CN110604616B - 一种基于图搜索的介入手术路径规划方法、系统及电子设备 - Google Patents
一种基于图搜索的介入手术路径规划方法、系统及电子设备 Download PDFInfo
- Publication number
- CN110604616B CN110604616B CN201910853457.XA CN201910853457A CN110604616B CN 110604616 B CN110604616 B CN 110604616B CN 201910853457 A CN201910853457 A CN 201910853457A CN 110604616 B CN110604616 B CN 110604616B
- Authority
- CN
- China
- Prior art keywords
- graph
- path
- point
- points
- blood vessel
- 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.)
- Active
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
- A61B2034/101—Computer-aided simulation of surgical operations
- A61B2034/105—Modelling of the patient, e.g. for ligaments or bones
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
- A61B2034/107—Visualisation of planned trajectories or target regions
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
- A61B2034/108—Computer aided selection or customisation of medical implants or cutting guides
Landscapes
- Health & Medical Sciences (AREA)
- Surgery (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Robotics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请涉及一种基于图搜索的介入手术路径规划方法、系统及电子设备。所述方法包括:步骤a:获取血管的三维影像以及中心线数据;步骤b:基于所述血管的三维影像以及中心线数据,采用图论算法构建血管拓扑结构的全局图;步骤c:对所述全局图进行简化,得到基于全局图的稀疏图;步骤d:通过路径搜索算法对所述稀疏图进行路径搜索,得到介入起始点与目标位置之间的最优路径,将该最优路径作为血管介入手术路径。本申请极大地降低了路径搜索算法的计算量,提高了介入手术计划方法成型的速度,显著改善了介入手术的成功率。
Description
技术领域
本申请属于医学工程技术领域,特别涉及一种基于图搜索的介入手术路径规划方法、系统及电子设备。
背景技术
血管介入手术过程中,由于人体内血管繁多,其拓扑结构非常复杂,医生需要通过病人血管的拓扑结构来选取手术介入起始点与目标需要治疗点之间的介入路径,这一过程被称为血管介入手术路径规划。
目前,已存在[Zhou S,Wang C,Zhang D.New method of vessel centerlineextraction from 3D CT coronary angiography based on open-snake[C]//IetInternational Conference on Biomedical Image&Signal Processing.IET,2015.]、[Zhang F,Lu P,Liu X,et al.Vascular centerline extraction of CTA images basedon minimal path and Bayesian tracking[C]//2017 10th International Congress onImage and Signal Processing,BioMedical Engineering and Informatics(CISP-BMEI).IEEE,2017.]等方法得到血管的三维模型以及中心线结构。而对于血管介入手术路径规划这一领域,已经有一些学者提出了自己的规划算法,例如,上海大学在文献[佚名.基于改进蚁群算法的血管介入手术路径规划[J].上海大学学报(自然科学版),2019.]中提出的基于改进蚁群算法的血管介入手术路径规划。该方法在综合考虑了导管的直径、血管的长度、最小直径、最大曲率和最大挠度的基础上,引入端节点因子,改进蚁群算法中的启发式函数和信息素更新机制最终得到全局最优的规划路径。此方法通常选择管径较大的血管进行手术而不会考虑其他更优的路径,往往会因为其算法的时间复杂度高,导致规划速度较慢且准确度不高的问题。同时这种路径规划在运行的时候无法在手术中对易出错的关键位置做出标注让医生或者机器人的控制策略加以重点关注。
发明内容
本申请提供了一种基于图搜索的介入手术路径规划方法、系统及电子设备,旨在至少在一定程度上解决现有技术中的上述技术问题之一。
为了解决上述问题,本申请提供了如下技术方案:
一种基于图搜索的介入手术路径规划方法,包括以下步骤:
步骤a:获取血管的三维影像以及中心线数据;
步骤b:基于所述血管的三维影像以及中心线数据,采用图论算法构建血管拓扑结构的全局图;
步骤c:对所述全局图进行简化,得到基于全局图的稀疏图;
步骤d:通过路径搜索算法对所述稀疏图进行路径搜索,得到介入起始点与目标位置之间的最优路径,将该最优路径作为血管介入手术路径。
本申请实施例采取的技术方案还包括:在所述步骤b中,所述采用图论算法构建血管拓扑结构的全局图具体包括:首先,基于血管三维影像建立血管拓扑结构分析,将血管结构的中心线表示成一系列带有位置坐标的点,将所述点按照位置关系分别顺序编号,构建一个n乘n的阵列,其中n表示从所述中心线提取的点的个数;其次,根据血管拓扑结构,用1和0表示所有点之间的连接关系,假设矩阵中的第x个点与第y个点相连,则在第x行、y列的数值以及第y行、x列的数值均为1,没有连接关系的位置的数值均为0,最终得到的阵列即为全局图。
本申请实施例采取的技术方案还包括:在所述步骤c中,所述对全局图进行简化,得到基于全局图的稀疏图具体包括:将所述全局图中的所有端点与分支点提取出来,并重新编号,形成一个m乘m的新的阵列,其中m表示提取的端点和分支点的个数;当一个节点在通过一段单支血管与下一个节点相连时,在稀疏图中的相应位置标记为1,在与所有其他不相邻的位置标记0,稀疏图中的索引为y,则y=x-z,其中z为此节点之前所有在血管单支上除了端点与分支点以外的其余所有节点的个数。
本申请实施例采取的技术方案还包括:在所述步骤d中,所述通过路径搜索算法对稀疏图进行路径搜索具体为:先从血管结构的三维影像中得到介入起始点与目标位置;基于稀疏图,根据迪杰斯特拉算法从介入起始点开始分别对与所述介入起始点连接的各个节点进行权重的计算,在下一个点上计算与其相连的各个节点的权重,根据权重求出所有其他节点到介入起始点的最短距离,并据与稀疏图中节点间的连接关系,从介入起始点开始搜寻与其连接的最优点,再以所搜寻到的点作为新的起始点,搜寻与其连接的最优点,直到搜寻到目标位置的点为止,通过搜寻到的所有点即可得到介入起始点与目标位置之间的最优路径。
本申请实施例采取的技术方案还包括:所述步骤d还包括:利用所述全局图计算出手术过程中所潜在的错误路径以及可能发生错误的区域,对错误路径和区域进行标记,在手术过程中判断导丝是否进入错误路径或区域,并在进入错误路径或区域时对医生进行提醒。
本申请实施例采取的另一技术方案为:一种基于图搜索的介入手术路径规划系统,包括:
数据获取模块:用于获取血管的三维影像以及中心线数据;
图构建模块:用于基于所述血管的三维影像以及中心线数据,采用图论算法构建血管拓扑结构的全局图;
图优化模块:用于对所述全局图进行简化,得到基于全局图的稀疏图;
路径搜索模块:用于通过路径搜索算法对所述稀疏图进行路径搜索,得到介入起始点与目标位置之间的最优路径,将该最优路径作为血管介入手术路径。
本申请实施例采取的技术方案还包括:所述图构建模块采用图论算法构建血管拓扑结构的全局图具体包括:首先,基于血管三维影像建立血管拓扑结构分析,将血管结构的中心线表示成一系列带有位置坐标的点,将所述点按照位置关系分别顺序编号,构建一个n乘n的阵列,其中n表示从所述中心线提取的点的个数;其次,根据血管拓扑结构,用1和0表示所有点之间的连接关系,假设矩阵中的第x个点与第y个点相连,则在第x行、y列的数值以及第y行、x列的数值均为1,没有连接关系的位置的数值均为0,最终得到的阵列即为全局图。
本申请实施例采取的技术方案还包括:所述图优化模块对全局图进行简化,得到基于全局图的稀疏图具体包括:将所述全局图中的所有端点与分支点提取出来,并重新编号,形成一个m乘m的新的阵列,其中m表示提取的端点和分支点的个数;当一个节点在通过一段单支血管与下一个节点相连时,在稀疏图中的相应位置标记为1,在与所有其他不相邻的位置标记0,稀疏图中的索引为y,则y=x-z,其中z为此节点之前所有在血管单支上除了端点与分支点以外的其余所有节点的个数。
本申请实施例采取的技术方案还包括:所述路径搜索模块通过路径搜索算法对稀疏图进行路径搜索具体为:先从血管结构的三维影像中得到介入起始点与目标位置;基于稀疏图,根据迪杰斯特拉算法从介入起始点开始分别对与所述介入起始点连接的各个节点进行权重的计算,在下一个点上计算与其相连的各个节点的权重,根据权重求出所有其他节点到介入起始点的最短距离,并据与稀疏图中节点间的连接关系,从介入起始点开始搜寻与其连接的最优点,再以所搜寻到的点作为新的起始点,搜寻与其连接的最优点,直到搜寻到目标位置的点为止,通过搜寻到的所有点即可得到介入起始点与目标位置之间的最优路径。
本申请实施例采取的技术方案还包括错误路径计算模块,所述错误路径计算模块用于利用所述全局图计算出手术过程中所潜在的错误路径以及可能发生错误的区域,对错误路径和区域进行标记,在手术过程中判断导丝是否进入错误路径或区域,并在进入错误路径或区域时对医生进行提醒。
本申请实施例采取的又一技术方案为:一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述的基于图搜索的介入手术路径规划方法的以下操作:
步骤a:获取血管的三维影像以及中心线数据;
步骤b:基于所述血管的三维影像以及中心线数据,采用图论算法构建血管拓扑结构的全局图;
步骤c:对所述全局图进行简化,得到基于全局图的稀疏图;
步骤d:通过路径搜索算法对所述稀疏图进行路径搜索,得到介入起始点与目标位置之间的最优路径,将该最优路径作为血管介入手术路径。
相对于现有技术,本申请实施例产生的有益效果在于:本申请实施例的基于图搜索的介入手术路径规划方法、系统及电子设备通过引用图论算法将血管三维影像的拓扑结构用图论的方法加以描述,通过使用迪杰斯特拉算法提高了路径搜索的计算速度,相对于现有技术,本申请极大地降低了路径搜索算法的计算量,提高了介入手术计划方法成型的速度,显著改善了介入手术的成功率。另外,本发明选取了介入手术过程中所有可能进入的错误路径,同时对于手术中所有可能发生错误的位置做出了标注,并在手术过程中实时判断导丝是否走错了路径,从而对医生进行提醒,同时也可以在发生错误后提醒医生做出相应的调整,提高了介入手术的安全性。
