[发明专利]一种利用超声波治疗肛瘘的控制系统

摘要

本发明属于医疗器械技术领域，公开了一种利用超声波治疗肛瘘的控制系统，设置有：喷片和喷头座；喷片的末端安装有摄像头；喷头座上通过螺栓安装有显示屏；摄像头与显示屏有线连接。使药液通过喷片的喷嘴冲击超声波振动片，产生了超声波，超声波的空化效应使药液中的细小颗粒被粉碎，通过粉碎瓶和超声波发生器使得药液中的颗粒又被进一步粉碎，粉碎效果好，能耗低；不会造成肌肉神经损伤而导致肛门变形，漏液漏气和大便失禁，确保肛门全部功能，且可快速让患者恢复正常生活，摆脱肛瘘手术给患者带来的痛苦和难堪；修复效果牢固，不会复发，患者在手术治疗后立即得到解脱，还可避免终生不适和持续引流带来的痛苦。

主权项

1.一种利用超声波治疗肛瘘的控制系统，其特征在于，所述利用超声波治疗肛瘘的控制系统设置有：/n喷片和喷头座；/n所述喷片的末端安装有摄像头；所述摄像头的联合稀疏表示字典D∈R^Jm×(J+1)n表示为：/n /n其中J表示传感器的数量，图像的维度为m×n；冗余字典D_c∈R^m×n和D_j∈R^m×n分别是信号公共部分和专有部分的稀疏表示字典；/n转化为下式求解稀疏表示系数：/n /n所述喷头座上通过螺栓安装有显示屏；所述显示屏使用K-均值算法得到均值μ和协方差Σ，然后初始化变量，设置变量η＝1，精度Λ＝(ηΣ)^-1，v＝1，利用近邻关系求得像素中的每个像素的均值/n像素的平均值的求解按下面公式进行求解：/n /n式中表示近邻系统，N_n表示近邻系统中近邻的个数；/n所述摄像头的图像变换包括：/n自动确定灰度受限的阈值L_l,L_r以后，能够最优划分图像的低灰度区、过渡区、高灰度区三类像素，在此基础上实施图像变换；对于任意给定的像素x，计算像素x灰度值f(x)对于每个区域云模型的确定度，分别记作μ_l(x),μ_m(x),μ_r(x)；当且仅当μ_l(x)在μ_l(x),μ_m(x),μ_r(x)中取最大值时，像素x被划分为低灰度的背景区域，设f_RC:x→{L_l,...,L_r}为变换后的图像，变换后的图像确定原则形式化如下公式：/n /n所述显示屏生成概率边界图的方法包括：/n将图像转换到LAB空间，构建亮度L、颜色A、颜色B、纹理多个特征通道，然后采用梯度方法来表示图像特征；所述梯度方法为：对图像的每个像素点，构建8个方向的半圆对掩膜，在每个半掩膜区域，使用直方图对其中每个像素的亮度，颜色和纹理特征进行统计，得到各类特征的统计分布，然后使用χ²距离计算中心像素点两个半圆形区域的差异作为特征输出；/n获得一个像素点的多特征表示后，Pb算子采用二项Logistic回归模型对200幅训练图像进行统计学习，模型参数通过极大似然法进行估计后，由该模型获得图像每一像素点属于边界的概率，生成概率边界图；/n所述摄像头与显示屏有线连接；/n所述显示屏内置检测优化模块，该检测优化模块用于：/n将采集到的图像建立图像的显著模型，所述建立图像的显著性模型包括：/n利用预定过分割算法对所述图像进行过分割和模板参数提取，对整个输入图像，以8*8个像素为单元，计算每个单元的平均灰度值和每个单元的最大灰度值，得到至少一个区域，同一个所述区域中各个像素点的颜色值相同；/n确定每个所述区域的颜色值和质心；/n根据各个区域所对应的颜色值以及各个区域的质心，建立所述显著性模型；/n所述显著性模型为：/n其中，S_i1为区域R_i中任一像素点的显著性值，w(R_j)为区域R_j中的像素点的个数，D_S(R_i,R_j)用于表征所述区域R_i和所述区域R_j之间空间位置差异的度量值，D_C(R_i,R_j)用于表征所述区域R_i和所述区域R_j之间颜色差异的度量值，N为对所述图像进行过分割后得到的区域的总个数，D_S(R_i,R_j)为：Center(R_i)为所述区域R_i的质心，Center(R_j)为所述区域R_j的质心，当所述图像中各个像素点的坐标均归一化到[0,1]时；/n利用下列公式运行PCNN模型：/nF_ij[n]＝S_ij/nL_ij[n]＝VLΣ_wijklY_kl[n-1]/nU_ij[n]＝F_ij[n](1+βL_ij[n])/n /n /nI_ij[n]＝N-n/n式中：U_ij[n]为内部活动项，Y_ij[n]为PCNN脉冲输出，I_ij[n]为索引值；/n当n＝1时，L_ij[1]＝0，则U_ij[1]＝F_ij[1]＝Sij，θ_ij[1]＝LT(N-1)＝S_{ij_max}，对应的反馈输入中值为S_{ij_max}的神经元将自然点火；神经元点火后，输出Y_ij[1]＝1，θ_ij[2]变为V_θ，点火神经元的索引值标记为I_ij＝N-1；/n所述显示屏的图像去噪具体方法为：/n步骤一、将含噪图像f(x，y)进行平稳小波变换邻域系数萎缩的图像去噪，分别获得子带系数：低频系数、水平细节系数、垂直细节系数和对角细节系数；/n步骤二、对第一层的低频系数利用PCNN进行区域分割；/n步骤三、将低频系数保持不变，对各层的水平细节系数、垂直细节系数和对角细节系数分别进行邻域阈值处理；/n步骤四、采用脉冲耦合神经网络对噪声图像进行处理，得到熵序列En，将En作为边缘检测算子；/n步骤五、进行阈值寻优，得到最优去噪阈值k；/n步骤六、根据求得的边缘检测算子En和最优去噪阈值k，采用改进的各向异性扩散模型对图像进行去噪。/n