最小化和病灶信息捕获度最大化为双优化目标，基于双优化目标构建出腔镜检查角度选取函数，并利用腔镜检查角度选取函数确定出腔镜位于人体各个历史位置处最佳检查角度，其中，历史位置为获得每个腔镜检查历史数据时腔镜位于人体的位置；步骤s3、将腔镜位于人体各个历史位置处最佳检查角度与人体各个历史位置进行学习训练得到腔镜调节模型，将腔镜位于人体实时位置处实际检查角度利用腔镜调节模型进行优化修正达到最佳检查角度，以实现以最小组织损伤获取最全病灶信息。2.根据权利要求1所述的一种基于大数据自适应调节的腔镜调节方法，其特征在于：所述在大数据量的腔镜检查历史数据中拟合出人体组织损伤度与腔镜检查角度的关联关系，包括：在每个腔镜检查历史数据中提取出人体组织腔镜检查图像、腔镜检查角度以及历史位置；在人体组织腔镜检查图像中提取出腔镜检查损伤图像块，并将腔镜检查损伤图像块与损伤组织原始图像块进行相似度量化，并将腔镜检查损伤图像块与损伤组织原始图像块间的相似度作为所述人体组织损伤度，其中，腔镜检查损伤图像块表征为人体组织腔镜检查图像中由腔镜检查造成的人体组织损伤的图像块，损伤组织原始图像块表征为所述人体组织损伤的图像块相对应的腔镜检查前的人体组织原始图像块；将腔镜检查角度作为bp神经网络的输入项，将人体组织损伤度作为bp神经网络的输出项，利用bp神经网络对所述bp神经网络的输入项和bp神经网络的输出项进行网络训练拟合出人体组织损伤度与腔镜检查角度的关联关系；所述人体组织损伤度与腔镜检查角度的关联关系的表达式为：u
p
＝bp(k
p
)；式中，k
p
为历史位置p处的腔镜检查角度，u
p
为历史位置p处的人体组织损伤度，bp为bp神经网络。3.根据权利要求2所述的一种基于大数据自适应调节的腔镜调节方法，其特征在于：在大数据量的腔镜检查历史数据中拟合出病灶信息捕获度与腔镜检查角度的关联关系，包括：在每个腔镜检查历史数据中提取出人体组织腔镜检查图像、腔镜检查角度以及历史位置；在人体组织腔镜检查图像中提取出病灶信息捕获图像块，并将病灶信息捕获图像块与病灶信息标准图像块进行相似度量化，并将病灶信息捕获图像块与病灶信息标准图像块间的相似度作为所述病灶信息捕获度，其中，病灶信息捕获图像块表征为人体组织腔镜检查图像中包含人体病灶组织信息的图像块，病灶信息标准图像块表征为包含人体病灶组织全部信息的图像块；将腔镜检查角度作为bp神经网络的第二输入项，将病灶信息捕获度作为bp神经网络的
第二输出项，利用bp神经网络对所述bp神经网络的第二输入项和bp神经网络的第二输出项进行网络训练拟合出病灶信息捕获度与腔镜检查角度的关联关系；所述病灶信息捕获度与腔镜检查角度的关联关系的表达式为：v
p
＝bp(k
p
)；式中，k
p
为历史位置p处的腔镜检查角度，v
p
为历史位置p处的病灶信息捕获度，bp为bp神经网络。4.根据权利要求3所述的一种基于大数据自适应调节的腔镜调节方法，其特征在于：所述基于双优化目标构建出腔镜检查角度选取函数，包括：基于人体组织损伤度最小化构建腔镜检查角度选取函数的第一函数，所述第一函数的函数表达式为：min[u
p
]＝min[bp(k
p
)]；式中，min为最小化运算符，k
p
为历史位置p处的腔镜检查角度，u
p
为历史位置p处的人体组织损伤度，bp为bp神经网络；基于病灶信息捕获度最大化构建腔镜检查角度选取函数的第二函数，所述第二函数的函数表达式为：max[v
p
]＝max[bp(k
p
)]；式中，max为最大化运算符，k
p
为历史位置p处的腔镜检查角度，v
p
为历史位置p处的病灶信息捕获度，bp为bp神经网络，p∈所有历史位置。5.根据权利要求4所述的一种基于大数据自适应调节的腔镜调节方法，其特征在于：所述利用腔镜检查角度选取函数确定出腔镜位于人体各个历史位置处最佳检查角度，包括：确定出历史位置p处的约束条件，所述历史位置p处的约束条件为：k
p
∈[k
min
,k
max
]，k
min
,k
max
分别为腔镜检查角度最小值和腔镜检查角度最大值；基于历史位置p处的约束条件对腔镜检查角度选取函数进行搜索求解得到腔镜位于历史位置p处最佳检查角度k
pbest
。6.根据权利要求5所述的一种基于大数据自适应调节的腔镜调节方法，其特征在于：所述将腔镜位于人体各个历史位置处最佳检查角度与人体各个历史位置进行学习训练得到腔镜调节模型，包括：将历史位置p作为bp神经网络的第三输入项，将腔镜位于历史位置p处最佳检查角度k
pbest
作为bp神经网络的第三输出项，利用bp神经网络对所述bp神经网络的第三输入项和bp神经网络的第三输出项进行学习训练得到所述腔镜调节模型，以表征腔镜位于人体的位置与最佳检查角度的关联关系；所述腔镜调节模型的模型表达式为：k
p
＝bp(p)；式中，k
p
为历史位置p处的最佳检查角度，p为历史位置p，bp为bp神经网络。7.根据权利要求6所述的一种基于大数据自适应调节的腔镜调节方法，其特征在于，所述将腔镜位于人体实时位置处实际检查角度利用腔镜调节模型进行优化修正达到最佳检查角度，包括：获取腔镜位于人体的实时位置，以及腔镜位于人体实时位置处的实际检查角度；并将腔镜位于人体的实时位置输入至腔镜调节模型中，输出腔镜位于人体的实时位置
处的最佳检查角度；将腔镜位于人体实时位置处的实际检查角度修正为腔镜位于人体的实时位置处的最佳检查角度。8.根据权利要求3所述的一种基于大数据自适应调节的腔镜调节方法，其特征在于，所述腔镜检查损伤图像块、病灶信息捕获图像块均通过yolo算法进行提取。9.根据权利要求3所述的一种基于大数据自适应调节的腔镜调节方法，其特征在于，所述相似度利用相关系数、欧式距离或杰卡德系数中的一种进行计算。10.根据权利要求6所述的一种基于大数据自适应调节的腔镜调节方法，其特征在于，将腔镜调节模型预测得到腔镜位于人体实时位置处的最佳检查角度加入腔镜调节模型的训练数据中，以对腔镜调节模型进行迭代更新。

技术总结
本发明公开了一种基于大数据自适应调节的腔镜调节方法，包括以下步骤：以人体组织损伤度最小化和病灶信息捕获度最大化为双优化目标，基于双优化目标构建出腔镜检查角度选取函数，并利用腔镜检查角度选取函数确定出腔镜位于人体各个历史位置处最佳检查角度，将腔镜位于人体各个历史位置处最佳检查角度与人体各个历史位置进行学习训练得到腔镜调节模型，将腔镜位于人体实时位置处实际检查角度利用腔镜调节模型进行优化修正达到最佳检查角度。本发明实现以最小组织损伤获取最全病灶信息，无需根据采集的图像进行被动调节以获得病灶图像，无需多次调整驱动器的参数精准获取病灶信息，效率高，危险性小。危险性小。危险性小。


技术研发人员：陈怡
受保护的技术使用者：安徽省儿童医院（安徽省新华医院、安徽省儿科医学研究所、复旦大学附属儿科医院安徽医院）
技术研发日：2023.05.09
技术公布日：2023/8/9