一种高频超声手术的双输出管理系统的制作方法

本发明涉及手术医疗，更具体地说，本发明涉及一种高频超声手术的双输出管理系统。

背景技术：

1、申请公开号为cn113397656a的专利公开了一种双极高频超声双输出手术系统，包括：多用剪，用于向生物组织施加超声振动和/或高频电流；手柄，其与多用剪相连，用于将超声波驱动信号转换为超声波机械振动并传递至多用剪和/或将高频驱动信号传递至多用剪；主机，其与手柄相连，包括主控单元、超声驱动单元和高频电力驱动单元，主控单元用于根据激发信号及用户选定的工作模式驱动超声驱动单元和/或高频电力驱动单元，以向手柄输出超声波驱动信号和/或高频驱动信号；激发装置，与主机相连，用于根据用户的控制向所述主控单元输入激发信号。能够轻松实现高频电流和超声波能量的任意组合输出，在手术中且无需操作者更换手术器械及进行输出切换，有效降低手术风险。

2、但是现有高频超声手术设备无法实时监测和控制热效应，难以适应不同手术对象的需求变化，经常出现因过热或欠热引起的安全隐患，增加了手术风险；医生无法获取准确的热效应预测，也无从优化输出功率，手术参数的设置过于依赖经验，极大地限制了手术效率和效果的提升；现有设备的单一固定输出经常导致的过热情况，不仅增加了手术的难度，也加重了患者的痛苦；有时为防止过热，只能保守地选择更低的输出功率，但手术时间的延长也增加了感染的机率；此外，欠热的情况也较难判断和补偿；总体来说，现有技术严重制约了高频超声手术的安全性、精准性和效率。

3、鉴于此，本发明提出一种高频超声手术的双输出管理系统以解决上述问题。

技术实现思路

1、为了克服现有技术的上述缺陷，为实现上述目的，本发明提供如下技术方案：一种高频超声手术的双输出管理系统，包括：数据采集模块，用于获取手术目标组织的特征数据和历史输出功率组合数据；

2、模型构建模块，用于将特征数据进行算法组合处理获取特征三维模型；

3、特征函数获取模块，用于根据特征三维模型和历史输出功率组合数据获取m个组织温升特征函数；

4、调控模块，用于根据m个组织温升特征函数利用改进蒙特卡罗模拟算法，获取输出功率分配方案；将输出功率分配方案应用于高频超声手术的双输出通道；

5、所述输出功率分配方案的获取方式包括：

6、改进蒙特卡罗模拟算法包括第一次迭代求解和第二次迭代求解；设置第一次迭代求解的迭代轮数为n1；第二次迭代求解的迭代轮数为n2，初始化迭代轮数n1的输出功率取值范围为粗略范围区间；

7、所述第一次迭代求解的过程包括：

8、步骤1、随机初始化粗略功率样本；在粗略范围区间内，随机生成n3组粗略功率分配样本，粗略功率分配样本包含双输出通道功率的分配值pi_1，pi_2;

9、步骤2、提取待手术组织区域对应的四面体单元的组织温升特征函数；将每个粗略功率分配样本代入组织温升特征函数；计算粗略温升响应值；然后与预设的粗略安全温升上限比较；

10、若粗略温升响应值大于粗略安全温升上限；则改进蒙特卡罗模拟算法的粗略适应度；其中，为惩罚系数；

11、若粗略温升响应值小于或等于粗略安全温升上限；则改进蒙特卡罗模拟算法的粗略适应度；选择当前最优粗略功率分配样本，并记录其适应度值sb;

12、步骤3、以sb为中心利用自适应缩小函数缩小粗略范围区间，得到新的粗略范围区间;

13、自适应缩小函数为：；其中，为缩小系数；和为当前最优样本的双输出通道功率的分配值；

14、步骤4、在新的粗略范围区间内，随机产生新n4组样本，转至步骤2；重复迭代直至达到预定n1轮后，结束第一次迭代求解；得到最终粗略范围区间。

15、进一步地，所述第二次迭代求解的过程包括：

16、以最终粗略范围区间为起点，在最终粗略范围区间周围设置狭小范围作为精细范围区间；以精细范围区间作为迭代轮数为n2的输出功率取值范围；进行n2轮迭代；

17、步骤101、在精细范围区间内，随机生成n5组精细功率分配样本；

18、步骤102、提取待手术组织区域对应的四面体单元的组织温升特征函数；将每个精细功率分配样本代入组织温升特征函数；计算得到精细温升响应值；然后与预设的精细安全温升上限比较；

19、若精细温升响应值大于精细安全温升上限；则改进蒙特卡罗模拟算法的精细适应度；其中，为精细惩罚系数；

20、若精细温升响应值小于或等于精细安全温升上限；则改进蒙特卡罗模拟算法的精细适应度；选择当前最优精细功率分配样本，并记录其适应度值sb1;

21、步骤103、以sb1为中心利用精细自适应缩小函数缩小精细范围区间，得到新的精细范围区间;

22、精细自适应缩小函数为：；其中，为精细缩小系数；和为当前最优精细功率分配样本的双输出通道功率的分配值；

23、步骤104、在新的精细范围区间内，随机产生新n5组样本，转至步骤102；重复迭代直至达到预定n2轮后，结束第二次迭代求解；选择最后一次第二次迭代求解中精细适应度最高的最优精细功率分配样本作为最终的输出功率分配方案；各个模块之间通过有线和/或无线的方式进行连接，实现模块间的数据传输。

24、进一步地，所述特征数据包括基础轮廓和生物特性数据；

25、所述基础轮廓的获取方式包括：

26、采用mri成像技术获取手术目标组织的三维扫描图像，将三维扫描图像运用canny边缘检测算法提取出手术目标组织的基础轮廓；生物特性数据包括组织表层基础温度、比热容和导热系数；

27、所述组织表层基础温度通过紫外线微区域温度传感装置进行获取；比热容和导热系数均为对应组织已知的参数；均可以通过查阅医疗手册获取；

28、所述历史输出功率组合数据为历史手术的过程中的所有组合输出功率的集合；通过手术的历史记录获取。

29、进一步地，所述特征三维模型的建立方式包括：

30、将基础轮廓进行闭合处理，补全基础轮廓中的断点，得到全轮廓；去除全轮廓中的噪声曲线，获得光滑二维轮廓；

31、光滑二维轮廓具有n个轮廓层；提取相邻的轮廓层中的轮廓点；

32、定义轮廓点的特征描述子，特征描述子包括轮廓点的坐标信息、局部曲率和法线方向；

33、利用训练完成的匹配卷积神经网络得到轮廓层间匹配关系，输出匹配点之间的映射关系和映射误差；

34、预设匹配点阈值；当映射误差大于或等于匹配点阈值时，采用校正公式对匹配点进行矫正；

35、在相邻的轮廓层之间，使用基于轮廓朝内偏置策略的三次样条插值算法，生成轮廓层之间的中间轮廓；不断生成中间轮廓，直到重构出目标组织完整的三维基础轮廓，即为特征三维模型。

36、进一步地，所述匹配卷积神经网络的训练方式包括：

37、设置匹配卷积神经网络的基础架构；基础架构包括输入层、特征提取分支1、特征提取分支2、特征提取分支3、独立池化层、2个独立全连接层和输出层；

38、输入层用于接收轮廓点的特征向量，定长200维；特征提取分支1包括2个卷积层、2个池化层和1个全连接层；特征提取分支2包括1个卷积层、3个池化层和1个全连接层；特征提取分支3包括1个卷积层、1个池化层和1个全连接层；独立池化层用于将3个分支的特征向量进行拼接；2个独立全连接层的神经元数量分别为2048和500；

39、输出层用于输出匹配可能性分布，定义匹配可能性分布的分布函数表示输入轮廓点与另一轮廓层上的轮廓点的匹配概率；采用softmax函数将匹配特征转换为分布函数；其中，匹配特征为独立全连接层得到的匹配特征；为轮廓点索引；

40、在分布函数的函数值中选择函数值最大的点作为匹配点；构成匹配映射关系集合；

41、定义输出层的损失函数;其中，和分别为将轮廓点和轮廓点进行定位化；为卷积核的参数；

42、初始化卷积核的参数；通过自适应动量梯度下降方法训练匹配卷积神经网络，通过调整卷积核的参数最小化损失函数的函数值；初始化匹配卷积神经网络的学习率，通过渐减学习率与热重启相结合的学习率策略，优化匹配卷积神经网络；

43、构建轮廓匹配数据集，构建方式为采集包含b组目标组织的轮廓图像；将轮廓图像处理获取光滑二维轮廓；并提取光滑二维轮廓相邻的轮廓层的轮廓点的集合；人工标注相邻的轮廓层之间的正确的匹配点集作为监督信息；

44、重复输入轮廓匹配数据集，迭代优化参数，直至匹配卷积神经网络收敛；得到训练完成的匹配卷积神经网络。

45、进一步地，所述映射误差；其中，为轮廓层的轮廓点的数量；为第个轮廓点的坐标；表示在映射关系下的匹配点的坐标；

46、所述校正公式为：；其中，为矫正后的匹配点的坐标；为需要矫正的匹配点的坐标；为另一轮廓层的匹配点的坐标；为精调系数。

47、进一步地，所述自适应动量梯度下降方法的计算公式为：

48、；

49、；

50、其中，为动量项；为动量系数；为损失函数对参数的求导；为损失函数对参数的梯度；表示更新后的动量项；

51、所述学习率策略的计算公式为：

52、；

53、其中，为学习率，控制参数更新的步长；为初始学习率；为训练的迭代步数；为控制学习率衰减速度的参数；为热重启周期。

54、进一步地，所述生成轮廓层之间的中间轮廓的方式包括：

55、设置轮廓层上轮廓点的偏置距离；求取当前轮廓层的轮廓点集合的内切圆，并获得圆心坐标为；

56、针对每一个轮廓点；计算其与内切圆圆心的距离；

57、；

58、利用偏置公式沿轮廓点和圆心连线方向进行偏置；获得偏置后的轮廓点集合；

59、偏置公式为；；其中，为偏置后的轮廓点；

60、利用偏置后的轮廓点集合不断进行三次样条曲线插值，即获取到中间轮廓。

61、进一步地，所述组织温升特征函数的获取方式包括：

62、采用四面体单元划分特征三维模型，每个四面体单元作为统一且连续的材料；在四面体单元的节点位置设置温度采样点；提取每个四面体单元的体积、密度、比热容和温度场；

63、应用热传导微分方程，建立每个四面体单元之间的热量传递关系；

64、热传导微分方程为：；其中，为导热系数；温度场为描述空间三维坐标和时间的温度分布的函数；

65、在四面体单元的界面设置热流密度与温度梯度之间的关系函数；

66、关系函数为：；其中，和分别为相邻四面体单元的法向温度梯度；为法向的方向向量；

67、在特征三维模型的表面设置热流密度与环境温度的对流关系函数；

68、对流关系函数；其中，为对流换热系数；为组织表层基础温度；

69、根据历史输出功率组合数据，计算输出功率的热源在每个四面体单元上的功率分布情况，s次求取热传导差分方程的数值解，记录各温度采样点在不同时间的温升响应值；汇总获取不同输出功率下温升响应值-时间的数据曲线，即为温升特征曲线；

70、采用曲线拟合方法将每个四面体单元的温升特征曲线进行拟合，获取每个四面体单元各自对应的组织温升特征函数。

71、本发明一种高频超声手术的双输出管理系统的技术效果和优点：

72、实现了高频超声手术设备输出功率的智能化闭环控制；通过构建组织三维模型，提取组织热响应特征，应用改进的蒙特卡罗算法动态优化双通道输出功率分配方案，实时监测和控制输出功率，显著提高手术过程中的热效应控制精度轻松适应不同手术对象的需求变化，大幅减少手术中因过热或欠热而产生的风险；此外，准确的模型预测和立体视角的热分布细节，也为医生的决策提供了有力支撑；在保证安全性的前提下，能够释放更高功率，缩短手术时间，减轻患者痛苦。