CN103280138A - 神经外科脑手术典型病历训练系统 - Google Patents
神经外科脑手术典型病历训练系统 Download PDFInfo
- Publication number
- CN103280138A CN103280138A CN2013102204884A CN201310220488A CN103280138A CN 103280138 A CN103280138 A CN 103280138A CN 2013102204884 A CN2013102204884 A CN 2013102204884A CN 201310220488 A CN201310220488 A CN 201310220488A CN 103280138 A CN103280138 A CN 103280138A
- Authority
- CN
- China
- Prior art keywords
- data
- training
- brain
- model
- path
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明为神经外科脑手术典型病历训练系统，可用于医师的日常手术训练，属于融合信息技术、自动化技术、机械制造技术等学科的多学科交叉研究领域。本系统包含手术训练软件，该软件包括脑神经外科典型病例数据库，包含500多个手术训练材料，医师可操作手术训练仪器在软件中完成虚拟手术，增加手术路径规划能力，疾病诊断能力。同时系统还配有训练成果评估系统，可以通过对比受训医师的模拟手术过程与专家系统中的真实过程评估医师的训练成果。本系统包括的训练素材丰富，可评估医师训练成果，并有专家系统指导受训医师进行手术操作，该系统有助于缩短脑神经外科训练周期，提高训练质量。
Description
技术领域
本发明涉及一种手术训练系统。
背景技术
虚拟现实是近年来出现的一种可以体验虚拟世界的计算机技术，可以广泛应用于计算机辅助设计与制造、可视化计算、遥控机器人、计算机艺术、先期技术和概念演示、培训与教育等领域。
手术训练系统是虚拟现实技术在现代医学中的应用。它融了合信息技术、自动化技术、机械制造技术等最新技术，可为受训医师提供一个高保真的手术训练环境。通过虚拟现实手段模拟真实手术时的场景，有极强的体验真实感，有利于医生在虚拟手术环境中设计手术过程，确定进刀部位，提高手术成功率。但目前的模拟手术训练系统主要存在以下问题：
1.缺乏海量训练资料，极大的限制了系统的实用性。如美国Intuitive Surgical公司成功开发出Da Vinci外科机器人系统，包括一个医生控制平台、多功能手术床、各种手术器械和图像处理设备，但其只可实时导入医学数据进行训练，不配有典型病例数据库模型，这导致医生的训练模型不够全面，缺乏处理不同脑部疾病的经验。
2.缺乏训练结果的评估系统。如德国的Vector Vision手术训练系统，医生只可在其平台上进行模拟手术器械操作训练，但却无法评估模拟手术过程中的手术路径是否正确，从而不能保证训练的效果。
发明内容
为了克服已有模拟手术系统典型病例缺乏、无法评估训练成果、系统成本高的缺点，本发明设计了一种配有典型病例数据库、专家训练系统、训练效果评估系统且成本相对低的神经外科脑手术典型病历训练系统。
本发明采用的技术方案为：
一种神经外科脑手术典型病历训练系统，其特征在于：所述典型病历训练系统包括：用以进行二维切片数据分析训练的典型病例数据系统，用以对脑部切片扫描数据进行三维建模的脑结构建模系统，用于对手术训练成果进行评估的评估系统。
其中，所述的典型病例数据系统包括：
典型病例数据库模块，用于存储脑部典型疾病的医学数据，该数据库模块中包含多种典型医学数据格式，所述的数据格式包括：功能磁共振成像(FMRI)数据、磁共振成像(MRI)数据、磁共振动脉成像(MRA)数据、磁共振静脉成像(MRV)数据及CT数据；
数据读取模块，用于将向指定的患者的医学数据加载入典型病例数据库模块中，来进行个体的针对性训练；
所述的脑结构建模系统包括：
病变识别模块，用于将脑部病灶区域从正常脑区中识别出来，通过从数据读取模块读入患者医学数据或从典型病例数据库模块导入患者数据，通过应用图像灰度值分割算法来识别病变区域；
脑区建模模块，用于建立病变识别模块识别出的脑部微结构模型，所述的微结构模型包括：脑区模型、病灶区域整体模型、病灶区域微结构模型以及胼胝体模型；
纤维建模模块，用于建立病变识别模块识别出的病灶区域周边的神经纤维模型，本系统应用基于高阶张量模型的并行纤维跟踪算法建立病灶区域周边的纤维模型；
