CN113288425A - 一种四肢骨折固定中导针用可视化导航系统 - Google Patents
一种四肢骨折固定中导针用可视化导航系统 Download PDFInfo
- Publication number
- CN113288425A CN113288425A CN202110583334.6A CN202110583334A CN113288425A CN 113288425 A CN113288425 A CN 113288425A CN 202110583334 A CN202110583334 A CN 202110583334A CN 113288425 A CN113288425 A CN 113288425A
- Authority
- CN
- China
- Prior art keywords
- image
- module
- data
- matrix
- value
- 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
Links
- 230000000007 visual effect Effects 0.000 title claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 26
- 229910000831 Steel Inorganic materials 0.000 claims abstract description 13
- 239000010959 steel Substances 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 55
- 230000009466 transformation Effects 0.000 claims description 42
- 238000000034 method Methods 0.000 claims description 38
- 230000008569 process Effects 0.000 claims description 23
- 238000012163 sequencing technique Methods 0.000 claims description 19
- 239000013598 vector Substances 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 13
- 238000012800 visualization Methods 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 9
- 238000003709 image segmentation Methods 0.000 claims description 7
- 238000003706 image smoothing Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000012966 insertion method Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000000844 transformation Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 abstract description 2
- 208000010392 Bone Fractures Diseases 0.000 description 26
- 206010017076 Fracture Diseases 0.000 description 26
- 238000005516 engineering process Methods 0.000 description 6
- 208000027418 Wounds and injury Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 230000035876 healing Effects 0.000 description 2
- 238000002513 implantation Methods 0.000 description 2
- 206010017088 Fracture nonunion Diseases 0.000 description 1
- 208000035965 Postoperative Complications Diseases 0.000 description 1
- 230000036770 blood supply Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000011960 computer-aided design Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
