CN112562070A - 基于模板匹配的颅缝早闭手术切割坐标生成系统 - Google Patents

基于模板匹配的颅缝早闭手术切割坐标生成系统 Download PDF

Info

Publication number
CN112562070A
CN112562070A CN202011560319.1A CN202011560319A CN112562070A CN 112562070 A CN112562070 A CN 112562070A CN 202011560319 A CN202011560319 A CN 202011560319A CN 112562070 A CN112562070 A CN 112562070A
Authority
CN
China
Prior art keywords
model
cutting
skull
dimensional
craniosynostosis
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
CN202011560319.1A
Other languages
English (en)
Inventor
罗杨宇
贺佳宾
李成荣
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.)
Institute of Automation of Chinese Academy of Science
Original Assignee
Institute of Automation of Chinese Academy of Science
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 Institute of Automation of Chinese Academy of Science filed Critical Institute of Automation of Chinese Academy of Science
Priority to CN202011560319.1A priority Critical patent/CN112562070A/zh
Publication of CN112562070A publication Critical patent/CN112562070A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-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
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
    • 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
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • 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
    • G06T2207/20—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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30008—Bone
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Image Processing (AREA)

Abstract

本发明属于手术模拟技术领域，具体涉及一种基于模板匹配的颅缝早闭手术切割坐标生成系统、方法、装置，旨在解决现有颅缝早闭外科手术缺乏规范和标准，导致生成的手术切割坐标差异性较大问题。本发明系统包括：重建模块，配置为获取患者原始颅骨的CT数据并重建三维模型，作为第一模型；点云配准模块，配置为通过点云配准方法计算第一模型与各第二模型的配准误差；第二模型为预构建的手术模板库中各模板对应的三维颅骨模型；将第三模型对应的颅骨切割的三维坐标进行转换，得到第一模型对应的颅骨切割坐标；第一模型为最小配准误差对应的第二模型。本发明降低了手术切割坐标生成的差异性。

Description

基于模板匹配的颅缝早闭手术切割坐标生成系统
技术领域
本发明属于手术模拟技术领域，具体涉及一种基于模板匹配的颅缝早闭手术切割坐标生成系统、方法、装置。
背景技术
颅缝早闭症，是不同部位的颅缝过早闭合，导致颅骨生长发生改变，影响了头颅和脑的正常发育，从而产生的一组疾病的统称。传统颅缝早闭的治疗多采用人工手术方法切割颅骨、拼接骨片进行颅骨切割重塑，以达到对称美观的效果。人工手术一般存在两方面问题，一方面人工手术过程严重依赖神经外科医生的手术经验和主观判断，手术方案随意性大，主观性强，缺乏客观的手术方案设计与评价标准，另一方面人工方法不仅费时费力，高值耗材使用多、花费大，而且手术效果不确定，难以保证一致性。此外，由于颅骨重塑对施术者准入门槛很高，符合要求的医生数量严重不足，致使我国每年能施行手术的患儿不及十分之一。因此如何降低手术门槛，提高手术效率，使广大患儿得到及时医治，避免终身残疾，是我国小儿外科领域面临的巨大挑战。
随着技术的发展，国内外逐步兴起利用计算机辅助颅缝早闭手术的相关研究。国外方面，最早始于1999年，日本大阪市综合医院(Osaka City General Hospital)首次采用术前3D建模和模拟手术切割来辅助颅骨重塑手术方案制定和实施，但受当时技术限制，手术效果不够理想。2001年，比利时圣简医院(General Hospital St.Jan)尝试利用计算机建模，相较于传统手术，大幅减少了手术时间，显著降低了术中出血量，改善了术后效果。2017年，美国德克萨斯儿童医院(Texas Children’s Hospital)采用计算机3D打印技术，在术前打印出颅骨模型，依据力学分析规划颅骨切割路径与重塑拼接方案，通过术中比对，指导手术，取得了较好的重塑效果。
国内方面，上海交通大学附属上海儿童医学影像诊断中心提出了三维打印技术在颅缝早闭患儿术前模拟的应用方法，该方法运用3D打印技术建立具有精准解剖结构的狭颅症头颅3D模型和模拟术后头颅3D模型，通过术前术后的对比获取最佳方案，进行个性化、精准化的治疗；南京市儿童医院通过术前3D建模、应力分析和狭颅症术前模拟，术后效果相较于之前的手术方案显著提升；首都医科大学附属北京天坛医院提出了计算机辅助模拟生物力学分析在治疗先天性矢状缝早闭症中的应用，该方法利用3D打印颅骨模型并结合有限元分析软件进行生物力学分析，在术前对患者手术方案进行模拟分析和优化，取得了良好的术后效果。
然而现有的方法都是针对个体病例的个体手术切割坐标进行计算机辅助下的手术方案设计，没有考虑手术的规范化和标准化，导致同一病例会生成不一致的手术效果，差异较大。基于此，本发明提出了一种基于模板匹配的颅缝早闭手术切割坐标生成系统。
发明内容
为了解决现有技术中的上述问题，即为了解决现有颅缝早闭外科手术缺乏规范和标准，导致生成的手术切割坐标差异性较大的问题，本发明提出了一种基于模板匹配的颅缝早闭手术切割坐标生成系统，该系统包括：模型重建模块、点云配准模块、坐标生成模块；
所述模型重建模块，配置为获取患者原始颅骨的CT数据并重建三维模型，作为第一模型；
所述点云配准模块，配置为通过点云配准方法计算所述第一模型与各第二模型的配准误差，并构建两两模型之间的旋转矩阵、平移矩阵；所述第二模型为预构建的手术模板库中各模板对应的三维颅骨模型；
所述坐标生成模块，配置为对所述第一模型，根据第三模型与其之间的旋转矩阵、平移矩阵，将所述第三模型对应的颅骨切割的三维坐标进行转换，得到其对应的颅骨切割坐标；所述第三模型为最小配准误差对应的第二模型；
所述预构建的手术模板库为预设的颅缝早闭手术切割的三维坐标与预设的三维颅骨模型的映射关系。
在一些优选的实施方式中，所述颅缝早闭手术方案规划系统还包括判断更新模块；
所述判断更新模块，配置为对所述第一模型对应的颅骨切割坐标中的任一坐标，计算其与所述第一模型各点云的欧式距离，并选取欧式距离最小的点云坐标对其进行更新。
在一些优选的实施方式中，所述坐标生成模块中“将所述第三模型对应的颅骨切割的三维坐标进行转换，得到其对应的切割坐标”，其方法为：
Ci”＝Rm×Ci+Tm
其中，Rm表示两两模型之间的旋转矩阵，Tm表示两两模型之间的平移矩阵，Ci、Ci”分别表示转换前后的三维坐标。
在一些优选的实施方式中，所述手术模板库，其构建方法为：
步骤A10，获取已标注颅缝早闭手术切割坐标的三维颅骨模型；
步骤A20，通过深度相机获取所述已标注颅缝早闭手术切割坐标的三维颅骨模型的二维图像及三维点云数据；
步骤A30，对所述二维图像，通过预训练的Mask R-CNN模型获取其标注的切割目标区域对应的mask边缘信息；
步骤A40，通过2D-3D映射获取所述mask边缘上以及mask边缘内的各像素点对应的三维坐标，并在所述三维点云数据中进行点云体素的标记；
步骤A50，基于标记后的三维点云数据、所述已标注颅缝早闭手术切割坐标的三维颅骨模型作为模板构建手术模板库。
在一些优选的实施方式中，步骤A30“对所述二维图像，通过预训练的Mask R-CNN模型获取其标注的切割目标区域对应的mask边缘信息”，其方法为：
步骤A31，通过预训练的Mask R-CNN模型获取二维图像标注的切割目标区域对应的包围框，从包围框的左上角像素点按照从左到右的顺序搜索，找到满足性质1的像素点记为该行轮廓起点S，并置灰度值为255；
步骤A32，从S开始向右继续搜索，若当前像素点满足轮廓点定义，则将当前点标记为轮廓点C，灰度值置为255；
步骤A33，继续向右搜索直到当前像素点满足性质2，将当前像素点记为该行轮廓终点E，并置灰度值为255；
步骤A34，从下一行包围框起点开始向右搜索，重复步骤A31-步骤A34，直至达到包围框右下角像素点，得到切割目标区域的mask边缘信息；
性质1：若像素点(i，j-1)的灰度值为0，而像素点(i，j)的灰度值为1，则像素点(i，j)为该行轮廓的左侧起点；
性质2：若像素点(i，j)的灰度值为1，而像素点(i，j+1)的灰度值为0，则像素点(i，j)为该行轮廓的右侧起点。
在一些优选的实施方式中，所述点云配准模块中“构建两两模型之间的旋转矩阵、平移矩阵”，其方法为：
生成第一模型、第二模型对应的三维点云数据中的每个点的SHOT特征描述子，使用KD-Tree最近邻搜索算法寻找待配准点集中的对应点集，并使用RANSAC进行筛选，最后使用SVD和最小二乘法计算刚性变换参数，获得粗匹配估计的旋转矩阵和平移矩阵；
在粗匹配估计的旋转矩阵、平移矩阵的基础上，生成第一模型、第二模型对应的三维点云数据中的每个点的FPFH特征描述子，使用KD-Tree最近邻搜索算法寻找待配准点集中的对应点集，并使用RANSAC进行筛选，最后使用SVD和最小二乘法计算刚性变换参数，得到最终精确的旋转矩阵、平移矩阵，作为最终构建的第一模型与第二模型之间的旋转矩阵和平移矩阵。
本发明的第二方面，提出了一种基于模板匹配的颅缝早闭手术切割坐标生成方法，该方法包括以下步骤：
步骤S10，获取患者原始颅骨的CT数据并重建三维模型，作为第一模型；
步骤S20，通过点云配准方法计算所述第一模型与各第二模型的配准误差，并构建两两模型之间的旋转矩阵、平移矩阵；所述第二模型为预构建的手术模板库中各模板对应的三维颅骨模型；
步骤S30，对所述第一模型，根据第三模型与其之间的旋转矩阵、平移矩阵，将所述第三模型对应的颅骨切割的三维坐标进行转换，得到其对应的颅骨切割坐标；所述第三模型为最小配准误差对应的第二模型；
所述预构建的手术模板库为预设的颅缝早闭手术切割的三维坐标与预设的三维颅骨模型的映射关系。
本发明的第三方面，提出了一种存储装置，其中存储有多条程序，所述程序应用由处理器加载并执行以实现上述的基于模板匹配的颅缝早闭手术切割坐标生成方法。
本发明的第四方面，提出了一种处理装置，包括处理器、存储装置；处理器，适用于执行各条程序；存储装置，适用于存储多条程序；所述程序适用于由处理器加载并执行以实现上述的基于模板匹配的颅缝早闭手术切割坐标生成方法。
本发明的第五方面，提出了一种颅缝早闭手术切割坐标生成装置，包括操作台主体、相机端、输入装置、计算机、投影装置；
所述相机端，配置为通过扫描相机对患者进行头颅CT扫描，获取患者原始颅骨的CT数据；
所述操作台主体上部设置有模型固定装置，将3D打印设备打印的颅骨模型和所述模型固定装置连接；所述3D打印设备的输入为CT数据；
所述输入装置，用于将患者原始颅骨的CT数据输入计算机；
所述计算机，配置为基于所述CT数据，通过上述的基于模板匹配的颅缝早闭手术切割坐标生成方法，生成颅骨切割坐标；
所述投影装置，配置为将颅骨切割坐标进行连接，生成切割路径，并投影至3D打印的颅骨模型。
本发明的有益效果：
本发明降低了手术切割坐标生成的差异性。
本发明通过深度学习网络模型Mask R-CNN对模板病例的颅骨切割坐标进行检测、分割以及自动化轮廓提取。提取后，通过2D-3D映射构建了手术模板库。利用深度学习提高了手术切割坐标提取的精度。
之后依托构建好的手术模板库，通过点云配准计算新病例与模板库病例之间的相似度，将相似度最高的模板手术方案作为新病例手术方案的设计初值，快速生成新病例的手术切割坐标。实现颅缝早闭手术切割方案的规范化和标准化，提高手术效果的一致性、降低了手术切割坐标生成的差异性。
附图说明
通过阅读参照以下附图所做的对非限制性实施例所做的详细描述，本申请的其他特征、目的和优点将会变得更明显。
图1是本发明一种实施例的基于模板匹配的颅缝早闭手术切割坐标生成系统的框架示意图；
图2为本发明一种实施例的基于模板匹配的颅缝早闭手术切割坐标生成系统的详细框架示意图；
图3是本发明一种实施例的手术模板库的构建过程的流程示意图；
图4为本发明一种实施例的基于模板匹配的颅缝早闭手术切割坐标生成方法的流程示意图；
图5是本发明一种实施例的矢状缝早闭模板病例颅骨外观示意图；
图6是本发明一种实施例的冠状缝早闭模板病例颅骨外观示意图；
图7是本发明一种实施例的Mask R-CNN对矢状缝早闭颅骨切割坐标的提取结果的示意图；
图8是本发明一种实施例的Mask R-CNN对矢状缝早闭颅骨切割坐标提取结果的示意图；
图9是本发明一种实施例的深度相机2D-3D映射的示意图；
图10是本发明一种实施例的矢状缝早闭新病例颅骨点云与匹配程度最高的模板颅骨点云之间的配准结果的示意图；
图11是本发明一种实施例的矢状缝早闭新病例基于模板匹配生成的切割坐标的示意图；
图12是本发明一种实施例的冠状缝早闭新病例颅骨点云与匹配程度最高的模板颅骨点云之间的配准结果的示意图；
图13是本发明一种实施例的冠状缝早闭新病例基于模板匹配生成的切割坐标的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
本发明第一实施例的一种基于模板匹配的颅缝早闭手术切割坐标生成系统，如图1所示，该系统包括：模型重建模块100、点云配准模块200、坐标生成模块300；
所述模型重建模块100，配置为获取患者原始颅骨的CT数据并重建三维模型，作为第一模型；
所述点云配准模块200，配置为通过点云配准方法计算所述第一模型与各第二模型的配准误差，并构建两两模型之间的旋转矩阵、平移矩阵；所述第二模型为预构建的手术模板库中各模板对应的三维颅骨模型；
所述坐标生成模块300，配置为对所述第一模型，根据第三模型与其之间的旋转矩阵、平移矩阵，将所述第三模型对应的颅骨切割的三维坐标进行转换，得到其对应的颅骨切割坐标；所述第三模型为最小配准误差对应的第二模型；
所述预构建的手术模板库为预设的颅缝早闭手术切割的三维坐标与预设的三维颅骨模型的映射关系。
为了更清晰地对本发明基于模板匹配的颅缝早闭手术切割坐标生成系统进行说明，下面对本发明方法一种实施例中各步骤进行展开详述。
在下述的实施例中，先对手术模板库的构建过程进行描述，再对通过基于模板匹配的颅缝早闭手术切割坐标生成系统生成颅骨切割坐标进行描述。
1、手术模板库的构建过程，如图3所示
步骤A10，获取已标注颅缝早闭手术切割坐标的三维颅骨模型；
在本实施例中，以颅缝早闭手术切割坐标提取为研究对象，首先从以往患者病例数据库中挑选16例典型患者颅骨切割方案对应的切割坐标作为手术模板，其中冠状缝早闭和矢状缝早闭各8例，图5为矢状缝早闭模板病例颅骨外观，图6为冠状缝早闭模板病例颅骨外观。由于患者术后颅骨形态发生明显改变，使得无法通过术后CT复现切割方案对应的坐标。为符合医生操作习惯、降低标注难度并提高标注精度，本发明未直接使用软件在颅骨模型曲面上进行切割轨迹标注，而是在3D打印颅骨模型后由资深医生在3D(三维)模型上标注切割轨迹，将标记了切割轨迹的三维颅骨模型作为数字化提取的对象。在其他实施例中，可通过其他的标注方式进行三维颅骨模型切割轨迹的标记。
步骤A20，通过深度相机获取所述已标注颅缝早闭手术切割坐标的三维颅骨模型的二维图像及三维点云数据；
在本实施例中，使用同一套深度相机采集颅骨3D打印模型(即三维颅骨模型)的二维图像和三维点云，其中二维图像均选自左相机。使用深度相机采集16例颅骨3D打印模型在不同视角下的500张图片作为训练集，另外拍摄50张图片作为验证集，图片尺寸均为640×480。
图像采集完成后使用Labelme软件进行人工标注，获得每幅图像标注出的目标多边形区域(即颅缝早闭手术切割的目标区域)对应的灰度图以及包含多边形区域边界点二维坐标的json文件用于之后Mask R-CNN模型的训练。
步骤A30，对所述二维图像，通过预训练的Mask R-CNN模型获取其标注的切割目标区域对应mask边缘信息；
在本实施例中，先对Mask R-CNN模型进行训练，然后通过预训练的Mask R-CNN模型获取二维图像标注的切割目标区域对应的包围框和mask边缘信息。Mask R-CNN模型的训练过程具体如下：
在模型训练过程中，使用经过coco数据集预训练的Mask R-CNN模型作为初始MaskR-CNN模型。即将coco数据集预训练的模型参数作为训练的初始参数而非随机值；
同时加入了随机旋转、裁剪等数据增强手段，有效降低了样本数量对模型训练的影响，网络经过500张训练集和50张验证集的训练后取得了优异的性能，最终的模型能够对包含颅骨目标区域的二维图像进行准确识别和分割，并提取目标区域对应的包围框和mask边缘信息。
设置训练参数：输入图片尺寸：640×480，总训练轮数：200，每轮训练的步数：500，批尺寸:1，学习率：0.0001，训练监测指标：验证集总损失，总训练步数：100000。
通过Mask R-CNN模型对某矢状缝模板病例颅骨切割坐标的提取结果，即获取目标区域(即切割目标区域)的包围框和mask边缘信息，如图7所示。另外矢状缝早闭颅骨切割坐标提取结果，如图8所示。
本发明研究的对象只存在唯一最外轮廓，此外，如图7虚线包围框所示，上述实例分割算法(Mask R-CNN)可以得到目标包围框，因此可以利用包围框信息进行简化(简称为简化轮廓提取算法)，获取目标的轮廓信息，即mask边缘信息。步骤如下：
步骤A31，从包围框的左上角像素按照从左到右的顺序搜索，找到满足性质1的像素点记为该行轮廓起点S，并置灰度值为255；
性质1：若像素点(i，j-1)的灰度值为0，而像素点(i，j)的灰度值为1，则像素点(i，j)为该行轮廓的左侧起点；
步骤A32，从S开始向右继续搜索，若当前像素点满足轮廓点定义(即图像的轮廓在数学上的定义，此定义为现有的，此处不再阐述)，则将当前点标记为轮廓点C，灰度值置为255；
步骤A33，继续向右搜索直到当前像素点满足性质2，将当前像素点记为该行轮廓终点E，并置灰度值为255；
性质2：若像素点(i，j)的灰度值为1，而像素点(i，j+1)的灰度值为0，则像素点(i，j)为该行轮廓的右侧起点；
步骤A34，之后从下一行包围框起点开始向右搜索，重复步骤A31-步骤A34，直至达到包围框右下角像素点，得到切割目标区域的mask边缘信息。
步骤A40，通过2D-3D映射获取mask边缘上以及mask边缘内的各像素点对应的三维坐标，并在所述三维点云数据中进行点云体素的标记；
在本实施例中，对步骤A30中获取的mask边缘上以及mask边缘内的各像素点对应的三维坐标的每一像素点(Ui，Vi)使用2D-3D映射，如图9所示，获得其对应的三维坐标(Xi，Yi，Zi)，i为自然数，表示下标。将三维坐标在步骤A20获取的三维点云数据中的对应的点云体素的RGB标记为白色(255，255，255)，同时对切割轨迹像素坐标(mask边缘上的坐标)(Uj，Vj)对应的点云体素坐标(Xj，Yj，Zj)的RGB标记为红色(255，0，0)，至此实现切割方案坐标的2D-3D映射。
2D-3D映射具体式(1)(2)(3)所示：
X＝b×(UL-U0)/d (1)
Y＝b×(VL-V0)/d (2)
Z＝b×f/d (3)
其中，X、Y、Z表示世界坐标点P在左相机坐标系下的横坐标值、纵坐标值、深度值，b表示基线长度，单位：mm，f表示深度相机的相机焦距值，单位：pixel，(U0，V0)表示二维图像(左相机获取的二维图像)中心点在深度相机左相机坐标系下成像点的坐标，(UL，VL)表示点在深度相机左相机坐标系下成像点的坐标，(UR，VR)表示点P在深度相机右相机坐标系下成像点的坐标，d表示点P在深度相机左右相机坐标系下对应点的像素横坐标差异(UL-UR)的绝对值，单位：pixel。图9中Image表示深度相机成像的二维图像，Left Camera、Right Camera表示左、右相机，XA、ZA表示世界坐标系下点P投影在深度相机坐标系下的横坐标、Z方向坐标(深度)，同理YA表示纵坐标(图9中未示出)。
步骤A50，基于标记后的三维点云数据、所述已标注颅缝早闭手术切割坐标的三维颅骨模型作为模板构建手术模板库。
在本实施例中，对16例模板病例依次按照步骤A10～步骤A40提取颅缝早闭手术切割坐标并进行2D-3D映射，将标记后的三维点云数据、已标注颅缝早闭手术切割坐标的三维颅骨模型作为模板构建手术模板库，即手术模板库为预设的颅缝早闭手术切割的三维坐标与预设的三维颅骨模型的映射关系，手术模板库包括矢状缝早闭手术模板库和冠状缝早闭手术模板库。
另外，为验证上述方法提取颅骨切割方案的精度，本发明将切割方案轮廓点定位误差定义为二维图像轮廓提取误差和三维点云重建误差的总和。其中使用Mask R-CNN结合简化轮廓提取算法进行切割轮廓的提取，所使用的深度相机系统经过立体校正，像素重投影误差达到亚像素精度，Mask R-CNN算法实例分割的精度达到88.7％；为验证深度相机构建点云的测量精度，将切割方案轨迹点z方向的定位误差作为评价指标，通过设置固定距离标准平面对该点云获取方法精度进行检测，实验表明在1米范围内轨迹点z方向定位误差不超过2mm，最终保证了切割轮廓点定位误差在2mm以内。
2、基于模板匹配的颅缝早闭手术切割坐标生成系统
依托上述构建的手术模板库，在对新病例进行手术切割坐标设计时，首先采用基于点云配准的方法依次计算新病例与模板库病例间的相似度，二者点云配准误差越小，相似度就越高，将配准误差最小的模板病例对应的手术切割坐标设计作为新病例的手术计算初值，并采用模板匹配的方法快速生成新病例的手术切割坐标。具体如下：
模型重建模块100，配置为获取患者原始颅骨的CT数据并重建三维模型，作为第一模型；
在本实施例中，首先利用新病例(即患者)原始颅骨CT数据重建三维模型，获得新病例颅骨模型Pt，作为第一模型。
点云配准模块200，配置为通过点云配准方法计算所述第一模型与各第二模型的配准误差，并构建两两模型之间的旋转矩阵、平移矩阵；所述第二模型为预构建的手术模板库中各模板对应的三维颅骨模型；
在本实施例中，使用点云配准方法依次计算第一模型Pt与预构建的手术模板库中任一模板对应的病例的三维颅骨模型Pi(即第二模型)的配准误差Ei，并构建第一模型与第二模型之间的旋转矩阵Ri和平移矩阵Ti。
本发明中点云配准算法采用融合SHOT的粗配准算法、基于FPFH特征的ICP精配准算法的两阶段方法。具体如下：
生成第一模型、第二模型对应的三维点云数据中的每个点的SHOT特征描述子，使用KD-Tree最近邻搜索算法寻找待配准点集中的对应点集，并使用RANSAC进行筛选，最后使用SVD和最小二乘法计算刚性变换参数，获得粗匹配估计的旋转矩阵和平移矩阵；
在粗匹配估计的旋转矩阵、平移矩阵的基础上，采用FPFH作为特征描述子(即生成第一模型、第二模型对应的三维点云数据中的每个点的FPFH特征)，使用KD-Tree最近邻搜索算法寻找待配准点集中的对应点集，并使用RANSAC进行筛选，最后使用SVD和最小二乘法计算刚性变换参数，得到最终精确的旋转矩阵、平移矩阵，作为最终获取的旋转矩阵和平移矩阵。
坐标生成模块300，配置为对所述第一模型，根据第三模型与其之间的旋转矩阵、平移矩阵，将所述第三模型对应的颅骨切割的三维坐标进行转换，得到其对应的颅骨切割坐标；所述第三模型为最小配准误差对应的第二模型。
在本实施例中，将所有的配准误差进行降序排列，选择配准误差最小的模板点云Pm作为新病例手术方案设计的参考模板，m为自然数，表示下标。
利用Pm与Pt之间的旋转矩阵Rm和平移矩阵Tm，将模板点云Pm上提取并数字化的颅骨切割的三维坐标Ci进行转换，得到Pt对应的切割方案坐标。
转换过程具体如式(4)所示：
Ci”＝Rm×Ci+Tm (4)
其中，Ci、Ci”分别表示转换前后的三维坐标。
基于模板匹配的颅缝早闭手术切割坐标生成系统的详细框架示意图如图2所示，各模块的信息在上文中已描述，此处不再重复。
基于模板匹配的颅缝早闭手术切割坐标生成系统还包括判断更新模块；
判断更新模块，配置为对所述第一模型对应的颅骨切割坐标中的任一坐标，计算其与所述第一模型各点云的欧式距离，并选取欧式距离最小的点云坐标对其进行更新。
在本实施例中，由于Pt与最终选定的模板病例颅骨模型Pm之间仍存在细微差别，采用上述方法直接生成的新病例颅骨切割坐标Ci”可能偏离新病例颅骨点云，为解决这一问题，本发明对上述生成的新病例切割方案坐标是否在落在新病例颅骨表面进行判断并更新，具体如下：
对任一新病例切割坐标Ci”，遍历Pt三维数据的所有点云，并计算两空间点之间的欧式距离；
选择Pt上与Ci”欧式距离最小的点作为实际切割坐标，并更新Ci”。
图10为矢状缝早闭新病例颅骨点云与匹配程度最高的模板颅骨点云之间的配准结果，对应点集中所有对应点对的平均空间距离误差小于1.8mm。图11为矢状缝早闭新病例基于模板匹配生成的切割切割坐标，切割轨迹即图中标记的线段。图12为冠状缝早闭新病例颅骨点云与匹配程度最高的模板颅骨点云之间的配准结果，对应点集中所有对应点对的平均空间距离误差小于1.3mm。图13为冠状缝早闭新病例基于模板匹配生成的切割坐标，切割轨迹即图中标记的线段。
另外，在有效提取资深医生的经验之后，如何针对不同患者的差异进行手术方案的调整并对术后的效果进行评估，目前尚未研究，本发明提出一种理想头生成方法。具体如下：
获取新病例(即患者)原始颅骨CT数据重建三维模型，即颅骨模型Pt；
在颅骨模型Pt点云中线附近随机选择三个不共面的三维点Pa、Pb、Pc，创建过点Pa的平面方程，并将Pb、Pc带入过点Pa的平面方程，展开得到平面方程对应的法向量，进而得到平面方程；
对颅骨模型Pt点云数据中的任一三维点P，过点P做垂线，交平面方程对应的平面于点O，结合上述获取的法向量得到P的对称面的参数，进行得到颅骨模型Pt点云数据中各点云关于对称面的镜像点，获取镜像后的点云。如下公式所示：
Figure BDA0002860373150000161
A×(xo-xa)+B×(yp-ya)+C×(zo-za)＝0 (6)
Figure BDA0002860373150000162
xp′＝xp-2×k×A (8)
yp′＝yp-2×k×B (9)
zp′＝zp-2×k×C (10)
其中，xp、yp、zp表示点P的坐标，xo、yo、zo表示点O的坐标，A、B、C表示平面方程对应的法向量，xa、ya、za表示点Pa的坐标，xp′、yp′、zp′表示镜像后的点云坐标。
将镜像后的点云数据与颅骨模型Pt中的点云，通过上述的点云配准算法，生成左右堆成的理想点云模型。将生成理想的理想点云模型存储在手术模板库中。
并将患者的原始颅骨模型的不对称指数与对应的理想点云模型不对称指数(坐标生成模块300获取的切割方案对应的模型的不对称指数)进行对比，若比对值小于设定阈值(本发明优选为5％)，则认为手术效果理想，否则，对生成的切割坐标进行校正。
需要说明的是，上述实施例提供的基于模板匹配的颅缝早闭手术切割坐标生成系统，仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块来完成，即将本发明实施例中的模块或者步骤再分解或者组合，例如，上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块，以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称，仅仅是为了区分各个模块或者步骤，不视为对本发明的不当限定。
本发明第二实施例的一种基于模板匹配的颅缝早闭手术切割坐标生成方法，如图4所示，包括以下步骤：
步骤S10，获取患者原始颅骨的CT数据并重建三维模型，作为第一模型；
步骤S20，通过点云配准方法计算所述第一模型与各第二模型的配准误差，并构建两两模型之间的旋转矩阵、平移矩阵；所述第二模型为预构建的手术模板库中各模板对应的三维颅骨模型；
步骤S30，对所述第一模型，根据第三模型与其之间的旋转矩阵、平移矩阵，将所述第三模型对应的颅骨切割的三维坐标进行转换，得到其对应的颅骨切割坐标；所述第三模型为最小配准误差对应的第二模型；
所述预构建的手术模板库为预设的颅缝早闭手术切割的三维坐标与预设的三维颅骨模型的映射关系。
所述技术领域的技术人员可以清楚的了解到，为描述的方便和简洁，上述描述的方法的具体的工作过程及有关说明，可以参考前述系统实施例中的对应过程，在此不再赘述。
本发明第三实施例的一种存储装置，其中存储有多条程序，所述程序适用于由处理器加载并实现上述的基于模板匹配的颅缝早闭手术切割坐标生成方法。
本发明第四实施例的一种处理装置，包括处理器、存储装置；处理器，适于执行各条程序；存储装置，适于存储多条程序；所述程序适于由处理器加载并执行以实现上述的基于模板匹配的颅缝早闭手术切割坐标生成方法。
本发明的第五实施例的一种颅缝早闭手术切割坐标生成装置，包括操作台主体、相机端、输入装置、计算机、投影装置；
所述相机端，配置为通过扫描相机对患者进行头颅CT扫描，获取患者原始颅骨的CT数据；
所述操作台主体上部设置有模型固定装置，将3D打印设备打印的颅骨模型和所述模型固定装置连接；所述3D打印设备的输入为CT数据；
所述输入装置，用于将患者原始颅骨的CT数据输入计算机；
所述计算机，配置为基于所述CT数据，通过上述的基于模板匹配的颅缝早闭手术切割坐标生成方法，生成颅骨切割坐标；
所述投影装置，配置为将颅骨切割坐标进行连接，生成切割路径，并投影至3D打印的颅骨模型。
所述技术领域的技术人员可以清楚的了解到，为描述的方便和简洁，上述描述的存储装置、处理装置、颅缝早闭手术切割坐标生成装置的具体工作过程及有关说明，可以参考前述方法实例中的对应过程，在此不再赘述。
需要说明的是，本申请上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
术语“第一”、“第二”等是用于区别类似的对象，而不是用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

Claims (10)

1.一种基于模板匹配的颅缝早闭手术切割坐标生成系统，其特征在于，该系统包括：模型重建模块、点云配准模块、坐标生成模块；
所述模型重建模块，配置为获取患者原始颅骨的CT数据并重建三维模型，作为第一模型；
所述点云配准模块，配置为通过点云配准方法计算所述第一模型与各第二模型的配准误差，并构建两两模型之间的旋转矩阵、平移矩阵；所述第二模型为预构建的手术模板库中各模板对应的三维颅骨模型；
所述坐标生成模块，配置为对所述第一模型，根据第三模型与其之间的旋转矩阵、平移矩阵，将所述第三模型对应的颅骨切割的三维坐标进行转换，得到其对应的颅骨切割坐标；所述第三模型为最小配准误差对应的第二模型；
所述预构建的手术模板库为预设的颅缝早闭手术切割的三维坐标与预设的三维颅骨模型的映射关系。
2.根据权利要求1所述的基于模板匹配的颅缝早闭手术切割坐标生成系统，其特征在于，所述颅缝早闭手术方案规划系统还包括判断更新模块：
所述判断更新模块，配置为对所述第一模型对应的颅骨切割坐标中的任一坐标，计算其与所述第一模型各点云的欧式距离，并选取欧式距离最小的点云坐标对其进行更新。
3.根据权利要求1所述的基于模板匹配的颅缝早闭手术切割坐标生成系统，其特征在于，所述坐标生成模块中“将所述第三模型对应的颅骨切割的三维坐标进行转换，得到其对应的切割坐标”，其方法为：
Ci”＝Rm×Ci+Tm
其中，Rm表示两两模型之间的旋转矩阵，Tm表示两两模型之间的平移矩阵，Ci、Ci”分别表示转换前后的三维坐标。
4.根据权利要求1所述的基于模板匹配的颅缝早闭手术切割坐标生成系统，其特征在于，所述手术模板库，其构建方法为：
步骤A10，获取已标注颅缝早闭手术切割坐标的三维颅骨模型；
步骤A20，通过深度相机获取所述已标注颅缝早闭手术切割坐标的三维颅骨模型的二维图像及三维点云数据；
步骤A30，对所述二维图像，通过预训练的Mask R-CNN模型获取其标注的切割目标区域对应的mask边缘信息；
步骤A40，通过2D-3D映射获取mask边缘上以及mask边缘内的各像素点对应的三维坐标，并在所述三维点云数据中进行点云体素的标记；
步骤A50，基于标记后的三维点云数据、所述已标注颅缝早闭手术切割坐标的三维颅骨模型作为模板构建手术模板库。
5.根据权利要求4所述的基于模板匹配的颅缝早闭手术切割坐标生成系统，其特征在于，步骤A30“对所述二维图像，通过预训练的Mask R-CNN模型获取其标注的切割目标区域对应的mask边缘信息”，其方法为：
步骤A31，通过预训练的Mask R-CNN模型获取二维图像标注的切割目标区域对应的包围框，从包围框的左上角像素点按照从左到右的顺序搜索，找到满足性质1的像素点记为该行轮廓起点S，并置灰度值为255；
步骤A32，从S开始向右继续搜索，若当前像素点满足轮廓点定义，则将当前点标记为轮廓点C，灰度值置为255；
步骤A33，继续向右搜索直到当前像素点满足性质2，将当前像素点记为该行轮廓终点E，并置灰度值为255；
步骤A34，从下一行包围框起点开始向右搜索，重复步骤A31-步骤A34，直至达到包围框右下角像素点，得到切割目标区域的mask边缘信息；
性质1：若像素点(i，j-1)的灰度值为0，而像素点(i，j)的灰度值为1，则像素点(i，j)为该行轮廓的左侧起点；
性质2：若像素点(i，j)的灰度值为1，而像素点(i，j+1)的灰度值为0，则像素点(i，j)为该行轮廓的右侧起点。
6.根据权利要求1所述的基于模板匹配的颅缝早闭手术切割坐标生成系统，其特征在于，所述点云配准模块中“构建两两模型之间的旋转矩阵、平移矩阵”，其方法为：生成第一模型、第二模型对应的三维点云数据中的每个点的SHOT特征描述子，使用KD-Tree最近邻搜索算法寻找待配准点集中的对应点集，并使用RANSAC进行筛选，最后使用SVD和最小二乘法计算刚性变换参数，获得粗匹配估计的旋转矩阵和平移矩阵；
在粗匹配估计的旋转矩阵、平移矩阵的基础上，生成第一模型、第二模型对应的三维点云数据中的每个点的FPFH特征描述子，使用KD-Tree最近邻搜索算法寻找待配准点集中的对应点集，并使用RANSAC进行筛选，最后使用SVD和最小二乘法计算刚性变换参数，得到最终精确的旋转矩阵、平移矩阵，作为最终构建的第一模型与第二模型之间的旋转矩阵和平移矩阵。
7.一种基于模板匹配的颅缝早闭手术切割坐标生成方法，其特征在于，该方法包括：
步骤S10，获取患者原始颅骨的CT数据并重建三维模型，作为第一模型；
步骤S20，通过点云配准方法计算所述第一模型与各第二模型的配准误差，并构建两两模型之间的旋转矩阵、平移矩阵；所述第二模型为预构建的手术模板库中各模板对应的三维颅骨模型；
步骤S30，对所述第一模型，根据第三模型与其之间的旋转矩阵、平移矩阵，将所述第三模型对应的颅骨切割方案的三维坐标进行转换，得到其对应的颅骨切割坐标；所述第三模型为最小配准误差对应的第二模型；
所述预构建的手术模板库为预设的颅缝早闭手术切割的三维坐标与预设的三维颅骨模型的映射关系。
8.一种存储装置，其中存储有多条程序，其特征在于，所述程序应用由处理器加载并执行以实现权利要求7所述的基于模板匹配的颅缝早闭手术切割坐标生成方法。
9.一种处理装置，包括处理器、存储装置；处理器，适用于执行各条程序；存储装置，适用于存储多条程序；其特征在于，所述程序适用于由处理器加载并执行以实现权利要求7所述的基于模板匹配的颅缝早闭手术切割坐标生成方法。
10.一种颅缝早闭手术切割坐标生成装置，包括操作台主体、相机端、输入装置、计算机、投影装置；
所述相机端，配置为通过扫描相机对患者进行头颅CT扫描，获取患者原始颅骨的CT数据；
所述操作台主体上部设置有模型固定装置，将3D打印设备打印的颅骨模型和所述模型固定装置连接；所述3D打印设备的输入为CT数据；
所述输入装置，用于将患者原始颅骨的CT数据输入计算机；
所述计算机，配置为基于所述CT数据，通过权利要求7所述的基于模板匹配的颅缝早闭手术切割坐标生成方法，生成颅骨切割坐标；
所述投影装置，配置为将颅骨切割坐标进行连接，生成切割路径，并投影至3D打印的颅骨模型。
CN202011560319.1A 2020-12-25 2020-12-25 基于模板匹配的颅缝早闭手术切割坐标生成系统 Pending CN112562070A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011560319.1A CN112562070A (zh) 2020-12-25 2020-12-25 基于模板匹配的颅缝早闭手术切割坐标生成系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011560319.1A CN112562070A (zh) 2020-12-25 2020-12-25 基于模板匹配的颅缝早闭手术切割坐标生成系统

Publications (1)

Publication Number Publication Date
CN112562070A true CN112562070A (zh) 2021-03-26

Family

ID=75034260

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011560319.1A Pending CN112562070A (zh) 2020-12-25 2020-12-25 基于模板匹配的颅缝早闭手术切割坐标生成系统

Country Status (1)

Country Link
CN (1) CN112562070A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113723505A (zh) * 2021-08-30 2021-11-30 上海大学 一种基于细胞骨架图像定量分析的细胞图像分类方法及其分类器
CN115316972A (zh) * 2022-06-27 2022-11-11 中国科学院自动化研究所 柔性电极的植入方法、装置和电子设备

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113723505A (zh) * 2021-08-30 2021-11-30 上海大学 一种基于细胞骨架图像定量分析的细胞图像分类方法及其分类器
CN113723505B (zh) * 2021-08-30 2024-04-23 上海大学 一种基于细胞骨架图像定量分析的细胞图像分类方法及其分类器
CN115316972A (zh) * 2022-06-27 2022-11-11 中国科学院自动化研究所 柔性电极的植入方法、装置和电子设备

Similar Documents

Publication Publication Date Title
US10867436B2 (en) Systems and methods for reconstruction of 3D anatomical images from 2D anatomical images
EP3620130A1 (en) Automated orthodontic treatment planning using deep learning
Damas et al. Forensic identification by computer-aided craniofacial superimposition: a survey
US20210174543A1 (en) Automated determination of a canonical pose of a 3d objects and superimposition of 3d objects using deep learning
EP3655924B1 (en) Method and apparatus to generate and track standardized anatomical regions automatically
US20180174311A1 (en) Method and system for simultaneous scene parsing and model fusion for endoscopic and laparoscopic navigation
CN110214341A (zh) 重建颅骨的方法
US8861891B2 (en) Hierarchical atlas-based segmentation
CN112614169B (zh) 基于深度学习网络的2d/3d脊椎ct层级配准方法
CN110570426A (zh) 使用深度学习的图像联合配准和分割
Sinko et al. 3D registration of the point cloud data using ICP algorithm in medical image analysis
CN108320325A (zh) 牙列模型的生成方法及装置
CN112382359B (zh) 患者注册方法、装置、电子设备及计算机可读介质
US9629599B2 (en) Imaging device, assignment system and method for assignment of localization data
CN112562070A (zh) 基于模板匹配的颅缝早闭手术切割坐标生成系统
Wu et al. Reconstructing 3D lung shape from a single 2D image during the deaeration deformation process using model-based data augmentation
CN113822323A (zh) 脑部扫描图像的识别处理方法、装置、设备及存储介质
Shi et al. Augmented reality for oral and maxillofacial surgery: The feasibility of a marker‐free registration method
CN115829947A (zh) 模型处理设备及方法
CN112381922A (zh) 一种人体骨骼缺失部位的骨骼模型获取方法、系统及终端
Xu et al. An intelligent system for craniomaxillofacial defecting reconstruction
Mei et al. Registration of the Cone Beam CT and blue-ray scanned dental model based on the improved ICP algorithm
CN109801368B (zh) 一种显微镜术野光场图像融合显示方法及装置
CN117152407A (zh) 一种头影测量标志点自动定位方法
Barbosa et al. Semi-automatic 3D segmentation of costal cartilage in CT data from Pectus Excavatum patients

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