所述的评估系统包括：
最优路径模块，用于显示典型病例数据库模块中存储的针对各份患者数据的专家推荐路径；
训练效果评估模块，用于评估受训医师所规划的手术路径，通过比较受训医师规划的手术路径与最优路径模块中存储的专家推荐路径的区别，来评估医师所规划的手术路径的优劣性。
作为优选方案，所述的数据读取模块，所采用的技术方案为：该模块包含了目前主流的医学图像数据格式的解码算法，所述的图像数据格式包括RAW(.raw)、NRRD(.nrrd.nhrd)、MetaImage(.mhd.mha)、Analyze(.hdr.img)、NifTi(.nii.nia)、BioRad(.pic)、TIFF(.GIFf.GIF)、Stimulate(.sqr)，我们通过判断读入数据的头文件，调用其解码算法将数据存入典型病例数据库，用以在脑结构建模系统中使用，该数据读取模块可以兼容各种格式的医学数据格式，同时支持医学解码算法的扩展。
进一步，所述的病变识别模块其实现原理为：分析从典型病例数据系统中获取的患者医学数据，首先，标定图像数据的每个体素的灰度值，其灰度值范围为0～1，灰度步进间隔为0.001；然后，我们应用局部灰度均值分割法将病灶区域从正常脑区中分割出来，具体实现步骤如下：
（1）以图像的灰度为横轴，选用3×3模板下的局部灰度均值为纵轴，构造一个图像分布的散布图；
（2）给定一个初始的阈值T=T0=(T0(x),T0(y))，其中T0(x)为图像灰度初始值，T0(y)为局部灰度均值初始值，将图像分为A0和A1两类；
（3）按照均匀性度量方法获得最佳阈值T=T*=(T*(x),T*(y))，其中T*(x)为最佳灰度值，T*(y)为最佳局部灰度均值；
从而将病灶区域从切片数据中识别出来。
其中，所述的脑区建模模块，其实现原理为：应用线性拟合算法拟合病变识别模块所识别出的各层切片数据上的病变区域，建立出基于医学数据的三维脑模型，并用拉普拉斯滤波算法优化模型表面结构，来消除局部噪声点。
所述的训练效果评估模块，其采用的技术方案为：首先，系统记录医师在进行虚拟手术过程中的手术路径，并建立该路径的三维模型，计算出路径中各点的三维坐标值；然后，从最优路径模块中载入与医师当前训练模型相对应的专家推荐路径，比较系统所记录的医师路径与推荐路径的差别，具体实现为：我们设立路径偏差阈值Th，当医师路径与推荐路径的相对空间距离小于Th时，继续跟踪比较下一结点，直到路径结束，并累加各节点到推荐路径的最小值Lmin，以Lmin作为最终路径选取优劣性的评价标准；当医师路径中的某一结点到专家路径的最小值大于Th时，系统结束路径比较，提示路径选取失败；
本发明的有益效果主要表现在：
1.系统包含20种典型脑部疾病的530个具体病例，具体包括：垂体瘤、胆脂瘤、颅咽管瘤、室管膜瘤、星形细胞瘤、神经纤维瘤、髓母细胞瘤、胶质母细胞瘤和海绵状血管瘤等，为受训医师提供了海量受训材料，解决了以往训练模型单一的问题。
2.基于系统中典型病例数据库中的患者的医学切片扫描数据，精确建立其脑部的三维可视化模型，用于手术路径的规划训练。基于该模型的路径规划训练，较传统基于二维切片数据的训练更加直观。
3.系统配有专家系统，目前已包含典型病例数据库系统中的240多份数据的真实手术记录。同时该系统还配有浙一医院神经外科杨主任对手术入刀点、手术入刀方向、手术路径选取的意见。
4.系统配有训练效果评估系统，可以对比受训医师选取的手术路径与专家系统推荐路径，使受训医师在对比中提高手术路径规划能力。
5.其他效益：减少对尸体、动物的消耗，降低医师的训练成本。
附图说明
图1是本发明的系统组成框图
图2是本发明的系统操作界面
图3是本发明的典型病例数据库部分训练脑模型
具体实施方式
以下将结合附图对本发明做进一步详细说明：
参照附图1-3，
一种神经外科脑手术典型病历训练系统，有典型病例数据系统、脑结构建模系统与训练结果评估系统组成。其中，典型病例数据系统用于医师的海量数据训练，提高医师的手术路径规划能力，脑结构建模系统用于建立典型病例数据系统中脑数据的三维可视化模型，训练结果评估系统用于对医师的训练结果进行评估。
所述的典型病例数据库模块，用于存储脑部典型疾病的医学数据，该数据库模块中包含多种典型医学数据格式，所述的数据格式包括：功能磁共振成像(FMRI)数据、磁共振成像(MRI)数据、磁共振动脉成像(MRA)数据、磁共振静脉成像(MRV)数据及CT数据；该数据库目前已包含20类典型脑疾病的530份脑部数据，且具有可扩充性。
所述的数据读取模块，用于将向指定的患者的医学数据加载入典型病例数据库模块中，来进行个体的针对性训练；该模块包含了目前主流的医学图像数据格式的解码算法，所述的图像数据格式包括RAW(.raw)、NRRD(.nrrd.nhrd)、MetaImage(.mhd.mha)、Analyze(.hdr.img)、NifTi(.nii.nia)、BioRad(.pic)、TIFF(.GIFf.GIF)、Stimulate(.sqr)，我们通过判断读入数据的头文件，调用其解码算法将数据存入典型病例数据库，用以在脑结构建模系统中使用，该数据读取模块可以兼容各种格式的医学数据格式，同时支持医学解码算法的扩展。
(1）所述的病变识别模块，用于将脑部病灶区域从正常脑区中识别出来，通过从数据读取模块读入患者医学数据或从典型病例数据库模块中导入患者的数据，通过应用图像灰度值分割算法来识别病变区域；具体的实现原理为所述的神经外科手术典型病例训练系统，其特征在于，所述的病变识别模块，其实现原理为：分析从典型病例数据系统中获取的患者医学数据，首先，标定图像数据的每个体素的灰度值，其灰度值范围为0～1，灰度步进间隔为0.001；然后，我们应用局部灰度均值分割法将病灶区域从正常脑区中分割出来，具体实现步骤如下：（1）
(2）以图像的灰度为横轴，选用3×3模板下的局部灰度均值为纵轴，构造一个图像分布的散布图；
(3）给定一个初始的阈值T=T0=(T0(x),T0(y))，其中T0(x)为图像灰度初始值，T0(y)为局部灰度均值初始值，将图像分为A0和A1两类；
(4）按照均匀性度量方法获得最佳阈值T=T*=(T*(x),T*(y))，其中T*(x)为最佳灰度值，T*(y)为最佳局部灰度均值；
从而将病灶区域从切片数据中识别出来。
所述的脑区建模模块，用于建立病变识别模块识别出的脑部微结构模型，所述的微结构模型包括：脑区模型、病灶区域整体模型、病灶区域微结构模型以及胼胝体模型；具体实现原理为：应用线性拟合算法拟合病变识别模块所识别出的各层切片数据上的病变区域，建立出基于医学数据的三维脑模型，并用拉普拉斯滤波算法优化模型表面结构，来消除局部噪声点。
所述纤维建模模块，用于建立病变识别模块识别出的病灶区域周边的神经纤维模型；本系统应用基于高阶张量模型的并行纤维跟踪算法建立病灶区域周边的纤维模型。
所述最优路径模块，用于显示典型病例数据库模块中存储的针对各份患者数据的专家推荐路径；
训练效果评估模块，用于评估受训医师所规划的手术路径，通过比较受训医师规划的手术路径与最优路径模块中存储的专家推荐路径的区别，来评估医师所规划的手术路径的优劣性。其采用的具体技术方案为：首先，系统记录医师在进行虚拟手术过程中的手术路径，并建立该路径的三维模型，计算出路径中各点的三维坐标值；然后，从最优路径模块中载入与医师当前训练模型相对应的专家推荐路径，比较系统所记录的医师路径与推荐路径的差别，具体实现为：我们设立路径偏差阈值Th，当医师路径与推荐路径的相对空间距离小于Th时，继续跟踪比较下一结点，直到路径结束，并累加各节点到推荐路径的最小值Lmin，以Lmin作为最终路径选取优劣性的评价标准；当医师路径中的某一结点到专家路径的最小值大于Th时，系统结束路径比较，提示路径选取失败。
Claims (5)
1.一种神经外科脑手术典型病历训练系统，其特征在于：所述典型病历训练系统包括：用以为医师提供20种典型病例训练素材的典型病例数据系统，用以对脑部切片扫描数据进行三维建模的脑结构建模系统，用于对手术训练成果进行评估的评估系统，
其中，所述的典型病例数据系统包括：
典型病例数据库模块，用于存储脑部典型疾病的医学数据，该数据库模块中包含多种典型医学数据格式，所述的数据格式包括：功能磁共振成像(FMRI)数据、磁共振成像(MRI)数据、磁共振动脉成像(MRA)数据、磁共振静脉成像(MRV)数据及CT数据；该数据库目前已包含20类典型脑疾病的530份脑部数据，且具有可扩充性；
数据读取模块，用于读取指定患者的数据，将所述数据加载入典型病例数据库模块中，从而进行个体的针对性训练；
所述的脑结构建模系统包括：
病变识别模块，用于将脑部病灶区域从正常脑区中识别出来，通过从数据读取模块读入患者医学数据或从典型病例数据库模块导入患者数据，应用图像灰度值分割算法来识别病变区域；
脑区建模模块，用于建立病变识别模块识别出的脑部微结构模型，所述的微结构模型包括：脑区模型、病灶区域整体模型、病灶区域微结构模型以及胼胝体模型；
纤维建模模块，用于建立病变识别模块识别出的病灶区域周边的神经纤维模型，本系统应用基于高阶张量模型的并行纤维跟踪算法建立病灶区域周边的纤维模型；
所述的评估系统包括：
最优路径模块，用于显示典型病例数据库模块中存储的针对各份患者数据的专家推荐路径；
训练效果评估模块，用于评估受训医师所规划的手术路径，通过比较受训医师规划的手术路径与最优路径模块中存储的专家推荐路径的区别，来评估医师所规划的手术路径的优劣性。
2.如权利要求1所述的神经外科脑手术典型病历训练系统，其特征在于：所述的数据读取模块，所采用的技术方案为：该模块包含了目前主流的医学图像数据格式的解码算法，所述的图像数据格式包括RAW(.raw)、NRRD(.nrrd.nhrd)、MetaImage(.mhd.mha)、Analyze(.hdr.img)、NifTi(.nii.nia)、BioRad(.pic)、TIFF(.GIFf.GIF)、Stimulate(.sqr)，我们通过判断读入数据的头文件，调用其解码算法将数据存入典型病例数据库，用以在脑结构建模系统中使用，该数据读取模块可以兼容各种格式的医学数据格式，同时支持医学解码算法的扩展。
3.如权利要求1所述的神经外科手术典型病例训练系统，其特征在于：所述的病变识别模块，其实现原理为：分析从权利要求1中的典型病例数据系统中获取的患者医学数据，首先，标定图像数据的每个体素的灰度值，其灰度值范围为0～1，灰度步进间隔为0.001；然后，我们应用局部灰度均值分割法将病灶区域从正常脑区中分割出来，具体实现步骤如下：
（1）以图像的灰度为横轴，选用3×3模板下的局部灰度均值为纵轴，构造一个图像分布的散布图；
（2）给定一个初始的阈值T=T0=(T0(x),T0(y))，其中T0(x)为图像灰度初始值，T0(y)为局部灰度均值初始值，将图像分为A0和A1两类；
（3）按照均匀性度量方法获得最佳阈值T=T*=(T*(x),T*(y))，其中T*(x)为最佳灰度值，T*(y)为最佳局部灰度均值；
从而将病灶区域从切片数据中识别出来。
4.如权利要求1所述的神经外科手术典型病例训练系统，其特征在于：所述的脑区建模模块，其实现原理为：应用线性拟合算法拟合权利要求3中病变识别模块所识别出的各层切片数据上的病变区域，建立出基于医学数据的三维脑模型，并用拉普拉斯滤波算法优化模型表面结构，来消除局部噪声点。
5.如权利要求1所述的神经外科手术典型病例训练系统，其特征在于：所述的训练效果评估模块，其具体步骤：首先，系统记录医师在进行虚拟手术过程中的手术路径，并建立该路径的三维模型，计算出路径中各点的三维坐标值；然后，从权利要求1中的最优路径模块中载入与医师当前训练模型相对应的专家推荐路径，比较系统所记录的医师路径与推荐路径的差别，具体实现为：我们设立路径偏差阈值Th，当医师路径与推荐路径的相对空间距离小于Th时，继续跟踪比较下一结点，直到路径结束，并累加各节点到推荐路径的最小值Lmin，以Lmin作为最终路径选取优劣性的评价标准；当医师路径中的某一结点到专家路径的最小值大于Th时，系统结束路径比较，提示路径选取失败。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310220488.4A CN103280138B (zh) | 2013-06-04 | 2013-06-04 | 神经外科脑手术典型病例训练系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310220488.4A CN103280138B (zh) | 2013-06-04 | 2013-06-04 | 神经外科脑手术典型病例训练系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103280138A true CN103280138A (zh) | 2013-09-04 |
| CN103280138B CN103280138B (zh) | 2015-05-27 |
Family
ID=49062638
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201310220488.4A Active CN103280138B (zh) | 2013-06-04 | 2013-06-04 | 神经外科脑手术典型病例训练系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103280138B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108257468A (zh) * | 2016-12-29 | 2018-07-06 | 天津天堰科技股份有限公司 | 垂体腺瘤经口鼻蝶切除术模型 |
