CN215305780U - 评估甲状旁腺存活率的系统 - Google Patents

评估甲状旁腺存活率的系统 Download PDF

Info

Publication number
CN215305780U
CN215305780U CN202120043580.8U CN202120043580U CN215305780U CN 215305780 U CN215305780 U CN 215305780U CN 202120043580 U CN202120043580 U CN 202120043580U CN 215305780 U CN215305780 U CN 215305780U
Authority
CN
China
Prior art keywords
parathyroid gland
image
information
light
parathyroid
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.)
Active
Application number
CN202120043580.8U
Other languages
English (en)
Inventor
李忠熙
申一亨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Inthesmart Co Ltd
Original Assignee
Inthesmart Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Inthesmart Co Ltd filed Critical Inthesmart Co Ltd
Application granted granted Critical
Publication of CN215305780U publication Critical patent/CN215305780U/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/42—Detecting, measuring or recording for evaluating the gastrointestinal, the endocrine or the exocrine systems
    • A61B5/4222—Evaluating particular parts, e.g. particular organs
    • A61B5/4227—Evaluating particular parts, e.g. particular organs endocrine glands, i.e. thyroid, adrenals, hypothalamic, pituitary
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/026—Measuring blood flow
    • A61B5/0261—Measuring blood flow using optical means, e.g. infrared light
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2576/00—Medical imaging apparatus involving image processing or analysis
    • A61B2576/02—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Physiology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Artificial Intelligence (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Cardiology (AREA)
  • Psychiatry (AREA)
  • Urology & Nephrology (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Hematology (AREA)
  • Signal Processing (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Endocrinology (AREA)
  • Gastroenterology & Hepatology (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本实用新型提供一种评估甲状旁腺存活率的系统，包括：存储单元、信息提取器以及处理器。存储单元用于存储由近红外传感器检测到的受试者甲状旁腺的图像；信息提取器用于从图像中提取特征信息；以及处理器包括可输入特征信息的机器学习模型，并根据机器学习模型从特征信息生成甲状旁腺的血流指数。借此，本实用新型的评估甲状旁腺存活率的系统，可以准确的评估甲状旁腺的存活率。

Description

评估甲状旁腺存活率的系统
技术领域
本实用新型关于一种评估组织的存活率，更具体地，关于一种用于在甲状腺区域手术期间评估甲状旁腺存活率的系统。
背景技术
甲状旁腺是附着于甲状腺的内分泌器官，并且通常由甲状腺的上、下、左和右区域中的四个小组织所组成。甲状旁腺分泌甲状旁腺激素并调节体液中钙和磷的代谢。当甲状旁腺不正常活动或被清除时，血液中的钙减少，全身所有部位都会发生个别的肌肉痉挛。
在对甲状旁腺进行手术时，需要准确地识别甲状旁腺的位置。通常，在允许患者服用造影剂后，通过向甲状腺区域照射特定波长的光来识别甲状旁腺的位置，但这具有使患者感到心理负担的问题。
此外，在手术过程中，可能有必要根据甲状旁腺的存活率来确定是否去除甲状旁腺。在这种情况下，评估甲状旁腺的存活率完全取决于操作者的经验判断。因此，根据操作者的个人经验差异可能得出不同的结果，并且可能导致由于不适当的判断而使可靠性大大降低的问题。
尤其，准确的识别、存活率评估和组织解剖结构的仔细保存对于减少并发症和改善手术结果至关重要。人类的视野有限，无法清楚地区分这些结构和状态。意外和/或无法识别的组织损伤会导致短期和长期的发病率以及可避免的死亡率。因此，在许多临床情况下，准确识别组织类型和精确评估组织灌注/存活率至关重要，目前依靠个别医生的经验进行视觉检查和触诊的标准存在局限性。
并且，患病组织的手术切除是普通外科手术中的常见程序。确认切除的确切范围仅基于组织的存活率和充足的血液供应。例如，在没有明确的界限和不确定的存活率的情况下，通常难以确定肠切除的边缘。如果病变广泛且容易患上短肠综合症、急性肠系膜缺血和坏死性小肠结肠炎，则外科医生往往会做出艰难的手术决定。肠切除不足会因为残留的坏死性肠导致败血症，而大肠切除会导致短肠综合症。如果血液供应不足，可能会发生吻合口漏和狭窄。因此，准确的术中组织存活率评估至关重要。但是，目前尚无标准化，也没有可用的实际设备。
因此，在本领域中存在迄今未解决的需要以解决前述的缺陷和不足。
实用新型内容
本实用新型的目的在于提供一种评估甲状旁腺存活率的系统，其能够准确的评估甲状旁腺的存活率。
为实现上述目的，本实用新型一方面提供了一种评估甲状旁腺存活率的系统，包括用于存储由近红外传感器检测到的受试者的甲状旁腺的图像的存储单元；信息提取器，用于从图像中提取特征信息；以及处理器，包括可输入特征信息的机器学习模型，并基于所述机器学习模型从特征信息生成甲状旁腺的血流指数。
在本实用新型的一实施方式中，评估甲状旁腺存活率的系统进一步包括光源单元，将780nm至840nm波长带范围中选定波长的光照射到所述受试者的甲状旁腺区域。
在本实用新型的一实施方式中，特征信息包括具有关于血流信息的斑点对比度值(K)、甲状旁腺区域被近红外光照射的点和通过近红外传感器检测到的甲状旁腺区域之间的距离(r)，以及甲状旁腺区被近红外光照射的时间(T)。
在本实用新型的一实施方式中，特征信息包括受试者的临床信息，临床信息包括受试者的年龄、性别、病史、运动习惯、饮食习惯、吸烟和饮酒中的任一项。
在本实用新型的一实施方式中，机器学习模块可以包括深度神经网络(DNN)、卷积神经网络(CNN)和递归神经网络(RNN)中的至少一个。
本实用新型另一方面提供了一种评估甲状旁腺存活率的系统，包括存储单元，用于存储由近红外传感器检测到的受试者甲状旁腺的图像；信息提取器，用于从图像中提取特征信息；以及处理器，处理器包括基于参考特征信息的血液流动指数预先存储的查找表，并通过将受试者的甲状旁腺图像的特征信息与参考特征信息进行比较和匹配来生成血流指数。
在本实用新型的一实施方式中，评估甲状旁腺存活率的系统可以进一步包括光源单元，光源单元从780nm至840nm波长带范围中选定波长的光照射到对象的甲状旁腺区域。
在本实用新型的一实施方式中，特征信息可包括以下至少之一：具有关于血流信息的斑点对比度值(K)、甲状旁腺区域被近红外光照射的点和通过近红外传感器检测到的甲状旁腺区域之间的距离(r)，以及甲状旁腺区被近红外光照射的时间(T)。
与现有技术相比，根据本实用新型的评估甲状旁腺存活率的系统，其能够准确的评估甲状旁腺的存活率。
附图说明
参考本实用新型的实施例，其示例可以在附图中示出。这些附图仅是说明性的，而非限制性的。尽管一般在这些实施例的上下文中描述了本实用新型，但是应当理解，其并不旨在将本实用新型的范围限制为这些特定实施例。
图1示出了根据本实用新型实施例的例示性甲状腺和例示性甲状旁腺。
图2示出了根据本实用新型实施例的用于识别甲状旁腺和评估甲状旁腺的存活率的设备的示意图。
图3示出了流程图，所述流程图示出了根据本实用新型实施例的识别甲状旁腺和评估甲状旁腺的存活率的例示性步骤。
图4示出了根据本实用新型实施例的识别甲状旁腺位置的设备的示意图。
图5示出了根据本实用新型实施例的设备获取的灰阶图像和第一图像。
图6示出了根据本实用新型实施例的评估甲状旁腺的存活率的设备的示意图。
图7示出了一种根据本实用新型实施例的设备获取第二图像的示意图。
图8A和图8B示出了根据本实用新型实施例的设备获取的灰阶图像和第二图像。
图9示出了根据本实用新型实施例的用于评估甲状旁腺的存活率的设备的示意图。
图10示出了使用根据本实用新型实施例的设备来评估甲状旁腺存活率的第一方法的示意图。
图11示出了使用根据本实用新型实施例的设备来评估甲状旁腺存活率的第二方法的示意图。
主要附图标记说明：
t-甲状腺，g-甲状旁线，B-主体，D1～D2-扩散斑点图案，R-甲状旁腺手术区域，K-对比度值，r-距离，s-点，T-时间，10-图像，13-机器学习模型，30-信息提取，100-设备，105-光源单元，107-光源驱动器，110-内窥镜组件，111-处理器，111a-查找表，112-抓握部，113-存储单元，113a-图像数据，113b-图像软件，113c-操作系统，114-系统总线，115-存储装置，115a-图像数据，115b-图像软件，115c-操作系统，117-输入/输出接口，118-网络适配器，119-显示适配器，120-偏振帽，130-镜，140a-第一透镜，140b-第二透镜，150-红外光分离器，160a-第一过滤器，160b-第二过滤器，170-偏振透镜，180-颜色传感器，190-近红外传感器，190a-第一近红外传感器，190b-第二近红外传感器，195-处理器，200-显示装置，310～330-远程计算装置，500-系统，S1～S4-步骤。
具体实施方式
在下面的描述中，出于解释的目的，阐述了具体细节以便提供对本实用新型的理解。然而，对本领域技术人员显而易见的是，可以在没有这些细节的情况下实施本实用新型。此外，本领域的技术人员将认识到，以下描述的本实用新型的实施例可以以多种方式来实现，例如工艺、设备、系统、装置或有形电脑可读介质上的方法。
附图中所示的组件是本实用新型的例示性实施例的说明，并且旨在避免使本实用新型晦涩难懂。应当理解，在整个讨论中，组件可以被描述为单独的功能单元，其可以包括子单元，但是本领域技术人员将认识到，各种组件或其部分可以划分为单独的组件，或者可以集成在一起，包括集成在单个系统或组件中。应当注意，本文讨论的功能或操作可以被实现为软件、硬件或其组合中的组件。
还应注意，术语“耦合”、“连接”或“通信地耦合”应理解为包括直接连接，通过一个或多个中间设备的间接连接以及无线连接。
此外，本领域技术人员将认识到：(1)可以可选地执行某些步骤；(2)步骤可能不限于此处列出的特定顺序；以及(3)某些步骤可以以不同的顺序执行，包括同时执行。
在说明书中对“一个实施例”、“优选实施例”、“一实施例”或“实施例”的引用意味着结合所述实施例描述的特定特征、结构、特性或功能至少包括在其中本实用新型的一个实施例，并且可以在一个以上的实施例中。在说明书中各个地方出现的短语“在一个实施例中”、“在一实施例中”或“在实施例中”不一定都指的是同一实施例。
在以下的说明中，还应注意，术语“学习”应理解为不旨在诸如人类教育活动之类的心理动作，因为是指通过诸如处理器、CPU之类的处理模块执行机器学习、应用处理器、微控制器等。
图1示出了根据本实用新型实施例的例示性甲状腺和例示性甲状旁腺。
如图所示，通常，由甲状腺上、下、左、右四个区域的四个小组织组成的甲状旁腺g位于颈部前中央的甲状腺t的后面。如背景技术描述中所述，在对甲状旁腺g进行手术时，准确地识别甲状旁腺g的位置并了解甲状旁腺g的存活率非常重要。因此，根据本实用新型的实施例，所述系统和方法能够使用具有特定区域的波长的光从甲状腺获得的图像信息来识别甲状旁腺g的位置，并提供了评估甲状旁腺存活率的方法。
图2示出了根据本实用新型实施例的用于识别甲状旁腺和评估甲状旁腺的存活率的设备的示意图。
如图所示，设备100可以包括光源单元105、内窥镜组件110、颜色传感器180、第一近红外传感器190a、第二近红外传感器190b以及光源驱动器107。在本实用新型中，结合甲状腺切除术以阐述识别甲状旁腺和评估甲状旁腺的存活率。然而，对于本领域的普通技术人员来说显而易见的是，可以在任何其他外科手术过程中将识别和评估作为术中过程来进行。
在实施例中，光源单元105可以联接到内窥镜组件110的一侧，以将具有在预设波长范围内选择的波长的光照射到甲状旁腺手术区域或甲状旁腺。在实施例中，光源单元105可以在与从甲状旁腺手术区域入射到内窥镜组件110上的光平行的方向上照射光。尽管未在图2中示出，但是光源单元105可以将照射光的角度控制在预定范围内。对于本领域的技术人员将显而易见的是，可以容易地形成光源单元105以控制照射的光的角度。
在实施例中，光源单元105可以包括能够在可见或近红外区域中产生光的发光二极管(LED)，或在近红外区域中产生光的激光二极管(LD)。在这种情况下，可以从780nm至840nm范围内的波长带中选择近红外区域的波长。
在实施例中，当通过颜色传感器180、第一近红外传感器190a和第二近红外传感器190b执行图像拾取时，光源单元105可以将光照射到对应的区域，例如甲状旁腺手术区域、甲状旁腺以用于捕获图像。在替代实施例中，光源单元105可以包括诸如扩散透镜、聚焦透镜之类的功能透镜，以将光聚焦或扩散在相应区域上。
在实施例中，光源驱动单元107可以控制光源单元105并且选择性地控制从光源单元105产生的光的区域。例如，当由颜色传感器180执行图像拾取时，光源驱动单元107可以控制照射可见光的光源单元105的LED使其工作，以及在第一近红外传感器190a和第二近红外传感器190b进行图像拾取的同时，控制光源单元105的LED或光源单元105的LD照射近红外光。
在实施例中，内窥镜组件110是用于获取从光源单元105照射光的甲状旁腺手术区域的图像信息的媒介。内窥镜组件110可以包括使用户能够容易地抓握内窥镜组件110的抓握部112，并且可以在内窥镜组件110的远侧部分处设置偏振帽120。通过图2可以理解，由于内窥镜组件110的详细结构和操作过程对于本领域技术人员是显而易见的，因此将省略其详细描述。
在实施例中，颜色传感器180可以通过从内窥镜组件110获取的图像信息中检测可见区域来实现彩色图像。
在实施例中，相似地，第一近红外传感器190a可通过从内窥镜组件110获取的图像信息中检测第一红外区域，并实现用于识别甲状旁腺的位置的第一图像，以及第二近红外传感器190b可以通过从内窥镜组件110获取的图像信息中检测第二红外区域，并实现用于评估甲状旁腺的存活率的第二图像。在这种情况下，第一红外区域和第二红外区域可以具有不同的波段。例如，由第一近红外传感器190a检测到的第一红外区域可以是通过从光源单元105向甲状旁腺照射具有780nm至805nm范围的光而产生的波长带，以及第二红外区域由第二近红外传感器190b检测到的波长带可以是通过从光源单元105向甲状旁腺照射具有820nm至840nm范围的光而产生的波长带。
根据本实用新型实施例的设备100，还可包括镜130，其用于将通过内窥镜组件110获取的图像信息的可见光朝着颜色传感器180反射，并且将图像信息的红外光朝着第一近红外传感器190a和第二近红外传感器190b透射；第一透镜140a，其用于在图像信息的光到达镜130之前使图像信息的光穿过；第二透镜140b，其用于使由镜130反射的可见光通过。
另外，根据本实用新型实施例的设备100，还可包括红外光分离器150，其用于分离第一红外区域和第二红外区域的红外光，并将红外光分别向第一近红外传感器190a和第二近红外传感器190b透射；第一过滤器160a，其用于过滤第一红外区域的红外光，以及第二过滤器160b，其用于过滤第二红外区域的红外光。
需注意的是，设备100可以包括设置在第一滤光器160a和第一近红外传感器190a之间的偏振透镜170。还需注意的是，装置100还可包括处理器195，其用于处理彩色图像、第一图像和第二图像，以及显示装置200，其用于显示由处理器195处理的第一图像和第二图像。
在实施例中，处理器可以是但不限于用于处理各种图像的CPU或存储器。在实施例中，对于本领域普通技术人员将显而易见的是，可以通过应用诸如能够显示图像的LCD之类的任何装置来使用显示装置200。
图3示出了流程图，所述流程图示出了根据本实用新型实施例的识别甲状旁腺和评估甲状旁腺的存活率的例示性步骤。
如图3所示，所述工艺开始于步骤S1。在步骤S1中，光源单元105将预设波长范围内的选定波长的光照射到甲状旁腺手术区域或甲状旁腺。在这种情况下，选择的波长可以是可见光波段或近红外光波段。
接着，在步骤S2中，第一近红外传感器190a可以获取照射光的甲状旁腺手术区域的图像信息，以及颜色传感器180可以通过从甲状旁腺手术区域的图像信息中分离的可见区域来获取彩色图像。
在步骤S3中，可以从图像信息分离出第一红外区域和第二红外区域。接着，在步骤S4中，可以从分离的第一红外区域获取第一图像以识别甲状旁腺的位置，并且可以从分离的第二红外区域获取第二图像以评估甲状旁腺的存活率。在这种情况下，可以选择性地执行获取第一图像或获取第二图像。
与此同时，在替代实施例中，通过照射可见光区域和近红外光区域的光来获得彩色图像。然而，可以通过仅照射可见光区域的光或通过在手术环境中使用自然光而无需光源单元的操作来获取彩色图像。也就是说，可以从环境光中被动获取场景信息，而无需激发光或任何能量传递。其后，可以通过将所选择的近红外区域的光照射到甲状旁腺手术区域上来获得第一图像和第二图像。
图4示出了根据本实用新型实施例的识别甲状旁腺位置的设备的示意图。
如图所示，在识别甲状旁腺的位置的过程中，通过光源单元105将光照射至甲状旁腺手术区域R。此时，照射的光可以是漫射光，也可以是波长带在780nm至840nm范围内的近红外光。对于本领域普通技术人员将显而易见的是，可以通过控制可能包括在光源单元105中的任何透镜以简单地产生漫射光。
因此，从甲状旁腺手术区域R产生的反射光被传输到内窥镜组件110的主体B内部，并且第一图像由第一近红外传感器190a实现。此时，在第一图像中，位于甲状旁腺手术区域R中的甲状旁腺g似乎具有比其他区域更高的发光强度。即，甲状旁腺g将在第一红外区域发出自发荧光，其范围为780nm至805nm。如此，设备100的操作者可以通过第一图像容易地识别甲状旁腺g的位置。
图5示出了根据本实用新型实施例的设备获取的彩色图像和第一图像。
如图所示，在第一图像b上，通过黄色圆圈突出显示的区域中显示的组织由于其自身荧光而具有比周围区域更高的亮度。据此，所述组织可以被识别为甲状旁腺。
另一方面，甲状旁腺在第一红外区域的自发荧光可以被识别为甲状旁腺的位置，但由于在确定甲状旁腺的位置时第一红外线在甲状腺区域其他组织中产生的表面反射，错误的位置可能被认为是甲状旁腺的位置，或其他组织可能被误认为甲状旁腺。为了防止识别出错误的甲状旁腺位置，在本实用新型的实施例中，使用颜色传感器180来实现a中所示的甲状腺的彩色图像，以及自发荧光图像，例如，使用第一近红外传感器190a从甲状旁腺实现的第一图像，彩色图像和自发荧光图像可以由处理器195彼此叠加，从而产生能够在视觉上与其他组织区分开的融合图像。然后，融合图像可以显示在显示装置200上。因此，可以提高识别甲状旁腺位置的准确性。
图6示出了根据本实用新型实施例的评估甲状旁腺的存活率的设备的示意图。
如图所示，在评估甲状旁腺的存活率的过程中，通过使用光源单元105聚焦在甲状旁腺g的一个或多个特定点s上来照射光。此时，照射光可以是用于聚焦在特定点上的光，并且可以是波长带在820nm至840nm范围内的近红外光。对于本领域普通技术人员将显而易见的是，可以通过控制包含在光源单元105中的任何透镜来容易地产生聚焦光。因此，通过近红外光从甲状旁腺g产生扩散斑点图案(D1，D2)，并且由第二近红外传感器190b获取的第二图像可以包括基于扩散斑点图案的斑点图案信息。其后，在实施例中，设备100可以使用包括在第二图像中的扩散斑点图案信息来评估甲状旁腺的存活率。
在任一情况下，尽管未在图6中示出，但是在评估甲状旁腺活力的过程中，通过使用光源单元105聚焦在靠近甲状旁腺g的区域来照射光。如上所述，照射的光可以是用于聚焦在甲状旁腺g附近的区域的光，并且可以是如上所述的波长范围为820nm至840nm的近红外光。因此，斑点图案从甲状旁腺(g)的邻近区域扩散到甲状旁腺g，从而在甲状旁腺g中产生斑点图案。斑点图案可以由第二近红外传感器190b转换为包括斑点图案信息的第二图像。其后，相似于上述情况，设备100可以使用第二图像中包括的扩散斑点图案信息来评估甲状旁腺的存活率。
与此同时，取决于照射近红外光的点与第二近红外传感器190b获取的第二图像的区域之间的距离r，扩散斑点图案可以在数量上或质量上不同地出现。因此，在实施例中，装置100可以优化距离r，即使对扩散斑点图案进行定量或定性分析也可以产生可靠的结果。
在实施例中，光源单元105的纵轴可优选地设置在平行于内窥镜组件110的纵轴的方向上。这是为了当通过内窥镜组件110获得由光源单元105的近红外光产生的斑点图案的斑点图案信息时，防止由于近红外光引起的噪点。也就是说，如果由内窥镜组件110获取的视窗图像不仅包括产生斑点图案的区域，且包括近红外光聚焦的特定点，则由于聚焦光引起的斑点图案信息的可靠性降低。因此，在实施例中，至少光源单元的聚焦光被照射到的区域与用于获得斑点图案的视窗图像的区域必须彼此不同。
另外，尽管在附图中未示出，但是在实施例中，设备100可以进一步包括各种传感器，诸如用于识别甲状旁腺位置并评估甲状旁腺存活率的温度传感器。设备100可以使用从传感器在空间或时间上获得的信息来识别甲状旁腺的位置并评估甲状旁腺的存活率。
图7示出了一种根据本实用新型实施例的设备获取第二图像的方法的示意图。
如图7左侧所示，首先，可以通过第二近红外传感器190b获得第二图像的原始图像(原始CCD图像)。其后，如图7右侧所示，斑点对比度值(Ks)是血流信息，例如血流速度，可以藉由使用预定公式计算为第二图像的原始图像的像素，并且使用斑点对比度值(Ks)生成原始图像的对比度图。下面给出预定公式的更详细描述。接着，可以根据对比度图来匹配每个像素的彩色灰度级以生成第二图像。
在实施例中，可以使用时间对比，空间对比和时空对比中的至少一种来形成对比图。例如，在时间对比度的情况下，可以通过计算构成原始图像的帧图像的像素的斑点对比度值(Ks1，Ks2，Ks3，…)并将它们彼此进行比较来生成对比度图。在空间对比度的情况下，可以通过将原始图像的所有像素划分为像素组来生成对比度图，计算每个像素组中包括的一个像素的斑点对比度值(Ks1)和其余像素的斑点对比度值(Ks2)，并将它们彼此进行比较。在时空对比的情况下，可以通过混合时间对比和空间对比来生成对比图。
图8A和图8B示出了根据本实用新型实施例的设备获取的彩色图像和第二图像。
如图8A所示，(a)是通过颜色传感器180采集的甲状旁腺的彩色图像，(b)是通过第二近红外传感器190b采集的甲状旁腺的第二图像。第二图像是通过基于上述图7中的对比度图使彩色灰度与每个像素相对应而获得的图像。在第二图像(b)中，示出了甲状旁腺在生物学上是存活的，因为与甲状旁腺的位置相对应的像素的斑点对比度值(Ks)小于预设阈值。
如图8B所示，(a)是通过颜色传感器180采集的甲状旁腺的彩色图像，(b)是通过第二近红外传感器190b采集的甲状旁腺的第二图像。类似于图8A，第二图像是通过基于上述图7中的对比度图使彩色灰度与每个像素相对应而获得的图像。在第二图像(b)中，示出了甲状旁腺在生物学上是死亡的，因为与甲状旁腺的位置相对应的像素的斑点对比度值(Ks)超过了预设的阈值。
同时，在处理第二图像时，可以通过以下方程式1至4将斑点对比度值(K)导出为一维数值。
[方程式1]
Figure BDA0002889220530000121
其中，K是斑点对比度，T是甲状旁腺手术区域暴露于第二近红外光的暴露时间，g1是电场自相关函数，ρ是光源和检测器之间的距离，τ是延迟时间。
[方程式2]
Figure BDA0002889220530000122
其中，μ′s是散射系数，μa是吸收系数，αDB是血流指数。
[方程式3]
1/K2∝αDB(血流指数)
[方程式4]
K＝σ/I
其中，σ是散斑强度的标准偏差，I是平均强度。
在方程式4中，组织中实验测量的斑点对比度的K值，例如，在方程式3的理论模型中，将甲状旁腺拟合至斑点对比度的K值。因此，通过将理论K值近似至实验K值来导出血流指数。
因此，根据本实用新型实施例的设备可以将选定的第一波长的光照射到甲状旁腺手术区域，在获取甲状旁腺手术区域的图像信息后，通过光分离过程准确地确定甲状旁腺的位置，并且根据本实用新型的实施例的设备可以将选定的第二波长的光照射到甲状旁腺或甲状旁腺的相邻区域，可以获得甲状旁腺中产生的扩散斑点图案，从而以高度可靠性对甲状旁腺进行存活率评估。
与此同时，应通过实验获得斑点对比度值(K)，并将斑点对比度值(K)放入非线性方程式3中，以逆算血流指数(αDB)。因此，需要通过数学逆算法来解决用于评估甲状旁腺的存活率的设备的高计算能力。
在实施例中，可以提供能够在不使用机器学习模型进行复杂计算的情况下，获得血流指数并实时评估甲状旁腺存活率的系统和方法。
本实用新型的系统可以与许多其他通用或专用计算系统环境或配置一起操作。适用于所述系统和方法的众所周知的计算系统、环境和/或配置的示例包括但不限于个人电脑、服务器电脑、笔记本电脑装置和多处理器系统。附加示例包括机顶盒、可编程消费电子产品、网络PC、小型电脑、大型电脑，包括上述系统或装置中任一个的分布式计算环境等。
所公开的方法和系统的处理可以由软件组件执行。可以在由一个或多个电脑或其他设备执行的电脑可执行指令(例如程序模块)的一般上下文中描述所公开的系统和方法。通常，程序模块包括执行特定任务或实现特定抽象数据类型的电脑代码、例程、程序、对象、组件、数据结构等。所公开的方法还可以在基于网格的分布式计算环境中实践，其中任务由通过通信网络链接的远程处理设备执行。在分布式计算环境中，程序模块可以位于包括内存存储装置在内的本地和远程电脑存储介质中。
此外，本领域的技术人员将理解，本文公开的系统和方法可以经由图9所示的计算设备300来实现。
图9示出了根据本实用新型实施例的用于识别评估甲状旁腺的存活率的系统的示意图。
如图所示，系统500可以包括内窥镜组件110，近红外传感器190，具有处理器111的计算设备300和显示装置200。通过内窥镜组件110获取的甲状旁腺的图像可以通过近红外传感器190将其光电转换为图像信号，并提供给处理器111。
在实施例中，计算设备300可以包括但不限于一个或多个处理器111或处理单元、存储单元113、存储装置115、输入/输出接口117、网络适配器118，显示适配器119，以及将包括其在内的各种系统组件连接到存储单元113的系统总线114。系统500可以进一步包括系统总线114以及其他通信机制。
在实施例中，处理器111可以是使用机器学习模型13自动处理的处理模块，并且可以是但不限于CPU(计算机处理单元)、AP(应用处理器)、微控制器、数字信号处理器等。此外，处理器111可以通过与用于显示装置200的硬件控制器(例如，显示适配器119)通信来在显示装置200上显示系统500的操作和用户界面。处理器111可以存取存储单元113，并且可以执行存储在存储单元113中的指令或一个或多个逻辑序列，以控制根据以下将描述的本实用新型实施例的系统的操作。可以从诸如静态存储器或磁盘驱动器之类的电脑可读介质在存储器中读取这些指令。在其他实施例中，可以使用配备有硬件和软件指令的硬连线电路。所述硬连线电路可以代替软件指令。所述逻辑序列可以是用于向处理器111提供指令的任意媒介，并且可以被加载到存储单元113中。
在实施例中，系统总线114可以代表几种可能类型的总线结构中的一种或多种，包括存储器总线或存储器控制器、外围总线、加速图形端口，以及使用各种总线架构中的任一种的处理器或本地总线。通过示例的方式，这样的架构可以包括工业标准架构(ISA)总线、微通道架构(MCA)总线、增强型ISA(EISA)总线、视频电子标准协会(VESA)本地总线、加速图形端口(AGP)总线、外围组件互连(PCI)、PCI-Express总线、个人电脑存储卡行业协会(PCMCIA)、通用串行总线(USB)等。并且，系统112以及本说明书中指定的所有总线也可以通过有线或无线网络连接来实现，并且每个子系统，包括处理器111、存储单元113、操作系统113c、图像软件113b、图像数据113a、网络适配器118、存储装置115、输入/输出接口117、显示适配器119和显示装置200可以包含在一个或多个通过总线连接的物理位置分开的远程计算装置310、320、330中这种形式，实际上是实现了一个完全分布式的系统。
包括总线的导线的传输介质可以包括同轴电缆、铜线和光纤中的至少一个。例如，传输介质可以采取在无线电波通信或红外数据通信期间产生的声波或光波的形式。
在实施例中，系统500可以通过网络连接或网络适配器118发送或接收包括消息、数据、信息以及一个或多个程序(即，应用代码)的指令。
在实施例中，网络适配器118可以包括单独的或集成的天线，用于使得能够通过网络链路进行发送和接收。网络适配器118可以存取网络并与诸如用于评估甲状旁腺的生存力的远程系统的远程计算装置310、320、330通信。
在实施例中，网络可以包括LAN、WLAN、PSTN和蜂窝电话网络中的至少之一，但是不限于此。网络适配器118可以包括网络接口和用于访问网络的移动通信模块中的至少一个。移动通信模块可被访问到移动通信网络中的每一世代，例如，2G到5G移动通信网络。
在实施例中，在接收到程序代码时，程序代码可以由处理器111执行，并且可以被存储在存储单元113的磁盘驱动器中或与磁盘驱动器不同类型的非易失性存储器中用于执行程序代码。
在实施例中，计算设备300可以包括各种电脑可读媒介。例示性可读媒介可以是计算设备300可存取的任何可用媒介，并且包括(例如但不限于)易失性和非易失性媒介，可移动和不可移动媒介。
在实施例中，存储单元113可以在其中存储用于操作系统500的操作系统、驱动程序、应用程序、数据和数据库，但不限于此。此外，存储单元113可以包括诸如易失性存储器(诸如随机存取存储器(RAM))、诸如非易失性存储器(诸如只读存储器(ROM))和闪存的形式的计算机可读媒介。例如，可以包括但不限于硬盘驱动器、固态驱动器、光盘驱动器等。
在实施例中，存储单元113和存储装置115中的每一个可以是程序模块，诸如图像软件113b、115b和操作系统113c、115c，其可以被立即存取以使得诸如图像数据的数据113a、115a由处理器111操作。
在实施例中，机器学习模型13可以安装到处理器111、存储单元113和存储装置115中的至少一个中。机器学习模型13可以包括但不限于深度神经网络(DNN)、卷积神经网络(CNN)和递归神经网络(RNN)中的至少一种，它们是机器学习演算法之一。
图10示出了使用根据本实用新型实施例的设备来评估甲状旁腺存活率的第一方法的示意图。
如图所示，可以将由近红外传感器(未示出)获取的甲状旁腺的图像10存储在存储单元113中。存储单元113可以包括信息提取器30，并且信息提取器30可以从甲状旁腺的图像提取特征信息。在实施例中，信息提取器30不包括在存储单元113中，并且可以被独立地配置为由处理器控制。特征信息可包括以下至少之一：具有关于血流的信息的斑点对比度值(K)，图6中描述的距离(r)，其为在近红外光照射到甲状旁腺区域以执行甲状旁腺的图像拍摄的点与通过近红外传感器获得的甲状旁腺区域之间的距离，以及甲状旁腺区被近红外光照射的时间(T)。
此外，特征信息还可以包括作为甲状旁腺的受试者的临床信息。临床信息可能包括受试者的年龄、性别、病史、运动习惯、饮食习惯、吸烟和饮酒中的任一项。
这些特征信息可以被安装到存储在处理器111中的机器学习模型13中，所述处理器111是根据本实用新型实施例的系统的组件之一。在机器学习模型13中，基于从甲状旁腺图像中提取的特征信息来定义甲状旁腺的血流信息，即血流指数(Db，所述特征信息是先前从多个对象中获得用于训练的。因为产生血流指数的方法与上述方法相同。
在实施例中，系统500可以基于用于具有特征信息的新获取的甲状旁腺图像的机器学习模型，从甲状旁腺图像生成血流指数。因此，可以基于血流指数(Db)实时评估甲状旁腺的存活率。
与此同时，在实施例中，系统500使用机器学习模型来生成甲状旁腺的血流指数，但是系统500可以使用具有预先设置的参考特征信息的算法或程序来生成甲状旁腺的血流指数。例如，如图11所示，在其他实施例中，处理器111中可以包括其中预先存储有基于参考特征信息的血流指数的查找表111a，且处理器111可以通过将信息提取器30新提取的甲状旁腺图像的特征信息与参考特征信息进行比较和匹配来生成血流指数。因此，也可以基于血流指数(Db)实时评估甲状旁腺的存活率。
在这种情况下，如上所述，可以将由近红外传感器(未示出)获取的甲状旁腺的图像10存储在存储单元113中。存储单元113可以包括信息提取器30，且信息提取器30可以从甲状旁腺的图像提取特征信息。在实施例中，信息提取器300可以被包括在存储单元113中，但不限于此。例如，信息提取器300可以被独立地配置为能够由处理器控制。在这种情况下，特征信息还可包括具有关于血流的信息的斑点对比度值(K)，图6中描述的距离(r)，其为在近红外光照射到甲状旁腺区域以执行甲状旁腺的图像拍摄的点与通过近红外传感器获得的甲状旁腺区域之间的距离，以及甲状旁腺区被近红外光照射的时间(T)。
总之，本实用新型的评估甲状旁腺存活率的系统，其能够准确的评估甲状旁腺的存活率。
本领域技术人员将理解，前述示例和实施例是例示性的，并且不限制本实用新型的范围。其目的在于，对本领域技术人员而言，在阅读说明书和研究附图之后显而易见的所有排列、增强、同等、组合和改进都包括在本实用新型的真实精神和范围内。

Claims (8)

1.一种评估甲状旁腺存活率的系统，其特征在于，包括：
存储单元，用于存储由近红外传感器检测到的受试者的甲状旁腺的图像；
信息提取器，用于从图像中提取特征信息；以及
处理器，包括输入了特征信息的机器学习模型，并且基于机器学习模型从特征信息中生成甲状旁腺的血流指数。
2.根据权利要求1所述的评估甲状旁腺存活率的系统，其特征在于，进一步包括：
光源单元，将780nm至840nm波长带范围中选定波长的光照射到所述受试者的甲状旁腺区域。
3.根据权利要求1所述的评估甲状旁腺存活率的系统，其特征在于，
所述特征信息包括具有关于血流的信息的斑点对比度值、在近红外光照射到甲状旁腺区域的点与通过近红外传感器检测到的甲状旁腺区域之间的距离，以及甲状旁腺区域被近红外光暴露的时间。
4.根据权利要求1所述的评估甲状旁腺存活率的系统，其特征在于，
所述特征信息包括所述受试者的临床信息，所述临床信息包括所述受试者的年龄、性别、病史、运动习惯、饮食习惯、吸烟和饮酒中的任一项。
5.根据权利要求1所述的评估甲状旁腺存活率的系统，其特征在于，
所述机器学习模块包括深度神经网络、卷积神经网络和递归神经网络中的至少一个。
6.一种评估甲状旁腺存活率的系统，其特征在于，包括：
存储单元，用于存储由近红外传感器检测到的受试者的甲状旁腺的图像；
信息提取器，用于从图像中提取特征信息；以及
处理器，包括基于参考特征信息的血液流动指数预先存储的查找表，并且通过将受试者的所术甲状旁腺图像的所术特征信息与所术参考特征信息进行比较和匹配来生成血流指数。
7.根据权利要求6所述的评估甲状旁腺存活率的系统，其特征在于，进一步包括：
光源单元，将780nm至840nm波长带范围中选定波长的光照射到所述受试者的甲状旁腺区域。
8.根据权利要求6所述的评估甲状旁腺存活率的系统，其特征在于，
所述特征信息包括具有关于血流的信息的斑点对比度值、在近红外光照射到甲状旁腺区域的点与通过近红外传感器检测到的甲状旁腺区域之间的距离，以及甲状旁腺区域被近红外光暴露的时间。
CN202120043580.8U 2019-10-31 2021-01-08 评估甲状旁腺存活率的系统 Active CN215305780U (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201962928502P 2019-10-31 2019-10-31
US17/073,352 US20210128054A1 (en) 2019-10-31 2020-10-18 Apparatus and Method for Viability Assessment of Tissue
US17/073,352 2020-10-18

Publications (1)

Publication Number Publication Date
CN215305780U true CN215305780U (zh) 2021-12-28

Family

ID=75686464

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202110022972.0A Pending CN114366021A (zh) 2019-10-31 2021-01-08 评估甲状旁腺存活率的系统及方法
CN202120043580.8U Active CN215305780U (zh) 2019-10-31 2021-01-08 评估甲状旁腺存活率的系统

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN202110022972.0A Pending CN114366021A (zh) 2019-10-31 2021-01-08 评估甲状旁腺存活率的系统及方法

Country Status (2)

Country Link
US (1) US20210128054A1 (zh)
CN (2) CN114366021A (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116385337B (zh) * 2022-12-15 2023-10-17 西安长空医疗科技服务有限公司 一种基于多光融合的甲状旁腺识别装置及方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2077753B1 (en) * 2006-09-12 2012-12-19 The General Hospital Corporation Apparatus, probe and method for providing depth assessment in an anatomical structure
CA2824134C (en) * 2011-01-10 2019-05-14 East Carolina University Methods, systems and computer program products for noninvasive determination of blood flow distribution using speckle imaging techniques and hemodynamic modeling
US11206990B2 (en) * 2013-01-23 2021-12-28 Pedra Technology Pte Ltd Deep tissue flowmetry using diffuse speckle contrast analysis
WO2016138522A1 (en) * 2015-02-27 2016-09-01 Aurora Health Care, Inc. Systems and methods for identifying patients at risk for a cardiovascular condition
CA3000530C (en) * 2015-10-09 2023-04-25 Vasoptic Medical, Inc. System and method for rapid examination of vasculature and particulate flow using laser speckle contrast imaging
WO2017136762A1 (en) * 2016-02-03 2017-08-10 Radlogics, Inc. Methods and systems for enhanced measurement of near heart aorta sections
US11344251B2 (en) * 2016-06-03 2022-05-31 The Regents Of The University Of California Methods and apparatus for the assessment of gingival blood flow
US11160491B2 (en) * 2017-09-12 2021-11-02 Hill-Rom Services, Inc. Devices, systems, and methods for monitoring wounds
JP7137935B2 (ja) * 2018-02-27 2022-09-15 シスメックス株式会社 画像解析方法、画像解析装置、プログラム、学習済み深層学習アルゴリズムの製造方法および学習済み深層学習アルゴリズム
US10993653B1 (en) * 2018-07-13 2021-05-04 Johnson Thomas Machine learning based non-invasive diagnosis of thyroid disease

Also Published As

Publication number Publication date
US20210128054A1 (en) 2021-05-06
CN114366021A (zh) 2022-04-19

Similar Documents

Publication Publication Date Title
CN112005312B (zh) 伤口成像和分析
EP3454340B1 (en) Devices, systems, and methods for monitoring wounds
US11937973B2 (en) Systems and media for automatically diagnosing thyroid nodules
CN215305781U (zh) 识别甲状旁腺位置并评估甲状旁腺存活率的设备
US10244991B2 (en) Method and system for providing recommendation for optimal execution of surgical procedures
US20150359459A1 (en) Systems, devices, and methods for estimating bilirubin levels
US20200305698A1 (en) Image processing device, endoscope system, image processing method, and program
US20220095998A1 (en) Hyperspectral imaging in automated digital dermoscopy screening for melanoma
EP2967359A1 (en) Estimating bilirubin levels
CN115668387A (zh) 用于为美容皮肤处理单元确定最佳操作参数集的方法和系统
CN215305780U (zh) 评估甲状旁腺存活率的系统
KR102055185B1 (ko) 귓속 질병 진단 시스템
CN114300095A (zh) 图像处理设备、图像处理方法、装置、设备及存储介质
US20200054400A1 (en) Image processing apparatus, operating method of image processing apparatus, and computer-readable recording medium
US20210241457A1 (en) Endoscope system, and image processing apparatus and image processing method used in endoscope system
KR102036043B1 (ko) 스마트기기 기반의 피부질환 진단이 가능한 광학식 피부질환 진단장치
WO2019138772A1 (ja) 画像処理装置、プロセッサ装置、画像処理方法、及びプログラム
US20170112355A1 (en) Image processing apparatus, image processing method, and computer-readable recording medium
KR102235681B1 (ko) 수술 위치 항법 장치 및 그 방법
WO2022038806A1 (ja) 治療支援システムおよび治療支援装置
KR20220098578A (ko) 조직 식별 및 생체 확인 장치 및 이를 이용한 조직 식별 및 생체 확인 방법
KR20220099152A (ko) 조직 생체 확인 장치 및 방법
US20220343497A1 (en) Burn severity identification and analysis through three-dimensional surface reconstruction from visible and infrared imagery
US20240252045A1 (en) Methods and systems for detecting deep tissue injuries
JP7520362B2 (ja) 判別装置、判別端末装置、判別装置の制御方法及び制御プログラム、並びに判別システム

Legal Events

Date Code Title Description
GR01 Patent grant
GR01 Patent grant