CN118058805A - 一种高频超声手术的双输出管理系统 - Google Patents

Abstract

本发明属于手术医疗技术领域，本发明公开了一种高频超声手术的双输出管理系统；包括：数据采集模块，用于获取手术目标组织的特征数据和历史输出功率组合数据；模型构建模块，用于将特征数据进行算法组合处理获取特征三维模型；特征函数获取模块，用于根据特征三维模型和历史输出功率组合数据获取m个组织温升特征函数；调控模块，用于根据m个组织温升特征函数利用改进蒙特卡罗模拟算法，获取输出功率分配方案；将输出功率分配方案应用于高频超声手术的双输出通道；在保证安全性的前提下，能够释放更高功率，缩短手术时间，减轻患者痛苦。

Description

一种高频超声手术的双输出管理系统

技术领域

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

背景技术

申请公开号为CN113397656A的专利公开了一种双极高频超声双输出手术系统，包括：多用剪，用于向生物组织施加超声振动和/或高频电流；手柄，其与多用剪相连，用于将超声波驱动信号转换为超声波机械振动并传递至多用剪和/或将高频驱动信号传递至多用剪；主机，其与手柄相连，包括主控单元、超声驱动单元和高频电力驱动单元，主控单元用于根据激发信号及用户选定的工作模式驱动超声驱动单元和/或高频电力驱动单元，以向手柄输出超声波驱动信号和/或高频驱动信号；激发装置，与主机相连，用于根据用户的控制向所述主控单元输入激发信号。能够轻松实现高频电流和超声波能量的任意组合输出，在手术中且无需操作者更换手术器械及进行输出切换，有效降低手术风险。

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

鉴于此，本发明提出一种高频超声手术的双输出管理系统以解决上述问题。

发明内容

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

模型构建模块，用于将特征数据进行算法组合处理获取特征三维模型；

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

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

所述输出功率分配方案的获取方式包括：

改进蒙特卡罗模拟算法包括第一次迭代求解和第二次迭代求解；设置第一次迭代求解的迭代轮数为N1；第二次迭代求解的迭代轮数为N2，初始化迭代轮数N1的输出功率取值范围为粗略范围区间；

所述第一次迭代求解的过程包括：

步骤1、随机初始化粗略功率样本；在粗略范围区间内，随机生成N3组粗略功率分配样本，粗略功率分配样本包含双输出通道功率的分配值Pi_1，Pi_2;

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

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

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

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

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

步骤4、在新的粗略范围区间内，随机产生新N4组样本，转至步骤2；重复迭代直至达到预定N1轮后，结束第一次迭代求解；得到最终粗略范围区间。

进一步地，所述第二次迭代求解的过程包括：

以最终粗略范围区间为起点，在最终粗略范围区间周围设置狭小范围作为精细范围区间；以精细范围区间作为迭代轮数为N2的输出功率取值范围；进行N2轮迭代；

步骤101、在精细范围区间内，随机生成N5组精细功率分配样本；

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

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

若精细温升响应值小于或等于精细安全温升上限/>；则改进蒙特卡罗模拟算法的精细适应度/>；选择当前最优精细功率分配样本，并记录其适应度值Sb1;

步骤103、以Sb1为中心利用精细自适应缩小函数缩小精细范围区间，得到新的精细范围区间;

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

步骤104、在新的精细范围区间内，随机产生新N5组样本，转至步骤102；重复迭代直至达到预定N2轮后，结束第二次迭代求解；选择最后一次第二次迭代求解中精细适应度最高的最优精细功率分配样本作为最终的输出功率分配方案；各个模块之间通过有线和/或无线的方式进行连接，实现模块间的数据传输。

进一步地，所述特征数据包括基础轮廓和生物特性数据；

所述基础轮廓的获取方式包括：

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

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

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

进一步地，所述特征三维模型的建立方式包括：

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

光滑二维轮廓具有N个轮廓层；提取相邻的轮廓层中的轮廓点；

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

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

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

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

进一步地，所述匹配卷积神经网络的训练方式包括：

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

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

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

在分布函数的函数值中选择函数值最大的点作为匹配点；构成匹配映射关系集合；

定义输出层的损失函数;其中，/>和/>分别为将轮廓点/>和轮廓点/>进行定位化；/>为卷积核的参数；

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

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

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

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

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

进一步地，所述自适应动量梯度下降方法的计算公式为：

；

；

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

所述学习率策略的计算公式为：

；

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

进一步地，所述生成轮廓层之间的中间轮廓的方式包括：

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

针对每一个轮廓点；计算其与内切圆圆心的距离/>；

；

利用偏置公式沿轮廓点和圆心连线方向进行偏置；获得偏置后的轮廓点集合；

偏置公式为；；其中，/>为偏置后的轮廓点；

利用偏置后的轮廓点集合不断进行三次样条曲线插值，即获取到中间轮廓。

进一步地，所述组织温升特征函数的获取方式包括：

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

应用热传导微分方程，建立每个四面体单元之间的热量传递关系；

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

在四面体单元的界面设置热流密度与温度梯度之间的关系函数；

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

在特征三维模型的表面设置热流密度与环境温度/>的对流关系函数；

对流关系函数；其中，/>为对流换热系数；/>为组织表层基础温度；

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

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

本发明一种高频超声手术的双输出管理系统的技术效果和优点：

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

附图说明

图1为本发明的一种高频超声手术的双输出管理系统示意图；

图2为本发明的一种高频超声手术的双输出管理方法示意图；

图3为本发明的电子设备示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例一

请参阅图1所示，本实施例所述一种高频超声手术的双输出管理系统，包括：

数据采集模块，用于获取手术目标组织的特征数据和历史输出功率组合数据；

模型构建模块，用于将特征数据进行算法组合处理获取特征三维模型；

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

调控模块，用于根据m个组织温升特征函数利用改进蒙特卡罗模拟算法，获取输出功率分配方案；将输出功率分配方案应用于高频超声手术的双输出通道；各个模块之间通过有线和/或无线的方式进行连接，实现模块间的数据传输。

进一步的，所述特征数据包括基础轮廓和生物特性数据；

所述基础轮廓的获取方式包括：

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

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

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

进一步的，所述特征三维模型的建立方式包括：

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

光滑二维轮廓具有N个轮廓层；提取相邻的轮廓层中的轮廓点；

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

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

输入层用于接收轮廓点的特征向量，定长200维；特征提取分支1包括2个卷积层（卷积核5x5，步长2，数量分别为32和64），2个池化层（池化核2x2，步长2），1个全连接层（256个神经元）；特征提取分支2包括1个卷积层（卷积核3x3，步长1，数量为128），3个池化层（池化核2x2，步长2），1个全连接层（512个神经元）；特征提取分支3包括1个卷积层（卷积核5x5，步长1，数量为256），1个池化层（池化核3x3，步长2），1个全连接层（1024个神经元）；独立池化层用于将3个分支的特征向量进行拼接；2个独立全连接层的神经元数量分别为2048和500；用于进行非线性转换；

输出层用于输出匹配可能性分布，定义匹配可能性分布的分布函数，表示输入轮廓点/>与另一轮廓层上的轮廓点/>的匹配概率；采用softmax函数将匹配特征/>转换为分布函数/>；其中，匹配特征/>为独立全连接层得到的匹配特征；表示轮廓点/>和轮廓点/>之间的关联度；/>为轮廓点索引；

在分布函数的函数值中选择函数值最大的点作为匹配点；构成匹配映射关系集合；

定义输出层的损失函数;其中，/>和/>分别为将轮廓点/>和轮廓点/>进行定位化；/>为卷积核的参数；

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

所述自适应动量梯度下降方法的计算公式为：

；

；

其中，为动量项，是梯度的指数移动平均；/>为动量系数；/>为损失函数对参数/>的求导；/>为损失函数对参数/>的梯度；/>表示更新后的动量项；

所述学习率策略的计算公式为：

；

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

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

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

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

映射误差；其中，/>为轮廓层的轮廓点的数量；/>为第/>个轮廓点的坐标；/>表示/>在映射关系下的匹配点的坐标；

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

需要说明的是，匹配点阈值的预设方式包括：

将轮廓匹配数据集划分出验证集，在验证集上测试网络匹配效果，计算匹配误差指标RMSE；初始设置一个匹配点阈值；多次改变匹配点阈值，重新计算验证集上的RMSE，绘制RMSE-阈值曲线；分析RMSE-阈值曲线的变化趋势，确定曲线拐点附近的阈值；该阈值使得略微放宽约束时匹配效果变化不大，则将其选为匹配点阈值。

所述校正公式为：；其中，/>为矫正后的匹配点的坐标；/>为需要矫正的匹配点的坐标；/>为另一轮廓层的匹配点的坐标；/>为精调系数，用于控制矫正的步长和方向；实现了相邻的轮廓层之间的匹配，并提高了匹配的准确性；

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

所述生成轮廓层之间的中间轮廓的方式包括：

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

针对每一个轮廓点；计算其与内切圆圆心的距离/>；

；

利用偏置公式沿轮廓点和圆心连线方向进行偏置；获得偏置后的轮廓点集合；

偏置公式为；；其中，/>为偏置后的轮廓点；

利用偏置后的轮廓点集合不断进行三次样条曲线插值，即获取到中间轮廓；

需要说明的是，三次样条曲线插值是一种用于逼近离散数据点的平滑曲线的数学方法；使用三次多项式来拟合数据，并通过连接这些多项式构建一条平滑的曲线，从而使曲线在连接点处具有连续的一、二阶导数；通过不断的三次样条曲线插值，获取若干条平滑的曲线，即为中间轮廓；最终重构出目标组织完整的三维基础轮廓，即为特征三维模型。

进一步的，所述组织温升特征函数的获取方式包括：

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

应用热传导微分方程，建立每个四面体单元之间的热量传递关系；

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

在四面体单元的界面设置热流密度与温度梯度之间的关系函数；

关系函数为：；其中，/>和/>分别为相邻单元的法向温度梯度；为法向的方向向量；法向温度梯度是指温度在法向上的变化率；

在特征三维模型的表面设置热流密度与环境温度/>的对流关系函数；

对流关系函数；其中，/>为对流换热系数；/>为组织表层基础温度；

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

所述热传导差分方程的获取过程为将热传导微分方程进行空间离散化，转换为代数方程组；求取热传导差分方程的数值解的过程为采用显式欧拉方法对代数方程组进行时间域求解；

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

进一步的，所述输出功率分配方案的获取方式包括：

改进蒙特卡罗模拟算法包括第一次迭代求解和第二次迭代求解；设置第一次迭代求解的迭代轮数为N1；第二次迭代求解的迭代轮数为N2，初始化迭代轮数N1的输出功率取值范围为粗略范围区间；

所述第一次迭代求解的过程包括：

步骤1、随机初始化粗略功率样本；在粗略范围区间内，随机生成N3组粗略功率分配样本，粗略功率分配样本包含双输出通道功率的分配值Pi_1，Pi_2;

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

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

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

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

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

步骤4、在新的粗略范围区间内，随机产生新N4组样本，转至步骤2；重复迭代直至达到预定N1轮后，结束第一次迭代求解；得到最终粗略范围区间；

所述第二次迭代求解的过程包括：

以最终粗略范围区间为起点，在最终粗略范围区间周围设置狭小范围作为精细范围区间；以精细范围区间作为迭代轮数为N2的输出功率取值范围；进行N2轮迭代；

步骤101、在精细范围区间内，随机生成N5组精细功率分配样本；

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

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

若精细温升响应值小于或等于精细安全温升上限/>；则改进蒙特卡罗模拟算法的精细适应度/>；选择当前最优精细功率分配样本，并记录其适应度值Sb1;

步骤103、以Sb1为中心利用精细自适应缩小函数缩小精细范围区间，得到新的精细范围区间;

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

步骤104、在新的精细范围区间内，随机产生新N5组样本，转至步骤102；重复迭代直至达到预定N2轮后，结束第二次迭代求解；选择最后一次第二次迭代求解中精细适应度最高的最优精细功率分配样本作为最终的输出功率分配方案。

需要说明的是，获取输出功率分配方案是一个动态的过程，根据待手术的组织范围的不同进行动态调整；

所述的精细安全温升上限和粗略安全温升上限的预设方式包括：

1、查阅文献，收集不同人体组织在接受高频超声照射时的安全温升阈值，查询历史手术的准则和标准，其中可能会给出关于温升控制的数值要求，为参考区间；

2、调阅过去高频超声成像及治疗中出现过热损伤的案例，分析问题发生的温升临界条件，确定安全温升的下限；

3、利用改进蒙特卡罗算法进行多次迭代模拟，绘制不同温升上限条件下求解效率与精度的关系曲线，确定合适的预设值。

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

实施例2

请参阅图2所示，本实施例未详细叙述部分见实施例1描述内容，提供一种高频超声手术的双输出管理方法，包括：

S1、获取手术目标组织的特征数据和历史输出功率组合数据；

S2、将特征数据进行算法组合处理获取特征三维模型；

S3、根据特征三维模型和历史输出功率组合数据获取m个组织温升特征函数；

S4、根据m个组织温升特征函数利用改进蒙特卡罗模拟算法，获取输出功率分配方案；将输出功率分配方案应用于高频超声手术的双输出通道。

实施例3

请参阅图3所示，本实施例公开提供了一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述所提供的所述一种高频超声手术的双输出管理方法的运行方式。

由于本实施例所介绍的电子设备为实施本申请实施例中一种高频超声手术的双输出管理方法所采用的电子设备，故而基于本申请实施例中所介绍的一种高频超声手术的双输出管理方法，本领域所属技术人员能够了解本实施例的电子设备的具体实施方式以及其各种变化形式，所以在此对于该电子设备如何实现本申请实施例中的方法不再详细介绍。只要本领域所属技术人员实施本申请实施例中一种高频超声手术的双输出管理方法所采用的电子设备，都属于本申请所欲保护的范围。

上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数以及阈值选取由本领域的技术人员根据实际情况进行设置。

以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术用户来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (8)

1.一种高频超声手术的双输出管理系统，其特征在于，包括：数据采集模块，用于获取手术目标组织的特征数据和历史输出功率组合数据；

模型构建模块，用于将特征数据进行算法组合处理获取特征三维模型；

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

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

所述输出功率分配方案的获取方式包括：

改进蒙特卡罗模拟算法包括第一次迭代求解和第二次迭代求解；设置第一次迭代求解的迭代轮数为N1；第二次迭代求解的迭代轮数为N2，初始化迭代轮数N1的输出功率取值范围为粗略范围区间；

所述第一次迭代求解的过程包括：

步骤1、随机初始化粗略功率样本；在粗略范围区间内，随机生成N3组粗略功率分配样本，粗略功率分配样本包含双输出通道功率的分配值Pi_1，Pi_2;

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

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

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

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

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

步骤4、在新的粗略范围区间内，随机产生新N4组样本，转至步骤2；重复迭代直至达到预定N1轮后，结束第一次迭代求解；得到最终粗略范围区间；

所述第二次迭代求解的过程包括：

以最终粗略范围区间为起点，在最终粗略范围区间周围设置狭小范围作为精细范围区间；以精细范围区间作为迭代轮数为N2的输出功率取值范围；进行N2轮迭代；

步骤101、在精细范围区间内，随机生成N5组精细功率分配样本；

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

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

若精细温升响应值小于或等于精细安全温升上限/>；则改进蒙特卡罗模拟算法的精细适应度/>；选择当前最优精细功率分配样本，并记录其适应度值Sb1;

步骤103、以Sb1为中心利用精细自适应缩小函数缩小精细范围区间，得到新的精细范围区间;

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

步骤104、在新的精细范围区间内，随机产生新N5组样本，转至步骤102；重复迭代直至达到预定N2轮后，结束第二次迭代求解；选择最后一次第二次迭代求解中精细适应度最高的最优精细功率分配样本作为最终的输出功率分配方案；各个模块之间通过有线和/或无线的方式进行连接，实现模块间的数据传输。

2.根据权利要求1所述的一种高频超声手术的双输出管理系统，其特征在于，所述特征数据包括基础轮廓和生物特性数据；

所述基础轮廓的获取方式包括：

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

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

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

3.根据权利要求2所述的一种高频超声手术的双输出管理系统，其特征在于，所述特征三维模型的建立方式包括：

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

光滑二维轮廓具有N个轮廓层；提取相邻的轮廓层中的轮廓点；

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

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

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

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

4.根据权利要求3所述的一种高频超声手术的双输出管理系统，其特征在于，所述匹配卷积神经网络的训练方式包括：

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

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

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

在分布函数的函数值中选择函数值最大的点作为匹配点；构成匹配映射关系集合；

定义输出层的损失函数;其中，/>和/>分别为将轮廓点/>和轮廓点/>进行定位化；/>为卷积核的参数；

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

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

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

5.根据权利要求4所述的一种高频超声手术的双输出管理系统，其特征在于，所述映射误差；其中，/>为轮廓层的轮廓点的数量；/>为第/>个轮廓点的坐标；/>表示/>在映射关系下的匹配点的坐标；

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

6.根据权利要求5所述的一种高频超声手术的双输出管理系统，其特征在于，所述自适应动量梯度下降方法的计算公式为：

；

；

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

所述学习率策略的计算公式为：

；

其中，为学习率；/>为初始学习率；/>为训练的迭代步数；/>为控制学习率衰减速度的参数；/>为热重启周期。

7.根据权利要求6所述的一种高频超声手术的双输出管理系统，其特征在于，所述生成轮廓层之间的中间轮廓的方式包括：

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

针对每一个轮廓点；计算其与内切圆圆心的距离/>；

；

利用偏置公式沿轮廓点和圆心连线方向进行偏置；获得偏置后的轮廓点集合；

偏置公式为；；其中，/>为偏置后的轮廓点；

利用偏置后的轮廓点集合不断进行三次样条曲线插值，即获取到中间轮廓。

8.根据权利要求7所述的一种高频超声手术的双输出管理系统，其特征在于，所述组织温升特征函数的获取方式包括：

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

应用热传导微分方程，建立每个四面体单元之间的热量传递关系；

热传导微分方程为：；其中，/>为导热系数；温度场/>是描述空间三维坐标/>和时间/>的温度分布的函数；

在四面体单元的界面设置热流密度与温度梯度之间的关系函数；

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

在特征三维模型的表面设置热流密度与环境温度/>的对流关系函数；

对流关系函数；其中，/>为对流换热系数；/>为组织表层基础温度；

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

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