CN116036482B - 磁共振自控温热消融支架及其方法 - Google Patents

磁共振自控温热消融支架及其方法 Download PDF

Info

Publication number
CN116036482B
CN116036482B CN202310042638.0A CN202310042638A CN116036482B CN 116036482 B CN116036482 B CN 116036482B CN 202310042638 A CN202310042638 A CN 202310042638A CN 116036482 B CN116036482 B CN 116036482B
Authority
CN
China
Prior art keywords
temperature
feature
classification
scale
vectors
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
CN202310042638.0A
Other languages
English (en)
Other versions
CN116036482A (zh
Inventor
朱彤
李文宇
左玉星
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.)
Hangzhou Tangji Medical Technology Co ltd
Original Assignee
Hangzhou Tangji Medical Technology 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 Hangzhou Tangji Medical Technology Co ltd filed Critical Hangzhou Tangji Medical Technology Co ltd
Priority to CN202310042638.0A priority Critical patent/CN116036482B/zh
Publication of CN116036482A publication Critical patent/CN116036482A/zh
Application granted granted Critical
Publication of CN116036482B publication Critical patent/CN116036482B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N2/00—Magnetotherapy
    • A61N2/02—Magnetotherapy using magnetic fields produced by coils, including single turn loops or electromagnets

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

公开了一种磁共振自控温热消融支架及其方法，其通过多尺度邻域特征提取模块提取各个温度传感器采集的温度值在时间维度上的相对动态多尺度关联特征，以此温度的相对变化来进行是否停止施加交变磁场的判断，并且在此过程中，利用了空间注意力机制来加强所述各个温度传感器采集的温度在时序上的相对动态特征的表达，以提高控制的精准度。这样，可以准确地对于是否停止施加交变磁场进行判断，进而避免热消融的温度过高而可能对腔道造成损伤。

Description

磁共振自控温热消融支架及其方法
技术领域
本申请涉及智能化控制技术领域，且更为具体地，涉及一种磁共振自控温热消融支架及其方法。
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。胃转流支架可以对腔道内壁进行热消融，进而使得腔道内壁可产生新的良性粘膜。
在藉由胃转流支架进行热消融时，需要控制支架的温度，而因胃转流支架位于腔道内，无法通过传统的加热手段，例如，电加热来实现，这给胃转流支架的热消融带来困难。
因此，期望一种优化的可控温热消融支架。
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磁共振自控温热消融支架及其方法，其通过多尺度邻域特征提取模块提取各个温度传感器采集的温度值在时间维度上的相对动态多尺度关联特征，以此温度的相对变化来进行是否停止施加交变磁场的判断，并且在此过程中，利用了空间注意力机制来加强所述各个温度传感器采集的温度在时序上的相对动态特征的表达，以提高控制的精准度。这样，可以准确地对于是否停止施加交变磁场进行判断，进而避免热消融的温度过高而可能对腔道造成损伤。
根据本申请的一个方面，提供了一种磁共振自控温热消融支架，其包括：
胃流转支架主体；
设置于所述胃流转支架主体的外表面的多个磁共振发热颗粒；
设置于所述胃流转支架主体的外表面的多个温度传感器；以及
与所述多个温度传感器可通信连接的磁共振控制装置。
在上述磁共振自控温热消融支架中，所述磁共振控制装置，包括：温度数据接收模块，用于获取由所述多个温度传感器采集的预定时间段内多个预定时间点的温度值；向量化模块，用于将所述各个温度传感器采集的预定时间段内多个预定时间点的温度值分别按照时间维度排列为温度输入向量以得到多个温度输入向量；温差计算模块，用于计算所述多个温度输入向量中各个温度输入向量中每两个相邻位置的温度值之间的差值以得到多个温差输入向量；温度变化特征提取模块，用于将所述多个温差输入向量分别通过多尺度邻域特征提取模块以得到多个温度变化特征向量；全局关联模块，用于将所述多个温度变化特征向量进行二维排列以得到温度变化全局矩阵；温度变化关联特征提取模块，用于将所述温度变化全局矩阵通过使用空间注意力机制的卷积神经网络模型以得到分类特征图；特征分布优化模块，用于对所述分类特征图进行基于特征聚类的去聚焦模糊优化以得到优化分类特征图；以及，控制结果生成模块，用于将所述优化分类特征图通过分类器以得到分类结果，所述分类结果用于表示是否停止施加交变磁场。
在上述磁共振自控温热消融支架中，所述温度变化特征提取模块，包括：第一尺度特征提取单元，用于将所述多个温差输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一尺度温度特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核;第二尺度特征提取单元，用于将所述多个温差输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二尺度温度特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，多尺度级联单元，用于将所述第一尺度温度特征向量和所述第二尺度温度特征向量进行级联以得到所述多个温度变化特征向量。
在上述磁共振自控温热消融支架中，所述第一尺度特征提取单元，进一步用于：使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述多个温差输入向量进行一维卷积编码以得到所述第一尺度温度特征向量；其中，所述公式为：
Figure SMS_1
，
其中，
Figure SMS_2
为第一卷积核在/>
Figure SMS_3
方向上的宽度、/>
Figure SMS_4
为第一卷积核参数向量、
Figure SMS_5
为与卷积核函数运算的局部向量矩阵，/>
Figure SMS_6
为第一卷积核的尺寸，/>
Figure SMS_7
表示所述多个温差输入向量。
在上述磁共振自控温热消融支架中，所述第二尺度特征提取单元，进一步用于：使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述多个温差输入向量进行一维卷积编码以得到所述第二尺度温度特征向量；其中，所述公式为：
Figure SMS_8
，
其中，
Figure SMS_9
为第二卷积核在/>
Figure SMS_10
方向上的宽度、/>
Figure SMS_11
为第二卷积核参数向量、/>
Figure SMS_12
为与卷积核函数运算的局部向量矩阵，/>
Figure SMS_13
为第二卷积核的尺寸，/>
Figure SMS_14
表示所述多个温差输入向量。
在上述磁共振自控温热消融支架中，所述温度变化关联特征提取模块，进一步用于：所述使用空间注意力机制的卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行：对输入数据进行卷积处理以生成卷积特征图；对所述卷积特征图进行池化处理以生成池化特征图；对所述池化特征图进行非线性激活以生成激活特征图；计算所述激活特征图的各个位置沿通道维度的均值以生成空间特征矩阵；计算所述空间特征矩阵中各个位置的类Softmax函数值以获得空间得分矩阵；以及，计算所述空间特征矩阵和所述空间得分矩阵的按位置点乘以获得特征矩阵；其中，所述使用空间注意力机制的卷积神经网络模型的最后一层输出的所述分类特征图。
在上述磁共振自控温热消融支架中，所述特征分布优化模块，进一步用于：以如下公式对所述分类特征图进行基于特征聚类的去聚焦模糊优化以得到所述优化分类特征图；其中，所述公式为：
Figure SMS_15
，
其中
Figure SMS_16
是所述分类特征图的第/>
Figure SMS_17
位置的特征值，/>
Figure SMS_18
和/>
Figure SMS_19
分别是所述分类特征图的各个位置的特征值集合的均值和标准差，/>
Figure SMS_20
是所述优化分类特征图的第/>
Figure SMS_21
位置的特征值。
在上述磁共振自控温热消融支架中，所述控制结果生成模块，包括：特征图展开单元，用于将所述优化分类特征图按照行向量或列向量展开为分类特征向量；全连接编码单元，用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类单元，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
根据本申请的另一个方面，提供了一种磁共振自控温热消融支架的方法，其包括：
获取由所述多个温度传感器采集的预定时间段内多个预定时间点的温度值；
将所述各个温度传感器采集的预定时间段内多个预定时间点的温度值分别按照时间维度排列为温度输入向量以得到多个温度输入向量；
计算所述多个温度输入向量中各个温度输入向量中每两个相邻位置的温度值之间的差值以得到多个温差输入向量；
将所述多个温差输入向量分别通过多尺度邻域特征提取模块以得到多个温度变化特征向量；
将所述多个温度变化特征向量进行二维排列以得到温度变化全局矩阵；
将所述温度变化全局矩阵通过使用空间注意力机制的卷积神经网络模型以得到分类特征图；
对所述分类特征图进行基于特征聚类的去聚焦模糊优化以得到优化分类特征图；以及
将所述优化分类特征图通过分类器以得到分类结果，所述分类结果用于表示是否停止施加交变磁场。
与现有技术相比，本申请提供的磁共振自控温热消融支架及其方法，其通过多尺度邻域特征提取模块提取各个温度传感器采集的温度值在时间维度上的相对动态多尺度关联特征，以此温度的相对变化来进行是否停止施加交变磁场的判断，并且在此过程中，利用了空间注意力机制来加强所述各个温度传感器采集的温度在时序上的相对动态特征的表达，以提高控制的精准度。这样，可以准确地对于是否停止施加交变磁场进行判断，进而避免热消融的温度过高而可能对腔道造成损伤。
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1A和图1B为普通镍钛丝支架的结构示意图。
图2为磁共振方式示意图。
图3为根据本申请实施例的磁共振自控温热消融支架的结构示意图。
图4为根据本申请实施例的磁共振自控温热消融支架的应用场景图。
图5为根据本申请实施例的磁共振自控温热消融支架中所述磁共振控制装置的框图。
图6为根据本申请实施例的所述磁共振控制装置中所述温度变化特征提取模块的框图。
图7为根据本申请实施例的所述磁共振控制装置中所述控制结果生成模块的框图。
图8为根据本申请实施例的磁共振自控温热消融支架的方法的流程图。
图9为根据本申请实施例的磁共振自控温热消融支架的方法的***架构的示意图。
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。
场景概述
如上所述，在藉由胃转流支架进行热消融时，需要控制支架的温度，而因胃转流支架位于腔道内，无法通过传统的加热手段，例如，电加热来实现，这给胃转流支架的热消融带来困难。因此，期望一种优化的可控温热消融支架。
针对上述问题，如图1A和图1B所示，现将在普通锦钛丝支架表面覆盖磁共振发热颗粒，颗粒内部结构为线圈、电阻、电容、磁芯构成的LC振荡电路。电阻使用镍钛合金材料(相变温度设定为热消融控制湿度)。颤粒外部为非金属材料封装，避免形成屏蔽。
如图2所示，当支架整体置入患者体内后，外部送电线圈(也是LC振荡电路)向患者支架所在区域施加交变电磁场，当外部送电***和内部受电***的振荡频率达到共振带时，***发生共振，内部受电线圈的交变磁场开始在磁芯产生热量。多个发热颗粒构成的发热矩阵驱动支架发热。
当***温度达到热消融控制温度时，镍钛合金构成的电阻体发生相变，其阻值发生变化，导致LC振荡电路固有频率变化，离开共振带，***停止共振而无法维持无线供电。温度下降后，镍钛合金电阻恢复相变前的阻值，***再次发生共振。支架又开始开温，如此***动态地稳定在热消触的设定温度，以达到自控温热消融的目的。
应注意到，在镍钛合金构成的电阻体发生相变后，由于热惯性，***依旧会升温，这导致热消融的温度会过高而可能对腔道造成损伤，因此，期待一种更为优化的控制***。
具体地，在本申请的技术方案中，提出了一种磁共振自控温热消融支架10，图3为根据本申请实施例的磁共振自控温热消融支架的结构示意图，如图3所示，其包括：胃流转支架主体11；设置于所述胃流转支架主体11的外表面的多个磁共振发热颗粒12；设置于所述胃流转支架主体11的外表面的多个温度传感器13；以及，与所述多个温度传感器13可通信连接的磁共振控制装置14。
特别地，在所述磁共振控制装置中，期望通过利用基于深度学习的人工智能控制技术，以提取出所述各个温度传感器采集的温度值在时间维度上的相对动态多尺度关联特征，也就是，所述各个传感器的温度值分别在时序上的相对动态变化特征，以此温度的相对变化来进行是否停止施加交变磁场的判断，并且在此过程中，还利用了空间注意力机制来加强所述各个温度传感器采集的温度在时序上的相对动态特征的表达，以此提高控制的精准度。这样，能够准确地对于是否停止施加交变磁场进行判断，以基于温度分布和变化特征来设计提前停止机制，用于抵消热惯性，进而避免热消融的温度过高而可能对腔道造成损伤。
具体地，在本申请的技术方案中，首先，通过所述多个温度传感器采集预定时间段内多个预定时间点的温度值。接着，为了提取出所述各个温度传感器采集的温度值在时序上的动态变化特征，进一步将所述各个温度传感器采集的预定时间段内多个预定时间点的温度值分别按照时间维度排列为温度输入向量，以此构建所述各个温度传感器采集的温度值在时间维度上的分布信息，从而得到多个温度输入向量。
然后，考虑到在对于交变磁场的施加控制时，所述各个温度传感器采集的温度值在时间维度上的绝对动态变化特征为小尺度的特征信息，因此，为了能够提高对于温度动态变化的感知度，以此来提高交变磁场施加的精准度，使用温度值在时间维度上的相对变化特征来进行施加控制。也就是，具体地，在本申请的技术方案中，计算所述多个温度输入向量中各个温度输入向量中每两个相邻位置的温度值之间的差值，以得到具有所述各个温度传感器采集的温度值在时序上的相对变化信息的多个温差输入向量。
进一步地，由于所述各个温度传感器采集的温度值在不同的时间周期跨度下具有着不同的相对变化信息，因此，为了能够充分地提取出这种变化特征，以此来准确地进行交变磁场的施加控制，进一步将所述多个温差输入向量分别通过多尺度邻域特征提取模块中进行特征挖掘，以提取出所述多个温差输入向量的各个温差输入向量中关于所述各个温度传感器采集的温度值在不同时间跨度下的相对动态变化的多尺度邻域关联特征，从而得到多个温度变化特征向量。然后，将所述多个温度变化特征向量进行二维排列以得到所述各个温度传感器整体的温度变化全局矩阵。
接着，考虑到由于在使用所述多个温度传感器采集温度值时，所述各个温度传感器在空间位置上会存在着关联性的相互影响，也就是说，相邻较近的温度传感器采集到的温度值之间的影响较大，相距较远的影响则较小。因此，为了加强这种空间上的关联性特征分布，以此来提高温度动态变化特征提取的精准度，进一步使用空间注意力机制的卷积神经网络模型来进行所述温度变化全局矩阵的特征挖掘，以分别提取出所述各个温度传感器采集的温度值的相对动态变化特征在空间上的加强特征分布信息，从而得到分类特征图。
然后，将所述分类特征图通过分类器以得到用于表示是否停止施加交变磁场的分类结果。这样，能够对于是否停止施加交变磁场进行判断，以基于温度分布和变化特征来设计提前停止机制，用于抵消热惯性，进而避免热消融的温度过高而可能对腔道造成损伤。
特别地，在本申请的技术方案中，由于所述多个温度变化特征向量中的每个温度变化特征向量是单个温度传感器所获得的温度变化值沿时序的多尺度关联特征，其间的相关性不高，因此将其进行二维排列得到的所述温度变化全局矩阵的特征分布的聚类效果较差，尽管通过空间注意力模块强化了其局部分布，但仍然存在所述增强所述分类特征图的整体分布的聚类效果差的问题，这会导致所述分类特征图通过分类器的分类回归的收敛性差，影响分类结果的准确性。
这里，本申请的申请人考虑到在所述温度变化全局矩阵的整体特征分布呈现自然状态下的高斯分布，即温度变化本身遵循点高斯分布，平均温度变化具有最高概率密度，而较高或者较低程度的温度变化都会具有较低的概率密度。而在通过空间注意力模块强化了其局部分布之后，仍然仅强化了最高概率密度部分的局部分布，可以理解为提升了高斯分布的中间的尖峰部分，而未对两端的延展部分进行处理。因此，本申请的申请人基于这种遵循高斯点分布的高频分布特征，对所述分类特征图进行特征聚类的去聚焦模糊优化，表示为：
Figure SMS_22
，
Figure SMS_23
和/>
Figure SMS_24
分别是特征集合/>
Figure SMS_25
的均值和标准差，且/>
Figure SMS_26
是所述分类特征图/>
Figure SMS_27
的第/>
Figure SMS_28
位置的特征值。
所述特征聚类的去聚焦模糊优化通过将用于估计聚类度量值的聚焦堆栈表示进行基于统计信息的特征聚类索引，来补偿遵循高斯点分布的高频分布特征相对于整体特征分布的均一化表示的依赖相似度，从而避免由于该依赖相似度低而引起整体特征分布的聚焦模糊，这样，就提升了所述分类特征图
Figure SMS_29
到目标分类域的聚类效果，从而提升了通过分类器获得的分类结果的准确性。这样，能够准确地对于是否停止施加交变磁场进行判断，以基于温度分布和变化特征来设计提前停止机制，用于抵消热惯性，进而避免热消融的温度过高而可能对腔道造成损伤。
基于此，本申请提供了一种磁共振自控温热消融支架，其包括：胃流转支架主体；设置于所述胃流转支架主体的外表面的多个磁共振发热颗粒；设置于所述胃流转支架主体的外表面的多个温度传感器；以及，与所述多个温度传感器可通信连接的磁共振控制装置。进一步的，所述磁共振控制装置，包括：温度数据接收模块，用于获取由所述多个温度传感器采集的预定时间段内多个预定时间点的温度值；向量化模块，用于将所述各个温度传感器采集的预定时间段内多个预定时间点的温度值分别按照时间维度排列为温度输入向量以得到多个温度输入向量；温差计算模块，用于计算所述多个温度输入向量中各个温度输入向量中每两个相邻位置的温度值之间的差值以得到多个温差输入向量；温度变化特征提取模块，用于将所述多个温差输入向量分别通过多尺度邻域特征提取模块以得到多个温度变化特征向量；全局关联模块，用于将所述多个温度变化特征向量进行二维排列以得到温度变化全局矩阵；温度变化关联特征提取模块，用于将所述温度变化全局矩阵通过使用空间注意力机制的卷积神经网络模型以得到分类特征图；特征分布优化模块，用于对所述分类特征图进行基于特征聚类的去聚焦模糊优化以得到优化分类特征图；以及，控制结果生成模块，用于将所述优化分类特征图通过分类器以得到分类结果，所述分类结果用于表示是否停止施加交变磁场。
图4为根据本申请实施例的磁共振自控温热消融支架的应用场景图。如图4所示，在该应用场景中，首先，通过所述多个温度传感器（例如，图1中所示意的M）采集预定时间段内多个预定时间点的温度值（例如，图1中所示意的C）；然后，将获取的温度值输入至部署有磁共振自控温热消融支架的算法的服务器中（例如，图1中所示意的S），其中，所述服务器能够使用磁共振自控温热消融支架的算法对所述温度值进行处理，以生成用于表示是否停止施加交变磁场的分类结果。
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***
图5为根据本申请实施例的磁共振自控温热消融支架中所述磁共振控制装置的框图。如图5所示，根据本申请实施例的磁共振自控温热消融支架中所述磁共振控制装置14，包括：温度数据接收模块110，用于获取由所述多个温度传感器采集的预定时间段内多个预定时间点的温度值；向量化模块120，用于将所述各个温度传感器采集的预定时间段内多个预定时间点的温度值分别按照时间维度排列为温度输入向量以得到多个温度输入向量；温差计算模块130，用于计算所述多个温度输入向量中各个温度输入向量中每两个相邻位置的温度值之间的差值以得到多个温差输入向量；温度变化特征提取模块140，用于将所述多个温差输入向量分别通过多尺度邻域特征提取模块以得到多个温度变化特征向量；全局关联模块150，用于将所述多个温度变化特征向量进行二维排列以得到温度变化全局矩阵；温度变化关联特征提取模块160，用于将所述温度变化全局矩阵通过使用空间注意力机制的卷积神经网络模型以得到分类特征图；特征分布优化模块170，用于对所述分类特征图进行基于特征聚类的去聚焦模糊优化以得到优化分类特征图；以及，控制结果生成模块180，用于将所述优化分类特征图通过分类器以得到分类结果，所述分类结果用于表示是否停止施加交变磁场。
具体地，在本申请实施例中，所述温度数据接收模块110，用于获取由所述多个温度传感器采集的预定时间段内多个预定时间点的温度值。如上所述，在藉由胃转流支架进行热消融时，需要控制支架的温度，而因胃转流支架位于腔道内，无法通过传统的加热手段，例如，电加热来实现，这给胃转流支架的热消融带来困难。因此，期望一种优化的可控温热消融支架。
针对上述问题，现将在普通锦钛丝支架表面覆盖磁共振发热颗粒，颗粒内部结构为线圈、电阻、电容、磁芯构成的LC振荡电路。电阻使用镍钛合金材料(相变温度设定为热消融控制湿度)。颤粒外部为非金属材料封装，避免形成屏蔽。当支架整体置入患者体内后，外部送电线圈(也是LC振荡电路)向患者支架所在区域施加交变电磁场，当外部送电***和内部受电***的振荡频率达到共振带时，***发生共振，内部受电线圈的交变磁场开始在磁芯产生热量。多个发热颗粒构成的发热矩阵驱动支架发热。
当***温度达到热消融控制温度时，镍钛合金构成的电阻体发生相变，其阻值发生变化，导致LC振荡电路固有频率变化，离开共振带，***停止共振而无法维持无线供电。温度下降后，镍钛合金电阻恢复相变前的阻值，***再次发生共振。支架又开始开温，如此***动态地稳定在热消触的设定温度，以达到自控温热消融的目的。
应注意到，在镍钛合金构成的电阻体发生相变后，由于热惯性，***依旧会升温，这导致热消融的温度会过高而可能对腔道造成损伤，因此，期待一种更为优化的控制***。
具体地，在本申请的技术方案中，提出了一种磁共振自控温热消融支架，其包括：胃流转支架主体；设置于所述胃流转支架主体的外表面的多个磁共振发热颗粒；设置于所述胃流转支架主体的外表面的多个温度传感器；以及，与所述多个温度传感器可通信连接的磁共振控制装置。
特别地，在所述磁共振控制装置中，期望通过利用基于深度学习的人工智能控制技术，以提取出所述各个温度传感器采集的温度值在时间维度上的相对动态多尺度关联特征，也就是，所述各个传感器的温度值分别在时序上的相对动态变化特征，以此温度的相对变化来进行是否停止施加交变磁场的判断，并且在此过程中，还利用了空间注意力机制来加强所述各个温度传感器采集的温度在时序上的相对动态特征的表达，以此提高控制的精准度。这样，能够准确地对于是否停止施加交变磁场进行判断，以基于温度分布和变化特征来设计提前停止机制，用于抵消热惯性，进而避免热消融的温度过高而可能对腔道造成损伤。
具体地，在本申请的技术方案中，首先，通过所述多个温度传感器采集预定时间段内多个预定时间点的温度值。
具体地，在本申请实施例中，所述向量化模块120，用于将所述各个温度传感器采集的预定时间段内多个预定时间点的温度值分别按照时间维度排列为温度输入向量以得到多个温度输入向量。接着，为了提取出所述各个温度传感器采集的温度值在时序上的动态变化特征，进一步将所述各个温度传感器采集的预定时间段内多个预定时间点的温度值分别按照时间维度排列为温度输入向量，以此构建所述各个温度传感器采集的温度值在时间维度上的分布信息，从而得到多个温度输入向量。
应可以理解，将所述各个温度传感器采集的预定时间段内多个预定时间点的温度值分别按照时间维度排列为温度输入向量以得到多个温度输入向量，有利于后续计算机的处理。
具体地，在本申请实施例中，所述温差计算模块130，用于计算所述多个温度输入向量中各个温度输入向量中每两个相邻位置的温度值之间的差值以得到多个温差输入向量。然后，考虑到在对于交变磁场的施加控制时，所述各个温度传感器采集的温度值在时间维度上的绝对动态变化特征为小尺度的特征信息，因此，为了能够提高对于温度动态变化的感知度，以此来提高交变磁场施加的精准度，使用温度值在时间维度上的相对变化特征来进行施加控制。
也就是，具体地，在本申请的技术方案中，计算所述多个温度输入向量中各个温度输入向量中每两个相邻位置的温度值之间的差值，以得到具有所述各个温度传感器采集的温度值在时序上的相对变化信息的多个温差输入向量。
具体地，在本申请实施例中，所述温度变化特征提取模块140和所述全局关联模块150，用于将所述多个温差输入向量分别通过多尺度邻域特征提取模块以得到多个温度变化特征向量；以及用于将所述多个温度变化特征向量进行二维排列以得到温度变化全局矩阵。
进一步地，由于所述各个温度传感器采集的温度值在不同的时间周期跨度下具有着不同的相对变化信息，因此，为了能够充分地提取出这种变化特征，以此来准确地进行交变磁场的施加控制，进一步将所述多个温差输入向量分别通过多尺度邻域特征提取模块中进行特征挖掘，以提取出所述多个温差输入向量的各个温差输入向量中关于所述各个温度传感器采集的温度值在不同时间跨度下的相对动态变化的多尺度邻域关联特征，从而得到多个温度变化特征向量。
