CN112712878A - 一种数字化手术室系统和控制方法 - Google Patents
一种数字化手术室系统和控制方法 Download PDFInfo
- Publication number
- CN112712878A CN112712878A CN202011615918.9A CN202011615918A CN112712878A CN 112712878 A CN112712878 A CN 112712878A CN 202011615918 A CN202011615918 A CN 202011615918A CN 112712878 A CN112712878 A CN 112712878A
- Authority
- CN
- China
- Prior art keywords
- medical
- data
- bleeding amount
- operating room
- bleeding
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 230000000740 bleeding effect Effects 0.000 claims abstract description 112
- 238000007405 data analysis Methods 0.000 claims abstract description 50
- 230000002452 interceptive effect Effects 0.000 claims abstract description 37
- 238000012549 training Methods 0.000 claims description 54
- 238000012544 monitoring process Methods 0.000 claims description 18
- 238000004891 communication Methods 0.000 claims description 13
- 206010002091 Anaesthesia Diseases 0.000 claims description 6
- 230000037005 anaesthesia Effects 0.000 claims description 6
- 208000032843 Hemorrhage Diseases 0.000 description 88
- 208000034158 bleeding Diseases 0.000 description 88
- 238000012360 testing method Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 6
- 238000001356 surgical procedure Methods 0.000 description 6
- 238000002591 computed tomography Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 206010028980 Neoplasm Diseases 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000023597 hemostasis Effects 0.000 description 2
- 238000002271 resection Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000001000 micrograph Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/25—User interfaces for surgical systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/698—Matching; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Surgery (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Molecular Biology (AREA)
- Human Computer Interaction (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Robotics (AREA)
- General Engineering & Computer Science (AREA)