附图说明
图1是本申请实施例的基于图搜索的介入手术路径规划方法的流程图;
图2是基于模拟所用血管体模所生成的血管3D模型以及其中心线轨迹示意图;
图3为全局图构成示意图;
图4为稀疏图结构示意图;
图5为血管中心线以及全局图算出的端点和分叉点等重要节点的位置示意图;
图6是本申请实施例的基于图搜索的介入手术路径规划系统的结构示意图;
图7(a)、(b)、(c)、(d)分别为模拟实验中选取不同介入起始点所得到的不同结果示意图;
图8是本申请实施例提供的基于图搜索的介入手术路径规划方法的硬件设备结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
请参阅图1,是本申请实施例的基于图搜索的介入手术路径规划方法的流程图。本申请实施例的基于图搜索的介入手术路径规划方法包括以下步骤:
步骤100:获取血管的三维影像以及中心线数据;
步骤200:基于血管的三维影像以及中心线数据,采用图论算法构建用于描述血管拓扑结构的全局图;
步骤200中,基于模拟所用血管体模所生成的血管3D模型以及其中心线轨迹如图2所示。图构建方法具体为:首先基于血管三维影像建立血管拓扑结构分析,血管结构的中心线可以被表示成一系列带有位置坐标的点,将这些点按照位置关系分别顺序编号,构建一个n乘n的阵列,其中n表示从中心线提取的点的个数。之后根据血管拓扑结构,用1和0表示这些点之间的连接关系,具体如图3所示,为全局图构成示意图。图3所示的全局图由404*404的矩阵构成,404为中心线采样点的个数。如果矩阵中的第x个点与第y个点相连,则在第x行、y列的数值为一,在第y行、x列的数值也为一,而在没有连接关系的位置全部填上0,用这种方式可以得出血管中心线的拓扑结构。如此,血管结构中所有的端点,其所在的行上只有一个1,表示它们只与一个点存在连接关系。而血管中所有有分叉处的分叉点则会有多于两处的1,表示它们与至少三个点存在着连接关系。所有血管的主干与分支上除了端点与分叉点以外的点只有两处有1,表示它们只与前后的两个点存在连接关系。最终得到的阵列即为全局图。
基于上述,本申请通过引用图论算法将血管三维影像的拓扑结构用图论的方法加以描述,用创新性的方法对拓扑结构的关键节点加以归类,极大地降低了之后路径搜索算法的计算量,提高了介入手术路径规划的速度,显著改善了介入手术的成功率。
步骤300:对全局图进行简化,只保留端点以及分叉点的位置连接关系,得到基于全局图的稀疏图;
步骤300中,为了加速搜索算法的搜索效率,本申请提出了基于全局图的稀疏图概念。由全局图,可以抛开三维模型,仅仅通过计算每一行上的1的个数来判断中心线所提取的点的性质,即判断该点是不是分叉点或是不是端点。而在搜索算法中,对于搜索结果产生影响的只有血管结构的端点与分叉点。因此,本申请通过将全局图中的所有端点与分支点提取出来,重新编号,形成一个m乘m的新的阵列,其中的m表示提取的端点和分支点的个数。和全局图类似,当一个节点在通过一段单支血管与下一个节点相连时,在稀疏图中的相应位置标上1,而在与所有其他不相邻的位置标0。全局图中每个点的索引为x,稀疏图中的索引为y,则y=x-z,其中z为此节点之前所有在血管单支上除了端点与分支点以外的其余所有节点的个数。通过这种形式可以大幅缩减搜索算法计算量的同时达到描述血管的拓扑结构的效果。稀疏图结构如图4所示。因为抛弃了所有拓扑结构中不重要的点(只保留了血管结构中的所有端点以及所有分支点),图4所示的稀疏图由12*12的矩阵构成,12是血管体模的所有分支点与端点数之和,相比全局图大为精简,因此可以用最简洁的方式描述血管的拓扑结构,为之后的搜索算法效率的提升做出了非常大的贡献。在之前的全局图中,可以保存好每个节点间的血管序号与顺序,用于后续搜索算法计算的各节点的权重。
步骤400:通过迪杰斯特拉算法对稀疏图进行路径搜索,得到介入起始点与目标位置之间的最优路径,将该最优路径作为血管介入手术路径;
步骤400中,迪杰斯特拉算法是一种解决单源最短路径问题的算法,该算法的特点是从起始点向外层层拓展,直到到达最终点为止。具体计算方法为:首先,先从血管结构的三维影像中得到介入起始点与目标位置。可以直接获取点击的位置在三维影像中的位置坐标并且获取与这个位置坐标最近的血管中心线的节点的索引。然后,基于稀疏图,根据迪杰斯特拉算法从介入起始点开始分别对与介入起始点连接的各个节点进行权重的计算,之后在下一个点上计算与其相连的各个节点的权重进行计算。这里的权重可由每个节点间血管单支所包含的中心采样点的个数得到,这些数据在计算稀疏图的时候就已经保存下来了。并且结合血管的半径、曲率半径等因素根据具体情况决定权重的大小。
请一并参阅图5,为血管中心线以及全局图算出的端点和分叉点等重要节点的位置示意图。由于图2中血管三维影像表示出的血管半径较为均匀,而且血管中心线采样点间距均匀,因此本申请实施例以当前位置节点到上一个相连节点所经过的中心线采样点的个数来表示各个节点的权重。因为在血管宽度相同的情况下介入手术中的最佳路径就是介入起始点到目标位置的最短路径。使用迪杰斯塔拉算法可以求出所有其他节点到介入起始点的最短距离,并据此与稀疏图中节点间的连接关系,从介入起始点开始搜寻与其连接的最优点,再以所搜寻到的点作为新的起始点,搜寻与其连接的最优点直到搜寻到目标位置的点为止,通过这一系列搜寻到的点即可得到最优介入路径。基于之前对拓扑结构的分析与归类,该算法搜索最优路径的准确性高,且计算速度快,交互式自动搜寻最优介入路径可以允许医生任意选取拓扑结构上的任意两点即可形成最优路径,提高了医生形成手术计划的效率,对于提升介入手术成功率有较大帮助。
步骤500:利用全局图计算出手术过程中所有潜在的错误路径以及可能发生错误的区域,并对错误路径和区域进行标记,在手术过程中自动判断导丝是否进入了错误路径或区域,并在进入错误路径或区域时对医生进行错误提醒,进而完成整个血管介入手术路径规划;
