一种粉碎结石用激光能控制系统技术方案

本发明专利技术涉及一种粉碎结石用激光能控制系统，其包括：图像采集模块，实时获取患者的若干图像数据，并对图像数据进行预处理；分割识别模块，基于深度学习将预处理后的图像数据进行分割和识别，得到具有结石位置及形状特征的结石图像；特征提取模块，提取结石图像中的结石位置特征、形状和大小特征；智能分析模块，用于接收结石位置特征、形状和大小特征，以图像中的水平中心线为基准，确定结石位置是否位于待处理区域；控制模块，以结石形状和大小特征确定结石尺寸，将结石尺寸与结石位置相结合确定输出激光能量值。本发明专利技术能准确识别结石的位置及大小，进而确定相应的激光能，提高结石的处理准确度，避免造成二次损伤。避免造成二次损伤。避免造成二次损伤。

【技术实现步骤摘要】
一种粉碎结石用激光能控制系统


[0001]本专利技术涉及一种医学图像处理
，特别是关于一种粉碎结石用激光能控制系统。

技术介绍

[0002]结石是指体内的一种石头，当生物物质被有机物或无机物凝固而产生，其可以堵塞胆管或输尿管，有着高发病率、复发率等问题，对患者的健康造成较大的影响。因此，当发现大到足以达到危险的大小的结石时，需要移除该结石。传统的结石诊断主要通过X线或超声等方法进行，但由于结石的位置、大小等因素的限制，其准确率有限。
[0003]随着计算机技术和人工智能技术的快速发展，如何通过图像识别和大数据处理等技术提高结石的位置及大小等进行准确识别，以将结石进行精确处理，成为目前急需解决的技术问题。

技术实现思路

[0004]针对上述问题，本专利技术的目的是提供一种粉碎结石用激光能控制系统，其能准确识别结石的位置及大小，进而确定相应的激光能，提高结石的处理准确度，避免造成二次损伤。
[0005]为实现上述目的，本专利技术采取以下技术方案：一种粉碎结石用激光能控制系统，其包括：图像采集模块，实时获取患者的若干图像数据，并对图像数据进行预处理；分割识别模块，基于深度学习将预处理后的图像数据进行分割和识别，得到具有结石位置及形状特征的结石图像；特征提取模块，提取结石图像中的结石位置特征、形状和大小特征；智能分析模块，用于接收结石位置特征、形状和大小特征，以图像中的水平中心线为基准，确定结石位置是否位于待处理区域；控制模块，以结石形状和大小特征确定结石尺寸，将结石尺寸与结石位置相结合确定输出激光能量值。
[0006]进一步，分割识别模块中，深度学习采用卷积神经网络模型；并对卷积神经网络模型进行训练优化。
[0007]进一步，卷积神经网络模型包括卷积层、池化层和全连接层，通过反向传播训练该模型，并在训练过程中优化权重和偏置值，以最小化损失函数。
[0008]进一步，对卷积神经网络模型进行训练优化，还包括数据集划分模块和增强处理模块；数据集划分模块将预处理后的图像数据划分为训练集和测试集，由训练集中的图像数据对模型进行训练；增强处理模块对训练集中的图像数据进行增强处理。
[0009]进一步，对卷积神经网络模型进行训练优化，还包括正则化模块和网络剪枝模块，通过正则化模块提高模型的泛化能力，通过网络剪枝模块去除模型中的不必要的连接和节点。
[0010]进一步，卷积神经网络模型的训练采用分布式训练，将训练任务分配至多个计算节点上进行并行计算。
[0011]进一步，智能分析模块包括数据接收模块和数据分析模块；
[0012]数据接收用于接收特征提取模块传输至的结石位置特征、形状和大小特征；
[0013]数据分析模块内设置有结石设定区域，并设定激光的路径为图像中的水平中心线，激光的路径位于结石设定区域的中心位置处；根据结石位置特征判定结石是否位于结石设定区域内，同时并判定该结石形状的中心线是否与图像中的水平中心线重叠，根据结石位置情况、及其中心线与水平中心线的重叠情况，获取准确的结石位置。
[0014]进一步，若结石位于结石设定区域，同时结石形状的中心线与图像中的水平中心线重叠，则得到结石第一位置信息；
[0015]若结石位于结石设定区域，同时结石形状的中心线偏离图像中的水平中心线，则得到结石第二位置信息；
[0016]若结石位于结石设定区域之外，则得到结石第三位置信息。
[0017]进一步，控制模块根据接收到的结石第一位置信息、结石第二位置信息和结石第三位置信息，调整激光能量的大小：
[0018]若接收到结石第一位置信息，控制模块将激光设备的激光能量调节至正常使用范围；
[0019]若接收到结石第二位置信息，控制模块将激光设备的激光能量降低1至2个等级；
[0020]若接收到结石第二位置信息，控制模块将激光设备的激光能量调至为零。
[0021]进一步，以0.1J为一个等级。
[0022]本专利技术由于采取以上技术方案，其具有以下优点：
[0023]1、本专利技术无需人工干预，能自动完成结石图像数据的识别等操作，减少了人工工作量。
[0024]2、本专利技术采用深度学习对数据进行高效处理，能够快速得出准确的结果，提高碎石的准确性和精确度，有效避免造成二次损伤。
[0025]3、本专利技术能够广泛应用于各种结石的处理，具有很高的实用价值。
附图说明
[0026]图1是本专利技术实施例中粉碎结石用激光能控制系统结构示意图。
具体实施方式
[0027]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例的附图，对本专利技术实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本专利技术的一部分实施例，而不是全部的实施例。基于所描述的本专利技术的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本专利技术保护的范围。
[0028]需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本专利技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
[0029]为了解决现有技术中由于结石的位置、大小等因素的限制，其碎石准确率有限的问题，本专利技术提供一种粉碎结石用激光能控制系统，其包括：图像采集模块，实时获取患者
的若干图像数据，并对图像数据进行预处理；分割识别模块，基于深度学习将预处理后的图像数据进行分割和识别，得到具有结石位置及形状特征的结石图像；特征提取模块，提取结石图像中的结石位置特征、形状和大小特征；智能分析模块，用于接收结石位置特征、形状和大小特征，以图像中的水平中心线为基准，确定结石位置是否位于待处理区域；控制模块，以结石形状和大小特征确定结石尺寸，将结石尺寸与结石位置相结合确定输出激光能量值。本专利技术能准确识别结石的位置及大小，进而确定相应的激光能，提高结石的处理准确度，避免造成二次损伤。
[0030]在本专利技术的一个实施例中，提供一种粉碎结石用激光能控制系统。本实施例中，如图1所示，该系统包括：
[0031]图像采集模块，实时获取患者的若干图像数据，并对图像数据进行预处理；
[0032]分割识别模块，基于深度学习将预处理后的图像数据进行分割和识别，得到具有结石位置及形状特征的结石图像；
[0033]特征提取模块，提取结石图像中的结石位置特征、形状和大小特征；
[0034]智能分析模块，用于接收结石位置特征、形状和大小特征，以图像中的水平中心线为基准，确定结石位置是否位于待处理区域；
[0035]控制模块，以结石形状和大小特征确定结石尺寸，将结石尺寸与结石位置相结合确定输出激光能量值，以有效对结石进行粉碎，并避免对人体的二次伤害。
[0036]在一个可行的实施方式中，在图像采集模块中，预处理包括图像的灰度处理本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种粉碎结石用激光能控制系统，其特征在于，包括：图像采集模块，实时获取患者的若干图像数据，并对图像数据进行预处理；分割识别模块，基于深度学习将预处理后的图像数据进行分割和识别，得到具有结石位置及形状特征的结石图像；特征提取模块，提取结石图像中的结石位置特征、形状和大小特征；智能分析模块，用于接收结石位置特征、形状和大小特征，以图像中的水平中心线为基准，确定结石位置是否位于待处理区域；控制模块，以结石形状和大小特征确定结石尺寸，将结石尺寸与结石位置相结合确定输出激光能量值。2.如权利要求1所述粉碎结石用激光能控制系统，其特征在于，分割识别模块中，深度学习采用卷积神经网络模型；并对卷积神经网络模型进行训练优化。3.如权利要求2所述粉碎结石用激光能控制系统，其特征在于，卷积神经网络模型包括卷积层、池化层和全连接层，通过反向传播训练该模型，并在训练过程中优化权重和偏置值，以最小化损失函数。4.如权利要求2所述粉碎结石用激光能控制系统，其特征在于，对卷积神经网络模型进行训练优化，还包括数据集划分模块和增强处理模块；数据集划分模块将预处理后的图像数据划分为训练集和测试集，由训练集中的图像数据对模型进行训练；增强处理模块对训练集中的图像数据进行增强处理。5.如权利要求2所述粉碎结石用激光能控制系统，其特征在于，对卷积神经网络模型进行训练优化，还包括正则化模块和网络剪枝模块，通过正则化模块提高模型的泛化能力，通过网络剪枝模块去除模型中的不必要的连接和节点。6.如权利要求2所述粉碎结石用激光能控制系统，其特...

【专利技术属性】
技术研发人员：李洪举，
申请(专利权)人：莱凯医疗器械北京有限公司，
类型：发明
国别省市：