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
- A61B34/20—Surgical navigation systems; Devices for tracking or guiding surgical instruments, e.g. for frameless stereotaxis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
- A61B34/20—Surgical navigation systems; Devices for tracking or guiding surgical instruments, e.g. for frameless stereotaxis
- A61B2034/2046—Tracking techniques
- A61B2034/2065—Tracking using image or pattern recognition
-
- 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
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/30008—Bone
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Biophysics (AREA)
- Computational Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Mathematical Analysis (AREA)
- Surgery (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Robotics (AREA)
- Evolutionary Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Image Processing (AREA)
Abstract
本发明属于医疗器械技术领域,公开了一种四肢骨折髓内钉内固定手术中导针可视化导航系统,包括空心针内部套接有钢丝,空心针下端设置有开口,钢丝穿过开口,钢丝下端与撑开器连接;空心针下端安装有定位模块和图像获取模块,定位模块和图像获取模块与操作平台连接,操作平台上设置有显示设备;操作平台下端设置有高度调整结构,图像获取模块设置有图像预处理模块和图像深度处理模块。本发明提供的四肢骨折髓内钉内固定手术中导针可视化导航系统,设计结构简单,新颖,合理,四肢髓内钉内固定手术中导针可以顺利通过骨折端,高效实用,可以有效缩短手术时间,降低并发症的发生,降低医务人员的工作难度。
Description
技术领域
本发明属于医疗器械技术领域,尤其涉及一种四肢骨折髓内钉内固定手术中导针可视化导航系统。
背景技术
目前,随着社会的发展和社会的进步,高能量损伤导致的四肢骨折患者越来越多,大部分患者需要采用手术治疗以稳定骨折断端、促进骨折愈合及机体的康复。髓内钉内固定术作为四肢长骨干骨折的首选手术方式,具有创伤小、生物力学优生物特点,对于后期骨折愈合及机体康复具有重要的意义。该手术过程中,导针能够顺利从长骨干的一短通过骨折断端到达骨折远端,是髓内钉固定的关键。但髓内钉固定骨折过程中,由于骨折周围肌肉的牵拉,往往导致骨折断端移位,使导针通过骨折端困难,甚至有时需切开骨折部位以确保髓内钉系统中导针的顺利通过。该方法虽可以节省手术时间,但会导致髓外血供的破坏,以至于后期出现骨折不愈合的情况,给患者及家庭带来沉重的负担。
为了解决上述问题,本专利采用可视化导针技术,可以使之顺利通过骨折断端;其中,可视化是利用计算机图形学和图像处理技术,将数据转换成图形或图像在屏幕上显示出来,并进行交互处理的理论、方法和技术。它涉及到计算机图形学、图像处理、计算机视觉、计算机辅助设计等多个领域,成为研究数据表示、数据处理、决策分析等一系列问题的综合技术。但是现有技术中尚无该项技术。
通过上述分析,现有技术存在的问题及缺陷为:现有髓内钉内固定过程中,导针的植入往往是凭借术者的经验,在完成复位后将导针植入通过骨折断端,在通过扩髓、髓内钉主钉植入等方法,完成四肢骨折的髓内钉固定。该方法通常会极大地拖延手术时间,对术者的体力消耗也是巨大的,手术时间的延长也无疑增加患者术后并发症(如切口感染、骨折不愈合等)的发生。
发明内容
针对现有技术存在的问题,本发明提供了一种四肢骨折髓内钉内固定手术中导针可视化导航系统。
本发明是这样实现的,一种四肢骨折固定髓内钉内固定手术中导针可视化导航系统,所述四肢骨折髓内钉内固定手术中导针可视化导航系统设置:
空心针;
空心针内部套接有钢丝,空心针下端设置有开口,钢丝穿过开口,钢丝下端与撑开器连接;
空心针下端安装有定位模块和图像获取模块,定位模块和图像获取模块与操作平台连接,操作平台上设置有显示设备;
操作平台下端设置有高度调整结构,图像获取模块设置有图像预处理模块和图像深度处理模块;
图像预处理模块设置有图像数字化模块、几何变换模块、归一化处理模块、图像平滑处理模块、图像复原模块、图像去噪增强模块;
其中,所述图像去噪增强模块中图像去噪的过程为:
将含有噪声的图像建立图像集合,获取原始图像数据集;在图像集合中选取一幅含有噪声的图像,进行随机裁剪处理,得到训练样本集;
将训练样本集中的图像输入到图像浅层特征提取模块中,进行浅层特征提取,得到浅层特征图;将浅层特征图输入到图像特征增强组中,得到深层次特征图;采用图像重建模块对深层特征图进行重建,得到去噪后的重建图像;
其中,所述图像浅层特征提取模块为一个卷积网络,用于提取图像的浅层特征;采用图像浅层特征提取模块提取浅层特征的计算公式为:
Fl=Hsf(Inoi);
其中,Fl表示提取的浅层特征,Hsf(.)表示对输入的图像进行3×3卷积操作,Inoi表示输入的噪声图像;
在去噪后的重建图像中确定以某个像素为中心点的圆形邻域,将邻域中各像素的灰度值排序,取其中间值作为中心像素灰度的新值;
其中,所述将邻域中各像素的灰度值进行排序,包括:
获取待处理的重建图像,并对所述待处理的重建图像进行检测,得到所述待处理重建图像的多个灰度值数据;
基于所述待处理重建图像从所述多个灰度值数据中选取预设数量的连续的灰度值数据,得到多个待排序数据;对所述多个待排序数据按照灰度值大小进行排序,得到目标序列;
将所述待处理重建图像中所述多个待排序数据的后一位灰度值数据作为目标数据,并将所述目标数据和所述多个待排序数据中的第一位灰度值数据与目标对比数据进行对比,得到对比结果;
根据所述对比结果将所述目标数据插入至所述目标序列中,得到排序结果;根据邻域中各像素的灰度值排序结果,获取中心像素灰度的新值;
根据重建图和原始输入图计算图像去噪模型的MSE损失函数;设置初始学习率,使用多步调整学习率下降函数MultiStepLR调整学习率的大小;
将圆形邻域按照一定的规律上下左右移动,采用Adam算法对模型进行优化,根据学习率不断调整模型的参数,利用中值滤波可以对图像进行平滑去噪处理,得到去噪图像;
图像深度处理模块设置有图像特征抽取模块、图像分割模块、图像匹配识别模块、图像融合模块;
其中,所述图像融合模块对预处理完的图像进行图像融合的过程为:
设预处理完成的图像数据集为:
其中,m和n分别为预处理完成的图像个数和每幅图像中像素数,矩阵中的每一行向量表示一幅图像;
图像的线性变换为:
Y=TX;
其中,X为待变换的图像数据矩阵,Y为变换后的图像矩阵,T为变换矩阵;
当T矩阵为正交矩阵,由待变换的图像数据矩阵X的协方差C的特征向量所组成,所述线性变换为K-L变换,并且K-L变换后的数据矩阵的每一行向量为一个主分量;
其中,所述K-L变换具体过程为:
根据待变换的图像数据矩阵X,求协方差C;
其中,X的协方差为:
求出协方差矩阵的特征值和特征向量,并组成变换矩阵,特征方程为:
(λI-C)U=0;
其中,I为单位矩阵,U为特征向量;
对所述特征方程进行求解,得出C的各个特征值为λf(1,2,......,m),将λ1≥λ2≥......≥λn排序,得出特征值对应的单位特征向量为Uf:
Uj=[u1j,u2j,......umj]T;
得到变换矩阵T∶T=UT,其中U=[]=[]m*n,以各个特征向量构成的矩阵,且U矩阵是正交矩阵,U矩阵满足:UTU=UUT=I;
将变换矩阵T代入Y=TX,将得到K-L变换的具体表达式为:
其中,Y矩阵的行向量为Yj=[]为j个主分量。
进一步,所述撑开器为圆球体或者圆锥体;
所述高度调整结构设置有电动伸缩杆,电动伸缩杆下端安装有橡胶垫块,橡胶垫块上设置有橡胶凹凸点。
进一步,图像去噪增强模块中,所述目标对比数据为从所述目标序列中选取的灰度值数据。
进一步,图像去噪增强模块中,所述基于所述待处理重建图像从所述多个灰度值数据中选取预设数量的连续的灰度值数据,得到多个待排序数据步骤之后,还包括:
基于所述待处理重建图像从所述多个灰度值数据中选取预设数量的连续的灰度值数据,得到初始待排序数据;按照灰度值对所述多个待排序数据通过插入法进行排序,得到初始目标序列;
将所述待处理重建图像中所述多个待排序数据的后一位灰度值数据作为初始目标数据,插入至所述初始目标序列中,得到初始排序结果。
进一步,所述图像平滑处理模块对图像进行平滑处理的过程为:
将整幅图像进行加权平均,每一个像素点的值,都由其本身和邻域内的其他像素值经过加权平均后得到模板;
用模板扫描图像中的每一个像素,用模板确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值。
进一步,所述归一化处理模块对图像进行归一化的过程为:
利用图像中对仿射变换具有不变性的矩来确定变换函数的参数,并且利用此参数确定的变换函数把原始图像变换为一个标准形式的图像。
进一步,所述图像数字化模块对图像数字化处理的过程为:
确定利用多少点对待数字化的图像进行描述,并且求出图像的分辨率;
使用一定范围的数值来表示图像采样之后的每一个点;
采用小波变换图像压缩编码技术来压缩其信息量。
进一步,所述图像分割模块对图像进行分割的过程为:
初始化一个阈值T,通常取图像平均灰度值;
根据阈值将灰度图像进行分割,计算A,B类图像灰度均值;
更新阈值T,使得A的灰度均值加上B的灰度均值的均值等于T;
重复上述过程,当相邻T值相等,或两者差值在一定范围,使用这个阈值对灰度图像进行二值化分割。
本发明另一目的在于提供一种存储在计算机可读介质上的计算机程序产品,包括计算机可读程序,供于电子装置上执行时,提供用户输入接口以实施所述四肢骨折髓内钉内固定手术中导针可视化导航系统。
本发明另一目的在于提供一种计算机可读存储介质,储存有指令,当所述指令在计算机上运行时,使得计算机执行所述四肢骨折髓内钉内固定手术中导针可视化导航系统。
结合上述的所有技术方案,本发明所具备的优点及积极效果为:本发明提供的四肢骨折髓内钉内固定手术中导针可视化导航系统,设计结构简单,新颖,合理,其提供的四肢髓内钉内固定手术中导针可以准确的到达骨折端,并顺利通过骨折端到达骨折远端,可以有效减少手术时间,减轻了医务人员的工作难度,降低骨折术后相关并发症的发生。同时,本发明在操作平台下端设置有高度调整结构,可以根据需要调整操作平台的高度,便于医护人员进行操作,提高相应的工作效率,减缓医护人员的疲劳;同时高度调整结构设置有电动伸缩杆,电动伸缩杆下端安装有橡胶垫块,橡胶垫块上设置有橡胶凹凸点,提高整体装置的稳定性。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图做简单的介绍,显而易见地,下面所描述的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的四肢骨折固定中导针用可视化导航系统结构示意图。
图2是本发明实施例提供的图像去噪增强模块中图像去噪方法流程图。
图3是本发明实施例提供的图像平滑处理模块对图像进行平滑处理方法流程图。
图4是本发明实施例提供的图像数字化模块对图像数字化方法流程图。
图5是本发明实施例提供的图像分割模块对图像进行分割方法流程图。
图中:1、钢丝;2、空心针;3、开口;4、撑开器。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
针对现有技术存在的问题,本发明提供了一种四肢骨折髓内钉内固定手术中导针可视化导航系统,下面结合附图对本发明作详细的描述。
如图1所示,本发明实施例提供的四肢骨折髓内钉内固定手术中导针可视化导航系统,设置空心针2内部套接有钢丝1,空心针2下端设置有开口3,钢丝1穿过开口3,钢丝1下端与撑开器4连接;
同时空心针2下端安装有定位模块和图像获取模块,定位模块和图像获取模块与操作平台6连接,操作平台6上设置有显示设备。
撑开器4为圆球体或者圆锥体。操作平台6下端设置有高度调整结构,高度调整结构设置有电动伸缩杆,电动伸缩杆下端安装有橡胶垫块,橡胶垫块上设置有橡胶凹凸点。
图像获取模块设置有图像预处理模块和图像深度处理模块,
图像预处理模块设置有图像数字化模块、几何变换模块、归一化处理模块、图像平滑处理模块、图像复原模块、图像去噪增强模块;
图像深度处理模块设置有图像特征抽取模块、图像分割模块、图像匹配识别模块、图像融合模块。
如图2所示,本发明实施例提供的图像去噪增强模块中图像去噪的过程为:
S101,将含有噪声的图像建立图像集合,获取原始图像数据集;在图像集合中选取一幅含有噪声的图像,进行随机裁剪处理,得到训练样本集;
S102,将训练样本集中的图像输入到图像浅层特征提取模块中,进行浅层特征提取,得到浅层特征图;
S103,将浅层特征图输入到图像特征增强组中,得到深层次特征图;采用图像重建模块对深层特征图进行重建,得到去噪后的重建图像;
S104,在去噪后的重建图像中确定以某个像素为中心点的圆形邻域,将邻域中各像素的灰度值排序,取其中间值作为中心像素灰度的新值;
S105,根据重建图和原始输入图计算图像去噪模型的MSE损失函数;设置初始学习率,使用多步调整学习率下降函数MultiStepLR调整学习率的大小;
S106,将圆形邻域按照一定的规律上下左右移动,采用Adam算法对模型进行优化,根据学习率不断调整模型的参数,利用中值滤波对图像进行平滑去噪处理,得到去噪图像。
本发明实施例提供的图像浅层特征提取模块为一个卷积网络,用于提取图像的浅层特征;采用图像浅层特征提取模块提取浅层特征的计算公式为:
F1=Hsf(Inoi);
其中,F1表示提取的浅层特征,Hsf(.)表示对输入的图像进行3×3卷积操作,Inoi表示输入的噪声图像。
本发明实施例提供的将邻域中各像素的灰度值进行排序,包括:
获取待处理的重建图像,并对所述待处理的重建图像进行检测,得到所述待处理重建图像的多个灰度值数据;
基于所述待处理重建图像从所述多个灰度值数据中选取预设数量的连续的灰度值数据,得到多个待排序数据;对所述多个待排序数据按照灰度值大小进行排序,得到目标序列;
将所述待处理重建图像中所述多个待排序数据的后一位灰度值数据作为目标数据,并将所述目标数据和所述多个待排序数据中的第一位灰度值数据与目标对比数据进行对比,得到对比结果;
根据所述对比结果将所述目标数据插入至所述目标序列中,得到排序结果;根据邻域中各像素的灰度值排序结果,获取中心像素灰度的新值。
本发明实施例提供的目标对比数据为从所述目标序列中选取的灰度值数据。
本发明实施例提供的基于所述待处理重建图像从所述多个灰度值数据中选取预设数量的连续的灰度值数据,得到多个待排序数据步骤之后,还包括:
基于所述待处理重建图像从所述多个灰度值数据中选取预设数量的连续的灰度值数据,得到初始待排序数据;按照灰度值对所述多个待排序数据通过插入法进行排序,得到初始目标序列;
将所述待处理重建图像中所述多个待排序数据的后一位灰度值数据作为初始目标数据,插入至所述初始目标序列中,得到初始排序结果。
本发明实施例提供的图像融合模块对预处理完的图像进行图像融合的具体过程为:
设预处理完成的图像数据集为:
其中,m和n分别为预处理完成的图像个数和每幅图像中像素数,矩阵中的每一行向量表示一幅图像;
图像的线性变换为:
Y=TX;
其中,X为待变换的图像数据矩阵,Y为变换后的图像矩阵,T为变换矩阵;
当T矩阵为正交矩阵,它是由待变换的图像数据矩阵X的协方差C的特征向量所组成,上式的线性变换为K-L变换,并且K-L变换后的数据矩阵的每一行向量为一个主分量;
其中,K-L变换具体过程为:
根据待变换的图像数据矩阵X,求协方差C;
X的协方差为:
求出协方差矩阵的特征值和特征向量,并组成变换矩阵,特征方程为:
(λI-C)U=0;
其中,I为单位矩阵,U为特征向量;
对所述特征方程进行求解,得出C的各个特征值为λf(1,2,......,m),将λ1≥λ2≥......≥λm排序,得出特征值对应的单位特征向量为Uf:
Uj=[u1j,u2j,......umj]T;
得到变换矩阵T∶T=UT,其中U=[]=[]m*n,以各个特征向量构成的矩阵,且U矩阵是正交矩阵,U矩阵满足:UTU=UUT=I;
将变换矩阵T代入Y=TX,将得到K-L变换的具体表达式为:
其中,Y矩阵的行向量为Yj=[]为j个主分量。
如图3所示,本发明实施例提供的图像平滑处理模块对图像进行平滑处理的过程为:
S201,将整幅图像进行加权平均,每一个像素点的值,都由其本身和邻域内的其他像素值经过加权平均后得到模板;
S202,用模板扫描图像中的每一个像素,用模板确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值。
本发明实施例提供的归一化处理模块对图像进行归一化的具体过程为:
利用图像中对仿射变换具有不变性的矩来确定变换函数的参数,并且利用此参数确定的变换函数把原始图像变换为一个标准形式的图像。
如图4所示,本发明实施例提供的图像数字化模块对图像数字化过程为:
S301,确定利用多少点对待数字化的图像进行描述,并且求出图像的分辨率;
S302,使用一定范围的数值来表示图像采样之后的每一个点;
S303,采用小波变换图像压缩编码技术来压缩其信息量。
如图5所示,本发明实施例提供的图像分割模块对图像进行分割的过程为:
S401,初始化一个阈值T,通常取图像平均灰度值;
S402,根据阈值将灰度图像进行分割,计算A,B类图像灰度均值;
S403,更新阈值T,使得A的灰度均值加上B的灰度均值的均值等于T;
S404,重复上述过程,当相邻T值相等,或两者差值在一定范围,使用这个阈值对灰度图像进行二值化分割。
在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上;术语“上”、“下”、“左”、“右”、“内”、“外”、“前端”、“后端”、“头部”、“尾部”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”等仅用于描述目的,而不能理解为指示或暗示相对重要性。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现,所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种四肢骨折髓内钉内固定手术中导针可视化导航系统,其特征在于,所述四肢骨折髓内钉内固定手术中导针可视化导航系统设置:
空心针;
空心针内部套接有钢丝,空心针下端设置有开口,钢丝穿过开口,钢丝下端与撑开器连接;
空心针下端安装有定位模块和图像获取模块,定位模块和图像获取模块与操作平台连接,操作平台上设置有显示设备;
操作平台下端设置有高度调整结构,图像获取模块设置有图像预处理模块和图像深度处理模块;
图像预处理模块设置有图像数字化模块、几何变换模块、归一化处理模块、图像平滑处理模块、图像复原模块、图像去噪增强模块;
其中,所述图像去噪增强模块中图像去噪的过程为:
将含有噪声的图像建立图像集合,获取原始图像数据集;在图像集合中选取一幅含有噪声的图像,进行随机裁剪处理,得到训练样本集;
将训练样本集中的图像输入到图像浅层特征提取模块中,进行浅层特征提取,得到浅层特征图;将浅层特征图输入到图像特征增强组中,得到深层次特征图;采用图像重建模块对深层特征图进行重建,得到去噪后的重建图像;
其中,所述图像浅层特征提取模块为一个卷积网络,用于提取图像的浅层特征;采用图像浅层特征提取模块提取浅层特征的计算公式为:
F1=Hsf(Inoi);
其中,F1表示提取的浅层特征,Hsf(.)表示对输入的图像进行3×3卷积操作,Inoi表示输入的噪声图像;
在去噪后的重建图像中确定以某个像素为中心点的圆形邻域,将邻域中各像素的灰度值排序,取其中间值作为中心像素灰度的新值;
其中,所述将邻域中各像素的灰度值进行排序,包括:
获取待处理的重建图像,并对所述待处理的重建图像进行检测,得到所述待处理重建图像的多个灰度值数据;
基于所述待处理重建图像从所述多个灰度值数据中选取预设数量的连续的灰度值数据,得到多个待排序数据;对所述多个待排序数据按照灰度值大小进行排序,得到目标序列;
将所述待处理重建图像中所述多个待排序数据的后一位灰度值数据作为目标数据,并将所述目标数据和所述多个待排序数据中的第一位灰度值数据与目标对比数据进行对比,得到对比结果;
根据所述对比结果将所述目标数据插入至所述目标序列中,得到排序结果;根据邻域中各像素的灰度值排序结果,获取中心像素灰度的新值;
根据重建图和原始输入图计算图像去噪模型的MSE损失函数;设置初始学习率,使用多步调整学习率下降函数MultiStepLR调整学习率的大小;
将圆形邻域按照一定的规律上下左右移动,采用Adam算法对模型进行优化,根据学习率不断调整模型的参数,利用中值滤波可以对图像进行平滑去噪处理,得到去噪图像;
图像深度处理模块设置有图像特征抽取模块、图像分割模块、图像匹配识别模块、图像融合模块;
其中,所述图像融合模块对预处理完的图像进行图像融合的过程为:
设预处理完成的图像数据集为:
其中,m和n分别为预处理完成的图像个数和每幅图像中像素数,矩阵中的每一行向量表示一幅图像;
图像的线性变换为:
Y=TX;
其中,X为待变换的图像数据矩阵,Y为变换后的图像矩阵,T为变换矩阵;
当T矩阵为正交矩阵,由待变换的图像数据矩阵X的协方差C的特征向量所组成,所述线性变换为K-L变换,并且K-L变换后的数据矩阵的每一行向量为一个主分量;
其中,所述K-L变换具体过程为:
根据待变换的图像数据矩阵X,求协方差C;
其中,X的协方差为:
求出协方差矩阵的特征值和特征向量,并组成变换矩阵,特征方程为:
(λI-C)U=0;
其中,I为单位矩阵,U为特征向量;
对所述特征方程进行求解,得出C的各个特征值为λf(1,2,......,m),将λ1≥λ2≥......≥λm排序,得出特征值对应的单位特征向量为Uf:
Uj=[u1j,u2j,......umj]T;
得到变换矩阵T:T=UT,其中U=[]=[]m*n,以各个特征向量构成的矩阵,且U矩阵是正交矩阵,U矩阵满足:UTU=UUT=I;
将变换矩阵T代入Y=TX,将得到K-L变换的具体表达式为:
其中,Y矩阵的行向量为YJ=[]为j个主分量。
2.如权利要求1所述四肢骨折髓内钉内固定手术中导针可视化导航系统,其特征在于,所述撑开器为圆球体或者圆锥体;
所述高度调整结构设置有电动伸缩杆,电动伸缩杆下端安装有橡胶垫块,橡胶垫块上设置有橡胶凹凸点。
3.如权利要求1所述四肢骨折髓内钉内固定手术中导针可视化导航系统,其特征在于,图像去噪增强模块中,所述目标对比数据为从所述目标序列中选取的灰度值数据。
4.如权利要求1所述四肢骨折髓内钉内固定手术中导针可视化导航系统,其特征在于,图像去噪增强模块中,所述基于所述待处理重建图像从所述多个灰度值数据中选取预设数量的连续的灰度值数据,得到多个待排序数据步骤之后,还包括:
基于所述待处理重建图像从所述多个灰度值数据中选取预设数量的连续的灰度值数据,得到初始待排序数据;按照灰度值对所述多个待排序数据通过插入法进行排序,得到初始目标序列;
将所述待处理重建图像中所述多个待排序数据的后一位灰度值数据作为初始目标数据,插入至所述初始目标序列中,得到初始排序结果。
5.如权利要求1所述四肢骨折固定中导针用可视化导航系统,其特征在于,所述图像平滑处理模块对图像进行平滑处理的过程为:
将整幅图像进行加权平均,每一个像素点的值,都由其本身和邻域内的其他像素值经过加权平均后得到模板;
用模板扫描图像中的每一个像素,用模板确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值。
6.如权利要求1所述四肢骨折固定中导针用可视化导航系统,其特征在于,所述归一化处理模块对图像进行归一化的过程为:
利用图像中对仿射变换具有不变性的矩来确定变换函数的参数,并且利用此参数确定的变换函数把原始图像变换为一个标准形式的图像。
7.如权利要求1所述四肢骨折髓内钉内固定手术中导针可视化导航系统,其特征在于,所述图像数字化模块对图像数字化处理的过程为:
确定利用多少点对待数字化的图像进行描述,并且求出图像的分辨率;
使用一定范围的数值来表示图像采样之后的每一个点;
采用小波变换图像压缩编码技术来压缩其信息量。
8.如权利要求1所述四肢骨折髓内钉内固定手术中可视化导航系统,其特征在于,所述图像分割模块对图像进行分割的过程为:
初始化一个阈值T,通常取图像平均灰度值;
根据阈值将灰度图像进行分割,计算A,B类图像灰度均值;
更新阈值T,使得A的灰度均值加上B的灰度均值的均值等于T;
重复上述过程,当相邻T值相等,或两者差值在一定范围,使用这个阈值对灰度图像进行二值化分割。
9.一种存储在计算机可读介质上的计算机程序产品,包括计算机可读程序,供于电子装置上执行时,提供用户输入接口以实施如权利要求1~8任意一种所述四肢骨折固定中导针用可视化导航系统。
10.一种计算机可读存储介质,储存有指令,当所述指令在计算机上运行时,使得计算机执行如权利要求1~8任意一种所述四肢骨折固定中导针用可视化导航系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110583334.6A CN113288425A (zh) | 2021-05-27 | 2021-05-27 | 一种四肢骨折固定中导针用可视化导航系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110583334.6A CN113288425A (zh) | 2021-05-27 | 2021-05-27 | 一种四肢骨折固定中导针用可视化导航系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113288425A true CN113288425A (zh) | 2021-08-24 |
Family
ID=77325459
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110583334.6A Pending CN113288425A (zh) | 2021-05-27 | 2021-05-27 | 一种四肢骨折固定中导针用可视化导航系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113288425A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202397609U (zh) * | 2011-12-20 | 2012-08-29 | 许军 | 一种固定四肢异物的定位导针 |
CN108784836A (zh) * | 2018-06-20 | 2018-11-13 | 安徽医科大学第附属医院 | 基于优化镇静管理和区域阻滞骨科麻醉术中图像处理系统 |
CN109771034A (zh) * | 2019-03-08 | 2019-05-21 | 安徽医科大学第二附属医院 | 一种新型骨科导航系统及方法、信息数据处理终端 |
CN111340767A (zh) * | 2020-02-21 | 2020-06-26 | 四川大学华西医院 | 一种脑部肿瘤头皮定位图像处理方法及系统 |
WO2020178136A1 (en) * | 2019-03-04 | 2020-09-10 | Boscherini Duccio | A surgical table with an integrated imaging device |
CN111772792A (zh) * | 2020-08-05 | 2020-10-16 | 山东省肿瘤防治研究院(山东省肿瘤医院) | 基于增强现实和深度学习的内窥镜手术导航方法、系统和可读存储介质 |
CN111915572A (zh) * | 2020-07-13 | 2020-11-10 | 青岛大学 | 一种基于深度学习的自适应齿轮点蚀定量检测系统及方法 |
CN112419184A (zh) * | 2020-11-19 | 2021-02-26 | 重庆邮电大学 | 一种综合局部信息和全局信息的空间注意力图像去噪方法 |
CN112508869A (zh) * | 2020-11-23 | 2021-03-16 | 西安科锐盛创新科技有限公司 | 颅内血管图像融合方法和计算机可读存储介质 |
-
2021
- 2021-05-27 CN CN202110583334.6A patent/CN113288425A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202397609U (zh) * | 2011-12-20 | 2012-08-29 | 许军 | 一种固定四肢异物的定位导针 |
CN108784836A (zh) * | 2018-06-20 | 2018-11-13 | 安徽医科大学第附属医院 | 基于优化镇静管理和区域阻滞骨科麻醉术中图像处理系统 |
WO2020178136A1 (en) * | 2019-03-04 | 2020-09-10 | Boscherini Duccio | A surgical table with an integrated imaging device |
CN109771034A (zh) * | 2019-03-08 | 2019-05-21 | 安徽医科大学第二附属医院 | 一种新型骨科导航系统及方法、信息数据处理终端 |
CN111340767A (zh) * | 2020-02-21 | 2020-06-26 | 四川大学华西医院 | 一种脑部肿瘤头皮定位图像处理方法及系统 |
CN111915572A (zh) * | 2020-07-13 | 2020-11-10 | 青岛大学 | 一种基于深度学习的自适应齿轮点蚀定量检测系统及方法 |
CN111772792A (zh) * | 2020-08-05 | 2020-10-16 | 山东省肿瘤防治研究院(山东省肿瘤医院) | 基于增强现实和深度学习的内窥镜手术导航方法、系统和可读存储介质 |
CN112419184A (zh) * | 2020-11-19 | 2021-02-26 | 重庆邮电大学 | 一种综合局部信息和全局信息的空间注意力图像去噪方法 |
CN112508869A (zh) * | 2020-11-23 | 2021-03-16 | 西安科锐盛创新科技有限公司 | 颅内血管图像融合方法和计算机可读存储介质 |
Non-Patent Citations (1)
Title |
---|
周东生, 北京:人民军医出版社 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110570515B (zh) | 一种利用ct图像进行人体骨骼三维建模的方法 | |
Palágyi et al. | A sequential 3D thinning algorithm and its medical applications | |
Almeida et al. | Fully automatic segmentation of femurs with medullary canal definition in high and in low resolution CT scans | |
US20060023927A1 (en) | GGN segmentation in pulmonary images for accuracy and consistency | |
CN108053400A (zh) | 图像处理方法及装置 | |
JP2002526141A (ja) | 統計的識別特性を利用した適応性断面積計算方法 | |
CN111667467B (zh) | 基于聚类算法的下肢血管钙化指数多参数累积计算方法 | |
CN101105862A (zh) | 一种医学图像窗口参数的自适应调整方法 | |
Elamvazuthi et al. | Despeckling of ultrasound images of bone fracture using multiple filtering algorithms | |
CN110599494A (zh) | 肋骨图像重建系统及方法、终端及可读存储介质 | |
JPWO2012073769A1 (ja) | 画像処理装置及び画像処理方法 | |
CN111832563A (zh) | 一种基于超声图像的智能化乳腺肿瘤辨别方法 | |
CN114782321B (zh) | 胸部ct影像选择方法、装置、设备及存储介质 | |
CN113288425A (zh) | 一种四肢骨折固定中导针用可视化导航系统 | |
CN116580033B (zh) | 一种基于图像块相似性匹配的多模态医学图像配准方法 | |
CN115910379B (zh) | 一种肾结石术后疗效评估方法、系统、设备及存储介质 | |
CN110992383A (zh) | 一种基于深度学习的ct图像肝脏动脉分割方法及系统 | |
Wang et al. | Adaptive solitary pulmonary nodule segmentation for digital radiography images based on random walks and sequential filter | |
CN115439423A (zh) | 一种基于ct图像的识别方法、装置、设备及存储介质 | |
CN110084772B (zh) | 基于弯曲波的mri/ct融合方法 | |
CN114533042A (zh) | 一种基于多源特征的腰痛患者肢体功能障碍自动评估方法 | |
CN111292289B (zh) | 基于分割网络的ct肺肿瘤分割方法、装置、设备及介质 | |
EP3754598A1 (en) | Method and system for selecting a region of interest in an image | |
Vaishnaw G et al. | A novel approach based on average information parameters for investigation and diagnosis of lung cancer using ANN | |
Vasilache et al. | A unified method based on wavelet filtering and active contour models for segmentation of pelvic CT images |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210824 |
|
RJ01 | Rejection of invention patent application after publication |