步骤500中,错误路径计算方法具体为:首先,根据全局图中每一行上值为1的位置个数来判断此点是否为分叉点,只有当值为1的个数大于等于三的时候才将该点视为分叉点。并且根据全局图中分叉点所在行中值为1的位置所在的列,进而找出与分叉点相邻的所有点。为此,可以先找出所有的分叉点与最优路径所经过的所有中心线采样点,找出重合的部分,即为最优路径所要经过的所有分叉点。再找出与这些分叉点相邻的所有点,并且从中筛除所有已经在最优路径所经过中心线采样点的点,所得到的即为在介入手术过程中所有可能发生错误的路径起始点。之后利用全局图找到与这些错误路径的起始点相邻的下一点(中心线采样点),并遍历下去直到到达其他节点。并在全局图中采用不同颜色的线段对最优路径、错误路径、错误区域进行标记。
为了便于说明,本申请实施例分别以红色线段标记介入过程中的最优路径,以蓝色线段表示介入过程中潜在的错误路径,以绿色线段标记介入过程中可能导丝会出错的区域,并选取20mm作为判决是否进入错误路径的数据采集长度,将所有最优路径经过的分叉点到与其相邻的每条路径用绿色线段标记出来,每条线段长度为20mm,具体长度也可根据实际操作进行设定。在采集磁定位数据时,若磁定位点进入绿色线段标记区域,则分别计算定位点与蓝色线段的误差平均数以及定位点与红色线段的误差平均数。W1=h1/N,W2=h2/N,其中,h1,h2分别表示定位点与蓝色线段对应中心线采样点的误差之和以及定位点与红色线段对应中心线采样点的误差之和,N表示定位点的个数,W1,W2分别表示它们的平均误差。当前者的值小于后者的值时,则判定导丝进入了错误的路径或区域,并反馈相应的信号给医生或者是机器人的控制系统,确保介入手术的安全性。
请参阅图6,是本申请实施例的基于图搜索的介入手术路径规划系统的结构示意图。本申请实施例的基于图搜索的介入手术路径规划系统包括数据获取模块、图构建模块、图优化模块、路径搜索模块和错误路径计算模块。
数据获取模块:用于获取血管的三维影像以及中心线数据;
图构建模块:用于基于血管的三维影像以及中心线数据,采用图论算法构建用于描述血管拓扑结构的全局图;其中,基于模拟所用血管体模所生成的血管3D模型以及其中心线轨迹如图2所示。图构建方法具体为:首先基于血管三维影像建立血管拓扑结构分析,血管结构的中心线可以被表示成一系列带有位置坐标的点,将这些点按照位置关系分别顺序编号,构建一个n乘n的阵列,其中n表示从中心线提取的点的个数。之后根据血管拓扑结构,用1和0表示这些点之间的连接关系,具体如图3所示,为全局图构成示意图。图3所示的全局图由404*404的矩阵构成,404为中心线采样点的个数。如果矩阵中的第x个点与第y个点相连,则在第x行、y列的数值为一,在第y行、x列的数值也为一,而在没有连接关系的位置全部填上0,用这种方式可以得出血管中心线的拓扑结构。如此,血管结构中所有的端点,其所在的行上只有一个1,表示它们只与一个点存在连接关系。而血管中所有有分叉处的分叉点则会有多于两处的1,表示它们与至少三个点存在着连接关系。所有血管的主干与分支上除了端点与分叉点以外的点只有两处有1,表示它们只与前后的两个点存在连接关系。最终得到的阵列即为全局图。
基于上述,本申请通过引用图论算法将血管三维影像的拓扑结构用图论的方法加以描述,用创新性的方法对拓扑结构的关键节点加以归类,极大地降低了之后路径搜索算法的计算量,提高了介入手术路径规划的速度,显著改善了介入手术的成功率。
图优化模块:用于对全局图进行简化,只保留端点以及分叉点的位置连接关系,得到基于全局图的稀疏图;其中,为了加速搜索算法的搜索效率,本申请提出了基于全局图的稀疏图概念。由全局图,可以抛开三维模型,仅仅通过计算每一行上的1的个数来判断中心线所提取的点的性质,即判断该点是不是分叉点或是不是端点。而在搜索算法中,对于搜索结果产生影响的只有血管结构的端点与分叉点。因此,本申请通过将全局图中的所有端点与分支点提取出来,重新编号,形成一个m乘m的新的阵列,其中的m表示提取的端点和分支点的个数。和全局图类似,当一个节点在通过一段单支血管与下一个节点相连时,在稀疏图中的相应位置标上1,而在与所有其他不相邻的位置标0。全局图中每个点的索引为x,稀疏图中的索引为y,则y=x-z,其中z为此节点之前所有在血管单支上除了端点与分支点以外的其余所有节点的个数。通过这种形式可以大幅缩减搜索算法计算量的同时达到描述血管的拓扑结构的效果。稀疏图结构如图4所示。因为抛弃了所有拓扑结构中不重要的点(只保留了血管结构中的所有端点以及所有分支点),图4所示的稀疏图由12*12的矩阵构成,12是血管体模的所有分支点与端点数之和,相比全局图大为精简,因此可以用最简洁的方式描述血管的拓扑结构,为之后的搜索算法效率的提升做出了非常大的贡献。在之前的全局图中,可以保存好每个节点间的血管序号与顺序,用于后续搜索算法计算的各节点的权重。
路径搜索模块:用于通过迪杰斯特拉算法对稀疏图进行路径搜索,得到介入起始点与目标位置之间的最优路径,将该最优路径作为血管介入手术路径;其中,迪杰斯特拉算法是一种解决单源最短路径问题的算法,该算法的特点是从起始点向外层层拓展,直到到达最终点为止。具体计算方法为:首先,先从血管结构的三维影像中得到介入起始点与目标位置。可以直接获取点击的位置在三维影像中的位置坐标并且获取与这个位置坐标最近的血管中心线的节点的索引。然后,基于稀疏图,根据迪杰斯特拉算法从介入起始点开始分别对与介入起始点连接的各个节点进行权重的计算,之后在下一个点上计算与其相连的各个节点的权重进行计算。这里的权重可由每个节点间血管单支所包含的中心采样点的个数得到,这些数据在计算稀疏图的时候就已经保存下来了。并且结合血管的半径、曲率半径等因素根据具体情况决定权重的大小。
使用迪杰斯塔拉算法可以求出所有其他节点到介入起始点的最短距离,并据此与稀疏图中节点间的连接关系,从介入起始点开始搜寻与其连接的最优点,再以所搜寻到的点作为新的起始点,搜寻与其连接的最优点直到搜寻到目标位置的点为止,通过这一系列搜寻到的点即可得到最优介入路径。基于之前对拓扑结构的分析与归类,该算法搜索最优路径的准确性高,且计算速度快,交互式自动搜寻最优介入路径可以允许医生任意选取拓扑结构上的任意两点即可形成最优路径,提高了医生形成手术计划的效率,对于提升介入手术成功率有较大帮助。
错误路径计算模块:用于利用全局图计算出手术过程中所有潜在的错误路径以及可能发生错误的区域,并对错误路径和区域进行标记,在手术过程中自动判断导丝是否进入了错误路径或区域,并在进入错误路径或区域时对医生进行错误提醒,进而完成整个血管介入手术路径规划;其中,错误路径计算方法具体为:首先,根据全局图中每一行上值为1的位置个数来判断此点是否为分叉点,只有当值为1的个数大于等于三的时候才将该点视为分叉点。并且根据全局图中分叉点所在行中值为1的位置所在的列,进而找出与分叉点相邻的所有点。为此,可以先找出所有的分叉点与最优路径所经过的所有中心线采样点,找出重合的部分,即为最优路径所要经过的所有分叉点。再找出与这些分叉点相邻的所有点,并且从中筛除所有已经在最优路径所经过中心线采样点的点,所得到的即为在介入手术过程中所有可能发生错误的路径起始点。之后利用全局图找到与这些错误路径的起始点相邻的下一点(中心线采样点),并遍历下去直到到达其他节点。并在全局图中采用不同颜色的线段对最优路径、错误路径、错误区域进行标记。
为了便于说明,本申请实施例分别以红色线段标记介入过程中的最优路径,以蓝色线段表示介入过程中潜在的错误路径,以绿色线段标记介入过程中可能导丝会出错的区域,并选取20mm作为判决是否进入错误路径的数据采集长度,将所有最优路径经过的分叉点到与其相邻的每条路径用绿色线段标记出来,每条线段长度为20mm,具体长度也可根据实际操作进行设定。在采集磁定位数据时,若磁定位点进入绿色线段标记区域,则分别计算定位点与蓝色线段的误差平均数以及定位点与红色线段的误差平均数。W1=h1/N,W2=h2/N,其中,h1,h2分别表示定位点与蓝色线段对应中心线采样点的误差之和以及定位点与红色线段对应中心线采样点的误差之和,N表示定位点的个数,W1,W2分别表示它们的平均误差。当前者的值小于后者的值时,则判定导丝进入了错误的路径或区域,并反馈相应的信号给医生或者是机器人的控制系统,确保介入手术的安全性。
为了验证本申请的可行性和有效性,使用了一组血管体模数据,采集了其三维影像以及中心线相关数据,并使用python进行相应的程序编程来进行模拟实验。具体如图7(a)、(b)、(c)、(d)所示,分别为模拟实验中选取不同介入起始点所得到的不同结果。从图7(a)可以看到,如果选取图示位置作为介入起始点,以图中标记位置作为目标位置,自动生成的从介入起始点到目标位置的最优介入路径如红色线条所示。所有蓝色线条表示在选取的最优介入路径中可能会进入的错误路径。所有绿色的线段表示在介入手术过程中导丝可能会进入错误路径的运动范围。当导丝进入到绿色线条附近时,系统会提醒医生加以注意。图7(b)、(c)、(d)表示的是当选取其他的点作为切入点时,系统所标记出的路径规划以及关键参数。
可以理解,本申请同样适用于类似复杂血管结构的其他三维管道模型,只要可以获取管道模型的三维影像以及其中心线,即可使用本申请所述方法得到管道结构的全局图与稀疏图,并采用路径搜索算法得到管道间任意两点间的最优路径。
图8是本申请实施例提供的基于图搜索的介入手术路径规划方法的硬件设备结构示意图。如图8所示,该设备包括一个或多个处理器以及存储器。以一个处理器为例,该设备还可以包括:输入系统和输出系统。
处理器、存储器、输入系统和输出系统可以通过总线或者其他方式连接,图8中以通过总线连接为例。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块,从而执行电子设备的各种功能应用以及数据处理,即实现上述方法实施例的处理方法。
存储器可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至处理系统。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入系统可接收输入的数字或字符信息,以及产生信号输入。输出系统可包括显示屏等显示设备。
所述一个或者多个模块存储在所述存储器中,当被所述一个或者多个处理器执行时,执行上述任一方法实施例的以下操作:
步骤a:获取血管的三维影像以及中心线数据;
步骤b:基于所述血管的三维影像以及中心线数据,采用图论算法构建血管拓扑结构的全局图;
步骤c:对所述全局图进行简化,得到基于全局图的稀疏图;
步骤d:通过路径搜索算法对所述稀疏图进行路径搜索,得到介入起始点与目标位置之间的最优路径,将该最优路径作为血管介入手术路径。
上述产品可执行本申请实施例所提供的方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本申请实施例提供的方法。
本申请实施例提供了一种非暂态(非易失性)计算机存储介质,所述计算机存储介质存储有计算机可执行指令,该计算机可执行指令可执行以下操作:
步骤a:获取血管的三维影像以及中心线数据;
步骤b:基于所述血管的三维影像以及中心线数据,采用图论算法构建血管拓扑结构的全局图;
步骤c:对所述全局图进行简化,得到基于全局图的稀疏图;
步骤d:通过路径搜索算法对所述稀疏图进行路径搜索,得到介入起始点与目标位置之间的最优路径,将该最优路径作为血管介入手术路径。
本申请实施例提供了一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,使所述计算机执行以下操作:
步骤a:获取血管的三维影像以及中心线数据;
步骤b:基于所述血管的三维影像以及中心线数据,采用图论算法构建血管拓扑结构的全局图;
步骤c:对所述全局图进行简化,得到基于全局图的稀疏图;
步骤d:通过路径搜索算法对所述稀疏图进行路径搜索,得到介入起始点与目标位置之间的最优路径,将该最优路径作为血管介入手术路径。
本申请实施例的基于图搜索的介入手术路径规划方法、系统及电子设备通过引用图论算法将血管三维影像的拓扑结构用图论的方法加以描述,通过使用迪杰斯特拉算法提高了路径搜索的计算速度,相对于现有技术,本申请极大地降低了路径搜索算法的计算量,提高了介入手术计划方法成型的速度,显著改善了介入手术的成功率。另外,本发明选取了介入手术过程中所有可能进入的错误路径,同时对于手术中所有可能发生错误的位置做出了标注,并在手术过程中实时判断导丝是否走错了路径,从而对医生进行提醒,同时也可以在发生错误后提醒医生做出相应的调整,提高了介入手术的安全性。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本申请中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本申请所示的这些实施例,而是要符合与本申请所公开的原理和新颖特点相一致的最宽的范围。
Claims (5)
1.一种基于图搜索的介入手术路径规划方法,其特征在于,包括以下步骤:
步骤a:获取血管的三维影像以及中心线数据;
步骤b:基于所述血管的三维影像以及中心线数据,采用图论算法构建血管拓扑结构的全局图;
步骤c:对所述全局图进行简化,得到基于全局图的稀疏图;
步骤d:通过路径搜索算法对所述稀疏图进行路径搜索,得到介入起始点与目标位置之间的最优路径,将该最优路径作为血管介入手术路径;
在所述步骤b中,所述采用图论算法构建血管拓扑结构的全局图具体包括:首先,基于血管三维影像建立血管拓扑结构分析,将血管结构的中心线表示成一系列带有位置坐标的点,将所述点按照位置关系分别顺序编号,构建一个n乘n的阵列,其中n表示从所述中心线提取的点的个数;其次,根据血管拓扑结构,用1和0表示所有点之间的连接关系,假设矩阵中的第x个点与第y个点相连,则在第x行、y列的数值以及第y行、x列的数值均为1,没有连接关系的位置的数值均为0,最终得到的阵列即为全局图;
在所述步骤c中,对所述全局图进行简化,得到基于全局图的稀疏图具体包括:将所述全局图中的所有端点与分支点提取出来,并重新编号,形成一个m乘m的新的阵列,其中m表示提取的端点和分支点的个数;当一个节点在通过一段单支血管与下一个节点相连时,在稀疏图中的相应位置标记为1,在与所有其他不相邻的位置标记0,稀疏图中的索引为y,则y=x-z,其中z为此节点之前所有在血管单支上除了端点与分支点以外的其余所有节点的个数;
所述步骤d还包括:利用所述全局图计算出手术过程中所潜在的错误路径以及可能发生错误的区域,对错误路径和区域进行标记,在手术过程中判断导丝是否进入错误路径或区域,并在进入错误路径或区域时对医生进行提醒;
错误路径计算方法具体为:首先,根据全局图中每一行上值为1的位置个数来判断此点是否为分叉点,只有当值为1的个数大于等于三的时候才将该点视为分叉点,并且根据全局图中分叉点所在行中值为1的位置所在的列,进而找出与分叉点相邻的所有点,为此,可以先找出所有的分叉点与最优路径所经过的所有中心线采样点,找出重合的部分,即为最优路径所要经过的所有分叉点,再找出与这些分叉点相邻的所有点,并且从中筛除所有已经在最优路径所经过中心线采样点的点,所得到的即为在介入手术过程中所有可能发生错误的路径起始点,之后利用全局图找到与这些错误路径的起始点相邻的下一点(中心线采样点),并遍历下去直到到达其他节点,并在全局图中采用不同颜色的线段对最优路径、错误路径、错误区域进行标记。
2.根据权利要求1所述的基于图搜索的介入手术路径规划方法,其特征在于,在所述步骤d中,所述通过路径搜索算法对稀疏图进行路径搜索具体为:先从血管结构的三维影像中得到介入起始点与目标位置;基于稀疏图,根据迪杰斯特拉算法从介入起始点开始分别对与所述介入起始点连接的各个节点进行权重的计算,在下一个点上计算与其相连的各个节点的权重,根据权重求出所有其他节点到介入起始点的最短距离,并据与稀疏图中节点间的连接关系,从介入起始点开始搜寻与其连接的最优点,再以所搜寻到的点作为新的起始点,搜寻与其连接的最优点,直到搜寻到目标位置的点为止,通过搜寻到的所有点即可得到介入起始点与目标位置之间的最优路径。
3.一种基于图搜索的介入手术路径规划系统,其特征在于,包括:
数据获取模块:用于获取血管的三维影像以及中心线数据;
图构建模块:用于基于所述血管的三维影像以及中心线数据,采用图论算法构建血管拓扑结构的全局图;
图优化模块:用于对所述全局图进行简化,得到基于全局图的稀疏图;
路径搜索模块:用于通过路径搜索算法对所述稀疏图进行路径搜索,得到介入起始点与目标位置之间的最优路径,将该最优路径作为血管介入手术路径;
所述图构建模块采用图论算法构建血管拓扑结构的全局图具体包括:首先,基于血管三维影像建立血管拓扑结构分析,将血管结构的中心线表示成一系列带有位置坐标的点,将所述点按照位置关系分别顺序编号,构建一个n乘n的阵列,其中n表示从所述中心线提取的点的个数;其次,根据血管拓扑结构,用1和0表示所有点之间的连接关系,假设矩阵中的第x个点与第y个点相连,则在第x行、y列的数值以及第y行、x列的数值均为1,没有连接关系的位置的数值均为0,最终得到的阵列即为全局图;
所述图优化模块对全局图进行简化,得到基于全局图的稀疏图具体包括:将所述全局图中的所有端点与分支点提取出来,并重新编号,形成一个m乘m的新的阵列,其中m表示提取的端点和分支点的个数;当一个节点在通过一段单支血管与下一个节点相连时,在稀疏图中的相应位置标记为1,在与所有其他不相邻的位置标记0,稀疏图中的索引为y,则y=x-z,其中z为此节点之前所有在血管单支上除了端点与分支点以外的其余所有节点的个数;
还包括错误路径计算模块,所述错误路径计算模块用于利用所述全局图计算出手术过程中所潜在的错误路径以及可能发生错误的区域,对错误路径和区域进行标记,在手术过程中判断导丝是否进入错误路径或区域,并在进入错误路径或区域时对医生进行提醒;
错误路径计算方法具体为:首先,根据全局图中每一行上值为1的位置个数来判断此点是否为分叉点,只有当值为1的个数大于等于三的时候才将该点视为分叉点,并且根据全局图中分叉点所在行中值为1的位置所在的列,进而找出与分叉点相邻的所有点,为此,可以先找出所有的分叉点与最优路径所经过的所有中心线采样点,找出重合的部分,即为最优路径所要经过的所有分叉点,再找出与这些分叉点相邻的所有点,并且从中筛除所有已经在最优路径所经过中心线采样点的点,所得到的即为在介入手术过程中所有可能发生错误的路径起始点,之后利用全局图找到与这些错误路径的起始点相邻的下一点(中心线采样点),并遍历下去直到到达其他节点,并在全局图中采用不同颜色的线段对最优路径、错误路径、错误区域进行标记。
4.根据权利要求3所述的基于图搜索的介入手术路径规划系统,其特征在于,所述路径搜索模块通过路径搜索算法对稀疏图进行路径搜索具体为:先从血管结构的三维影像中得到介入起始点与目标位置;基于稀疏图,根据迪杰斯特拉算法从介入起始点开始分别对与所述介入起始点连接的各个节点进行权重的计算,在下一个点上计算与其相连的各个节点的权重,根据权重求出所有其他节点到介入起始点的最短距离,并据与稀疏图中节点间的连接关系,从介入起始点开始搜寻与其连接的最优点,再以所搜寻到的点作为新的起始点,搜寻与其连接的最优点,直到搜寻到目标位置的点为止,通过搜寻到的所有点即可得到介入起始点与目标位置之间的最优路径。
5.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述1至2任一项所述的基于图搜索的介入手术路径规划方法的以下操作:
步骤a:获取血管的三维影像以及中心线数据;
步骤b:基于所述血管的三维影像以及中心线数据,采用图论算法构建血管拓扑结构的全局图;
步骤c:对所述全局图进行简化,得到基于全局图的稀疏图;
步骤d:通过路径搜索算法对所述稀疏图进行路径搜索,得到介入起始点与目标位置之间的最优路径,将该最优路径作为血管介入手术路径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910853457.XA CN110604616B (zh) | 2019-09-10 | 2019-09-10 | 一种基于图搜索的介入手术路径规划方法、系统及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910853457.XA CN110604616B (zh) | 2019-09-10 | 2019-09-10 | 一种基于图搜索的介入手术路径规划方法、系统及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110604616A CN110604616A (zh) | 2019-12-24 |
CN110604616B true CN110604616B (zh) | 2020-12-11 |
Family
ID=68891130
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910853457.XA Active CN110604616B (zh) | 2019-09-10 | 2019-09-10 | 一种基于图搜索的介入手术路径规划方法、系统及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110604616B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111242915B (zh) * | 2020-01-09 | 2023-08-04 | 北京理工大学 | 基于蒙特卡洛树搜索的血管3d/2d配准方法及装置 |
CN114081625B (zh) * | 2020-07-31 | 2023-08-25 | 上海微创卜算子医疗科技有限公司 | 导航路径规划方法、系统和可读存储介质 |
CN112700551A (zh) * | 2020-12-31 | 2021-04-23 | 青岛海信医疗设备股份有限公司 | 虚拟胆道镜介入手术规划方法、装置、设备及存储介质 |
CN112862786B (zh) * | 2021-02-10 | 2022-08-05 | 昆明同心医联科技有限公司 | Cta影像数据处理方法、装置及存储介质 |
CN113421218B (zh) * | 2021-04-16 | 2024-02-23 | 深圳大学 | 一种血管网络分支点的提取方法 |
CN114027984B (zh) * | 2022-01-06 | 2022-03-11 | 极限人工智能有限公司 | 迂曲血管穿越控制装置及血管机器人系统 |
CN115690755B (zh) * | 2022-10-27 | 2023-06-20 | 珠海市人民医院 | 导丝介入形态识别方法、导丝弯曲势能超限判别方法及介入机器人 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030208726A1 (en) * | 2002-05-03 | 2003-11-06 | Acad Corp. | Incremental cost calculation for fast wire length minimization |
US7917807B2 (en) * | 2009-01-15 | 2011-03-29 | International Business Machines Corporation | Power system communication management and recovery |
CN103226549B (zh) * | 2012-01-31 | 2016-09-07 | 国际商业机器公司 | 对列车运行图的显示进行重构的方法和装置 |
CN105167849B (zh) * | 2015-05-19 | 2017-07-25 | 上海大学 | 一种基于蚁群算法的血管三维路径规划方法 |
CN107276896B (zh) * | 2016-11-24 | 2020-03-27 | 北京交通大学 | 改进迪杰斯特拉算法的两点间最短路径搜索方法 |
CN107361844A (zh) * | 2017-06-20 | 2017-11-21 | 上海交通大学 | 一种机器人辅助心血管介入手术中的安全防护方法 |
CN109938836B (zh) * | 2019-04-01 | 2022-05-17 | 上海交通大学 | 一种血管介入机器人手术中的自动无标记的引导导丝方法 |
-
2019
- 2019-09-10 CN CN201910853457.XA patent/CN110604616B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110604616A (zh) | 2019-12-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110604616B (zh) | 一种基于图搜索的介入手术路径规划方法、系统及电子设备 | |
CN108805871B (zh) | 血管图像处理方法、装置、计算机设备和存储介质 | |
US10430949B1 (en) | Automatic method and system for vessel refine segmentation in biomedical images using tree structure based deep learning model | |
US20200320697A1 (en) | Method, system, and device for lung lobe segmentation, model training, model construction and segmentation | |
WO2021213124A1 (zh) | 血流特征预测方法、装置、计算机设备和存储介质 | |
CN107563983A (zh) | 图像处理方法以及医学成像设备 | |
CN108022237B (zh) | 血管提取方法、系统及存储介质 | |
US10258304B1 (en) | Method and system for accurate boundary delineation of tubular structures in medical images using infinitely recurrent neural networks | |
US11847547B2 (en) | Method and system for generating a centerline for an object, and computer readable medium | |
WO2022199403A1 (zh) | 血管中心线的提取方法及装置 | |
CN104866585B (zh) | 一种试验试飞数据综合处理系统 | |
CN109938836B (zh) | 一种血管介入机器人手术中的自动无标记的引导导丝方法 | |
US20190192096A1 (en) | Method and device for generating anatomical labels for a physiological tree structure | |
CN111178420B (zh) | 一种二维造影图像上冠脉段标注方法及系统 | |
JP2014171908A (ja) | 解剖学的ランドマーク及び臨床的オントロジー(ontology)を用いて血管樹形図等を作成する医用画像処理装置及び方法 | |
Gao et al. | Adaptive zone-aware hierarchical planner for vision-language navigation | |
US10354349B2 (en) | Systems and methods for using geometry sensitivity information for guiding workflow | |
US20220004797A1 (en) | Linear structure extraction device, method, program, and learned model | |
CN113033581B (zh) | 髋关节图像中骨骼解剖关键点定位方法、电子设备及介质 | |
CN116721072A (zh) | 获取主动脉中心线的方法、装置、设备、介质及程序产品 | |
CN115511893A (zh) | 基于人工智能的下肢动脉血流管壁复合体自动分割方法 | |
CN115147357A (zh) | 血管介入导丝的自动导航方法、装置、设备及介质 | |
CN105426927A (zh) | 医学图像处理装置、医学图像处理方法和医学图像设备 | |
CN115309162A (zh) | 用于图书馆agv的多任务路劲规划方法、系统及装置 | |
JP2006068351A (ja) | 医用画像処理方法、医用画像処理プログラム及び医用画像処理装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |