CN106845138A - 一种手术术前预演方法 - Google Patents
一种手术术前预演方法 Download PDFInfo
- Publication number
- CN106845138A CN106845138A CN201710110850.0A CN201710110850A CN106845138A CN 106845138 A CN106845138 A CN 106845138A CN 201710110850 A CN201710110850 A CN 201710110850A CN 106845138 A CN106845138 A CN 106845138A
- Authority
- CN
- China
- Prior art keywords
- organ
- image
- focus
- target area
- liver
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000001356 surgical procedure Methods 0.000 title claims abstract description 27
- 210000000056 organ Anatomy 0.000 claims abstract description 122
- 229910000831 Steel Inorganic materials 0.000 claims abstract description 37
- 239000010959 steel Substances 0.000 claims abstract description 37
- 210000004185 liver Anatomy 0.000 claims description 30
- 230000002490 cerebral effect Effects 0.000 claims description 23
- 238000005194 fractionation Methods 0.000 claims description 13
- 206010003694 Atrophy Diseases 0.000 claims description 9
- 230000037444 atrophy Effects 0.000 claims description 9
- 210000004556 brain Anatomy 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 8
- 210000005161 hepatic lobe Anatomy 0.000 claims description 7
- 210000003478 temporal lobe Anatomy 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 210000001652 frontal lobe Anatomy 0.000 claims description 6
- 210000001638 cerebellum Anatomy 0.000 claims description 5
- 210000000869 occipital lobe Anatomy 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000010009 beating Methods 0.000 claims description 3
- 210000000988 bone and bone Anatomy 0.000 claims description 3
- 238000012790 confirmation Methods 0.000 claims description 3
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 238000009792 diffusion process Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 210000004218 nerve net Anatomy 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 239000010410 layer Substances 0.000 description 39
- 238000003384 imaging method Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000002591 computed tomography Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 208000010392 Bone Fractures Diseases 0.000 description 3
- 206010017076 Fracture Diseases 0.000 description 3
- 210000003484 anatomy Anatomy 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 210000001519 tissue Anatomy 0.000 description 3
- 206010028980 Neoplasm Diseases 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 229910001220 stainless steel Inorganic materials 0.000 description 2
- 239000010935 stainless steel Substances 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 101000859758 Homo sapiens Cartilage-associated protein Proteins 0.000 description 1
- 101000916686 Homo sapiens Cytohesin-interacting protein Proteins 0.000 description 1
- 101000726740 Homo sapiens Homeobox protein cut-like 1 Proteins 0.000 description 1
- 101000761460 Homo sapiens Protein CASP Proteins 0.000 description 1
- 241001582888 Lobus Species 0.000 description 1
- 101000761459 Mesocricetus auratus Calcium-dependent serine proteinase Proteins 0.000 description 1
- 102100024933 Protein CASP Human genes 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000002583 angiography Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002224 dissection Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000035876 healing Effects 0.000 description 1
- 239000007943 implant Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 239000002365 multiple layer Substances 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 210000005166 vasculature Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30056—Liver; Hepatic
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/41—Medical
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2219/00—Indexing scheme for manipulating 3D models or images for computer graphics
- G06T2219/20—Indexing scheme for editing of 3D models
- G06T2219/2008—Assembling, disassembling
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computer Graphics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Radiology & Medical Imaging (AREA)
- Geometry (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Architecture (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Human Computer Interaction (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Image Processing (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种手术术前预演方法,包括以下步骤:S1:获取带有病灶/靶区或者需要打钢钉的器官模型;S2:对获取的器官模型进行术前预演:(1)对于带有病灶/靶区的器官模型,采用以下子步骤:S21:在带有病灶/靶区的器官上设置手术切口,所述的切口的大小设置有阈值;S22:将手术切口掰开,判断观察到的切口内部画面是否能够满足手术要求,如果不是则返回步骤S21,其中手术切口掰开角度设置有阈值;(2)对于需要打钢钉的器官模型,采用以下子步骤:选择器官上两点作为打钢钉的两端,判断角度和长度是否适合打钢钉,如果不是则重新选择。本发明提供了一种手术术前预演方法,并分别实现了带有病灶/靶区或者需要打钢钉的器官的术前预演。
Description
技术领域
本发明涉及一种手术术前预演方法。
背景技术
医学影像是指为了医疗或医学研究,对人体或人体某部分,以非侵入方式取得内部组织影像的技术与处理过程。它包含以下两个相对独立的研究方向:医学成像系统(medical imaging system)和医学图像处理(medical image processing)。前者是指图像形成的过程,包括对成像机理、成像设备、成像系统分析等问题的研究;后者是指对已经获得的图像作进一步的处理,其目的是或者是使原来不够清晰的图像复原,或者是为了突出图像中的某些特征信息,或者是对图像做模式分类等等。
现有技术的医学影像的形成方式包括CT(Computed Tomography),即电子计算机断层扫描;MR〔Magnetic Resonance〕,即磁共振;DSA(Digital subtractionangiography),即数字血管造影。上述方式均会先采集多幅图像(水平或者角度)而后进行合成。在本申请中均称为薄层扫描图像。
手术规划(preoperative planning PP)即手术前,获得患者病灶处的图像,然后结合医生的解剖学和病理学知识,进行手术规划(包括手术方法,手术流程,手术切口与路径等)并得到手术方案。随着科学技术的发展,医生在手术借助计算机技术辅助进行手术前规划,以便设计出最优的手术方案。计算机辅助手术规划系统(computer-assistedsurgery planning system,CASP)可将术前二维(two dimensional, 2D)的 CT/MRI 影像进行三维(threedimensional,3D)重建,还原病灶与其周围脉管结构的真实立体解剖构象,并根据个体解剖特点辅助术者进行术前规划、虚拟切割和风险评估。
在现有技术中,对于断裂性错位骨折患者,采用对位连接。在断骨连接处采用不锈钢钢板和不锈钢钉对位固定法,牢固的固定住断骨错位的归位固定,有助断骨间的慢慢愈合,以免形成对位不正形成接骨畸形。对于需要打钢钉的患者的手术规划,即需要模拟出打钢钉的位置,在模拟出打钢钉位置并定点后,需要计算出钢钉的长度以制造出来供患者手术时使用。然而现有技术仅仅是对如何手术进行规划,并不能通过系统对钢钉长度进行计算。
另外,现有技术对于手术规划的器官模型,也仅仅是对整个器官与外部非器官部分进行分割:比如申请号为CN201510729150.0的发明专利,该发明公开了一种医学图像中器官的识别与分割方法,识别方法包括:获取待处理的医学图像,将所述医学图像分别在X、Y 和Z 轴方向拆分成若干二维图像,并根据目标器官的大小设定检测窗口;利用所述检测窗口按照设定的检测步长分别对所述二维图像进行遍历检测,获取在X、Y 和Z 轴方向的检测结果;将所述检测结果进行结果融合,保留在X、Y和Z 轴三个方向上都检测为阳性的像素点,从而确定所述目标器官边界。又比如申请号为CN201510672278.8的发明专利,该发明公开了一种人体解剖结构模型、植入物快速成型方法,其中公开了该方法首先利用医疗成像系统、三维扫描仪、摄像摄影设备获取目标结构的图像数据;然后通过软件处理图像得到植入物、解剖结构或解剖结构各个部分、各个层次的三维数字模型。并不对某个器官的各个区域进行分割,比如,脑部就包括额叶、颞叶、顶叶、枕叶及小脑等部分,肝脏包括肝左叶和肝右叶等部分。同时,现有技术在分割期间也并不对病灶/靶区部分做特殊处理,使得后期难以对病灶/靶区部分做区别性观察。
发明内容
本发明的目的在于克服现有技术的不足,提供一种手术术前预演方法。
本发明的目的是通过以下技术方案来实现的:一种手术术前预演方法,包括以下步骤:
S1:获取带有病灶/靶区或者需要打钢钉的器官模型;
S2:对获取的器官模型进行术前预演:
(1)对于带有病灶/靶区的器官模型,采用以下子步骤:S21:在带有病灶/靶区的器官上设置手术切口,所述的切口的大小设置有阈值;S22:将手术切口掰开,判断观察到的切口内部画面是否能够满足手术要求,如果不是则返回步骤S21,其中手术切口掰开角度设置有阈值;
(2)对于需要打钢钉的器官模型,采用以下子步骤:选择器官上两点作为打钢钉的两端,判断角度和长度是否适合打钢钉,如果不是则重新选择。
所述的器官模型为经过多区域拆分的器官模型;所述的多区域拆分包括以下子步骤:
S31:获取待拆分器官的薄层扫描图像;
S32:对其中一幅图像的病灶/靶区的外轮廓进行勾画;
S33:分别对病灶/靶区和待拆分器官进行三维建模;
S34:对三维建模得到的待拆分器官的模型进行多区域拆分。
步骤S33中对于待拆分器官的三维建模包括以下子步骤:
S411:识别器官,将器官周围的非器官部分进行分离;
S412:与多种该器官的标准模板进行比较,判断器官形态,并匹配该形态的标准模板;
S413:对该器官进行三维建模
当器官形态为坍塌或者萎缩或者不完全,则手动对坍塌或者萎缩或者不完全的器官边界进行划分。
所述的待拆分器官为脑叶,所述的多区域为额叶、颞叶、顶叶、枕叶及小脑;所述的方法包括以下子步骤:
S311:获取脑叶的薄层扫描图像;
S312:对其中一幅图像的病灶/靶区的外轮廓进行勾画;
S313:分别对病灶/靶区和待拆分器官进行三维建模,其中对于病灶/靶区的三维建模采用相同阈值的区域增长算法确定边界实现,所述的阈值为灰度值;对于待拆分器官的三维建模为对脑叶的薄层扫描图像进行去头皮去骨处理,构建头部模型;所述的构建头部模型采用图像特征子步骤和定位子步骤实现;所述的图像特征子步骤包括对扫描图像的脑部沟壑进行判断,根据灰度的不同得到脑叶的边界;所述的定位子步骤包括根据对器官的标准模板进行十字交叉定位确认脑叶的边界;
S314:对构建的头部模型进行多区域拆分,包括以下子步骤:
S3141:针对任意一个图像,将标准模板对应的模板图像的各区域与个体图像进行空间匹配变形处理,把模板空间的各个脑叶分区图像对应变形到个体脑空间,完成大脑区域分割;
S3142:将个体空间脑叶图像和病灶/靶区进行二值化处理,形成mask矩阵;
S3143:将mask矩阵转化为系统可识别的区域。
所述的待拆分器官为肝脏,所述的多区域为肝左叶和肝右叶;所述的方法包括以下子步骤:
S321:使用DCMTK读取肝脏的DICOM序列图像;
S322:对其中一幅图像的病灶/靶区的外轮廓进行勾画;
S323:分别对病灶/靶区和待拆分器官进行三维建模,对于病灶/靶区的三维建模采用相同阈值的区域增长算法确定边界实现,所述的阈值为灰度值;对待拆分器官的三维建模包括以下子步骤:
S3231:采用各向异性扩散滤波算法去掉噪声,强化图像边缘;
S3232:采用OTSU算法强化图像特征;
S3233:采用形态学算法、或者水平集分割算法、或者自适应区域生长算法和BP神经网络算法的结合,提取肝脏区域;
S3234:腐蚀提取后的图像,并采用漫水填充法对图像进行后处理;
S3235:将步骤S3234得到的图像与原始图像相与,得到最终的肝脏区域;
S324:对得到的肝脏区域进行多区域拆分,包括以下子步骤:
S3241:针对任意一个图像,将标准模板对应的模板图像的各区域与个体图像进行空间匹配变形处理,把模板空间的各个肝脏分区图像对应变形到个体肝脏空间,完成肝脏区域分割;
S242:将个体空间肝脏图像和靶区/病灶进行二值化处理,形成mask矩阵;
S243:将mask矩阵转化为系统可识别的区域。
步骤S2的术前预演包括对模型的包括各个区域进行移动或者隐藏。
对打钢钉的术前预演,包括以下子步骤:
S41:医生根据实际患者的情况,选择需要薄层扫描医学图像上需要打钢钉的两点A和B;
S42:将其中一个点A垂直映射于另一个点B的图像层上,得到点C;
S43:通过比例尺获取点B和点C的直线距离;
S44:根据点A和点B之间的层数n和每层的厚度T,得到A点和C点的直线距离;
S45:根据点B和点C的直线距离以及A点和C点的直线距离计算A点和B点的直线距离,即计算出钢钉的长度;
S46:判断钢钉角度和长度是否适合,则结束,否则返回步骤S41。
步骤S2中进行术前预演的为虚拟现实操作设备。
所述的虚拟现实操作设备包括加密控制装置和虚拟现实操作装置,所述的虚拟现实操作装置通过加密控制装置和存储器官模型的数据中心连接;所述的加密控制装置用于在虚拟现实操作装置发送获取请求时对获取请求进行加密操作;数据中心对经过加密操作的获取请求进行解析,当判断虚拟现实操作装置连接有加密控制装置时才向虚拟现实操作设备发送器官模型。
本发明的有益效果是:
(1)本发明提供了一种手术术前预演方法,并分别实现了带有病灶/靶区或者需要打钢钉的器官的术前预演。
(2)本发明中,术前预演的器官模型为经过多区域拆分的器官模型,将医学图像分割不仅停留在对整个器官与外部非器官部分进行分割,还进一步的对器官的各个区域进行分割以及对病灶/靶区的分割,使得后期进行术前预演时方便对器官进行操作。
(3)本发明通过获取薄层扫描医学图像,实现对薄层扫描医学图像同层/不同层的任意两点长度进行计算,以实现在手术规划完成后快速对手术辅助材料长度进行了解的目的。
(4)通过VR技术对对分割的器官进行观察,效果逼真,对病灶(肿瘤)/靶区位置的分析以及手术方式的确定起很大的作用;同时可以与多区域拆分进行结合。
附图说明
图1为方法流程图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案:如图1所示,一种手术术前预演方法,包括以下步骤:
S1:获取带有病灶/靶区或者需要打钢钉的器官模型;
S2:对获取的器官模型进行术前预演:
(1)对于带有病灶/靶区的器官模型,采用以下子步骤:S21:在带有病灶/靶区的器官上设置手术切口,所述的切口的大小设置有阈值;S22:将手术切口掰开,判断观察到的切口内部画面是否能够满足手术要求,如果不是则返回步骤S21,其中手术切口掰开角度设置有阈值;
(2)对于需要打钢钉的器官模型,采用以下子步骤:选择器官上两点作为打钢钉的两端,判断角度和长度是否适合打钢钉,如果不是则重新选择。
进一步地,所述的器官模型为经过多区域拆分的器官模型;所述的多区域拆分包括以下子步骤:
S31:获取待拆分器官的薄层扫描图像;(所有层的薄层扫描医学图像组成一个三维图像)
S32:对其中一幅图像的病灶/靶区的外轮廓进行勾画;
S33:分别对病灶/靶区和待拆分器官进行三维建模;
S34:对三维建模得到的待拆分器官的模型进行多区域拆分。
在下述任意一个实施例中,薄层扫描图像为CT、MR或DSA中任意一个得到的图像。
在下述任意一个实施例中,步骤S32为医生进行勾画。由于对于同一个被扫描人员,具有多个薄层扫描图像(多张水平图像或者多张角度图像),当医生对病灶/靶区的外轮廓进行勾画时,只需选择其中一张带有病灶/靶区的图像进行勾画,方便后期建模。
其中,由于待拆分器官不一定是通常意义下完整的器官,会与标准模板的器官具有一定差异,因此会有一个预先判断的步骤,具体地:
步骤S33中对于待拆分器官的三维建模包括以下子步骤:
S411:识别器官,将器官周围的非器官部分进行分离;
S412:与多种该器官的标准模板进行比较,判断器官形态,并匹配该形态的标准模板;
S413:对该器官进行三维建模
当器官形态为坍塌或者萎缩或者不完全,则手动对坍塌或者萎缩或者不完全的器官边界进行划分。
并且进一步地,当器官形态为坍塌或者萎缩或者不完全,则手动对坍塌或者萎缩或者不完全的器官边界进行划分。比如当判断出为颞叶萎缩的脑部,则选择颞叶萎缩的标准模板完成三维建模以及区域划分,对于颞叶的边界则采用手动划分的方式实现。
另外,标准模板的器官为已经划分了区域的模板,便于后期的对照。
实施例1为对脑叶的拆分;在本实施例中,所述的待拆分器官为脑叶,所述的多区域为额叶、颞叶、顶叶、枕叶及小脑;所述的方法包括以下子步骤:
S311:获取T1加权成像的脑叶的薄层扫描图像;
T1加权成像(T1-weighted imaging,T1WI)是指这种成像方法重点突出组织纵向弛豫差别,而尽量减少组织其他特性如横向弛豫等对图像的影响。
S312:对其中一幅图像的病灶/靶区的外轮廓进行勾画;
S313:分别对病灶/靶区和待拆分器官进行三维建模,其中对于病灶/靶区的三维建模采用相同阈值的区域增长算法确定边界实现,所述的阈值为灰度值;对于待拆分器官的三维建模为对脑叶的薄层扫描图像进行去头皮去骨处理,构建头部模型;所述的构建头部模型采用图像特征子步骤和定位子步骤实现;所述的图像特征子步骤包括对扫描图像的脑部沟壑进行判断,根据灰度的不同得到脑叶的边界;所述的定位子步骤包括根据对器官的标准模板进行十字交叉定位确认脑叶的边界;
采用两种方式共同对脑叶边界进行划分,得到的效果更好。
S314:对构建的头部模型进行多区域拆分,包括以下子步骤:
S3141:针对任意一个图像,将标准模板对应的模板图像的各区域与个体图像进行空间匹配变形处理,把模板空间的各个脑叶分区图像对应变形到个体脑空间,完成大脑区域分割;
S3142:将个体空间脑叶图像和病灶/靶区进行二值化处理,形成mask矩阵;
S3143:将mask矩阵转化为系统可识别的区域。
在本实施例中,所述的系统可识别的区域为可以通过VR设备或者PC设备识别的区域。其中,对于VR设备,采用Unreal Engine或Unity引擎对模型赋予有物理属性的物体,并添加如拾取、拆分等功能程序模块,实现其可VR内操作的特性。方便后期的操作。
实施例2为对肝脏的拆分。在本实施例中,所述的待拆分器官为肝脏,所述的多区域为肝左叶和肝右叶;所述的方法包括以下子步骤:
S321:使用DCMTK读取肝脏的DICOM序列图像;
由于现在的医学影像设备的图像存储和传输正在逐渐向DICOM标准靠拢,在我们进行医学图像处理的过程中,经常需要自己编写和DICOM格式的图像相关的各种程序模块,以完成自己处理功能。如果从头开始理解DICOM的协议,然后完全自己编写这些代码来实现这些协议,是一件工程浩大的事情。德国offis公司开发的DCMTK,为我们提供了实现DICOM协议的一个平台,使得我们可以在它的基础上轻松的完成自己的主要工作,而不必把太多的精力放在实现DICOM协议的细节问题上。
S322:对其中一幅图像的病灶/靶区的外轮廓进行勾画;
S323:分别对病灶/靶区和待拆分器官进行三维建模,对于病灶/靶区的三维建模采用相同阈值的区域增长算法确定边界实现,所述的阈值为灰度值;对待拆分器官的三维建模包括以下子步骤:
S3231:采用各向异性扩散滤波算法去掉噪声,强化图像边缘;
S3232:采用OTSU算法强化图像特征,包括增强所增强部位的特征形态,防止在后续分割中待分割区域与其它区域混淆;
S3233:采用形态学算法、或者水平集分割算法、或者自适应区域生长算法和BP神经网络算法的结合,提取肝脏区域;
S3234:腐蚀提取后的图像,并采用漫水填充法对图像进行后处理;
S3235:将步骤S3234得到的图像与原始图像相与,得到最终的肝脏区域;
S324:对得到的肝脏区域进行多区域拆分,包括以下子步骤:
S3241:针对任意一个图像,将标准模板对应的模板图像的各区域与个体图像进行空间匹配变形处理,把模板空间的各个肝脏分区图像对应变形到个体肝脏空间,完成肝脏区域分割;
S242:将个体空间肝脏图像和靶区/病灶进行二值化处理,形成mask矩阵;
S243:将mask矩阵转化为系统可识别的区域。
基于上述实施例1和实施例2的实现,实施例3提供了实现多区域拆分的器官模型的系统,包括:
医生用终端:用于获取待拆分器官的薄层扫描图像、查看待拆分器官的薄层扫描图像、对其中一幅薄层扫描图像的病灶/靶区的外轮廓进行勾画、上传勾画过的薄层扫描图像、接收三维建模以及多区域拆分的器官模型;
数据中心:通过网络与医生用终端连接,用于接收并保存来自医生用终端上传的进行勾画过的待拆分器官的薄层扫描图像、对包括病灶/靶区的待拆分器官进行三维建模、对三维建模得到的待拆分器官的模型进行多区域拆分、对完成多区域拆分的模型进行保存、向医生用终端发送完成三维建模以及多区域拆分的器官模型。
进一步地,所述的实现多区域拆分的器官模型的系统还包括薄层扫描仪器:与医生用终端连接,用于对人体进行薄层扫描、将薄层扫描的图像发送至医生用终端。
实施例4为医院设置有自己的内部数据库以及数据处理中心,具体地:所述的数据中心设置于医院内,与医院内的多个医生用终端通过内网连接。每个与薄层扫描仪器的连接的医生用终端,均通过内网与医院内部的数据中心连接;医院内部的数据中心对医院内部的数据进行处理与保存,当医生需要模型的时候,直接下发。采用内网连接,提高安全性能。
实施例5为一个大的系统,每个医院的数据中心均与云中心的云服务器连接,具体地,所述的实现多区域拆分的器官模型的系统还包括一个云中心,所述的云中心分别与数据中心连接,用于获取数据中心保存的数据、在有权限的医生用终端发出查看请求时向医生用终端发送数据。在本实施例中,云服务器对所有医院的数据进行保存,在有权限的情况下,所有医院的医生用终端可以互相查看其他医院的病例情况,方便可靠。
并且,进一步地,在实施例3/4/5中,所述的医生用终端可以是PC机或者移动终端,均需配置对应的客户端(C/S)或者通过浏览器进行服务(B/S)。
进一步地,在上述任何一个实施例中,步骤S2中进行术前预演的为虚拟现实操作设备。
并且,进一步地,所述的虚拟现实操作设备包括加密控制装置和虚拟现实操作装置,所述的虚拟现实操作装置通过加密控制装置和存储器官模型的数据中心连接;所述的加密控制装置用于在虚拟现实操作装置发送获取请求时对获取请求进行加密操作;数据中心对经过加密操作的获取请求进行解析,当判断虚拟现实操作装置连接有加密控制装置时才向虚拟现实操作设备发送器官模型。设置的目的为一个前期的安全考虑,只有连接了加密控制装置的虚拟现实操作装置才能获取数据中心的数据。
在实施例3/4/5中,虚拟现实操作设备通过网络与数据中心连接,用于向数据中心发送器官模型获取请求,接收数据中心发送的已经完成三维建模以及多区域拆分的器官模型,通过虚拟现实设备对多区域拆分的模型进行包括各个区域进行移动或者隐藏在内的基本操作和切口/切口角度/钢钉位置设置。
另外,在上述实施例中,通过虚拟现实操作设备通过虚拟现实设备对多区域拆分的模型进行操作,具体可以为:
(1)当需要对额叶和颞叶之间的病灶(肿瘤)进行观察时,首先将其他拆分的区域(顶叶、枕叶及小脑)进行隐藏,然后对额叶和颞叶其中一个拆分区域进行平行移动(不进行旋转),对病灶的位置和形状进行观察后(包括对整体模型的旋转和对单个/多个区域的旋转),进行切口设置进行再观察;当观察完成后,还可以对其他拆分的区域进行再显示以及还原到最初的位置。
(2)当需要对骨折患者打钢钉进行观察时,包括以下子步骤:
S01:获取骨折患者拍摄的薄层扫描医学图像,包括多层水平拍摄的薄层扫描图像或者多层按角度拍摄的薄层扫描图像;(所有层的薄层扫描医学图像组成一个三维图像)
S02:医生根据实际患者的情况,选择需要薄层扫描医学图像上需要打钢钉的两点A和B;
S03:将其中一个点A垂直映射于另一个点B的图像层上,得到点C;
S04:通过比例尺获取点B和点C的直线距离;(根据比例尺可以获得同一层薄层扫描医学图像上任意两点的长度)
S05:根据点A和点B之间的层数n和每层的厚度T,得到A点和C点的直线距离;
进一步地,如果为水平拍摄的薄层扫描图像,则直接根据n*T获得A点和C点的直线距离;如果为角度拍摄的薄层扫描图像,则根据层数n可以知道∠AOC的大小,O点为旋转轴上任意一点(最好为A点垂直到旋转轴的交点),根据A点与O点的距离(根据比例尺获得)以及∠AOC的大小获得A点和C点的距离;
S06:根据点B和点C的直线距离以及A点和C点的直线距离计算A点和B点的直线距离,即可知钢钉的长度;
S07:如果医生认为角度和长度均适合打钢钉,则结束,否则返回步骤S2。
Claims (9)
1.一种手术术前预演方法,其特征在于:包括以下步骤:
S1:获取带有病灶/靶区或者需要打钢钉的器官模型;
S2:对获取的器官模型进行术前预演:
(1)对于带有病灶/靶区的器官模型,采用以下子步骤:S21:在带有病灶/靶区的器官上设置手术切口,所述的切口的大小设置有阈值;S22:将手术切口掰开,判断观察到的切口内部画面是否能够满足手术要求,如果不是则返回步骤S21,其中手术切口掰开角度设置有阈值;
(2)对于需要打钢钉的器官模型,采用以下子步骤:选择器官上两点作为打钢钉的两端,判断角度和长度是否适合打钢钉,如果不是则重新选择。
2.根据权利要求1所述的一种手术术前预演方法,其特征在于:所述的器官模型为经过多区域拆分的器官模型;所述的多区域拆分包括以下子步骤:
S31:获取待拆分器官的薄层扫描图像;
S32:对其中一幅图像的病灶/靶区的外轮廓进行勾画;
S33:分别对病灶/靶区和待拆分器官进行三维建模;
S34:对三维建模得到的待拆分器官的模型进行多区域拆分。
3.根据权利要求2所述的一种手术术前预演方法,其特征在于:步骤S33中对于待拆分器官的三维建模包括以下子步骤:
S411:识别器官,将器官周围的非器官部分进行分离;
S412:与多种该器官的标准模板进行比较,判断器官形态,并匹配该形态的标准模板;
S413:对该器官进行三维建模
根据权利要求3所述的一种手术术前预演方法,其特征在于:当器官形态为坍塌或者萎缩或者不完全,则手动对坍塌或者萎缩或者不完全的器官边界进行划分。
4.根据权利要求2或3或4所述的一种手术术前预演方法,其特征在于:所述的待拆分器官为脑叶,所述的多区域为额叶、颞叶、顶叶、枕叶及小脑;所述的多区域拆分包括以下子步骤:
S311:获取脑叶的薄层扫描图像;
S312:对其中一幅图像的病灶/靶区的外轮廓进行勾画;
S313:分别对病灶/靶区和待拆分器官进行三维建模,其中对于病灶/靶区的三维建模采用相同阈值的区域增长算法确定边界实现,所述的阈值为灰度值;对于待拆分器官的三维建模为对脑叶的薄层扫描图像进行去头皮去骨处理,构建头部模型;所述的构建头部模型采用图像特征子步骤和定位子步骤实现;所述的图像特征子步骤包括对扫描图像的脑部沟壑进行判断,根据灰度的不同得到脑叶的边界;所述的定位子步骤包括根据对器官的标准模板进行十字交叉定位确认脑叶的边界;
S314:对构建的头部模型进行多区域拆分,包括以下子步骤:
S3141:针对任意一个图像,将标准模板对应的模板图像的各区域与个体图像进行空间匹配变形处理,把模板空间的各个脑叶分区图像对应变形到个体脑空间,完成大脑区域分割;
S3142:将个体空间脑叶图像和病灶/靶区进行二值化处理,形成mask矩阵;
S3143:将mask矩阵转化为系统可识别的区域。
5.根据权利要求2或3或4所述的一种手术术前预演方法,其特征在于:所述的待拆分器官为肝脏,所述的多区域为肝左叶和肝右叶;所述的方法包括以下子步骤:
S321:使用DCMTK读取肝脏的DICOM序列图像;
S322:对其中一幅图像的病灶/靶区的外轮廓进行勾画;
S323:分别对病灶/靶区和待拆分器官进行三维建模,对于病灶/靶区的三维建模采用相同阈值的区域增长算法确定边界实现,所述的阈值为灰度值;对待拆分器官的三维建模包括以下子步骤:
S3231:采用各向异性扩散滤波算法去掉噪声,强化图像边缘;
S3232:采用OTSU算法强化图像特征;
S3233:采用形态学算法、或者水平集分割算法、或者自适应区域生长算法和BP神经网络算法的结合,提取肝脏区域;
S3234:腐蚀提取后的图像,并采用漫水填充法对图像进行后处理;
S3235:将步骤S3234得到的图像与原始图像相与,得到最终的肝脏区域;
S324:对得到的肝脏区域进行多区域拆分,包括以下子步骤:
S3241:针对任意一个图像,将标准模板对应的模板图像的各区域与个体图像进行空间匹配变形处理,把模板空间的各个肝脏分区图像对应变形到个体肝脏空间,完成肝脏区域分割;
S3242:将个体空间肝脏图像和靶区/病灶进行二值化处理,形成mask矩阵;
S3243:将mask矩阵转化为系统可识别的区域。
6.根据权利要求2所述的一种手术术前预演方法,其特征在于:步骤S2的术前预演包括对模型的包括各个区域进行移动或者隐藏。
7.根据权利要求1所述的一种手术术前预演方法,其特征在于:对打钢钉的术前预演,包括以下子步骤:
S41:医生根据实际患者的情况,选择需要薄层扫描医学图像上需要打钢钉的两点A和B;
S42:将其中一个点A垂直映射于另一个点B的图像层上,得到点C;
S43:通过比例尺获取点B和点C的直线距离;
S44:根据点A和点B之间的层数n和每层的厚度T,得到A点和C点的直线距离;
S45:根据点B和点C的直线距离以及A点和C点的直线距离计算A点和B点的直线距离,即计算出钢钉的长度;
S46:判断钢钉角度和长度是否适合,则结束,否则返回步骤S41。
8.根据权利要求1所述的一种手术术前预演方法,其特征在于:步骤S2中进行术前预演的为虚拟现实操作设备。
9.根据权利要求9所述的一种手术术前预演方法,其特征在于:所述的虚拟现实操作设备包括加密控制装置和虚拟现实操作装置,所述的虚拟现实操作装置通过加密控制装置和存储器官模型的数据中心连接;所述的加密控制装置用于在虚拟现实操作装置发送获取请求时对获取请求进行加密操作;数据中心对经过加密操作的获取请求进行解析,当判断虚拟现实操作装置连接有加密控制装置时才向虚拟现实操作设备发送器官模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710110850.0A CN106845138A (zh) | 2017-02-28 | 2017-02-28 | 一种手术术前预演方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710110850.0A CN106845138A (zh) | 2017-02-28 | 2017-02-28 | 一种手术术前预演方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106845138A true CN106845138A (zh) | 2017-06-13 |
Family
ID=59133766
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710110850.0A Pending CN106845138A (zh) | 2017-02-28 | 2017-02-28 | 一种手术术前预演方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106845138A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110120052A (zh) * | 2019-05-13 | 2019-08-13 | 上海联影医疗科技有限公司 | 一种靶区图像分割系统及装置 |
CN110547869A (zh) * | 2019-09-17 | 2019-12-10 | 上海交通大学 | 一种基于虚拟现实的术前辅助规划装置 |
CN113674279A (zh) * | 2021-10-25 | 2021-11-19 | 青岛美迪康数字工程有限公司 | 基于深度学习的冠脉cta影像的处理方法及装置 |
CN114366187A (zh) * | 2022-01-17 | 2022-04-19 | 中国中医科学院广安门医院 | 一种肛肠手术辅助系统和方法 |
-
2017
- 2017-02-28 CN CN201710110850.0A patent/CN106845138A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110120052A (zh) * | 2019-05-13 | 2019-08-13 | 上海联影医疗科技有限公司 | 一种靶区图像分割系统及装置 |
CN110547869A (zh) * | 2019-09-17 | 2019-12-10 | 上海交通大学 | 一种基于虚拟现实的术前辅助规划装置 |
CN113674279A (zh) * | 2021-10-25 | 2021-11-19 | 青岛美迪康数字工程有限公司 | 基于深度学习的冠脉cta影像的处理方法及装置 |
CN114366187A (zh) * | 2022-01-17 | 2022-04-19 | 中国中医科学院广安门医院 | 一种肛肠手术辅助系统和方法 |
CN114366187B (zh) * | 2022-01-17 | 2022-08-23 | 中国中医科学院广安门医院 | 一种肛肠手术辅助系统和方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106887039A (zh) | 一种基于医学影像的器官和病灶的三维成像方法及系统 | |
CN103607947B (zh) | 解剖标志的检测 | |
CN110570515B (zh) | 一种利用ct图像进行人体骨骼三维建模的方法 | |
CN103371870B (zh) | 一种基于多模影像的外科手术导航系统 | |
Pesteie et al. | Automatic localization of the needle target for ultrasound-guided epidural injections | |
CN106845138A (zh) | 一种手术术前预演方法 | |
WO2015161728A1 (zh) | 三维模型的构建方法及装置、图像监控方法及装置 | |
CN107072625A (zh) | 治疗程序规划系统和方法 | |
CN106898044A (zh) | 一种基于医学影像并利用vr技术的器官拆分和操作方法及系统 | |
CN110214341A (zh) | 重建颅骨的方法 | |
AU2020101836A4 (en) | A method for generating femoral x-ray films based on deep learning and digital reconstruction of radiological image | |
Jiang et al. | Registration technology of augmented reality in oral medicine: A review | |
US8704827B2 (en) | Cumulative buffering for surface imaging | |
CN106780728A (zh) | 一种基于医学影像的单个器官拆分方法及系统 | |
CN110547869B (zh) | 一种基于虚拟现实的术前辅助规划装置 | |
CN106897564B (zh) | 一种基于医学影像的病案图像建模系统 | |
KR20210052270A (ko) | 환자의 증강 현실 기반의 의료 정보를 제공하는 방법, 장치 및 컴퓨터 프로그램 | |
Gong et al. | Multiple-object 2-D–3-D registration for noninvasive pose identification of fracture fragments | |
CN107622528A (zh) | 一种可视化针刀导航模拟方法及装置 | |
Hamarneh et al. | Towards multi-modal image-guided tumour identification in robot-assisted partial nephrectomy | |
WO2002003304A2 (en) | Predicting changes in characteristics of an object | |
CN106887180A (zh) | 一种基于医学影像经典病案库的教学系统 | |
JP2019126654A (ja) | 画像処理装置、画像処理方法、及びプログラム | |
KR101657285B1 (ko) | 초음파 치료 시뮬레이션시스템 | |
Qiu et al. | Visualization of the temporal bone of the Chinese Visible Human |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170613 |
|
RJ01 | Rejection of invention patent application after publication |