[0001] 本发明涉及医疗技术领域，尤其涉及一种腹腔镜烟雾和起雾自动清除方法和系统。

[0002] 腹腔镜手术是一种利用相关手术器械及带有微型摄像头的腹腔镜进行的手术。其中，腹腔镜是使用冷光源提供照明，并深入腹腔内，运用数字摄像技术使腹腔镜镜头拍摄到的图像通过光导纤维传导至外部的信号处理系统，并且实时显示在专用监视器上。外科医生通过观察图像，用各种手术器械在体外进行操作来完成手术。腹腔镜手术有创伤小、并发症少、安全、康复快的优点。

[0003] 在腹腔镜手术过程中，使用能量设备如电凝钩、超声刀等会产生大量的烟雾和起雾，这可能会对手术过程造成困扰。这些烟雾和起雾会阻碍手术视野，使得医生难以清晰地观察和操作。其中的烟雾主要由水蒸气及细胞碎片颗粒组成，颗粒中又包含有害化学成分如多环芳烃、丙烯腈、氰化物，以及血液、组织碎片、病毒、细胞等物质。

[0004] 而传统的烟雾清除方法是由人工控制，即由助手打开戳卡的排气阀门，直接向手术室排气，并待手术视野清楚后再关闭阀门。人工控制主要依赖于操作人员的经验来控制，无法及时并有效地对烟雾进行清除，若排气过多，可导致腹腔压力过低，影响手术进程。烟雾在腹腔内可被腹膜吸收，放出室内时可被医务人员吸入，尤其是长期吸入可严重危害人体健康。

[0041] 下面结合附图和实施方式对本发明作进一步说明。

[0042] 实施例1：

[0043] 在腹腔镜手术中，传统的烟雾清除方法是由人工控制，即由助手打开戳卡的排气阀门，直接向手术室排气，并待手术视野清楚后再关闭阀门。人工控制主要依赖于操作人员的经验来控制，无法及时并有效地对烟雾进行清除，若排气过多，可导致腹腔压力过低，影响手术进程。烟雾在腹腔内可被腹膜吸收，放出室内时可被医务人员吸入，尤其是长期吸入可严重危害人体健康。腹腔内水蒸气的增加、镜头温度的下降都可能导致镜头起雾。为了解决这个问题，提出可以根据构建的烟雾检测模型和起雾检测模型可自动识别腹腔镜手术过程中，不同程度的烟雾，起雾，并调节吸引速度，保持视野清晰；可自动识别由于镜头温度下降引起的镜头起雾，调节进气温度，自动除雾，效果更佳的一种腹腔镜烟雾自动清除方法，具体为：

[0044] 获取腹腔镜烟雾和起雾图像，作为训练集和验证集，进行图像增强处理后生成虚拟烟雾和起雾图像；将虚拟烟雾和起雾图像作为输入，基于Yolov5神经网络模型构建烟雾检测模型和起雾检测模型；

[0045] 实时连续提取腹腔镜的有效图像区域，将有效图像区域按预设规则划分出多个图像待检测区域；

[0046] 将多个待检测区域作为训练后烟雾检测模型和起雾检测模型的输入，获得多个图像待检测区域的预测置信度；根据多个图像待检测区域状态的预测置信度及预设阈值，确定多个图像待检测区域的烟雾和起雾结果；

[0047] 根据烟雾和起雾图像构建对应的隐马尔科夫模型，通过训练集对隐马尔科夫模型进行训练，获得训练后的隐马尔科夫模型；

[0048] 将多个图像待检测区域的烟雾和起雾结果输入训练后的隐马尔科夫模型，获得待检测区域的烟雾和起雾的分度结果，设定分度结果与吸出烟雾的体积、送入气体的温度和体积之间的映射关系，通过烟雾和起雾分度的结果控制吸出烟雾的体积，以及送入气体的温度和体积。

[0049] 将待检测区域的烟雾和起雾结果输入到训练好的隐马尔科夫模型中，得到了烟雾和起雾的分度结果。接下来，根据这些分度结果来控制吸出烟雾的体积以及送入气体的温度和体积。这种控制需要根据烟雾和起雾的程度来调节，以达到合适的处理效果。

[0050] 具体来说，可以定义一个函数或规则来将分度结果映射到吸出烟雾体积和送入气体的温度和体积之间的关系。这个关系可以是经验性的，也可以是基于物理模型或数据驱动的。

[0051] 一种可能的方式是使用一组预先定义好的规则或函数来实现这种映射。例如，可以设定一个阈值，根据烟雾和起雾的程度来确定吸出烟雾的体积和送入气体的温度和体积的大小。当烟雾程度较低时，可以减小吸出烟雾的体积并增加送入气体的温度和体积，以更有效地清除烟雾。而当烟雾浓度较高时，则需要增加吸出烟雾的体积并适当调节送入气体的温度和体积。

[0052] 另一种方法是使用机器学习技术，如回归模型或神经网络，从数据中学习烟雾和起雾分度结果与吸烟雾体积和送入气体参数之间的复杂关系。通过训练这样的模型，可以更准确地根据分度结果来调节吸烟雾体积和送入气体的温度和体积，以实现更有效的烟雾处理。

[0053] 总之，分度结果与吸出烟雾体积之间的关系可以通过一系列定义好的规则或者通过机器学习模型来确定，以实现对烟雾和起雾的有效控制。

[0054] 实施例2

[0055] 也就是为了构建一个高效的腹腔镜烟雾和起雾检测系统，首先需要收集一定数量的烟雾和起雾的腹腔镜图像，这些图像将构成训练集和验证集。通过对这些图像进行一系列增强处理，如旋转、缩放、颜色调整等，可以生成一系列虚拟的烟雾和起雾图像，从而扩充的数据集，提高模型的泛化能力。

[0056] 接下来，利用Yolov5神经网络模型来构建烟雾检测模型和起雾检测模型。Yolov5是一种强大的目标检测算法，它能够在图像中准确地定位和分类对象。通过对烟雾和起雾图像进行训练，模型将能够学习和识别烟雾和起雾的特征。

[0057] 在实时应用中，连续地从腹腔镜图像中提取有效的图像区域，并根据预设的规则将这些区域划分为多个待检测的子区域。这些子区域随后作为训练后的烟雾检测模型和起雾检测模型的输入。模型将输出每个子区域的预测置信度，即图像中存在烟雾和起雾的概率。

[0058] 通过比较预测置信度与预设的阈值，可以确定每个子区域是否存在烟雾和起雾。这一步骤是实时的，并且可以根据置信度的高低来调整操作参数，例如吸气泵或加温送气泵的开启，以优化手术视野。

[0059] 为了进一步分析烟雾和起雾的时间动态性，将同一工况下的烟雾和起雾图像视为同一个隐马尔科夫模型(HMM)。通过对这些图像进行序列化采样，获得烟雾和起雾的子图像序列。再次利用DCT对这些子图像进行特征提取，并将每幅图像转换为一个HMM的样本序列。通过训练集对HMM的参数进行训练，获得了训练后的HMM。

[0060] 最后，将多个图像待检测区域的烟雾和起雾结果输入训练后的隐马尔科夫模型，获得待检测区域的烟雾和起雾分度结果。根据烟雾分度结果，可以控制吸出烟雾的体积，以及送入气体的温度和体积，从而有效地管理腹腔镜手术中的烟雾和起雾问题，提高手术的安全性和效率。

[0061] 实施例3

[0062] 更为具体的部分，是获取腹腔镜图像：收集多种内容和多个角度的腹腔镜图像，可以通过腹腔镜手术记录、医学图像数据库或其他相关资源获取。这些图像将用作训练和测试数据集。图像增强处理：对腹腔镜图像进行增强处理以增加数据多样性和增强模型的鲁棒性。使用多种增强技术，如平移、剪裁、旋转、亮度增强和添加随机噪声等。通过这些处理手段，可以扩增训练数据以覆盖更广泛的背景、角度和条件。生成虚拟烟雾和镜头起雾图像：使用滤镜渲染和混合模式调整，可以给腹腔镜图像添加虚拟烟雾效果。通过模拟云彩效果、去除黑色区域和调整混合模式，可以实现真实的烟雾效果。同样地，使用高斯模糊算法可以生成模糊效果，模拟镜头起雾效果。这些处理手段可增加腹腔镜图像中烟雾和镜头起雾的场景效果。

[0063] 构建Yolo‑v5神经网络模型，整个结构分为骨干网络(Backbone)、特征金字塔网络(FPN)以及头部(Head)。骨干网络使用残差网络(Residual)，输入的图片首先会在骨干网络中进行特征提取，并获取三个特征层进行下一步网络的构建。FPN特征金字塔将主干部分获得的三个有效特征层进行特征融合，结合不同尺度的特征信息，有效特征层被继续用于提取特征。在Panet结构中，对特征进行上采样和再次下采样实现特征融合。获得的三个加强过的有效特征层都有宽、高和通道数，特征图中的每一个特征点都有通道数个特征。最后，在头部判断特征点是否有检测的目标物体与其对应。基于Yolov5神经网络模型构建烟雾检测模型和起雾检测模型，对采集的腹腔镜图像进行检测，区分影响腹腔镜视野清晰度是烟雾还是起雾，根据不同状态选择不同的处理方式。

[0064] 在进行腹腔镜手术时，需要实时连续提取腹腔镜的有效图像区域，将有效图像区域按预设规则划分出多个图像待检测区域；

[0065] 将多个待检测区域作为训练后烟雾检测模型和起雾检测模型的输入，获得多个图像待检测区域的预测置信度；根据多个图像待检测区域状态的预测置信度及预设阈值确定多个图像待检测区域的烟雾和起雾结果；其中，对于每个图像待检测区域，使用经过训练的烟雾检测模型和起雾检测模型进行预测，从模型输出中提取烟雾和起雾的预测结果以及对应的置信度；

[0066] 根据实际需求和性能评估以及烟雾和起雾的特性，以及对误检和漏检的容忍度，设定烟雾和起雾的预设阈值；

[0067] 对于每个图像待检测区域，将烟雾和起雾的预测置信度与对应的预设阈值进行比较；其中，如果烟雾的预测置信度高于设定的阈值，则将该区域标记为存在烟雾；否则标记为无烟雾；如果起雾的预测置信度高于设定的阈值，则将该区域标记为存在起雾；否则标记为无起雾；

[0068] 对每个图像待检测区域进行上述判断后，获得多个图像待检测区域的烟雾和起雾结果。

[0069] 为保证整个腹腔镜烟雾和起雾自动清除的有效性，需要对烟雾检测模型和起雾检测模型的更新，包括以下步骤：采集腹腔镜烟雾和起雾图像，并进行标注，标记出图像中的烟雾和起雾区域；对采集的数据进行预处理与图像增强处理后作为训练集，对烟雾检测模型和起雾检测模型进行训练；

[0070] 基于Yolov5神经网络架构，采用SGD训练算法，通过反向传播优化烟雾检测模型和起雾检测模型参数，获得更新后烟雾检测模型和起雾检测模型。

[0071] 实施例4

[0072] 一种腹腔镜烟雾自动清除系统，基于一种腹腔镜烟雾和起雾自动清除方法上构建，包括：

[0073] 采集显示屏，采集实时腹腔镜图像；

[0074] 数据处理模块，对实时连续提取腹腔镜的有效图像区域进行划分，获得多个图像待检测区域；将基于训练集，构建烟雾检测模型和起雾检测模型，将实时获取的烟雾和起雾图像划分为多个图像待检测区域并输入烟雾检测模型和起雾检测模型，获得多个图像待检测区域的烟雾和起雾结果；根据烟雾和起雾图像构建对应的隐马尔科夫模型，通过训练集对隐马尔科夫模型进行训练，获得训练后的隐马尔科夫模型；

[0075] 控制模块，设定分度结果与吸出烟雾体积、送入气体的温度和体积之间的映射关系，通过待检测区域的烟雾分度结果控制通过循环气体排出烟雾的体积，根据烟雾分度结果控制通过循环气泵吸出烟雾体积以及送入气体的温度和体积。

[0076] 并且其中的控制模块还包括：吸气泵，根据烟雾分级结果启动吸气泵的对应等级进行吸气，直至采集的烟雾图像清晰，吸气泵关闭；加温送气泵，根据烟雾分级结果确认需要送入气体的温度，开启加温送气泵，直至采集的起雾图像清晰，关闭加温送气泵；也可以根据需要将其中的吸气泵与送气泵选择为循环泵，实现送气与排气即可。

[0077] 需要说明的是，在本发明中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者还是包括为这种过程、方法、物品或者设备所固有的要素。

[0078] 以上实施例仅仅是对本发明的举例说明，并不构成对本发明的保护范围的限制，凡是与本发明相同或相似的设计均属于本发明的保护范围之内。