【技术实现步骤摘要】
本专利技术属于微波消融，具体涉及手术区域特征数据驱动的微波功率自调系统及方法。
技术介绍
1、目前，微波消融技术被广泛应用于治疗肿瘤和心脏疾病等疾病，利用微波进行止血已经成为许多手术中不可或缺的重要手段，传统的微波功率调节技术主要包括手动调节和固定功率输出两种模式。手动调节需要操作医生根据自己的经验和感觉进行微波功率的调整，存在主观性强、不稳定、易出错等问题。而固定功率输出模式则是将微波功率固定为一个预设值，无法根据手术情况和组织特征进行动态调节，因此适用范围有限。
2、如授权公告号为cn117297758b的中国专利公开了一种微波消融参数的确定方法、装置及电子设备，包括：获取待消融区域的截面尺寸数据；其中，待消融区域为椭球形；截面尺寸数据包括：待消融区域的长直径数据和短直径数据；根据长直径数据和上述短直径数据，计算得到待消融区域的体积数据；将截面尺寸数据以及体积数据输入至预设的消融预测模型中，以通过消融预测模型输出与待消融区域相匹配的微波消融参数；其中，微波消融参数包括：微波消融功率和微波消融时间。该方式通过将待消融区域的尺寸数据输入至消融预测模型，就可以得到与待消融区域相匹配的微波消融功率和微波消融时间，进而可以提高消融效率。
3、上述专利还存在如下缺陷：
4、由于手术中个体的差异，手术区域中的血流量、组织温度、组织类型、组织密度、组织厚度、血管类型等也都不相同，而这些信息反映了手术区域的生理状况、组织结构和血管分布情况，会影响手术过程中微波止血的情况，进而影响手术效率，需要进行改进。p>
技术实现思路
1、本专利技术的目的在于提供手术区域特征数据驱动的微波功率自调系统及方法，用于解决现
技术介绍
中提出的技术问题。
2、为了实现上述目的，本专利技术采用了如下技术方案：手术区域特征数据驱动的微波功率自调方法，包括：
3、采集手术区域的特征数据，所述特征数据包括血流量、组织温度和手术区域视频；
4、对采集到的特征数据进行处理，提取手术区域的历史训练数据集合，历史训练数据集合包括综合特征数据和微波输出功率；
5、基于历史训练数据集合，训练预测出微波输出功率的机器学习模型，采集实时的手术区域的综合特征数据，基于训练完成的机器学习模型预测出微波输出功率；
6、根据手术区域视频，提取处理图像信息，将获取的处理图像输入到训练完成的血管类型识别模型中，获得血管类型；
7、将综合特征数据和血管类型输入到预构建的微波功率曲线适配模型中，获得与微波止血过程相对应的功率曲线。
8、优选的，所述综合特征数据包括血流量、组织温度、组织类型、组织的密度和厚度。
9、优选的，所述组织类型包括脂肪组织、肌肉组织、血管组织、神经组织和骨组织；所述组织类型的获取方式包括：根据手术区域视频获取手术区域的颜色特征和纹理特征，并根据获取的颜色特征和纹理特征，输入至预构建的组织类型识别模型中，输出组织类型。
10、优选的，所述颜色特征的获取方式如下：
11、将手术区域视频中每一帧转化为rgb颜色空间，并对止血区域进行分割，得到止血区域图像，对于图像中每个颜色通道r、g、b，计算每个像素颜色的直方图，具体如下：
12、首先，计算每个像素颜色的像素数量；
13、h(c)＝∑x，y1[i(x，y)＝c]；
14、式中，h(c)表示颜色值为c的像素数量，i(x，y)表示在图像i中位置为(x，y)的像素的颜色值，1[i(x，y)＝c]为指示函数，当i(x，y)＝c时，该函数值为1，否则为0；
15、然后计算每个像素颜色的频率：
16、
17、式中，hi表示第i个像素颜色的频率，h(c)表示颜色值为c的像素数量，w表示止血区域内总像素数量。
18、优选的，纹理特征的获取方式如下：
19、将手术区域视频中每一帧转换为灰度图像，并对图像进行归一化处理，对于图像中的每个像素，计算其lbp值，具体如下：
20、选择lbp算子的半径(r)和邻域点的数量(p)，例如，常用的(p＝8，r＝1)表示在半径为1的圆周上等间距取8个点作为邻域点；
21、
22、式中，lbpp，r(xc，yc)表示在中心像素点(xc，yc)处的lbp特征值，其中p表示周围像素点的数量，r表示中心像素点与其周围像素点的距离(半径)，s(gp-gc)是一个符号函数，用于判断周围像素点gp与中心像素点gc的灰度值差异，如果(gp-gc)大于等于0，则s(gp-gc)为1；否则为0；gp表示周围某一像素点的灰度值，gc表示中心像素点的灰度值；2p是权重因子，用于在求和过程中给每个周围像素点的二值化结果赋予不同的权重；
23、构建lbp直方图：
24、创建一个长度为2p的数组(因为每个像素点有个p邻域，所以可能的lbp值有2p种)，用于记录每个可能的lbp值出现的频率，遍历图像中的每个像素，根据其lbp值在直方图对应的bin上加一，完成统计后，可以将每个bin的值除以图像中的总像素数，得到每个lbp值在图像中出现的频率，从而完成归一化，归一化后的lbp特征向量可表示为：
25、
26、式中，flbp表示特征向量，表示lbp模式的频率直方图，其中hi表示第i种lbp模式在图像中出现的次数，n表示图像中总的像素点数量，p表示lbp算法中采样点的数量，表示第i种lbp模式在图像中出现的相对频率，即出现次数除以总像素数。
27、优选的，所述组织类型识别模型的训练方式如下：
28、预先收集m组颜色特征和纹理特征；对每组颜色特征和纹理特征设置标签，标签包括脂肪组织、肌肉组织、血管组织、神经组织和骨组织，将脂肪组织、肌肉组织、血管组织、神经组织和骨组织分别转换为数值标签，示例，将脂肪组织标记为1、肌肉组织标记为2、血管组织标记为3、神经组织标记为4，骨组织标记为5，将数值标签与每组颜色特征和纹理特征逐一对应，组成一组训练数据，多组训练数据构成数据集，将数据集分为训练集与测试集，将训练集中的每组颜色特征和纹理特征作为组织类型识别模型的输入，将训练集中的每组颜色特征和纹理特征对应的标签作为输出，对组织类型识别模型进行训练，得到初始组织类型识别模型，利用测试集初始组织类型识别模型进行测试，输出满足预设准确度的初始组织类型识别模型作为组织类型识别模型。
29、优选的，所述组织的密度和厚度的获取方式如下：
30、组织的密度：
31、对采集到的视频图像进行预处理，包括去噪、图像增强和边缘检测等步骤，以提高图像质量和提取所需信息的准确性；
32、分割组织区域：利用图像分割算法将手术区域中的组织区域与其他区域(如背景或其他物体)进行分割，这可以通过阈值分割、边缘检测、区域生长等方法来实现，此步骤为现有技术，在此不加以赘述；
33、计算组织密度：本文档来自技高网...
【技术保护点】
1.手术区域特征数据驱动的微波功率自调方法，其特征在于，包括：
2.如权利要求1所述的手术区域特征数据驱动的微波功率自调方法，其特征在于，所述综合特征数据包括血流量、组织温度、组织类型、组织的密度和厚度。
3.如权利要求2所述的手术区域特征数据驱动的微波功率自调方法，其特征在于，所述组织类型包括脂肪组织、肌肉组织、血管组织、神经组织和骨组织；所述组织类型的获取方式包括：根据手术区域视频获取手术区域的颜色特征和纹理特征，并根据获取的颜色特征和纹理特征，输入至预构建的组织类型识别模型中，输出组织类型。
4.如权利要求3所述的手术区域特征数据驱动的微波功率自调方法，其特征在于，所述颜色特征的获取方式如下：
5.如权利要求3所述的手术区域特征数据驱动的微波功率自调方法，其特征在于，纹理特征的获取方式如下：
6.如权利要求5所述的手术区域特征数据驱动的微波功率自调方法，其特征在于，所述组织类型识别模型的训练方式如下：
7.如权利要求6所述的手术区域特征数据驱动的微波功率自调方法，其特征在于，所述组织的密度和厚度的获取方
8.如权利要求7所述的手术区域特征数据驱动的微波功率自调方法，其特征在于，所述预测出微波输出功率的机器学习模型的训练方式如下：
9.如权利要求8所述的手术区域特征数据驱动的微波功率自调方法，其特征在于，所述血管类型识别模型的训练方法包括：
10.手术区域特征数据驱动的微波功率自调系统，用于实现权利要求1-9任一项所述的手术区域特征数据驱动的微波功率自调方法，其特征在于，包括：
...【技术特征摘要】
1.手术区域特征数据驱动的微波功率自调方法，其特征在于，包括：
2.如权利要求1所述的手术区域特征数据驱动的微波功率自调方法，其特征在于，所述综合特征数据包括血流量、组织温度、组织类型、组织的密度和厚度。
3.如权利要求2所述的手术区域特征数据驱动的微波功率自调方法，其特征在于，所述组织类型包括脂肪组织、肌肉组织、血管组织、神经组织和骨组织；所述组织类型的获取方式包括：根据手术区域视频获取手术区域的颜色特征和纹理特征，并根据获取的颜色特征和纹理特征，输入至预构建的组织类型识别模型中，输出组织类型。
4.如权利要求3所述的手术区域特征数据驱动的微波功率自调方法，其特征在于，所述颜色特征的获取方式如下：
5.如权利要求3所述的手术区域特征数据驱动的微波功率自...
【专利技术属性】
技术研发人员：张舒，晋云，曹勇，蔡惠明，魏琳，戴海涵，
申请(专利权)人：南京诺源医疗器械有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。