- Heart & Thoracic Surgery (AREA)
- Artificial Intelligence (AREA)
- Animal Behavior & Ethology (AREA)
- Evolutionary Biology (AREA)
- Veterinary Medicine (AREA)
- Radiology & Medical Imaging (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请提供一种数字化手术室系统和控制方法,该数字化手术室系统包括数据分析设备和交互终端;其中,数据分析设备用于获取各医疗设备中的医疗数据,医疗数据至少包括显微图像;将显微图像输入至出血量预测模型对当前患者的出血量进行预测,并生成对应的出血量预测结果;将医疗数据及出血量预测结果发送至交互终端进行显示。上述方案提供的系统,通过利用数据分析设备对当前患者的出血量进行预估,并将预估结果显示在交互终端,节省了手术医生的数据分析时间,辅助了手术医生提高数据信息读取效率。并且,手术室中各医疗设备的医疗数据均统一显示于交互终端,以使手术医生可以快速找到需要的医疗数据,为提高手术医生的工作效率奠定了基础。
Description
技术领域
本申请涉及数据管理技术领域,尤其涉及一种数字化手术室系统和控制方法。
背景技术
随着医疗技术的不断发展,手术室中的医疗设备也逐渐完善,以对手术过程中的各种医疗指标进行采集和监控,尤其要对患者的出血量进行监控。
在现有技术中,各类医疗设备多数通常处于独立运行的方式,手术室的各个仪器的数据信息都在各自的显示器上独立显示。手术医生需要时刻监控各设备上显示的数据信息,并依靠临床经验对所读取到的数据信息进行分析。
但是,对于临床经验较为匮乏的手术医生,无法及时对所读取到的数据进行准确的整合和分析。因此,急需一种可以辅助手术医生提高数据信息读取效率的数字化手术室系统,对提高手术医生的工作效率有重要意义。
发明内容
本申请提供一种数字化手术室系统和控制方法,以解决现有技术导致手术医生数据信息读取效率低等缺陷。
本申请第一个方面提供一种数字化手术室系统,包括多个医疗设备,还包括:数据分析设备和交互终端;
其中,所述数据分析设备用于获取各医疗设备中的医疗数据,所述医疗数据至少包括显微图像;将所述显微图像输入至出血量预测模型对当前患者的出血量进行预测,并生成对应的出血量预测结果;将所述医疗数据及所述出血量预测结果发送至所述交互终端进行显示。
可选的,所述数据分析设备,还用于:
将所述医疗数据中的术野视频和对应的显微图像输入至步骤监测模型进行手术步骤预测,确定当前手术步骤;
根据预设的手术操作流程和所确定的当前手术步骤,确定后续的手术步骤及后续的手术步骤对应的注意事项,将所确定的后续的手术步骤及后续的手术步骤对应的注意事项,发送至所述交互终端进行显示。
可选的,所述数据分析设备,还用于:
对所述当前手术步骤和所得到的医疗数据进行关联,生成对应的手术记录数据。
可选的,所述交互终端,还用于:
获取用户输入的操作指令;
根据所得到的操作指令,对所述数据分析设备进行控制,以控制所述数据分析设备执行相应的操作。
可选的,还包括:
中间件服务器,用于采集各医疗设备中的医疗数据,并将采集到的医疗数据发送至所述数据分析设备。
可选的,所述数据分析设备,还用于:
获取历史显微图像;
在所述历史显微图像中提取多个第一训练样本,根据各第一训练样本对应的实际出血量,为各第一训练样本生成对应的出血量标签,以得到包含有出血量标签的第一训练样本;
将所述包含有出血量标签的第一训练样本,输入到预设的初始出血量预测模型,对所述初始出血量预测模型进行训练,以得到所述出血量预测模型。
可选的,所述数据分析设备,还用于:
获取历史术野视频;
根据所得到的历史术野视频和所述历史术野视频对应的历史显微图像,构建多个第二训练样本;
根据各第二训练样本对应的实际手术步骤,为各第二训练样本生成对应的手术步骤标签,以得到包含有手术步骤标签的第二训练样本;
将所述包含有手术步骤标签的第二训练样本,输入到预设的初始手术步骤监测模型,对所述初始手术步骤监测模型进行训练,以得到所述手术步骤监测模型。
可选的,所述数据分析设备,还用于:
根据所生成的出血量预测结果和预设的出血量阈值之间的关系,生成出血量报警信息;将所述出血量报警信息发送至所述交互终端进行显示。
可选的,所述医疗设备至少包括高清摄像机、手术显微镜、医疗监护仪、麻醉机和CT机,所述中间件服务器与所述高清摄像机和手术显微镜之间采用H.264通信协议进行通信;
所述中间件服务器与所述医疗监护仪和麻醉机之间采用HL7通信协议进行通信;
所述中间件服务器与所述CT机之间采用DICOM通信协议进行通信。
本申请第二个方面提供一种数字化手术室系统的控制方法,应用于上第一个方面以及第一个方面各种可能的设计所述的数字化手术室系统,所述方法包括:
获取操作指令,并根据所述操作指令生成控制指令;
根据所述控制指令控制数据分析设备获取各医疗设备中的医疗数据,所述医疗数据至少包括显微图像;将所述显微图像输入至出血量预测模型对当前患者的出血量进行预测,并生成对应的出血量预测结果;将所述医疗数据及所述出血量预测结果发送至交互终端进行显示。
本申请技术方案,具有如下优点:
本申请提供的数字化手术室系统和控制方法,由于包括数据分析设备和交互终端;其中,数据分析设备用于获取各医疗设备中的医疗数据,医疗数据至少包括显微图像;将显微图像输入至出血量预测模型对当前患者的出血量进行预测,并生成对应的出血量预测结果;将医疗数据及出血量预测结果发送至交互终端进行显示。上述方案提供的系统,通过利用数据分析设备对当前患者的出血量进行预估,并将预估结果显示在交互终端,节省了手术医生的数据分析时间,辅助了手术医生提高数据信息读取效率。并且,手术室中各医疗设备的医疗数据均统一显示于交互终端,以使手术医生可以快速找到需要的医疗数据,为提高手术医生的工作效率奠定了基础。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的数字化手术室系统的结构示意图;
图2为本申请实施例提供的数字化手术室系统的控制方法的流程示意图。
通过上述附图,已示出本申请明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围,而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
此外,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。在以下各实施例的描述中,“多个”的含义是两个以上,除非另有明确具体的限定。
在现有技术中,各类医疗设备多数通常处于独立运行的方式,手术室的各个仪器的数据信息都在各自的显示器上独立显示。手术医生需要时刻监控各设备上显示的数据信息,并依靠临床经验对所读取到的数据信息进行分析。但是,对于临床经验较为匮乏的手术医生,无法及时对所读取到的数据进行准确的整合和分析。
针对上述问题,本申请实施例提供的数字化手术室系统和控制方法,由于包括数据分析设备和交互终端;其中,数据分析设备用于获取各医疗设备中的医疗数据,医疗数据至少包括显微图像;将显微图像输入至出血量预测模型对当前患者的出血量进行预测,并生成对应的出血量预测结果;将医疗数据及出血量预测结果发送至交互终端进行显示。上述方案提供的系统,通过利用数据分析设备对当前患者的出血量进行预估,并将预估结果显示在交互终端,节省了手术医生的数据分析时间,辅助了手术医生提高数据信息读取效率。并且,手术室中各医疗设备的医疗数据均统一显示于交互终端,以使手术医生可以快速找到需要的医疗数据,为提高手术医生的工作效率奠定了基础。
下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本发明实施例进行描述。
本申请实施例提供了一种数字化手术室系统,用于对手术室中各医疗设备的医疗信息进行分析和管理。
如图1所示,为本申请实施例提供的数字化手术室系统的结构示意图,该系统10包括多个医疗设备101、数据分析设备102和交互终端103。
其中,数据分析设备用于获取各医疗设备中的医疗数据,医疗数据至少包括显微图像;将显微图像输入至出血量预测模型对当前患者的出血量进行预测,并生成对应的出血量预测结果;将医疗数据及出血量预测结果发送至交互终端进行显示。
需要解释的是,手术的效率依赖于视野高度清晰,且周围无遮挡,这就需要建立在严格的止血基础上。并且,手术医生的操作流程不能因为要清除显微图像中的血液而被频繁的干扰,也为了避免大量出血而增加的手术风险,因此需要对患者的出血量实时进行严格的监控。
具体地,所得到的医疗数据和出血量预测结果可以分区显示于交互终端,且时间轴统一。
进一步的,在一实施例中,数据分析设备,还用于根据所生成的出血量预测结果和预设的出血量阈值之间的关系,生成出血量报警信息;将出血量报警信息发送至交互终端进行显示。
具体地,可以设置多种出血量阈值,即为出血量报警分为多个等级的报警,分别对应不同程度的出血量。
示例性的,当出血量预测结果在20%-40%之间时,生成一级出血量报警信息;当出血量预测结果在40%-60%之间时,生成二级出血量报警信息;当出血量预测结果在60%-80%之间时,生成三级出血量报警信息;当出血量预测结果超出80%时,生成四级出血量报警信息。其中,不同等级的出血量报警信息可以在交互终端上呈现不同的显示颜色。