更具体地，在本申请实施例中，图6为根据本申请实施例的所述磁共振控制装置中所述温度变化特征提取模块的框图，如图6所示，所述温度变化特征提取模块，包括：第一尺度特征提取单元210，用于将所述多个温差输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一尺度温度特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核;第二尺度特征提取单元220，用于将所述多个温差输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二尺度温度特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，多尺度级联单元230，用于将所述第一尺度温度特征向量和所述第二尺度温度特征向量进行级联以得到所述多个温度变化特征向量。
进一步地，使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述多个温差输入向量进行一维卷积编码以得到所述第一尺度温度特征向量；其中，所述公式为：
Figure SMS_30
，
其中，
Figure SMS_31
为第一卷积核在/>
Figure SMS_32
方向上的宽度、/>
Figure SMS_33
为第一卷积核参数向量、
Figure SMS_34
为与卷积核函数运算的局部向量矩阵，/>
Figure SMS_35
为第一卷积核的尺寸，/>
Figure SMS_36
表示所述多个温差输入向量。
更进一步地，使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述多个温差输入向量进行一维卷积编码以得到所述第二尺度温度特征向量；其中，所述公式为：
Figure SMS_37
，
其中，
Figure SMS_38
为第二卷积核在/>
Figure SMS_39
方向上的宽度、/>
Figure SMS_40
为第二卷积核参数向量、/>
Figure SMS_41
为与卷积核函数运算的局部向量矩阵，/>
Figure SMS_42
为第二卷积核的尺寸，/>
Figure SMS_43
表示所述多个温差输入向量。
然后，将所述多个温度变化特征向量进行二维排列以得到所述各个温度传感器整体的温度变化全局矩阵。
具体地，在本申请实施例中，所述温度变化关联特征提取模块160，用于将所述温度变化全局矩阵通过使用空间注意力机制的卷积神经网络模型以得到分类特征图。接着，考虑到由于在使用所述多个温度传感器采集温度值时，所述各个温度传感器在空间位置上会存在着关联性的相互影响，也就是说，相邻较近的温度传感器采集到的温度值之间的影响较大，相距较远的影响则较小。
因此，为了加强这种空间上的关联性特征分布，以此来提高温度动态变化特征提取的精准度，进一步使用空间注意力机制的卷积神经网络模型来进行所述温度变化全局矩阵的特征挖掘，以分别提取出所述各个温度传感器采集的温度值的相对动态变化特征在空间上的加强特征分布信息，从而得到分类特征图。
进一步地，在本申请实施例中，所述使用空间注意力机制的卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行：对输入数据进行卷积处理以生成卷积特征图；对所述卷积特征图进行池化处理以生成池化特征图；对所述池化特征图进行非线性激活以生成激活特征图；计算所述激活特征图的各个位置沿通道维度的均值以生成空间特征矩阵；计算所述空间特征矩阵中各个位置的类Softmax函数值以获得空间得分矩阵；以及，计算所述空间特征矩阵和所述空间得分矩阵的按位置点乘以获得特征矩阵；其中，所述使用空间注意力机制的卷积神经网络模型的最后一层输出的所述分类特征图。
应可以理解，注意力机制是机器学习中的一种数据处理方法，广泛应用在自然语言处理、图像识别及语音识别等各种不同类型的机器学习任务中。一方面，注意力机制就是希望网络能够自动学出来图片或者文字序列中的需要注意的地方；另一方面，注意力机制通过神经网络的操作生成一个掩码mask, mask上的值的权重。 一般来说，空间注意力机制对于同一像素点不同通道求均值,再经过一些卷积和上采样的运算得到空间特征,空间特征每层的像素点就被赋予不同的权重。
具体地，在本申请实施例中，所述特征分布优化模块170，用于对所述分类特征图进行基于特征聚类的去聚焦模糊优化以得到优化分类特征图。特别地，在本申请的技术方案中，由于所述多个温度变化特征向量中的每个温度变化特征向量是单个温度传感器所获得的温度变化值沿时序的多尺度关联特征，其间的相关性不高，因此将其进行二维排列得到的所述温度变化全局矩阵的特征分布的聚类效果较差，尽管通过空间注意力模块强化了其局部分布，但仍然存在所述增强所述分类特征图的整体分布的聚类效果差的问题，这会导致所述分类特征图通过分类器的分类回归的收敛性差，影响分类结果的准确性。
这里，本申请的申请人考虑到在所述温度变化全局矩阵的整体特征分布呈现自然状态下的高斯分布，即温度变化本身遵循点高斯分布，平均温度变化具有最高概率密度，而较高或者较低程度的温度变化都会具有较低的概率密度。而在通过空间注意力模块强化了其局部分布之后，仍然仅强化了最高概率密度部分的局部分布，可以理解为提升了高斯分布的中间的尖峰部分，而未对两端的延展部分进行处理。因此，本申请的申请人基于这种遵循高斯点分布的高频分布特征。
也就是，以如下公式对所述分类特征图进行基于特征聚类的去聚焦模糊优化以得到所述优化分类特征图；其中，所述公式为：
Figure SMS_44
，
其中
Figure SMS_45
是所述分类特征图的第/>
Figure SMS_46
位置的特征值，/>
Figure SMS_47
和/>
Figure SMS_48
分别是所述分类特征图的各个位置的特征值集合的均值和标准差，/>
Figure SMS_49
是所述优化分类特征图的第/>
Figure SMS_50
位置的特征值。
所述特征聚类的去聚焦模糊优化通过将用于估计聚类度量值的聚焦堆栈表示进行基于统计信息的特征聚类索引，来补偿遵循高斯点分布的高频分布特征相对于整体特征分布的均一化表示的依赖相似度，从而避免由于该依赖相似度低而引起整体特征分布的聚焦模糊，这样，就提升了所述分类特征图
Figure SMS_51
到目标分类域的聚类效果，从而提升了通过分类器获得的分类结果的准确性。这样，能够准确地对于是否停止施加交变磁场进行判断，以基于温度分布和变化特征来设计提前停止机制，用于抵消热惯性，进而避免热消融的温度过高而可能对腔道造成损伤。
具体地，在本申请实施例中，所述控制结果生成模块180，用于将所述优化分类特征图通过分类器以得到分类结果，所述分类结果用于表示是否停止施加交变磁场。然后，将所述分类特征图通过分类器以得到用于表示是否停止施加交变磁场的分类结果。这样，能够对于是否停止施加交变磁场进行判断，以基于温度分布和变化特征来设计提前停止机制，用于抵消热惯性，进而避免热消融的温度过高而可能对腔道造成损伤。
在本申请实施例中，图7为根据本申请实施例的所述磁共振控制装置中所述控制结果生成模块的框图，如图7所示，所述控制结果生成模块，包括：特征图展开单元310，用于将所述优化分类特征图按照行向量或列向量展开为分类特征向量；全连接编码单元320，用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类单元330，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
在本申请一具体示例中，使用所述分类器以如下公式对所述优化分类特征图进行处理以生成分类结果；其中，所述公式为：
Figure SMS_52
，其中，/>
Figure SMS_53
表示将所述优化分类特征图投影为向量，/>
Figure SMS_54
表示权重矩阵，/>
Figure SMS_55
表示偏向向量。
综上，基于本申请实施例的磁共振自控温热消融支架100被阐明，其通过多尺度邻域特征提取模块提取各个温度传感器采集的温度值在时间维度上的相对动态多尺度关联特征，以此温度的相对变化来进行是否停止施加交变磁场的判断，并且在此过程中，利用了空间注意力机制来加强所述各个温度传感器采集的温度在时序上的相对动态特征的表达，以此提高控制的精准度。这样，可以准确地对于是否停止施加交变磁场进行判断，进而避免热消融的温度过高而可能对腔道造成损伤。
示例性方法
图8为根据本申请实施例的磁共振自控温热消融支架的方法的流程图。如图8所示，根据本申请实施例的磁共振自控温热消融支架的方法，其包括：S110，获取由所述多个温度传感器采集的预定时间段内多个预定时间点的温度值；S120，将所述各个温度传感器采集的预定时间段内多个预定时间点的温度值分别按照时间维度排列为温度输入向量以得到多个温度输入向量；S130，计算所述多个温度输入向量中各个温度输入向量中每两个相邻位置的温度值之间的差值以得到多个温差输入向量；S140，将所述多个温差输入向量分别通过多尺度邻域特征提取模块以得到多个温度变化特征向量；S150，将所述多个温度变化特征向量进行二维排列以得到温度变化全局矩阵；S160，将所述温度变化全局矩阵通过使用空间注意力机制的卷积神经网络模型以得到分类特征图；S170，对所述分类特征图进行基于特征聚类的去聚焦模糊优化以得到优化分类特征图；以及，S180，将所述优化分类特征图通过分类器以得到分类结果，所述分类结果用于表示是否停止施加交变磁场。
图9为根据本申请实施例的磁共振自控温热消融支架的方法的***架构的示意图。如图9所示，在所述磁共振自控温热消融支架的方法的***架构中，首先，获取由所述多个温度传感器采集的预定时间段内多个预定时间点的温度值；然后，将所述各个温度传感器采集的预定时间段内多个预定时间点的温度值分别按照时间维度排列为温度输入向量以得到多个温度输入向量；接着，计算所述多个温度输入向量中各个温度输入向量中每两个相邻位置的温度值之间的差值以得到多个温差输入向量；然后，将所述多个温差输入向量分别通过多尺度邻域特征提取模块以得到多个温度变化特征向量；接着，将所述多个温度变化特征向量进行二维排列以得到温度变化全局矩阵；然后，将所述温度变化全局矩阵通过使用空间注意力机制的卷积神经网络模型以得到分类特征图；接着，对所述分类特征图进行基于特征聚类的去聚焦模糊优化以得到优化分类特征图；以及，最后，将所述优化分类特征图通过分类器以得到分类结果，所述分类结果用于表示是否停止施加交变磁场。
在一个具体示例中，在上述磁共振自控温热消融支架的方法中，所述将所述多个温差输入向量分别通过多尺度邻域特征提取模块以得到多个温度变化特征向量，包括：将所述多个温差输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一尺度温度特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核;将所述多个温差输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二尺度温度特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，将所述第一尺度温度特征向量和所述第二尺度温度特征向量进行级联以得到所述多个温度变化特征向量。
在一个具体示例中，在上述磁共振自控温热消融支架的方法中，所述将所述多个温差输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一尺度温度特征向量，进一步包括：使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述多个温差输入向量进行一维卷积编码以得到所述第一尺度温度特征向量；其中，所述公式为：
Figure SMS_56
，
其中，
Figure SMS_57
为第一卷积核在/>
Figure SMS_58
方向上的宽度、/>
Figure SMS_59
为第一卷积核参数向量、
Figure SMS_60
为与卷积核函数运算的局部向量矩阵，/>
Figure SMS_61
为第一卷积核的尺寸，/>
Figure SMS_62
表示所述多个温差输入向量。
在一个具体示例中，在上述磁共振自控温热消融支架的方法中，所述将所述多个温差输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二尺度温度特征向量，进一步包括：使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述多个温差输入向量进行一维卷积编码以得到所述第二尺度温度特征向量；其中，所述公式为：
Figure SMS_63
，
其中，
Figure SMS_64
为第二卷积核在/>
Figure SMS_65
方向上的宽度、/>
Figure SMS_66
为第二卷积核参数向量、/>
Figure SMS_67
为与卷积核函数运算的局部向量矩阵，/>
Figure SMS_68
为第二卷积核的尺寸，/>
Figure SMS_69
表示所述多个温差输入向量。
在一个具体示例中，在上述磁共振自控温热消融支架的方法中，所述将所述温度变化全局矩阵通过使用空间注意力机制的卷积神经网络模型以得到分类特征图，进一步包括：所述使用空间注意力机制的卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行：对输入数据进行卷积处理以生成卷积特征图；对所述卷积特征图进行池化处理以生成池化特征图；对所述池化特征图进行非线性激活以生成激活特征图；计算所述激活特征图的各个位置沿通道维度的均值以生成空间特征矩阵；计算所述空间特征矩阵中各个位置的类Softmax函数值以获得空间得分矩阵；以及，计算所述空间特征矩阵和所述空间得分矩阵的按位置点乘以获得特征矩阵；其中，所述使用空间注意力机制的卷积神经网络模型的最后一层输出的所述分类特征图。
在一个具体示例中，在上述磁共振自控温热消融支架的方法中，所述对所述分类特征图进行基于特征聚类的去聚焦模糊优化以得到优化分类特征图，进一步包括：以如下公式对所述分类特征图进行基于特征聚类的去聚焦模糊优化以得到所述优化分类特征图；其中，所述公式为：
Figure SMS_70
，
其中
Figure SMS_71
是所述分类特征图的第/>
Figure SMS_72
位置的特征值，/>
Figure SMS_73
和/>
Figure SMS_74
分别是所述分类特征图的各个位置的特征值集合的均值和标准差，/>
Figure SMS_75
是所述优化分类特征图的第/>
Figure SMS_76
位置的特征值。
在一个具体示例中，在上述磁共振自控温热消融支架的方法中，所述将所述优化分类特征图通过分类器以得到分类结果，所述分类结果用于表示是否停止施加交变磁场，包括：将所述优化分类特征图按照行向量或列向量展开为分类特征向量；使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
这里，本领域技术人员可以理解，上述磁共振自控温热消融支架的方法中的各个步骤的具体操作已经在上面参考图1到图7的磁共振自控温热消融支架中得到了详细介绍，并因此，将省略其重复描述。
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、***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、***。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。

Claims (7)

1.一种磁共振自控温热消融支架，其特征在于，包括：
胃流转支架主体；
设置于所述胃流转支架主体的外表面的多个磁共振发热颗粒；
设置于所述胃流转支架主体的外表面的多个温度传感器；以及
与所述多个温度传感器可通信连接的磁共振控制装置；
其中，所述磁共振控制装置，包括：
温度数据接收模块，用于获取由所述多个温度传感器采集的预定时间段内多个预定时间点的温度值；
向量化模块，用于将所述各个温度传感器采集的预定时间段内多个预定时间点的温度值分别按照时间维度排列为温度输入向量以得到多个温度输入向量；
温差计算模块，用于计算所述多个温度输入向量中各个温度输入向量中每两个相邻位置的温度值之间的差值以得到多个温差输入向量；
温度变化特征提取模块，用于将所述多个温差输入向量分别通过多尺度邻域特征提取模块以得到多个温度变化特征向量；
全局关联模块，用于将所述多个温度变化特征向量进行二维排列以得到温度变化全局矩阵；
温度变化关联特征提取模块，用于将所述温度变化全局矩阵通过使用空间注意力机制的卷积神经网络模型以得到分类特征图；
特征分布优化模块，用于对所述分类特征图进行基于特征聚类的去聚焦模糊优化以得到优化分类特征图；以及
控制结果生成模块，用于将所述优化分类特征图通过分类器以得到分类结果，所述分类结果用于表示是否停止施加交变磁场。
2.根据权利要求1所述的磁共振自控温热消融支架，其特征在于，所述温度变化特征提取模块，包括：
第一尺度特征提取单元，用于将所述多个温差输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一尺度温度特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核;
第二尺度特征提取单元，用于将所述多个温差输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二尺度温度特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及
多尺度级联单元，用于将所述第一尺度温度特征向量和所述第二尺度温度特征向量进行级联以得到所述多个温度变化特征向量。
3.根据权利要求2所述的磁共振自控温热消融支架，其特征在于，所述第一尺度特征提取单元，进一步用于：使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述多个温差输入向量进行一维卷积编码以得到所述第一尺度温度特征向量；
其中，所述公式为：
Figure QLYQS_1
，
其中，
Figure QLYQS_2
为第一卷积核在/>
Figure QLYQS_3
方向上的宽度、/>
Figure QLYQS_4
为第一卷积核参数向量、 />
Figure QLYQS_5
为与卷积核函数运算的局部向量矩阵，/>
Figure QLYQS_6
为第一卷积核的尺寸，/>
Figure QLYQS_7
表示所述多个温差输入向量。
4.根据权利要求3所述的磁共振自控温热消融支架，其特征在于，所述第二尺度特征提取单元，进一步用于：使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述多个温差输入向量进行一维卷积编码以得到所述第二尺度温度特征向量；
其中，所述公式为：
Figure QLYQS_8
，
其中，
Figure QLYQS_9
为第二卷积核在/>
Figure QLYQS_10
方向上的宽度、/>
Figure QLYQS_11
为第二卷积核参数向量、/>
Figure QLYQS_12
为与卷积核函数运算的局部向量矩阵，/>
Figure QLYQS_13
为第二卷积核的尺寸，/>
Figure QLYQS_14
表示所述多个温差输入向量。
5.根据权利要求4所述的磁共振自控温热消融支架，其特征在于，所述温度变化关联特征提取模块，进一步用于：所述使用空间注意力机制的卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行：
对输入数据进行卷积处理以生成卷积特征图；
对所述卷积特征图进行池化处理以生成池化特征图；
对所述池化特征图进行非线性激活以生成激活特征图；
计算所述激活特征图的各个位置沿通道维度的均值以生成空间特征矩阵；
计算所述空间特征矩阵中各个位置的类Softmax函数值以获得空间得分矩阵；以及
计算所述空间特征矩阵和所述空间得分矩阵的按位置点乘以获得特征矩阵；
其中，所述使用空间注意力机制的卷积神经网络模型的最后一层输出的所述分类特征图。
6.根据权利要求5所述的磁共振自控温热消融支架，其特征在于，所述特征分布优化模块，进一步用于：以如下公式对所述分类特征图进行基于特征聚类的去聚焦模糊优化以得到所述优化分类特征图；
其中，所述公式为：
Figure QLYQS_15
，
其中
Figure QLYQS_16
是所述分类特征图的第/>
Figure QLYQS_17
位置的特征值，/>
Figure QLYQS_18
和/>
Figure QLYQS_19
分别是所述分类特征图的各个位置的特征值集合的均值和标准差，/>
Figure QLYQS_20
是所述优化分类特征图的第/>
Figure QLYQS_21
位置的特征值。
7.根据权利要求6所述的磁共振自控温热消融支架，其特征在于，所述控制结果生成模块，包括：
特征图展开单元，用于将所述优化分类特征图按照行向量或列向量展开为分类特征向量；
全连接编码单元，用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及
分类单元，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
CN202310042638.0A 2023-01-28 2023-01-28 磁共振自控温热消融支架及其方法 Active CN116036482B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310042638.0A CN116036482B (zh) 2023-01-28 2023-01-28 磁共振自控温热消融支架及其方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310042638.0A CN116036482B (zh) 2023-01-28 2023-01-28 磁共振自控温热消融支架及其方法

Publications (2)

Publication Number Publication Date
CN116036482A CN116036482A (zh) 2023-05-02
CN116036482B true CN116036482B (zh) 2023-06-23

Family

ID=86123677

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310042638.0A Active CN116036482B (zh) 2023-01-28 2023-01-28 磁共振自控温热消融支架及其方法

Country Status (1)

Country Link
CN (1) CN116036482B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110320486A (zh) * 2019-06-18 2019-10-11 杭州邃蓝科技有限公司 基于神经网络的磁共振成像测温方法及装置
CN113855229A (zh) * 2021-08-02 2021-12-31 应葵 一站式椎骨肿瘤微波消融手术仿真方法及装置
CN114040706A (zh) * 2019-04-25 2022-02-11 医视特有限公司 加速的磁共振温度测量

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103479454B (zh) * 2012-06-11 2015-03-18 左玉星 胃食物导流器
CN116919565A (zh) * 2017-11-13 2023-10-24 生物相容英国有限公司 带有磁共振成像检测的冷冻消融***
US10846841B2 (en) * 2018-05-29 2020-11-24 University Of Electronic Science And Technology Of China Method for separating out a defect image from a thermogram sequence based on feature extraction and multi-objective optimization
CN216486955U (zh) * 2021-12-20 2022-05-10 杭州糖吉医疗科技有限公司 一种消化道***送取性能模拟装置
CN217525519U (zh) * 2022-02-28 2022-10-04 杭州糖吉医疗科技有限公司 一种十二指肠支架及医疗器械
CN115470857B (zh) * 2022-09-16 2023-05-23 广东电网能源发展有限公司 变电站全景数字孪生***及其方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114040706A (zh) * 2019-04-25 2022-02-11 医视特有限公司 加速的磁共振温度测量
CN110320486A (zh) * 2019-06-18 2019-10-11 杭州邃蓝科技有限公司 基于神经网络的磁共振成像测温方法及装置
CN113855229A (zh) * 2021-08-02 2021-12-31 应葵 一站式椎骨肿瘤微波消融手术仿真方法及装置

Also Published As

Publication number Publication date
CN116036482A (zh) 2023-05-02

Similar Documents

Publication Publication Date Title
CN115951584B (zh) 用于滚筒杀青机的温度控制***及方法
Zhang et al. We are more than our joints: Predicting how 3d bodies move
CN108171198A (zh) 基于非对称多层lstm的连续手语视频自动翻译方法
CN115936682B (zh) 印制线路板的废料回收***及其方法
CN115378344B (zh) 电磁电机及其防潮控制方法
CN116036639B (zh) 超声波诱导六氟磷酸盐结晶的控制***及其方法
CN114821450B (zh) 太阳能电池板加工用层压机及其控制方法
CN114825257A (zh) Led灯检测的漏电保护装置及其漏电保护方法
Zhao et al. On diverse asynchronous activity anticipation
CN115357065B (zh) 海上风机的远程智能除湿控制***及其方法
CN115600140A (zh) 基于多源数据融合的风机变桨***故障识别方法及其***
CN116036482B (zh) 磁共振自控温热消融支架及其方法
CN115861923A (zh) 腿部热疗康复设备
CN116820052A (zh) Pbt材料生产设备及其控制方法
CN115133877A (zh) 一种晶体振荡器的温度补偿方法及其温度补偿***
Wang et al. Rolling bearing fault diagnosis method based on SSAE and softmax classifier with improved K-fold cross-validation
CN115205788A (zh) 食材质量监控***
CN116182471B (zh) 智能化的节能冷库制冷***及方法
Hosseinpour et al. An adaptive fuzzy logic controller for intelligent drying
CN117193079A (zh) 食品的烘焙加工控制***及其方法
CN112819044A (zh) 用于目标对象的目标操作任务补偿的神经网络的训练方法
CN116052269A (zh) 运动损伤预警***及其预警方法
CN114686324A (zh) 一种酿制酒、醋的高效发酵装置
CN115131735A (zh) 五金工具热处理后冷却媒介温度控制***及温度控制方法
CN116825217B (zh) 制备高纯五氟化磷的方法

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