WO2019219450A1 - Elektrochirurgisches system und verfahren zum betreiben eines elektrochirurgischen systems - Google Patents

Elektrochirurgisches system und verfahren zum betreiben eines elektrochirurgischen systems Download PDF

Info

Publication number
WO2019219450A1
WO2019219450A1 PCT/EP2019/061648 EP2019061648W WO2019219450A1 WO 2019219450 A1 WO2019219450 A1 WO 2019219450A1 EP 2019061648 W EP2019061648 W EP 2019061648W WO 2019219450 A1 WO2019219450 A1 WO 2019219450A1
Authority
WO
WIPO (PCT)
Prior art keywords
image
electrode
neural network
processing unit
data processing
Prior art date
Application number
PCT/EP2019/061648
Other languages
English (en)
French (fr)
Inventor
Christian Stange
Original Assignee
Olympus Winter & Ibe Gmbh
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 Olympus Winter & Ibe Gmbh filed Critical Olympus Winter & Ibe Gmbh
Publication of WO2019219450A1 publication Critical patent/WO2019219450A1/de

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B1/00—Instruments for performing medical examinations of the interior of cavities or tubes of the body by visual or photographical inspection, e.g. endoscopes; Illuminating arrangements therefor
    • A61B1/00002—Operational features of endoscopes
    • A61B1/00004—Operational features of endoscopes characterised by electronic signal processing
    • A61B1/00009—Operational features of endoscopes characterised by electronic signal processing of image signals during a use of endoscope
    • A61B1/000096—Operational features of endoscopes characterised by electronic signal processing of image signals during a use of endoscope using artificial intelligence
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
    • A61B18/04—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body by heating
    • A61B18/12—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body by heating by passing a current through the tissue to be heated, e.g. high-frequency current
    • A61B18/14—Probes or electrodes therefor
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B90/00—Instruments, implements or accessories specially adapted for surgery or diagnosis and not covered by any of the groups A61B1/00 - A61B50/00, e.g. for luxation treatment or for protecting wound edges
    • A61B90/36—Image-producing devices or illumination devices not otherwise provided for
    • A61B90/361—Image-producing devices, e.g. surgical cameras
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B90/00—Instruments, implements or accessories specially adapted for surgery or diagnosis and not covered by any of the groups A61B1/00 - A61B50/00, e.g. for luxation treatment or for protecting wound edges
    • A61B90/90—Identification means for patients or instruments, e.g. tags
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B1/00—Instruments for performing medical examinations of the interior of cavities or tubes of the body by visual or photographical inspection, e.g. endoscopes; Illuminating arrangements therefor
    • A61B1/04—Instruments for performing medical examinations of the interior of cavities or tubes of the body by visual or photographical inspection, e.g. endoscopes; Illuminating arrangements therefor combined with photographic or television appliances
    • A61B1/05—Instruments for performing medical examinations of the interior of cavities or tubes of the body by visual or photographical inspection, e.g. endoscopes; Illuminating arrangements therefor combined with photographic or television appliances characterised by the image sensor, e.g. camera, being in the distal end portion
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
    • A61B18/04—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body by heating
    • A61B18/12—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body by heating by passing a current through the tissue to be heated, e.g. high-frequency current
    • A61B18/14—Probes or electrodes therefor
    • A61B2018/1405—Electrodes having a specific shape
    • A61B2018/1407—Loop
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
    • A61B18/04—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body by heating
    • A61B18/12—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body by heating by passing a current through the tissue to be heated, e.g. high-frequency current
    • A61B18/14—Probes or electrodes therefor
    • A61B2018/1405—Electrodes having a specific shape
    • A61B2018/1417—Ball
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
    • A61B18/04—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body by heating
    • A61B18/12—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body by heating by passing a current through the tissue to be heated, e.g. high-frequency current
    • A61B18/14—Probes or electrodes therefor
    • A61B2018/1495—Electrodes being detachable from a support structure
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Definitions

  • the invention relates to an electrosurgical system and a method for operating an electrosurgical system.
  • high-frequency surgery also referred to as HF surgery
  • a high-frequency alternating current is passed through tissue that is to be treated surgically in order to specifically damage or cut it.
  • the essential advantage of this surgical technique compared to the use of a conventional scalpel is that, at the same time as the incision, bleeding is stopped by occlusion of the affected vessels.
  • an electrode is plugged onto a surgical instrument, for example a resectoscope.
  • a surgical instrument for example a resectoscope.
  • operating parameters include, for example, the electrode applied voltage.
  • different voltage values must be set.
  • an electrosurgical system and a method for operating the same is disclosed, with which an electrode is detected and the operating parameters of the electro -urgical system are adapted to the detected electrode.
  • an image of an identification feature present on the electrode for example a bar code or a color code, is detected by means of an image acquisition system already present on the surgical instrument.
  • This identifier is compared with identification features stored in a database so as to identify the electrode.
  • the operating parameters assigned to this electrode are transmitted to a controller of the electrosurgical system.
  • the bar code or the color coding is detected by the image acquisition system in such a way that the electrode can be uniquely identified on the basis of the acquired image of the bar code or the color coding. If, for example, the electrode is picked up under an unfavorable angle or if the illumination is too weak, erroneous identification may occur since the detected identification feature, as shown in the image, no longer exactly matches the identification feature stored in the database is deposited.
  • an electrosurgical system comprising a surgical instrument with an imaging system and a shaft, wherein an electrode holder is provided at a distal end of the shaft, and wherein the image acquisition system is arranged for detecting an operation field, which extending distally in front of the distal end of the shaft, the system further comprising an electrode connectable to the electrode holder for performing a surgical treatment and a data processing unit, wherein the imaging system is adapted to capture an image of the electrode and to the Data processing unit to transmit, wherein the data processing unit is adapted to
  • the electrosurgical system is further developed in that the data processing unit is adapted to identify the electrode type of the electrode by machine learning.
  • machine learning is to be understood as a technology in which a data processing unit is set up to perform tasks by learning from data instead of being programmed for the tasks.
  • Machine learning therefore always requires a learning phase during which the data processing unit is trained to perform later tasks. After the learning phase, the data processing unit can be placed in a classification phase to take over the required tasks.
  • One way to implement machine learning in a data processing unit is an artificial neural network.
  • the electrosurgical system is developed in that the mechanical learning is implemented in an artificial neural network.
  • the type of electrode is more reliably identified. Instead of a direct comparison of the detected identification feature with stored in a database identification features, the identification is carried out by means of the neural network.
  • the neural network is trained to detect the types of electrodes. For this purpose, for example, training images are supplied to the neural network. The electrode types of the electrodes depicted in these training images are known and given to the neural network during the training process. The trained neural network is able to recognize the types of electrodes depicted in the training images. If subsequently unknown images of electrodes are supplied to this neuronal network, the neural network reliably identifies the type of electrode of these electrodes, provided that it has previously been trained to recognize electrodes of this type of electrode.
  • the neural network must be trained with a corresponding number of images of each type of electrode to be identified.
  • the artificial neural network is trained with images of all types of electrodes associated with surgery. see instrument can be used.
  • the artificial neural network is trained with at least 100 images, in particular at least 500 images, in particular at least 750 images per electrode type. These images are preferably taken from different angles and in particular also under different lighting conditions.
  • all arithmetic operations to be performed in connection with the identification of the type of electrode by means of the artificial neural network are carried out by the data processing unit. This advantageously makes it unnecessary to provide and / or set up a further data processing unit, for example an external computer, for the identification of the electrode type.
  • the electrochurgical system comprises a control unit in which the controller and the data processing unit are arranged as separate units.
  • the control unit is a correspondingly populated rack.
  • the controller is part of an external computer system, such as a computer connected to the electrosurgical system.
  • the data processing unit comprises a data memory on which a plurality of electrode data records are stored.
  • Each of these electrode data records comprises, for example, an electrode type name and at least one operating parameter intended for operating this electrode type.
  • an electrode type data set is stored on the data memory. After identification of the electrode type by the artificial neural network, it becomes advantageous The electrode type data set is retrieved, whose electrode type name corresponds to the identified electrode type. Subsequently, the operating parameters stored in this electrode data record are transferred to the controller.
  • the data processing unit comprises a database on which parameter information of the artificial neural network is stored, the data processing unit being adapted to supply the identification features to an input layer of the artificial neural network, to parametrize a hidden layer of the artificial neural network by means of the parameter information and output the identified type of electrode in an output layer of the artificial neural network.
  • this structuring of the neural network achieves a short training duration of the artificial neural network as well as a simple and reliable identification of the electrode types by means of the at least one identification feature.
  • both the parameter information of the artificial neural network and the electrode type data sets are stored on the same database.
  • the parameter information includes, for example, information about the number and weights of the neurons of the artificial neural network.
  • some parameter information, such as the number of neurons, may be given by a user.
  • the activation function of the artificial neural network is a radial basis function.
  • the artificial neural network is thus preferably a so-called Radial Base Function Network (RBFN).
  • RBFN Radial Base Function Network
  • An RBFN has an input Layer, a single buried layer, and an output layer.
  • a RBFN has a simple architecture.
  • the time required to train the RBFN is shorter than other, more complex artificial neural networks.
  • the data processing unit is set up to carry out the following processing steps before extracting the at least one identification feature:
  • the transferred image is processed with these processing steps in such a way that the post-processed image contains only insignificant image disturbances or artifacts.
  • the post-processed image is segmented, that is, electrode segments are defined in that image.
  • the electrode segments essentially correspond to the image area of the transmitted image, which shows the detected electrode.
  • the remaining image areas essentially comprise the Background of the transferring image.
  • the electrode segments thus give exactly the shape of the electrode. Since the identification features of the electrode are extracted from these electrode segments or by means of these electrode segments, the identification features allow reliable characterization of the electrode.
  • the segmentation of the post-processed image is in particular a pixel-based segmentation.
  • the conversion of an image into a greyscale image or a binary image as well as the application of mean value filters, dilation operations and erosion operations are known processing steps of image processing, which require no further explanation.
  • all pixels which have a certain gray scale value, in particular white are defined as the electrode segment.
  • All other pixels, for example below this gray scale value, ie in particular all black pixels, are set as the background.
  • two processing steps are carried out in which a mean value filter is applied.
  • the first average filter is preferably a strong average filter, so that the edges of the electrode in the gray scale image are blurred.
  • the data processing unit is preferably a one-chip system which comprises a programmable logic gate arrangement, in particular an FPGA, and a processor arranged on the one-chip system.
  • a single-chip system better known by the English term "system-on-a-chip” (SoC) integrates many functions of a data processing unit on a single chip.
  • SoC system-on-a-chip
  • a so-called “stand-alone system” is achieved, which makes it possible to identify the electrode type independently of other components of the electrosurgical system and external components.
  • an external computer is often provided for displaying and evaluating the images acquired by the image acquisition system during a surgical treatment. If the identification were made by means of this external computer, the functionality of the identification would depend on the structure and the device of this external computer.
  • the one-chip system comprises, in particular, an FPGA, that is to say a so-called field programmable gate array, as well as a processor.
  • FPGA field programmable gate array
  • the use of an FPGA and a processor advantageously reduces the time required to identify the electrode type. This is because certain computational operations with an FPGA and other computations with a processor are performed faster.
  • the algorithms that run on the FPGA are implemented in particular with VHDL.
  • the algorithms that are executed on the processor for example, in the programming language C pro- programmed.
  • the identification features extracted from the image are invariant moments and / or an eccentricity and / or chromaticity coordinates of at least one electrode segment.
  • the invariant moments and the eccentricity of the at least one electrode segment are determined by a number of partial calculations performed one after the other. With the partial calculations, a variable describing the electrode segment is calculated in each case. For example, the object centroid is calculated with a first partial calculation, the object mass with a second partial calculation, with a third partial calculation the central moments, with a fourth partial calculation the normal central moments and with a fifth partial calculation the invariant moments.
  • the eccentricity is calculated from the central moments.
  • the post-processed image is superimposed with a color image of the electrode, in particular the transmitted image.
  • the pixels of the color image lying on an electrode segment are plotted in a flistogram. This histogram is used to determine the color value fraction of the electrode segment. Due to the additional consideration of this color value component, different colors of the electrodes are taken into account in the identification of the electrode type. This is useful, for example, if the electrodes are provided by the manufacturer with differently colored electrical supply lines, so that the electrodes can be identified by the colors of this supply line.
  • the one-chip system is adapted to perform at least a partial calculation, in particular a calculation of central moments of the electrode segment, on the programmable logic gate arrangement and at least one of the remaining partial calculations on the processor ,
  • the computing time required for this partial calculation is substantially reduced.
  • the object is also achieved by a method for operating an electrosurgical system, comprising a surgical instrument with an imaging system and a shaft, wherein at an distal end of the shaft, an electrode receptacle is present, which is suitable for receiving from an electrode to Performing a surgical treatment is formed, comprising the following steps:
  • the method for operating the electrosurgical system has the same or similar advantages as already mentioned with regard to the electrosurgical system itself, so that repetition should be dispensed with at this point.
  • the machine learning takes place in an artificial neural network, so that the electrode type of the electrode is identified by means of the artificial neural network.
  • the method steps of extracting the at least one identification feature, identifying the type of electrode and transmitting the at least one operating parameter are performed by the data processing unit.
  • the identification features are supplied to an input layer of the artificial neural network, a hidden layer of the artificial neural network is parametrized by means of parameter information stored on a database of the data processing unit, and the identified type of electrode is output from the output layer artificial neural network.
  • the activation function of the artificial neural network is a radial basis function.
  • the image is processed by means of the following processing steps:
  • Segment the postprocessed image by defining at least one electrode segment.
  • the data processing unit is preferably a one-chip system which comprises a programmable logic gate arrangement, in particular an FPGA, and a processor arranged on the one-chip system.
  • the identification features extracted from the image are preferably invariant moments and / or an eccentricity and / or chromaticity coordinates of at least one electrode segment.
  • FIG. 1 shows an electrosurgical system in schematically simplified representation
  • FIG. 2 shows a schematically simplified illustration of images showing electrodes of different electrode types
  • FIG. 3 shows a flow diagram of a method for operating an electrosurgical system
  • FIG. 4 shows a schematically simplified representation of an artificial neural network by means of which an electrode type is identified.
  • Fig. 1 shows, in a schematically simplified illustration, an electrochemical system 2, comprising a surgical instrument 4 with an imaging system, not shown in FIG. 1, and a shaft 6. At the distal end 8 of the shaft 6, there is an electrode holder. This serves to receive an electrode 10 for performing a surgical treatment.
  • a resectoscope is shown as a surgical instrument 4 in FIG. 1. Accordingly, the electrode 10 is a resection electrode, ie a loop.
  • the surgical instrument 4 is connected via a supply line 12 to a control unit 14.
  • the supply line 12 serves for the electrical supply of the surgical instrument 4 and also for the data transmission between the control unit 14 and the surgical instrument 4.
  • the control unit 14 in FIG. 1 is an example of a mobile component carrier or a rack and, in addition to further, generally known units, comprises a controller 16 and a data processing unit 20.
  • the controller 16 is used to control the surgical instrument 4 and, for example, specifies the voltage value of the voltage applied to the electrode 10.
  • the data processing unit 20 is, for example, a one-chip system (SoC), which comprises a database 22, a programmable logic gate arrangement 24, that is to say an FPGA, and a processor 26.
  • SoC one-chip system
  • the processor 26 is arranged as part of the SoC on a common board with the FPGA.
  • the control unit 14 in the exemplary arrangement shown in FIG. 1 is connected to an external computer system 18.
  • the external computer system 18 for example, images taken by the image acquisition system can be viewed and control commands transmitted to the surgical instrument 4 and / or the controller 16.
  • the controller 16 is part of the external computer system 18.
  • the image acquisition system of the surgical instrument 4 is set up to capture an image of the electrode 10 and to transmit it to the data processing unit 20.
  • the data transmission takes place for example via the supply line 12. It can also be done in other ways, such as wireless.
  • the data processing unit 20 is configured to extract at least one identification feature of the electrode 10 from the image, to identify an electrode type of the electrode 10 by evaluating the at least one identification feature and at least one operating parameter associated with the identified electrode type. For example, a voltage value to be transmitted to the controller 16.
  • the transmitted image is advantageously post-processed, for example to remove sources of interference from the image and to define electrode segments in the image.
  • the identification of the electrode type of the electrode 10 takes place by means of an artificial neural network, for example a Radial Basis Function Network.
  • This artificial neural network is previously trained with a sufficient number of training images so that it reliably detects the type of electrode.
  • the first image 50 shows an electrode 32 in the form of a loop
  • the second image 50 shows an electrode 34 in FIG The shape of a serrated rolling element
  • the third image 50 a button electrode 36.
  • the number of different electrode types is significantly larger.
  • the electrosurgical system 2 can be used with twelve different types of electrodes.
  • some types of electrodes are so similar that they are pure can not be distinguished reliably by a visual inspection by the medical staff.
  • three electrodes 32, 34, 36 were chosen, which are visually easy to distinguish.
  • the images 50 in FIG. 2 are square, for example 256 x 256 pixels.
  • the actual field of view of a typical image acquisition system of a surgical instrument 4 is often circular, as indicated in FIG. 2, so that an edge arises between the square frame and the circular field of view. This border is typically set to black for easier post-processing of the images 50.
  • FIG. 3 shows a schematically simplified flowchart of an exemplary method for operating an electrosurgical system 2 with the method steps 71 to 76.
  • the image acquisition system 9 present in the shaft 6 of the surgical instrument 4, which in FIG for illustrative purposes as a camera, an image 50 of the electrode 32 is detected. Subsequently, this image 50 is transferred to the data processing unit 20 in method step 72.
  • step 73 the image 50 in the data processing unit 20 is reworked.
  • the processing steps performed in step 73 include, for example, transforming the transmitting image into a grayscale image, applying various averaging filters, dilation operations and erosion operations, converting the image to a binary image, and similar processing steps.
  • the image 50 is segmented, with one or more Rere electrode segments 52 are set. In this case, for example, all white areas of a binary image are defined as the electrode segment 52 and all black areas as the background.
  • the identification features 54 are extracted from the electrode segment 52 in method step 74. This method step is also carried out in the data processing unit 20.
  • the identification features 54 of the electrode segment 52 are, for example, the invariant moments and / or the eccentricity and / or chromaticity coordinates of the electrode segment 52.
  • the calculation is used to determine the invariant - Moments necessary central moments on the programmable logic gate arrangement 24 performed.
  • the Programmable Logic Gate Array 24 (FPGA) is specially programmed for this task. Therefore, the calculation of the invariant moments is very efficient, ie in a very short time. The remaining partial calculations for determining the invariant moments are performed on the processor 26.
  • the identification features 54 are supplied to an artificial neural network 40.
  • an artificial neural network 40 As an example of machine learning.
  • the artificial neural network 40 has previously been trained on the detection of various types of electrodes and identifies the electrode type of the electrode 32 based on the identification features 54.
  • an electrode type data record 60 is subtracted. which contains by way of example an electrode type name 61 which corresponds to the identified electrode type.
  • the electrode data record 60 contains at least one operating parameter 68, that is, for example, a current and voltage range permissible in operation for the electrode type 62, 64, 66.
  • the method step 75 is also executed by the data processing unit 20.
  • the operating parameters 68 of the electrode type data record 60 are transmitted to the controller 16 so that the controller 16 can set or set, for example, the voltage value required for the electrode 32.
  • FIG. 4 shows schematically the artificial neural network 40.
  • the exemplary representation shown in FIG. 4 is a so-called Radial Basis Function Network which has three layers, namely an input layer 42, a hidden layer 44 and an output layer 46.
  • the input layer 42 has a plurality of input neurons 43, to each of which identification features 54 are supplied. For example, the invariant moments are fed to a first input neuron 43, the eccentricity to a second input neuron 43, and the chromaticity coordinates of the electrode segment 52 to a third input neuron 43.
  • the hidden layer 44 comprises a plurality of hidden neurons or centers 45, which perform the arithmetic operations necessary for the identification of the electrode type 62, 64, 66.
  • Each of the identification features 54 is supplied to each of the centers 45.
  • the parameterization of the hidden layer 44 that is, for example, the number and weighting of the centers 45, is determined during the training of the neural network 40. This training takes place for example on the basis of training images in which electrodes can be seen with known types of electrodes. For example, the number of centers 45 is twelve to forty depending on constraints such as the camera used by the imaging system 9.
  • the result of the identification is output from the output neuron 47 of the output layer 46.
  • a known probability is assigned to each known electrode type 62, 64, 66, which expresses how likely the electrode 32 is to be the respective electrode type 62, 64, 66. If this probability exceeds a threshold value, for example 50%, 90% or 99%, the corresponding electrode type 62, 64, 66 is output as a result of the identification. In Fig. 4 this is indicated by the fact that the electrode type 62 is marked with a hook, while the electrode types 64 and 66 are marked with an X.
  • the neural network 40 has thus successfully identified the electrode type 62 of the electrode 32. Through the use of an artificial neural network 40, accuracy in the identification of electrode types 62, 64, 66 of 99% and more can be achieved.

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Surgery (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Pathology (AREA)
  • Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Signal Processing (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Optics & Photonics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Plasma & Fusion (AREA)
  • Otolaryngology (AREA)
  • Surgical Instruments (AREA)
  • Image Processing (AREA)

Abstract

Die Erfindung betrifft ein elektrochirurgisches System (2) und ein Verfahren zum Betreiben eines elektrochirurgischen Systems (2). Das elektrochirurgische System (2) umfasst ein chirurgisches Instrument (4) mit einem Bilderfassungssystem (9) und einem Schaft (6), an dessen distalem Ende (8) eine Elektrodenaufnahme vorhanden ist. Das Bilderfassungssystem (9) ist dazu eingerichtet, ein Bild (50) der Elektrode (10, 32, 34, 36) zu erfassen und an die Datenverarbeitungseinheit (20) zu übertragen. Die Datenverarbeitungseinheit (20) ist dazu eingerichtet, zumindest ein Identifikationsmerkmal (54) der Elektrode (10, 32, 34, 36) aus dem Bild (50) zu extrahieren, einen Elektrodentyp (62, 64, 66) der Elektrode (10, 32, 34, 36) durch Auswerten des zumindest einen Identifikationsmerkmals (54) zu identifizieren, und zumindest einen zu dem identifizierten Elektrodentyp (62, 64, 66) gehörigen Betriebsparameter (68) an eine Steuerung (16) des chirurgischen Instruments (4) zu übertragen. Das elektrochirurgische System (2) und das Verfahren sind dadurch weitergebildet, dass die Datenverarbeitungseinheit (20) dazu eingerichtet ist, den Elektrodentyp (62, 64, 66) der Elektrode (10, 32, 34, 36) durch maschinelles Lernen zu identifizieren.

Description

Elektrochirurgisches System und Verfahren zum Betreiben eines elektrochirurgischen Systems Beschreibung
Die Erfindung betrifft ein elektrochirurgisches System und ein Ver- fahren zum Betreiben eines elektrochirurgischen Systems. In der Hochfrequenzchirurgie, auch als HF-Chirurgie bezeichnet, wird ein hochfrequenter Wechselstrom durch chirurgisch zu behan- delndes Gewebe geleitet, um dieses gezielt zu schädigen oder zu schneiden. Der wesentliche Vorteil dieser Operationstechnik gegen- über der Verwendung eines herkömmlichen Skalpells ist, dass gleichzeitig mit dem Schnitt eine Blutungsstillung durch Verschluss der betroffenen Gefäße erfolgt.
Bei der Hochfrequenzchirurgie wird anstatt eines Skalpells eine Elektrode auf ein chirurgisches Instrument, beispielsweise auf ein Resektoskop, aufgesteckt. Zum Betreiben der Elektrode ist es wich- tig, dass diese mit den vorgesehenen Betriebsparametern betrieben wird. Zu diesen Betriebsparametern gehört z.B. die an die Elektrode angelegte Spannung. Je nach Elektrodentyp sind unterschiedliche Spannungswerte einzustellen.
In der Patentanmeldung DE 10 2014 217 095 A1 der Anmelderin, Olympus Winter & Ibe GmbH, ist ein elektrochirurgisches System und ein Verfahren zum Betreiben desselben offenbart, mit denen eine Elektrode erkannt und die Betriebsparameter des elektrochi- rurgischen Systems an die erkannte Elektrode angepasst werden. Dazu wird mittels eines bereits am chirurgischen Instrument vor- handenen Bilderfassungssystems ein Bild eines an der Elektrode vorhandenen Identifikationsmerkmals erfasst, beispielsweise ein Barcode oder eine Farbcodierung. Dieses Identifikationsmerkmal wird mit in einer Datenbank gespeicherten Identifikationsmerkmalen verglichen, um so die Elektrode zu identifizieren. Anschließend wer- den die dieser Elektrode zugeordneten Betriebsparameter an eine Steuerung des elektrochirurgischen Systems übertragen.
In einem solchen System ist es jedoch erforderlich, dass der Bar- code oder die Farbcodierung von dem Bilderfassungssystem in ei- ner Weise erfasst wird, dass anhand des erfassten Bildes des Bar- codes oder der Farbcodierung die Elektrode eindeutig identifizierbar ist. Wird beispielsweise die Elektrode unter einem ungünstigen Win- kel oder bei zu schwacher Beleuchtung aufgenommen, kann es zu einer fehlerhaften Identifizierung kommen, da das erfasste Identifi kationsmerkmal , wie es in dem Bild wiedergegeben ist, nicht mehr exakt mit dem Identifikationsmerkmal, das in der Datenbank hinter- legt ist, übereinstimmt.
Es ist eine Aufgabe der Erfindung, ein elektrochirurgisches System und ein Verfahren zum Betreiben eines elektrochirurgischen Sys- tems bereitzustellen, mit denen die Zuverlässigkeit bei der Identifi kation der Elektroden verbessert werden kann. Diese Aufgabe wird gelöst durch ein elektrochirurgisches System, umfassend ein chirurgisches Instrument mit einem Bilderfassungs- system und einem Schaft, wobei an einem distalen Ende des Schafts eine Elektrodenaufnahme vorhanden ist, und wobei das Bil- derfassungssystem zum Erfassen eines Operationsfeldes eingerich- tet ist, welches sich distal vor dem distalen Ende des Schafts er- streckt, wobei das System ferner eine mit der Elektrodenaufnahme verbindbare Elektrode zum Durchführen einer chirurgischen Be- handlung und eine Datenverarbeitungseinheit umfasst, wobei das Bilderfassungssystem dazu eingerichtet ist, ein Bild der Elektrode zu erfassen und an die Datenverarbeitungseinheit zu übertragen, wobei die Datenverarbeitungseinheit dazu eingerichtet ist,
- zumindest ein Identifikationsmerkmal der Elektrode aus dem Bild zu extrahieren,
- einen Elektrodentyp der Elektrode durch Auswerten des zu- mindest einen Identifikationsmerkmals zu identifizieren, und
- zumindest einen zu dem identifizierten Elektrodentyp gehöri- gen Betriebsparameter an eine Steuerung des chirurgischen Instruments zu übertragen,
wobei das elektrochirurgische System dadurch weitergebildet ist, dass die Datenverarbeitungseinheit dazu eingerichtet ist, den Elek- trodentyp der Elektrode durch maschinelles Lernen zu identifizieren.
Im Kontext der vorliegenden Beschreibung soll unter maschinellem Lernen eine Technologie verstanden werden, bei der eine Daten- verarbeitungseinheit zur Ausführung von Aufgaben eingerichtet wird, indem diese aus Daten lernt, anstatt für die Aufgaben pro- grammiert zu werden. Maschinelles Lernen setzt daher stets eine Anlernphase voraus, während der die Datenverarbeitungseinheit ertüchtigt wird, spätere Aufgaben auszuführen. Nach der Anlern- phase kann die Datenverarbeitungseinheit in einer Klassifikations- phase die gewünschten Aufgaben übernehmen. Eine Möglichkeit, maschinelles Lernen in einer Datenverarbeitungseinheit zu imple- mentieren, ist ein künstliches neuronales Netz. Gemäß einer Ausführungsform ist daher vorgesehen, dass das elektrochirurgische System dadurch fortgebildet ist, dass das ma- schinelle Lernen in einem künstlichen neuronalen Netz implemen- tiert ist. Vorteilhaft wird in dem erfindungsgemäßen System der Elektroden- typ zuverlässiger identifiziert. Statt eines direkten Vergleichs des erfassten Identifikationsmerkmals mit in einer Datenbank gespei- cherten Identifikationsmerkmalen, erfolgt die Identifikation mittels des neuronalen Netzes.
Das neuronale Netz wird auf die Erkennung der Elektrodentypen trainiert. Hierzu werden dem neuronalen Netz beispielsweise Trai- ningsbilder zugeführt. Die Elektrodentypen der in diesen Trainings- bildern abgebildeten Elektroden sind bekannt und werden dem neu- ronalen Netz während des Trainingsvorgangs vorgegeben. Das trai- nierte neuronale Netz ist in der Lage, die in den Trainingsbildern abgebildeten Elektrodentypen zu erkennen. Werden diesem neuro- nalen Netz anschließend unbekannte Bilder von Elektroden zuge- führt, so identifiziert das neuronale Netz zuverlässig den Elektro- dentyp dieser Elektroden, vorausgesetzt es wurde zuvor auf die Er- kennung von Elektroden dieses Elektrodentyps trainiert.
Um eine zuverlässige Identifizierung durch das neuronale Netz zu erreichen, muss das neuronale Netz mit einer entsprechenden An- zahl von Bildern jedes Elektrodentyps, der identifiziert werden soll, trainiert werden. Vorzugsweise wird das künstliche neuronale Netz mit Bildern von allen Elektrodentypen trainiert, die mit dem chirurgi- sehen Instrument eingesetzt werden können. Vorzugsweise wird das künstliche neuronale Netz mit wenigstens 100 Bildern, insbesondere wenigstens 500 Bildern, insbesondere wenigstens 750 Bildern pro Elektrodentyp trainiert. Diese Bilder werden vorzugsweise aus un- terschiedlichen Blickwinkeln und insbesondere ebenfalls unter un- terschiedlichen Beleuchtungsbedingungen aufgenommen.
Insbesondere werden alle Rechenoperationen, die im Zusammen- hang mit der Identifikation des Elektrodentyps mittels des künstli- chen neuronalen Netzes durchzuführen sind, von der Datenverar- beitungseinheit ausgeführt. Vorteilhaft ist es dadurch überflüssig, eine weitere Datenverarbeitungseinheit, beispielsweise einen exter- nen Computer, für die Identifikation des Elektrodentyps bereitzustel- len und/oder einzurichten.
Die Steuerung des chirurgischen Instruments ist separat von der Datenverarbeitungseinheit. Beispielsweise umfasst das elektrochi- rurgische System eine Steuereinheit, in der die Steuerung und die Datenverarbeitungseinheit als voneinander separate Einheiten an- geordnet sind. Beispielsweise handelt es sich bei der Steuereinheit um ein entsprechend bestücktes Rack. Alternativ ist die Steuerung Bestandteil eines externen Rechnersystems, beispielsweise eines an das elektrochirurgische System angeschlossenen Computers.
Vorzugsweise umfasst die Datenverarbeitungseinheit einen Daten- speicher, auf dem mehrere Elektrodentypdatensätze gespeichert sind. Jeder dieser Elektrodentypdatensätze umfasst beispielsweise einen Elektrodentypnamen und zumindest einen zum Betreiben die- ses Elektrodentyps vorgesehenen Betriebsparameter. Vorzugsweise ist für jeden verwendeten Elektrodentyp ein Elektrodentypdatensatz auf dem Datenspeicher gespeichert. Vorteilhaft wird nach dem Iden- tifizieren des Elektrodentyps durch das künstliche neuronale Netz- werk der Elektrodentypdatensatz abgerufen, dessen Elektrodentyp- namen dem identifizierten Elektrodentyp entspricht. Anschließend werden die in diesem Elektrodentypdatensatz gespeicherten Be- triebsparameter an die Steuerung übertragen.
Vorzugsweise umfasst die Datenverarbeitungseinheit eine Daten- bank, auf der Parameterinformationen des künstlichen neuronalen Netzes gespeichert sind, wobei die Datenverarbeitungseinheit dazu eingerichtet ist, die Identifikationsmerkmale einer Eingangsschicht des künstlichen neuronalen Netzes zuzuführen, mittels der Parame- terinformationen eine verdeckte Schicht des künstlichen neuronalen Netzes zu parametrisieren und den identifizierten Elektrodentyp in einer Ausgabeschicht des künstlichen neuronalen Netzes auszuge- ben.
Vorteilhaft wird durch diese Strukturierung des neuronalen Netzes ein kurze Trainingsdauer des künstlichen neuronalen Netzes sowie eine einfache und zuverlässige Identifikation der Elektrodentypen mittels des wenigstens einen Identifikationsmerkmals erzielt.
Insbesondere sind auf derselben Datenbank sowohl die Parameter- informationen des künstlichen neuronalen Netzes als auch die Elektrodentypdatensätze gespeichert. Die Parameterinformationen umfassen beispielsweise Informationen über die Zahl und Gewich- tungen der Neuronen des künstlichen neuronalen Netzes. Alternativ können einige Parameterinformationen, wie beispielsweise die An- zahl der Neuronen, von einem Nutzer vorgegeben werden.
Weiterhin vorzugsweise ist die Aktivierungsfunktion des künstlichen neuronalen Netzes eine radiale Basisfunktion. Das künstliche neu- ronale Netzwerk ist somit vorzugsweise ein sogenanntes Radial Ba- sis Function Network (RBFN). Ein RBFN weist eine Eingangs- Schicht, eine einzelne verdeckte Schicht und eine Ausgabeschicht auf. Vorteilhafterweise verfügt ein RBFN daher über eine einfache Architektur. Zudem ist die Zeit kürzer, die im Vergleich zu anderen, komplexeren künstlichen neuronalen Netzen zum Trainieren des RBFNs benötigt wird.
Gemäß einer Ausführungsform ist die Datenverarbeitungseinheit dazu eingerichtet, vor dem Extrahieren des wenigstens einen Identi- fikationsmerkmals folgende Bearbeitungsschritte durchzuführen:
- Umwandlung des übertragenen Bildes in ein Graustufenbild,
- Erzeugung eines gefilterten Bildes durch Anwendung eines ersten Mittelwertfilters auf das Graustufenbild,
- Berechnung eines Differenzbildes durch Subtraktion der Graustufenwerte des gefilterten Bildes von den Graustufen- werten des Graustufenbilds,
- Erzeugung eines geglätteten Bildes durch Anwendung eines zweiten Mittelwertfilters auf das Differenzbild,
- Umwandlung des geglätteten Bildes in ein Binärbild,
- Erzeugung eines nachbearbeiteten Bildes durch Anwendung wenigstens einer Dilatation-Operation und/oder einer Erosion- Operation auf das Binärbild, und
- Segmentierung des nachbearbeiteten Bildes durch Festlegung wenigstens eines Elektroden-Segments.
Vorteilhaft wird das übertragene Bild mit diesen Bearbeitungsschrit- ten auf eine Weise bearbeitet, dass das nachbearbeitete Bild nur noch unwesentliche Bildstörungen oder Artefakte enthält. Nach der Erzeugung des nachbearbeiteten Bildes wird das nachbearbeitete Bild segmentiert, das heißt Elektroden-Segmente in diesem Bild festgelegt. Die Elektroden-Segmente entsprechen im Wesentlichen dem Bildbereich des übertragenden Bildes, der die erfasste Elektro- de zeigt. Die übrigen Bildbereiche umfassen im Wesentlichen den Hintergrund des übertragenden Bildes. Die Elektroden-Segmente geben also genau die Form der Elektrode wieder. Da die Identifika- tionsmerkmale der Elektrode aus diesen Elektroden-Segmenten oder mittels dieser Elektroden-Segmente extrahiert werden, ermög- liehen die Identifikationsmerkmale eine zuverlässige Charakterisie- rung der Elektrode. Die Segmentierung des nachbearbeiteten Bildes ist insbesondere eine pixelbasierte Segmentierung.
Das Umwandeln eines Bildes in ein Graustufenbild oder ein Binär- bild sowie die Anwendung von Mittelwertfiltern, Dilatations- Operationen und Erosions-Operationen sind bekannte Bearbei- tungsschritte der Bildbearbeitung, die keiner weiteren Erläuterung bedürfen. Vorzugsweise werden bei der Segmentierung des nach- bearbeiteten Bildes alle Pixel, die einen bestimmten Graustufenwert aufweisen, insbesondere weiß sind, als Elektroden-Segment festge- legt. Alle übrigen Pixel, die beispielsweise unterhalb dieses Grau- stufenwerts liegen, also insbesondere alle schwarzen Pixel, werden als Hintergrund festgelegt. Vorteilhaft werden bei dem Verfahren zwei Bearbeitungsschritte durchgeführt, bei denen ein Mittelwertfilter angewendet wird. Der erste Mittelwertfilter ist vorzugsweise ein starker Mittelwertfilter, so dass die Kanten der Elektrode in dem Graustufenbild verwischt werden. Durch Subtraktion dieses gefilterten Bildes von dem Grau- stufenbild wird ein Differenzbild erzeugt, das die durch den ersten Mittelwertfilter verlorengegangenen Informationen zeigt, also die Kanten des Objekts. Der zweite Mittelwertfilter ist ein im Vergleich zum ersten Mittelwertfilter schwacher Mittelwertfilter, durch den das Differenzbild lediglich geglättet wird. Vorteilhaft wird mit diesen Be- arbeitungsschritten erreicht, dass helle Störquellen im übertragenen Bild herausgefiltert werden und nicht zu einer fehlerhaften Identifi- kation des Elektrodentyps führen. Bevorzugt ist die Datenverarbeitungseinheit ein Ein-Chip-System das eine programmierbare Logikgatter-Anordnung, insbesondere ein FPGA, und einen auf dem Ein-Chip-System angeordneten Prozes- sor umfasst.
Ein Ein-Chip-System, besser bekannt unter dem englischen Aus- druck „System-on-a-Chip“ (SoC), integriert viele Funktionen einer Datenverarbeitungseinheit auf einem einzigen Chip. Auf diese Wei- se wird ein sogenanntes„Stand-Alone-System“ erreicht, das eine Identifikation des Elektrodentyps unabhängig von anderen Bestand- teilen des elektrochirurgischen Systems und externen Komponenten ermöglicht. So ist beispielsweise vielfach ein externer Computer zur Anzeige und Auswertung der von dem Bilderfassungssystem wäh- rend einer chirurgischen Behandlung erfassten Bilder vorgesehen. Würde die Identifikation mittels dieses externen Computers erfol- gen, so würde die Funktionalität der Identifikation von dem Aufbau und der Einrichtung dieses externen Computers abhängen. Durch die Ausführung der Datenverarbeitungseinheit als Ein-Chip-System wird diese Abhängigkeit vermieden und eine zuverlässige Identifika- tion des Elektrodentyps erreicht.
Das Ein-Chip-System umfasst insbesondere einen FPGA, also ein sogenanntes„Field Programmable Gate Array“ sowie einen Prozes- sor. Durch die Verwendung eines FPGAs und eines Prozessors wird vorteilhaft die für die Identifikation des Elektrodentyps benötigte Zeit reduziert. Dies ist darauf zurückzuführen, dass bestimmte Rechen- operationen mit einem FPGA und andere Rechenoperationen mit einem Prozessor schneller ausgeführt werden. Die Algorithmen, die auf dem FPGA ausgeführt werden, werden insbesondere mit VHDL umgesetzt. Die Algorithmen, die auf dem Prozessor ausgeführt wer- den, werden beispielsweise in der Programmiersprache C pro- grammiert.
Weiterhin bevorzugt sind die aus dem Bild extrahierten Identifi kati- onsmerkmale invariante Momente und/oder eine Exzentrizität und/oder Farbwertanteile wenigstens eines Elektroden-Segments.
Die invarianten Momente und die Exzentrizität des wenigstens einen Elektroden-Segments werden durch mehrere hintereinander ausge- führte Teilberechnungen bestimmt. Mit den Teilberechnungen wird jeweils eine das Elektroden-Segment beschreibende Größe berech- net. Beispielsweise wird mit einer ersten Teilberechnung der Ob- jektschwerpunkt berechnet, mit einer zweiten Teilberechnung die Objektmasse, mit einer dritten Teilberechnung die zentralen Mo- mente, mit einer vierten Teilberechnung die normalen zentralen Momente und mit einer fünften Teilberechnung die invarianten Mo- mente. Die Exzentrizität wird aus den zentralen Momenten berech- net.
Zur Berechnung der Farbwertanteile wird das nachbearbeitete Bild mit einem Farbbild der Elektrode, insbesondere dem übertragenden Bild, überlagert. Die Pixel des Farbbildes, die auf einem Elektroden- Segment liegen, werden in einem Flistogramm aufgetragen. Mittels dieses Histogramms wird der Farbwertanteil des Elektroden- Segments bestimmt. Durch die zusätzliche Berücksichtigung dieses Farbwertanteils werden unterschiedliche Farbgebungen der Elektro- den bei der Identifikation des Elektrodentyps berücksichtigt. Dies ist beispielsweise sinnvoll, wenn die Elektroden herstellerseitig mit un- terschiedlich farbigen elektrischen Zuleitungen ausgestattet werden, so dass die Elektroden über die Farben dieser Zuleitung identifizier- bar sind.
Vorzugsweise werden beim Extrahieren der invarianten Momente mehrere Teilberechnungen durchgeführt, wobei das Ein-Chip- System dazu eingerichtet ist, wenigstens eine Teilberechnung, ins- besondere eine Berechnung von zentralen Momenten des Elektro- den-Segments, auf der programmierbaren Logikgatter-Anordnung und zumindest eine der verbleibenden Teilberechnungen auf dem Prozessor durchzuführen.
Vorteilhaft wird mit der Durchführung der Berechnung der zentralen Momente auf der programmierbaren Logikgatter-Anordnung, also insbesondere auf dem FPGA, die für diese Teilberechnung benötig- te Rechenzeit wesentlich reduziert.
Die Aufgabe wird außerdem gelöst durch ein Verfahren zum Betrei- ben eines elektrochirurgischen Systems, umfassend ein chirurgi- sches Instrument mit einem Bilderfassungssystem und einem Schaft, wobei an einem distalen Ende des Schafts eine Elektroden- aufnahme vorhanden ist, die zur Aufnahme von einer Elektrode zum Durchführen einer chirurgischen Behandlung ausgebildet ist, umfas- send folgende Verfahrensschritte:
- Erfassen eines Bildes der Elektrode durch das Bilderfas- sungssystem und Übertragen des Bildes an eine Datenverar- beitungseinheit,
- Extrahieren zumindest eines Identifikationsmerkmals der Elektrode aus dem Bild,
- Identifizieren eines Elektrodentyps der Elektrode durch Aus- werten des zumindest einen Identifikationsmerkmals, und
- Übermitteln zumindest eines zu dem identifizierten Elektro- dentyp zugehörigen Betriebsparameters an eine Steuerung des chirurgischen Instruments,
wobei das Verfahren dadurch weitergebildet ist, dass der Elek- trodentyp der Elektrode durch maschinelles Lernen identifiziert wird. Auf das Verfahren zum Betreiben des elektrochirurgischen Systems treffen gleiche oder ähnliche Vorteile zu, wie sie bereits im Hinblick auf das elektrochirurgische System selbst erwähnt wurden, so dass an dieser Stelle auf Wiederholungen verzichtet werden soll.
Gemäß einer vorteilhaften Ausführungsform ist vorgesehen, dass das maschinelle Lernen in einem künstlichen neuronalen Netz er- folgt, so dass der Elektrodentyp der Elektrode mittels des künstli- chen neuronalen Netzes identifiziert wird.
Insbesondere werden die Verfahrensschritte des Extrahierens des wenigstens einen Identifikationsmerkmals, des Identifizierens des Elektrodentyps und des Übermitteins des wenigstens einen Be- triebsparameters von der Datenverarbeitungseinheit ausgeführt.
Vorzugsweise werden die Identifikationsmerkmale einer Eingangs- schicht des künstlichen neuronalen Netzes zugeführt, eine verdeck- te Schicht des künstlichen neuronalen Netzes mittels Parameterin- formationen parametrisiert, die auf einer Datenbank der Datenver- arbeitungseinheit gespeichert sind, und der identifizierte Elektroden- typ aus einer Ausgabeschicht des künstlichen neuronalen Netzes ausgegeben.
Weiterhin vorzugsweise ist die Aktivierungsfunktion des künstlichen neuronalen Netzes eine radiale Basisfunktion.
Gemäß einer Ausführungsform wird das Bild vor dem Extrahieren des zumindest einen Identifikationsmerkmals mittels der folgenden Bearbeitungsschritte bearbeitet:
- Umwandeln des übertragenden Bildes in ein Graustufenbild,
- Erzeugen eines gefilterten Bildes durch Anwenden eines ers- ten Mittelwertfilters auf das Graustufenbild, - Berechnen eines Differenzbildes durch Subtrahieren der Graustufenwerte des gefilterten Bildes von den Graustufen- werten des Graustufenbildes,
- Erzeugen eines geglätteten Bildes durch Anwenden eines zweiten Mittelwertfilters auf das Differenzbild,
- Umwandeln des geglätteten Bildes in ein Binärbild,
- Erzeugen eines nachbearbeiteten Bildes durch Anwenden wenigstens einer Dilatation-Operation und/oder einer Erosion- Operation auf das Binärbild,
- Segmentieren des nachbearbeiteten Bildes durch Festlegen wenigstens eines Elektroden-Segments.
Bevorzugt ist die Datenverarbeitungseinheit ein Ein-Chip-System, das eine programmierbare Logikgatter-Anordnung, insbesondere ein FPGA, und einen auf dem Ein-Chip-System angeordneten Prozes- sor umfasst.
Die aus dem Bild extrahierten Identifikationsmerkmale sind vor- zugsweise invariante Momente und/oder eine Exzentrizität und/oder Farbwertanteile wenigstens eines Elektroden-Segments.
Gemäß einer weiteren Ausführungsform werden bei dem Extrahie- ren der invarianten Momente mehrere Teilberechnungen durchge- führt, wobei wenigstens eine Teilberechnung, insbesondere eine Berechnung von zentralen Momenten des Elektroden-Segments, auf der programmierbaren Logikgatter-Anordnung und zumindest eine der verbleibenden Teilberechnungen auf dem Prozessor durchge- führt werden.
Weitere Merkmale der Erfindung werden aus der Beschreibung er- findungsgemäßer Ausführungsformen zusammen mit den Ansprü- chen und den beigefügten Zeichnungen ersichtlich. Erfindungsge- mäße Ausführungsformen können einzelne Merkmale oder eine Kombination mehrerer Merkmale erfüllen.
Die Erfindung wird nachstehend ohne Beschränkung des allgemei- nen Erfindungsgedankens anhand von Ausführungsbeispielen unter Bezugnahme auf die Zeichnungen beschrieben, wobei bezüglich aller im Text nicht näher erläuterten erfindungsgemäßen Einzelhei- ten ausdrücklich auf die Zeichnungen verwiesen wird. Es zeigen:
Fig. 1 ein elektrochirurgisches System in schematisch verein- fachter Darstellung,
Fig. 2 eine schematisch vereinfachte Darstellung von Bildern, die Elektroden unterschiedlicher Elektrodentypen zei- gen,
Fig. 3 ein Flussdiagramm eines Verfahrens zum Betreiben ei- nes elektrochirurgischen Systems und Fig. 4 eine schematisch vereinfachte Darstellung eines künst- lichen neuronalen Netzwerks, mittels dessen ein Elekt- rodentyp identifiziert wird.
In den Zeichnungen sind jeweils gleiche oder gleichartige Elemente und/oder Teile mit denselben Bezugsziffern versehen, so dass von einer jeweils erneuten Vorstellung abgesehen wird.
Fig . 1 zeigt in schematisch vereinfachter Darstellung ein elektrochi- rurgisches System 2, umfassend ein chirurgisches Instrument 4 mit einem in Fig. 1 nicht dargestellten Bilderfassungssystem und einem Schaft 6. Am distalen Ende 8 des Schafts 6 ist eine Elektrodenauf- nahme vorhanden. Diese dient der Aufnahme einer Elektrode 10 zum Durchführen einer chirurgischen Behandlung. Beispielhaft ist in Fig. 1 ein Resektoskop als chirurgisches Instrument 4 dargestellt. Entsprechend ist die Elektrode 10 eine Resektionselektrode, d.h. eine Schlinge.
Das chirurgische Instrument 4 ist über eine Versorgungsleitung 12 mit einer Steuereinheit 14 verbunden. Die Versorgungsleitung 12 dient der elektrischen Versorgung des chirurgischen Instruments 4 und auch der Datenübertragung zwischen der Steuereinheit 14 und dem chirurgischen Instrument 4.
Die Steuereinheit 14 ist in Fig. 1 beispielhaft ein mobiler Baugrup- penträger bzw. ein Rack und umfasst neben weiteren, allgemein bekannten Einheiten, eine Steuerung 16 und eine Datenverarbei- tungseinheit 20. Die Steuerung 16 wird zur Steuerung des chirurgi- schen Instruments 4 eingesetzt und gibt beispielsweise den Span- nungswert der an die Elektrode 10 angelegten Spannung vor.
Die Datenverarbeitungseinheit 20 ist beispielsweise ein Ein-Chip- System (SoC), das eine Datenbank 22, eine programmierbare Lo- gikgatter-Anordnung 24, also ein FPGA, und einen Prozessor 26 umfasst. Beispielsweise ist der Prozessor 26 als Bestandteil des SoC auf einer gemeinsamen Platine mit dem FPGA angeordnet.
Über eine weitere Versorgungsleitung 13 ist die Steuereinheit 14 in der in Fig. 1 gezeigten beispielhaften Anordnung mit einem exter- nen Rechnersystem 18 verbunden. Mit dem externen Rechnersys- tem 18 können beispielsweise von dem Bilderfassungssystem auf- genommene Bilder betrachtet und Steuerungsbefehle an das chirur- gische Instrument 4 und/oder die Steuerung 16 übertragen werden. Gemäß einer alternativen Ausführungsform ist die Steuerung 16 Be- standteil des externen Rechnersystems 18. Das Bilderfassungssystem des chirurgischen Instruments 4 ist dazu eingerichtet, ein Bild der Elektrode 10 zu erfassen und an die Da- tenverarbeitungseinheit 20 zu übertragen. Die Datenübertragung erfolgt beispielsweise über die Versorgungsleitung 12. Sie kann ebenso auf anderem Wege erfolgen, beispielsweise drahtlos. Die Datenverarbeitungseinheit 20 ist dazu eingerichtet, zumindest ein Identifikationsmerkmal der Elektrode 10 aus dem Bild zu extrahie- ren, einen Elektrodentyp der Elektrode 10 durch Auswerten des zu- mindest einen Identifikationsmerkmals zu identifizieren und zumin- dest einen zu dem identifizierten Elektrodentyp gehörigen Betriebs- parameter, beispielsweise einen Spannungswert, an die Steuerung 16 zu übertragen. Vor dem Extrahieren des Identifikationsmerkmals wird das übertragene Bild vorteilhafterweise nachbearbeitet, um beispielsweise Störquellen aus dem Bild zu entfernen und Elektro- den-Segmente in dem Bild festzulegen.
Die Identifikation des Elektrodentyps der Elektrode 10 erfolgt mittels eines künstlichen neuronalen Netzes, beispielsweise eines Radial Basis Function Network. Dieses künstliche neuronale Netz wird zu- vor mit einer genügenden Anzahl an Trainingsbildern trainiert, so dass es den Elektrodentyp zuverlässig erkennt.
Fig. 2 zeigt drei schematische und vereinfachte Bilder 50 von Elekt- roden 32, 34, 36, die zu unterschiedlichen Elektrodentypen gehö- ren. So zeigt das erste Bild 50 eine Elektrode 32 in Form einer Schlinge, das zweite Bild 50 eine Elektrode 34 in Form eines ge- zackten Rollelements und das dritte Bild 50 eine Knopfelektrode 36. In der Praxis ist die Zahl der unterschiedlichen Elektrodentypen deutlich größer. Beispielsweise kann das elektrochirurgische Sys- tem 2 mit zwölf verschiedenen Elektrodentypen eingesetzt werden. Zudem sind sich einige Elektrodentypen so ähnlich, dass sie rein durch eine optische Begutachtung vom medizinischen Personal nicht zuverlässig unterschieden werden können. In Fig. 2 wurden hingegen aus Gründen der besseren Anschaulichkeit drei Elektro- den 32, 34, 36 gewählt, die optisch leicht zu unterscheiden sind.
Die Bilder 50 in Fig. 2 sind quadratisch, beispielsweise 256 x 256 Pixel. Das tatsächliche Blickfeld eines typischen Bilderfassungssys- tems eines chirurgischen Instruments 4 ist jedoch häufig kreisför- mig, wie in Fig. 2 angedeutet, so dass ein Rand zwischen dem quadratischen Rahmen und dem kreisförmigen Blickfeld entsteht. Dieser Rand wird zur leichteren Nachbearbeitung der Bilder 50 typi- scherweise auf schwarz gesetzt.
Fig. 3 zeigt ein schematisch vereinfachtes Flussdiagramm eines beispielhaften Verfahrens zum Betreiben eines elektrochirurgischen Systems 2 mit den Verfahrensschritten 71 bis 76. In Verfahrens- schritt 71 wird zunächst mittels des im Schaft 6 des chirurgischen Instruments 4 vorhandenen Bilderfassungssystems 9, das in Fig. 3 lediglich aus illustrativen Gründen als Kamera dargestellt ist, ein Bild 50 der Elektrode 32 erfasst. Anschließend wird dieses Bild 50 in Verfahrensschritt 72 an die Datenverarbeitungseinheit 20 über- tragen.
In Verfahrensschritt 73 wird das Bild 50 in der Datenverarbeitungs- einheit 20 nachbearbeitet. Zu den im Rahmen von Verfahrensschritt 73 ausgeführten Bearbeitungs(teil)schritten gehören beispielsweise das Transformieren des übertragenden Bildes in ein Graustufenbild, das Anwenden verschiedener Mittelwertfilter, Dilatations-Oper- ationen und Erosions-Operationen, die Umwandlung des Bildes in ein Binärbild und ähnliche Bearbeitungsschritte. Am Ende dieser Nachbearbeitungsschritte, die allesamt Teilschritte des Verfahrens- schritts 73 sind, wird das Bild 50 segmentiert, wobei ein oder meh- rere Elektroden-Segmente 52 festgelegt werden. Dabei werden bei- spielsweise alle weißen Bereiche eines Binärbilds als Elektroden- Segment 52 und alle schwarzen Bereiche als Hintergrund festge- legt.
Nach dem Festlegen des Elektroden-Segments 52 werden aus dem Elektroden-Segment 52 in Verfahrensschritt 74 die Identifi kations- merkmale 54 extrahiert. Auch dieser Verfahrensschritt wird in der Datenverarbeitungseinheit 20 ausgeführt. Die Identifikationsmerk- male 54 des Elektroden-Segments 52 sind beispielsweise die inva- rianten Momente und/oder die Exzentrizität und/oder Farbwertantei- le des Elektroden-Segments 52. Um die Merkmalsextraktion zu be- schleunigen, wird die Berechnung der zur Bestimmung der invarian- ten Momente notwendigen zentralen Momente auf der program- mierbaren Logikgatter-Anordnung 24 durchgeführt. Die program- mierbare Logikgatter-Anordnung 24 (FPGA) ist speziell für diese Aufgabe programmiert. Daher erfolgt die Berechnung der invarian- ten Momente sehr effizient, also insbesondere in sehr kurzer Zeit. Die übrigen Teilberechnungen zur Bestimmung der invarianten Mo- mente werden auf dem Prozessor 26 durchgeführt. Diese Arbeitstei- lung zwischen der programmierbaren Logikgatter-Anordnung 24 und dem im gleichen SoC vorhandenen Prozessor 26 hat sich als sehr effizient herausgestellt. Anschließend werden in Verfahrensschritt 75 die Identifi kations- merkmale 54 einem künstlichen neuronalen Netz 40 zugeführt. Im Folgenden wird auf ein künstliches neuronales Netz 40 als ein Bei- spiel für maschinelles Lernen Bezug genommen. Das künstliche neuronale Netz 40 wurde zuvor auf die Erkennung verschiedener Elektrodentypen trainiert und identifiziert den Elektrodentyp der Elektrode 32 anhand der Identifikationsmerkmale 54. Nach der Iden- tifikation des Elektrodentyps wird ein Elektrodentypdatensatz 60 ab- gerufen, der beispielhaft einen Elektrodentypnamen 61 enthält, wel- cher dem identifizierten Elektrodentyp entspricht. Weiterhin enthält der Elektrodentypdatensatz 60 wenigstens einen Betriebsparameter 68, also beispielsweise einen im Betrieb für den Elektrodentyp 62, 64, 66 zulässigen Strom- und Spannungsbereich. Auch der Verfah- rensschritt 75 wird von der Datenverarbeitungseinheit 20 ausge- führt. In Verfahrensschritt 76 werden die Betriebsparameter 68 des Elektrodentypdatensatzes 60 an die Steuerung 16 übermittelt, so dass die Steuerung 16 beispielsweise den für die Elektrode 32 be- nötigten Spannungswert einstellt oder einstellen kann.
In Fig. 4 ist das künstliche neuronale Netz 40 schematisch verein- facht dargestellt. In der in Fig. 4 gezeigten beispielhaften Darstel- lung handelt es sich um ein sogenanntes Radial Basis Function Network, das über drei Schichten verfügt, nämlich eine Eingangs- schicht 42, eine verdeckte Schicht 44 und eine Ausgangsschicht 46.
Die Eingangsschicht 42 verfügt über mehrere Eingangsneuronen 43, denen jeweils Identifikationsmerkmale 54 zugeführt werden. Bei- spielsweise werden einem ersten Eingangsneuron 43 die invarian- ten Momente, einem zweiten Eingangsneuron 43 die Exzentrizität und einem dritten Eingangsneuron 43 die Farbwertanteile des Elekt- rodensegments 52 zugeführt. Die verdeckte Schicht 44 umfasst mehrere verdeckte Neuronen bzw. Zentren 45, welche die zur Identifikation des Elektrodentyps 62, 64, 66 notwendigen Rechenoperationen durchführen. Jedes der Identifikationsmerkmale 54 wird jedem der Zentren 45 zugeführt. Die Parametrisierung der verdeckten Schicht 44, also beispielswei- se die Zahl und Gewichtung der Zentren 45, wird während des Trai- nings des neuronalen Netzes 40 bestimmt. Dieses Training erfolgt beispielsweise anhand von Trainingsbildern, in denen Elektroden mit bekannten Elektrodentypen zu sehen sind. Die Anzahl der Zen- tren 45 beträgt beispielsweise, abhängig von Rahmenbedingungen wie z.B. der von dem Bilderfassungssystem 9 verwendeten Kamera, zwölf bis vierzig.
Das Ergebnis der Identifikation wird vom Ausgabeneuron 47 der Ausgabeschicht 46 ausgegeben. Dazu wird beispielsweise jedem bekannten Elektrodentyp 62, 64, 66 eine Wahrscheinlichkeit zuge- ordnet, die ausdrückt, wie wahrscheinlich es sich bei der Elektrode 32 um den jeweiligen Elektrodentyp 62, 64, 66 handelt. Überschrei- tet diese Wahrscheinlichkeit einen Schwellwert, beispielsweise 50%, 90% oder 99%, so wird der entsprechende Elektrodentyp 62, 64, 66 als Ergebnis der Identifikation ausgegeben. In Fig. 4 ist dies dadurch angedeutet, dass der Elektrodentyp 62 mit einem Haken markiert ist, während die Elektrodentypen 64 und 66 mit einem X markiert sind. Das neuronale Netz 40 hat also erfolgreich den Elekt rodentyp 62 der Elektrode 32 identifiziert. Durch den Einsatz eines künstlichen neuronalen Netzes 40 lässt sich eine Genauigkeit bei der Identifikation von Elektrodentypen 62, 64, 66 von 99% und mehr erzielen.
Alle genannten Merkmale, auch die den Zeichnungen allein zu ent- nehmenden sowie auch einzelne Merkmale, die in Kombination mit anderen Merkmalen offenbart sind, werden allein und in Kombinati- on als erfindungswesentlich angesehen. Erfindungsgemäße Ausfüh- rungsformen können durch einzelne Merkmale oder eine Kombinati- on mehrerer Merkmale erfüllt sein. Im Rahmen der Erfindung sind Merkmale, die mit „insbesondere“ oder „vorzugsweise“ gekenn- zeichnet sind, als fakultative Merkmale zu verstehen. Bezuqszeichenliste
2 elektrochirurgisches System
4 chirurgisches Instrument
6 Schaft
8 distales Ende
9 Bilderfassungssystem
1 0 Elektrode
12, 13 Versorgungsleitung
14 Steuereinheit
16 Steuerung
18 externes Rechnersystem
20 Datenverarbeitungseinheit 22 Datenbank
24 programmierbare Logikgatter-Anordnung 26 Prozessor
32, 34, 36 Elektrode
40 künstliches neuronales Netz
42 Eingangsschicht
43 Eingangsneuron
44 verdeckte Schicht
45 Zentrum
46 Ausgabeschicht
47 Ausgabeneuron
50 Bild
52 Elektroden-Segment
54 Identifikationsmerkmal
60 Elektrodentypdatensatz
61 Elektrodentypnamen
62, 64, 66 Elektrodentyp
68 Betriebsparameter
71 bis 76 Verfahrensschritte

Claims

Elektrochirurgisches System und Verfahren zum Betreiben eines elektrochirurgischen Systems Patentansprüche
1 . Elektrochirurgisches System (2), umfassend ein chirurgisches Instrument (4) mit einem Bilderfassungssystem (9) und einem Schaft (6), wobei an einem distalen Ende (8) des Schafts (6) eine Elektrodenaufnahme vorhanden ist, und wobei das Bilder- fassungssystem (9) zum Erfassen eines Operationsfeldes ein- gerichtet ist, welches sich distal vor dem distalen Ende (8) des Schafts (6) erstreckt, wobei das System (2) ferner eine mit der Elektrodenaufnahme verbindbare Elektrode (10, 32, 34, 36) zum Durchführen einer chirurgischen Behandlung und eine Da- tenverarbeitungseinheit (20) umfasst, wobei das Bilderfas- sungssystem (9) dazu eingerichtet ist, ein Bild (50) der Elekt rode (10, 32, 34, 36) zu erfassen und an die Datenverarbei- tungseinheit (20) zu übertragen, wobei die Datenverarbei- tungseinheit (20) dazu eingerichtet ist,
- zumindest ein Identifikationsmerkmal (54) der Elektrode (10, 32, 34, 36) aus dem Bild (50) zu extrahieren, - einen Elektrodentyp (62, 64, 66) der Elektrode (10, 32, 34, 36) durch Auswerten des zumindest einen Identifi kations- merkmals (54) zu identifizieren, und
- zumindest einen zu dem identifizierten Elektrodentyp (62, 64, 66) gehörigen Betriebsparameter (68) an eine Steuerung
(16) des chirurgischen Instruments (4) zu übertragen, dadurch gekennzeichnet, dass die Datenverarbeitungseinheit (20) dazu eingerichtet ist, den Elektrodentyp (62, 64, 66) der Elektrode (10, 32, 34, 36) durch maschinelles Lernen zu identi- fizieren.
2. Elektrochirurgisches System (2) nach Anspruch 1 , dadurch ge- kennzeichnet, dass das maschinelle Lernen in einem künstli- chen neuronalen Netz (40) implementiert ist.
3. Elektrochirurgisches System (2) nach Anspruch 2, dadurch ge- kennzeichnet, dass die Datenverarbeitungseinheit (20) eine Datenbank (22) umfasst, auf der Parameterinformationen des künstlichen neuronalen Netzes (40) gespeichert sind, wobei die Datenverarbeitungseinheit (20) dazu eingerichtet ist, die Identi- fikationsmerkmale (54) einer Eingangsschicht (42) des künstli- chen neuronalen Netzes (40) zuzuführen, mittels der Parame- terinformationen eine verdeckte Schicht (44) des künstlichen neuronalen Netzes (40) zu parametrisieren und den identifizier- ten Elektrodentyp (62, 64, 66) in einer Ausgabeschicht (46) des künstlichen neuronalen Netzes (40) auszugeben.
4. Elektrochirurgisches System (2) nach Anspruch 2 oder 3, dadurch gekennzeichnet, dass die Aktivierungsfunktion des künstlichen neuronalen Netzes (40) eine radiale Basisfunktion ist.
5. Elektrochirurgisches System (2) nach einem der Ansprüche 1 bis 4, dadurch gekennzeichnet, dass die Datenverarbeitungs- einheit (20) dazu eingerichtet ist, vor dem Extrahieren des we- nigstens einen Identifikationsmerkmals (54) folgende Bearbei- tungsschritte durchzuführen:
- Umwandlung des übertragenen Bildes (50) in ein Graustu- fenbild,
- Erzeugung eines gefilterten Bildes durch Anwendung eines ersten Mittelwertfilters auf das Graustufenbild,
- Berechnung eines Differenzbildes durch Subtraktion der Graustufenwerte des gefilterten Bildes von den Graustufen- werten des Graustufenbildes,
- Erzeugung eines geglätteten Bildes durch Anwendung eines zweiten Mittelwertfilters auf das Differenzbild,
- Umwandlung des geglätteten Bildes in ein Binärbild,
- Erzeugung eines nachbearbeiteten Bildes durch Anwendung wenigstens einer Dilatation-Operation und/oder einer Erosi- on-Operation auf das Binärbild, und
- Segmentierung des nachbearbeiteten Bildes durch Festle- gung wenigstens eines Elektroden-Segments (52).
6. Elektrochirurgisches System (2) nach einem der Ansprüche 1 bis 5, dadurch gekennzeichnet, dass die Datenverarbeitungs- einheit (20) ein Ein-Chip-System ist, das eine programmierbare Logikgatter-Anordnung (24), insbesondere ein FPGA, und ei- nen auf dem Ein-Chip-System angeordneten Prozessor (26) umfasst.
7. Elektrochirurgisches System nach einem der Ansprüche 1 bis 6, dadurch gekennzeichnet, dass die aus dem Bild (50) extra- hierten Identifikationsmerkmale (54) invariante Momente und/oder eine Exzentrizität und/oder Farbwertanteile wenigs- tens eines Elektroden-Segmentes (52) sind.
8. Elektrochirurgisches System nach Anspruch 6 und 7, dadurch gekennzeichnet, dass bei dem Extrahieren der invarianten Momente mehrere Teilberechnungen durchgeführt werden, wo- bei das Ein-Chip-System dazu eingerichtet ist, wenigstens eine Teilberechnung, insbesondere eine Berechnung von zentralen Momenten des Elektroden-Segments (52), auf der program- mierbaren Logikgatter-Anordnung (24) und zumindest einen der verbleibenden Teilberechnungen auf dem Prozessor (26) durchzuführen.
9. Verfahren zum Betreiben eines elektrochirurgischen Systems (2), umfassend ein chirurgisches Instrument (4) mit einem Bild- erfassungssystem (9) und einem Schaft (6), wobei an einem distalen Ende (8) des Schafts (6) eine Elektrodenaufnahme vorhanden ist, die zur Aufnahme von einer Elektrode (10, 32, 34, 36) zum Durchführen einer chirurgischen Behandlung aus- gebildet ist, umfassend folgende Verfahrensschritte:
- Erfassen eines Bildes (50) der Elektrode (10, 32, 34, 36) durch das Bilderfassungssystem (9) und Übertragen des Bil des (50) an eine Datenverarbeitungseinheit (20),
- Extrahieren zumindest eines Identifikationsmerkmals (54) der Elektrode (10, 32, 34, 36) aus dem Bild (50),
- Identifizieren eines Elektrodentyps (62, 64, 66) der Elektrode (10, 32, 34, 36) durch Auswerten des zumindest einen Iden- tifikationsmerkmals (54), und
- Übermitteln zumindest eines zu dem identifizierten Elektro- dentyp (62, 64, 66) zugehörigen Betriebsparameters (68) an eine Steuerung (16) des chirurgischen Instruments (4), dadurch gekennzeichnet, dass der Elektrodentyp (62, 64, 66) der Elektrode (10, 32, 34, 36) durch maschinelles Lernen iden- tifiziert wird.
10. Verfahren nach Anspruch 9, dadurch gekennzeichnet, dass das maschinelle Lernen in einem künstlichen neuronalen Netz (50) erfolgt, so dass der Elektrodentyp (62, 64, 66) der Elektrode
(10, 32, 34, 36) mittels des künstlichen neuronalen Netzes (50) identifiziert wird.
1 1 . Verfahren nach Anspruch 10, dadurch gekennzeichnet, dass die Identifikationsmerkmale (54) einer Eingangsschicht (42) des künstlichen neuronalen Netzes (40) zugeführt werden, eine verdeckte Schicht (44) des künstlichen neuronalen Netzes (40) mittels Parameterinformationen parametrisiert wird, die auf ei- ner Datenbank (22) der Datenverarbeitungseinheit (20) gespei- chert sind, und der identifizierte Elektrodentyp (62, 64, 66) aus einer Ausgabeschicht (46) des künstlichen neuronalen Netzes (40) ausgegeben wird.
12. Verfahren nach Anspruch 10 oder 1 1 , dadurch gekennzeichnet, dass die Aktivierungsfunktion des künstlichen neuronalen Net- zes (40) eine radiale Basisfunktion ist.
13. Verfahren nach einem der Ansprüche 9 bis 12, dadurch ge- kennzeichnet, dass das Bild (50) vor dem Extrahieren des zu- mindest eines Identifikationsmerkmals (54) mittels der folgen- den Bearbeitungsschritten bearbeitet wird:
- Umwandeln des übertragenen Bildes (50) in ein Graustufen- bild,
- Erzeugen eines gefilterten Bildes durch Anwenden eines ersten Mittelwertfilters auf das Graustufenbild,
- Berechnen eines Differenzbildes durch Subtrahieren der Graustufenwerte des gefilterten Bildes von den Graustufen- werten des Graustufenbildes,
- Erzeugen eines geglätteten Bildes durch Anwenden eines zweiten Mittelwertfilters auf das Differenzbild,
- Umwandeln des geglätteten Bildes in ein Binärbild,
- Erzeugen eines nachbearbeiteten Bildes durch Anwenden wenigstens einer Dilatation-Operation und/oder einer Erosi- on-Operation auf das Binärbild,
- Segmentieren des nachbearbeiteten Bildes durch Festlegen wenigstens eines Elektroden-Segments (52).
14. Verfahren nach einem der Ansprüche 9 bis 13, dadurch ge- kennzeichnet, dass die Datenverarbeitungseinheit (20) ein Ein- Chip-System ist, das eine programmierbare Logikgatter- Anordnung (24), insbesondere ein FPGA, und einen auf dem Ein-Chip-System angeordneten Prozessor (26) umfasst.
15. Verfahren nach einem der Ansprüche 9 bis 14, dadurch ge- kennzeichnet, dass die aus dem Bild (50) extrahierten Identifi- kationsmerkmale (54) invariante Momente und/oder eine Ex- zentrizität und/oder Farbwertanteile wenigstens eines Elektro- den-Segments (52) sind.
16. Verfahren nach Anspruch 14 und 15, dadurch gekennzeichnet, dass bei dem Extrahieren der invarianten Momente mehrere Teilberechnungen durchgeführt werden, wobei wenigstens eine
Teilberechnung, insbesondere eine Berechnung von zentralen Momenten des Elektroden-Segments (52), auf der program- mierbaren Logikgatter-Anordnung (24) und zumindest eine der verbleibenden Teilberechnungen auf dem Prozessor (26) durchgeführt werden.
PCT/EP2019/061648 2018-05-15 2019-05-07 Elektrochirurgisches system und verfahren zum betreiben eines elektrochirurgischen systems WO2019219450A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102018111659.4 2018-05-15
DE102018111659.4A DE102018111659A1 (de) 2018-05-15 2018-05-15 Elektrochirurgisches System und Verfahren zum Betreiben eines elektrochirurgischen Systems

Publications (1)

Publication Number Publication Date
WO2019219450A1 true WO2019219450A1 (de) 2019-11-21

Family

ID=66448558

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2019/061648 WO2019219450A1 (de) 2018-05-15 2019-05-07 Elektrochirurgisches system und verfahren zum betreiben eines elektrochirurgischen systems

Country Status (2)

Country Link
DE (1) DE102018111659A1 (de)
WO (1) WO2019219450A1 (de)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102013002832A1 (de) * 2013-03-25 2014-09-25 Rg Mechatronics Gmbh Roboter für die HF-Chirurgie
DE102014217095A1 (de) 2014-08-27 2016-03-03 Olympus Winter & Ibe Gmbh Elektrochirurgisches System und Verfahren zum Betreiben desselben
WO2017169098A1 (ja) * 2016-03-31 2017-10-05 ソニー株式会社 制御装置及び制御方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150164605A1 (en) * 2013-12-13 2015-06-18 General Electric Company Methods and systems for interventional imaging
DE102016218201A1 (de) * 2016-09-22 2018-03-22 Siemens Healthcare Gmbh Verfahren zu einer automatischen Auswahl zumindest eines Messprogramms für eine Magnetresonanzuntersuchung mit einer Magnetresonanzvorrichtung an einem Patienten

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102013002832A1 (de) * 2013-03-25 2014-09-25 Rg Mechatronics Gmbh Roboter für die HF-Chirurgie
DE102014217095A1 (de) 2014-08-27 2016-03-03 Olympus Winter & Ibe Gmbh Elektrochirurgisches System und Verfahren zum Betreiben desselben
WO2017169098A1 (ja) * 2016-03-31 2017-10-05 ソニー株式会社 制御装置及び制御方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"CARS 2017-Computer Assisted Radiology and Surgery Proceedings of the 31st International Congress and Exhibition Barcelona, Spain, June 20-24, 2017 ED - Barratt D; Jannin P; Fichtinger G; Cotin S", INTERNATIONAL JOURNAL OF COMPUTER ASSISTED RADIOLOGY AND SURGERY, SPRINGER, DE, vol. 12, no. 1, 19 May 2017 (2017-05-19), pages 1 - 286, XP036248842, ISSN: 1861-6410, [retrieved on 20170519], DOI: 10.1007/S11548-017-1588-3 *

Also Published As

Publication number Publication date
DE102018111659A1 (de) 2019-11-21

Similar Documents

Publication Publication Date Title
DE102018105334B4 (de) Bildverarbeitungsvorrichtung und Bildverarbeitungsverfahren zur Berechnung der Bildwahrscheinlichkeit eines aus einem Eingangsbild erfassten Zielobjekts
DE102005039685B4 (de) Verfahren zur Identifizierung eines kontrastierten Blutgefäßes in digitalen Bilddaten
DE102008040804B4 (de) Verfahren, Operationsmikroskop und Analysesystem zur quantitativen Darstellung des Blutflusses
EP3332730B1 (de) Verfahren und trackingsystem zum nachverfolgen eines medizinischen objekts
EP3540632B1 (de) Verfahren zum klassifizieren von gewebeproben
DE102018210973A1 (de) Verfahren zu einem Überwachen eines Patienten während einer medizinischen Bildgebungsuntersuchung, insbesondere einer Magnetresonanzuntersuchung
WO2009080791A1 (de) Verfahren zur ermittlung und/oder verfolgung der position charakteristischer augenbestandteile
WO2012013186A2 (de) Verfahren und vorrichtung zur bestimmung der augentorsion
DE112019005696T5 (de) Verfahren und Vorrichtung zur Berechnung eines Koronararterien-Kalzium-Scores
EP1180258A1 (de) Mustererkennung mittels prüfung zusätzlicher merkmale nach teilverarbeitung
EP1143373A1 (de) Verfahren zur störanteilsfreien Bilderfassung mittels eines elektronischen Sensors
DE102016105962A1 (de) Positionsermittlungsanordnung für Intraokularlinse
EP3185799B1 (de) Elektrochirurgisches system und verfahren zum betreiben desselben
DE102004003381B4 (de) Verfahren zur Bestimmung der Lage einer Schicht in einem Untersuchungsgebiet, in welcher Schicht eine Schichtbildaufnahme erfolgen soll
WO2019219450A1 (de) Elektrochirurgisches system und verfahren zum betreiben eines elektrochirurgischen systems
EP3155588B1 (de) Ganzkörperbildaufnahme- und bildverarbeitungssystem sowie verfahren zu dessen betrieb
DE102018211477A1 (de) Verfahren zum automatischen Bestimmen einer Gewichtung für ein Roadmap-Verfahren, Computerprogramm, Datenspeicher und entsprechendes bildgebendes Gerät
DE112019005655T5 (de) Myokardbildanalyseverfahren und -vorrichtung
EP3582140B1 (de) System zur automatischen erkennung von laborarbeitsgegenständen sowie verfahren zum betrieb eines systems zur automatischen erkennung von laborgegenständen
DE102007055921A1 (de) Verfahren zur Ermittlung von Eigenschaften bzw. Ermittlung und/oder Verfolgung der Position des Zentrums charakteristischer Augenbestandteile
DE102018124114B4 (de) Verfahren zum Auffinden von funktionstragendem Gehirngewebe mittels elektrischer Stimulation
DE102009038248A1 (de) Verfahren zum Entfernen modularer Software
EP3581935A1 (de) System zur automatischen erkennung von laborarbeitsgegenständen sowie verfahren zum betrieb eines systems zur automatischen erkennung von laborarbeitsgegenständen
WO2009124679A1 (de) Verfahren zur automatisierten detektion und segmentierung der papille in fundusaufnahmen
EP3967220B1 (de) Verarbeiten und visualisieren von daten einer elektrischen impedanztomographie

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19722874

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19722874

Country of ref document: EP

Kind code of ref document: A1