| CN110796739A (zh) * | 2019-09-27 | 2020-02-14 | 哈雷医用(广州)智能技术有限公司 | 一种颅脑手术虚拟现实仿真方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001216421A (ja) * | 1999-11-10 | 2001-08-10 | Medtronic Inc | 移植用医療装置システムのためのソフトウェア・ベースの訓練システム |
| CN1801214A (zh) * | 2005-11-18 | 2006-07-12 | 厦门大学 | 基于数字化虚拟器官的肿瘤图像信息处理装置与处理方法 |
| CN101639992A (zh) * | 2008-07-30 | 2010-02-03 | 株式会社莫利嗒制作所 | 医疗用实习装置 |
| CN102117378A (zh) * | 2009-12-31 | 2011-07-06 | 苏州瑞派宁科技有限公司 | 一种基于三维多模影像的肝肿瘤综合手术规划模拟方法及其系统 |
| CN102789706A (zh) * | 2012-06-19 | 2012-11-21 | 广西南宁恒升泰居汇电子科技有限公司 | 基于xml的开放任务架构的模拟医护教学系统 |
-
2013
- 2013-06-04 CN CN201310220488.4A patent/CN103280138B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001216421A (ja) * | 1999-11-10 | 2001-08-10 | Medtronic Inc | 移植用医療装置システムのためのソフトウェア・ベースの訓練システム |
| CN1801214A (zh) * | 2005-11-18 | 2006-07-12 | 厦门大学 | 基于数字化虚拟器官的肿瘤图像信息处理装置与处理方法 |
| CN101639992A (zh) * | 2008-07-30 | 2010-02-03 | 株式会社莫利嗒制作所 | 医疗用实习装置 |
| CN102117378A (zh) * | 2009-12-31 | 2011-07-06 | 苏州瑞派宁科技有限公司 | 一种基于三维多模影像的肝肿瘤综合手术规划模拟方法及其系统 |
| CN102789706A (zh) * | 2012-06-19 | 2012-11-21 | 广西南宁恒升泰居汇电子科技有限公司 | 基于xml的开放任务架构的模拟医护教学系统 |
Non-Patent Citations (1)
| Title |
|---|
| 马炘，吴剑煌、王树国、付宜利: "脑血管介入手术仿真训练系统研究", 《透析与人工器官》, vol. 21, no. 3, 30 September 2010 (2010-09-30), pages 25 - 31 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108257468A (zh) * | 2016-12-29 | 2018-07-06 | 天津天堰科技股份有限公司 | 垂体腺瘤经口鼻蝶切除术模型 |
| CN110796739A (zh) * | 2019-09-27 | 2020-02-14 | 哈雷医用(广州)智能技术有限公司 | 一种颅脑手术虚拟现实仿真方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN103280138B (zh) | 2015-05-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Schilling et al. | Challenges in diffusion MRI tractography–Lessons learned from international benchmark competitions | |
| Thompson et al. | Cortical change in Alzheimer's disease detected with a disease-specific population-based brain atlas | |
| CN110364238B (zh) | 基于机器学习的对比剂管理 | |
| Jbabdi et al. | Tractography: where do we go from here? | |
| Ferroli et al. | Advanced 3-dimensional planning in neurosurgery | |
| Gargiulo et al. | New Directions in 3D Medical Modeling: 3D‐Printing Anatomy and Functions in Neurosurgical Planning | |
| CN106529117A (zh) | 用于治疗规划的生理驱动决策支持 | |
| CN105392436A (zh) | 用于检测组织以及纤维束变形的系统与方法 | |
| Allan et al. | Parcellation‐based tractographic modeling of the dorsal attention network | |
| Nowinski et al. | Three-dimensional interactive and stereotactic human brain atlas of white matter tracts | |
| CN112967786B (zh) | 基于多模影像与交互设备的解剖导航的构建方法及系统 | |
| CN107106104B (zh) | 用于骨科分析和治疗设计的系统和方法 | |
| Shim et al. | Rapid prediction of brain injury pattern in mTBI by combining FE analysis with a machine-learning based approach | |
| Palesi et al. | The importance of cerebellar connectivity on simulated brain dynamics | |
| González et al. | Lifelong nnU-Net: a framework for standardized medical continual learning | |
| CN103443825B (zh) | 在神经外科手术期间跟踪脑变形 | |
| Drakopoulos et al. | Adaptive physics-based non-rigid registration for immersive image-guided neuronavigation systems | |
| Marzola et al. | A reliable procedure for the construction of a statistical shape model of the cranial vault | |
| CN103280138B (zh) | 神经外科脑手术典型病例训练系统 | |
| WO2021222506A1 (en) | Method and apparatus to classify structures in an image | |
| Lucas et al. | Artificial intelligence in epilepsy—applications and pathways to the clinic | |
| Zelmann et al. | SEEGAtlas: A framework for the identification and classification of depth electrodes using clinical images | |
| Higueras-Esteban et al. | SYLVIUS: A multimodal and multidisciplinary platform for epilepsy surgery | |
| US11508070B2 (en) | Method and apparatus to classify structures in an image | |
| US20210342655A1 (en) | Method And Apparatus To Classify Structures In An Image |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant |