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