具体地,在一实施例中,为了提高本申请实施例所提供的出血量预测模型的可靠性,该数据分析设备,还用于获取历史显微图像;在历史显微图像中提取多个第一训练样本,根据各第一训练样本对应的实际出血量,为各第一训练样本生成对应的出血量标签,以得到包含有出血量标签的第一训练样本;将包含有出血量标签的第一训练样本,输入到预设的初始出血量预测模型,对初始出血量预测模型进行训练,以得到出血量预测模型。
具体地,可以采用神经网络算法和二值分类器构建初始出血量预测模型,其中,由于手术过程中患者的出血量是从少到多的,因此在本申请实施例所提供的出血量预测模型中,出血量预估结果的确定存在一定的顺序性。
示例性的,可以在历史显微图像中,提取不同的手术所对应的完整且连续的历史显微图像,并将所提取的历史显微图像作为第一训练样本。将实际出血量的比例定义为一个次序,将其分成多个二值分类的子问题来处理。通过对各第一训练样本进行分类标签,形成多个子数据集,定义第i个子数据集中实际出血量大于出血量阈值的第一训练样本的二值标签为0,实际出血量小于等于出血量阈值的第一训练样本的二值标签为1,经过模型训练,输出的出血量预估结果判读了分类器对应的数列次序,也就得到了出血量预估结果对应的分类值(0或1)。
示例性的,对于现有的k个分类问题,将其转换为k-1个二值分类问题,即对每一个问题构建一个二值分类器来判断各第一训练样本对应的二值标签,例如:其中,给定训练集为进一步的,对于第k个二值分类问题,其对应的训练集为其中,xi表示第i个第一训练样本,表示第i个第一训练样本对应的二值标签,表示第i个第一训练样本的权重,具体可以根据实际情况进行设定,本申请实施例不做限定。该出血量预测模型在进行出血量预测时,整合多个二值分类器的结果来确定最终的出血量预测结果,例如:其中,x’表示测试样本,fk(x’)表示测试样本对应的二值标签。
具体地,在一实施例中,在对初始出血量预测模型进行训练之后,还可以在历史显微图像中提取第一测试样本,以对训练后的出血量模型的性能进行测试,具体可以基于预设的损失函数,根据模型测试过程中输出的测试结果,对该模型的准确性进行检测。其中,损失函数可以根据实际情况进行设定,本申请实施例不做限定。
示例性的,该出血量预测模型对应的损失函数可以为:
其中,γt表示第t个分类问题(分类任务)的权重,具体是指每个分类段数据量占总数据量的比重;表示第i个第一测试样本的第t个分类任务的输出结果,表示第i个第一测试样本的第t个分类任务的参数,Wt为第t个分类任务的参数矩阵。
具体地,在一实施例中,医疗数据还包括术野视频,数据分析设备,还用于将医疗数据中的术野视频和对应的显微图像输入至步骤监测模型进行手术步骤预测,确定当前手术步骤;根据预设的手术操作流程和所确定的当前手术步骤,确定后续的手术步骤及后续的手术步骤对应的注意事项,将所确定的后续的手术步骤及后续的手术步骤对应的注意事项,发送至交互终端进行显示。
需要解释的是,手术操作流程是指当前正在进行的手术的标准操作流程,明确了各手术步骤的操作顺序和对应的注意事项。术野视频是指手术中的高清摄像机所采集到的手术室中的视频,具体包括手术中的手术医生和护士的体态姿势和所使用的医疗设备等特征。
示例性的,标准操作流程对应的手术步骤可以依次包括手前准备、标定、手术设备调整、手术器械定位、切开、第一次肿瘤切除、术中止血、术中检查、第二次肿瘤切除、最后检查、缝合和手术结束等。
进一步的,在一实施例中,数据分析设备还用于对当前手术步骤和所得到的医疗数据进行关联,生成对应的手术记录数据。
具体地,将所确定的当前手术步骤和当前的医疗数据进行关联,使得医疗数据与手术步骤相对应。其中,手术记录数据可以指术后报告或手术医生操作记录等。
具体地,在一实施例中,为了提高本申请实施例所提供的步骤监测模型的可靠性,该数据分析设备,还用于获取历史术野视频;根据所得到的历史术野视频和历史术野视频对应的历史显微图像,构建多个第二训练样本;根据各第二训练样本对应的实际手术步骤,为各第二训练样本生成对应的手术步骤标签,以得到包含有手术步骤标签的第二训练样本;将包含有手术步骤标签的第二训练样本,输入到预设的初始手术步骤监测模型,对初始手术步骤监测模型进行训练,以得到手术步骤监测模型。
需要解释的是,所构建的第二训练样本中的历史术野视频和历史显微图像的时间戳相同。
具体地,由于手术过程普遍较长,上述的术野视频和显微图像可能会超过几个小时。因此,为了缓解模型的负载压力,在进行模型训练和标定图像时,对视频数据进行了帧数重采集,将模型输入数据的图盘帧数降低为1%的采样率。
示例性的,本申请实施例所提供的步骤监测模型可以采用深度学习模型,具体可以采用CNN ResNet-152模型,具体将第二训练样本中的历史显微图像输入ResNet-152-1模型进行计算,分类输出对应的手术器械识别参数列表的预测值;将第二训练样本中的历史术野视频输入ResNet-152-2模型进行计算,分类输出对应的手术动作识别参数列表的预测值;将两组预测数列合并后,作为特征数据输入RNN网络,输出手术室过程步骤分类预测,即第二训练样本对应的当前手术步骤。
进一步的,可以在ResNet引入残差网络结构,通过这种残差网络结构加深网络层,在图像分割、检测和定位上都有很大优势,以进一步改善分类效果。
其中,ResNet-152由50个参差block块组成,每个由3个卷积层加一个标准化层及ReLU激活层构成,第三层卷积层的输出被作为输入加入残差模块来产生该层的输出。其中,模型的输出层采用全连接的sigmoid激励函数作为输出。
示例性的,如下表所示,为本申请实施例提供的示例性的手术器械识别参数列表:
示例性的,如下表所示,为本申请实施例提供的示例性的手术动作识别参数列表:
示例性的,该步骤监测模型对应的损失函数可以为:
其中,Nt表示上述第二训练样本对应的总量,Ct表示所得到的监测结果(手术步骤)对应的总量,属于{0,1},表示所输入的第二训练样本对应的实际手术步骤,表示所输入的第二训练样本对应的监测结果(模型所确定的手术步骤)。
具体地,在一实施例中,该系统还包括中间件服务器,用于采集各医疗设备中的医疗数据,并将采集到的医疗数据发送至数据分析设备。
其中,当手术室中的医疗设备包括高清摄像机、手术显微镜、医疗监护仪、麻醉机和CT机时,中间件服务器与高清摄像机和手术显微镜之间采用H.264通信协议进行通信;中间件服务器与医疗监护仪和麻醉机之间采用HL7通信协议进行通信;中间件服务器与CT机之间采用DICOM通信协议进行通信。
需要解释的是,由于各医疗设备采用的通信协议不同,为了保障中间件服务器的医疗数据采集效率,中间件服务器中设置有接口组件,包含了各医疗设备的通信协议。由于目前手术室并未形成统一规范的网络及通信协议标准,对于某些采用私有协议的仪器协议,仍需采用其提供的API接口,或者开发解析协议进行通信连接加入接口组件。
具体地,该中间件服务器具体可以作为网络时间协议NTP服务器,其它连接在IP网络上的服务器或医疗设备以该Sever IP为NTP Sever如果整个局域网络可连接公网,也可以统一设定使用公网NTP sever的域名或IP。
具体地,中间件服务器可以以手术开始作为设定的启动时间点,按照设定的时间间隔(如1秒)采集连接在该IP、视频以及总线网络的相关医疗设备中的医疗数据。
具体地,在一实施例中,该手术室系统还包括存储设备,具体用于存储该手术室系统中各设备所生成的数据。
具体地,该存储设备在进行数据存储时,在所存储的数据中加入了对应的设备名和时间戳后,为生成上述实施例提供的手术记录数据提供了数据基础,具体可以将其存储到本地或远程数据服务器的数据库中(如MySQL)。
具体地,在一实施例中,交互终端,还用于获取用户输入的操作指令;根据所得到的操作指令,对数据分析设备进行控制,以控制数据分析设备执行相应的操作。
其中,本申请实施例所提供的交互终端可以为液晶触摸屏,上述用户可以指手术室中的手术医生和护士。
具体地,可以用户可以通过交互终端控制数据分析设备的开启、关闭和执行对应的操作。具体可以控制手术分析进行输血量预测和/或手术步骤监测,也可以控制中间件服务器采集对应的医疗设备所生成的医疗数据,同时还可以根据实际情况控制图像数据的采样率。
示例性的,本申请实施例所得到的手术室系统对应的损失函数可以为:
本申请实施例提供的数字化手术室系统,由于包括数据分析设备和交互终端;其中,数据分析设备用于获取各医疗设备中的医疗数据,医疗数据至少包括显微图像;将显微图像输入至出血量预测模型对当前患者的出血量进行预测,并生成对应的出血量预测结果;将医疗数据及出血量预测结果发送至交互终端进行显示。上述方案提供的系统,通过利用数据分析设备对当前患者的出血量进行预估,并将预估结果显示在交互终端,节省了手术医生的数据分析时间,辅助了手术医生提高数据信息读取效率。并且,手术室中各医疗设备的医疗数据均统一显示于交互终端,以使手术医生可以快速找到需要的医疗数据,为提高手术医生的工作效率奠定了基础。并且,还可以对当前手术步骤进行检测,进一步辅助了手术医生提高工作效率。
本申请实施例提供了一种数字化手术室系统的控制方法,应用于上述实施例提供的数字化手术室系统,用于对上述实施例提供的数字化手术室系统进行控制。
如图2所示,为本申请实施例提供的数字化手术室系统的控制方法的流程示意图,该方法包括:
步骤201,获取操作指令,并根据操作指令生成控制指令;
步骤302,根据控制指令控制数据分析设备获取各医疗设备中的医疗数据,医疗数据至少包括显微图像;将显微图像输入至出血量预测模型对当前患者的出血量进行预测,并生成对应的出血量预测结果;将医疗数据及出血量预测结果发送至交互终端进行显示。
关于本实施例中的数字化手术室系统的控制方法,其中各个步骤的具体实现方式已经在有关该数字化手术室系统的实施例中进行了详细描述,此处将不做详细阐述说明。
本申请实施例提供的数字化手术室系统的控制方法,用于对上述实施例提供的数字化手术室系统进行控制,其实现方式与原理相同,不再赘述。
最后应说明的是:以上各实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述各实施例对本申请进行了详细的说明,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,或者对其中部分或者全部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申请各实施例技术方案的范围。
Claims (10)
1.一种数字化手术室系统,包括多个医疗设备,其特征在于,还包括:数据分析设备和交互终端;
其中,数据分析设备用于获取各医疗设备中的医疗数据,所述医疗数据至少包括显微图像;将所述显微图像输入至出血量预测模型对当前患者的出血量进行预测,并生成对应的出血量预测结果;将所述医疗数据及所述出血量预测结果发送至所述交互终端进行显示。
2.根据权利要求1所述的数字化手术室系统,所述医疗数据还包括术野视频,其特征在于,所述数据分析设备,还用于:
将所述医疗数据中的术野视频和对应的显微图像输入至步骤监测模型进行手术步骤预测,确定当前手术步骤;
根据预设的手术操作流程和所确定的当前手术步骤,确定后续的手术步骤及后续的手术步骤对应的注意事项,将所确定的后续的手术步骤及后续的手术步骤对应的注意事项,发送至所述交互终端进行显示。
3.根据权利要求2所述的数字化手术室系统,其特征在于,所述数据分析设备,还用于:
对所述当前手术步骤和所得到的医疗数据进行关联,生成对应的手术记录数据。
4.根据权利要求3所述的数字化手术室系统,其特征在于,所述交互终端,还用于:
获取用户输入的操作指令;
根据所得到的操作指令,对所述数据分析设备进行控制,以控制所述数据分析设备执行相应的操作。
5.根据权利要求1所述的数字化手术室系统,其特征在于,还包括:
中间件服务器,用于采集各医疗设备中的医疗数据,并将采集到的医疗数据发送至所述数据分析设备。
6.根据权利要求1所述的数字化手术室系统,其特征在于,所述数据分析设备,还用于:
获取历史显微图像;
在所述历史显微图像中提取多个第一训练样本,根据各第一训练样本对应的实际出血量,为各第一训练样本生成对应的出血量标签,以得到包含有出血量标签的第一训练样本;
将所述包含有出血量标签的第一训练样本,输入到预设的初始出血量预测模型,对所述初始出血量预测模型进行训练,以得到所述出血量预测模型。
7.根据权利要求6所述的数字化手术室系统,其特征在于,所述数据分析设备,还用于:
获取历史术野视频;
根据所得到的历史术野视频和所述历史术野视频对应的历史显微图像,构建多个第二训练样本;
根据各第二训练样本对应的实际手术步骤,为各第二训练样本生成对应的手术步骤标签,以得到包含有手术步骤标签的第二训练样本;
将所述包含有手术步骤标签的第二训练样本,输入到预设的初始手术步骤监测模型,对所述初始手术步骤监测模型进行训练,以得到所述手术步骤监测模型。
8.根据权利要求1所述的数字化手术室系统,其特征在于,所述数据分析设备,还用于:
根据所生成的出血量预测结果和预设的出血量阈值之间的关系,生成出血量报警信息;将所述出血量报警信息发送至所述交互终端进行显示。
9.根据权利要求5所述的数字化手术室系统,所述医疗设备至少包括高清摄像机、手术显微镜、医疗监护仪、麻醉机和CT机,其特征在于,所述中间件服务器与所述高清摄像机和手术显微镜之间采用H.264通信协议进行通信;
所述中间件服务器与所述医疗监护仪和麻醉机之间采用HL7通信协议进行通信;
所述中间件服务器与所述CT机之间采用DICOM通信协议进行通信。
10.一种数字化手术室系统的控制方法,应用于如权利要求1-9任一项所述的数字化手术室系统,其特征在于,所述方法包括:
获取操作指令,并根据所述操作指令生成控制指令;
根据所述控制指令控制数据分析设备获取各医疗设备中的医疗数据,所述医疗数据至少包括显微图像;将所述显微图像输入至出血量预测模型对当前患者的出血量进行预测,并生成对应的出血量预测结果;将所述医疗数据及所述出血量预测结果发送至交互终端进行显示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011615918.9A CN112712878A (zh) | 2020-12-30 | 2020-12-30 | 一种数字化手术室系统和控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011615918.9A CN112712878A (zh) | 2020-12-30 | 2020-12-30 | 一种数字化手术室系统和控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112712878A true CN112712878A (zh) | 2021-04-27 |
Family
ID=75547427
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011615918.9A Pending CN112712878A (zh) | 2020-12-30 | 2020-12-30 | 一种数字化手术室系统和控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112712878A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023098806A1 (zh) * | 2021-12-01 | 2023-06-08 | 上海微创医疗机器人(集团)股份有限公司 | 手术等级确定方法、装置、系统、设备及介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN204446115U (zh) * | 2015-01-29 | 2015-07-08 | 深圳市汇健医疗工程有限公司 | 数字化复合手术室的医疗设备集成控制装置 |
CN106843511A (zh) * | 2017-04-14 | 2017-06-13 | 上海翊视皓瞳信息科技有限公司 | 一种全场景覆盖的智能显示设备系统及应用 |
CN208112799U (zh) * | 2018-05-14 | 2018-11-16 | 上海安防电子股份有限公司 | 一种手术用数字化监控系统 |
CN108932973A (zh) * | 2018-07-25 | 2018-12-04 | 南京鼓楼医院 | 一种肾癌病例数字化信息管理系统及管理方法、终端 |
CN109003679A (zh) * | 2018-06-28 | 2018-12-14 | 众安信息技术服务有限公司 | 一种脑血管出血与缺血预测方法及装置 |
CN109949880A (zh) * | 2019-01-31 | 2019-06-28 | 北京汉博信息技术有限公司 | 一种手术数据处理方法 |
KR20190100004A (ko) * | 2018-02-20 | 2019-08-28 | (주)휴톰 | 수술정보 활용 방법 및 장치 |
CN110491480A (zh) * | 2019-05-22 | 2019-11-22 | 腾讯科技(深圳)有限公司 | 一种医疗图像处理方法、装置、电子医疗设备和存储介质 |
US20200160511A1 (en) * | 2018-11-21 | 2020-05-21 | Enlitic, Inc. | Medical scan artifact detection system |
CN111311561A (zh) * | 2020-02-10 | 2020-06-19 | 浙江未来技术研究院(嘉兴) | 一种基于显微手术成像系统的术区自动测光方法及装置 |
-
2020
- 2020-12-30 CN CN202011615918.9A patent/CN112712878A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN204446115U (zh) * | 2015-01-29 | 2015-07-08 | 深圳市汇健医疗工程有限公司 | 数字化复合手术室的医疗设备集成控制装置 |
CN106843511A (zh) * | 2017-04-14 | 2017-06-13 | 上海翊视皓瞳信息科技有限公司 | 一种全场景覆盖的智能显示设备系统及应用 |
KR20190100004A (ko) * | 2018-02-20 | 2019-08-28 | (주)휴톰 | 수술정보 활용 방법 및 장치 |
CN208112799U (zh) * | 2018-05-14 | 2018-11-16 | 上海安防电子股份有限公司 | 一种手术用数字化监控系统 |
CN109003679A (zh) * | 2018-06-28 | 2018-12-14 | 众安信息技术服务有限公司 | 一种脑血管出血与缺血预测方法及装置 |
CN108932973A (zh) * | 2018-07-25 | 2018-12-04 | 南京鼓楼医院 | 一种肾癌病例数字化信息管理系统及管理方法、终端 |
US20200160511A1 (en) * | 2018-11-21 | 2020-05-21 | Enlitic, Inc. | Medical scan artifact detection system |
CN109949880A (zh) * | 2019-01-31 | 2019-06-28 | 北京汉博信息技术有限公司 | 一种手术数据处理方法 |
CN110491480A (zh) * | 2019-05-22 | 2019-11-22 | 腾讯科技(深圳)有限公司 | 一种医疗图像处理方法、装置、电子医疗设备和存储介质 |
CN111311561A (zh) * | 2020-02-10 | 2020-06-19 | 浙江未来技术研究院(嘉兴) | 一种基于显微手术成像系统的术区自动测光方法及装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023098806A1 (zh) * | 2021-12-01 | 2023-06-08 | 上海微创医疗机器人(集团)股份有限公司 | 手术等级确定方法、装置、系统、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10878966B2 (en) | System and method for analysis and presentation of surgical procedure videos | |
KR102014371B1 (ko) | 수술영상의 인식도 평가 방법 및 장치 | |
Blum et al. | Modeling and online recognition of surgical phases using hidden markov models | |
Forestier et al. | Automatic matching of surgeries to predict surgeons’ next actions | |
US11625834B2 (en) | Surgical scene assessment based on computer vision | |
CN114283947B (zh) | 一种适用于手术患者的健康管理方法及系统 | |
CN112802000A (zh) | 多模态医学影像智能辅助诊疗系统 | |
JP2022543186A (ja) | 医療処置中のガイダンスの提供 | |
CN110993096B (zh) | 一种脓毒血症的预警装置、设备及存储介质 | |
US8923582B2 (en) | Systems and methods for computer aided detection using pixel intensity values | |
CN112712878A (zh) | 一种数字化手术室系统和控制方法 | |
JPWO2019176399A1 (ja) | 医療用情報処理装置、医療用情報処理方法および手術室ネットワークシステム | |
CN111226287B (zh) | 用于分析医学成像数据集的方法、系统、程序产品和介质 | |
WO2021103623A1 (zh) | 一种脓毒血症的预警装置、设备及存储介质 | |
CN110911011B (zh) | 一种脓毒血症的预警装置、设备及存储介质 | |
CN114550930A (zh) | 疾病预测方法、装置、设备及存储介质 | |
CN111685742B (zh) | 一种用于脑卒中病治疗的评估系统及方法 | |
CN114121208A (zh) | 一种基于可视化资料的手术记录质量控制方法 | |
CN112420190A (zh) | 一种人工智能辅助诊疗系统及其构建方法 | |
CN117577295A (zh) | 非计划再次手术预测方法、装置、设备及存储介质 | |
US20240153269A1 (en) | Identifying variation in surgical approaches | |
US20240037949A1 (en) | Surgical workflow visualization as deviations to a standard | |
US20240161934A1 (en) | Quantifying variation in surgical approaches | |
JP7245906B2 (ja) | 画像記録装置、情報処理装置、情報処理方法および情報処理プログラム | |
CN115394451A (zh) | 围术期病历实时监控方法、装置、终端设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |