CN116804575A - 识别照明光源的方法和处理数据的方法 - Google Patents
识别照明光源的方法和处理数据的方法 Download PDFInfo
- Publication number
- CN116804575A CN116804575A CN202310309090.1A CN202310309090A CN116804575A CN 116804575 A CN116804575 A CN 116804575A CN 202310309090 A CN202310309090 A CN 202310309090A CN 116804575 A CN116804575 A CN 116804575A
- Authority
- CN
- China
- Prior art keywords
- target
- light
- laser
- tissue
- light source
- 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
- 238000005286 illumination Methods 0.000 title claims abstract description 108
- 238000000034 method Methods 0.000 title claims abstract description 98
- 238000012545 processing Methods 0.000 title claims abstract description 6
- 238000010183 spectrum analysis Methods 0.000 claims abstract description 55
- 230000003595 spectral effect Effects 0.000 claims description 61
- 238000013473 artificial intelligence Methods 0.000 claims description 47
- 238000004611 spectroscopical analysis Methods 0.000 claims description 30
- 238000011282 treatment Methods 0.000 claims description 29
- 238000001228 spectrum Methods 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 17
- 229910052724 xenon Inorganic materials 0.000 claims description 17
- FHNFHKCVQCLJFQ-UHFFFAOYSA-N xenon atom Chemical compound [Xe] FHNFHKCVQCLJFQ-UHFFFAOYSA-N 0.000 claims description 17
- 239000000203 mixture Substances 0.000 claims description 16
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 8
- 239000000126 substance Substances 0.000 claims description 8
- 239000000463 material Substances 0.000 claims description 6
- 210000001519 tissue Anatomy 0.000 description 99
- 238000010801 machine learning Methods 0.000 description 39
- 239000000835 fiber Substances 0.000 description 25
- 238000001356 surgical procedure Methods 0.000 description 21
- 230000003287 optical effect Effects 0.000 description 19
- 210000003484 anatomy Anatomy 0.000 description 18
- 238000003384 imaging method Methods 0.000 description 18
- 238000013532 laser treatment Methods 0.000 description 17
- 239000004575 stone Substances 0.000 description 16
- 239000013307 optical fiber Substances 0.000 description 15
- 238000004422 calculation algorithm Methods 0.000 description 13
- 238000005259 measurement Methods 0.000 description 13
- 238000012549 training Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 11
- 238000010521 absorption reaction Methods 0.000 description 10
- 230000004044 response Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000001514 detection method Methods 0.000 description 8
- 229910052736 halogen Inorganic materials 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- YZCKVEUIGOORGS-OUBTZVSYSA-N Deuterium Chemical compound [2H] YZCKVEUIGOORGS-OUBTZVSYSA-N 0.000 description 6
- 229910052805 deuterium Inorganic materials 0.000 description 6
- 230000005670 electromagnetic radiation Effects 0.000 description 6
- 150000002367 halogens Chemical class 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 239000007787 solid Substances 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 230000001225 therapeutic effect Effects 0.000 description 5
- 238000005033 Fourier transform infrared spectroscopy Methods 0.000 description 4
- 206010028980 Neoplasm Diseases 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 201000011510 cancer Diseases 0.000 description 4
- 230000015271 coagulation Effects 0.000 description 4
- 238000005345 coagulation Methods 0.000 description 4
- 239000004020 conductor Substances 0.000 description 4
- 238000010304 firing Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 239000004065 semiconductor Substances 0.000 description 4
- -1 soft or hard tissue Substances 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- INGWEZCOABYORO-UHFFFAOYSA-N 2-(furan-2-yl)-7-methyl-1h-1,8-naphthyridin-4-one Chemical compound N=1C2=NC(C)=CC=C2C(O)=CC=1C1=CC=CO1 INGWEZCOABYORO-UHFFFAOYSA-N 0.000 description 3
- 108010064719 Oxyhemoglobins Proteins 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 210000000988 bone and bone Anatomy 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 201000001883 cholelithiasis Diseases 0.000 description 3
- 230000006378 damage Effects 0.000 description 3
- 108010002255 deoxyhemoglobin Proteins 0.000 description 3
- 238000001727 in vivo Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000035515 penetration Effects 0.000 description 3
- 210000004872 soft tissue Anatomy 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 208000000913 Kidney Calculi Diseases 0.000 description 2
- 206010029148 Nephrolithiasis Diseases 0.000 description 2
- 238000001069 Raman spectroscopy Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 210000003734 kidney Anatomy 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000012306 spectroscopic technique Methods 0.000 description 2
- 229910019655 synthetic inorganic crystalline material Inorganic materials 0.000 description 2
- 239000013077 target material Substances 0.000 description 2
