CN115887086A - 可控转向的胃转流支架输送器及其方法 - Google Patents
可控转向的胃转流支架输送器及其方法 Download PDFInfo
- Publication number
- CN115887086A CN115887086A CN202310036465.1A CN202310036465A CN115887086A CN 115887086 A CN115887086 A CN 115887086A CN 202310036465 A CN202310036465 A CN 202310036465A CN 115887086 A CN115887086 A CN 115887086A
- Authority
- CN
- China
- Prior art keywords
- training
- rack
- air pressure
- region
- feature vector
- 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.)
- Granted
Links
- 230000002496 gastric effect Effects 0.000 title claims abstract description 213
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000001514 detection method Methods 0.000 claims abstract description 40
- 239000013598 vector Substances 0.000 claims description 268
- 238000012549 training Methods 0.000 claims description 183
- 238000012546 transfer Methods 0.000 claims description 94
- 239000011159 matrix material Substances 0.000 claims description 87
- 230000004044 response Effects 0.000 claims description 49
- 230000006870 function Effects 0.000 claims description 48
- 238000000605 extraction Methods 0.000 claims description 34
- 230000011218 segmentation Effects 0.000 claims description 27
- 210000002784 stomach Anatomy 0.000 claims description 23
- 238000013527 convolutional neural network Methods 0.000 claims description 21
- 238000003062 neural network model Methods 0.000 claims description 20
- 238000010586 diagram Methods 0.000 claims description 12
- 238000012544 monitoring process Methods 0.000 claims description 8
- 230000003213 activating effect Effects 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 101100001674 Emericella variicolor andI gene Proteins 0.000 claims description 2
- 230000010412 perfusion Effects 0.000 claims description 2
- 238000005452 bending Methods 0.000 abstract description 7
- 210000003437 trachea Anatomy 0.000 description 9
- 230000004043 responsiveness Effects 0.000 description 6
- 238000013461 design Methods 0.000 description 4
- 239000000523 sample Substances 0.000 description 4
- 210000001035 gastrointestinal tract Anatomy 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000001364 causal effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005489 elastic deformation Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 208000008589 Obesity Diseases 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 235000020824 obesity Nutrition 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
Images
Landscapes
- Surgical Instruments (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
公开了一种可控转向的胃转流支架输送器及其方法，其中，所述可控转向的胃转流支架输送器的后部增加一段转向控制区域，该转向控制区域由第一至第四齿条形气囊构成，并且所述第一至第四齿条形气囊后端接气管。其配置自动转向控制模块，能够挖掘包含胃转流支架与目标区的探测图像中两者之间的相对位置的隐含关系，进而基于所述隐含关系来控制所述第一至第四齿条形气囊的气压，从而控制所述胃转流支架输送器的头部的弯曲角度，实现输送器的可控转向功能。
Description
技术领域
本申请涉及医疗辅助设备领域，且更为具体地，涉及一种可控转向的胃转流支架输送器及其方法。
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。
在通过胃转流支架输送器将胃转流支架传输至体腔内时，因传输路径弯折常需要进行转向操作，然而现有的胃转流支架输送器在转向操作方便表现较差，需要将胃转流支架输送器的整体进行倾斜来调整胃转流支架的位姿，这种方式不仅操作不便，且调整角度有限，会给用户带来额外的痛苦。
因此，期待一种优化的胃转流支架输送器。
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可控转向的胃转流支架输送器及其方法，其中，所述可控转向的胃转流支架输送器的后部增加一段转向控制区域，该转向控制区域由第一至第四齿条形气囊构成，并且所述第一至第四齿条形气囊后端接气管。其配置自动转向控制模块，能够挖掘包含胃转流支架与目标区的探测图像中两者之间的相对位置的隐含关系，进而基于所述隐含关系来控制所述第一至第四齿条形气囊的气压，从而控制所述胃转流支架输送器的头部的弯曲角度，实现输送器的可控转向功能。
相应地，根据本申请的一个方面，提供了一种可控转向的胃转流支架输送器，其包括：数据监控与采集单元，用于获取可控转向的胃转流支架输送器的第一至第四齿条形气囊的第一至第四气压值以及由电子摄像头采集的包含胃转流支架与目标区的探测图像；图像语义分割单元，用于对所述包含胃转流支架与目标区的探测图像进行图像语义分割以得到包含所述胃转流支架的第一感兴趣区域和包含所述目标区的第二感兴趣区域；待调节齿条形气囊确定单元，用于基于所述第一感兴趣区域和所述第二感兴趣区域在所述探测图像中的相对位置关系，确定所述第一至第四齿条形气囊中待调节齿条形气囊；图像特征提取单元，用于将所述第一感兴趣区域和所述第二感兴趣区域分别通过作为过滤器的第一卷积神经网络模型以得到胃转流支架图像特征向量和目标区图像特征向量；相对位置关系特征提取单元，用于计算所述胃转流支架图像特征向量与所述目标区图像特征向量之间的转移矩阵；气压特征提取单元，用于将所述第一至第四气压值排列为输入向量后通过包含多个全连接层的气压特征提取器以得到气压特征向量；转移单元，用于计算所述气压特征向量相对于所述转移矩阵的转移向量作为解码特征向量；以及气压调整结果生成单元，用于将所述解码特征向量通过解码器进行解码回归以得到解码值，所述解码值用于表示待调节齿条形气囊的气压调整值。
在上述一种可控转向的胃转流支架输送器中，所述待调节齿条形气囊确定单元，进一步用于：响应于所述第一感兴趣区域位于所述第二感兴趣区域的左方，确定所述第一齿条形气囊为所述待调节齿条形气囊；响应于所述第一感兴趣区域位于所述第二感兴趣区域的右方，确定所述第四齿条形气囊为所述待调节齿条形气囊；响应于所述第一感兴趣区域位于所述第二感兴趣区域的上方，确定所述第二齿条形气囊为所述待调节齿条形气囊；以及响应于所述第一感兴趣区域位于所述第二感兴趣区域的下方，确定所述第三齿条形气囊为所述待调节齿条形气囊。
在上述一种可控转向的胃转流支架输送器中，所述图像特征提取单元，进一步用于：使用所述第一卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络模型的最后一层的输出为所述胃转流支架图像特征向量或目标区图像特征向量，所述第一卷积神经网络模型的第一层的输入为所述第一感兴趣区域或所述第二感兴趣区域。
在上述一种可控转向的胃转流支架输送器中，所述相对位置关系特征提取单元，进一步用于：以如下公式计算所述胃转流支架图像特征向量与所述目标区图像特征向量之间的转移矩阵；其中，所述公式为：
其中
表示所述胃转流支架图像特征向量，
表示所述目标区图像特征向量，
表示所述转移矩阵，
表示矩阵相乘。
在上述一种可控转向的胃转流支架输送器中，所述气压特征提取单元，进一步用于使用所述包含多个全连接层的气压特征提取器对由所述第一至第四气压值排列得到的输入向量进行全连接编码以得到所述气压特征向量。
在上述一种可控转向的胃转流支架输送器中，所述转移单元，进一步用于：以如下公式计算所述气压特征向量相对于所述转移矩阵的转移向量作为解码特征向量；其中，所述公式为：
其中
表示所述气压特征向量，
表示所述转移矩阵，
表示所述解码特征向量，
表示矩阵相乘。
在上述一种可控转向的胃转流支架输送器中，所述气压调整结果生成单元，进一步用于：使用所述解码器以如下公式对所述解码特征向量进行解码回归以获得所述解码值；其中，所述公式为：
，其中
是所述解码特征向量，
是所述解码值，
是权重矩阵，
表示矩阵乘。
在上述一种可控转向的胃转流支架输送器中，还包括用于对所述作为过滤器的第一卷积神经网络模型、所述包含多个全连接层的气压特征提取器和所述解码器进行训练的训练模块；其中，所述训练模块，包括：训练数据监控与采集单元，用于获取训练数据，所述训练数据包括：可控转向的胃转流支架输送器的第一至第四齿条形气囊的第一至第四训练气压值以及由电子摄像头采集的包含胃转流支架与目标区的训练探测图像，以及，训练待调节齿条形气囊的气压调整值的真实值；训练图像语义分割单元，用于对所述包含胃转流支架与目标区的训练探测图像进行图像语义分割以得到包含所述胃转流支架的第一训练感兴趣区域和包含所述目标区的第二训练感兴趣区域；训练待调节齿条形气囊确定单元，用于基于所述第一训练感兴趣区域和所述第二训练感兴趣区域在所述训练探测图像中的相对位置关系，确定所述第一至第四齿条形气囊中训练待调节齿条形气囊；训练图像特征提取单元，用于将所述第一训练感兴趣区域和所述第二训练感兴趣区域分别通过作为过滤器的第一卷积神经网络模型以得到训练胃转流支架图像特征向量和训练目标区图像特征向量；训练相对位置关系特征提取单元，用于计算所述训练胃转流支架图像特征向量与所述训练目标区图像特征向量之间的训练转移矩阵；训练气压特征提取单元，用于将所述第一至第四训练气压值排列为训练输入向量后通过包含多个全连接层的气压特征提取器以得到训练气压特征向量；训练转移单元，用于计算所述训练气压特征向量相对于所述训练转移矩阵的转移向量作为训练解码特征向量；解码损失单元，用于将所述训练解码特征向量通过解码器以得到解码损失函数值；序列对序列响应规则内在化学习损失单元，用于计算所述训练解码特征向量和所述训练气压特征向量之间的序列对序列响应规则内在化学习损失函数值；以及，训练单元，用于计算所述解码损失函数值和所述序列对序列响应规则内在化学习损失函数值的加权和作为损失函数值，对所述作为过滤器的第一卷积神经网络模型、所述包含多个全连接层的气压特征提取器和所述解码器进行训练。
在上述一种可控转向的胃转流支架输送器中，所述序列对序列响应规则内在化学习损失单元，进一步用于：以如下公式计算所述解码特征向量和所述气压特征向量之间的序列对序列响应规则内在化学习损失函数；其中，所述公式为：
其中，
和
分别是所述解码特征向量和所述气压特征向量，且
和
分别是解码器对于
和
的权重矩阵，
和
分别是所述解码特征向量和所述气压特征向量的中间向量，
是所述序列对序列响应规则内在化学习损失函数，
表示
激活函数，
表示
激活函数， 
表示矩阵相乘， 
表示两个向量之间的欧式距离。
根据本申请的另一方面，还提供了一种可控转向的胃转流支架输送器的方法，其包括：获取可控转向的胃转流支架输送器的第一至第四齿条形气囊的第一至第四气压值以及由电子摄像头采集的包含胃转流支架与目标区的探测图像；对所述包含胃转流支架与目标区的探测图像进行图像语义分割以得到包含所述胃转流支架的第一感兴趣区域和包含所述目标区的第二感兴趣区域；基于所述第一感兴趣区域和所述第二感兴趣区域在所述探测图像中的相对位置关系，确定所述第一至第四齿条形气囊中待调节齿条形气囊；将所述第一感兴趣区域和所述第二感兴趣区域分别通过作为过滤器的第一卷积神经网络模型以得到胃转流支架图像特征向量和目标区图像特征向量；计算所述胃转流支架图像特征向量与所述目标区图像特征向量之间的转移矩阵；将所述第一至第四气压值排列为输入向量后通过包含多个全连接层的气压特征提取器以得到气压特征向量；计算所述气压特征向量相对于所述转移矩阵的转移向量作为解码特征向量；以及将所述解码特征向量通过解码器进行解码回归以得到解码值，所述解码值用于表示待调节齿条形气囊的气压调整值。
在上述一种可控转向的胃转流支架输送器的方法中，所述待基于所述第一感兴趣区域和所述第二感兴趣区域在所述探测图像中的相对位置关系，确定所述第一至第四齿条形气囊中待调节齿条形气囊，包括：响应于所述第一感兴趣区域位于所述第二感兴趣区域的左方，确定所述第一齿条形气囊为所述待调节齿条形气囊；响应于所述第一感兴趣区域位于所述第二感兴趣区域的右方，确定所述第四齿条形气囊为所述待调节齿条形气囊；响应于所述第一感兴趣区域位于所述第二感兴趣区域的上方，确定所述第二齿条形气囊为所述待调节齿条形气囊；以及，响应于所述第一感兴趣区域位于所述第二感兴趣区域的下方，确定所述第三齿条形气囊为所述待调节齿条形气囊。
在上述一种可控转向的胃转流支架输送器的方法中，所述计算所述气压特征向量相对于所述转移矩阵的转移向量作为解码特征向量，包括：以如下公式计算所述气压特征向量相对于所述转移矩阵的转移向量作为解码特征向量；其中，所述公式为：
其中
表示所述气压特征向量，
表示所述转移矩阵，
表示所述解码特征向量，
表示矩阵相乘。
在上述一种可控转向的胃转流支架输送器的方法中，所述将所述解码特征向量通过解码器进行解码回归以得到解码值，所述解码值用于表示待调节齿条形气囊的气压调整值，包括：使用所述解码器以如下公式对所述解码特征向量进行解码回归以获得所述解码值；其中，所述公式为：
，其中
是所述解码特征向量，
是所述解码值，
是权重矩阵，
表示矩阵乘。
在上述一种可控转向的胃转流支架输送器的方法中，还包括对所述作为过滤器的第一卷积神经网络模型、所述包含多个全连接层的气压特征提取器和所述解码器进行训练；其中，所述对所述作为过滤器的第一卷积神经网络模型、所述包含多个全连接层的气压特征提取器和所述解码器进行训练，包括步骤：获取训练数据，所述训练数据包括：可控转向的胃转流支架输送器的第一至第四齿条形气囊的第一至第四训练气压值以及由电子摄像头采集的包含胃转流支架与目标区的训练探测图像，以及，训练待调节齿条形气囊的气压调整值的真实值；对所述包含胃转流支架与目标区的训练探测图像进行图像语义分割以得到包含所述胃转流支架的第一训练感兴趣区域和包含所述目标区的第二训练感兴趣区域；基于所述第一训练感兴趣区域和所述第二训练感兴趣区域在所述训练探测图像中的相对位置关系，确定所述第一至第四齿条形气囊中训练待调节齿条形气囊；将所述第一训练感兴趣区域和所述第二训练感兴趣区域分别通过作为过滤器的第一卷积神经网络模型以得到训练胃转流支架图像特征向量和训练目标区图像特征向量；计算所述训练胃转流支架图像特征向量与所述训练目标区图像特征向量之间的训练转移矩阵；将所述第一至第四训练气压值排列为训练输入向量后通过包含多个全连接层的气压特征提取器以得到训练气压特征向量；计算所述训练气压特征向量相对于所述训练转移矩阵的转移向量作为训练解码特征向量；将所述训练解码特征向量通过解码器以得到解码损失函数值；计算所述训练解码特征向量和所述训练气压特征向量之间的序列对序列响应规则内在化学习损失函数值；以及，计算所述解码损失函数值和所述序列对序列响应规则内在化学习损失函数值的加权和作为损失函数值，对所述作为过滤器的第一卷积神经网络模型、所述包含多个全连接层的气压特征提取器和所述解码器进行训练。
与现有技术相比，本申请提供的一种可控转向的胃转流支架输送器及其方法，其中，所述可控转向的胃转流支架输送器的后部增加一段转向控制区域，该转向控制区域由第一至第四齿条形气囊构成，并且所述第一至第四齿条形气囊后端接气管。其配置自动转向控制模块，能够挖掘包含胃转流支架与目标区的探测图像中两者之间的相对位置的隐含关系，进而基于所述隐含关系来控制所述第一至第四齿条形气囊的气压，从而控制所述胃转流支架输送器的头部的弯曲角度，实现输送器的可控转向功能。
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一种可控转向的胃转流支架输送器的场景示意图。
图2为根据本申请实施例的一种可控转向的胃转流支架输送器的框图。
图3为根据本申请实施例的一种可控转向的胃转流支架输送器的架构示意图。
图4为根据本申请实施例的一种可控转向的胃转流支架输送器中训练模块的框图。
图5为根据本申请实施例的一种可控转向的胃转流支架输送器的方法的流程图。
图6为根据本申请实施例的一种可控转向的胃转流支架输送器的方法中对所述作为过滤器的第一卷积神经网络模型、所述包含多个全连接层的气压特征提取器和所述解码器进行训练的流程图。
图7为根据本申请实施例的一种可控转向的胃转流支架输送器的结构示意图。
图8为根据本申请实施例的一种可控转向的胃转流支架输送器的图6中A区域放大结构示意图。
图9为根据本申请实施例的一种可控转向的胃转流支架输送器结构中的第二气管与配气盘安装结构示意图。
图10为根据本申请实施例的一种可控转向的胃转流支架输送器的图9中B区域放大结构示意图。
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。
申请概述：如上述背景技术所言，在通过胃转流支架输送器将胃转流支架传输至体腔内时，因传输路径弯折常需要进行转向操作，然而现有的胃转流支架输送器在转向操作方便表现较差，需要将胃转流支架输送器的整体进行倾斜来调整胃转流支架的位姿，这种方式不仅操作不便，且调整角度有限，会给用户带来额外的痛苦。因此，期待一种优化的胃转流支架输送器。
针对上述问题，本申请的申请人在现有的胃转流支架输送器的后部增加一段转向控制区域，该转向控制区域由四个轴向并列放置的齿条形气囊（为了便于说明，定义为第一至第四齿条形气囊）构成，并且所述第一至第四齿条形气囊的后端接气管。所述齿条形气囊在充气后会发生弯曲，通过控制所述第一至第四齿条形气囊的气压，可以控制所述胃转流支架输送器的头部的弯曲角度，可实现输送器的可控转向功能。
进一步地，在第一版本的设计中，在基于可控转向的胃转流支架输送器进行胃转流支架的转向控制时，需要操作人员通过电子摄像头来观察胃转流支架与目标区之间的相对位置关系，并基于经验来调整四个齿条形气囊内的气压以使得胃流转支架能够抵达目标区。这种模式需要依赖操作人员的经验，且在操作人员进行气压调控时，会出现调整过渡或调整不足的问题。
因此，在第二版本的设计中，为所述可控转向的胃转流支架输送器配置自动转向控制模块，其能够基于电子摄像头所采集的包含胃转流支架与目标区的探测图像进行智能转向调节。
具体地，首先获取可控转向的胃转流支架输送器的第一至第四齿条形气囊的第一至第四气压值以及由所述电子摄像头采集的包含胃转流支架与目标区的探测图像。接着，对所述包含胃转流支架与目标区的探测图像进行图像语义分割以得到包含所述胃转流支架的第一感兴趣区域和包含所述目标区的第二感兴趣区域。也就是，使用图像语义分割技术从所述探测图像中定位并识别出包含所述胃转流支架的第一感兴趣区域和包含所述目标区的第二感兴趣区域。
进一步地，基于所述第一感兴趣区域和所述第二感兴趣区域在所述探测图像中的相对位置关系，确定所述第一至第四齿条形气囊中待调节齿条形气囊。具体地，在本申请的技术方案中，响应于所述第一感兴趣区域位于所述第二感兴趣区域的左方，确定所述第一齿条形气囊为所述待调节齿条形气囊；响应于所述第一感兴趣区域位于所述第二感兴趣区域的右方，确定所述第四齿条形气囊为所述待调节齿条形气囊；响应于所述第一感兴趣区域位于所述第二感兴趣区域的上方，确定所述第二齿条形气囊为所述待调节齿条形气囊；以及，响应于所述第一感兴趣区域位于所述第二感兴趣区域的下方，确定所述第三齿条形气囊为所述待调节齿条形气囊。
在确定所述第一至第四齿条形气囊中待调节齿条形气囊后，需要进一步确定气压调整值。具体地，在本申请的技术方案中，首先将所述第一感兴趣区域和所述第二感兴趣区域分别通过作为过滤器的第一卷积神经网络模型以得到胃转流支架图像特征向量和目标区图像特征向量。也就是，使用卷积神经网络模型作为特征提取器来捕捉胃转流支架图像特征和目标区图像特征，进而，计算所述胃转流支架图像特征向量与所述目标区图像特征向量之间的转移矩阵，也就是，以两者之间的所述转移矩阵来表示胃转流支架与目标区之间的相对位置关系在高维特征空间中的特征分布表达。
接着，将所述第一至第四气压值排列为输入向量后通过包含多个全连接层的气压特征提取器以得到气压特征向量。也就是，以包含多个全连接层的气压特征提取器对由所述第一至第四气压值排列得到的输入向量进行全连接编码提取所述输入向量中各个位置的高维隐含特征信息以得到所述气压特征向量。
应可以理解，在本申请的技术方案中，所述气压特征向量既是所述第一至第四齿条形气囊是当下状态呈现，也是使得所述胃转流支架与所述目标区具有预定位置关系的原因要素。因此，如果能够利用上述逻辑隐含关系，可提高对气压调节值得解码回归的精准度。
具体地，计算所述气压特征向量相对于所述转移矩阵的转移向量作为解码特征向量。也就是，以所述气压特征向量相对于所述转移矩阵的转移向量来模拟两者之间的高维隐含逻辑关联以得到包含上述逻辑隐含关联的解码特征向量。并最终通过解码器对所述解码特征向量进行解码回归以得到用于表示待调节齿条形气囊的气压调整值。
在得到所述解码值后，可基于所述解码值生成气压调整指令，并通过特定执行机构来作用于所述第一至第四齿条形气囊中待调节齿条形气囊，以实现智能转向控制的技术目的。
特别地，在本申请的技术方案中，通过所述转移矩阵表示胃转流支架与目标区之间的相对位置关系在高维特征空间中的特征分布表达，这样，通过计算所述气压特征向量相对于所述转移矩阵的转移向量，可以使得所述解码特征向量包含所述气压特征向量在所述胃转流支架和所述目标区的图像关联语义特征空间内的查询特征。但是，由于所述气压特征向量本身所表达的所述四个齿条形气囊的当前气压值之间的关联特征也很重要，因此期望提升所述解码特征向量相对于所述气压特征向量内在的响应性，以提高所述解码特征向量通过解码器的解码值的准确性。
基于此，本申请的申请人计算所述解码特征向量和所述气压特征向量之间的序列对序列响应规则内在化学习损失函数，表示为：
这里，通过解码器对于不同序列的权重矩阵的压榨-激励式通道注意力机制，可以获取所述解码特征向量和所述气压特征向量的序列之间的加强的区分性能力，通过以此损失函数训练网络，可以实现响应序列之间的具有更好区分性的因果关系特征的恢复，以对序列之间的原因-结果式响应规则进行内在化学习，增强了序列之间的内在响应性。这样，就提高了所述解码特征向量对于所述气压特征向量的内在的响应性，从而提高了所述解码特征向量通过解码器的解码值的准确性。
基于此，本申请提供了一种可控转向的胃转流支架输送器，其包括：数据监控与采集单元，用于获取可控转向的胃转流支架输送器的第一至第四齿条形气囊的第一至第四气压值以及由电子摄像头采集的包含胃转流支架与目标区的探测图像；图像语义分割单元，用于对所述包含胃转流支架与目标区的探测图像进行图像语义分割以得到包含所述胃转流支架的第一感兴趣区域和包含所述目标区的第二感兴趣区域；待调节齿条形气囊确定单元，用于基于所述第一感兴趣区域和所述第二感兴趣区域在所述探测图像中的相对位置关系，确定所述第一至第四齿条形气囊中待调节齿条形气囊；图像特征提取单元，用于将所述第一感兴趣区域和所述第二感兴趣区域分别通过作为过滤器的第一卷积神经网络模型以得到胃转流支架图像特征向量和目标区图像特征向量；相对位置关系特征提取单元，用于计算所述胃转流支架图像特征向量与所述目标区图像特征向量之间的转移矩阵；气压特征提取单元，用于将所述第一至第四气压值排列为输入向量后通过包含多个全连接层的气压特征提取器以得到气压特征向量；转移单元，用于计算所述气压特征向量相对于所述转移矩阵的转移向量作为解码特征向量；以及，气压调整结果生成单元，用于将所述解码特征向量通过解码器进行解码回归以得到解码值，所述解码值用于表示待调节齿条形气囊的气压调整值。
图1为根据本申请实施例的一种可控转向的胃转流支架输送器的场景示意图。如图1所示，在所述一种可控转向的胃转流支架输送器的应用场景中，首先由气压传感器（例如，如图1中所示意的Se）获取可控转向的胃转流支架输送器（例如，如图1中所示意的Co）的第一至第四齿条形气囊（例如，如图1中所示意的B1至Bn）的第一至第四气压值以及由电子摄像头（例如，如图1中所示意的Ca）采集的包含胃转流支架（例如，如图1中所示意的H）与目标区的探测图像。进而，将所述可控转向的胃转流支架输送器的第一至第四齿条形气囊的第一至第四气压值以及所述包含胃转流支架与目标区的探测图像输入至所述可控转向的胃转流支架输送器的数据处理器（例如，如图1所示意的P）中，其中，所述数据处理器能够以预定算法对所述可控转向的胃转流支架输送器的第一至第四齿条形气囊的第一至第四气压值以及所述包含胃转流支架与目标区的探测图像进行处理以得到解码值，所述解码值用于表示待调节齿条形气囊的气压调整值
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。
示例性系统：图2为根据本申请实施例的一种可控转向的胃转流支架输送器的框图。如图2所示，根据本申请实施例的一种可控转向的胃转流支架输送器100，包括：数据监控与采集单元110，用于获取可控转向的胃转流支架输送器的第一至第四齿条形气囊的第一至第四气压值以及由电子摄像头采集的包含胃转流支架与目标区的探测图像；图像语义分割单元120，用于对所述包含胃转流支架与目标区的探测图像进行图像语义分割以得到包含所述胃转流支架的第一感兴趣区域和包含所述目标区的第二感兴趣区域；待调节齿条形气囊确定单元130，用于基于所述第一感兴趣区域和所述第二感兴趣区域在所述探测图像中的相对位置关系，确定所述第一至第四齿条形气囊中待调节齿条形气囊；图像特征提取单元140，用于将所述第一感兴趣区域和所述第二感兴趣区域分别通过作为过滤器的第一卷积神经网络模型以得到胃转流支架图像特征向量和目标区图像特征向量；相对位置关系特征提取单元150，用于计算所述胃转流支架图像特征向量与所述目标区图像特征向量之间的转移矩阵；气压特征提取单元160，用于将所述第一至第四气压值排列为输入向量后通过包含多个全连接层的气压特征提取器以得到气压特征向量；转移单元170，用于计算所述气压特征向量相对于所述转移矩阵的转移向量作为解码特征向量；以及，气压调整结果生成单元180，用于将所述解码特征向量通过解码器进行解码回归以得到解码值，所述解码值用于表示待调节齿条形气囊的气压调整值。
图3为根据本申请实施例的一种可控转向的胃转流支架输送器的架构示意图。如图3所示，首先获取可控转向的胃转流支架输送器的第一至第四齿条形气囊的第一至第四气压值以及由电子摄像头采集的包含胃转流支架与目标区的探测图像。接着，对所述包含胃转流支架与目标区的探测图像进行图像语义分割以得到包含所述胃转流支架的第一感兴趣区域和包含所述目标区的第二感兴趣区域。然后，基于所述第一感兴趣区域和所述第二感兴趣区域在所述探测图像中的相对位置关系，确定所述第一至第四齿条形气囊中待调节齿条形气囊。进而，将所述第一感兴趣区域和所述第二感兴趣区域分别通过作为过滤器的第一卷积神经网络模型以得到胃转流支架图像特征向量和目标区图像特征向量。接着，计算所述胃转流支架图像特征向量与所述目标区图像特征向量之间的转移矩阵，同时，将所述第一至第四气压值排列为输入向量后通过包含多个全连接层的气压特征提取器以得到气压特征向量。然后，计算所述气压特征向量相对于所述转移矩阵的转移向量作为解码特征向量。进而，将所述解码特征向量通过解码器进行解码回归以得到解码值，所述解码值用于表示待调节齿条形气囊的气压调整值。
在上述一种可控转向的胃转流支架输送器100中，所述数据监控与采集单元110，用于获取可控转向的胃转流支架输送器的第一至第四齿条形气囊的第一至第四气压值以及由电子摄像头采集的包含胃转流支架与目标区的探测图像。如上述背景技术所言，在通过胃转流支架输送器将胃转流支架传输至体腔内时，因传输路径弯折常需要进行转向操作，然而现有的胃转流支架输送器在转向操作方便表现较差，需要将胃转流支架输送器的整体进行倾斜来调整胃转流支架的位姿，这种方式不仅操作不便，且调整角度有限，会给用户带来额外的痛苦。因此，期待一种优化的胃转流支架输送器。针对上述问题，本申请的申请人在现有的胃转流支架输送器的后部增加一段转向控制区域，该转向控制区域由四个轴向并列放置的齿条形气囊（为了便于说明，定义为第一至第四齿条形气囊）构成，并且所述第一至第四齿条形气囊的后端接气管。所述齿条形气囊在充气后会发生弯曲，通过控制所述第一至第四齿条形气囊的气压，可以控制所述胃转流支架输送器的头部的弯曲角度，可实现输送器的可控转向功能。
进一步地，在第一版本的设计中，在基于可控转向的胃转流支架输送器进行胃转流支架的转向控制时，需要操作人员通过电子摄像头来观察胃转流支架与目标区之间的相对位置关系，并基于经验来调整四个齿条形气囊内的气压以使得胃流转支架能够抵达目标区。这种模式需要依赖操作人员的经验，且在操作人员进行气压调控时，会出现调整过渡或调整不足的问题。因此，在第二版本的设计中，为所述可控转向的胃转流支架输送器配置自动转向控制模块，其能够基于电子摄像头所采集的包含胃转流支架与目标区的探测图像进行智能转向调节。
具体地，首先获取可控转向的胃转流支架输送器的第一至第四齿条形气囊的第一至第四气压值以及由所述电子摄像头采集的包含胃转流支架与目标区的探测图像。这里，所述第一至第四齿条形气囊的第一至第四气压值可以由气压传感器获取。
在上述一种可控转向的胃转流支架输送器100中，所述图像语义分割单元120，用于对所述包含胃转流支架与目标区的探测图像进行图像语义分割以得到包含所述胃转流支架的第一感兴趣区域和包含所述目标区的第二感兴趣区域。应可以理解，由于考虑到需要对于所述探测图像进行特征提取，应该更聚焦于所述胃转流支架与所述目标区的隐藏特征信息。这里，语义分割是指将像素按照图像中表达语义含义的不同进行分组（Grouping）／分割（Segmentation）。也就是，使用图像语义分割技术从所述探测图像中定位并识别出包含所述胃转流支架的第一感兴趣区域和包含所述目标区的第二感兴趣区域，使得所述包含所述胃转流支架的第一感兴趣区域和包含所述目标区的第二感兴趣区域在后续模型计算中更关注于所述胃转流支架和所述目标区，而不分散注意力于无关紧要的背景部分中。
在上述一种可控转向的胃转流支架输送器100中，所述待调节齿条形气囊确定单元130，用于基于所述第一感兴趣区域和所述第二感兴趣区域在所述探测图像中的相对位置关系，确定所述第一至第四齿条形气囊中待调节齿条形气囊。具体地，在本申请的技术方案中，响应于所述第一感兴趣区域位于所述第二感兴趣区域的左方，确定所述第一齿条形气囊为所述待调节齿条形气囊；响应于所述第一感兴趣区域位于所述第二感兴趣区域的右方，确定所述第四齿条形气囊为所述待调节齿条形气囊；响应于所述第一感兴趣区域位于所述第二感兴趣区域的上方，确定所述第二齿条形气囊为所述待调节齿条形气囊；以及，响应于所述第一感兴趣区域位于所述第二感兴趣区域的下方，确定所述第三齿条形气囊为所述待调节齿条形气囊。
在上述一种可控转向的胃转流支架输送器100中，所述图像特征提取单元140，用于将所述第一感兴趣区域和所述第二感兴趣区域分别通过作为过滤器的第一卷积神经网络模型以得到胃转流支架图像特征向量和目标区图像特征向量。在确定所述第一至第四齿条形气囊中待调节齿条形气囊后，需要进一步确定气压调整值。具体地，在本申请的技术方案中，首先将所述第一感兴趣区域和所述第二感兴趣区域分别通过作为过滤器的第一卷积神经网络模型以得到胃转流支架图像特征向量和目标区图像特征向量。也就是，使用卷积神经网络模型作为特征提取器来捕捉胃转流支架图像特征和目标区图像特征。
具体地，在本申请实施例中，所述图像特征提取单元140，进一步用于：使用所述第一卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络模型的最后一层的输出为所述胃转流支架图像特征向量或目标区图像特征向量，所述第一卷积神经网络模型的第一层的输入为所述第一感兴趣区域或所述第二感兴趣区域。
在上述一种可控转向的胃转流支架输送器100中，所述相对位置关系特征提取单元150，用于计算所述胃转流支架图像特征向量与所述目标区图像特征向量之间的转移矩阵。也就是，以两者之间的所述转移矩阵来表示胃转流支架与目标区之间的相对位置关系在高维特征空间中的特征分布表达。
具体地，在本申请实施例中，所述相对位置关系特征提取单元150，进一步用于：以如下公式计算所述胃转流支架图像特征向量与所述目标区图像特征向量之间的转移矩阵；其中，所述公式为：
其中
表示所述胃转流支架图像特征向量，
表示所述目标区图像特征向量，
表示所述转移矩阵，
表示矩阵相乘。
在上述一种可控转向的胃转流支架输送器100中，所述气压特征提取单元160，用于将所述第一至第四气压值排列为输入向量后通过包含多个全连接层的气压特征提取器以得到气压特征向量。也就是，以包含多个全连接层的气压特征提取器对由所述第一至第四气压值排列得到的输入向量进行全连接编码提取所述输入向量中各个位置的高维隐含特征信息以得到所述气压特征向量。这里，将所述第一至第四气压值排列为输入向量，是将所述第一至第四气压值进行数据结构化处理，使得输入数据符合模型的输入数据结构类型。
具体地，在本申请实施例中，所述气压特征提取单元160，进一步用于使用所述包含多个全连接层的气压特征提取器对由所述第一至第四气压值排列得到的输入向量进行全连接编码以得到所述气压特征向量。
在上述一种可控转向的胃转流支架输送器100中，所述转移单元170，用于计算所述气压特征向量相对于所述转移矩阵的转移向量作为解码特征向量。应可以理解，在本申请的技术方案中，所述气压特征向量既是所述第一至第四齿条形气囊当下状态呈现，也是使得所述胃转流支架与所述目标区具有预定位置关系的原因要素。因此，如果能够利用上述逻辑隐含关系，可提高对气压调节值得解码回归的精准度。
具体地，计算所述气压特征向量相对于所述转移矩阵的转移向量作为解码特征向量。也就是，以所述气压特征向量相对于所述转移矩阵的转移向量来模拟两者之间的高维隐含逻辑关联以得到包含上述逻辑隐含关联的解码特征向量。
具体地，在本申请实施例中，所述转移单元170，进一步用于：以如下公式计算所述气压特征向量相对于所述转移矩阵的转移向量作为解码特征向量；其中，所述公式为：
其中
表示所述气压特征向量，
表示所述转移矩阵，
表示所述解码特征向量，
表示矩阵相乘。
在上述一种可控转向的胃转流支架输送器100中，所述气压调整结果生成单元180，用于将所述解码特征向量通过解码器进行解码回归以得到解码值，所述解码值用于表示待调节齿条形气囊的气压调整值。也就是，通过解码器对所述解码特征向量进行解码回归以得到用于表示待调节齿条形气囊的气压调整值。并且，不为本申请技术所局限的是，在得到所述解码值后，可基于所述解码值生成气压调整指令，并通过特定执行机构来作用于所述第一至第四齿条形气囊中待调节齿条形气囊，以实现智能转向控制的技术目的。
具体地，在本申请实施例中，所述气压调整结果生成单元180，进一步用于：使用所述解码器以如下公式对所述解码特征向量进行解码回归以获得所述解码值；其中，所述公式为：
，其中
是所述解码特征向量，
是所述解码值，
是权重矩阵，
表示矩阵乘。
在上述一种可控转向的胃转流支架输送器100中，还包括用于对所述作为过滤器的第一卷积神经网络模型、所述包含多个全连接层的气压特征提取器和所述解码器进行训练的训练模块200。
图4为根据本申请实施例的一种可控转向的胃转流支架输送器中训练模块的框图。如图4所示，所述训练模块200，包括：训练数据监控与采集单元210，用于获取训练数据，所述训练数据包括：可控转向的胃转流支架输送器的第一至第四齿条形气囊的第一至第四训练气压值以及由电子摄像头采集的包含胃转流支架与目标区的训练探测图像，以及，训练待调节齿条形气囊的气压调整值的真实值；训练图像语义分割单元220，用于对所述包含胃转流支架与目标区的训练探测图像进行图像语义分割以得到包含所述胃转流支架的第一训练感兴趣区域和包含所述目标区的第二训练感兴趣区域；训练待调节齿条形气囊确定单元230，用于基于所述第一训练感兴趣区域和所述第二训练感兴趣区域在所述训练探测图像中的相对位置关系，确定所述第一至第四齿条形气囊中训练待调节齿条形气囊；训练图像特征提取单元240，用于将所述第一训练感兴趣区域和所述第二训练感兴趣区域分别通过作为过滤器的第一卷积神经网络模型以得到训练胃转流支架图像特征向量和训练目标区图像特征向量；训练相对位置关系特征提取单元250，用于计算所述训练胃转流支架图像特征向量与所述训练目标区图像特征向量之间的训练转移矩阵；训练气压特征提取单元260，用于将所述第一至第四训练气压值排列为训练输入向量后通过包含多个全连接层的气压特征提取器以得到训练气压特征向量；训练转移单元270，用于计算所述训练气压特征向量相对于所述训练转移矩阵的转移向量作为训练解码特征向量；解码损失单元280，用于将所述训练解码特征向量通过解码器以得到解码损失函数值；序列对序列响应规则内在化学习损失单元290，用于计算所述训练解码特征向量和所述训练气压特征向量之间的序列对序列响应规则内在化学习损失函数值；以及，训练单元300，用于计算所述解码损失函数值和所述序列对序列响应规则内在化学习损失函数值的加权和作为损失函数值，对所述作为过滤器的第一卷积神经网络模型、所述包含多个全连接层的气压特征提取器和所述解码器进行训练。
特别地，在本申请的技术方案中，通过所述转移矩阵表示胃转流支架与目标区之间的相对位置关系在高维特征空间中的特征分布表达，这样，通过计算所述气压特征向量相对于所述转移矩阵的转移向量，可以使得所述解码特征向量包含所述气压特征向量在所述胃转流支架和所述目标区的图像关联语义特征空间内的查询特征。但是，由于所述气压特征向量本身所表达的所述四个齿条形气囊的当前气压值之间的关联特征也很重要，因此期望提升所述解码特征向量相对于所述气压特征向量内在的响应性，以提高所述解码特征向量通过解码器的解码值的准确性。基于此，本申请的申请人计算所述解码特征向量和所述气压特征向量之间的序列对序列响应规则内在化学习损失函数。
具体地，在本申请实施例中，所述序列对序列响应规则内在化学习损失单元290，进一步用于：以如下公式计算所述解码特征向量和所述气压特征向量之间的序列对序列响应规则内在化学习损失函数；其中，所述公式为：
其中，
和
分别是所述解码特征向量和所述气压特征向量，且
和
分别是解码器对于
和
的权重矩阵，
和
分别是所述解码特征向量和所述气压特征向量的中间向量，
是所述序列对序列响应规则内在化学习损失函数，
表示
激活函数， 
表示
激活函数， 
表示矩阵相乘， 
表示两个向量之间的欧式距离。
这里，通过解码器对于不同序列的权重矩阵的压榨-激励式通道注意力机制，可以获取所述解码特征向量和所述气压特征向量的序列之间的加强的区分性能力，通过以此损失函数训练网络，可以实现响应序列之间的具有更好区分性的因果关系特征的恢复，以对序列之间的原因-结果式响应规则进行内在化学习，增强了序列之间的内在响应性。这样，就提高了所述解码特征向量对于所述气压特征向量的内在的响应性，从而提高了所述解码特征向量通过解码器的解码值的准确性。
综上，基于本申请实施例的一种可控转向的胃转流支架输送器100被阐明，其中，所述可控转向的胃转流支架输送器的后部增加一段转向控制区域，该转向控制区域由第一至第四齿条形气囊构成，并且所述第一至第四齿条形气囊后端接气管。其配置自动转向控制模块，能够挖掘包含胃转流支架与目标区的探测图像中两者之间的相对位置的隐含关系，进而基于所述隐含关系来控制所述第一至第四齿条形气囊的气压，从而控制所述胃转流支架输送器的头部的弯曲角度，实现输送器的可控转向功能。
示例性方法：图5为根据本申请实施例的一种可控转向的胃转流支架输送器的方法的流程图。如图5所示，根据本申请实施例的一种可控转向的胃转流支架输送器的方法，包括：S110，获取可控转向的胃转流支架输送器的第一至第四齿条形气囊的第一至第四气压值以及由电子摄像头采集的包含胃转流支架与目标区的探测图像；S120，对所述包含胃转流支架与目标区的探测图像进行图像语义分割以得到包含所述胃转流支架的第一感兴趣区域和包含所述目标区的第二感兴趣区域；S130，基于所述第一感兴趣区域和所述第二感兴趣区域在所述探测图像中的相对位置关系，确定所述第一至第四齿条形气囊中待调节齿条形气囊；S140，将所述第一感兴趣区域和所述第二感兴趣区域分别通过作为过滤器的第一卷积神经网络模型以得到胃转流支架图像特征向量和目标区图像特征向量；S150，计算所述胃转流支架图像特征向量与所述目标区图像特征向量之间的转移矩阵；S160，将所述第一至第四气压值排列为输入向量后通过包含多个全连接层的气压特征提取器以得到气压特征向量；S170，计算所述气压特征向量相对于所述转移矩阵的转移向量作为解码特征向量；以及，S180，将所述解码特征向量通过解码器进行解码回归以得到解码值，所述解码值用于表示待调节齿条形气囊的气压调整值。
在一个示例中，在上述一种可控转向的胃转流支架输送器的方法中，所述待基于所述第一感兴趣区域和所述第二感兴趣区域在所述探测图像中的相对位置关系，确定所述第一至第四齿条形气囊中待调节齿条形气囊，包括：响应于所述第一感兴趣区域位于所述第二感兴趣区域的左方，确定所述第一齿条形气囊为所述待调节齿条形气囊；响应于所述第一感兴趣区域位于所述第二感兴趣区域的右方，确定所述第四齿条形气囊为所述待调节齿条形气囊；响应于所述第一感兴趣区域位于所述第二感兴趣区域的上方，确定所述第二齿条形气囊为所述待调节齿条形气囊；以及，响应于所述第一感兴趣区域位于所述第二感兴趣区域的下方，确定所述第三齿条形气囊为所述待调节齿条形气囊。
在一个示例中，在上述一种可控转向的胃转流支架输送器的方法中，所述计算所述气压特征向量相对于所述转移矩阵的转移向量作为解码特征向量，包括：以如下公式计算所述气压特征向量相对于所述转移矩阵的转移向量作为解码特征向量；其中，所述公式为：
其中
表示所述气压特征向量，
表示所述转移矩阵，
表示所述解码特征向量，
表示矩阵相乘。
在一个示例中，在上述一种可控转向的胃转流支架输送器的方法中，所述将所述解码特征向量通过解码器进行解码回归以得到解码值，所述解码值用于表示待调节齿条形气囊的气压调整值，包括：使用所述解码器以如下公式对所述解码特征向量进行解码回归以获得所述解码值；其中，所述公式为：
，其中
是所述解码特征向量，
是所述解码值，
是权重矩阵，
表示矩阵乘。
在一个示例中，在上述一种可控转向的胃转流支架输送器的方法中，还包括对所述作为过滤器的第一卷积神经网络模型、所述包含多个全连接层的气压特征提取器和所述解码器进行训练。
图6为根据本申请实施例的一种可控转向的胃转流支架输送器的方法中对所述作为过滤器的第一卷积神经网络模型、所述包含多个全连接层的气压特征提取器和所述解码器进行训练的流程图。如图6所示，所述对所述作为过滤器的第一卷积神经网络模型、所述包含多个全连接层的气压特征提取器和所述解码器进行训练，包括步骤：S210，获取训练数据，所述训练数据包括：可控转向的胃转流支架输送器的第一至第四齿条形气囊的第一至第四训练气压值以及由电子摄像头采集的包含胃转流支架与目标区的训练探测图像，以及，训练待调节齿条形气囊的气压调整值的真实值；S220，对所述包含胃转流支架与目标区的训练探测图像进行图像语义分割以得到包含所述胃转流支架的第一训练感兴趣区域和包含所述目标区的第二训练感兴趣区域；S230，基于所述第一训练感兴趣区域和所述第二训练感兴趣区域在所述训练探测图像中的相对位置关系，确定所述第一至第四齿条形气囊中训练待调节齿条形气囊；S240，将所述第一训练感兴趣区域和所述第二训练感兴趣区域分别通过作为过滤器的第一卷积神经网络模型以得到训练胃转流支架图像特征向量和训练目标区图像特征向量；S250，计算所述训练胃转流支架图像特征向量与所述训练目标区图像特征向量之间的训练转移矩阵；S260，将所述第一至第四训练气压值排列为训练输入向量后通过包含多个全连接层的气压特征提取器以得到训练气压特征向量；S270，计算所述训练气压特征向量相对于所述训练转移矩阵的转移向量作为训练解码特征向量；S280，将所述训练解码特征向量通过解码器以得到解码损失函数值；S290，计算所述训练解码特征向量和所述训练气压特征向量之间的序列对序列响应规则内在化学习损失函数值；以及，S300，计算所述解码损失函数值和所述序列对序列响应规则内在化学习损失函数值的加权和作为损失函数值，对所述作为过滤器的第一卷积神经网络模型、所述包含多个全连接层的气压特征提取器和所述解码器进行训练。
综上，本申请实施例的一种可控转向的胃转流支架输送器的方法被阐明，其中，所述可控转向的胃转流支架输送器的后部增加一段转向控制区域，该转向控制区域由第一至第四齿条形气囊构成，并且所述第一至第四齿条形气囊后端接气管。其配置自动转向控制模块，能够挖掘包含胃转流支架与目标区的探测图像中两者之间的相对位置的隐含关系，进而基于所述隐含关系来控制所述第一至第四齿条形气囊的气压，从而控制所述胃转流支架输送器的头部的弯曲角度，实现输送器的可控转向功能。
结构示例：该示例涉及到以下结构：C、复位保护组件；C1、配气盘；C2、第一气管；C3、第二气管；C4、归位弹簧；C5、梯形板；C6、保护垫；C7、滑槽；C8、导杆；C9、凸板；C10、弹簧伸缩杆，该示例解决在第一至第四齿条形气囊发生形变后无法复位的现象，以及在第一至第四齿条形气囊发生弹性形变后拉扯气管导致第一至第四齿条形气囊出现漏气无法使用的情况；请参阅图7至图10，工作时，在控制模块对第一气管C2内充气，使第一气管C2内的气体经过配气盘C1再由第二气管C3内，进而持续进入第一齿条形气囊B1或者其他齿条形气囊内，使得第一齿条形气囊B1发生弹性形变便可带动输送器一端的发生弯曲，在第一至第四齿条形气囊发生弹性形变弯曲时均会拉伸配气盘C1上的归位弹簧C4，在控制模块不再对第一气管C2内充气时，归位弹簧C4便会复位回弹拉动第一至第四齿条形气囊复位，能够有效的帮助第一至第四齿条形气囊复位，避免第一至第四齿条形气囊长期形变导致其本身无法复位的现象，确保了第一至第四齿条形气囊使用的有效性；进一步的，在第一至第四齿条形气囊任一个发生弹性形变时均会拉动梯形板C5远离配气盘C1，使得梯形板C5的较窄处位于两个导杆C8的外部，由于初始状态下弹簧伸缩杆C10处于压缩状态，便会在导杆C8不受到梯形板C5挤压时弹簧伸缩杆C10复位回弹，进而推动两个保护垫C6在滑槽C7内滑动并相互靠近，使得两个保护垫C6对第二气管C2的外壁进行夹持限位，使第二气管C3不会随着第一至第四齿条形气囊的弹性形变受到较大的拉动，能够避免第二气管C3与配气盘C1的连接处长期受到拉扯出现破裂的现象，进而防止了第二气管C3以及第一至第四齿条形气囊出现漏气的现象，从而延长了第一至第四齿条形气囊的使用期限。
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 (10)
1.一种可控转向的胃转流支架输送器，其特征在于，包括：数据监控与采集单元，用于获取可控转向的胃转流支架输送器的第一至第四齿条形气囊的第一至第四气压值以及由电子摄像头采集的包含胃转流支架与目标区的探测图像；图像语义分割单元，用于对所述包含胃转流支架与目标区的探测图像进行图像语义分割以得到包含所述胃转流支架的第一感兴趣区域和包含所述目标区的第二感兴趣区域；待调节齿条形气囊确定单元，用于基于所述第一感兴趣区域和所述第二感兴趣区域在所述探测图像中的相对位置关系，确定所述第一至第四齿条形气囊中待调节齿条形气囊；图像特征提取单元，用于将所述第一感兴趣区域和所述第二感兴趣区域分别通过作为过滤器的第一卷积神经网络模型以得到胃转流支架图像特征向量和目标区图像特征向量；相对位置关系特征提取单元，用于计算所述胃转流支架图像特征向量与所述目标区图像特征向量之间的转移矩阵；气压特征提取单元，用于将所述第一至第四气压值排列为输入向量后通过包含多个全连接层的气压特征提取器以得到气压特征向量；转移单元，用于计算所述气压特征向量相对于所述转移矩阵的转移向量作为解码特征向量；以及气压调整结果生成单元，用于将所述解码特征向量通过解码器进行解码回归以得到解码值，所述解码值用于表示待调节齿条形气囊的气压调整值。
2.根据权利要求1所述的可控转向的胃转流支架输送器，其特征在于，所述待调节齿条形气囊确定单元，进一步用于：响应于所述第一感兴趣区域位于所述第二感兴趣区域的左方，确定所述第一齿条形气囊为所述待调节齿条形气囊；响应于所述第一感兴趣区域位于所述第二感兴趣区域的右方，确定所述第四齿条形气囊为所述待调节齿条形气囊；响应于所述第一感兴趣区域位于所述第二感兴趣区域的上方，确定所述第二齿条形气囊为所述待调节齿条形气囊；以及响应于所述第一感兴趣区域位于所述第二感兴趣区域的下方，确定所述第三齿条形气囊为所述待调节齿条形气囊。
3.根据权利要求2所述的可控转向的胃转流支架输送器，其特征在于，所述图像特征提取单元，进一步用于：使用所述第一卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络模型的最后一层的输出为所述胃转流支架图像特征向量或目标区图像特征向量，所述第一卷积神经网络模型的第一层的输入为所述第一感兴趣区域或所述第二感兴趣区域。
4.根据权利要求3所述的可控转向的胃转流支架输送器，其特征在于，所述相对位置关系特征提取单元，进一步用于：以如下公式计算所述胃转流支架图像特征向量与所述目标区图像特征向量之间的转移矩阵；其中，所述公式为：
其中
表示所述胃转流支架图像特征向量，
表示所述目标区图像特征向量，
表示所述转移矩阵，
表示矩阵相乘。
5.根据权利要求4所述的可控转向的胃转流支架输送器，其特征在于，所述气压特征提取单元，进一步用于使用所述包含多个全连接层的气压特征提取器对由所述第一至第四气压值排列得到的输入向量进行全连接编码以得到所述气压特征向量。
6.根据权利要求5所述的可控转向的胃转流支架输送器，其特征在于，所述转移单元，进一步用于：以如下公式计算所述气压特征向量相对于所述转移矩阵的转移向量作为解码特征向量；其中，所述公式为：
其中
表示所述气压特征向量，
表示所述转移矩阵，
表示所述解码特征向量，
表示矩阵相乘。
7.根据权利要求6所述的可控转向的胃转流支架输送器，其特征在于，所述气压调整结果生成单元，进一步用于：使用所述解码器以如下公式对所述解码特征向量进行解码回归以获得所述解码值；其中，所述公式为：
，其中
是所述解码特征向量，
是所述解码值，
是权重矩阵，
表示矩阵乘。
8.根据权利要求7所述的可控转向的胃转流支架输送器，其特征在于，还包括用于对所述作为过滤器的第一卷积神经网络模型、所述包含多个全连接层的气压特征提取器和所述解码器进行训练的训练模块；其中，所述训练模块，包括：训练数据监控与采集单元，用于获取训练数据，所述训练数据包括：可控转向的胃转流支架输送器的第一至第四齿条形气囊的第一至第四训练气压值以及由电子摄像头采集的包含胃转流支架与目标区的训练探测图像，以及，训练待调节齿条形气囊的气压调整值的真实值；训练图像语义分割单元，用于对所述包含胃转流支架与目标区的训练探测图像进行图像语义分割以得到包含所述胃转流支架的第一训练感兴趣区域和包含所述目标区的第二训练感兴趣区域；训练待调节齿条形气囊确定单元，用于基于所述第一训练感兴趣区域和所述第二训练感兴趣区域在所述训练探测图像中的相对位置关系，确定所述第一至第四齿条形气囊中训练待调节齿条形气囊；训练图像特征提取单元，用于将所述第一训练感兴趣区域和所述第二训练感兴趣区域分别通过作为过滤器的第一卷积神经网络模型以得到训练胃转流支架图像特征向量和训练目标区图像特征向量；训练相对位置关系特征提取单元，用于计算所述训练胃转流支架图像特征向量与所述训练目标区图像特征向量之间的训练转移矩阵；训练气压特征提取单元，用于将所述第一至第四训练气压值排列为训练输入向量后通过包含多个全连接层的气压特征提取器以得到训练气压特征向量；训练转移单元，用于计算所述训练气压特征向量相对于所述训练转移矩阵的转移向量作为训练解码特征向量；解码损失单元，用于将所述训练解码特征向量通过解码器以得到解码损失函数值；序列对序列响应规则内在化学习损失单元，用于计算所述训练解码特征向量和所述训练气压特征向量之间的序列对序列响应规则内在化学习损失函数值；以及训练单元，用于计算所述解码损失函数值和所述序列对序列响应规则内在化学习损失函数值的加权和作为损失函数值，对所述作为过滤器的第一卷积神经网络模型、所述包含多个全连接层的气压特征提取器和所述解码器进行训练。
9.根据权利要求8所述的可控转向的胃转流支架输送器，其特征在于，所述序列对序列响应规则内在化学习损失单元，进一步用于：以如下公式计算所述解码特征向量和所述气压特征向量之间的序列对序列响应规则内在化学习损失函数；其中，所述公式为：
其中，
和
分别是所述解码特征向量和所述气压特征向量，且
和
分别是解码器对于
和
的权重矩阵，
和
分别是所述解码特征向量和所述气压特征向量的中间向量，
是所述序列对序列响应规则内在化学习损失函数，
表示
激活函数， 
表示
激活函数， 
表示矩阵相乘， 
表示两个向量之间的欧式距离。
10.一种可控转向的胃转流支架输送器的方法，其特征在于，包括：获取可控转向的胃转流支架输送器的第一至第四齿条形气囊的第一至第四气压值以及由电子摄像头采集的包含胃转流支架与目标区的探测图像；对所述包含胃转流支架与目标区的探测图像进行图像语义分割以得到包含所述胃转流支架的第一感兴趣区域和包含所述目标区的第二感兴趣区域；基于所述第一感兴趣区域和所述第二感兴趣区域在所述探测图像中的相对位置关系，确定所述第一至第四齿条形气囊中待调节齿条形气囊；将所述第一感兴趣区域和所述第二感兴趣区域分别通过作为过滤器的第一卷积神经网络模型以得到胃转流支架图像特征向量和目标区图像特征向量；计算所述胃转流支架图像特征向量与所述目标区图像特征向量之间的转移矩阵；将所述第一至第四气压值排列为输入向量后通过包含多个全连接层的气压特征提取器以得到气压特征向量；计算所述气压特征向量相对于所述转移矩阵的转移向量作为解码特征向量；以及将所述解码特征向量通过解码器进行解码回归以得到解码值，所述解码值用于表示待调节齿条形气囊的气压调整值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310036465.1A CN115887086B (zh) | 2023-01-10 | 2023-01-10 | 可控转向的胃转流支架输送器及其方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310036465.1A CN115887086B (zh) | 2023-01-10 | 2023-01-10 | 可控转向的胃转流支架输送器及其方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115887086A true CN115887086A (zh) | 2023-04-04 |
| CN115887086B CN115887086B (zh) | 2023-05-05 |
Family
ID=85740859
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310036465.1A Active CN115887086B (zh) | 2023-01-10 | 2023-01-10 | 可控转向的胃转流支架输送器及其方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115887086B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116652681A (zh) * | 2023-05-24 | 2023-08-29 | 浙江沃沃阀门有限公司 | 锻钢阀阀盖自动化多工位机加工设备及方法 |
| CN117030093B (zh) * | 2023-08-23 | 2024-01-26 | 杭州糖吉医疗科技有限公司 | 模拟压握机的胃转流支架径向力测量系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101843536A (zh) * | 2010-04-09 | 2010-09-29 | 张发明 | 十二指肠套管及其输送器 |
| US11045271B1 (en) * | 2021-02-09 | 2021-06-29 | Bao Q Tran | Robotic medical system |
| EP3934254A1 (en) * | 2020-06-29 | 2022-01-05 | Nokia Technologies Oy | Encoding and decoding of extracted features for use with machines |
| CN115082389A (zh) * | 2022-06-08 | 2022-09-20 | 阿里巴巴（中国）有限公司 | 医学影像的肋骨检测方法、设备及介质 |
-
2023
- 2023-01-10 CN CN202310036465.1A patent/CN115887086B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101843536A (zh) * | 2010-04-09 | 2010-09-29 | 张发明 | 十二指肠套管及其输送器 |
| EP3934254A1 (en) * | 2020-06-29 | 2022-01-05 | Nokia Technologies Oy | Encoding and decoding of extracted features for use with machines |
| US11045271B1 (en) * | 2021-02-09 | 2021-06-29 | Bao Q Tran | Robotic medical system |
| CN115082389A (zh) * | 2022-06-08 | 2022-09-20 | 阿里巴巴（中国）有限公司 | 医学影像的肋骨检测方法、设备及介质 |
Non-Patent Citations (2)
| Title |
|---|
| 姚义;王诗珂;陈希豪;林宇翩;: "基于深度学习的结构化图像标注研究", 电脑知识与技术 * |
| 青晨;禹晶;肖创柏;段娟;: "深度卷积神经网络图像语义分割研究进展", 中国图象图形学报 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116652681A (zh) * | 2023-05-24 | 2023-08-29 | 浙江沃沃阀门有限公司 | 锻钢阀阀盖自动化多工位机加工设备及方法 |
| CN117030093B (zh) * | 2023-08-23 | 2024-01-26 | 杭州糖吉医疗科技有限公司 | 模拟压握机的胃转流支架径向力测量系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115887086B (zh) | 2023-05-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115887086A (zh) | 可控转向的胃转流支架输送器及其方法 | |
| US20200364499A1 (en) | Lookup-based convolutional neural network | |
| CN101065953B (zh) | 对失常成像器的非均匀性补偿方法 | |
| WO1999035633A2 (en) | Human motion following computer mouse and game controller | |
| US20150109203A1 (en) | Performing method of device capable of adjusting images according to body motion of user | |
| CN105761234A (zh) | 一种基于结构稀疏表示的遥感影像融合方法 | |
| CN109102522A (zh) | 一种目标跟踪方法及装置 | |
| CN116631567B (zh) | 一种胃镜检查报告生成装置、设备及计算机可读存储介质 | |
| CN111199521B (zh) | 嵌入傅立叶聚合的视频去模糊三维卷积深度网络方法 | |
| CN112764526B (zh) | 一种基于多模型动态集成的自适应脑机接口解码方法 | |
| WO2021049475A1 (ja) | 内視鏡制御装置、内視鏡制御方法及びプログラム | |
| CN110046226A (zh) | 一种基于分布词向量cnn-rnn网络的图像描述方法 | |
| US11317790B2 (en) | Flexible tube insertion device, insertion control device, and insertion method | |
| CN101015493A (zh) | 气动柔性手指运动康复器 | |
| CN114845639A (zh) | 用于机械增强形貌的人工智能检测系统 | |
| US20210093224A1 (en) | Endoscope system and propulsion method for insertion section | |
| CN112560785A (zh) | 基于人工智能的面部追踪调整多屏亮度的控制方法 | |
| Yao et al. | Motion-based camera localization system in colonoscopy videos | |
| CN107220597B (zh) | 一种基于局部特征和词袋模型人体动作识别过程的关键帧选取方法 | |
| CN115708716B (zh) | 超声共振自控温热消融支架及其方法 | |
| CN117669693A (zh) | 一种基于多教师多模态模型的知识蒸馏方法及系统 | |
| US20230266818A1 (en) | Eye tracking device, eye tracking method, and computer-readable medium | |
| CN104301459B (zh) | 用来驱动第一模块相对壳体移动的驱动系统及其电子装置 | |
| CN110996009B (zh) | 胶囊内窥镜系统及其自动帧率调整方法及计算机可读存储介质 | |
| CN115737102B (zh) | 激光切割装配式胃转流支架及其制备方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |