CN110738681A - 一种基于深度学习网络的椎弓根钉手术路径自动规划方法 - Google Patents

一种基于深度学习网络的椎弓根钉手术路径自动规划方法 Download PDF

Info

Publication number
CN110738681A
CN110738681A CN201910966985.6A CN201910966985A CN110738681A CN 110738681 A CN110738681 A CN 110738681A CN 201910966985 A CN201910966985 A CN 201910966985A CN 110738681 A CN110738681 A CN 110738681A
Authority
CN
China
Prior art keywords
network
operation path
pedicle screw
path
image
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
Application number
CN201910966985.6A
Other languages
English (en)
Inventor
刘文勇
蔡东阳
王再跃
谭保森
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beihang University
Beijing University of Aeronautics and Astronautics
Original Assignee
Beijing University of Aeronautics and Astronautics
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing University of Aeronautics and Astronautics filed Critical Beijing University of Aeronautics and Astronautics
Priority to CN201910966985.6A priority Critical patent/CN110738681A/zh
Publication of CN110738681A publication Critical patent/CN110738681A/zh
Priority to PCT/CN2020/120168 priority patent/WO2021068933A1/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • 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
    • 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
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Surgery (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Robotics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及医学领域，尤其涉及一种基于深度学习的脊柱椎弓根钉手术路径规划方法。该方法包含以下步骤：将脊柱椎弓根钉手术路径表达为直线型的手术路径，并定义出手术入点与手术方向点；建立包括脊柱分割数据集与手术路径关键点数据集的手术路径规划数据集；采用五次下采样的编码器‑解码器结构、Dice损失与softmax损失共同监督网络的方式，来设计分割脊柱的网络；采用卷积网络与全连接网络结合，L1损失与均方误差损失共同监督网络的方式，来设计手术路径点定位的网络；采用训练好的网络对脊柱CT图像进行自动分割并自动定位手术路径关键点，通过关键点重建出手术路径，并采用主观评价与客观评价两种方式对手术路径的规划进行评价。该方法可以自动规划出脊柱椎弓根钉手术的入钉路径。

Description

一种基于深度学习网络的椎弓根钉手术路径自动规划方法
技术领域
本发明涉及医学领域，尤其涉及一种基于深度学习的脊柱手术路径规划方 法。
背景技术
手术路径规划是实现智能骨科手术(特别是图像引导下的计算机辅助或者 机器人辅助骨科手术)的关键核心步骤。传统的手术路径规划方法多依赖于术 者(医生)经验，术者的生理状态、主观判断等因素显著影响路径规划的质量， 手术规划结果的稳定性和操作效率无法得到有效保证。因此，寻求更高效、智 能的手术路径规划方式，正在成为智能骨科手术的研究和应用热点。
早期的脊柱手术路径规划方法主要是由术者在软件交互界面上进行手动或 半自动的交互式操作，其中的交互界面和操作方法带有明显的工程特征，对医 生而言并不友好。临床上迫切需要更加自动化的、鲁棒的手术路径规划方法， 来优化图像引导脊柱机器人手术的操作流程，提升人机协作效率。形状统计模 型(Statistical shape model,SSM)技术的出现，为自动路径规划提供了一种可能 的途径。但应用于实际的临床病例时，“统计变形”得到的个体化模型与实际椎 块的接近程度并不太高。现有的SSM技术的精度仍难以满足脊柱机器人手术 的路径规划的精度要求。机器学习特别是深度学习方法的出现，为手术路径的 自动规划提供了一种智能化解决手段。借助计算机强大的计算能力，深度学习能够很好地整合手术路径中多种因素的影响，建立起端到端的手术路径规划模 型。
发明内容
本发明的目的是提供一种基于深度学习的脊柱手术路径规划方法，该方法 可以自动地规划脊柱椎弓根钉植入手术所需的直线型路径，减轻术者的负担， 确保路径规划的准确性和稳定性，促进智能骨科手术的精准化与智能化发展。
本发明是通过以下技术方案实现的(流程图如图1)：
步骤一：将脊柱椎弓根钉手术路径抽象为直线型手术路径，并表达为两个 离散点：手术入点与手术方向点。
步骤二：建立脊柱椎弓根钉手术路径数据集，包括脊柱形状分割数据集与 手术路径关键点数据集。数据集均采用三维CT图像作为原始输入，并通过手动 标注的方式建立标签数据集，其中：手术路径的关键点位置为步骤一中抽象表 达出来的手术路径关键点。
步骤三：根据步骤二建立的脊柱形状分割数据集，设计分割网络(图2)。 在三维CT图像上分割出每个椎块的形状和位置。
步骤四：根据步骤二建立的手术路径关键点数据集，设计用于手术路径关 键点回归的定位网络(图3)，在脊柱椎块上定位出手术路径关键点的位置。
步骤五：根据步骤二、三训练出的网络模型，从三维CT图像中自动分割出 椎块的轮廓，自动定位手术路径关键点的位置，并根据椎块轮廓和路径关键点 自动计算出最终的手术路径。
所述步骤一中，手术路径上的关键点为术者标定的入点和方向点，其中： 手术入点位于椎弓根横突凹陷处，用于定位椎弓根钉进入椎块的椎面位置；手 术方向点位于椎板最狭窄切面的形心处，用于约束椎弓根钉植入方向。
所述步骤二中，脊柱CT图为三维图像，X、Y、Z三个轴分别代表三个方 向，体素值范围为(-2000～+2000)，含有人体脊柱形状分布等信息。
所述步骤三中，脊柱分割网络分为编码器和解码器两部分，其中：编码器 负责提取三维CT图像的特征，解码器负责生成脊柱分割的图像；在编码器和解 码器之间，设计有跨层连接进行信息互通。不同于传统的3D-Unet，椎块形状分 割网络采用六层“下采样+跨层连接”的方式来代替3D-Unet中的四层下采样； 同时，采用残差卷积结构来代替传统卷积，使得网络更深，能够更好地提取图 像信息。在损失函数方面，采用Dice损失函数与softmax损失函数相结合的方 式训练网络，从图像级和像素级两个层次对网络的收敛程度进行约束。
所述步骤四中，回归网络采用“卷积层+全连接层”的方式构建。网络分为 特征提取网络与关键点定位网络两部分，其中，特征提取网络负责提取三维CT 图像的特征信息；关键点检测网络的输入为特征提取网络提取的特征，输出为 六个值，分别代表入点和方向点的X、Y、Z轴的三个坐标。
所述步骤五中，脊柱椎块与手术关键点的位置可以根据预训练好的网络模 型计算出；同时，手术路径可以根据定位出的手术关键点规划出来。在手术路 径规划完成后，采用IOU指标来评估脊柱分割的好坏，采用均方误差损失(MSE) 来评估手术路径关键点定位的好坏。
附图说明
图1是本发明整体流程示意图。
图2是分割网络结构示意图。
图3是回归定位网络结构示意图。
具体实施方式
下面结合具体的实施例和附图对本发明做进一步描述。
本实例采用从专业医疗机构获取的三维CT图像数据集，该数据集包含二十 一组脊柱CT图像，每个CT图像中均包含脊柱腰椎的五个椎块(L1-L5)，图像 格式为nii格式，每个图像包含三个维度，分别表示人体内的三个方向。
一种基于深度学习的手术路径自动规划方式包含以下五个步骤：
一、根据脊柱椎弓根钉手术的特点将手术路径抽象表达为一条直线，并根 据其几何特征将直线型手术路径离散表达为手术入点与手术方向点。
二、采用Amira或其它医学图像处理软件对脊柱CT图像进行标注。针对脊 柱分割的问题，采用“半自动标注+手动精细调整”方式，获取脊柱CT图像上 的五个椎块的分割标签；针对手术路径关键点定位问题，采用在软件上手动标 注关键点坐标的方式，获取手术路径关键点标签。脊柱CT分割图像采用nii格 式存储，而关键点坐标采用txt文件保存。
三、训练基于深度学习的脊柱分割网络。在将图像输入进网络之前，对图 像进行数据增强操作，包括增加高斯噪声、随机旋转、水平翻转和垂直翻转等， 得到多张128×128×128的图像作为网络的输入。网络的主要构成为卷积残差 模块和反卷积模块，卷积残差模块形成残差函数y＝F(x)+x。其中：F(x)由卷积 层、批标准化层、ReLU层、随机失活层、卷积层、批标准化层组成。反卷积模 块主要由反卷积层组成，最后输出为一张128×128×128大小的脊柱分割图像， 分割图像分为六类，分别代表五个脊柱椎块以及背景区域。
四、训练基于深度学习的手术路径关键点定位网络。脊柱的三维CT图像进 入网络前，同样需要进行与步骤四一样的数据增强操作。网络的主要构成为卷 积层、批标准化层、ReLU层、池化层以及全连接层等，其中：最后一层全连接 层的输出为六个值，分别代表入点和方向点的X、Y、Z轴的三个坐标。
所述步骤三中，初始学习率设为0.01，并采用线性学习率下降的方式，每 200次迭代学习率减小10倍；采用Adam优化器进行优化，初始动量为0.95。
所述步骤四中，初始学习率设为0.001，采用SGD(随机梯度下降)优化器 进行优化；同时，随机失活层的初始速率为0.8。
五、根据步骤三和步骤四训练出来的神经网络，针对新输入的脊柱三维CT 图像，网络自动输出椎弓根钉手术的进针路径，并能够输出脊柱椎块的几何形 状。
综上所述，本发明能够实现端到端的脊柱手术路径自动规划，具体来说：
(1)本发明实现了一种手术路径的表达方式，将脊柱椎弓根钉手术路径抽 象为一条直线，并离散表达为两个具体的手术路径关键点。
(2)本发明采用所提的脊柱形状分割网络，在脊柱数据集上达到了优于传 统算法的分割精度。
(3)本发明采用所提的关键点回归网络，实现了手术路径关键点的自动定 位。
(4)本发明提出了一种自动规划手术路径的方法，利用深度学习实现了脊 柱椎弓根钉手术路径的自动化、智能化规划。
对于本领域的普通技术人员而言，具体实施例只是对本发明进行了示例性 描述，显然本发明具体实现并不受上述方式的限制，只要采用了本发明的方法 构思和技术方案进行的各种非实质性的改进，或未经改进将本发明的构思和技 术方案直接应用于其它场合的，均在本发明的保护范围之内。

Claims (7)

1.一种基于深度学习网络的椎弓根钉手术路径自动规划方法，其特征在于，包括以下步骤：
步骤一：建立脊柱椎弓根钉手术路径的抽象表达。将手术路径表达为两个离散点：手术入点与手术方向点。
步骤二：建立椎弓根钉手术路径数据集。数据集采用三维CT图像作为原始图像，并标注出脊柱分割图像以及手术路径关键点位置。
步骤三：建立椎块形状分割网络。在三维CT图像上分割出每个脊柱椎块的形状和位置。
步骤四：建立手术关键点定位网络。在脊柱椎块上定位出手术路径关键点的位置。
步骤五：根据预训练的网络模型，自动分割出三维CT图上的脊柱椎块，并自动定位出手术路径关键点的位置，根据手术路径关键点规划处手术路径。同时，采用定量和定性的方法评估路径规划的合理性。
2.根据权利要求1所述的基于深度学习网络的椎弓根钉手术路径自动规划方法，其特征在于，所述步骤一中，手术路径上的关键点为术者标定的入点和方向点，其中，手术入点位于椎弓根横突凹陷处，用于定位椎弓根钉进入位置；手术方向点位于椎板最狭窄切面的形心处，用于约束椎弓根钉方向。
3.根据权利要求1所述的基于深度学习网络的椎弓根钉手术路径自动规划方法，其特征在于，所述步骤二中，标注脊柱分割图采用“半自动标注+手动精细调整”的方式，首先用Amira或其它医学图像处理软件半自动标注出椎块轮廓，然后手动进行精细化分割。标注手术路径关键点采用全手动方式进行标注。
4.根据权利要求1所述的基于深度学习网络的椎弓根钉手术路径自动规划方法，其特征在于，所述步骤三中，网络分为两部分：编码器和解码器，其中，编码器负责提取三维CT图像的特征，解码器负责生成脊柱分割的图像。在编码器和解码器之间，设计跨层连接进行信息互通。不同于传统的3D-Unet，本发明所提网络采用六层“下采样+跨层连接”的方式，代替3D-Unet中的四层下采样；同时，采用残差卷积结构代替传统卷积，使网络更深，能够更好地提取图像信息。在损失函数方面，采用Dice损失函数与softmax损失函数相结合的方式训练网络，从图像级和像素级两个层次对网络的收敛程度进行约束。
5.根据权利要求1所述的基于深度学习网络的椎弓根钉手术路径自动规划方法，其特征在于，所述步骤四中，回归网络采用“卷积层+全连接层”的方式构建。网络分为两部分，特征提取网络与关键点定位网络。其中，特征提取网络负责提取三维CT图像的特征信息，而关键点检测网络的输入为特征提取网络提取的特征，输出为六个值，分别代表入点和方向点的X、Y、Z轴的三个坐标。
6.根据权利要求1所述的基于深度学习网络的椎弓根钉手术路径自动规划方法，其特征在于，所述步骤五中，脊柱椎块与手术关键点的位置可以根据预训练好的网络模型计算出，在得出脊柱手术路径关键点后，通过关键点之间的连线与分割椎块表面的交点作为椎弓根钉的入点，并在入点的基础上按照关键点连线的方向做出路径规划。
7.根据权利要求1所述的基于深度学习网络的椎弓根钉手术路径自动规划方法，其特征在于，所述步骤五中，在手术路径规划完成后，可以根据IOU指标评估脊柱分割的好坏，同时可以根据均方误差损失评估手术路径关键点定位的好坏。在定性评价角度，可以根据术者的主观评价来判断手术路径规划的好坏。
CN201910966985.6A 2019-10-11 2019-10-11 一种基于深度学习网络的椎弓根钉手术路径自动规划方法 Pending CN110738681A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910966985.6A CN110738681A (zh) 2019-10-11 2019-10-11 一种基于深度学习网络的椎弓根钉手术路径自动规划方法
PCT/CN2020/120168 WO2021068933A1 (zh) 2019-10-11 2020-10-10 一种基于深度学习网络的椎弓根钉手术路径自动规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910966985.6A CN110738681A (zh) 2019-10-11 2019-10-11 一种基于深度学习网络的椎弓根钉手术路径自动规划方法

Publications (1)

Publication Number Publication Date
CN110738681A true CN110738681A (zh) 2020-01-31

Family

ID=69268771

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910966985.6A Pending CN110738681A (zh) 2019-10-11 2019-10-11 一种基于深度学习网络的椎弓根钉手术路径自动规划方法

Country Status (2)

Country Link
CN (1) CN110738681A (zh)
WO (1) WO2021068933A1 (zh)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111598948A (zh) * 2020-04-03 2020-08-28 上海嘉奥信息科技发展有限公司 基于深度学习的ct影像椎弓根植钉通道规划方法和系统
CN112155729A (zh) * 2020-10-15 2021-01-01 中国科学院合肥物质科学研究院 手术穿刺路径智能自动化规划方法及系统和医疗系统
WO2021068933A1 (zh) * 2019-10-11 2021-04-15 北京航空航天大学 一种基于深度学习网络的椎弓根钉手术路径自动规划方法
CN112914696A (zh) * 2021-03-22 2021-06-08 深圳市第二人民医院(深圳市转化医学研究院) 一种基于物联网的颅脑术后引流方法、系统及可读存储介质
CN113240661A (zh) * 2021-05-31 2021-08-10 平安科技（深圳）有限公司 基于深度学习的腰椎骨分析方法、装置、设备及存储介质
CN113284082A (zh) * 2020-02-18 2021-08-20 北京积水潭医院 手骨骨折处置钉通道的智能化规划方法和装置
CN113781496A (zh) * 2021-08-06 2021-12-10 北京天智航医疗科技股份有限公司 基于cbct脊椎图像的椎弓根螺钉通道自动规划系统和方法
CN114288018A (zh) * 2022-01-04 2022-04-08 青岛大学附属医院 一种机器人辅助镜下融合技术方法
CN114358388A (zh) * 2021-12-13 2022-04-15 中国科学院深圳先进技术研究院 一种椎弓根螺钉置入手术路径规划方法、装置及设备
CN114372970A (zh) * 2022-01-04 2022-04-19 杭州三坛医疗科技有限公司 一种手术参考信息生成方法及装置
CN114913124A (zh) * 2022-04-13 2022-08-16 中南大学湘雅医院 一种用于肿瘤手术的切缘路径生成方法、系统及存储介质
CN115331082A (zh) * 2022-10-13 2022-11-11 天津大学 追踪声源的路径生成方法、模型的训练方法及电子设备
CN116211458A (zh) * 2022-12-12 2023-06-06 高峰医疗器械(无锡)有限公司 种植体规划方法、装置、设备及存储介质
CN116473673A (zh) * 2023-06-20 2023-07-25 浙江华诺康科技有限公司 内窥镜的路径规划方法、装置、系统和存储介质

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210378752A1 (en) * 2020-06-03 2021-12-09 Globus Medical, Inc. Machine learning system for navigated spinal surgeries
CN114159142B (zh) * 2021-09-30 2024-07-02 国家康复辅具研究中心 基于人工智能深度学习的胫骨外固定器安装辅助导板设计方法
CN114429533B (zh) * 2021-12-17 2024-09-27 山东师范大学 腰椎峡部裂螺钉椎板钩内固定系统的仿真方法及系统
CN114663474B (zh) * 2022-03-10 2024-07-02 济南国科医工科技发展有限公司 一种基于多任务学习策略的腹腔镜视野中多器械视觉追踪方法
CN114944216B (zh) * 2022-05-22 2023-08-01 北京航空航天大学 一种融合解剖及力学特性的脊柱手术直线型路径自动规划方法
CN116958128B (zh) * 2023-09-18 2023-12-26 中南大学 基于深度学习的医学图像自动定位方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101625766A (zh) * 2009-08-03 2010-01-13 深圳先进技术研究院 医学图像处理方法
CN106691600A (zh) * 2016-11-21 2017-05-24 胡磊 一种脊柱椎弓根钉植入定位装置
CN107157579A (zh) * 2017-06-26 2017-09-15 苏州铸正机器人有限公司 一种脊柱椎弓根螺钉植入路径规划方法
US20190133791A1 (en) * 2017-11-07 2019-05-09 Howmedica Osteonics Corp. Robotic System For Shoulder Arthroplasty Using Stemless Implant Components

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110738681A (zh) * 2019-10-11 2020-01-31 北京航空航天大学 一种基于深度学习网络的椎弓根钉手术路径自动规划方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101625766A (zh) * 2009-08-03 2010-01-13 深圳先进技术研究院 医学图像处理方法
CN106691600A (zh) * 2016-11-21 2017-05-24 胡磊 一种脊柱椎弓根钉植入定位装置
CN107157579A (zh) * 2017-06-26 2017-09-15 苏州铸正机器人有限公司 一种脊柱椎弓根螺钉植入路径规划方法
US20190133791A1 (en) * 2017-11-07 2019-05-09 Howmedica Osteonics Corp. Robotic System For Shoulder Arthroplasty Using Stemless Implant Components

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
DONGYANG CAI 等: "Automatic path planning for navigated pedicle screw surgery based on deep neural network", 《2019 WRC SYMPOSIUM ON ADVANCED ROBOTICS AND AUTOMATION (WRC SARA)》 *

Cited By (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021068933A1 (zh) * 2019-10-11 2021-04-15 北京航空航天大学 一种基于深度学习网络的椎弓根钉手术路径自动规划方法
CN113284082A (zh) * 2020-02-18 2021-08-20 北京积水潭医院 手骨骨折处置钉通道的智能化规划方法和装置
CN111598948A (zh) * 2020-04-03 2020-08-28 上海嘉奥信息科技发展有限公司 基于深度学习的ct影像椎弓根植钉通道规划方法和系统
CN111598948B (zh) * 2020-04-03 2024-02-20 上海嘉奥信息科技发展有限公司 基于深度学习的ct影像椎弓根植钉通道规划方法和系统
CN112155729A (zh) * 2020-10-15 2021-01-01 中国科学院合肥物质科学研究院 手术穿刺路径智能自动化规划方法及系统和医疗系统
CN112914696A (zh) * 2021-03-22 2021-06-08 深圳市第二人民医院(深圳市转化医学研究院) 一种基于物联网的颅脑术后引流方法、系统及可读存储介质
CN113240661B (zh) * 2021-05-31 2023-09-26 平安科技（深圳）有限公司 基于深度学习的腰椎骨分析方法、装置、设备及存储介质
CN113240661A (zh) * 2021-05-31 2021-08-10 平安科技（深圳）有限公司 基于深度学习的腰椎骨分析方法、装置、设备及存储介质
CN113781496B (zh) * 2021-08-06 2024-02-27 北京天智航医疗科技股份有限公司 基于cbct脊椎图像的椎弓根螺钉通道自动规划系统和方法
CN113781496A (zh) * 2021-08-06 2021-12-10 北京天智航医疗科技股份有限公司 基于cbct脊椎图像的椎弓根螺钉通道自动规划系统和方法
CN114358388A (zh) * 2021-12-13 2022-04-15 中国科学院深圳先进技术研究院 一种椎弓根螺钉置入手术路径规划方法、装置及设备
CN114372970B (zh) * 2022-01-04 2024-02-06 杭州三坛医疗科技有限公司 一种手术参考信息生成方法及装置
CN114372970A (zh) * 2022-01-04 2022-04-19 杭州三坛医疗科技有限公司 一种手术参考信息生成方法及装置
CN114288018A (zh) * 2022-01-04 2022-04-08 青岛大学附属医院 一种机器人辅助镜下融合技术方法
CN114913124A (zh) * 2022-04-13 2022-08-16 中南大学湘雅医院 一种用于肿瘤手术的切缘路径生成方法、系统及存储介质
CN114913124B (zh) * 2022-04-13 2023-04-07 中南大学湘雅医院 一种用于肿瘤手术的切缘路径生成方法、系统及存储介质
CN115331082A (zh) * 2022-10-13 2022-11-11 天津大学 追踪声源的路径生成方法、模型的训练方法及电子设备
CN116211458A (zh) * 2022-12-12 2023-06-06 高峰医疗器械(无锡)有限公司 种植体规划方法、装置、设备及存储介质
CN116211458B (zh) * 2022-12-12 2023-10-03 高峰医疗器械(无锡)有限公司 种植体规划方法、装置、设备及存储介质
CN116473673B (zh) * 2023-06-20 2024-02-27 浙江华诺康科技有限公司 内窥镜的路径规划方法、装置、系统和存储介质
CN116473673A (zh) * 2023-06-20 2023-07-25 浙江华诺康科技有限公司 内窥镜的路径规划方法、装置、系统和存储介质

Also Published As

Publication number Publication date
WO2021068933A1 (zh) 2021-04-15

Similar Documents

Publication Publication Date Title
CN110738681A (zh) 一种基于深度学习网络的椎弓根钉手术路径自动规划方法
EP3389012B1 (en) Method and node for manufacturing a surgical kit for cartilage repair
CN114419618A (zh) 基于深度学习的全髋关节置换术前规划系统
CN107067398A (zh) 用于三维医学模型中缺失血管的补全方法及装置
CN114757960B (zh) 一种基于cbct图像的牙齿分割与重建方法及存储介质
Kodym et al. Skull shape reconstruction using cascaded convolutional networks
CN114792326A (zh) 一种基于结构光的手术导航点云分割与配准方法
CN113160120A (zh) 基于多模态融合与深度学习的肝脏血管分割方法及系统
CN106780491A (zh) Gvf法分割ct骨盆图像中采用的初始轮廓生成方法
CN114693981A (zh) 一种膝关节特征点自动识别方法
CN117476237B (zh) 一种用于老年人手术的模拟评估系统及方法
CN106780492A (zh) 一种ct骨盆图像的关键帧提取方法
CN116747017A (zh) 脑出血手术规划系统及方法
CN116824209A (zh) 一种骨窗预测方法及系统
CN112991522B (zh) 一种个性化二尖瓣自动建模方法、系统及设备
CN115252233A (zh) 基于深度学习的全髋关节置换术中髋臼杯的自动化规划方法
CN116523926A (zh) 多任务骨关节ct/mri融合的组织精准分割建模方法及装置
CN114972390A (zh) 一种融合骨架线的复杂骨骼模型自动分割方法
CN115938542A (zh) 一种基于三维拓扑分析的图像引导的消融路径优化方法
CN112085698A (zh) 左右乳腺超声图像自动分析方法及装置
CN117934689B (zh) 一种骨折ct影像的多组织分割与三维渲染方法
CN114944216B (zh) 一种融合解剖及力学特性的脊柱手术直线型路径自动规划方法
CN113516669B (zh) 一种基于ct影像的气管提取方法、装置、设备及存储介质
Chuxi et al. CMF defects database: A craniomaxillofacial defects dataset and a data-driven repair method
CN116071386B (zh) 一种关节疾病的医学影像的动态分割方法

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