CN113081257A - 一种手术路径自动规划方法 - Google Patents

Abstract

本发明公开了一种具有普适性的手术路径自动规划方法，该方法针对外科手术，通过患者医学影像3D重建模型，定义手术器械活动的广义腔体空间，利用算法模型，形成以病灶为起点向体表寻找最佳路径的方案；该方法可迅速将高容量医疗中心的手术经验通过术中广义腔体空间数据库实现融合，建立广泛适用的术前智能化、自动化、个体化手术路径规划方案；在广义腔体空间反向搜索针对所有可能皮肤入路位置的手术路径的策略，可以自动规划路径最短、创伤最小、手术视野暴露良好以及能避开重要功能区的可行手术路径，以实现其普适性，适用于各种不同手术的自动路径规划，全面、立体地提升了医疗水平和医疗信息化水平。

Description

一种手术路径自动规划方法

技术领域

本发明属于外科手术的智能化路径模拟规划领域，具体涉及一种具有普适性的手术路径自动规划方法。

背景技术

传统手术路径规划，均是基于医生丰富的临床经验，在熟悉人体解剖结构和医学影像数据的基础上，抽象构思病灶和周围组织的相对关系，并由此确定具体的手术方案。这种方式极度依赖医生的知识和经验，为手术医生造成巨大的工作负担，同时，手术经验的差异也导致不同年资医生手术路径规划质量差异现状，限制了医疗技术的下沉和医疗资源的平衡。

随着计算机辅助手术规划以及大数据时代的发展，已经极大的改变了手术规划方式。早期的研究和文献已经公开了大量关于医学数据3D可视化、对病灶的量化和虚拟手术操作等方面的技术。例如：

公开日为2011年7月6日公开号为CN102117378A的中国发明专利文献，公开了一种基于三维多模影像的肝肿瘤综合手术规划模拟方法及其系统，该方法的主要步骤为：首先建立包含对象资料的数据库；再对对象的不同模式、单一模式不同期相的医学图像进行三维配准和融合；然后，对特定组织采用自动和半自动方法进行分割，并利用三维重建技术实现肝脏内及肝脏周围重要组织的三维建模，重建出具有沉浸和交互特性的腹部三维模型；之后，基于建模结果，参考诊疗指南，并结合对象资料，进行模拟前综合风险分析；最后，根据综合风险分析的结果，设计各种模拟手术方案，进行真实感强的手术模拟，规划手术路径，并对规划模拟结果进行风险和预后分析。该方法是通过多源医学影像数据，重建了肝肿瘤患者肝脏3D模型，可以实现对肝脏病灶体积、血流等的量化，并通过力反馈硬件在计算机上模拟切除病灶过程。

公开日为2012年9月12日公开号为CN102663416A的中国发明专利文献，公开了一种医学图像分割方法，该方法基于最小监督分类的三维内脏CT图像和其内部管状组织，制定肝实质、门静脉和肝静脉的图像分割方法，其应用统计和空间信息的方法，引入高可信点和基于灰度的快速行进的到达时间，获得分割结果，其假设在空间上相邻近的点是属于同一个人体器官，基于以上假设通过分类算法对图像进行分割计算，包括获得高斯混合分布模型参数的估计值，选取高可信点，计算出图像的灰度均值，用快速行进算法计算到达时间，得到三个组织分类的到达时间图像。该方法主要在于进一步提供了手术规划中内脏及其内部血管的分割方法，以提高分割精度。

公开日为2009年7月8日公开号为CN101477706A的中国发明专利文献，公开了一种基于医用图像的模拟手术规划方法，该方法首先在三维空间内生成一条可以变化的曲线，曲线上有几个操作点，然后通过操作点来控制调整曲线，并且可以在曲线上增加和减少操作点，最后根据规划好的曲线计算手术刀的切割角度，合理布置手术刀，方便以后的手术切割过程。该方法主要是通过在重建的患者3D模型内生成一条可以变化的曲线，通过人工操作调整曲线，根据规划好的曲线计算手术刀的切割角度，合理布置手术刀，方便以后的手术切割过程。

公开日为2015年12月16日公开号为CN105147362A的中国发明专利文献，公开了一种针对脑肿瘤切除手术，在通过人工识别避开颅内重要组织的条件下，准确将病灶投影在头皮上，并且选择手术入路最短的脑肿瘤手术切口及入路规划方法。

从上述现有方案可以看出，这类计算机辅助手术规划的技术，虽然对提供手术精度、降低医生经验依赖有一定作用，但这些方法中，计算机辅助仅局限于对病灶的3D重建，为医生的手术规划提供更加直观的模型，仍然属于交互式的手术规划方法，没有根本性的改变医生劳动强度大，医疗技术下沉难的现状。

近年来，进一步研究计算机辅助的自动手术路径规划方法已在开展。Spark R等[International Journal of Computer Assisted Radiology and Surgery,2017,12(1):123-136]针对局限性癫痫，在行立体脑电描记术时提出一种自动的脑内电极植入多轨迹规划算法，利用深度优先搜索获得最佳的轨迹组合，保证每个电极的植入轨迹可操作且不会相互干扰，将规划时间从人工规划2-3小时降低到1分钟。李苗等[中国医疗设备,2017,32(08),55-63]采用基于肿瘤病灶和重要器官的引力斥力模型，对通过DTI功能像与MRI成像结合的脑干肿瘤患者3D模型进行计算机辅助自动手术路径规划，完成了术前自动路径规划，直观的实现了对关键组织最大化规避的路径规划设计。公开日为2015年12月23日公开号为CN105167849A的中国发明专利文献，公开了为血管介入手术提供了一种基于蚁群算法的血管路径规划方法，综合考虑导管直径、血管长度、直径、曲率和挠率辅助外科医生规划手术的最优路径。

然而可以看出，到目前为止，成功的计算机辅助的自动手术路径规划方法，都只适合用于简单的应用场合，例如拥有固定的线性治疗路径的介入、消融治疗等，以及具有相对固定腔体的颅内和骨骼等。而对于更为广泛的柔性腔体器官组织的手术，由于解剖结构的复杂性和患者病情的多样性，目前尚未有计算机辅助的完全自动的手术路径规划方法。

发明内容

针对现有计算机辅助自动手术路径规划的不足，本发明目的在于提供一种可以广泛应用于多种手术的手术路径自动规划方法，通过对历史病案中手术视频和影像检查资料的数据提取和分析，定义手术器械操作的广义腔体空间，由病灶为起点，以皮肤为终点，采用优化蚁群算法，自动规划最优手术路径，降低手术医生工作强度，提高个体化医疗水平，扩展可开展复杂手术医院范围。

本发明的技术方案如下：

一种手术路径自动规划方法，其特征在于规划步骤如下：

(1)基于大数据量的医疗历史资料，以手术类型为单位，建立各类手术视频数据库；

(2)基于所述医疗历史资料中的患者术前影像检查资料，进行医学影像分割，建立对应的3D医学影像还原数据库，重建各手术类型患者的3D医学影像；

(3)根据重建的3D医学影像建立有限顶点的3D医学影像三角网格模型；

(4)从步骤(1)的手术视频数据库的手术视频中提取手术造成的各个器官最大形变的若干帧图像，将对应患者的3D医学影像三角网格模型分别投影到所述图像上，根据各器官的边缘特征点，对3D医学影像三角网格模型中各器官进行变形，直至符合图像中器官的最大形变特征；

(5)提取变形后3D医学影像三角网格模型中各器官在变形前的3D医学影像三角网格模型内对应器官的切面，分割变形前3D医学影像三角网格模型，将变形前后不重叠的部分定义为变形前3D医学影像三角网格模型中各器官在该类手术类型中的广义腔体空间；

(6)解析所述医疗历史资料中不同手术类型患者的各器官的广义腔体空间，建立以手术类型为单位的患者术中器官广义腔体空间数据库；

(7)以手术类型为单位，统计患者的生理参数与各器官在术中广义腔体空间体积的相关性，得出患者生理参数差异与术中广义腔体空间变化的映射关系；

(8)针对待手术规划患者术前影像检查资料，进行医学影像分割，重建待手术患者手术部位的3D医学影像，建立有限顶点的3D医学影像三角网格模型；

(9)根据步骤(6)所述的患者术中器官广义腔体空间数据库和步骤(7)所述的映射关系，自动定义待手术规划患者术中涉及位移的器官的广义腔体空间的位置和体积；

(10)设定待手术规划患者手术路径的中间节点、端节点和终点，先迭代算出N条手术路径，然后通过筛选公式：Fa＝1/(h1·Da+h2·Ta)从N条手术路径中筛选出最佳手术路径Fa，其中：h1代表手术路径长度对于路径设计的影响程度，h2代表手术视野被遮盖面积对于路径设计的影响程度，可根据不同手术进行调整；其中，Da表示N条手术路径中第La条手术路径的长度；以病灶起点S向第La条手术路径的终点Ea作投影，投影被非广义腔体空间遮盖的面积代表手术视野被遮盖程度，定义该面积为Ta；a为自然数，且1≤a≤N。

进一步的，步骤(3)中采用特征轮廓曲线算法建立3D医学影像三角网格模型。

进一步的，步骤(4)中采用有限元模型算法对网格模型中各器官进行变形。

进一步的，步骤(7)中涉及的生理参数至少包括患者的身高、体重、体表面积、BMI等。

进一步的，步骤(8)中所述待手术患者手术部位的3D医学影像，包括病灶位置、病灶器管、周围器官组织和皮肤等。

进一步的，步骤(8)中也采用特征轮廓曲线算法建立3D医学影像三角网格模型。

进一步的，定义待手术规划患者手术中各器官的广义腔体空间部分与非广义腔体部分形成的切面的网格顶点为端节点Vg；在3D医学影像三角网格模型中，定义避让器官组织的网格顶点以及其避让距离内的广义腔体空间顶点同样为端节点Vg；定义避让器官的避让距离外的各器官剩余的广义腔体空间表面网格顶点为中间节点Vm；定义该类型手术在皮肤上所有N个可选的切口中点为终点Ea。

进一步的，步骤(10)中采用蚁群算法迭代计算出N条手术路径，其具体步骤如下：

10.1初始化各参数：设置蚂蚁的数量为M，中间节点的数量为Y，设置患者3D医学影像三角网格模型中的病灶位置中心S为起点，设置该类型手术在皮肤上第一个可选的切口中点为终点E1，迭代次数为NC。

10.2将蚂蚁置于作为初始位置的病灶位置S处；在t时刻，蚂蚁k从中间节点i转移到中间节点j的概率为：

式中，J_k表示蚂蚁k还没有访问过的中间节点集合，J_k＝{Y-Tabu_k}，Tabu_k是保存蚂蚁k已经访问过的中间节点集合。α表示信息素对蚂蚁选择路径的影响程度，β表示距离对蚂蚁选择路径的影响程度；

τ(i,j)表示边L(i，j)上的信息素强度；

表示由中间节点i到中间节点j的期望程度，可根据启发式算法具体确定,定义为

在路径规划中，由于手术操作受手术医生手部和手术器械偏转角度限制，因此除了要考虑距离较短之外，还要考虑两段路径间的最大转角α_ma；

s表示任何一个蚂蚁k没有去过的节点，所以有s∈J_k，而τ(i,s)表示边L(i,s)的信息素强度，

表示由中间节点i到节点s的期望程度。

蚁群根据上述计算概率的公式由当前节点选择下一节点，如果达到端节点Vg，则结束该路径搜索,定义该路径搜索无效并标记避让该节点；如果到达中间节点Vm，则继续搜索；最终到达终点E1，完成一次路径搜索；如此循环搜索，将得到M条路径。

10.3在所有蚂蚁都找到一条合法路径后对信息素进行更新。

基本蚁群算法的缺陷在于易于陷入局部最优、搜索时间比较长。这种现象是因为如果ρ太小，局部信息素浓度过高，这种浓度高的信息素会对其它的蚂蚁选择路径产生影响，造成大量的蚂蚁选择此路径，从而使得算法陷入局部最优；如果ρ太大，挥发过快，搜索时间比较长。

为了解决蚁群算法陷入局部最优，对信息素的更新进行了改进，具体更改如下：

τ_ij(t+1)＝(1-ρ)τ_ij(t)+ρ(Δτ_ij+τ*)

ρ为信息素的挥发速率，为小于1的正数，一般取0.5。之所以这样做，其理由是一方面为了防止信息素的无穷累积，另一方面也是为了提高系统搜索更好可行解的能力，以避免较早的失去探索新路径的能力。

Δτ_ij表示所有蚂蚁在本次运行中留在路径L(i,j)上的信息素强度。

表示第k只蚂蚁放置在边上L(i,j)的信息素强度。

τ*为信息素调整因子，τmax为信息素最大值。当某一点的信息素τ_ij(t)过大时，信息素的增量Δτ_ij也随着增大，因此(τ_max-Δτ_ij)减少，τ*就变小，τ_ij(t+1)就减少。因此，τ*可以有效的调整这一位置下一时刻点的信息素，使各个点的信息素值不会越差越大，从而阻止信息素局部最优。

10.4完成更新以后，再判断是否达到迭代次数，如果达到迭代次数则完成搜索；若没有达到迭代次数，则转至步骤10.3继续执行，直到满足迭代条件，得到一条最优路径L1。

10.5重复以上步骤10.1-10.4，仍然以病灶中心S为起点，再以点Ea为终点，最终得出N条最优路径。

进一步的，所述筛选出最佳手术路径的原则是：手术路径长度越短，手术视野暴露越好，则在实际手术中手术难度越小，对患者的创伤也越小。因此，经优化蚁群算法获得的N条手术路径中，以手术路径长度以及手术视野作为条件，筛选全局最优手术路径。

筛选出最佳手术路径中，手术路径的优势与手术路径长度以及手术视野被遮盖面积成反比，据此，筛选N条手术路径中全局最佳的公式为：Fa＝1/(h1·Da+h2·Ta)，其中h1、h2分别代表手术路径长度、手术视野被遮盖面积对于路径设计的影响程度，可根据不同手术进行调整。也就是说，筛选出最佳手术路径可由筛选Fa最大值Fmax实现。

本发明与现有的手术路径规划方法相比，有益效果如下：

1、本发明基于已有医学影像3D还原技术和网格模型算法，对手术视频和影像等历史数据的解析，定义手术器械活动的广义腔体空间，可以迅速将高容量医疗中心的手术经验通过术中广义腔体空间数据库实现融合。

2、本发明通过优化的蚁群算法，从病灶开始，在广义腔体空间反向搜索针对所有可能皮肤入路位置的手术路径的策略，可以由计算机自动规划路径最短、创伤最小、手术视野暴露良好以及能避开重要功能区的可行手术路径，极大降低了手术医生的劳动强度。

3、通过对手术路径长度、手术视野等因素的综合自动分析，可以进一步辅助医学专家进行疑难病例的个体化最佳手术路径制定，提高个体化医疗水平。

4、现有的手术路径自动规划方法，仅仅集中于对线性手术路径等简单应用场景的规划，而本发明可以对涉及柔性器官形变、手术器械操作空间动态变化的复杂手术进行规划；此外现在的手术路径规划，都是基于单一疾病开发的，缺乏普适性，而本发明适应性强，通过不同手术广义腔体空间数据库的建立，即可实现不同手术的自动路径规划，有利于医疗资源的下沉，可以全面、立体地提升基层医疗水平和医疗信息化水平。

附图说明

图1为本发明的规划流程示意图。

具体实施方式

以下为论述方便，以一特定手术类型为例，对本发明做进一步描述。

以胰腺手术类型为例，一种手术路径自动规划方法的规划步骤如下，需要注意的是，基于如下所述的胰腺手术类型的举例说明，通过建立其他手术类型的手术视频数据库和患者术中器官广义腔体空间数据库，自动定义其他对应类型的待手术规划患者术中涉及位移的器官的广义腔体空间的位置和体积，从而重新定义起点S、中间节点Vm、端节点Vg和终点Ea，本发明亦可广泛适用于胸腹部其他复杂手术的手术路径自动规划：

1、建立胰腺疾病患者手术视频数据库和影像3D还原数字模型数据库，计算患者生理参数差异与手术广义腔体空间变化的映射关系，具体是：

1.1建立胰腺疾病患者手术的视频数据库。

1.2使用患者术前影像检查资料，包括CT、MRI、PET-CT等，进行医学影像分割，建立对应的3D医学影像还原数据库，重建步骤1.1中所有患者手术部位的3D医学影像。

1.3利用特征轮廓曲线算法等形状分割算法，为步骤1.2数据库中各患者建立有限顶点的3D医学影像三角网格模型。

1.4提取步骤1.1视频术中图像，将对应患者3D医学影像三角网格模型分别投影到手术涉及的不同器官形变最大的数帧图像，这里的器官包括胰腺周边在手术中被手术者移动的所有器官，例如胃、十二指肠、横结肠、肝脏、脾脏等，根据各器官边缘特征点，采用有限元模型算法，对3D医学影像三角网格模型中各器官进行变形，使之符合术中图像中器官的最大形变特征。

1.5提取上述器官变形后在变形前3D医学影像三角网格模型对应器官内的切面，分割变形前3D医学影像三角网格模型，将其中各器官变形前后不重叠的部分定义为该变形前3D医学影像三角网格模型中各器官在胰腺类型手术中的广义腔体空间。

1.6重复步骤1.4至步骤1.5，解析历史资料库中不同胰腺疾病患者手术的各器官广义腔体空间，建立胰腺手术类型患者术中器官广义腔体空间数据库。

1.7统计上述接受胰腺手术患者的身高、体重、体表面积、BMI等生理参数与各器官的术中广义腔体空间体积的相关性，计算相关参数。

2、自动定义待手术胰腺疾病患者器官广义腔体空间

2.1使用待手术规划患者术前影像检查资料，包括CT、MRI、PET-CT等，进行医学影像分割，重建患者手术部位的3D医学影像，包括病灶位置、周围器官组织和皮肤等。

2.2利用特征轮廓曲线算法等形状分割算法，为步骤2.1建立有限顶点的3D医学影像三角网格模型。

2.3调用步骤1.6至步骤1.7中的广义腔体空间和相关参数的数据，自动定义待手术规划患者术中涉及位移的器官的广义腔体空间位置和体积。

3、定义待手术患者手术路径中间节点、端节点和终点

3.1将胰腺手术相关的各器官的广义腔体空间部分与非广义腔体部分形成的切面的网格顶点定义为端节点Vg。

3.2在3D医学影像网格模型中，定义避让器官组织以及避让距离，其中避让器官组织包括胰周神经丛、肠系膜上动静脉、腹主动脉等外科医学证实的需手术避让器官或组织，避让距离根据手术操作器械宽度进行设定。定义避让器官组织的网格顶点以及其避让距离内的广义腔体空间顶点为端节点Vg。

3.3定义避让器官组织的避让距离外的各器官剩余的广义腔体空间表面网格顶点为中间节点Vm。

3.4定义胰腺类型手术在皮肤上所有N个可选的切口中点为终点Ea(a为自然数且1≤a≤N)，这里的终点包括现有胰腺外科领域采用的位置，包括胃结肠韧带、十二指肠外侧沟、肝胃韧带、横结肠系膜、以及十二指肠前壁等。

4、优化蚁群算法计算最佳手术路径

4.1初始化各参数，设置蚂蚁数量M，中间节点的数量为Y，设置患者3D医学影像网格模型中的胰腺病灶中心位置S为起点，设置步骤3.4定义的终点Ea中第一个可选的切口中点为终点E1，迭代次数为NC。

4.2将蚂蚁置于作为初始位置的病灶位置S处；在t时刻，蚂蚁k从中间节点i转移到中间节点j的概率为：

式中，J_k表示蚂蚁k还没有访问过的中间节点集合，J_k＝{Y-Tabu_k}，Tabu_k是保存蚂蚁k已经访问过的中间节点集合。α表示信息素对蚂蚁选择路径的影响程度，β表示距离对蚂蚁选择路径的影响程度；

τ(i,j)表示边L(i，j)上的信息素强度；

表示由中间节点i到中间节点j的期望程度，定义为

α_max表示两段路径间的最大转角；

s表示任何一个蚂蚁k没有去过的节点，所以有s∈J_k，而τ(i,s)表示边L(i,s)的信息素强度，

表示由中间节点i到节点s的期望程度。

蚁群根据上述计算概率的公式由当前节点选择下一节点，如果达到端节点Vg，则结束该路径搜索,定义该搜索无效并标记避让该结点；如果到达中间节点Vm，则继续搜索；最终到达终点E1，完成一次路径搜索。这样将得到M条路径。

4.3在所有蚂蚁都找到一条合法路径后对信息进行更新。基本蚁群算法的缺陷在于易于陷入局部最优、搜索时间比较长。这种现象是因为如果ρ太小，局部信息素浓度过高，这种浓度高的信息素会对其它的蚂蚁选择路径产生影响，造成大量的蚂蚁选择此路径，从而使得算法陷入局部最优；如果ρ太大，挥发过快，搜索时间比较长。

为了解决蚁群算法陷入局部最优，对信息素的更新进行了改进，具体更改如下：

τ_ij(t+1)＝(1-ρ)τ_ij(t)+ρ(Δτ_ij+τ*)

ρ为信息素的挥发速率，为小于1的正数，一般取0.5。之所以这样做，其理由是一方面为了防止信息素的无穷累积，另一方面也是为了提高系统搜索更好可行解的能力，以避免较早的失去探索新路径的能力。

Δτ_ij表示所有蚂蚁在本次运行中留在路径L(i,j)上的信息素强度。

表示第k只蚂蚁放置在边上L(i,j)的信息素强度。

τ*为信息素调整因子，τmax为信息素最大值。当某一点的信息素τ_ij(t)过大时，信息素的增量Δτ_ij也随着增大，因此(τ_max-Δτ_ij)减少，τ*就变小，τ_ij(t+1)就减少。因此，τ^*可以有效的调整这一位置下一时刻点的信息素，使各个点的信息素值不会越差越大，从而阻止信息素局部最优。

4.4完成更新以后，再判断是否达到迭代次数，如果达到迭代次数则完成搜索；若没有达到迭代次数，则转至步骤4.3继续执行，直到满足迭代条件，得到1条最优路径L1。

4.5重复以上步骤4.1-4.4，仍然以S为起点，再以Ea为终点，最终得出N条最优路径。

5、筛选全局最佳手术路径

5.1手术路径长度越短，手术视野暴露越好，则在实际手术中手术难度越小，对患者的创伤也越小。因此，经优化蚁群算法获得的N条手术路径，以手术路径长度以及手术视野作为条件，筛选全局最优手术路径。

5.2定义第La条手术路径的长度为Da；以病灶起点S向第La条手术路径终点Ea作投影，投影被非广义腔体空间遮盖的面积可以代表手术视野被遮盖程度，定义该面积为Ta。

5.3手术路径的优势与手术路径长度以及手术视野被遮盖面积成反比，据此，筛选N条手术路径中全局最佳的公式为：Fa＝1/(h1·Da+h2·Ta)，其中h1代表手术路径长度对于路径设计的影响程度，h2代表手术视野被遮盖面积对于路径设计的影响程度，可根据不同手术进行调整。筛选全局最佳手术路径即可由筛选Fa最大值Fmax实现。

Claims (9)

1.一种手术路径自动规划方法，其特征在于规划步骤如下：

(1)基于大数据量的医疗历史资料，以手术类型为单位，建立各类手术视频数据库；

(2)基于所述医疗历史资料中的患者术前影像检查资料，进行医学影像分割，建立对应的3D医学影像还原数据库，重建各手术类型患者的3D医学影像；

(3)根据重建的3D医学影像建立有限顶点的3D医学影像三角网格模型；

(4)从步骤(1)的手术视频数据库的手术视频中提取手术造成的各个器官最大形变的若干帧图像，将对应患者的3D医学影像三角网格模型分别投影到所述图像上，根据各器官的边缘特征点，对3D医学影像三角网格模型中各器官进行变形，直至符合图像中器官的最大形变特征；

(5)提取变形后3D医学影像三角网格模型中各器官在变形前的3D医学影像三角网格模型内对应器官的切面，分割变形前3D医学影像三角网格模型，将变形前后不重叠的部分定义为变形前3D医学影像三角网格模型中各器官在该类手术类型中的广义腔体空间；

(6)解析所述医疗历史资料中不同手术类型患者的各器官的广义腔体空间，建立以手术类型为单位的患者术中器官广义腔体空间数据库；

(7)以手术类型为单位，统计患者的生理参数与各器官在术中广义腔体空间体积的相关性，得出患者生理参数差异与术中广义腔体空间变化的映射关系；

(8)针对待手术规划患者术前影像检查资料，进行医学影像分割，重建待手术患者手术部位的3D医学影像，建立有限顶点的3D医学影像三角网格模型；

(9)根据步骤(6)所述的患者术中器官广义腔体空间数据库和步骤(7)所述的映射关系，自动定义待手术规划患者术中涉及位移的器官的广义腔体空间的位置和体积；

(10)设定待手术规划患者手术路径的中间节点、端节点和终点，先迭代算出N条手术路径，然后通过筛选公式：Fa＝1/(h1·Da+h2·Ta)从N条手术路径中筛选出最佳手术路径Fa，其中：h1代表手术路径长度对于路径设计的影响程度，h2代表手术视野被遮盖面积对于路径设计的影响程度，可根据不同手术进行调整；其中，Da表示N条手术路径中第La条手术路径的长度；以病灶起点S向第La条手术路径的终点Ea作投影，投影被非广义腔体空间遮盖的面积代表手术视野被遮盖程度，定义该面积为Ta；a为自然数，且1≤a≤N。

2.根据权利要求1所述的手术路径自动规划方法，其特征在于：所述步骤(3)中采用特征轮廓曲线算法建立3D医学影像三角网格模型。

3.根据权利要求1所述的手术路径自动规划方法，其特征在于：所述步骤(4)中采用有限元模型算法对网格模型中各器官进行变形。

4.根据权利要求1所述的手术路径自动规划方法，其特征在于：所述步骤(7)中涉及的生理参数至少包括患者的身高、体重、体表面积、BMI。

5.根据权利要求1所述的手术路径自动规划方法，其特征在于：所述步骤(8)中所述待手术患者手术部位的3D医学影像包括病灶位置、病灶器管、周围器官组织和皮肤。

6.根据权利要求1所述的手术路径自动规划方法，其特征在于：所述步骤(8)中采用特征轮廓曲线算法建立3D医学影像三角网格模型。

7.根据权利要求1所述的手术路径自动规划方法，其特征在于：基于所述广义腔体空间，定义待手术规划患者手术中各器官的广义腔体空间部分与非广义腔体部分形成的切面的网格顶点为端节点Vg；在3D医学影像三角网格模型中，定义避让器官组织的网格顶点以及其避让距离内的广义腔体空间顶点同样为端节点Vg；定义避让器官的避让距离外的各器官剩余的广义腔体空间表面网格顶点为中间节点Vm；定义该类型手术在皮肤上所有N个可选的切口中点为终点Ea。

8.根据权利要求1所述的手术路径自动规划方法，其特征在于：所述步骤(10)中采用蚁群算法迭代计算出N条手术路径，其具体步骤如下：

(10.1)初始化各参数：设置蚂蚁的数量为M，中间节点的数量为Y，设置患者3D医学影像三角网格模型中的病灶位置中心S为起点，设置该类型手术在皮肤上第一个可选的切口中点为终点E1，迭代次数为NC；

(10.2)将蚂蚁置于作为初始位置的病灶位置S处；在t时刻，蚂蚁k从中间节点i转移到中间节点j的概率为：

式中，J_k表示蚂蚁k还没有访问过的中间节点集合，J_k＝{Y-Tabu_k}，Tabu_k是保存蚂蚁k已经访问过的中间节点集合；

α表示信息素对蚂蚁选择路径的影响程度，β表示距离对蚂蚁选择路径的影响程度；

τ(i,j)表示边L(i，j)上的信息素强度；

表示由中间节点i到中间节点j的期望程度，定义为

α_max表示中间节点i的前一段路径与i到j路径之间的最大转角；

s表示任何一个蚂蚁k没有去过的节点，所以有s∈J_k，而τ(i,s)表示边L(i,s)的信息素强度，

表示由中间节点i到节点s的期望程度；

蚁群根据上述计算概率的公式由当前节点选择下一节点，如果达到端节点Vg，则结束该路径搜索,定义该路径搜索无效并标记避让该节点；如果到达中间节点Vm，则继续搜索；最终到达终点E1，完成一次路径搜索；如此循环搜索，将得到M条路径；

(10.3)在所有蚂蚁都找到一条合法路径后对信息素进行更新；

(10.4)完成更新以后，再判断是否达到迭代次数，如果达到迭代次数则完成搜索；若没有达到迭代次数，则转至步骤(10.3)继续执行，直到满足迭代条件，得到一条最优路径L1；

(10.5)重复以上步骤(10.1)-(10.4)，仍然以病灶中心S为起点，再以点Ea为终点，最终得出N条最优路径。

9.根据权利要求8所述的手术路径自动规划方法，其特征在于：步骤(10.4)中涉及的信息素的更新公式如下：

τ_ij(t+1)＝(1-ρ)τ_ij(t)+ρ(Δτ_ij+τ*)

ρ为信息素的挥发速率，为小于1的正数；

Δτ_ij表示所有蚂蚁在本次运行中留在路径L(i,j)上的信息素强度；

表示第k只蚂蚁放置在边上L(i,j)的信息素强度；

τ^*为信息素调整因子。

Images