CN115708716B - 超声共振自控温热消融支架及其方法 - Google Patents

Abstract

本申请公开了一种超声共振自控温热消融支架及其方法。所述超声共振自控温热消融支架，包括：胃转流支架主体；设置于所述胃转流支架主体的外表面的多个超声共振发热单元；以及，用于产生超声波并作用于所述多个超声共振发热单元的超声波产生控制装置，其中，在所述超声波产生控制装置中，采用基于深度学习的人工智能控制算法，以通过对于预定时间段的任意一个超声共振发热颗粒的相变监控视频中的各个相变监控关键帧的全局隐含关联性特征分布信息提取来进行是否停止产生超声波的分类判断。通过这样的方式，可以实时准确地基于时间相变情况来判断是否应停止产生超声波，避免热惯性导致热消融的温度过高而可能对腔道造成损伤。

Description

超声共振自控温热消融支架及其方法

技术领域

本申请涉及医疗器械技术领域，且更为具体地，涉及一种超声共振自控温热消融支架及其方法。

背景技术

胃转流支架是一种用于临床肥胖治疗的医疗器械，其原理为：由于绝大多数营养由肠道吸收，胃转流支架通过一层生物相容性良好的薄膜覆盖在一部分肠道，达到食物与部分肠道隔绝，从而减少所摄入食物的吸收。胃转流支架可以对腔道内壁进行热消融，进而使得腔道内壁可产生新的良性粘膜。

在藉由胃转流支架进行热消融时，需要控制支架的温度，而因胃转流支架位于腔道内，无法通过传统的加热手段，例如，电加热来实现，这给胃转流支架的热消融带来困难。

因此，期望一种优化的可控温热消融支架。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种超声共振自控温热消融支架及其方法。所述超声共振自控温热消融支架，包括：胃转流支架主体；设置于所述胃转流支架主体的外表面的多个超声共振发热单元；以及，用于产生超声波并作用于所述多个超声共振发热单元的超声波产生控制装置，其中，在所述超声波产生控制装置中，采用基于深度学习的人工智能控制算法，以通过对于预定时间段的任意一个超声共振发热颗粒的相变监控视频中的各个相变监控关键帧的全局隐含关联性特征分布信息提取来进行是否停止产生超声波的分类判断。通过这样的方式，可以实时准确地基于时间相变情况来判断是否应停止产生超声波，避免热惯性导致热消融的温度过高而可能对腔道造成损伤。

根据本申请的一个方面，提供了一种超声共振自控温热消融支架，其包括：胃转流支架主体；设置于所述胃转流支架主体的外表面的多个超声共振发热单元；以及用于产生超声波并作用于所述多个超声共振发热单元的超声波产生控制装置。

在上述的超声共振自控温热消融支架中，所述超声波产生控制装置，包括：相变监控视频接收单元，用于获取预定时间段的超声共振发热颗粒的相变监控视频；采样单元，用于从所述超声共振发热颗粒的相变监控视频提取多个相变监控关键帧；相变特征提取单元，用于将所述多个相变监控关键帧分别通过作为过滤器的卷积神经网络模型以得到多个相变监控特征向量；相变语义特征提取单元，用于将所述多个相变监控特征向量通过基于转换器的上下文编码器以得到相变语义关联特征向量；以及控制结果生成单元，用于将所述相变语义关联特征向量通过分类器以得到分类结果，所述分类结果用于表示是否停止产生超声波。

在上述的超声共振自控温热消融支架中，所述采样单元，进一步用于：以预定采样频率对所述超声共振发热颗粒的相变监控视频进行关键帧采样以得到所述多个相变监控关键帧。

在上述的超声共振自控温热消融支架中，所述相变特征提取单元，进一步用于：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为过滤器的卷积神经网络模型的最后一层输出所述多个相变监控特征向量，其中，所述作为过滤器的第一卷积神经网络的第一层的输入为所述多个相变监控关键帧。

在上述的超声共振自控温热消融支架中，所述相变语义特征提取单元，包括：上下文编码子单元，用于使用所述基于转换器的上下文编码器对所述多个相变监控特征向量进行基于全局的上下文语义编码以得到多个上下文相变监控特征向量；以及级联子单元，用于将所述多个上下文相变监控特征向量进行级联以得到所述相变语义关联特征向量。

在上述的超声共振自控温热消融支架中，所述控制结果生成单元，包括：全连接编码子单元，用于使用所述分类器的多个全连接层对所述相变语义关联特征向量进行全连接编码以得到编码分类特征向量；以及分类子单元，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。

在上述的超声共振自控温热消融支架中，还包括用于对所述作为过滤器的卷积神经网络模型、所述基于转换器的上下文编码器和所述分类器进行训练的训练模块。

在上述的超声共振自控温热消融支架中，所述训练模块，包括：训练数据单元，用于获取训练数据，所述训练数据包括预定时间段的超声共振发热颗粒的训练相变监控视频，以及，所述是否停止施加超声波场的真实值；训练采样单元，用于从所述超声共振发热颗粒的训练相变监控视频提取多个训练相变监控关键帧；训练相变特征提取单元，用于将所述多个训练相变监控关键帧分别通过所述作为过滤器的卷积神经网络模型以得到多个训练相变监控特征向量；训练相变语义特征提取单元，用于将所述多个训练相变监控特征向量通过所述基于转换器的上下文编码器以得到多个训练上下文相变监控特征向量；训练级联单元，用于将所述多个训练上下文相变监控特征向量级联以得到训练相变语义关联特征向量；分类损失单元，用于将所述训练相变语义关联特征向量通过所述分类器以得到分类损失函数值；多分布二元分类质量损失单元，用于基于所述多个训练上下文相变监控特征向量，计算多分布二元分类质量损失函数值；以及训练单元，用于计算所述分类损失函数值和所述多分布二元分类质量损失函数值的加权和作为损失函数值来分别对所述作为过滤器的卷积神经网络模型、所述基于转换器的上下文编码器和所述分类器进行训练。

在上述的超声共振自控温热消融支架中，所述多分布二元分类质量损失单元，进一步用于：基于所述多个训练上下文相变监控特征向量，以如下公式计算所述多分布二元分类质量损失函数值；其中，所述公式为：

其中，

到

是所述多个训练上下文相变监控特征向量中各个训练上下文相变监控特征向量，

是参考向量，且

表示特征向量的分类结果，

表示向量的1范数，

表示所述多分布二元分类质量损失函数值。

根据本申请的另一个方面，提供了一种超声共振自控温热消融支架的方法，其包括：获取预定时间段的超声共振发热颗粒的相变监控视频；从所述超声共振发热颗粒的相变监控视频提取多个相变监控关键帧；将所述多个相变监控关键帧分别通过作为过滤器的卷积神经网络模型以得到多个相变监控特征向量；将所述多个相变监控特征向量通过基于转换器的上下文编码器以得到相变语义关联特征向量；以及将所述相变语义关联特征向量通过分类器以得到分类结果，所述分类结果用于表示是否停止产生超声波。

与现有技术相比，本申请提供的一种超声共振自控温热消融支架及其方法，所述超声共振自控温热消融支架，包括：胃转流支架主体；设置于所述胃转流支架主体的外表面的多个超声共振发热单元；以及，用于产生超声波并作用于所述多个超声共振发热单元的超声波产生控制装置，其中，在所述超声波产生控制装置中，采用基于深度学习的人工智能控制算法，以通过对于预定时间段的任意一个超声共振发热颗粒的相变监控视频中的各个相变监控关键帧的全局隐含关联性特征分布信息提取来进行是否停止产生超声波的分类判断。通过这样的方式，可以实时准确地基于时间相变情况来判断是否应停止产生超声波，避免热惯性导致热消融的温度过高而可能对腔道造成损伤。

附图说明

通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1为根据本申请实施例的超声共振自控温热消融支架的结构示意图。

图2为根据本申请实施例的超声共振自控温热消融支架的局部放大图。

图3为根据本申请实施例的超声波产生控制装置的应用场景图。

图4为根据本申请实施例的超声波产生控制装置的框图示意图。

图5为根据本申请实施例的超声波产生控制装置中的所述相变语义特征提取单元的框图示意图。

图6为根据本申请实施例的超声波产生控制装置中的所述控制结果生成单元的框图示意图。

图7为根据本申请实施例的超声共振自控温热消融支架中进一步包括的训练模块的框图示意图。

图8为根据本申请实施例的超声共振自控温热消融支架的方法的流程图。

图9为根据本申请实施例的超声共振自控温热消融支架的方法的系统架构的示意图。

图10为本发明的一种超声共振自控温热消融支架立体结构示意图。

图11为图10中A部分局部放大图。

图12为本发明的胃转流支架主体内部立体结构示意图。

图13为本发明的气囊和凸块囊的立体结构示意图。

图14为本发明的胃转流支架主体的立体结构示意图。

具体实施方式

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

场景概述:如上所述，在藉由胃转流支架进行热消融时，需要控制支架的温度，而因胃转流支架位于腔道内，无法通过传统的加热手段，例如，电加热来实现，这给胃转流支架的热消融带来困难。因此，期望一种优化的可控温热消融支架。

针对上述问题，现将在普通镍钛丝支架表面覆盖超声共振发热颗粒，颗粒内部结构为微型双金属片状层叠结构，其中包括镍钛合金片层，其相变温度设定为热消融控制温度，还包括另一种弹性慢量更大的金属片，颗粒外部为镍钛合金封装。当支架整体置入患者体内后，外部施加低频的超声波场，当超声颇率达到发热颗粒内的双金属片状结构的固有频丰附近的共振带时，系统发生共振，井产生热量。

在多个发热颗粒的加热下，系统开始升温，当温度达到热消融控制温度时，镍钛合金片发生相变，其弹性模量发生变化，导致系统固有频率发生变化，离开共振带，系统停止共振，温度下降后，镍钛合金恢复相变前的固有频率，系统再次发生共振，支架又开始升温。

应注意到，在进行镍钛合金片发生相变后，由于热惯性，系统依旧会升温，这导致热消融的温度会过高而可能对腔道造成损伤，因此，期待一种更为优化的控制系统。

具体地，如图1和图2所示，在本申请的技术方案中，提出了一种超声共振自控温热消融支架10，其包括：胃转流支架主体11；设置于所述胃转流支架主体的外表面的多个超声共振发热单元12；以及，用于产生超声波并作用于所述多个超声共振发热单元的超声波产生控制装置13。

特别地，在所述超声波产生控制装置中，采用基于深度学习的人工智能控制算法，以通过对于预定时间段的任意一个超声共振发热颗粒的相变监控视频中的各个相变监控关键帧的全局隐含关联性特征分布信息提取来进行是否停止产生超声波的分类判断。也就是，利用人工智能控制技术来对于超声共振发热颗粒中镍钛合金片的相变状态进行监控以实时判断是否停止产生超声波。这样，能够实时准确地基于时间相变情况来判断是否应停止产生超声波，以提前停止机制，用于抵消热惯性，避免热惯性导致热消融的温度会过高而可能对腔道造成损伤。

具体地，在本申请的技术方案中，首先，获取预定时间段的超声共振发热颗粒的相变监控视频。特别地，在本申请的一个具体示例中，可以从所述多个超声共振发热颗粒中选择一个超声共振发热颗粒作为相变监控对象。接着，考虑到在所述相变监控视频中，可以使用相邻监控帧之间的差分来表示超声共振发热颗粒中镍钛合金片的相变状态的变化情况。但是，考虑到所述相变监控视频中相邻帧的差异较小，存在大量数据冗余，因此，为了降低计量算，且避免数据冗余给检测带来的不良影响，以预定采样频率对所述相变监控视频进行关键帧采样，以从所述超声共振发热颗粒的相变监控视频提取多个相变监控关键帧。这里，值得一提的是，所述采样频率可基于实际场景的应用需求做出调整，而不是默认值。

然后，使用在图像的局部隐含特征提取方面具有优异表现的作为过滤器的卷积神经网络模型来进行所述多个相变监控关键帧的特征提取，以分别提取出所述多个相变监控关键帧中各个相变关键帧的关于超声共振发热颗粒中镍钛合金片的相变状态的局部隐含特征分布信息，从而得到多个相变监控特征向量。

进一步地，考虑到在所述多个相变监控特征向量中存在有所述超声共振发热颗粒中镍钛合金片的相变状态局部隐含特征分布信息，为了能够提取出其状态在时序上的动态关联性特征分布信息以更准确地对于超声波进行控制，还需要进一步挖掘其在时序上的全局动态关联特征。因此，在本申请的技术方案中，将所述多个相变监控特征向量通过基于转换器的上下文编码器以得到多个上下文相变监控特征向量，再将得到的所述多个上下文相变监控特征向量进行级联以得到所述相变语义关联特征向量。也就是，基于transformer思想，利用转换器能够捕捉长距离上下文依赖的特性，对所述多个相变监控特征向量中各个相变监控特征向量进行基于全局的上下文语义编码以得到以所述多个相变监控特征向量的整体语义关联为上下文背景的上下文语义关联特征表示，即，所述相变语义关联特征向量。应可以理解，在本申请的技术方案中，通过所述基于转换器的编码器可以捕捉所述各个相变监控关键帧中关于超声共振发热颗粒中镍钛合金片的相变状态的上下文语义关联特征表示。

接着，再将所述相变语义关联特征向量通过分类器以得到分类结果，所述分类结果用于表示是否停止产生超声波。也就是，以所述相变语义关联特征向量作为分类特征向量通过分类器中进行分类处理，以得到用于表示是否停止产生超声波的分类结果。这样，能够实时地基于时间相变情况来判断是否应停止产生超声波，以避免热惯性导致热消融的温度会过高而可能对腔道造成损伤。

特别地，在本申请的技术方案中，这里，在将所述多个相变监控特征向量通过基于转换器的上下文编码器得到所述相变语义关联特征向量时，是将所述多个相变监控特征向量通过基于转换器的上下文编码器得到多个上下文相变监控特征向量级联以得到所述相变语义关联特征向量。虽然基于转换器的上下文编码器提升了所述多个上下文相变监控特征向量的特征分布之间的关联关系，但是在将所述多个上下文相变监控特征向量级联为所述相变语义关联特征向量时，仍需要提升所述多个上下文相变监控特征向量之间作为局部特征分布的显式关联，以提升所述相变语义关联特征向量的整体特征表达能力，从而提升所述相变语义关联特征向量的分类结果准确性。

通常，可以通过对所述多个上下文相变监控特征向量中的每个上下文相变监控特征向量设置权重来解决，但是，由于权重需要作为超参数通过训练得到，这将增加模型的训练负担。因此，本申请的申请人引入了针对所述多个上下文相变监控特征向量的多分布二元分类质量损失函数，表示为：

其中，

到

是各个上下文相变监控特征向量，

是参考向量，优选地设置为所有上下文相变监控特征向量的均值特征向量，且

表示特征向量的分类结果，

表示向量的1范数。

这里，为了避免每个各个上下文相变监控特征向量在级联为所述相变语义关联特征向量后在相应的多分布分类域内由于各个局部特征分布对应的决策边界的过度碎片化而使得向着目标类别区域的收敛困难，通过对于每个局部特征分布的基于预定标签的二元分类的全局偏移类概率信息取平均的方式，可以预测每个局部特征分布相对于全局特征分布的连续性质量因数以作为损失函数。这样，通过以此对模型进行训练，就可以将超参数在训练中的优化从反向传播转换为基于多二元分类的分类问题，并改进所述相变语义关联特征向量的整体特征表达能力，从而提升所述相变语义关联特征向量的分类结果的准确性。这样，能够实时准确地基于时间相变情况来判断是否应停止产生超声波，以提前停止机制，用于抵消热惯性，避免热惯性导致热消融的温度会过高而可能对腔道造成损伤。

基于此，本申请提供了一种超声共振自控温热消融支架的超声波产生控制装置，其包括：相变监控视频接收单元，用于获取预定时间段的超声共振发热颗粒的相变监控视频；采样单元，用于从所述超声共振发热颗粒的相变监控视频提取多个相变监控关键帧；相变特征提取单元，用于将所述多个相变监控关键帧分别通过作为过滤器的卷积神经网络模型以得到多个相变监控特征向量；相变语义特征提取单元，用于将所述多个相变监控特征向量通过基于转换器的上下文编码器以得到相变语义关联特征向量；以及，控制结果生成单元，用于将所述相变语义关联特征向量通过分类器以得到分类结果，所述分类结果用于表示是否停止产生超声波。

图3为根据本申请实施例的超声波产生控制装置的应用场景图。如图3所示，在该应用场景中，获取预定时间段的超声共振发热颗粒的相变监控视频（例如，如图3中所示意的D），然后，将所述超声共振发热颗粒的相变监控视频输入至部署有超声波产生控制算法的服务器中（例如，图3中所示意的S），其中，所述服务器能够使用所述超声波产生控制算法对所述超声共振发热颗粒的相变监控视频进行处理以生成用于表示是否停止产生超声波的分类结果。

在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。

示例性装置:图4为根据本申请实施例的超声波产生控制装置的框图示意图。如图4所示，根据本申请实施例的超声波产生控制装置100，包括：相变监控视频接收单元110，用于获取预定时间段的超声共振发热颗粒的相变监控视频；采样单元120，用于从所述超声共振发热颗粒的相变监控视频提取多个相变监控关键帧；相变特征提取单元130，用于将所述多个相变监控关键帧分别通过作为过滤器的卷积神经网络模型以得到多个相变监控特征向量；相变语义特征提取单元140，用于将所述多个相变监控特征向量通过基于转换器的上下文编码器以得到相变语义关联特征向量；以及，控制结果生成单元150，用于将所述相变语义关联特征向量通过分类器以得到分类结果，所述分类结果用于表示是否停止产生超声波。

更具体地，在本申请实施例中，所述相变监控视频接收单元110，用于获取预定时间段的超声共振发热颗粒的相变监控视频。在进行镍钛合金片发生相变后，由于热惯性，系统依旧会升温，这导致热消融的温度会过高而可能对腔道造成损伤。因此，利用人工智能控制技术来对于超声共振发热颗粒中镍钛合金片的相变状态进行监控以实时判断是否停止产生超声波。这样，能够实时准确地基于时间相变情况来判断是否应停止产生超声波，以提前停止机制，用于抵消热惯性，避免热惯性导致热消融的温度会过高而可能对腔道造成损伤。

更具体地，在本申请实施例中，所述采样单元120，用于从所述超声共振发热颗粒的相变监控视频提取多个相变监控关键帧。特别地，在本申请的一个具体示例中，可以从所述多个超声共振发热颗粒中选择一个超声共振发热颗粒作为相变监控对象。接着，考虑到在所述相变监控视频中，可以使用相邻监控帧之间的差分来表示超声共振发热颗粒中镍钛合金片的相变状态的变化情况。但是，考虑到所述相变监控视频中相邻帧的差异较小，存在大量数据冗余，因此，为了降低计量算，且避免数据冗余给检测带来的不良影响，以预定采样频率对所述相变监控视频进行关键帧采样，以从所述超声共振发热颗粒的相变监控视频提取多个相变监控关键帧。这里，值得一提的是，所述采样频率可基于实际场景的应用需求做出调整，而不是默认值。

相应地，在一个具体示例中，所述采样单元120，进一步用于：以预定采样频率对所述超声共振发热颗粒的相变监控视频进行关键帧采样以得到所述多个相变监控关键帧。

更具体地，在本申请实施例中，所述相变特征提取单元130，用于将所述多个相变监控关键帧分别通过作为过滤器的卷积神经网络模型以得到多个相变监控特征向量。使用在图像的局部隐含特征提取方面具有优异表现的作为过滤器的卷积神经网络模型来进行所述多个相变监控关键帧的特征提取，以分别提取出所述多个相变监控关键帧中各个相变关键帧的关于超声共振发热颗粒中镍钛合金片的相变状态的局部隐含特征分布信息，从而得到多个相变监控特征向量。

相应地，在一个具体示例中，所述相变特征提取单元130，进一步用于：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为过滤器的卷积神经网络模型的最后一层输出所述多个相变监控特征向量，其中，所述作为过滤器的第一卷积神经网络的第一层的输入为所述多个相变监控关键帧。

更具体地，在本申请实施例中，所述相变语义特征提取单元140，用于将所述多个相变监控特征向量通过基于转换器的上下文编码器以得到相变语义关联特征向量。考虑到在所述多个相变监控特征向量中存在有所述超声共振发热颗粒中镍钛合金片的相变状态局部隐含特征分布信息，为了能够提取出其状态在时序上的动态关联性特征分布信息以更准确地对于超声波进行控制，还需要进一步挖掘其在时序上的全局动态关联特征。因此，在本申请的技术方案中，将所述多个相变监控特征向量通过基于转换器的上下文编码器以得到多个上下文相变监控特征向量，再将得到的所述多个上下文相变监控特征向量进行级联以得到所述相变语义关联特征向量。也就是，基于transformer思想，利用转换器能够捕捉长距离上下文依赖的特性，对所述多个相变监控特征向量中各个相变监控特征向量进行基于全局的上下文语义编码以得到以所述多个相变监控特征向量的整体语义关联为上下文背景的上下文语义关联特征表示，即，所述相变语义关联特征向量。应可以理解，在本申请的技术方案中，通过所述基于转换器的编码器可以捕捉所述各个相变监控关键帧中关于超声共振发热颗粒中镍钛合金片的相变状态的上下文语义关联特征表示。

相应地，在一个具体示例中，如图5所示，所述相变语义特征提取单元140，包括：上下文编码子单元141，用于使用所述基于转换器的上下文编码器对所述多个相变监控特征向量进行基于全局的上下文语义编码以得到多个上下文相变监控特征向量；以及，级联子单元142，用于将所述多个上下文相变监控特征向量进行级联以得到所述相变语义关联特征向量。

更具体地，在本申请实施例中，所述控制结果生成单元150，用于将所述相变语义关联特征向量通过分类器以得到分类结果，所述分类结果用于表示是否停止产生超声波。也就是，以所述相变语义关联特征向量作为分类特征向量通过分类器中进行分类处理，以得到用于表示是否停止产生超声波的分类结果。这样，能够实时地基于时间相变情况来判断是否应停止产生超声波，以避免热惯性导致热消融的温度会过高而可能对腔道造成损伤。

相应地，在一个具体示例中，如图6所示，所述控制结果生成单元150，包括：全连接编码子单元151，用于使用所述分类器的多个全连接层对所述相变语义关联特征向量进行全连接编码以得到编码分类特征向量；以及，分类子单元152，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。

相应地，在一个具体示例中，所述超声共振自控温热消融支架，还包括用于对所述作为过滤器的卷积神经网络模型、所述基于转换器的上下文编码器和所述分类器进行训练的训练模块。

相应地，在一个具体示例中，如图7所示，所述训练模块200，包括：训练数据单元210，用于获取训练数据，所述训练数据包括预定时间段的超声共振发热颗粒的训练相变监控视频，以及，所述是否停止施加超声波场的真实值；训练采样单元220，用于从所述超声共振发热颗粒的训练相变监控视频提取多个训练相变监控关键帧；训练相变特征提取单元230，用于将所述多个训练相变监控关键帧分别通过所述作为过滤器的卷积神经网络模型以得到多个训练相变监控特征向量；训练相变语义特征提取单元240，用于将所述多个训练相变监控特征向量通过所述基于转换器的上下文编码器以得到多个训练上下文相变监控特征向量；训练级联单元250，用于将所述多个训练上下文相变监控特征向量级联以得到训练相变语义关联特征向量；分类损失单元260，用于将所述训练相变语义关联特征向量通过所述分类器以得到分类损失函数值；多分布二元分类质量损失单元270，用于基于所述多个训练上下文相变监控特征向量，计算多分布二元分类质量损失函数值；以及，训练单元280，用于计算所述分类损失函数值和所述多分布二元分类质量损失函数值的加权和作为损失函数值来分别对所述作为过滤器的卷积神经网络模型、所述基于转换器的上下文编码器和所述分类器进行训练。

特别地，在本申请的技术方案中，这里，在将所述多个相变监控特征向量通过基于转换器的上下文编码器得到所述相变语义关联特征向量时，是将所述多个相变监控特征向量通过基于转换器的上下文编码器得到多个上下文相变监控特征向量级联以得到所述相变语义关联特征向量。虽然基于转换器的上下文编码器提升了所述多个上下文相变监控特征向量的特征分布之间的关联关系，但是在将所述多个上下文相变监控特征向量级联为所述相变语义关联特征向量时，仍需要提升所述多个上下文相变监控特征向量之间作为局部特征分布的显式关联，以提升所述相变语义关联特征向量的整体特征表达能力，从而提升所述相变语义关联特征向量的分类结果准确性。

通常，可以通过对所述多个上下文相变监控特征向量中的每个上下文相变监控特征向量设置权重来解决，但是，由于权重需要作为超参数通过训练得到，这将增加模型的训练负担。因此，本申请的申请人引入了针对所述多个上下文相变监控特征向量的多分布二元分类质量损失函数。

相应地，在一个具体示例中，所述多分布二元分类质量损失单元270，进一步用于：基于所述多个训练上下文相变监控特征向量，以如下公式计算所述多分布二元分类质量损失函数值；其中，所述公式为：

其中，

到

是所述多个训练上下文相变监控特征向量中各个训练上下文相变监控特征向量，

是参考向量，且

表示特征向量的分类结果，

表示向量的1范数，

表示所述多分布二元分类质量损失函数值。

这里，为了避免每个各个上下文相变监控特征向量在级联为所述相变语义关联特征向量后在相应的多分布分类域内由于各个局部特征分布对应的决策边界的过度碎片化而使得向着目标类别区域的收敛困难，通过对于每个局部特征分布的基于预定标签的二元分类的全局偏移类概率信息取平均的方式，可以预测每个局部特征分布相对于全局特征分布的连续性质量因数以作为损失函数。这样，通过以此对模型进行训练，就可以将超参数在训练中的优化从反向传播转换为基于多二元分类的分类问题，并改进所述相变语义关联特征向量的整体特征表达能力，从而提升所述相变语义关联特征向量的分类结果的准确性。这样，能够实时准确地基于时间相变情况来判断是否应停止产生超声波，以提前停止机制，用于抵消热惯性，避免热惯性导致热消融的温度会过高而可能对腔道造成损伤。

综上，基于本申请实施例的超声波产生控制装置100被阐明，其采用基于深度学习的人工智能控制算法，以通过对于预定时间段的任意一个超声共振发热颗粒的相变监控视频中的各个相变监控关键帧的全局隐含关联性特征分布信息提取来进行是否停止产生超声波的分类判断。通过这样的方式，可以实时准确地基于时间相变情况来判断是否应停止产生超声波，避免热惯性导致热消融的温度过高而可能对腔道造成损伤。

如上所述，根据本申请实施例的所述超声波产生控制装置100可以实现在各种终端设备中，例如基于超声波产生控制算法的服务器等。在一个示例中，超声波产生控制装置100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该超声波产生控制装置100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该超声波产生控制装置100同样可以是该终端设备的众多硬件模块之一。

替换地，在另一示例中，该超声波产生控制装置100与该终端设备也可以是分立的设备，并且该超声波产生控制装置100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。

示例性方法:图8为根据本申请实施例的超声共振自控温热消融支架的方法的流程图。如图8所示，根据本申请实施例的超声共振自控温热消融支架的方法，其包括：S110，获取预定时间段的超声共振发热颗粒的相变监控视频；S120，从所述超声共振发热颗粒的相变监控视频提取多个相变监控关键帧；S130，将所述多个相变监控关键帧分别通过作为过滤器的卷积神经网络模型以得到多个相变监控特征向量；S140，将所述多个相变监控特征向量通过基于转换器的上下文编码器以得到相变语义关联特征向量；以及，S150，将所述相变语义关联特征向量通过分类器以得到分类结果，所述分类结果用于表示是否停止产生超声波。

图9为根据本申请实施例的超声共振自控温热消融支架的方法的系统架构的示意图。如图9所示，在所述超声共振自控温热消融支架的方法的系统架构中，首先，获取预定时间段的超声共振发热颗粒的相变监控视频；接着，从所述超声共振发热颗粒的相变监控视频提取多个相变监控关键帧；然后，将所述多个相变监控关键帧分别通过作为过滤器的卷积神经网络模型以得到多个相变监控特征向量；接着，将所述多个相变监控特征向量通过基于转换器的上下文编码器以得到相变语义关联特征向量；最后，将所述相变语义关联特征向量通过分类器以得到分类结果，所述分类结果用于表示是否停止产生超声波。

在一个具体示例中，在上述超声共振自控温热消融支架的方法中，所述从所述超声共振发热颗粒的相变监控视频提取多个相变监控关键帧，进一步包括：以预定采样频率对所述超声共振发热颗粒的相变监控视频进行关键帧采样以得到所述多个相变监控关键帧。

在一个具体示例中，在上述超声共振自控温热消融支架的方法中，所述将所述多个相变监控关键帧分别通过作为过滤器的卷积神经网络模型以得到多个相变监控特征向量，进一步包括：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为过滤器的卷积神经网络模型的最后一层输出所述多个相变监控特征向量，其中，所述作为过滤器的第一卷积神经网络的第一层的输入为所述多个相变监控关键帧。

在一个具体示例中，在上述超声共振自控温热消融支架的方法中，所述将所述多个相变监控特征向量通过基于转换器的上下文编码器以得到相变语义关联特征向量，包括：使用所述基于转换器的上下文编码器对所述多个相变监控特征向量进行基于全局的上下文语义编码以得到多个上下文相变监控特征向量；以及，将所述多个上下文相变监控特征向量进行级联以得到所述相变语义关联特征向量。

在一个具体示例中，在上述超声共振自控温热消融支架的方法中，所述将所述相变语义关联特征向量通过分类器以得到分类结果，所述分类结果用于表示是否停止产生超声波，包括：使用所述分类器的多个全连接层对所述相变语义关联特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。

在一个具体示例中，在上述超声共振自控温热消融支架的方法中，还包括用于对所述作为过滤器的卷积神经网络模型、所述基于转换器的上下文编码器和所述分类器进行训练的训练步骤。

在一个具体示例中，在上述超声共振自控温热消融支架的方法中，所述训练步骤，包括：获取训练数据，所述训练数据包括预定时间段的超声共振发热颗粒的训练相变监控视频，以及，所述是否停止施加超声波场的真实值；从所述超声共振发热颗粒的训练相变监控视频提取多个训练相变监控关键帧；将所述多个训练相变监控关键帧分别通过所述作为过滤器的卷积神经网络模型以得到多个训练相变监控特征向量；将所述多个训练相变监控特征向量通过所述基于转换器的上下文编码器以得到多个训练上下文相变监控特征向量；将所述多个训练上下文相变监控特征向量级联以得到训练相变语义关联特征向量；将所述训练相变语义关联特征向量通过所述分类器以得到分类损失函数值；基于所述多个训练上下文相变监控特征向量，计算多分布二元分类质量损失函数值；以及，计算所述分类损失函数值和所述多分布二元分类质量损失函数值的加权和作为损失函数值来分别对所述作为过滤器的卷积神经网络模型、所述基于转换器的上下文编码器和所述分类器进行训练。

在一个具体示例中，在上述超声共振自控温热消融支架的方法中，所述基于所述多个训练上下文相变监控特征向量，计算多分布二元分类质量损失函数值，进一步包括：基于所述多个训练上下文相变监控特征向量，以如下公式计算所述多分布二元分类质量损失函数值；其中，所述公式为：

其中，

到

是所述多个训练上下文相变监控特征向量中各个训练上下文相变监控特征向量，

是参考向量，且

表示特征向量的分类结果，

表示向量的1范数，

表示所述多分布二元分类质量损失函数值。

这里，本领域技术人员可以理解，上述超声共振自控温热消融支架的方法中的各个步骤的具体操作已经在上面参考图3到图7的超声波产生控制装置的描述中得到了详细介绍，并因此，将省略其重复描述。

结构示例：该示例涉及到以下结构：Z1、空腔槽道，Z2、限制条，Z3、气囊，Z4、凸块囊，Z5、储药槽，Z6、辅助药物，Z7、食用级药物明胶薄膜，该示例解决了因胃转流支架主体11以及超声共振发热单元12的设置，在一定程度上导致水电酸碱紊乱、消化不良、引流口感染的问题。

具体工作过程如下：以下工作过程可参考图10至图14。

工作时，当超声共振发热单元12发挥作用时，受热的胃转流支架主体11会在一定程度上受热，然后此时因固定在空腔槽道Z1中限制条Z2的限制，位于空腔槽道Z1中的气囊Z3会在一定程度上因受热导致内部空气鼓胀，由于气囊Z3与凸块囊Z4是连通的，所以此时原先位于储药槽Z5中的凸块囊Z4也会在一定程度上发生鼓胀，在鼓胀中凸块囊Z4会推挤储药槽Z5中的辅助药物Z6,此时在力的推挤下食用级药物明胶薄膜Z7会被撑破，位于储药槽Z5中的辅助药物Z6此时会落入被治疗者的胃管中，这种依靠气体受热膨胀的原理能有效使辅助药物Z6辅助治疗患者，在最大程度上避免了患者后续可能会出现的水电酸碱紊乱、消化不良、引流口感染的问题。

以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。

本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。

提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (8)

1.一种超声共振自控温热消融支架，其特征在于，包括：

胃转流支架主体；

设置于所述胃转流支架主体的外表面的多个超声共振发热颗粒；以及

用于产生超声波并作用于所述多个超声共振发热颗粒的超声波产生控制装置；

其中，所述超声波产生控制装置，包括：

相变监控视频接收单元，用于获取预定时间段的超声共振发热颗粒的相变监控视频；

采样单元，用于从所述超声共振发热颗粒的相变监控视频提取多个相变监控关键帧；

相变特征提取单元，用于将所述多个相变监控关键帧分别通过作为过滤器的卷积神经网络模型以得到多个相变监控特征向量；

相变语义特征提取单元，用于将所述多个相变监控特征向量通过基于转换器的上下文编码器以得到相变语义关联特征向量；以及

控制结果生成单元，用于将所述相变语义关联特征向量通过分类器以得到分类结果，所述分类结果用于表示是否停止产生超声波。

2.根据权利要求1所述的超声共振自控温热消融支架，其特征在于，所述采样单元，进一步用于：

以预定采样频率对所述超声共振发热颗粒的相变监控视频进行关键帧采样以得到所述多个相变监控关键帧。

3.根据权利要求2所述的超声共振自控温热消融支架，其特征在于，所述相变特征提取单元，进一步用于：

使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为过滤器的卷积神经网络模型的最后一层输出所述多个相变监控特征向量，其中，所述作为过滤器的第一卷积神经网络的第一层的输入为所述多个相变监控关键帧。

4.根据权利要求3所述的超声共振自控温热消融支架，其特征在于，所述相变语义特征提取单元，包括：

上下文编码子单元，用于使用所述基于转换器的上下文编码器对所述多个相变监控特征向量进行基于全局的上下文语义编码以得到多个上下文相变监控特征向量；以及

级联子单元，用于将所述多个上下文相变监控特征向量进行级联以得到所述相变语义关联特征向量。

5.根据权利要求4所述的超声共振自控温热消融支架，其特征在于，所述控制结果生成单元，包括：

全连接编码子单元，用于使用所述分类器的多个全连接层对所述相变语义关联特征向量进行全连接编码以得到编码分类特征向量；以及

分类子单元，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。

6.根据权利要求5所述的超声共振自控温热消融支架，其特征在于，还包括用于对所述作为过滤器的卷积神经网络模型、所述基于转换器的上下文编码器和所述分类器进行训练的训练模块。

7.根据权利要求6所述的超声共振自控温热消融支架，其特征在于，所述训练模块，包括：

训练数据单元，用于获取训练数据，所述训练数据包括预定时间段的超声共振发热颗粒的训练相变监控视频，以及，所述是否停止施加超声波场的真实值；

训练采样单元，用于从所述超声共振发热颗粒的训练相变监控视频提取多个训练相变监控关键帧；

训练相变特征提取单元，用于将所述多个训练相变监控关键帧分别通过所述作为过滤器的卷积神经网络模型以得到多个训练相变监控特征向量；

训练相变语义特征提取单元，用于将所述多个训练相变监控特征向量通过所述基于转换器的上下文编码器以得到多个训练上下文相变监控特征向量；

训练级联单元，用于将所述多个训练上下文相变监控特征向量级联以得到训练相变语义关联特征向量；

分类损失单元，用于将所述训练相变语义关联特征向量通过所述分类器以得到分类损失函数值；

多分布二元分类质量损失单元，用于基于所述多个训练上下文相变监控特征向量，计算多分布二元分类质量损失函数值；以及

训练单元，用于计算所述分类损失函数值和所述多分布二元分类质量损失函数值的加权和作为损失函数值来分别对所述作为过滤器的卷积神经网络模型、所述基于转换器的上下文编码器和所述分类器进行训练。

8.根据权利要求7所述的超声共振自控温热消融支架，其特征在于，所述多分布二元分类质量损失单元，进一步用于：基于所述多个训练上下文相变监控特征向量，以如下公式计算所述多分布二元分类质量损失函数值；

其中，所述公式为：

，

其中，

到

是所述多个训练上下文相变监控特征向量中各个训练上下文相变监控特征向量，

是参考向量，且

表示特征向量的分类结果，

表示向量的1范数，

表示所述多分布二元分类质量损失函数值。

Images