CN110840561A - 一种基于人工智能与图论算法的手术导航辅助系统 - Google Patents

一种基于人工智能与图论算法的手术导航辅助系统 Download PDF

Info

Publication number
CN110840561A
CN110840561A CN201911094564.5A CN201911094564A CN110840561A CN 110840561 A CN110840561 A CN 110840561A CN 201911094564 A CN201911094564 A CN 201911094564A CN 110840561 A CN110840561 A CN 110840561A
Authority
CN
China
Prior art keywords
dimensional
artery
central axis
deformation
module
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
CN201911094564.5A
Other languages
English (en)
Inventor
郑健青
周晓云
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN201911094564.5A priority Critical patent/CN110840561A/zh
Publication of CN110840561A publication Critical patent/CN110840561A/zh
Pending legal-status Critical Current

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • 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
    • A61B2034/108—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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Surgery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical 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)
  • Image Processing (AREA)

Abstract

本发明涉及一种基于人工智能与图论算法的手术导航辅助系统，包括具输入二维术中和三维术前动脉影像、输出二维术中和三维术前动脉形状的形状分割模块，具输入所述动脉形状、输出二维术中和三维术前动脉中轴线的中轴线提取模块，具输入所述动脉中轴线、输出三维术中动脉中轴线的形变配准模块，及具输入三维术前的动脉形状与中轴线及三维术中动脉中轴线、输出三维术中动脉形状的样条插值形变模块。医师可以准确获得血管内支架恢复术的三维信息及手术中动脉血管的三维形状与位置信息，并据此规划手术中导管的行进路径，克服了现有二维影像缺少深度和三维血管形状信息的不足，有利于降低手术难度和风险、提高成功率，有很强的实用性。

Description

一种基于人工智能与图论算法的手术导航辅助系统
技术领域
本发明涉及医疗辅助设施技术领域，特别是一种基于人工智能与图论算法的手术导航辅助系统。
背景技术
血管内支架恢复术(Endovascular Aortic Repair)是目前治疗主动脉瘤的主要微创手术方法。该手术中医师需要将导管从大腿动脉插入，依靠二维X光影像引导移动导管至支架放置的目标位置,在此过程中需尽量避免导管对血管内壁的摩擦损伤，另外如果动脉瘤部位涉及其他分支动脉，还需对齐覆膜支架窗口与分支血管口。而目前临床在应用的二维影像缺少深度和三维血管形状信息，因而大大增加了手术的难度和风险，同时也增加了医师与病人暴露辐射的时间。因此必须设法获得手术中动脉血管的三维形状与位置信息，并依此规划手术中导管的行进路径。
发明内容
本发明的目的是针对现有血管动脉瘤手术中缺少三维信息的问题，提供一种基于人工智能与图论算法、能快速稳定且精确地自动计算和恢复即时三维血管信息的手术导航辅助系统。
本发明的目的是通过以下措施来实现：
本发明的一种基于人工智能与图论算法的手术导航辅助系统，主要包括中轴线提取模块、形变配准模块和样条插值形变模块，其特征在于还包括形状分割模块，其中：
所述的形状分割模块包括图像预处理子模块、图像分割子模块和分割后处理子模块，具有输入二维术中和三维术前的动脉影像，并通过所述图像预处理子模块标准化图像和增加图像分割子模块效率和精度，通过分割后处理子模块对分割形状进行矫正,然后输出二维术中和三维术前的动脉形状的功能；
所述的中轴线提取模块使用并行细化算法，具有输入所述二维术中和三维术前的动脉形状，处理并输出二维术中和三维术前的动脉中轴线的功能；
所述的形变配准模块包括图匹配子模块、形变函数优化子模块和样条插值子模块，具有输入所述二维术中与三维术前的动脉中轴线，并通过图匹配子模块寻找二维术前和三维术中动脉中轴线对应关系，通过图形变子模块计算中轴线形变，通过样条插值子模块估测未匹配部分形变，输出三维术中动脉中轴线的功能；
所述的样条插值形变模块具有输入所述三维术前的动脉形状与中轴线，及三维术中动脉中轴线，并输出三维术中动脉形状的功能；
此外，所述的图像预处理子模块用以提高所述图像分割子模块的分割效率及精度，采用平移和灰度变换的数据增强方法扩大所述图像分割的训练数据，采用分辨率标准化和灰度标准化方法提升所述图像分割子模块的训练效率及分割精度；
所述的图像分割子模块采用深度全卷积神经网络结构U-Net；
所述的分割后处理子模块采用提取最大连通区域策略并使用平滑滤波器处理分割形状边缘，用于减少错误分割并提高形状分割模块的容错；
所述的图匹配子模块用于找出三维术前动脉中轴线与二维术中动脉中轴线的节点对应关系，包括节点分类算法、分支与主干查找算法、分支与主干配对算法和分支与主干节点匹配算法，其中：所述的节点分类算法用于将节点按邻接个数分为端节点、交汇节点与连接节点；所述端节点与最邻近交汇节点之间节点序列定义为分支，两邻近交汇节点之间节点序列定义为主干；所述的分支与主干查找算法基于广度优先策略对每个分支节点查找和记录，并剔除由所述中轴线提取模块产生的伪分支；所述的分支与主干配对算法用于查找每个分支和主干上的节点并配对二维和三维的对应分支以及主干；所述的节点匹配算法用于对每个二维与三维配对的分支与主干上的节点进行模糊/软匹配；
所述的图形变子模块包括形变函数和优化算法，用于在保持三维动脉中轴线长度不变情况下以自然的形变使二维投影与所述二维术中动脉中轴线对准并得到配对节点的形变向量，其中所述的形变函数提供量化三维中轴线的二维投影与二维中轴线的差异与形变的合理性，采用包括二维与三维的匹配节点对投影距离、三维形变后中轴线长度变化与中轴线形变连续性的量化函数项；所述的优化算法采用Broyden-Fletcher-Goldfarb-Shanno(BFGS)算法，用于优化所述的形变函数，以达到精确且合理的形变结果；
所述的样条插值子模块采用薄板样条插值方法，用于通过所述配对节点的形变向量估测所述三维术前动脉中轴线上没有与所述二维术中中轴线发生对应关系的节点的形变向量，得到三维术中的动脉中轴线；
所述的图形变子模块中的形变能量函数采用如下公式表达二维动脉中轴线与三维动脉中轴线的投影误差函数项的梯度：
Figure BDA0002267910590000031
其中
Figure BDA0002267910590000032
为Hadamard除法运算，(1)3×1为一个3×1的矩阵，为形变后的齐次三维节点坐标矩阵，p3为投影矩阵的第3行向量，D＝(d1…d6)T为中间变量矩阵，采用下列公式运算：
Figure BDA0002267910590000034
其中
Figure BDA0002267910590000035
为Hadamard乘法运算，J为雅各布矩阵，采用下列公式运算：
Figure BDA0002267910590000041
其中p11、p21、p12、p22、p13、p23、p31、p32、p33分别为投影矩阵第1行第1列、第2行第1列、第1行第2列、第2行第2列、第1行第3列、第2行第3列、第3行第1列、第3行第2列、第3行第3列的元素，p1、p2分别为投影矩阵的第1、2行向量。
工作时，所述样条插值形变模块通过所述三维术前动脉中轴线到三维术中动脉中轴线的形变向量来估测三维术前动脉形状的形变向量并得到三维术中动脉形状；所述的三维术前影像、三维术前动脉形状、三维术前动脉中轴线均在手术前得到；所述的维术中影像、二维术中动脉形状、二维术中动脉中轴线、三维术中动脉中轴线及三维术中动脉形状均为手术中获得；在手术前，三维术前影像输入形状分割模块得到三维术前动脉形状，之后通过中轴线提取模块提取三维术前动脉中轴线；在手术中，二维术前影像输入形状分割模块得到二维术中动脉形状，经中轴线提取模块得到二维术前动脉中轴线，之后与三维术前动脉中轴线通过形变配准模块配准得到三维术中动脉中轴线作为参考的规划路径，并与三维术前动脉中轴线以及三维术前动脉形状形状通过样条插值形变模块得到三维术中动脉形状,便于医师依此规划手术中导管的行进路径，降低手术的难度和风险，确保安全作业。
本发明的有益效果是：相比现有技术，本发明可以通过三维术前影像和二维术中影像恢复三维术中动脉中轴线和三维术中动脉形状，提供血管内支架恢复术的三维信息，具有快速、精确、稳定、自动化等优点，克服了目前在用的二维影像缺少深度和三维血管形状信息而大大增加了手术的难度和风险，同时也增加了医师与病人暴露辐射的时间等弊端，能准确地为医师提供手术中动脉血管的三维形状与位置信息，并依此规划手术中导管的行进路径，降低手术的难度和风险、及医患的辐射影响，极大地提高手术成功率，因而有很强的实用性和可贵的临床使用前景。
附图说明
图1是本发明实施例的系统工作原理框图；
图2是本发明实施例中形状分割模块的工作原理框图；
图3是本发明实施例中形变配准模块的工作原理框图。
图中：
1.形状分割模块 11.图像预处理子模块 12.图像分割子模块
13.分割后处理子模块 2.中轴线提取模块 3.形变配准模块
31.图匹配子模块 311.节点分类算法
312.分支与主干查找算法 313.分支与主干配对算法
314.分支与主干节点匹配算法 32.图形变子模块
321.形变能量函数 322.优化算法 33.样条插值子模块
4.样条插值形变模块
具体实施方式
下面结合附图和典型实施例对本发明作进一步说明。
在图1、图2和图3中，本发明的一种基于人工智能与图论算法的手术导航辅助系统，主要包括中轴线提取模块2、形变配准模块3和样条插值形变模块4，其特征在于还包括形状分割模块1，其中：
所述的形状分割模块1包括图像预处理子模块11、图像分割子模块12和分割后处理子模块13，具有输入二维术中和三维术前的动脉影像，并通过所述图像预处理子模块11标准化图像和增加图像分割子模块12效率和精度，通过分割后处理子模块13对分割形状进行矫正,然后输出二维术中和三维术前的动脉形状的功能；
所述的中轴线提取模块2使用并行细化算法，具有输入所述二维术中和三维术前的动脉形状，处理并输出二维术中和三维术前的动脉中轴线的功能；
所述的形变配准模块3包括图匹配子模块31、形变函数优化子模块32和样条插值子模块33，具有输入所述二维术中与三维术前的动脉中轴线，并通过图匹配子模块31寻找二维术前和三维术中动脉中轴线对应关系，通过图形变子模块32计算中轴线形变，通过样条插值子模块33估测未匹配部分形变，输出三维术中动脉中轴线的功能；
所述的样条插值形变模块4具有输入所述三维术前的动脉形状与中轴线，及三维术中动脉中轴线，并输出三维术中动脉形状的功能。
此外，所述的图像预处理子模块11用以提高所述图像分割子模块12的分割效率及精度，采用平移和灰度变换的数据增强方法扩大所述图像分割的训练数据，采用分辨率标准化和灰度标准化方法提升所述图像分割子模块12的训练效率及分割精度；
所述的图像分割子模块12采用深度全卷积神经网络结构U-Net；
所述的分割后处理子模块13采用提取最大连通区域策略并使用平滑滤波器处理分割形状边缘，用于减少错误分割并提高形状分割模块的容错；
所述的图匹配子模块31用于找出三维术前动脉中轴线与二维术中动脉中轴线的节点对应关系，包括节点分类算法311、分支与主干查找算法312、分支与主干配对算法313和分支与主干节点匹配算法314，其中：所述的节点分类算法311用于将节点按邻接个数分为端节点、交汇节点与连接节点；所述端节点与最邻近交汇节点之间节点序列定义为分支，两邻近交汇节点之间节点序列定义为主干；所述的分支与主干查找算法312基于广度优先策略对每个分支节点查找和记录，并剔除由所述中轴线提取模块2产生的伪分支；所述的分支与主干配对算法313用于查找每个分支和主干上的节点并配对二维和三维的对应分支以及主干；所述的节点匹配算法314用于对每个二维与三维配对的分支与主干上的节点进行模糊/软匹配；
所述的图形变子模块32包括形变函数321和优化算法322，用于在保持三维动脉中轴线长度不变情况下以自然的形变使二维投影与所述二维术中动脉中轴线对准并得到配对节点的形变向量，其中所述的形变函数321提供量化三维中轴线的二维投影与二维中轴线的差异与形变的合理性，采用包括二维与三维的匹配节点对投影距离、三维形变后中轴线长度变化与中轴线形变连续性的量化函数项；所述的优化算法322采用Broyden-Fletcher-Goldfarb-Shanno(BFGS)算法，用于优化所述的形变函数321，以达到精确且合理的形变结果；
所述的样条插值子模块33采用薄板样条插值方法，用于通过所述配对节点的形变向量估测所述三维术前动脉中轴线上没有与所述二维术中中轴线发生对应关系的节点的形变向量，得到三维术中的动脉中轴线。
所述的图形变子模块(32)中的形变能量函数(321)采用如下公式表达二维动脉中轴线与三维动脉中轴线的投影误差函数项的梯度：
Figure BDA0002267910590000071
其中
Figure BDA0002267910590000072
为Hadamard除法运算，(1)3×1为一个3×1的矩阵，
Figure BDA0002267910590000073
为形变后的齐次三维节点坐标矩阵，p3为投影矩阵的第3行向量，D＝(d1…d6)T为中间变量矩阵，采用下列公式运算：
Figure BDA0002267910590000074
其中
Figure BDA0002267910590000076
为Hadamard乘法运算，J为雅各布矩阵，采用下列公式运算：
Figure BDA0002267910590000075
其中p11、p21、p12、p22、p13、p23、p31、p32、p33分别为投影矩阵第1行第1列、第2行第1列、第1行第2列、第2行第2列、第1行第3列、第2行第3列、第3行第1列、第3行第2列、第3行第3列的元素，p1、p2分别为投影矩阵的第1、2行向量。
工作时，所述样条插值形变模块4通过所述三维术前动脉中轴线到三维术中动脉中轴线的形变向量来估测三维术前动脉形状的形变向量并得到三维术中动脉形状；所述的三维术前影像、三维术前动脉形状、三维术前动脉中轴线均在手术前得到；所述的维术中影像、二维术中动脉形状、二维术中动脉中轴线、三维术中动脉中轴线及三维术中动脉形状均为手术中获得；在手术前，三维术前影像输入形状分割模块1得到三维术前动脉形状，之后通过中轴线提取模块2提取三维术前动脉中轴线；在手术中，二维术前影像输入形状分割模块1得到二维术中动脉形状，经中轴线提取模块2得到二维术前动脉中轴线，之后与三维术前动脉中轴线通过形变配准模块3配准得到三维术中动脉中轴线作为参考的规划路径，并与三维术前动脉中轴线以及三维术前动脉形状形状通过样条插值形变模块4得到三维术中动脉形状，便于医师依此规划手术中导管的行进路径，降低手术的难度和风险，确保安全作业。

Claims (8)

1.一种基于人工智能与图论算法的手术导航辅助系统，主要包括中轴线提取模块(2)、形变配准模块(3)和样条插值形变模块(4)，其特征在于还包括形状分割模块(1)，其中：
所述的形状分割模块(1)包括图像预处理子模块(11)、图像分割子模块(12)和分割后处理子模块(13)，具有输入二维术中和三维术前的动脉影像，并通过所述图像预处理子模块(11)标准化图像和增加图像分割子模块(12)效率和精度，通过分割后处理子模块(13)对分割形状进行矫正,然后输出二维术中和三维术前的动脉形状的功能；
所述的中轴线提取模块(2)使用并行细化算法，具有输入所述二维术中和三维术前的动脉形状，处理并输出二维术中和三维术前的动脉中轴线的功能；
所述的形变配准模块(3)包括图匹配子模块(31)、形变函数优化子模块(32)和样条插值子模块(33)，具有输入所述二维术中与三维术前的动脉中轴线，并通过图匹配子模块(31)寻找二维术前和三维术中动脉中轴线对应关系，通过图形变子模块(32)计算中轴线形变，通过样条插值子模块(33)估测未匹配部分形变，输出三维术中动脉中轴线的功能；
所述的样条插值形变模块(4)具有输入所述三维术前的动脉形状与中轴线，及三维术中动脉中轴线，并输出三维术中动脉形状的功能；
工作时，所述样条插值形变模块(4)通过所述三维术前动脉中轴线到三维术中动脉中轴线的形变向量来估测三维术前动脉形状的形变向量并得到三维术中动脉形状；所述的三维术前影像、三维术前动脉形状、三维术前动脉中轴线均在手术前得到；所述的维术中影像、二维术中动脉形状、二维术中动脉中轴线、三维术中动脉中轴线及三维术中动脉形状均为手术中获得；在手术前，三维术前影像输入形状分割模块(1)得到三维术前动脉形状，之后通过中轴线提取模块(2)提取三维术前动脉中轴线；在手术中，二维术前影像输入形状分割模块(1)得到二维术中动脉形状，经中轴线提取模块(2)得到二维术前动脉中轴线，之后与三维术前动脉中轴线通过形变配准模块(3)配准得到三维术中动脉中轴线作为参考的规划路径，并与三维术前动脉中轴线以及三维术前动脉形状形状通过样条插值形变模块(4)得到三维术中动脉形状，便于医师依此规划手术中导管的行进路径，降低手术的难度和风险，确保安全作业。
2.根据权利要求1所述的一种基于人工智能与图论算法的手术导航辅助系统，其特征在于所述的图像预处理子模块(11)用以提高所述图像分割子模块(12)的分割效率及精度，采用平移和灰度变换的数据增强方法扩大所述图像分割的训练数据，采用分辨率标准化和灰度标准化方法提升所述图像分割子模块(12)的训练效率及分割精度。
3.根据权利要求1所述的一种基于人工智能与图论算法的手术导航辅助系统，其特征在于所述的图像分割子模块(12)采用深度全卷积神经网络结构U-Net。
4.根据权利要求1所述的一种基于人工智能与图论算法的手术导航辅助系统，其特征在于所述的分割后处理子模块(13)采用提取最大连通区域策略并使用平滑滤波器处理分割形状边缘，用于减少错误分割并提高形状分割模块的容错。
5.根据权利要求1所述的一种基于人工智能与图论算法的手术导航辅助系统，其特征在于所述的图匹配子模块(31)用于找出三维术前动脉中轴线与二维术中动脉中轴线的节点对应关系，包括节点分类算法(311)、分支与主干查找算法(312)、分支与主干配对算法(313)和分支与主干节点匹配算法(314)，其中：所述的节点分类算法(311)用于将节点按邻接个数分为端节点、交汇节点与连接节点；所述端节点与最邻近交汇节点之间节点序列定义为分支，两邻近交汇节点之间节点序列定义为主干；所述的分支与主干查找算法(312)基于广度优先策略对每个分支节点查找和记录，并剔除由所述中轴线提取模块(2)产生的伪分支；所述的分支与主干配对算法(313)用于查找每个分支和主干上的节点并配对二维和三维的对应分支以及主干；所述的节点匹配算法(314)用于对每个二维与三维配对的分支与主干上的节点进行模糊/软匹配。
6.根据权利要求1所述的一种基于人工智能与图论算法的手术导航辅助系统，其特征在于所述的图形变子模块(32)包括形变函数(321)和优化算法(322)，用于在保持三维动脉中轴线长度不变情况下以自然的形变使二维投影与所述二维术中动脉中轴线对准并得到配对节点的形变向量，其中所述的形变函数(321)提供量化三维中轴线的二维投影与二维中轴线的差异与形变的合理性，采用包括二维与三维的匹配节点对投影距离、三维形变后中轴线长度变化与中轴线形变连续性的量化函数项；所述的优化算法(322)采用Broyden-Fletcher-Goldfarb-Shanno(BFGS)算法，用于优化所述的形变函数(321)，以达到精确且合理的形变结果。
7.根据权利要求1所述的一种基于人工智能与图论算法的手术导航辅助系统，其特征在于所述的样条插值子模块(33)采用薄板样条插值方法，用于通过所述配对节点的形变向量估测所述三维术前动脉中轴线上没有与所述二维术中中轴线发生对应关系的节点的形变向量，得到三维术中的动脉中轴线。
8.根据权利要求1所述的一种基于人工智能与图论算法的手术导航辅助系统，其特征在于所述的图形变子模块(32)中的形变能量函数(321)采用如下公式表达二维动脉中轴线与三维动脉中轴线的投影误差函数项的梯度：
Figure FDA0002267910580000041
其中
Figure FDA0002267910580000042
为Hadamard除法运算，(1)3×1为一个3×1的矩阵，
Figure FDA0002267910580000043
为形变后的齐次三维节点坐标矩阵，p3为投影矩阵的第3行向量，D＝(d1…d6)T为中间变量矩阵，采用下列公式运算：
Figure FDA0002267910580000044
其中
Figure FDA0002267910580000045
为Hadamard乘法运算，J为雅各布矩阵，采用下列公式运算：
Figure FDA0002267910580000046
其中p11、p21、p12、p22、p13、p23、p31、p32、p33分别为投影矩阵第1行第1列、第2行第1列、第1行第2列、第2行第2列、第1行第3列、第2行第3列、第3行第1列、第3行第2列、第3行第3列的元素，p1、p2分别为投影矩阵的第1、2行向量。
CN201911094564.5A 2019-11-11 2019-11-11 一种基于人工智能与图论算法的手术导航辅助系统 Pending CN110840561A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911094564.5A CN110840561A (zh) 2019-11-11 2019-11-11 一种基于人工智能与图论算法的手术导航辅助系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911094564.5A CN110840561A (zh) 2019-11-11 2019-11-11 一种基于人工智能与图论算法的手术导航辅助系统

Publications (1)

Publication Number Publication Date
CN110840561A true CN110840561A (zh) 2020-02-28

Family

ID=69601300

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911094564.5A Pending CN110840561A (zh) 2019-11-11 2019-11-11 一种基于人工智能与图论算法的手术导航辅助系统

Country Status (1)

Country Link
CN (1) CN110840561A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111415404A (zh) * 2020-03-16 2020-07-14 广州柏视医疗科技有限公司 术中预设区域的定位方法、装置、存储介质及电子设备
NL2032742A (en) * 2022-08-12 2022-09-20 Univ Lishui A surgical navigation system based on artificial intelligence and graph theory algorithm

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1910616A (zh) * 2004-01-21 2007-02-07 美国西门子医疗解决公司 手术中二维图像与手术前三维图像的仿射配准方法和系统
US20110026794A1 (en) * 2009-07-29 2011-02-03 Siemens Corporation Deformable 2D-3D Registration of Structure
US20130094745A1 (en) * 2011-09-28 2013-04-18 Siemens Corporation Non-rigid 2d/3d registration of coronary artery models with live fluoroscopy images
CN106327479A (zh) * 2016-09-23 2017-01-11 西安电子科技大学 血管造影中介下先心病术中血管辨识的装置及方法
CN109300147A (zh) * 2018-09-17 2019-02-01 北京理工大学 血管二维中心线和三维中心线配准的方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1910616A (zh) * 2004-01-21 2007-02-07 美国西门子医疗解决公司 手术中二维图像与手术前三维图像的仿射配准方法和系统
US20110026794A1 (en) * 2009-07-29 2011-02-03 Siemens Corporation Deformable 2D-3D Registration of Structure
US20130094745A1 (en) * 2011-09-28 2013-04-18 Siemens Corporation Non-rigid 2d/3d registration of coronary artery models with live fluoroscopy images
CN106327479A (zh) * 2016-09-23 2017-01-11 西安电子科技大学 血管造影中介下先心病术中血管辨识的装置及方法
CN109300147A (zh) * 2018-09-17 2019-02-01 北京理工大学 血管二维中心线和三维中心线配准的方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李致勋: "2D/3D冠状动脉血管分割与配准方法研究", 《中国博士学位论文全文数据库》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111415404A (zh) * 2020-03-16 2020-07-14 广州柏视医疗科技有限公司 术中预设区域的定位方法、装置、存储介质及电子设备
CN111415404B (zh) * 2020-03-16 2021-06-29 广州柏视医疗科技有限公司 术中预设区域的定位方法、装置、存储介质及电子设备
NL2032742A (en) * 2022-08-12 2022-09-20 Univ Lishui A surgical navigation system based on artificial intelligence and graph theory algorithm

Similar Documents

Publication Publication Date Title
US11816837B2 (en) Vascular characteristic determination with correspondence modeling of a vascular tree
US10235753B2 (en) Automatic recognition of anatomical landmarks
CN111260704B (zh) 基于启发式树搜索的血管结构3d/2d刚性配准方法及装置
CN106097298A (zh) 基于球空间划分的冠状动脉自动分段与解剖学标记方法
CN112862833B (zh) 血管分段方法、电子装置和存储介质
JP2019500146A (ja) 体部の３次元モデル
KR20190084380A (ko) 2차원 x-선 조영영상의 혈관 구조 추출 방법, 이를 수행하기 위한 기록매체 및 장치
CN112700490B (zh) 一种基于最大半径搜索的冠脉中心线生成方法及装置
KR101900679B1 (ko) 혈관 특징 정보를 기반으로 하는 삼차원 심혈관 정합 방법, 이를 수행하기 위한 기록 매체 및 장치
Yang et al. External force back-projective composition and globally deformable optimization for 3-D coronary artery reconstruction
US8712177B2 (en) Motion compensated overlay
CN110840561A (zh) 一种基于人工智能与图论算法的手术导航辅助系统
CN115578320A (zh) 一种骨科手术机器人全自动空间注册方法及系统
CN111612778A (zh) 一种术前cta与术中x光冠状动脉配准方法
Tsakanikas et al. A deep learning oriented method for automated 3D reconstruction of carotid arterial trees from MR imaging
Blondel et al. Automatic trinocular 3D reconstruction of coronary artery centerlines from rotational X-ray angiography
CN113935889A (zh) 2d/3d冠状动脉自动配准方法、系统及介质
CN110853020B (zh) 基于拓扑结构和图谱的衡量视网膜血管网络相似性的方法
CN117274334A (zh) 一种基于点云的实时骨骼模型重建方法及系统
CN116612166A (zh) 一种多模态影像的配准融合算法
CN113256693A (zh) 基于K-means与正态分布变换的多视角配准方法
CN111242915B (zh) 基于蒙特卡洛树搜索的血管3d/2d配准方法及装置
Dong et al. Automatic Extraction of Femur Contours from Calibrated X-Ray Images using Statistical Information.
Stoddart et al. Marker based motion capture in biomedical applications
Sang et al. 3D reconstruction of the coronary tree from two X-ray angiographic views

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200228