- 229910052721 tungsten Inorganic materials 0.000 description 2
- 239000010937 tungsten Substances 0.000 description 2
- 229910052689 Holmium Inorganic materials 0.000 description 1
- 229910052775 Thulium Inorganic materials 0.000 description 1
- 229910052770 Uranium Inorganic materials 0.000 description 1
- 238000002679 ablation Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- JNDMLEXHDPKVFC-UHFFFAOYSA-N aluminum;oxygen(2-);yttrium(3+) Chemical compound [O-2].[O-2].[O-2].[Al+3].[Y+3] JNDMLEXHDPKVFC-UHFFFAOYSA-N 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000011985 exploratory data analysis Methods 0.000 description 1
- 238000001506 fluorescence spectroscopy Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 208000001130 gallstones Diseases 0.000 description 1
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 1
- KJZYNXUDTRRSPN-UHFFFAOYSA-N holmium atom Chemical compound [Ho] KJZYNXUDTRRSPN-UHFFFAOYSA-N 0.000 description 1
- 238000000338 in vitro Methods 0.000 description 1
- 229910010272 inorganic material Inorganic materials 0.000 description 1
- 239000011147 inorganic material Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000012212 insulator Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 210000000936 intestine Anatomy 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000002647 laser therapy Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 230000031700 light absorption Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000011368 organic material Substances 0.000 description 1
- 210000000496 pancreas Anatomy 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000001055 reflectance spectroscopy Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- HBMJWWWQQXIZIP-UHFFFAOYSA-N silicon carbide Chemical compound [Si+]#[C-] HBMJWWWQQXIZIP-UHFFFAOYSA-N 0.000 description 1
- 229910010271 silicon carbide Inorganic materials 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 210000002784 stomach Anatomy 0.000 description 1
- FRNOGLGSGLTDKL-UHFFFAOYSA-N thulium atom Chemical compound [Tm] FRNOGLGSGLTDKL-UHFFFAOYSA-N 0.000 description 1
- 230000000451 tissue damage Effects 0.000 description 1
- 231100000827 tissue damage Toxicity 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- 210000003932 urinary bladder Anatomy 0.000 description 1
- 210000004291 uterus Anatomy 0.000 description 1
- 238000001429 visible spectrum Methods 0.000 description 1
- 229910019901 yttrium aluminum garnet Inorganic materials 0.000 description 1
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
公开了一种识别照明光源的方法和处理数据的方法。一种识别手术系统中的照明光源的方法,该方法包括以下步骤:在目标被照明光源照明之后从目标接收信号,对接收的信号执行光谱分析,以及至少部分地基于光谱分析,确定照明光源的特性。一种治疗目标的方法,该方法包括以下步骤:在所述目标被照明光源照明之后,从所述目标接收信号;对所接收的信号执行光谱分析;至少部分地基于所述光谱分析,确定所述照明光源的第一特性和所述目标的第二特性;以及至少部分地基于所确定的所述照明光源和所述目标的特性,操作手术系统以治疗所述目标。
Description
技术领域
本申请通常但不限于,涉及对材料进行光谱测量的系统和方法。更具体地,但并非限制,本申请涉及在使用光谱系统的内窥镜系统中识别照明光源的系统和方法。
背景技术
许多外科处理涉及处置或去除位于患者体内的目标组织,例如患病的、潜在患病的或其他不期望的组织。如此,这些处理中的一些需要经由开放处理或通过微创(例如,内窥镜或腹腔镜)处理中的较小开口接近患者的内部解剖结构。
有用的可以是在去除之前,在其它组织中明确地识别在从解剖结构去除或治疗的组织的类型或成分,从而确保去除或治疗正确的组织。例如,有用的可以是:区分健康组织与诸如癌组织之类的病变组织,以便于去除或治疗病变组织而不是健康组织。
发明内容
本发明人尤其已经认识到,在对组织进行光谱测量识别中要解决的问题在于不同类型光源对组织的光谱测量响应不同。典型的手术器械(诸如,内窥镜)可以包括用于在器械的远端投射不同类型的光的各种光输送系统。例如,不同类型的光可以用于照明、瞄准和处置。照明系统可以使用不同类型的光源,诸如氙气、发光二极管(LED)、卤素和激光二极管(LD)。此外,医疗器械中用于照明或处置的激光器可以使用不同的激光技术,诸如钬:钇铝石榴石(Ho:YAG)和铥光纤(Tm-Fiber)。
医疗器械通常仅包括沿装置长度延伸的导光体和将光投射到医疗器械之外的发光器。然而,产生光的光源,无论是照明还是处置,都可以位于医疗器械的外部,诸如安装在支架或塔上的外部计算系统中。医院可以拥有为相同器械产生不同类型的激光和照明光的发生器。因此,可以将不同的光源用于同一医疗器械。
本发明人已经认识到,在不识别光发生器(光发生器可以针对相同或不同的组织类型供给各种不同类型的光)的特性(例如,类型)的情况下,可能难以使用光谱测量分析来识别目标组织的特性(例如,类型、组成等)。特别地,基于光源和目标组织的特定对来分析组织的光谱分析。例如,通过比较用于不同目标组织的特定光源预定光谱图的光谱分析来分析目标组织。因此,如果使用不同的光源,组织的光谱分析可能是失真的或不准确的。
本主题可以提供该问题和其他问题的解决方案,诸如通过提供能够识别用于目标组织的光谱分析的光的类型的医疗装置、系统和方法。可以在进行组织的光谱分析之前识别光的类型。例如,可以对从白色表面反射或从环境反射收集的来自光源的光进行光谱分析,以肯定地识别照明光源。此后,可以通过使用用正确光类型的光谱图的光谱分析来分析从目标组织反射的光来确定目标组织的特性,所述光谱分析使来识别目标组织。在实施方式中,用于进行光谱分析的光源可以是照明光源。
光谱分析的结果可以与不同组织、不同类型光源(或发生器)组合的库信息进行比较。该库信息可以可选性经由云访问并且使用人工智能进行分析。人工智能分析可以用于针对任何或所有治疗光源、光谱光源和照明光源或手术操作(诸如光源或手术设备(例如,激光系统)的产生/操作模式、功率水平、形状等的设置)对光产生进行调整和建议。然后可以基于人工智能输出自动地、半自动地或手动地调整光的生成和/或手术设备的操作,以提高光肯定地识别组织类型的能力。
光谱测量技术广泛用于通过由物质反射、透射、发射或吸收的光的谱来识别物质。在公布号US 2022/0039641、公布号US 2021/0038300、公布号US 2021/0038306、公布号US2021/0038310以及公布号US 2021/0038064中描述了光谱测量系统的示例。
在一个示例中,一种识别手术系统中的照明光源的方法包括以下步骤:在目标被照明光源照明之后从目标接收信号,对所接收的信号执行光谱分析,以及至少部分地基于光谱分析来确定照明光源的特性。
在另一示例中,一种治疗目标的方法包括:在由照明光源照射目标之后从目标接收信号;至少部分地基于光谱分析对接收的信号执行光谱分析;确定照明光源的第一特性和目标的第二特性;以及至少部分地基于照明光源和目标的确定的特性,操作手术系统以治疗目标。
该发明内容旨在提供本专利申请的主题的概述。该发明内容并非旨在提供本发明的排他性或穷尽性解释。包括详细描述以提供关于本专利申请的进一步信息。
附图说明
图1是具有连接到激光系统、包括照明光源的成像系统和光谱测量系统的手术器械的手术系统的示意图,其可以经由物联网(IOT)连接到云和人工智能(AI)输入。
图2是示出了不同光源的光强度与波长曲线的图表。
图3是示出了被配置为基于反射或发射的光谱信号提供医疗装置系统的光系统的操作参数的示例性的基于计算机的临床决策支持系统(CDSS)的示意图。
图4示出了反馈控制的激光治疗系统的示例。
图5是示出在光谱手术系统中识别和调整光源的方法中的操作的框图。
图6是示出可在根据其执行本文所述的任何一个或更多个技术(例如,方法)的示例性机制的框图。
在不一定按比例绘制的附图中,相似的附图标记可以在不同的图中描述相似的部件。具有不同字母后缀的相似附图标记可以表示相似部件的不同示例。附图通过示例而非限制,一般性地例示了本申请中讨论的各种实施方式。
具体实施方式
本公开涉及识别在可以使用内窥镜、腹腔镜等来执行的手术处理期间对解剖目标进行照明的照明光源。照明光还可用于使用光谱学来识别解剖目标(例如,目标组织)。在另外的示例中,可以识别其他类型的光源,诸如可以用于执行治疗或介入的光源和可以用于执行光谱分析的光源。期望识别所有的光源,但特别是用于执行解剖目标的光谱分析的那些光源,因为光谱分析可以依赖于将反射的光谱信号与用于已知光源的光谱图的数据集相关联。如上所述,医院可以使用相同手术器械的不同光源,从而将潜在变量引入到光谱分析中。本公开提供了使用第一光谱学分析来识别光源类型的方法,该光源随后被用于使用第二光谱学程序来识别目标组织。例如,可以首先使用光谱系统来识别照明光源,例如氙气灯、LED灯、卤素光源或激光二极管等,从而可以使用正确的光谱图来分析由目标组织产生的光谱信号。此后,解剖目标的治疗可以用不同的光源进行,例如激光。可以在有或没有激光源发射光的情况下执行照明光源的识别。这些方法可以是识别光源和解剖目标的算法和操作的一部分,并且作为响应,控制和调整在外科手术中使用的光(光谱光、治疗光和照明光)的组成、形成或发射,或者在外科手术期间控制和调整外科手术设备的操作。。由此,这些受控并被调整的光或手术设备可以帮助防止由于不适当的或次优激光发射导致的内窥镜损坏或组织损坏,检测破损的光发射光纤并具有其他积极的益处(例如,优化在解刨目标处的处置效果)。
通过例如激光光纤或单独的光纤通道,来自解剖目标的光信号可以被输送系统快速地检测并传送到光谱测量系统。传送和光谱测量系统可以连续地收集来自目标的光谱数据,将信号传送到光谱仪,并将来自光谱仪的数字光谱数据发送到反馈分析器。
反馈分析器可以对光谱测量信号数据进行分析,并将其与可得的数据库进行比对。反馈分析器可以基于数据分析识别目标的照明光源类型(或处理光源类型)和/或特性。解剖目标识别有助于优化激光模块的操作设置、优选的激光操作模式(脉冲或连续波(CW))、功率和能量、脉冲形状和轮廓、激光发射脉冲方案,并将所有生成的脉冲组合成组合输出脉冲序列。具有建议设置的优化信号将直接被发送给激光控制器(自动模式)或请求操作员批准以自动调整激光控制器设置(半自动模式)。
在本发明中,物联网(IoT)系统是激光系统的部件可以经由互联网与其他部件进行通信和交互的网络。在示例中,光谱数据可以经由IoT传送以供后续分析。数据也可以经由IoT传送给激光系统。该数据可以包括但不限于配置参数、软件更新文件、激光系统用户的消息等。在至少部分地可以通过IoT连接访问光谱数据库的示例中,激光系统可以与远程存储的光谱数据库通信以为反馈分析器提供数据。另外,如果需要,通过网络可以远程地监测并控制激光系统的所有部件。
图1是具有连接到激光系统104、成像系统106、光谱系统108和反馈控制系统110的手术器械102的手术系统100的示意图。反馈控制系统110可以包括反馈分析器112和人工智能(AI)引擎114。光谱系统108和AI引擎114可以经由物联网(IOT)116连接到云118。
手术器械102可联接到输送系统120。手术器械102可包括内窥镜,并且输送系统120可包括发光装置,诸如激光发射碎石装置和/或与发光装置相关联的光学部件(例如,光纤),用于将光发送到目标。
激光系统104可以包括任意数量的激光模块,例如第一激光模块122A、第二激光模块122B直到第N激光模块122N。第一激光模块122A和第二激光模块122B可以连接到激光控制器124,例如经由激光耦合器125。同样,来自激光系统104的输出可经由输送系统120(例如,光纤)发送到目标。
成像系统106可以连接到光源126(“照明光源”)和/或相机模块128。相机模块128可以包括光敏元件,例如电荷耦合器件(“CCD”传感器)或互补金属氧化物半导体(“CMOS”)传感器。相机模块128可联接(例如,经由有线或无线连接)到成像系统106以将来自光敏元件的表示图像的信号(例如,视频信号)发送到成像系统106,进而显示在例如输出单元或视频监视器的显示器(例如,图4的显示器482)上。在各种示例中,相机模块128和成像系统106可以被配置为以适合于内窥镜检查过程的期望分辨率(例如,至少480p、至少720p、至少1080p、至少4K UHD等)提供输出。
光源126可包括用于例如经由光纤链路将光发送到手术器械102的输出端口。光源126可以被配置为使用期望光谱的光(例如,宽带白光、使用优选的电磁波长的窄带成像等)来照明目标组织附近的解剖区域。在实施方式中,光源126可以使用至少一个氙气发生器或至少一个发光二极管(LED)产生可见光谱光。
内窥镜(例如手术器械102)可以被配置成通过患者的解剖结构输送以到达待治疗或诊断的目标解剖结构的部位。输送系统120可插入手术器械102中(例如,经由其工作通道)以向目标解剖结构输送治疗和诊断能力。在所示示例中,输送系统120包括光学部件,该光学部件可连接到相机模块128以获得目标解剖结构的视频图像。另外,来自光源126的可见光可以通过输送系统120另外输送到目标解剖结构。输送系统120可以使用相同或不同的光学部件来将成像数据从目标解剖结构输送到相机模块128并且将可见光从光源126输送到目标解剖结构。
激光系统104可用于将激光输送到目标解剖结构以用于各种用途。每个激光模块122A-122N可以将不同类型的激光输送到激光控制器124。激光控制器124可以协调来自激光模块122A-122N的激光的输送与手术器械102上的适当控制的操作。激光控制器124还可用于设置从激光模块122A-激光模块122N发射的激光的参数,例如模式、功率和形状。
如这里所讨论的,由光源126的氙气和LED发生器产生的光对于用户都可以呈现白色。同样地,由激光模块122A-122N发射的光可能难以经由用户的裸眼辨别。然而,来自不同光源,甚至相同类型(例如,照明或激光)的光谱分析可具有非常不同的结果。因此,重要的是识别由光源126和激光模块122A-122N以及内窥镜中使用的任何其它光源产生的光,以确保对由光源产生的光进行适当的光谱分析。利用本公开,可以分析来自光源126和激光模块122A-122N的光以识别所发射的光的类型,从而确保适当地或最优地执行应用于这种光的光谱学,并且便于光谱系统108、激光控制器124和光源126的适当或最优配置。在示例中,在执行光谱分析之前执行光源的肯定识别。光源的肯定识别可以例如使用各种光源的光谱图来执行,这些光谱图示出了光源在整个波长光谱上的基本上全部的强度(例如,未吸收的或完全反射的),如图2所示。
图2示出了可用于解剖目标识别的内窥镜光源的典型光谱示例。图2示出了包括以纳米(nm)表示波长的x轴202和以流明每平方米(lux)表示光强的y轴204的曲线图200。曲线图200示出了诸如来自光源126的第一类型的照明光的曲线206和诸如来自光源126的第二类型的照明光的曲线208。因此,曲线206和208可表示两种不同类型的光源126或可在产生两种不同光类型之间切换的光源。在实施方式中,曲线206可以包括LED光,曲线208可以包括氙气光。曲线206和曲线208表示没有任何光被反射表面吸收的情况下,包括光源的全光谱和强度的基线光谱图。例如,曲线206和曲线208可以表示从白色表面反射的光或直接从光源发射而没有反射的光。因此,曲线206和曲线208不受来自组织的光吸收的影响。
曲线206和曲线208示出了不同光源的不同波长的光强度的差异。可以看出,曲线206和曲线208的波形是不同的,在几乎整个波长范围上产生强度差。有几个离散的位置,其中强度差特别大,从而提供可以容易地被反馈分析器112识别的差异。例如,反馈分析器112可以将表示实际反射光谱的数字数据与表示曲线206和曲线208的数字数据进行比较,以确定实际反射光最接近地类似于哪个曲线。特别地,曲线图200包括四个不同的区域(区域1、区域2、区域3和区域4),其中可以区分用于曲线206的光源和用于曲线208的光源。
在示例中,区域1可位于接近约450nm的波长处,区域2可位于接近约525nm的波长处,区域3可位于接近约650nm的波长处,且区域4可位于接近约450nm的波长处。
对于区域1、区域2和区域4,氙气光源的曲线206的强度可以显著高于LED光源的曲线208的强度,例如可以通过机器编译容易地识别。这样,+/-光强度差可以用于区分和识别光源。
对于区域2和区域3,曲线206和曲线208的斜率可以不同。特别地,曲线206的斜率可以是减小的或在区域2中的低谷处,而曲线208在区域2中的斜率可以是增加的,并且曲线206在区域3中的斜率可以是增加的,而曲线208在区域3中的斜率可以是平坦的。这样,+/-斜率差、斜率上升/下降和斜挠点可用于区分和识别光源。
区域1、区域2、区域3和区域4中的曲线206和曲线208的信号强度和光谱斜率的光谱分析可允许识别照明光源类型。这样的信息可以存储在反馈分析器112的存储器(例如,图6的存储器604或存储器606)中或云118中,用于参考和比较由反馈分析器112通过光谱系统108收集的波形。特别地,用于形成曲线206和曲线208的数字数据集可以存储在诸如图6的存储器604和存储器606的存储器中,用于与由光谱系统108产生的数据进行比较。因此,光谱系统108可以识别从光源126发射的光的光强度值或值的范围,并且可以将这样识别的光强度值的幅度与来自曲线206和曲线208的相同波长的值进行比较。在示例中,反馈分析器112可以将区域1、区域2、区域3和区域4中的实际反射光与曲线206或曲线208进行比较,以寻找共同的特性。
回到图1,在操作中,光源126可以产生光束140,该光束140可以经由适当的光导体(例如光纤电缆)传递到手术器械102。光束140可以被引导到患者130。具体地,光束140可以经由输送系统120入射到患者体内的解剖结构上,例如图4的解剖目标422。光束140可以入射到解剖目标422上,然后可以作为反射照明光束142被反射回输送系统120。另外,光束140可入射到测试目标170上并作为反射照明光束142反射回到输送系统120。本文所讨论的,可以使用反射照明光束142来执行光源126的识别,并且可以使用反射照明光束142来执行解剖目标422的光谱分析。
激光控制器124可以分别从激光模块122A、122B-122N接收激光束144A、144B-144N。激光束144A-144N可以经由激光耦合器125传送到激光控制器124。激光控制器124可以接收组合的激光束146。激光控制器124可以对组合的激光束146执行各种过程,例如通过调整设置以控制输出功率、发射范围、脉冲形状和脉冲序列等。激光控制器124可以将治疗激光148输出到解剖目标422。治疗激光148可以经由输送系统120被引导到解剖目标422。治疗激光148可以入射到解剖目标422上,然后可以作为反射激光束150反射回输送系统120。在示例中,解剖目标422的光谱分析可以使用反射激光束150来执行,并且解剖目标422的治疗可以使用治疗激光器148来执行。尽管未示出,治疗激光148还可以从测试目标170反射,以便于识别治疗激光148的源。
如参考图4所讨论的,光谱系统108可以包括光谱仪411和光谱光源430(其可以与内窥镜光源126相同或不同),其可以附加地入射到解剖目标422上并反射回光谱系统108。尽管未示出,来自光谱光源430的光可以另外从测试目标170反射,以便于识别光谱光源430产生的光的类型。
光谱系统108可以对(无论是从解剖目标422还是测试目标170反射)反射的照明光束142和反射的激光束150以及来自光源430的反射光进行光谱分析。光谱系统108可以向反馈分析器112提供光谱信号152并向IOT 116提供数据信号154,光谱系统108可以与云118通信。IOT 116可向AI引擎114提供信号156。AI引擎114可以向反馈分析器112提供信号158。反馈分析器112可向光源126提供光信号160并向激光控制器124提供激光信号162。
在来自光源126的光用于患者130的解剖目标422(图4)的光谱分析的示例中,在执行手术过程之前,可以操作手术系统100以生成光束140和反射光束172。光束140可以从测试目标170反射。测试目标170可以包括能够反射光束140的全部或基本上全部的光的物体或表面,使得几乎没有光束140被测试目标170吸收。在示例中,测试目标170可以包括手术系统100的表面,诸如成像系统106的机柜或外壳上的表面。在示例中,反射光束172可以简单地是通过输送系统120发回的光束140的光,而不具体地从目标反射(例如从环境光反射的光束140的部分)。然后,光谱系统108可以分析反射光束172,使得反馈分析器112可以确定由光源126产生的光的类型。例如,在有或没有AI引擎114的帮助下,反馈分析器112可以基于反射光束172对光谱系统108的输出与已知光源(例如,图2)的全光谱图进行比较,以便识别光源126。反射光束172的光谱可以通过将各种波长的反射光束172的强度值与来自图2的曲线206和208的强度和波长对相匹配来执行。如果发现匹配,则反馈分析器112可以确认光源126与反馈分析器112兼容,即,反馈分析器112可以访问针对光源126的光的类型的不同目标组织的光谱图。因此,反馈分析器112可以在随后的步骤中与来自患者130的反射照明光束142结合使用,以提供反射照明光束142入射和反射的解剖类型的指示(例如,解剖目标422的特性)。此后,反馈分析器112可以提供对激光控制器124的设置的推荐,以及对光源126的潜在调整,以执行手术过程。然而,如果反馈分析器112不能发现反射光束172的光谱分析与未反射光的基线光谱图(例如,图2)之间的匹配,则手术系统100可向用户提供正在使用未知照明光源的反馈。换句话说,反馈分析器112不能在本地存储器或云118中访问所使用的光源和该光的类型与解剖目标422的光谱分析的组合,因此不能提供目标组织类型的确认。在示例中,如果照明光源与反馈分析器112的组织识别能力不兼容,则手术系统100可以完全或部分地关闭或禁用手术系统100。例如,手术系统100可以仅关闭手术系统100的组织识别能力,使得外科医生可以继续使用激光系统104来执行使用外科医生技巧来手动识别解剖目标422的外科过程。在反馈分析器112不能确认光源和解剖目标的类型的情况下,手术系统100仍然可以向云118提供光谱输出,使得AI引擎114可以学习光源和解剖目标的新配对。
在图1中,根据本公开的各种示例示意性地示出了手术系统100。下面讨论手术系统100的结构和操作的更多细节,其另外可应用到图4所示的激光治疗系统(手术系统)400。
激光系统104
手术系统100可以包括被配置成输送向目标引导的激光能量的激光系统104,以及被配置成联接到激光系统104的反馈控制系统110。激光系统104可以包括一个或更多个激光模块122A-122N(例如,固态激光模块),其可以发射从UV到IR的类似或不同的的波长。选择集成激光模块的数量、它们的输出功率、发射范围、脉冲形状和脉冲序列以平衡系统成本和向目标传递期望效果所需的性能。在示例中,这些因素中的一些或全部,例如输出功率、发射范围、脉冲形状和脉冲序列,可由用户调整或由激光控制器124或反馈分析器112自动调整,以提供增强的性能。
激光模块122A-122N可以与光纤集成,并且可以包括在激光控制器124中。由于光纤集成激光系统能够使激光能量通过柔性内窥镜并有效治疗硬组织和软组织,因此其可用于内窥镜手术。这些激光系统在从UV到IR区域(例如,200nm到10000nm)的宽波长范围内产生激光输出光束。一些光纤集成激光器在被软或硬组织高度吸收的波长范围内产生输出,例如对于水吸收为1900nm-3000nm或对于氧合血红蛋白和/或脱氧血红蛋白吸收为400nm-520nm。各种IR激光器可用作内窥镜手术中的激光源,例如参考表1所描述的。
表1:用于激光模块122A-122N(图1)的光源的示例
激光模块122A-122N中的每一个可以包括集成到光纤中的多个固态激光二极管,以便增加输出功率并将发射传递到目标。一些光纤集成激光器可以在最小被目标软组织或硬组织吸收的波长范围内产生输出。由于穿透深度类似于小毛细管5-10μm的直径,这些类型的激光可以提供有效的组织凝结。激光模块122A-122N可以包括光纤集成激光模块,并且如根据本公开中的各种示例所描述的具有若干优点。在一个示例中,由激光模块122A-122N之一发射的光具有对称的光束质量、圆形和平滑(均匀化)的强度分布。紧凑的冷却装置被集成到激光模块中并使整个系统紧凑。激光模块122A-122N可以容易地与其它光纤部件组合。另外,光纤集成激光模块122A-122N可以支持标准光纤连接器,其允许模块与大多数光学模块良好地操作而无需对准。此外,光纤集成激光模块122A-122N可以容易地替换而不改变激光耦合器125的对准。
在一些示例中,激光模块122A-122N中的一个或更多个可以产生在诸如软组织或硬组织、结石、骨骼、牙齿等的一些材料高度吸收的波长范围内的激光输出,例如对于水吸收为1900nm-3000nm,或者对于氧合血红蛋白和/或脱氧血红蛋白吸收为400nm-520nm。在一些示例中,激光模块122A-122N中的一个或更多个可以产生在被诸如软或硬组织、结石、骨骼、牙齿等的目标低吸收的波长范围内的激光输出。这些类型的激光可以提供更有效的组织凝固,这是因为穿透深度类似于小毛细管的直径(例如,5μm-10μm)。市场上可买到的固态激光器是用于激光模块的潜在发射源。用于激光模块122A-122N的激光源的示例可以包括UV-VIS发射的InXGa1-XN半导体激光器,例如GaN(发射515nm-520nm)或InXGa1-XN(发射370nm-493nm)、GaXAl1-XAs激光器(发射750nm-850nm)或InXGa1-Xas激光器(发射904nm-1065nm)。这种激光源也可应用于组织凝固应用。
反馈控制系统110可以包括一个或更多个子系统,包括例如光谱系统108、反馈分析器112和激光控制器124。
光谱系统108
光谱系统108可以包括光谱仪411(图4),其可以用于分析来自各种源的光,例如用于治疗的激光模块122A-122N的光源126,以及用于光谱目的的光谱系统108所包括的光源430(图4)。
光谱系统108可以将来自光源430的控制光信号发送到目标(例如但不限于结石、软或硬组织、骨骼或牙齿)、或工业目标,并且收集从目标反射的光谱响应数据。该响应可以通过单独的光纤、激光光纤或内窥镜系统(例如手术器械102(图1))传递到光谱仪411。光谱仪411可以将数字光谱数据发送到反馈分析器112。用于覆盖从UV到IR的光学范围的光谱系统的光源的例子可以包括上面参照表2所描述的那些。
表2:用于光源430(图4)的光源的示例
应用 | 波长范围 | 类型 |
颜色/VIS/NIR | 360nm-2500nm | 钨卤素 |
Duv | 190nm-400nm | 氘气 |
UV | 215nm-400nm | 氘气 |
UV/VIS/NIR反射/吸收 | 215nm-2500nm | 氘气/卤素 |
UV/VIS/NIR吸收 | 200nm-2500nm | 氘气/卤素 |
UV/VIS | 200nm-1000nm | 氙气 |
FTIR | 2000nm-25000nm | 碳化硅 |
UV/VIS/IR荧光 | 多重窄发射 | LED、激光二极管 |
光谱系统108还可用于对来自光源126的光进行光谱分析。手术器械102可包括用于传送来自光源126的光的合适光纤。适合用作光源126的光源的例子列于表3中。
表3:用于光源126(图1)的光源的示例
应用 | 波长范围 | 类型 |
高功率 | 200nm-1000nm | 氙气 |
精确波长 | 多重窄发射 | LED |
光谱系统108还可用于对来自激光模块122A-122N的光进行光谱分析,例如表1中列出的那些。
光谱学是可用于容易且快速分析有机和无机材料的有力方法。用于光谱分析的任何光可以集成到单独的光纤通道、激光光纤或内窥镜系统中。从目标反射的光源信号可由成像系统106快速收集并传送到光谱仪411,该成像系统106包括检测器,例如CCD或CMOS传感器,其可包括在数字内窥镜中。其它成像系统如激光扫描也可用于收集光谱响应。光谱学具有几个优点。它可以容易地与输送系统120中的激光光纤集成。检测和分析材料化学成分是一种无损技术,可以实时进行分析。光谱学可用于分析不同类型的材料,包括例如硬和软组织、结石结构等。
可以单独或组合使用各种光谱技术来分析目标化学成分并产生光谱反馈。这种光谱技术的示例可以包括UV-VIS反射光谱、荧光光谱、傅立叶变换红外光谱(FTIR)或拉曼(Raman)光谱等。表2示出了用于光谱系统108的光源的示例,其覆盖从UV到IR的光学区域并且可应用于示例。钨卤素光源通常用于在可见光和近红外范围内进行光谱测量。已知氘光源具有稳定的输出,并且它们用于UV吸收或反射测量。卤素灯与氘光的混合产生宽光谱范围的光源,提供200nm-2500nm的平滑光谱。氙气光源用于需要长寿命和高输出功率的应用中,例如荧光测量中。LED和激光二极管光源以精确的波长提供高功率;它们具有长寿命、短预热时间和高稳定性。光谱光源可以集成到单独的光纤通道、激光光纤或内窥镜系统中。从目标反射的光源信号可被快速检测并通过单独的光纤通道或激光光纤传送到光谱仪。
反馈分析器112
反馈分析器112可以接收来自各种源的输入,包括来自光谱学系统108的光谱仪411和AI引擎114的光谱响应数据,以建议或直接调整激光系统操作参数,包括激光模块122A-122N的操作参数、或光源126的操作参数。在示例中,反馈分析器112可以将诸如来自光束142、光束150和反射光束172的光谱响应数据与诸如图2的各种光源126的基线光谱图的可用数据库以及光源126或激光模块122A-122N和解剖目标的各种组合的解剖目标组成数据进行比较。在Shelton等人的编号US2021/0038064的公开中描述了用于各种类型的光源的组织光谱图的示例,在此通过引用将其整体并入。基于不同的光谱系统反馈,反馈分析器112可以检测光源126和解剖目标422的组成,并建议激光操作模式(也称为激光设置)(例如用于激光模块122A-122N中的至少一个的操作参数),以防止光纤的损坏,实现对所识别的组织组成的有效组织治疗,并建议照明光操作模式(也称为照明光设置)(例如用于光源126的操作参数)。可以调整的激光模块122A-122N的操作参数的示例可以包括至少一个激光波长、脉冲或连续波(CW)发射模式、峰值脉冲功率、脉冲能量、脉冲速率、脉冲形状、以及来自至少一个激光模块的脉冲的同时或顺序发射。顺序脉冲包括脉冲串,其组合以输送选定的脉冲能量。这里所描述的脉冲通常是指从激光模块开始和停止激光发射之间的时间。在每个脉冲期间的激光能量的强度可以变化,以具有增加或减少的斜坡或正弦轮廓的形状,或单独的或与脉冲序列组合的任何其它形状,只要保持所选择的平均激光功率。例如,如果只有一个脉冲,则具有1J脉冲能量的2W平均功率设置以2Hz的频率出现。然而,能量也可以随着2Hz的速率发生的快速连续的两个0.5J脉冲来输送。这些脉冲中的每一个可以具有类似的脉冲形状或不同的脉冲形状。反馈分析器112可以利用算法和输入数据来直接调整或建议激光器操作参数,例如上面例子中描述的那些。可以调整的光源126的操作参数的例子可以包括幅度、亮度、功率、波长和强度。在示例中,可以根据目标材料、应用和环境光在数值范围内调整光强度。另外,波长范围和光谱形状可以通过附加的滤光器来调整。还可以通过控制组成LED的光强来调整LED光源的光学特性。
激光控制器124
激光控制器124可以与激光耦合器125集成。激光耦合器125可以将一个或更多个激光模块(例如,固态激光模块)122A-122N耦合到光纤中。激光控制器124可以联接到反馈分析器112,反馈分析器112可以将具有建议设置的优化信号直接发送到激光控制器124(自动模式),或者请求操作者批准调整激光设置(半自动模式)。图1是全自动激光系统的示意图,其中激光控制器124可以由反馈分析器112自动调整。图4是半自动激光系统的示意图,其中手术系统100需要用户批准(例如通过包括用户接口484的显示器482)。在一个示例中,可以在设定范围内调整激光器设置,在一个示例中,该设定范围可以由用户在过程开始时预先确定。
在一些示例中,激光控制器124可以组合两个或更多个激光脉冲序列以创建组合的激光脉冲序列。激光控制器124可产生多个(例如,N个)激光脉冲串,将激光脉冲串组合成组合脉冲串,且用组合脉冲串曝光目标。根据反馈分析器信号,不同的激光脉冲串可以在不同的时间开启,和/或在不同的时间关闭。输出组合激光脉冲串可以包括两个或更多个激光脉冲串在时间上重叠的部分。
利用如本文所述的激光模块122A-122N、光谱系统108、反馈分析器112和反馈控制系统110的组合,可以通过内窥镜连续地识别目标的组成并且在整个过程中更新激光设置。
激光系统104的主要部件可以根据目标医疗过程容易地定制。例如,激光控制器124可以支持不同的激光类型及其组合。这允许更宽范围的输出信号选项,包括功率、波长、脉冲速率、脉冲形状和轮廓、单个激光脉冲序列和组合的激光脉冲序列。激光系统104的操作模式可以自动调整,或者针对每个期望的光学效果而建议。光谱系统108可以收集关于目标材料的信息,该信息对于诊断目的是有用的,并且用于确认激光参数对于目标是最佳的也是有用的。反馈分析器112可以自动优化激光系统的操作模式并降低人为错误的风险。
物联网(IOT)系统116
在一些示例中,手术系统100可以包括IoT系统116,IoT系统116支持将光谱数据库存储在云118上,支持对光谱和最佳设置数据库的快速访问,并且支持云118和反馈分析器112之间的通信。光谱数据库可以包括1)用于可用于识别光源的光源的不同组合的预定光谱图和2)用于可用于识别解剖目标的光源和解剖组织的不同组合的预定光谱图。数据的云存储支持使用人工智能(AI)技术来向反馈分析器112提供输入,并且支持对算法和数据库改进的立即访问,如参考图3更详细地描述的。
根据本文所述的各种示例,IoT系统116可包括其中手术系统100的组件可通过因特网与其他组件通信和交互的网络。IoT系统116支持对存储在云118上的光谱数据库的快速访问,并执行云118和反馈分析器112之间的通信。另外,如果需要,手术系统100的所有部件可以通过网络被远程监视和控制。这种成功连接的一个示例是医疗物联网(也称为健康物联网),其是用于医疗和健康相关目的的可用应用,包括用于研究和监测的数据收集和分析。
在各种示例中,IoT系统116可以支持对各种云资源的访问,包括光谱光源和目标结构(例如,结石结构或解剖组织)的基于云的检测、识别或分类。在一些示例中,机器学习(ML)引擎(例如图3的AI模型304)可在云118中实施以提供基于云的目标检测、识别或分类的服务。ML引擎可以包括经过训练的ML模型(例如,可在一个或更多个微处理器上执行的机器可读指令)。
ML引擎可以从激光系统104接收用于光谱光源(例如光源126和光源430)的光谱数据,或者检索存储在云118中的目标光谱数据、执行光源检测、识别或分类,并且生成诸如表示光源类型(例如氙气或LED)的标记的输出。
ML引擎可以从激光系统104接收目标光谱数据或检索存储在云118中的目标光谱数据、执行目标检测、识别或分类、并生成诸如表示组织类型(例如,正常组织或癌性病变、或特定解剖部位处的组织)或结石类型(例如,具有特定成分的肾、膀胱、胰腺或胆结石)的标记的输出。
在过程之前或过程中从患者收集的其它临床数据中,光源和目标光谱数据可以在过程结束或其它预定时间自动上传到云118。或者,可以提示系统用户(例如,临床医生)将数据上载到云118。在一些示例中,输出可另外包括目标被识别为组织或结石的概率,或目标被分类为特定组织类型或结石类型的概率。系统用户(例如,临床医生)可以使用这样的云服务来获得关于体内目标组织或结石的附近实时信息,诸如在执行内窥镜激光过程时。
在一些示例中,ML引擎可以包括被配置为使用诸如存储在云118中的训练数据来训练ML模型的训练模块。训练数据可以包括与光源相关联的光谱数据和目标信息,诸如标识目标类型(例如,结石类型或组织类型)的标记。训练数据可以包括基于各种光源和组织类型和/或结石类型的光谱分析的实验室数据。另外地或可选地,训练数据可以包括从多个患者获得的体外或体内的临床数据。在一些示例中,在将患者识别信息上传到云118以训练ML模型或使用训练的ML模型执行目标检测、识别或分类之前,可以从患者临床数据(例如,光谱数据)中移除这些数据。系统100可以将去掉识别的患者临床数据与识别数据源(例如,医院、激光系统识别、手术时间)的标记相关联。临床医生可以在手术期间或之后分析和确认目标类型(例如,结石或组织类型),并且将光源和目标类型与去掉识别的患者临床数据相关联以形成训练数据。使用去掉识别的患者临床特征可以有利地增加基于云的ML模型的鲁棒性,因为可以包括来自大患者群体的附加数据以训练ML模型。这也可以增强ML模型识别罕见结石类型的性能,因为来自罕见结石类型的光谱数据难以在临床上或从实验室获得。
可以使用各种ML模型体系结构和算法,诸如决策树、神经网络、深度学习网络、支持向量机等。在一些示例中,可以连续地或周期性地执行ML模型的训练,或者当附加光谱数据可用时几乎实时地执行ML模型的训练。训练包括在算法上调整一个或更多个ML模型参数,直到被训练的ML模型满足指定的训练收敛标准。所得的训练ML模型可用于基于云的目标检测、识别或分类。利用通过利用存储在云118中的大量数据以及不断地或周期性地添加到云118的附加数据而训练的ML模型,如本文所述的具有云连接的基于ML的目标识别可以提高体内目标检测、识别和分类的准确性和鲁棒性。
图3示出了示例性的基于计算机的临床决策支持系统(CDSS)300的示意图,CDSS100被配置为基于从解剖组织反射的光的光谱测量(诸如,波长和光强度)识别光类型和组织类型并且生成光生成参数,以更好地识别组织并提高系统性能。CDSS 300可以包括图1的AE引擎114的示例。
CDSS 300可以包括输入接口302、AI模型304、输出接口306,并可以连接到数据库308。输入接口302可以连接到反馈控制系统110,并且因此可以接收来自光谱系统108、反馈分析器112和输送系统120的输入,包括反射照明光束142和反射激光束150。
在各种实施方式中,CDSS 300包括输入接口302,通过该输入接口302将特定于患者的处理的光谱分析或光谱测量信息(诸如,波长、光强度和光谱形状)作为输入特征提供给人工智能(AI)模型304。附加输入可以包括照明光类型、治疗光类型、目标组织类型和手术类型。还可以提供另外的其他输入,诸如AI模型304是正在执行光源识别过程还是组织识别过程。处理器可以执行推理操作,其中将光谱分析输出应用于AI模型以生成光参数,以及用户接口(UI),通过用户接口将光参数传达给用户,例如,临床医生。
在一些实施方式中,输入接口302可以是CDSS 300和生成至少一些输入特征的一个或更多个医疗装置之间经由有线或无线或IoT或互联网的直接数据链路。数据库308可以驻留在云118(图1)上。输入接口302可以在治疗和/或诊断医疗处理期间将光谱分析数据直接传输到CDSS 300。附加地或另选地,输入接口302可以是便于用户与CDSS 300之间交互的经典用户接口。例如,输入接口302可以使用户接口便利,通过该用户接口,用户可以手动地输入光参数,诸如模式、功率和形状。附加地或另选地,输入接口302可以向CDSS 300提供对电子患者记录的访问,从该电子患者记录中可以提取一个或更多个输入特征。在任何这些情况下,输入接口302可以被配置为在CDSS 300用于评估光类型和组织类型时或之前收集与特定患者相关联的以下输入特征中的一个或更多个:
在示例中,第一输入特征可以包括光类型,诸如照明或激光。
在示例中,第二输入特征可以包括特定光类型,诸如氙气、LED、卤素、LD等。
在示例中,第三输入特征可以包括特定光类型,诸如Ho:YAG、Tm-Fiber(Tm-光纤)等。
在示例中,第四输入特征可以包括组织类型,诸如健康组织、病变组织等。
在示例中,第五输入特征可以包括解剖组织类型,诸如肾脏、子宫、肠、胃等。
在示例中,第六输入特征可以包括光波长。
在示例中,第七输入特征可以包括光强度。
在示例中,第八输入特征可以包括光谱形状,诸如斜率。
根据本公开,可以另外使用其它输入特征。而且,不是所有的输入特征都可以使用。
处理器基于以上输入特征中的一个或更多个,使用AI模型执行推理运算,以生成光参数。例如,输入接口302可以将光类型和组织、光强度和波长、以及光谱形状类型传送到AI模型的输入层中,AI模型将这些输入特征通过AI模型传播到输出层。AI模型可以通过基于分析数据发现的模式(pattern)进行推理,为计算机系统提供执行任务的能力,而无需显式编程。AI模型探索可以从现有数据中学习并对新数据进行预测的算法(例如,机器学习算法)的研究和构造。这些算法通过从示例性训练数据构建AI模型来操作,以便进行表示为输出或评估的数据驱动预测或决策。在一个示例中,AI模型304可以基于存储在数据库308中的来自先前手术的激光和组织组合的性能来建议用于治疗特定类型组织的激光类型。在另一示例中,AI模型304可基于存储在数据库308中的先前手术的结果建议用于特定组织和手术的脉冲序列以更好地执行手术或更快地执行手术。此后可以将正在执行的当前手术的结果存储在数据库308中,使得AI模型304可以包括用于建议激光模块122A-122N的参数的附加数据点。因此,随着数据库308的增长,例如当手术医生利用他们自己对AI模型304的建议参数的偏好时,可以包括新的手术结果,其可以促进AI模型304适应于建议激光模块122A-122N的不同参数。
机器学习(ML)有两种常见模式:有监督ML和无监督ML。有监督ML使用先验知识(例如,将输入与输出或结果相关联的示例)来学习输入和输出之间的关系。有监督ML的目标是学习函数,该函数在给定一些训练数据的情况下最接近训练输入和输出之间的关系,以便ML模型可以在给定输入时实现相同的关系以生成相应的输出。无监督ML是使用既未分类也未标记的信息训练ML算法,并允许算法在没有指导的情况下根据该信息采取行动。无监督ML在探索性分析中很有用,因为无监督ML可以自动识别数据中的结构。
有监督ML的常见任务是分类问题和回归问题。也称为归类问题的分类问题旨在将项目分类为多个类别值之一(例如,这个对象是苹果还是橙子?)。回归算法旨在量化某些项目(例如,通过为某些输入的值提供评分)。常用的有监督ML算法的一些示例包括逻辑回归(LR)、朴素贝叶斯随机森林(RF:Random Forest)、神经网络(NN)、深度神经网络(DNN)、矩阵分解和支持向量机(SVM)。
无监督ML的一些常见任务包括聚类、表示学习和密度估计。常用的无监督ML算法的一些示例是K均值聚类、主要组成分析和自动编码器。
另一种类型的ML是联合学习(也称为协作学习),其在不交换数据的情况下跨持有本地数据的多个分散式装置训练算法。这种方法与将所有本地数据集上传到一台服务器的传统集中式机器学习技术以及通常假设本地数据样本均匀分布的更经典的分散式方法形成对比。联合学习使得多个参与者能够在不共享数据的情况下构建共用的、稳健的机器学习模型,从而允许解决诸如数据隐私、数据安全、数据访问权限、和对异构数据的访问之类的关键问题。
在一些示例中,可以在由处理器执行推理操作之前连续地或周期性地训练AI模型。然后,在推理操作期间,提供给AI模型的患者特定输入特征可以从输入层传播,通过一个或更多个隐藏层,并最终传播到对应于光参数的输出层。例如,光谱测量波长和强度可以从光谱系统108提供给AI模型304。波长和强度可用于识别光源和/或特定组织,诸如利用反馈分析器112。AI模型304可以分析发射光的光谱特征(例如波长和强度),并识别用于产生该波长和强度的光源。AI模型304可以分析反射光的光谱特征(例如波长和强度),并且识别光从其反射的解剖组织。AI模型304可以针对给定的波长和强度分析所识别的组织,并且可以生成所识别的光源的参数,并且可以改变激光模块122A-122N的输出参数(例如激光操作模式(脉冲或连续波(CW))、功率和能量、脉冲形状和分布、激光发射脉冲状态)以改进手术过程,并且将所有生成的脉冲组合成组合输出脉冲序列。由AI模型304生成的更改后的参数可以提供光谱形状,这些光谱形状可以提供识别组织类型的更明确的指示,从而提高正确目标组织是外科处理的接受方的可能性。由AI模型304生成的改变的参数可以提供例如在治疗患病组织时更有效的激光参数,或防止对光纤的损伤。
在推理操作期间和/或之后,可以经由用户接口(UI)将光参数传达给用户和/或自动使光发生器将光生成参数改变为由AI模型304识别和建议的参数。例如,光发生器可以自动地改变光生成参数,或者输入接口302经由诸如屏幕或显示器482(图4)之类的输出装置可以利用例如用户接口484(图4)为给临床医生的提示或消息提供所建议的改变,并询问临床医生接受更改。此外,输出接口306可以输出组织类型,因此临床医生可以验证要被执行医疗处理的组织。附加地或另选地,诸如内窥镜或处置装置之类的医疗装置可以自动地或在临床医生指导下,产生消融或超声信号以处置目标组织。
图4示出了示例反馈控制激光治疗系统400。在图4中,激光治疗系统400包括与接收光源反馈的反馈控制激光治疗系统400集成的内窥镜402。作为手术系统100(图1)的示例的激光治疗系统400包括内窥镜402、激光源420、照明光源425(例如,光源126)和光谱光源430。在各种示例中,反馈控制激光治疗系统400的一部分或全部可以嵌入内窥镜402中。反馈控制的激光治疗系统400可以与图1的手术系统100类似地操作,其中添加了可用于向光谱仪411提供输入的光源430,而不是在图1中使用来自光源126的输入的光谱系统108,并且添加了允许用户调整激光控制器413的用户输入系统480,而不是反馈分析器112直接调整图1中的激光控制器124。图4另外示出了来自内窥镜相机模块416的成像信号450被提供给光谱仪411。
反馈控制的激光治疗系统400可以包括光谱仪411,其可以包括在光谱系统108中;反馈分析器412(反馈分析器112的至少一部分的示例)和激光控制器413(激光控制器124的示例)。激光源420可以包括激光模块122A-122N的示例,并且可以耦合到激光光纤404。光纤集成激光系统可用于内窥镜手术,因为其能够使激光能量通过柔性内窥镜并有效治疗硬组织和软组织。这些激光系统在从UV到IR区域(200nm到10000nm)的宽波长范围内产生激光输出光束。一些光纤集成激光器在被软组织或硬组织高度吸收的波长范围内产生输出,例如对于水吸收为1900nm-3000nm,或者对于氧合血红蛋白和/或脱氧血红蛋白吸收为400nm-520nm。上面的表2总结了在高吸水率范围1900nm-3000nm内发射并适合用作光源430的IR激光器。
一些光纤集成激光器在最小被目标软或硬组织吸收的波长范围内产生输出。由于穿透深度类似于5μm-10μm的小毛细管的直径,这些类型的激光器提供了有效的组织凝固。激光源420的例子可以包括UV-VIS发射的InXGa1-XN半导体激光器、例如发射波长为515nm-520nm的GaN激光器、发射波长为370nm-493nm的InXGa1-XN激光器、发射波长为750nm-850nm的GaXAl1-XAs激光器、或发射波长为904nm-1065nm的InXGa1-XAs激光器等。
光源430可以产生电磁辐射信号,该电磁辐射信号可以经由沿着内窥镜402的细长主体延伸的第一光学路径传输到解剖目标422。第一光路可位于工作通道418内。在一个示例中,第一光路可以是与激光光纤404分离的光纤。在另一个例子中,电磁辐射信号可以通过用于传输激光束的同一激光光纤404传输。电磁辐射离开第一光路的远端并投射到目标结构和周围环境。解剖目标422在内窥镜相机模块416(例如相机模块128)的视野内,使得响应于投射到目标结构和周围环境的电磁辐射,内窥镜相机模块416(例如CCD或CMOS相机)可以收集从解剖目标422反射的信号,产生目标结构的成像信号450,并且将成像信号输送到反馈控制的激光治疗系统410。在一些例子中,除了CCD或CMOS相机之外的成像系统,例如激光扫描,可以用于收集光谱响应。
除了通过内窥镜相机模块416生成和传输的反馈信号(例如,成像信号450)之外或作为其替代,在一些示例中,从解剖目标422反射的信号可以附加地或替代地被收集并通过诸如与内窥镜402相关联的单独的光纤通道或激光光纤传输到反馈控制的激光治疗系统410。在另外的示例中,包括与反馈控制的激光治疗系统400集成的内窥镜402的激光治疗系统400可以被配置为接收光谱传感器反馈。反射光谱信号470(其功能类似于图1的反射照明光束142和反射激光束150)可以通过用于将电磁辐射从光源430传输到解剖目标422的相同光学路径(例如激光光纤404)传播回反馈控制的激光治疗系统410。在另一示例中,反射的光谱信号470可以通过第二光学路径传播到反馈控制的激光治疗系统410,所述第二光学路径诸如与将电磁辐射从光源430传输到目标结构的第一光纤分开的光纤通道。
反馈控制的激光治疗系统400可以分析一个或更多个反馈信号(例如,图1的目标结构的成像信号450或反射的光谱信号470或分光镜信号152或反射的照明光束142或反射的激光束150)以确定激光源420,照明光源425和光谱光源430中的一个或多个的光源,组织类型和操作状态,例如通过使用参考图5概述的过程。光谱仪411可例如通过使用FTIR光谱仪,拉曼光谱仪,UV-VIS光谱仪,UV-VIS-IR光谱仪或荧光光谱仪中的一者或一者以上从一个或一个以上反馈信号产生一个或一个以上光谱特性。反馈分析器412可被配置成将目标结构识别或分类为多个结构类别或结构类型之一,诸如通过使用一个或更多个目标检测器或目标分类器。激光控制器413可以被配置为确定激光源420、照明光源425和光源430的操作模式,如以上参考图1类似地讨论的。
图4还示出了包括用户输入系统480的反馈控制的激光治疗系统400,用户输入系统480可以包括显示器482和用户接口484。用户输入系统480可以从反馈分析器412接收信号,以在显示器482上提供输出包括与激光控制器413、照明光源425和光源430的建议变化相关的信息。在示例中,可以在由显示器482提供的设定范围内调整激光源420的设置,在示例中,该设定范围可以由用户在过程开始时预先确定。显示器482可以从反馈分析器412接收指示光源430、照明光源425和激光控制器413的推荐设置或设置范围的信号485。显示器482可以向用户显示推荐486,包括用于光源430、照明光源425和激光控制器413的推荐设置或设置范围的音频信号或视觉或图形表示。用户可以提供输入488以肯定或否定信号485的推荐或从推荐的设置范围中选择特定的设置。
图5是示出使用本文所述的光谱手术系统识别和调整光源的方法500中的操作的框图。图5示出了可以在方法500中使用的操作序列的示例。然而,可以包括与本文提供的公开内容一致的其它步骤。另外,一些操作可以以不同的顺序执行或者在另外的示例中省略。
在操作502,可以用光源产生光束。例如,光源126(图1)可以产生光束140。不同类型的光源126可用于手术系统100(图1)。例如,光源126可以被配置成产生氙气光或LED光。光束可以从测试目标170反射。反射光束172可以被光谱系统108接收。例如,反射光束172可由手术器械102内的输送系统120接收并穿过光导体(例如光纤)到达光谱仪411(图4)。手术器械102和输送系统120(图1)可用于使用例如光纤将光束引导到解剖目标422。
在操作504,光谱系统108可以执行反射光束172的光谱分析。例如,反射光束172的强度和波长可以与不同类型光源的强度和波长的数据库信息进行比较。光强度可以与数据库信息进行比较,该数据库信息包括不同类型的光源的不同波长的光强度值,例如产生氙气和LED光的不同类型的光源126。在示例中,不同类型的光源的光谱信息可以存储在光谱系统108中。在另外的示例中,光谱系统108可以从云118(图1)或存储器604(图6)获得不同类型的光源的光谱信息。
在操作506,与反射光束172的强度和波长最接近地匹配的强度和波长数据集可用于识别来自光源126或另一光源的光的类型。这样,用于光源126的光束140的光谱分析可用于验证用于组织光谱分析的光源的类型,以确保随后的组织光谱分析将被正确地执行。在示例中,光源126的光束140的光谱分析可用于确定光源126的制造方。
参考确定从光源126发出的光的类型来描述操作502-506。然而,使用光源430和激光模块122A-122N可以执行类似的操作。即,来自光源430和激光模块122A-122N的纯的或没有损失的光可以在入射到目标组织上之前被分析。
在操作508,可以用光源产生光束,例如在操作502产生的相同光束。例如,光源126(图1)可以产生光束140。光束140可以从将在其上执行医疗过程的目标组织反射。例如,光束140可以入射到患者130的解剖目标422上。光束140可以反射离开解剖目标422作为反射照明光束142。手术器械102和输送系统120(图1)可用于使用例如光纤将光束引导到解剖目标422。
在操作510,来自操作504的反射光可以被光谱系统接收。例如,反射的照明光束142可以由手术器械102内的输送系统120接收,并且穿过光导体(例如光纤)到达光谱仪411。所接收的光可以通过分光镜进行分析。例如,光谱仪411可以分析反射照明光束142的波长的光强度。光强度可以与数据库信息进行比较,该数据库信息包括不同类型的解剖组织(例如结石或癌细胞)的不同波长的光强度值。在示例中,不同类型的解剖目标的光谱信息可以存储在光谱系统108中。在另外的示例中,光谱系统108可以从云118(图1)或存储器604(图6)获得不同类型的解剖目标的光谱信息。
在操作512,可以确定反射光束142的解剖组织的类型。例如,反射照明光束142的波长的光强度可以与来自预定参考数据的相应数据点集合相匹配。因此,光谱系统108可以肯定地识别产生波长和光强组合的组织类型。因此,可以识别解剖目标422。这样,用于解剖目标422的光束140的光谱分析可用于验证组织类型,以确保手术程序将被正确地执行。在各示例中,方法500可从操作512直接前进到操作526。
在操作514,可以分析结合方法500执行的手术过程。例如,可以分析手术以确定用于执行手术的手术系统100的部件的建议设置或设置范围。建议的设置可用于改善手术结果或有助于更容易地执行手术程序。可以在操作516使用来自手术系统100的输入和在操作515使用来自AI引擎114的输入来分析手术过程。
在操作516,可以将手术数据与所识别的光源和所识别的组织类型组合以分析手术过程。在示例中,手术数据可以包括在手术过程中使用的激光模块的类型(例如激光模块122A-122N)、所使用的激光模块122A-122N的设置、所使用的手术器械102的类型、所使用的输送系统120的类型等。此外,手术系统100可以最初被配置为执行特定类型的过程,例如使用激光模块122A-122N中的一个或更多个来消融、切割或烧灼解剖目标422(图4)。例如结石或癌细胞。手术医生可以将参数输入到激光控制器124中以产生期望接合解剖目标422的治疗激光148(图1)的类型,例如输出功率、发射范围、脉冲形状和脉冲序列。这样,操作516处的输入可以包括手术医生基于他们自己过去的经验或判断的偏好。
在操作515,AI输入可与手术数据、识别的组织类型和识别的光源类型组合。AI引擎114(图1)可以包括或可以连接到存储系统,该存储系统具有与可以用光源126(图1)和激光模块122A-122N中的一个或两个执行的多种不同类型的手术相关的信息的数据库,例如数据库308。在示例中,云118可以连接到具有其上存储有这种信息的存储器(例如,图6的存储器604或606)的服务器。存储在云118或AI引擎114中的信息可以包括参数的组合,包括不同类型的光源126、不同类型的激光模块122A-122N、以及用于不同类型的外科手术(例如,癌症去除、肾结石去除、胆囊结石去除等)的不同设置(例如,输出功率、发射范围、脉冲形状和脉冲序列)。例如,对于每种类型的手术,信息可以包括手术参数的不同组合的结果数据(例如,患者恢复、复发等)。
在操作517,可以确定结合方法500执行的外科手术的调整。对于在操作510中识别的来自光源126的光类型,AI引擎114可以推荐为患者提供最佳结果的参数。在示例中,操作517可以利用AI模型304来确定手术的调整。
在操作518,可以显示所确定的对操作517的外科手术过程的调整,以供用户参考。在示例中,光源126的光束140的光谱分析可用于建议光源126、光源430和激光模块122A-122N的设置。例如,显示器482(图4)可提供手术系统100的推荐设置或设置值范围的视觉或图形输出。推荐的设置可以包括但不限于用于不同类型的外科手术(例如,癌症去除,肾结石去除,胆囊结石去除等)的不同类型的激光模块122A-122N的输出功率,发射范围,脉冲形状和脉冲序列。同样,可以建议的光源126的操作参数可以包括幅度,亮度,功率,波长和强度。
在操作520,可以自动调整外科手术的设置。例如,反馈分析器112可以在没有用户输入的情况下向光源126提供光信号160并向激光控制器124提供激光信号162以应用所建议的改变。
在操作522,可以将对外科手术的调整呈现给用户作为建议的调整。例如,显示器482(图4)可提供手术系统100的推荐设置或设置值范围的视觉或图形输出。显示器482可以请求是/否接受各种参数,或者可以请求输入或选择建议范围内的值。显示器482还可以提供用于拒绝任何或所有建议的参数改变的选项,使得手术医生可以利用先前输入的参数。
在操作524,可以获得外科医生对推荐的改变的批准或外科医生从推荐的设置范围中的选择。用户可以通过提供语音命令或触觉输入来与用户接口484交互以选择和/或确认在操作522呈现的建议设置。
在操作526,可以执行手术过程。可以使用照明光源、解剖目标和治疗光的正确或期望的组合来执行手术。可以利用外科医生基于外科医生技能、偏好和评估最初输入的参数来执行手术,可以利用由AI模型304确定的参数或其组合来执行外科手术。
在操作528,可以关闭组织识别功能。在示例中,光源126的光束140和反射光束172的光谱分析可用于禁用组织检验系统。例如,如果操作506不能确定光源126的输出,则手术系统提供组织类型确认的能力可被禁用。可以在显示器482上提供适当的警告。此后,外科医生可以使用用户输入的系统参数继续执行外科手术。
图6一般地示出了示例机器600的框图,在该机器上可以执行在此讨论的任何一个或多个技术(例如,方法或操作)。本说明书的各部分可以应用于根据本文档中所讨论的示例的激光治疗系统和光谱分析系统的各部分的计算框架。
在示例中,机器600可作为独立设备操作或可连接(例如,联网)到其它机器。在联网部署中,机器600可在服务器-客户端网络环境中以服务器机器,客户端机器或两者的能力来操作。在一个示例中,机器600可充当对等(P2P)(或其它分布式)网络环境中的对等机器。机器600可以是个人计算机(PC)、平板PC、机顶盒(STB)、个人数字助理(PDA)、移动电话、web设备、网络路由器、交换机或网桥或能够执行指定该机器要采取的动作的指令(顺序地或以其他方式)的任何机器。此外,虽然仅示出了单个机器,但是术语“机器”还应当被理解为包括单独地或联合地执行一组(或多组)指令以执行本文所讨论的任何一个或多个方法的机器的任何集合,诸如云计算、作为服务(SAAS)的软件、其它计算机集群配置。
如本文所述,示例可包括逻辑或多个组件或机制,或可由逻辑或多个组件或机制来操作。电路集是在包括硬件(例如,简单电路、门、逻辑等)的有形实体中实现的电路的集合。电路组成员资格可以随着时间和基础硬件变化而灵活。电路组包括可以单独或组合地在操作时执行指定操作的部件。在示例中,电路组的硬件可以被不可改变地设计为执行特定操作(例如,硬连线)。在一个示例中,电路组的硬件可以包括可变连接的物理组件(例如,执行单元、晶体管、简单电路等),这些物理组件包括被物理地修改(例如,磁、电、不变质量粒子的可移动放置等)以编码特定操作的指令的计算机可读介质。在连接物理组件时,硬件组成的底层电特性被改变,例如从绝缘体改变为导体,反之亦然。所述指令使嵌入式硬件(例如,执行单元或加载机制)能够经由可变连接在硬件中创建电路集合的成员,以在运行时执行特定操作的部分。因此,当设备操作时,计算机可读介质通信地联接到电路套件的其它组件。在一个示例中,任何物理组件可用于一个以上电路组的一个以上成员中。例如,在操作中,可以在一个时间点在第一电路集合的第一电路中使用执行单元,并且由第一电路集合中的第二电路或由第二电路集合中的第三电路在不同的时间重新使用执行单元。
机器(例如,计算机系统)600可包括硬件处理器602(例如,中央处理单元(CPU)、图形处理单元(GPU)、硬件处理器核心或其任何组合)、主存储器604和静态存储器606,它们中的一些或全部可经由互连(例如,总线)608彼此通信。机器600还可以包括显示单元610(例如,光栅显示器、矢量显示器、全息显示器等)、字母数字输入设备612(例如,键盘)和用户接口(UI)导航设备614(例如,鼠标)。在一个示例中,显示单元610、输入设备612和UI导航设备614可以是触摸屏显示器。机器600可另外包括存储装置(例如,驱动单元)616、信号产生装置618(例如,扬声器)、网络接口设备620和一个或更多个传感器621,例如全球定位系统(GPS)传感器、罗盘、加速计或其它传感器。机器600可以包括输出控制器628,例如串行(例如,通用串行总线(USB),并行或其他有线或无线(例如,红外(IR)、近场通信(NFC)等)连接,以通信或控制一个或更多个外围设备(例如,打印机、读卡器等)。
存储设备616可以包括机器可读介质622,在该机器可读介质622上存储了一组或多组数据结构或指令624(例如,软件),该一组或多组数据结构或指令624体现或由在此描述的任何一个或多个技术或功能(例如,参考图5描述的操作)利用。在机器600执行指令624期间,指令624还可以完全或至少部分地驻留在主存储器604内、静态存储器606内或硬件处理器602内。在一个示例中,硬件处理器602、主存储器604、静态存储器606或存储设备616中的一个或任何组合可以构成机器可读介质。
虽然机器可读介质622被示为单个介质,但是术语“机器可读介质”可以包括被配置为存储一个或更多个指令624的单个介质或更多个介质(例如,集中式或分布式数据库、和/或相关联的高速缓存和服务器)。
术语“机器可读介质”可以包括能够存储、编码或携带用于由机器600执行的指令并且使得机器600执行本公开的任何一个或多个技术,或者能够存储、编码或携带由这样的指令使用或与这样的指令相关联的数据结构的任何介质。非限制性机器可读介质示例可包括固态存储器、以及光和磁介质。在一个示例中,成批的机器可读介质包括具有多个具有不变(例如,静止)质量的粒子的机器可读介质。因此,大容量机器可读介质不是瞬时传播信号。成批的机器可读介质的具体示例可以包括:非易失性存储器,例如半导体存储器装置(例如,电可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EPSOM))及快闪存储器装置;磁盘,例如内部硬盘和可移动磁盘;磁光盘;以及CD-ROM和DVD-ROM盘。
指令624还可以使用传输介质经由网络接口设备620利用多个传输协议(例如,帧中继、因特网协议(IP)、传输控制协议(TCP)、用户数据报协议(UDP)、超文本传输协议(HTTP)等)中的任何一个在通信网络626上发送或接收。示例通信网络可以包括局域网(LAN)、广域网(WAN)、分组数据网络(例如,因特网)、移动电话网络(例如,蜂窝网络)、普通老式电话(POTS)网络和无线数据网络(例如,被称为的电气和电子工程师协会(IEEE)802.11标准族,被称为/>的IEEE 802.16标准族)、IEEE 802.15.4标准族、对等(P2P)网络等。在一个示例中,网络接口设备620可以包括一个或更多个物理插孔(例如,以太网、同轴或电话插孔)或一个或更多个天线以连接到通信网络626。在一个示例中,网络接口设备620可以包括多个天线,以使用单输入多输出(SIMO)、多输入多输出(MIMO)或多输入单输出(MISO)技术中的至少一种进行无线通信。术语“传输介质”应被理解为包括能够存储,编码或携带由机器600执行的指令的任何无形介质,并且包括数字或模拟通信信号或其它无形介质以便于这种软件的通信。
附加注释
上述详细说明包括对构成详细说明一部分的附图的参考。附图以说明的方式示出了可以实施本发明的具体实施方式。这些实施方案在本文中也称为“实施方式”。这样的示例可以包括除了示出或描述的元件之外的元件。然而,本发明人还设想了仅提供示出或描述的那些元件的示例。此外,本发明人还考虑使用相对于特定示例(或其一个或多个方面)或相对于在此示出或描述的其他示例(或其一个或多个方面)示出或描述的那些元件(或其一个或多个方面)的任何组合或排列的示例。
在本文件中,术语“一”或“一个”如在专利文件中常见的那样被用来包括一个或多于一个,独立于“至少一个”或“一个或更多个”的任何其他示例或用法。在本文中,除非另外指明,否则术语“或”用于指非排他性的或,使得“A或B”包括“A但不包括B”、“B但不包括A”和“A和B”。在本文中,术语“包括”和“其中”用作相应术语“包含”和“其中”的普通英语等同物。此外,在以下权利要求中,术语“包括”和“包含”是开放式的,即,包括除了在权利要求中的该术语之后列出的那些之外的要素的系统、装置、制品、组合物、制剂或方法仍然被认为落入该权利要求的范围内。此外,在所附权利要求中,术语“第一”、“第二”和“第三”等仅用作标记,并不旨在对其对象施加数字要求。
以上描述旨在说明而非限制。例如,上述示例(或其一个或多个方面)可以彼此组合使用。例如本领域的普通技术人员在阅读以上描述之后,可以使用其他实施方式。提供摘要以允许读者快速确定技术公开的性质。所提交的内容应当理解为不用于解释或限制权利要求的范围或含义。而且,在以上详细描述中,各种特征可以被组合在一起以简化本公开。这不应被解释为意指未要求保护的公开特征对于任何权利要求都是必要的。相反,本发明主题可在于少于特定公开实施方式的所有特征。因此,以下权利要求书由此作为示例或实施方式并入详细描述中,其中每一权利要求独立地作为单独实施方式,且预期此类实施方式可以各种组合或排列彼此组合。本发明的范围应当参考所附权利要求以及这些权利要求所授权的等同物的全部范围来确定。
示例
示例1是一种识别手术系统中的照明光源的方法,该方法包括以下步骤:在所述目标被所述照明光源照明之后从所述目标接收信号;对接收到的信号进行光谱分析;以及至少部分地基于所述光谱分析,确定所述照明光源的特性。
在示例2中,示例1的主题可选地包括将所述光谱分析与数据库信息进行比较,所述数据库信息包括所述目标的不同光类型和/或不同材料的光谱信息,其中,确定所述照明光源的特性的步骤至少部分地基于所述光谱分析的比较。
在示例3中,示例2的主题可选地包括其中,所述光谱分析包括将所接收的信号的强度或光谱中的至少一个与来自位于所述数据库信息内的所述目标的各种类型的照明光源相关联的强度或光谱进行比较。
在示例4中,示例2-3中的任何一个或多个的主题可选地包括,其中,所述目标包括被配置成反射所述照明光而不吸收光的测试目标。
在示例5中,示例2-4中的任何一个或多个的主题可选地包括,其中,所述照明光源包括氙气光源和LED光源中的至少一个。
在示例6中,示例2-5中的任何一个或多个的主题可选地包括从连接到因特网的服务器检索数据库信息。
在示例7中,示例6的主题可选地包括,其中,数据库信息包括人工智能引擎。
在示例8中,示例1-7中的任何一个或多个的主题可选地包括基于所识别的所述照明光源来调整所述照明光源的参数或特性中的至少一个,以改善组织的光谱分析。
在示例9中,示例8的主题可选地包括,其中,所述参数包括亮度、功率、波长和强度中的至少一个,并且所述特性包括所述照明光源的类型。
在示例10中,示例1-9中的任何一个或多个的主题可选地包括用照明光照明解剖组织;执行所述照明光的反射的光谱分析;以及利用所述光谱分析确定所述解剖组织的特性。
在实施方式11中,实施方式10的主题任选地包括其中所述解剖组织的特性包括解剖组织的类型、物质、组成、组成分布、结构和/或硬度中的一个或更多个。
在示例12中,示例10-11中的任何一个或多个的主题可选地包括基于解剖组织的类型调整治疗光源的参数或特性中的至少一个以改善解剖组织的治疗。
实施方式13是治疗靶标的方法,其包括:在所述目标被照明光源照明之后从所述目标接收信号;对接收到的信号进行光谱分析;至少部分地基于所述光谱分析,确定所述照明光源的第一特性和所述目标的第二特性;以及至少部分地基于所确定的所述照明光源和所述目标的特性,操作手术系统以治疗所述目标。
在示例14中,示例13的主题可选地包括,其中,操作所述手术系统的步骤包括生成或调整一个或更多个参数,所述参数包括所述手术系统的操作模式、功率或能量、脉冲形状分布、发射脉冲方式和/或组合的输出脉冲序列。
在示例15中,示例14的主题可选地包括,其中,调整所述一个或更多个参数是由控制器自动执行的。
在示例16中,示例14-15中的任何一个或多个的主题可选地包括,其中,调整所述一个或更多个参数的步骤包括提示用户接受对所述照明光源的建议调整。
在示例17中,示例14-16中的任何一个或多个的主题任选地包括其中光谱分析,照明光源的参数或照明光源的特性中的至少一个经由因特网传送。
在示例18中,示例17的主题可选地包括利用人工智能引擎来生成一个或更多个参数。
在示例19中,示例13-18中的任何一个或多个的主题可选地包括,其中,在所述目标被照明光源照明之后从所述目标接收信号的步骤包括:在所述测试目标被所述照明光源照明之后从所述测试目标接收第一信号;以及在解剖目标被所述照明光源照明之后从所述解剖目标接收第二信号。
在示例20中,示例19的主题可选地包括,其中,对所接收的信号执行光谱分析包括:对所述第一信号执行光谱分析以识别由所述照明光源发射的光的类型;以及执行所述第二信号的光谱分析以识别所述解剖目标的组织的特性。
在示例21中,示例20的主题任选地包括,其中,所述解剖目标的组织的特性包括所述组织的类型、物质、组成、组成分布、结构和/或硬度中的一个或更多个。
在示例22中,示例20-21中的任何一个或多个的主题任选地包括其中:测试目标包括反射表面;照明光源包括氙气光源或LED光源。
这些非限制性示例中的每一者可独立地存在,或可以以各种排列或组合与其它示例中的一者或一者以上组合。
Claims (22)
1.一种识别手术系统中的照明光源的方法,所述方法包括以下步骤:
在目标被所述照明光源照明之后从所述目标接收信号;
对接收到的信号进行光谱分析;以及
至少部分地基于所述光谱分析,确定所述照明光源的特性。
2.根据权利要求1所述的方法,所述方法还包括以下步骤:将所述光谱分析与数据库信息进行比较,所述数据库信息包括所述目标的不同光类型和/或不同材料的光谱信息,其中,确定所述照明光源的特性的步骤至少部分地基于所述光谱分析的比较。
3.根据权利要求2所述的方法,其中,所述光谱分析包括将所接收的信号的强度或光谱中的至少一个与和来自位于所述数据库信息内的所述目标的各种类型的照明光源相关联的强度或光谱进行比较。
4.根据权利要求2所述的方法,其中,所述目标包括被配置成反射照明光而不吸收光的测试目标。
5.根据权利要求2所述的方法,其中,所述照明光源包括氙气光源和LED光源中的至少一个。
6.根据权利要求2所述的方法,所述方法还包括以下步骤:从连接到因特网的服务器检索数据库信息。
7.根据权利要求6所述的方法,其中,所述数据库信息包括人工智能引擎。
8.根据权利要求1所述的方法,所述方法还包括以下步骤:基于所识别的所述照明光源来调整所述照明光源的参数或特性中的至少一个,以改善组织的光谱分析。
9.根据权利要求8所述的方法,其中,所述参数包括亮度、功率、波长和强度中的至少一个,并且所述特性包括所述照明光源的类型。
10.根据权利要求1所述的方法,所述方法还包括以下步骤:
用照明光照明解剖组织;
执行所述照明光的反射的光谱分析;以及
用所述光谱分析确定所述解剖组织的特性。
11.根据权利要求10所述的方法,其中,所述解剖组织的特性包括解剖组织的类型、物质、组成、组成分布、结构和/或硬度中的一个或更多个。
12.根据权利要求10所述的方法,所述方法还包括以下步骤:
基于所述解剖组织的类型调整治疗光源的参数或特性中的至少一个以改善所述解剖组织的治疗。
13.一种处理数据的方法,所述方法包括以下步骤:
在目标被照明光源照明之后从所述目标接收信号;
对接收到的信号执行光谱分析;
至少部分地基于所述光谱分析,确定所述照明光源的第一特性和所述目标的第二特性;以及
至少部分地基于所述第一特性和所述第二特性,生成或调整手术系统的一个或更多个参数。
14.根据权利要求13所述的方法,其中,所述一个或更多个参数包括所述手术系统的操作模式、功率或能量、脉冲形状分布、发射脉冲方式和/或组合的输出脉冲序列。
15.根据权利要求14所述的方法,其中,调整所述一个或更多个参数由控制器自动执行。
16.根据权利要求14所述的方法,其中,调整所述一个或更多个参数的步骤包括提示用户接受对所述照明光源的建议调整。
17.根据权利要求14所述的方法,其中,所述光谱分析、所述照明光源的参数或所述照明光源的特性中的至少一个通过因特网传送。
18.根据权利要求17所述的方法,所述方法还包括以下步骤:利用人工智能引擎来生成所述一个或更多个参数。
19.根据权利要求13所述的方法,其中,在所述目标被照明光源照明之后从所述目标接收信号的步骤包括:
在测试目标被所述照明光源照明之后从所述测试目标接收第一信号;以及
在解剖目标被所述照明光源照明之后从所述解剖目标接收第二信号。
20.根据权利要求19所述的方法,其中,对所述接收到的信号执行光谱分析的步骤包括:
对所述第一信号执行光谱分析以识别由所述照明光源发射的光的类型;以及
对所述第二信号执行光谱分析以识别所述解剖目标的组织的特性。
21.根据权利要求20所述的方法,其中,所述解剖目标的组织的特性包括所述组织的类型、物质、组成、组成分布、结构和/或硬度中的一个或更多个。
22.根据权利要求20所述的方法,其中,
所述测试目标包括反射表面;并且
所述照明光源包括氙气光源或LED光源。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202263269939P | 2022-03-25 | 2022-03-25 | |
US63/269,939 | 2022-03-25 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116804575A true CN116804575A (zh) | 2023-09-26 |
Family
ID=88079039
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310309090.1A Pending CN116804575A (zh) | 2022-03-25 | 2023-03-27 | 识别照明光源的方法和处理数据的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116804575A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117838065A (zh) * | 2024-03-07 | 2024-04-09 | 江苏百宁盈创医疗科技有限公司 | 自体荧光组织的探测方法、设备、装置及存储介质 |
-
2023
- 2023-03-27 CN CN202310309090.1A patent/CN116804575A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117838065A (zh) * | 2024-03-07 | 2024-04-09 | 江苏百宁盈创医疗科技有限公司 | 自体荧光组织的探测方法、设备、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210038304A1 (en) | Selective laser firing for tissue safety | |
JP7441302B2 (ja) | 分光計を使用したレーザ制御 | |
JP7458475B2 (ja) | レーザファイバから標的までの距離の制御 | |
CN114615946B (zh) | 激光治疗的信号协调传送 | |
JP7451682B2 (ja) | 内視鏡レーザエネルギー送達装置 | |
US20210038062A1 (en) | Optical fiber assembly | |
CN116804575A (zh) | 识别照明光源的方法和处理数据的方法 | |
US20230131637A1 (en) | Laser combination with in vivo target feedback analysis | |
US20230301520A1 (en) | Spectroscopy system for identifying light source | |
US20230126066A1 (en) | Characterizing tissue using fluorescence emission | |
US11406449B1 (en) | Optical splitter for laser surgical systems with overheating protection |
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 |