CN110993065B - 一种基于图像引导的脑肿瘤锁孔手术路径规划方法 - Google Patents
一种基于图像引导的脑肿瘤锁孔手术路径规划方法 Download PDFInfo
- Publication number
- CN110993065B CN110993065B CN201911132020.3A CN201911132020A CN110993065B CN 110993065 B CN110993065 B CN 110993065B CN 201911132020 A CN201911132020 A CN 201911132020A CN 110993065 B CN110993065 B CN 110993065B
- Authority
- CN
- China
- Prior art keywords
- path
- risk
- voxel
- image
- paths
- 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
Classifications
-
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
-
- 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
- G06T7/37—Determination of transform parameters for the alignment of images, i.e. image registration using transform domain methods
-
- 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
- G06T2207/30—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
- G06T2207/30096—Tumor; Lesion
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Epidemiology (AREA)
- Radiology & Medical Imaging (AREA)
- Molecular Biology (AREA)
- Public Health (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
一种基于图像引导的脑肿瘤锁孔手术路径规划方法,包括以下步骤:1)获取T1、dMRI肿瘤分割数据集,经预处理后,将图像序列配准到同一坐标空间系下;2)使用训练样样本,通过3D卷积网络分别实现对脑部肿瘤、血管、脑室重要功能区域的精确定位,并将分割出的肿瘤质心作为手术路径规划的终点;3)建立体素的手术路径风险估计;4)通过体素风险估计及手术路径长度约束建立各手术路径的风险估计;5)通过空间搜索,从手术路径中选择风险最小的5条路径作为候选路径,将风险最小的路径作为规划路径;6)将风险值归一化,通过颜色编码建立手术路径风险图谱。本发明减少脑肿瘤切除锁孔手术路径规划对医生的依赖,保证轨迹的最优性。
Description
技术领域
本发明涉及医学成像、图像处理领域,尤其是一种基于图像引导的锁孔手术路径规划方法。
背景技术
在当今的临床常规中,许多锁孔神经外科手术需要精准定位肿瘤和解剖结构。在术前CT/MRI图像的基础上,使用神经外科工具在计划轨迹的错误放置可能导致一些严重的医疗并发症的产生,如:给药辐射不足、颅内出血、暂时或永久性神经损伤,这些并发症可能带来严重有害的神经后遗症,同时也可能造成需要额外的外科手术来达到预期的治疗效果。因此,在最大限度完成切除手术的同时,找到一条与关键结构(血管、运动、功能区)有安全距离的手术轨迹,以保护正常组织受到最小侵害对手术成功是至关重要的。然而,在目前的实践中,轨迹规划是手动进行的,而且可能是次优的,因为它要求外科医生根据病人术前CT/MRI头部图像的2D横截面,根据自身专业知识和主观经验重建三维脑结构及其相互关系。虽然脑关键结构的三维可视化和空间分割有时被用来帮助神经外科医生进行空间感知和规划,但目前的手术轨迹是手动确定的。此外,它不包括任何定量测量或轨道特定的可视化附近的关键结构。由此产生的路径规划严重依赖于外科医生,可能不是最优的。
发明内容
为了实现尽可能减少脑肿瘤切除锁孔手术路径规划对医生的依赖,同时尽可能保证轨迹的最优性,本发明提出一种基于图像引导的脑肿瘤锁孔手术路径规划方法,该方法在完成脑部血管、全脑纤维、脑部重要组织(如脑室)精确定位的基础上,对所有可能的手术候选路径经过的体素进行手术风险评估,并将手术经过该体素的带来的大脑功能损伤量化为不同的风险值;不同手术路径的风险值为路径所经过所有体素风险值的加权和及路径长度的加权;最后,经过空间搜索,从众多候选路径中找到手术风险值最小的一条路径作为手术规划的路径,同时将风险以颜色编码的方式呈现在外部表面,以辅助神经外科医生选择最安全的路径。
本发明解决其技术问题所采用的技术方案是:
一种基于图像引导的脑肿瘤锁孔手术路径规划方法,包括以下步骤:
步骤1、图像获取及预处理:获取患者MRI,dMRI序列图像及功能图谱图像,经过空间重采样、图像配准和图像灰度值阈值化预处理过程,将体素大小相同的各序列图像配准到同一空间坐标系中;
具体的,所采用的重采样算法包括但不限于双线性插值算法,配准过程采用的算法包括但不限于互信息的B样条配准方法将患者MRI、dMRI配准到MNI空间;
步骤2、确定目标位置:在上述患者配准好的多模态MRI图像序列,采用一种基于3D卷积网络的分割方法,实现脑肿瘤的精确分割,并将肿瘤的质心位置作为手术路径规划的目标位置,即路径的终端;
具体的,所述3D卷积网络其网络分割过程包括编码和解码两部分的叠加,并通过注意力机制增强网络所提取的特征的有效性,并将交叉熵函数作为网络的损失函数;
步骤3、定位高危组织区域:通过医学图像分割算法,进行脑部血管、脑室等高危区域的识别;
高危组织区域的识别通过对步骤2中采用的卷积网络的分割方法进行改进,将网络中的部分max pooling替换为卷积核滑动窗口步长为2的过程,增强网络对细节处理的能力,网络利用训练集数据通过训练过程对网络卷积核的参数进行更新,将其应用于颅内脑血管、脑室、颅神经等手术高危组织区域的精确定位;
步骤4、纤维跟踪及标识:采用一种确定型跟踪的方法对全脑纤维进行纤维跟踪,并通过谱聚类的方式实现纤维束的聚类;
具体的,首先采用高角度分辨率扩散成像中球面反卷积模型估计dMRI中白质纤维取向分布函数。进一步在纤维重构的基础上,通过确定型跟踪方法,利用每个体素的扩散张量每个体素的扩散张量,在人脑的三维空间中跟踪得到从体素到体素的纤维束;其基本过程是在给定一个或多个种子点后,为保证纤维轨迹的平滑性,将重构所得到的纤维方向角锐化并选择与跟踪到的上一个体素中纤维方向最接近的方向作为新的跟踪方向,之后沿着扩散信号的最大特征值的方向进行传播,指导达到预先设好的终止条件,最终得到流线轨迹曲线;最后,根据不同纤维之间形状及起始点和终止点的相似性构建谱聚类算法的相似性矩阵,然后计算度矩阵和拉普拉斯矩阵,接着计算拉普拉斯举证的前K个特征值对应的特征向量,最后将这K个特征值对应的特征向量组成n*k的矩阵U,U的每一行成为一个新生成的样本点,对这些新生成的样本点进行K-means聚类,聚成K类,最后输出聚类结果,将功能相近的纤维束聚成一类;
步骤5、体素风险值估计:体素风险值衡量的是当肿瘤切除手术使的当前体素所对应的解剖位置遭到破坏时,对人体所造成损伤的严重程度,风险值受当前解剖结构位置本身的重要程度和周围解剖位置重要程度及周围纤维数量及功能重要性约束,将体素风险定义如下:
其中xj为第j体素,mi为当前体素领域体素,μi,j为第j个体素的风险值受领域体素mi的影响程度,依据体素j中纤维的数量和功能重要性确定,kj为当前体素固有的风险值;
步骤6、候选风险估计与路径生成:候选路径的风险估计受所路径所经过体素的风险值的加权和及路径本身长度的影响,路径风险值定义如下:
其中Jk为路径所经过的所有体素的风险值,h(k)为路径长度约束项,通常路径越长,其风险值越大,当长度大于一定范围时,风险值突增,因此定义
T为路径长度阈值,
步骤7、路径优化:通过改进的快速排序算法,对所有候选路径进行空间搜索,找到风险值最小的5条路径作为候选路径,并进风险值最小的一条作为方案本方案规划的手术路径;
步骤8、生成路径风险图谱:为了将所规划路径的合理性直观可可视化的呈现给医生用于辅助决策路径的选择,将各路径风险值归一化到0~255的范围,然后根据路径的风险值进行颜色编码,生成路径的风险图谱。
本发明的有益效果为:减少脑肿瘤切除锁孔手术路径规划对医生的依赖,保证轨迹的最优性。
附图说明
图1为本发明实施方案的流程示意图。
图2为本发明方案所建立的路径规划及风险图谱结果示意图。
具体实施方式
为了使本发明的目的、技术方案和有点更加清楚明白,以下结合具体实施和附图,对本发明对一种具体实施方案做进一步补充说明。
参照图1和图2,一种基于图像引导的脑肿瘤锁孔手术路径规划方法,在实现脑部重要功能组织、纤维的精确定位的基础上,依据脑部功能重要性,辅助医生为肿瘤切除锁孔手术规划一条安全的手术路径,包括以下步骤:
步骤1,获取MRI训练数据集,通过双线性插值算法将不同模态的MRI图像插值到体素大小相同,并通过基于B样条的配准算法将T1和对应的dMRI图像及功能功能图谱的空间坐标对齐,进一步经过灰度值阈值化生成对应的脑组织/非脑区域掩码;
步骤2,为了训练本发明应用到的网络模型,从训练集中提取三维子图像,本发明实施过程中从每个训练集图像大小为256×256×128提取256个大小为32×32×32的子图像,并利用本发明建立的概率生成函数提取选取部分子图像作为训练样本,克服子图像中正常组织及肿瘤间的数据不均衡问题;
步骤3,本发明应用到的3D卷积网络框架,编码器模块分别包含4个卷积层和最大池层,分别包含32、64、128、256个特征映射;解码器模块包含4个反卷积层和卷积层,分别包含256、128、64、32特征映射,在卷积层中,所有卷积核的尺寸为3×3×3。对于所有的最大池层,池大小为2×2×2,步长为2。跳连接过程通过注意力机制对所提取的特征进行增强,同时,对于所有的反卷积层,将反卷积后的特征映射与编码器模块中的相应特征相结合,解码后,使用Softmax分类器生成体素级概率映射和预测。通过不同的训练数据集,利用网络分别实现对脑部肿瘤、血管、脑室等重要组织区域的精确定位。并确定肿瘤的质心为手术路径的终止点;
步骤4,通过确定型跟踪方法在实现纤维重构的基础上,对全脑纤维进行跟踪,并通过谱聚类方法将全脑纤维进行聚类划分,本实施例中将全脑纤维划分为400类,并通过功能图谱为每一类纤维标注上对应的解剖信息;
步骤5,依据功能图谱中脑组织区域的功能重要性,赋予每个体素初始的风险值k,之后根据体素风险估计公式确定每个体素的手术风险;
步骤6,通过路径风险估计公式计算各脑皮层体素到手术路径终止点连线的路径风险值,再通过快速排序法,从各路径中选取风险值最小的5条路径作为候选路径,将风险值最小的路径作为本方案所规划的路径;
步骤7,将各路径风险值归一化到0~255的范围,然后根据路径的风险值进行颜色编码,生成路径的风险图谱。
以上所述的具体实施仅为本发明的一种最佳实现方式,并不用于限制本发明的专利范围,凡是利用本发明精神和原则及附图内容所作的等效结构或等效流程变换,均应包括在本发明的专利保护范围内。
Claims (3)
1.一种基于图像引导的脑肿瘤锁孔手术路径规划方法,其特征在于,所述方法包括以下步骤:
步骤1、图像获取及预处理:获取患者MRI,dMRI序列图像及功能图谱图像,经过空间重采样、图像配准和图像灰度值阈值化预处理过程,将体素大小相同的各序列图像配准到同一空间坐标系中;
步骤2、确定目标位置:在患者配准好的多模态MRI图像序列,采用一种基于3D卷积网络的分割方法,实现脑肿瘤的精确分割,并将肿瘤的质心位置作为手术路径规划的目标位置,即路径的终端;
步骤3、定位高危组织区域:通过医学图像分割算法,进行脑部血管和脑室高危区域的识别;
步骤4、纤维跟踪及标识:采用一种确定型跟踪的方法对全脑纤维进行纤维跟踪,并通过谱聚类的方式实现纤维束的聚类;
步骤5、体素风险值估计:体素风险值衡量的是当肿瘤切除手术使的当前体素所对应的解剖位置遭到破坏时,对人体所造成损伤的严重程度,风险值受当前解剖结构位置本身的重要程度和周围解剖位置重要程度及纤维的数量及功能重要性的约束;
步骤6、候选风险估计与路径生成:候选路径的风险估计受所路径所经过体素的风险值的加权和及路径本身长度的影响;
步骤7、路径优化:通过快速排序算法,对所有候选路径进行空间搜索,找到风险值最小的5条路径作为候选路径,并将风险值最小的一条作为方案规划的手术路径;
步骤8、生成路径风险图谱:为了将所规划路径的合理性直观可可视化的呈现给医生用于辅助决策路径的选择,将各路径风险值归一化到0~255的范围,然后根据路径的风险值进行颜色编码,生成路径的风险图谱。
2.如权利要求1所述的基于图像引导的脑肿瘤锁孔手术路径规划方法,其特征在于,所述步骤5中,体素的风险值受当前解剖结构位置本身功能的重要程度和周围解剖位置重要程度及纤维功能主要性的约束,其风险值定义如下:
其中xj为第j体素,mi为当前体素领域体素,μi,j为第j个体素的风险值受领域体素mi的影响程度,依据体素j中纤维的数量和功能重要性确定,kj为当前体素固有的风险值。
3.如权利要求1或2所述基于图像引导的脑肿瘤锁孔手术路径规划方法,其特征在于,所述步骤8中,为了将所规划路径的合理性直观可视化的呈现给医生用于辅助决策路径的选择,将各路径风险值归一化到0~255的范围,然后根据路径的风险值进行颜色编码,生成路径的风险图谱。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911132020.3A CN110993065B (zh) | 2019-11-19 | 2019-11-19 | 一种基于图像引导的脑肿瘤锁孔手术路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911132020.3A CN110993065B (zh) | 2019-11-19 | 2019-11-19 | 一种基于图像引导的脑肿瘤锁孔手术路径规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110993065A CN110993065A (zh) | 2020-04-10 |
CN110993065B true CN110993065B (zh) | 2023-07-25 |
Family
ID=70084946
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911132020.3A Active CN110993065B (zh) | 2019-11-19 | 2019-11-19 | 一种基于图像引导的脑肿瘤锁孔手术路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110993065B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112614141B (zh) * | 2020-12-18 | 2023-09-19 | 深圳市德力凯医疗设备股份有限公司 | 血管扫描路径的规划方法、装置、存储介质及终端设备 |
CN113538451B (zh) * | 2021-05-14 | 2024-03-26 | 深圳市青云智图医疗科技有限公司 | 一种深静脉血栓的磁共振图像分割方法及装置,电子设备及存储介质 |
CN113349925A (zh) * | 2021-06-01 | 2021-09-07 | 浙江工业大学 | 基于全自动三维成像的听神经瘤手术路径自动规划方法 |
CN114187227B (zh) * | 2021-09-13 | 2023-01-24 | 北京银河方圆科技有限公司 | 脑肿瘤累及区域的功能区确定方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6390097B1 (en) * | 1998-03-24 | 2002-05-21 | International Business Machines Corporation | Method and system for providing artificial intelligence for planning and risk assessment of surgical paths |
CN103280144A (zh) * | 2013-04-07 | 2013-09-04 | 浙江工业大学 | 一种模拟手术训练系统 |
CN104091347A (zh) * | 2014-07-26 | 2014-10-08 | 刘宇清 | 一种基于3d打印技术的颅内肿瘤手术规划模拟方法 |
CN106901834A (zh) * | 2016-12-29 | 2017-06-30 | 陕西联邦义齿有限公司 | 微创心脏外科手术的术前规划及手术虚拟现实模拟方法 |
CN107296645A (zh) * | 2017-08-03 | 2017-10-27 | 东北大学 | 肺穿刺手术最优路径规划方法及肺穿刺手术导航系统 |
-
2019
- 2019-11-19 CN CN201911132020.3A patent/CN110993065B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6390097B1 (en) * | 1998-03-24 | 2002-05-21 | International Business Machines Corporation | Method and system for providing artificial intelligence for planning and risk assessment of surgical paths |
CN103280144A (zh) * | 2013-04-07 | 2013-09-04 | 浙江工业大学 | 一种模拟手术训练系统 |
CN104091347A (zh) * | 2014-07-26 | 2014-10-08 | 刘宇清 | 一种基于3d打印技术的颅内肿瘤手术规划模拟方法 |
CN106901834A (zh) * | 2016-12-29 | 2017-06-30 | 陕西联邦义齿有限公司 | 微创心脏外科手术的术前规划及手术虚拟现实模拟方法 |
CN107296645A (zh) * | 2017-08-03 | 2017-10-27 | 东北大学 | 肺穿刺手术最优路径规划方法及肺穿刺手术导航系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110993065A (zh) | 2020-04-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110993065B (zh) | 一种基于图像引导的脑肿瘤锁孔手术路径规划方法 | |
Grimson et al. | Utilizing segmented MRI data in image-guided surgery | |
Essert et al. | Automatic computation of electrode trajectories for deep brain stimulation: a hybrid symbolic and numerical approach | |
US8160677B2 (en) | Method for identification of anatomical landmarks | |
US8725235B2 (en) | Method for planning a surgical procedure | |
EP3516629A1 (en) | A system and method for computer-assisted planning of a trajectory for a surgical insertion into a skull | |
US11734842B2 (en) | Methods for optimizing the planning and placement of probes in the brain via multimodal 3D analyses of cerebral anatomy | |
US10390892B2 (en) | System and methods for updating patient registration during surface trace acquisition | |
US20230008386A1 (en) | Method for automatically planning a trajectory for a medical intervention | |
CN112184720B (zh) | 一种ct图像的内直肌和视神经分割方法及系统 | |
WO2008030263A1 (en) | System for identification of anatomical landmarks | |
CN113349925A (zh) | 基于全自动三维成像的听神经瘤手术路径自动规划方法 | |
Navkar et al. | Visualization and planning of neurosurgical interventions with straight access | |
US20120087559A1 (en) | Device and method for cerebral location assistance | |
CN113222979A (zh) | 一种基于多图谱的颅底卵圆孔自动分割方法 | |
CN115461790A (zh) | 用于对图像中的结构进行分类的方法和装置 | |
Bériault et al. | A prospective evaluation of computer-assisted deep brain stimulation trajectory planning | |
Zelmann et al. | Automatic optimization of depth electrode trajectory planning | |
Cai et al. | Accurate preoperative path planning with coarse-to-refine segmentation for image guided deep brain stimulation | |
CN116580820B (zh) | 基于多模态医学图像的经会阴前列腺穿刺智能麻醉系统 | |
Zhao et al. | A Segmentation Method of Foramen Ovale Based on Multiatlas | |
CN113379249B (zh) | 一种基于图谱的纤维束成像评价方法 | |
Shan et al. | Towards Learning-based Surgical Planning of Glioma Resection via a Contrastively Constrained Siamese Neural Network | |
Siddeshappa et al. | 3-Dimensional Neurosurgical Planning Using Multilevel CT-MRI Image Registration and Fusion | |
CN116328191A (zh) | 一种基于混合现实空间注册的经颅磁刺激治疗方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |