CN113764076B - 检测医疗透视图像中标记点的方法、装置及电子设备 - Google Patents
检测医疗透视图像中标记点的方法、装置及电子设备 Download PDFInfo
- Publication number
- CN113764076B CN113764076B CN202110844921.6A CN202110844921A CN113764076B CN 113764076 B CN113764076 B CN 113764076B CN 202110844921 A CN202110844921 A CN 202110844921A CN 113764076 B CN113764076 B CN 113764076B
- Authority
- CN
- China
- Prior art keywords
- point
- points
- predicted
- prediction
- group
- 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
- 238000000034 method Methods 0.000 title claims abstract description 71
- 239000003550 marker Substances 0.000 claims description 90
- 238000012545 processing Methods 0.000 abstract description 23
- 238000001514 detection method Methods 0.000 description 18
- 230000008569 process Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 8
- 229910000831 Steel Inorganic materials 0.000 description 6
- 239000010959 steel Substances 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000000889 atomisation Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000669003 Aspidiotus destructor Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 210000000232 gallbladder Anatomy 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
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
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- 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
-
- 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
-
- 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
- A61B34/30—Surgical robots
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- A61B2034/107—Visualisation of planned trajectories or target regions
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Surgery (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Animal Behavior & Ethology (AREA)
- Biomedical Technology (AREA)
- Veterinary Medicine (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Robotics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Radiology & Medical Imaging (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请涉及医疗图像处理领域,具体涉及一种检测医疗透视图像中标记点的方法,其中,所述医疗透视图像中标记点为多个,其由设置于标定标尺上的多个标记点成像得到,多个标记点之间存在确定的几何关系,所述方法包括:识别所述医疗透视图像,得到识别点;基于所述识别点和所述几何关系得到预测点组;对于每一个预测点组,基于所述预测点与所述识别点的距离,得到与所述预测点对应的预测匹配点,并计算预测点组评分值;基于所述预测点组评分值找到最优预测点组,基于所述最优预测点组匹配所述标记点。
Description
技术领域
本申请涉及医疗图像处理领域,具体涉及一种检测医疗透视图像中标记点的方法、装置及电子设备。
背景技术
医疗透视图像,例如X射线图像处理涉及到的手术机器人定位标记点问题是医疗图像处理的核心技术之一。随着机器人技术与医学科学交叉应用的快速发展,各种医用机器人的研究也成为热点,并在医学领域中得到越来越广泛的应用。目前手术机器人已在神经外科、人工关节置换、泌尿科、胆囊摘除等方面取得广泛的应用。在手术机器人的导航定位过程中,一般利用C型臂透过设定有标记点的标定标尺来拍摄病人的X射线透视图像,通过图像处理手段进行标定标尺上的特定标记点的识别,然后根据标记点特征建立机器人坐标系与手术空间坐标系之间的映射关系,在此基础上进行手术路径规划和定位。
目前,标记点的定位一般采用人工引导的方法,或利用已知的粗略未知数据,先在图像上确定其大致位置,再利用算法进行精确定位。例如,在专利CN104123540B中,其采用标记点的传统图像检测和预设特征点与角度的匹配方式完成,检测精度被约束在92%左右,且存在如下不足:1.对特征点与各点连线夹角依赖度高,使得摄影平面与标尺平面夹角超过5度时无法完成匹配;2.由于传统图像检测在相对强干扰的情况下鲁棒性不高,在遮挡、雾化等干扰环境下容易出现漏检、误检等情况;3.预设了标尺拍摄的正反面,在实际操作过程中若正反翻转会明显降低算法精度。
发明内容
基于此,本申请提供了一种检测医疗透视图像中标记点的方法、装置及电子设备。首先,对医疗透视图像中符合标记点特征的点进行识别得到识别点,可选的,可以利用深度学习方法对医疗透视图像进行识别。基于得到的识别点中的每两个,以及已知的标记点之间的几何关系,预测出每一组可能的预测点。再基于每个预测点和识别点之间的距离关系,为每一个预测点打分,进而得出每一组预测点的评分值以及每一组预测点对应的预测匹配点。根据评分值选出最优的一组预测匹配点,即为匹配得到的标记点。
根据本申请的一方面,提出一种检测医疗透视图像中标记点的方法,其中,所述医疗透视图像中标记点为多个,其由设置于标定标尺上的多个标记点成像得到,多个标记点之间存在确定的几何关系,所述方法包括:
识别所述医疗透视图像,得到识别点;
基于所述识别点和所述几何关系得到预测点组;
对于每一个预测点组,基于所述预测点与所述识别点的距离,得到与所述预测点对应的预测匹配点,并计算预测点组评分值;
基于所述预测点组评分值找到最优预测点组,基于所述最优预测点组匹配所述标记点。
根据一些实施例,所述多个标记点包括第一组标记点和第二组标记点,其中所述第一组标记点的全部标记点位于同一第一标记点平面内,所述第二组标记点的全部标记点位于同一第二标记点平面内,且所述第一标记点平面和所述第二标记点平面空间平行;所述几何关系包括任一组标记点内全部标记点之间的点际几何关系;以及所述第一组标记点和所述第二组标记点之间的组际几何关系。
根据一些实施例,前述方法还包括:取所述识别点中的任意两个作为预测基准点;对于两个所述预测基准点,基于所述预测基准点以及所述第一组标记点的所述点际几何关系,得到第一预测点组,其中,所述第一预测点组中包括所述预测基准点;遍历全部所述识别点,得到全部可能的第一预测点组。
根据一些实施例,前述方法还包括:对于所述预测点组中的每一个所述预测点:在距离所述预测点一预设的最大距离阈值范围内,找到与所述预测点距离最近的所述识别点作为预测匹配点;令所述预测点与对应的所述预测匹配点的距离为打分参考距离,基于所述打分参考距离计算预测点评分值,其中,所述预测点评分值的第一限值表示所述预测点与所述预测匹配点重合,所述预测点评分值的第二限值表示在所述预测点的所述最大距离阈值范围内没有找到所述预测匹配点;若在所述预测点的所述最大距离阈值范围内没有找到所述识别点,则将所述预测点作为所述预测匹配点,并将所述预测点评分值设为所述第二限值;将所述预测点组内全部所述预测点的所述预测点评分值相加,得到所述预测点组评分值。
根据一些实施例,前述方法还包括:获得与所述第一预测点组对应的第一预测匹配点组,以及第一预测点组评分值;基于所述第一预测匹配点组以及所述组际几何关系,得到第二预测点组。
根据一些实施例,前述方法还包括:计算所述第一预测匹配点组与所述第一组标记点之间的几何差异;基于所述几何差异调整所述组际几何关系。
根据一些实施例,前述方法还包括:获得所述第二预测点组对应的第二预测匹配点组,以及第二预测点组评分值;将所述第一预测点组评分值和所对应的所述第二预测点组评分值求和,得到整体预测点组评分值。
根据一些实施例,前述方法还包括:将所述整体预测点组评分值最高的所述预测点组作为所述最优预测点组;将所述最优预测点组对应的所述预测匹配点组匹配为所述标记点。
根据本申请的一方面,提出一种用于检测医疗透视图像中标记点的装置,包括:识别点模块,识别所述医疗透视图像,得到识别点;预测点模块,基于所述识别点和所述几何关系得到预测点组;预测点匹配与打分模块,对于每一个预测点组,基于所述预测点与所述识别点的距离,得到与所述预测点对应的预测匹配点,并计算预测点组评分值;标记点匹配模块,基于所述预测点组评分值找到最优预测点组,基于所述最优预测点组匹配所述标记点。
根据本申请的一方面,提出一种电子设备,其特征在于,包括:一个或多个处理器;存储装置,用于存储一个或多个程序;当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如前述中任一所述的方法。
本申请的有益效果:
本申请利用标定标尺上各标记点间几何关系唯一且固定的特点,基于少量的识别点整组预测出其他符合标记点几何关系的预测点,提升了处理效率并覆盖了全部的可能性。同时,本申请基于预测点和识别点之间的距离对每组预测点进行打分并择优筛选,不必再像现有技术的方法对点线以及角度进行计算匹配,提升了处理效率。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中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,还可以根据这些附图获得其他的附图,而并不超出本申请要求保护的范围。
图1示出根据本申请实施例的检测医疗透视图像中标记点的方法的流程图。
图2a示出根据本申请实施例的检测医疗透视图像中标记点的方法的标定标尺的示意图。
图2b示出另一根据本申请实施例的检测医疗透视图像中标记点的方法的标定标尺的实物示意图。
图3示出根据本申请实施例的检测医疗透视图像中标记点的方法的成像透视示意图。
图4a示出根据本申请实施例的检测医疗透视图像中标记点的方法的检测效果对比示意图。
图4b示出另一根据本申请实施例的检测医疗透视图像中标记点的方法的检测效果对比示意图。
图4c示出另一根据本申请实施例的检测医疗透视图像中标记点的方法的检测效果对比示意图。
图5示出根据本申请实施例的用于检测医疗透视图像中标记点的装置的框图。
图6示出根据一示例性实施例的一种电子设备的框图。
具体实施方式
现在将参考附图更全面地描述示例实施例。然而,示例实施例能够以多种形式实施,且不应被理解为限于在此阐述的实施例;相反,提供这些实施例使得本申请将全面和完整,并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。
所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本公开的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而没有这些特定细节中的一个或更多,或者可以采用其它的方式、组元、材料、装置或等。在这些情况下,将不详细示出或描述公知结构、方法、装置、实现、材料或者操作。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在检测医疗透视图像中的标记点时,现有技术采用标记点的传统图像检测和预设特征点与角度的匹配方式完成,其存在如下不足:1.对特征点与各点连线夹角依赖度高,使得摄影平面与标尺平面夹角超过5度时无法完成匹配;2.由于传统图像检测在相对强干扰的情况下鲁棒性不高,在遮挡、雾化等干扰环境下容易出现漏检、误检等情况;3.预设了标尺拍摄的正反面,在实际操作过程中若正反翻转会明显降低算法精度。由于以上不足,该方法的检测精度被约束在92%左右。
为了改进现有技术中存在的不足,本申请提出一种检测医疗透视图像中标记点的方法、装置及电子设备,首先对医疗透视图像中符合标记点特征的点进行识别得到识别点。基于得到的识别点中的每两个,以及已知的标记点之间的几何关系,预测出每一组可能的预测点。再基于每个预测点和识别点之间的距离关系,为每一个预测点打分,进而得出每一组预测点的评分值以及每一组预测点对应的预测匹配点。根据评分值选出最优的一组预测匹配点,即为匹配得到的标记点。下面将结合附图进行详细说明。
图1示出根据本申请实施例的检测医疗透视图像中标记点的方法的流程图。
根据一实施例,医疗透视图像可以为在医疗领域应用的例如CT图像、X射线图像等。
根据一实施例,医疗透视图像中的标记点由标定标尺上安装的钢珠被例如X射线照射后成像得到。
根据一实施例,标定标尺一般应用于例如手术机器人的导航定位过程中,通过图像处理手段对标定标尺上的特定标记点进行识别,根据标记点的特征建立机器人坐标系与手术空间坐标系之间的映射关系,在此基础上进行手术路径规划和定位。
根据一实施例,本申请所用标定标尺可以为例如图2a所示的标定标尺,其包括两个空间上互相平行的透X光的标尺平面,也就是标记点平面:第一标记点平面1和第二标记点平面2,第一标记点平面1和第二标记点平面2空间平行且均设置在连接面3上。每个标记点平面上设置有多个可以安装标记点钢珠的孔,例如第一标记点平面1上的孔12和第二标记点平面2上的孔22,钢珠可以按需求自行安装。每个标记点平面内的标记点被归为一组标记点。
根据一实施例,每个标记点平面的标记点整体所构成的图形应为非对称图形。如此方可使空间中标记点的位置分布与标记点在摄影平面上的投影形状唯一对应,以使得标定标尺的定位结果无歧义。
需要注意的是,参照图2a,可见连接面3为圆筒状,每个标记点平面的孔实际上是分布在弧面上。但是在实际作业中,由于相机距离标定标尺较远,标记点平面的弧度可以忽略不计,因而每个标记点平面上的标记点可以视为处于同一水平面上,如此可以简化计算量而不至于影响计算精度。
根据一实施例,对于标定标尺的标记点,可以为其每一个进行编号。例如可参考图2b所示,图2b为从图2a所示的标定标尺的第一标记点平面1的中心位置,在垂直于第一标记点平面1的方向上观察标定标尺得到的标记点透视图。可以看出外围的标记点1’—9’为第一标记点平面1上的标记点,中间的标记点1”—9”为第二标记点平面2上的标记点。由于按前述同一标记点平面内的标记点所构成的图形为不对称图形,因此根据标记点标号能唯一地确定对应的标记点,给定一个标记点也可以唯一地确定其编号。如此可以方便作业人员观察。
根据示例实施例,标定标尺的标记点之间相对几何关系明确而且不变。几何关系包括同一组标记点之间的点际几何关系,点际几何关系即为标记点之间的几何关系,例如标记点与标记点之间的距离,每两个标记点构成的线段与线段之间的角度等;几何关系还包括不同组标记点之间的组际几何关系,组际几何关系即为作为整体的每组标记点之间的几何关系,例如两个标记点平面上各自的标记点所构成的图形之间的空间关系等。当标记点间的几何关系确定时,可以根据标记点中给定的至少两个点及定义的这两个点之间的几何关系,还原出所有其他的标记点。需要注意的是,前述标记点之间的距离指的是标记点的圆心或球心之间的直线距离。
本申请仅以图2a所示的标定标尺为例对本申请方法进行说明。对于其他形状的标定标尺以及标记点分布,只要满足其标记点之间存在确定的几何关系,本申请的方法均适用。
值得一提的是,对于标定标尺中每个标记点平面的标记点数量及分布具有一定的限制和约束:
每个标记点平面内的标记点数量不可以少于3个,因为3个点方可确定一个平面;
对于只具有一个标记点平面的标定标尺,标记点所构成的图形需要为非对称图形,如此方可使标记点匹配对应的结果唯一而不会出现多种可能性;
对于具有两个或者更多标记点平面的标定标尺,需要能够从摄影的投影结果中通过标记点明确区分出不同的标记点平面即可;并且这些标记点平面之间的几何关系可以是平行,也可以是非平行。
如图1所示,在S101,识别医疗透视图像,得到识别点。
根据示例实施例,在得到医疗透视图像时,首先对图像中可能是标记点的点进行识别得到识别点。
根据一实施例,可以利用传统图像识别方法对医疗透视图像进行识别得到识别点。
根据一实施例,还可以利用深度学习方法对医疗透视图像进行识别得到识别点,可以增加标记点检测的准确度与效率。
可选的,可以使用基于深度学习二阶段目标检测网络对医疗透视图像进行识别得到识别点,其利用的为常规开源深度学习算法,为本领域技术人员所熟知,此处不再赘述。图像标记点的识别结果可以参考如图3所示的示意图,其中左边为原始医疗透视图像,右边为经过处理而得到的预测点。
根据一实施例,识别得到的识别点为标记点的圆心坐标点。由于标定标尺上作为标记点的钢珠具有一定体积,因此图像上的标记点实际为具有一定面积的实心圆。故,除了记录其圆心坐标点作为识别点,还会记录其圆形区域的半径。同样的,基于圆心坐标点及圆心半径可以得到标记点所对应的图像区域,进而可以进行后面的可视化标示。
根据一实施例,医疗透视图像中符合标记点特征的图像区域的数量可能不等于标记点的实际数量,也就是说被识别出的识别点可能多于既定的标记点的数量,例如当图像噪声较大时;识别点的数量也可能少于既定的标记点的数量,例如当出现遮挡或者图像模糊或拍摄环境复杂的情况时。
根据一实施例,当识别到的识别点的数量少于一预设的识别点数量阈值下限时,可以判断该医疗透视图像中不存在有效标记点,进而需要重新进行拍摄。该识别点数量阈值下限为人为基于标记点总数量设置的经验值,例如可以为标记点总数量的60%。其意义为,当识别点数量过少时将无法正常进行后续步骤的预测点匹配处理,从而将导致检测结果失效。
在S103,基于识别点和标记点间的几何关系得到预测点组。
据前述,由于标记点间存在确定的几何关系,从而可以通过任意两个标记点及其之间的几何关系,预测得到其他全部的标记点。因此对于从前续步骤中得到的多个识别点,从中任取两个作为预测基准点,将这两个预测基准点之间的几何关系假设为标记点中任意两点间的几何关系。如此,对于每一组标记点中任意两点间的几何关系,都可以基于前述两个预测基准点预测得到一整组的预测点,遍历全部可能的标记点中任意两点间的几何关系即可以得到选定的两个预测基准点所对应的全部预测点组。再遍历所有的识别点,重复执行前述步骤,即可以得到所有可能的预测点组。
根据一实施例,以图2b为例,从得到的识别点中任取两点作为预测基准点,假设它们之间的几何关系是图2b中1’和2’的关系,那么可以基于此几何关系预测得到全部其他的预测点,得到一组预测点组;再假设它们之间的几何关系是1’和3’的关系,则可再次通过点际几何关系得到另一组预测点组……如此遍历所有的点际几何关系,再遍历全部的识别点,即可覆盖所有可能性,得到全部可能的预测点组。
应当理解的是,两个识别点与两个标记点对应的顺序不同会导致不同的预测结果,例如首先将两个待处理的识别点分别标记为A点和B点,假设他们之间的集合关系是图2b中1’和2’的关系,其中使A点对应1’,和使A点对应2’会出现不同的预测结果。因此,根据一实施例,可以通过两个识别点构建特征向量,并基于前述几何关系,来计算得到预测点组。
根据一实施例,如前所述,对于每个识别点,不仅记录了其坐标,还记录了其所对应的标记点的圆形区域的半径,因此每两个识别点之间的距离是可以得到的。而在标记点的几何关系中,每两个标记点之间的距离也是清楚记录的。为了优化处理效率,可以筛选出两两识别点间距离大于前述几何关系中所记录的两两标记点间距离最小值的,如此可忽略不合理的识别点组合,可以减少计算量并且不会降低计算精度。
根据一实施例,本申请以图2a及图2b所示的标定标尺为例,如前所述,该标定标尺具有两组标记点。为优化计算及处理效率,可以先以第一组标记点的几何关系为基准,从每两个识别点出发,预测得到与第一组标记点相对应的第一预测点组。
在S105,对于每一个预测点组,基于预测点与识别点的距离,得到与预测点对应的预测匹配点,并计算预测点组评分值。
由于预测点只是计算出的“虚拟”的点,还需要将其与“实际”进行结合,因此在得到预测点后,需要将其匹配到识别点上。根据一实施例,在每个第一预测点组中,对于其中的每一个预测点,首先在此预测点一预设的最大距离阈值范围内,找到与此预测点距离最近的识别点作为预测匹配点,再得到预测点与其预测匹配点之间的距离以进行后续的对预测点进行打分的处理。特别的,如果在该最大距离阈值范围内没有找到识别点,也就意味着与该预测点距离最近的识别点在前述最大距离阈值范围之外,则将该预测点自身作为其预测匹配点,并且记录此预测点与其预测匹配点之间的距离至少为前述最大距离阈值,这是因为,打分是基于预测点和预测匹配点之间的距离进行的,距离越大,得分越少,在最大距离阈值范围内没有找到识别点时,在打分时应该得分较少,所以就认为该预测点与预测匹配点的距离至少为最大距离阈值,但是,仍然需要为该预测点找一匹配点,考虑到可能存在遮挡情况,因此将该预测点作为预测匹配点。其中,最大距离阈值设置的意义为:若预测点周围此最大距离阈值范围内没有找到识别点,则认为该预测点无法匹配到有效的预测点。对于此结果存在两种情况,其一是得到此预测点所基于的预测基准点以及所选取的几何关系不正确;另一是标记点在摄像过程中被遮挡,未能在图像中显示。该最大距离阈值为人工设置的经验值,例如可以设置为标记点的圆形区域半径长度的3倍。
根据一实施例,将预测点和预测基准点的距离作为打分参考距离,在基于打分参考距离为预测点打分前,需要构建一套打分体系。
根据一实施例,预测点评分值需要具有评分值范围以方便进行计算与比较,并且该评分值范围中的一个限值即第一限值表示预测点在前述最大距离阈值范围内匹配到了预测匹配点,并且与预测匹配点重合,也就是其打分参考距离为0。该评分值范围的另一个限值即第二限值则表示在此预测点的最大距离阈值范围内没有匹配到预测匹配点,也就是其打分参考距离至少为前述最大距离阈值。在评分值范围内,预测点的评分值随其打分参考距离的变化而线性变化。例如,可以将评分值范围设为0至100分,并且令100分对应预测点与预测匹配点重合即打分参考距离为0的情况,令0分对应预测点在最大距离阈值范围内未能匹配到识别点即打分参考距离至少为最大距离阈值的情况,即第一限值为100分,第二限值为0分。可见在该实施例中,在最大距离阈值内评分值随打分参考距离的增加而减少。
根据一实施例,为便于计算可以预测点的评分值和其打分参考距离的关系符合某函数关系,该函数关系可以根据经验而定,例如可以为:
其中,S为评分值,Smax为评分值上限,D为打分参考距离,Dmax为最大距离阈值。当D≥Dmax时,直接将预测点评分值设为前述第二限值。
根据另一实施例,在实际应用中也可以根据经验,直接基于打分参考距离的绝对值设置更为直接的函数关系,例如:
S=Smax-m×D2,(D<Dmax)
其中,S为评分值,Smax为评分值上限,D为打分参考距离,m为一经验系数可以设为例如0.5。当D≥Dmax时,直接将预测点评分值设为前述第二限值。
此函数关系是申请人基于实践中大量的结果数据以及分析而得出的,其主要一点在于利用打分参考距离的平方与评分值构建函数关系,即随着打分参考距离D的增大,评分值会下降得越来越快,使得整个打分体系更倾向于为打分参考距离尽可能小的预测点评更高分。
根据一实施例,对于每一个预测点组,可以根据其每个预测点的评分值,求和计算出预测点组评分值。可以理解的是,预测点组评分值越高,则代表该组预测点的预测结果更为精确,更优。
根据一实施例,在计算预测点组评分值时,可以根据需求为不同标记点对应的预测点评分值分配不同的权重,用以体现对某些点的侧重匹配。
根据另一实施例,为进一步优化处理效率并提高结果精度,可以筛选出一定数量评分值最高的第一预测点组以进行后续处理。例如,筛选出前五个得分最高的第一预测点组。如此可以省略对于大量评分值较低的预测匹配点组的不必要的计算与处理。
根据一实施例,在得到第一预测匹配点组后,即可利用前述几何关系中的组际几何关系对第二组标记点进行预测进而得到第二预测点组。采用将标记点分为多组的标定标尺,基于其多组标记点间的组际几何关系,可以先基于其中某一组标记点的几何关系进行预测点预测,再基于组际几何关系直接得到其他组标记点所对应的预测点。此方法相比较于对第二组标记点再循环遍历一遍的方法大大节省了计算资源,提升了计算效率。另外,由于利用了标记点间强约束的几何关系,在实际操作过程中即使标定标尺正反翻转也不会降低算法精度。
但是在拍摄时,标定标尺通常不是处于如图2b所示的姿态,可能由于在空间中发生各种方向的旋转或倾斜等而产生形变。但是前述几何关系是基于图2b所示的姿态而得到的。
因此,根据一实施例,在得到第一预测点组以及与其所对应的第一预测匹配点组后,可以基于第一预测匹配点组整体和第一组标记点整体,计算出它们之间的几何差异。再基于该几何差异对前述组际几何关系进行调整,以使得调整后的组际几何关系符合前述产生的形变,进而使得得到的第二预测点组更加精确。得到前述几何差异的方法可以利用例如立体几何中的坐标变换方法等,前述几何差异可以以例如空间变换矩阵的形式体现,该方法为本领域技术人员所熟知,此处不再展开描述。本申请提出的方案在标定标尺扭转一定角度时,可依据某一组得到的预测匹配点与其对应的标记点之间变化的几何差异,改变多组标记点间的组际几何关系,从而准确预测得到标定标尺扭转一定角度后应该得到的其他预测点,提高第二组标记点的预测准确度。
根据一实施例,在得到第二预测点组后,对其匹配第二预测匹配点组并进行打分。该过程与前述对于第一预测点组的处理相似,此处不再赘述。其中特殊的一点在于,在进行第二预测匹配点组的匹配时,需要首先排除对应的第一预测匹配点组中的预测匹配点,否则会导致对于同一个识别点进行重复匹配。
根据另一实施例,若第一标记点平面与第二标记点平面不平行,第一组标记点与第二组标记点之间不存在确定的组际几何关系,即无法基于第一预测匹配点组直接得到第二预测匹配点组。因此在这种情况下,得到第一预测匹配点组后,首先从识别点中排除第一预测匹配点组中的预测匹配点,再基于第二组标记点的点际几何关系,从剩余的识别点中得到第二预测匹配点组,其过程与得到第一预测匹配点组相同,不再赘述。
在S107,基于预测点组评分值找到最优预测点组,基于最优预测点组匹配标记点。
根据一实施例,将整体属于同一组的第一预测点组评分值和第二预测点组评分值相加,找出其中评分值最高的,即可得到最优预测点组。而最优预测点组所对应的预测匹配点组即为从医疗透视影像中检测或匹配到的标记点,更具体的,为标记点的圆心坐标点。
根据一实施例,可以在医疗透视影像上,以匹配到的标记点的圆心坐标为中心,绘制正方形,该正方形的边长为标记点的圆形区域的直径,即半径的2倍。并且,在该正方形附近标注其所对应的标记点的编号,即完成了对标记点的可视化标示。
根据一些实施例,本申请方法相比较于专利CN104123540B的方法的识别准确率有显著提升,并且在摄像时标定标尺倾斜,标记点被遮挡,图像成像复杂或者模糊等干扰条件下仍可以保持相对高的检测匹配精度,也就是说,本申请提出的方案在强干扰的情况下鲁棒性高,在遮挡、雾化等干扰环境下也能准确检测匹配到标记点。可参考图4a(标定标尺倾斜)、图4b(图像模糊并且部分标记点被遮挡)以及图4c(图像成像复杂)所示的检测结果对比示意图。其中每幅附图的左侧为本申请方法的识别结果,右侧为前述现有技术的识别结果,可以直观清楚地对比看到本申请的改进效果。需要说明的是,在此示意图中,未在标定标尺上的所有孔中设置钢珠,可以看到,其为每一组标记点设置了5枚钢珠作为标记点。
根据一些实施例,前述标记点的匹配过程可以用以下数学表达式表示:
构建预测、评分函数:
S1=g(xdets,f1(xdets))
xmatched=h(xdets,f1(xdets),threshold)
x′dets=xdets-xmatched
S2=g(x′dets,f2(xmatched))
Stotal=S1+S2=g(xdets,f1(xdets))+g(x′dets,f2(xmatched))
=G(f1,f2,dets)
将求最优解问题转变成:
s.t.f1∈F1,f2∈F2
其中F1、F2分别为满足点际几何关系、组际几何关系的预测函数解集子空间。S1、S2分别为第一预测点组得分及第二预测点组得分,xdets为预测点,xmatched为预测匹配点,g为每个预测点组的评分函数,G为总的预测点组的评分函数,h为匹配函数,f1、f2为预测函数。
图5示出根据本申请实施例的用于检测医疗透视图像中标记点的装置的框图。该用于检测医疗透视图像中标记点的装置包括识别点模块501,预测点模块503,预测点匹配与打分模块505以及标记点匹配模块507,其中:
识别点模块501,识别医疗透视图像,得到识别点;
预测点模块503,基于识别点和几何关系得到预测点组;
预测点匹配与打分模块505,对于每一个预测点组,基于预测点与识别点的距离,得到与预测点对应的预测匹配点,并计算预测点组评分值;
标记点匹配模块507,基于预测点组评分值找到最优预测点组,基于最优预测点组匹配标记点。
该装置执行与前面提供的方法类似的功能,其他功能可参见前面的描述,此处不再赘述。
图6示出根据一示例性实施例的一种电子设备的框图。
下面参照图6来描述根据本申请的这种实施方式的电子设备600。图6显示的电子设备600仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示,电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于:至少一个处理单元610、至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630、显示单元640等。
其中,存储单元存储有程序代码,程序代码可以被处理单元610执行,使得处理单元610执行本说明书描述的根据本申请各种示例性实施方式的方法。例如,处理单元610可以执行前面描述的的方法。
存储单元620可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)6201和/或高速缓存存储单元6202,还可以进一步包括只读存储单元(ROM)6203。
存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204,这样的程序模块6205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线630可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备600也可以与一个或多个外部设备6001(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备600交互的设备通信,和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且,电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。网络适配器660可以通过总线630与电子设备600的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备600使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。根据本申请实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本申请实施方式的上述方法。
软件产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、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。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(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。
计算机可读存储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,其中承载了可读程序代码。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。可读存储介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、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。可读存储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、有线、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的任意组合来编写用于执行本申请操作的程序代码,程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该计算机可读介质实现前述功能。
本领域技术人员可以理解上述各模块可以按照实施例的描述分布于装置中,也可以进行相应变化唯一不同于本实施例的一个或多个装置中。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。
通过以上的实施例的描述,本领域的技术人员易于理解,这里描述的示例实施例可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本申请实施例的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本申请实施例的方法。
以上对本申请实施例进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明仅用于帮助理解本申请的方法及其核心思想。同时,本领域技术人员依据本申请的思想,基于本申请的具体实施方式及应用范围上做出的改变或变形之处,都属于本申请保护的范围。综上所述,本说明书内容不应理解为对本申请的限制。
Claims (8)
1.一种检测医疗透视图像中标记点的方法,其中,所述医疗透视图像中标记点为多个,其由设置于标定标尺上的多个标记点成像得到,多个标记点之间存在确定的几何关系,所述方法包括:
识别所述医疗透视图像,得到识别点;
基于所述识别点和所述几何关系得到预测点组;
对于每一个预测点组,基于所述预测点与所述识别点的距离,得到与所述预测点对应的预测匹配点,并计算预测点组评分值;
基于所述预测点组评分值找到最优预测点组,基于所述最优预测点组匹配标记点;
其中,所述多个标记点包括第一组标记点和第二组标记点,其中所述第一组标记点的全部标记点位于同一第一标记点平面内,所述第二组标记点的全部标记点位于同一第二标记点平面内,且所述第一标记点平面和所述第二标记点平面空间平行;
所述几何关系包括任一组标记点内全部标记点之间的点际几何关系;以及
所述第一组标记点和所述第二组标记点之间的组际几何关系;
其中,所述基于所述识别点和所述几何关系得到预测点组,包括:
取所述识别点中的任意两个作为预测基准点;
对于两个所述预测基准点,基于所述预测基准点以及所述第一组标记点的所述点际几何关系,得到第一预测点组,其中,所述第一预测点组中包括所述预测基准点;
遍历全部所述识别点,得到全部可能的第一预测点组。
2.如权利要求1所述的方法,其特征在于,所述对于每一个预测点组,基于所述预测点与所述识别点的距离,得到与所述预测点对应的预测匹配点,并计算预测点组评分值,包括:
对于所述预测点组中的每一个所述预测点:
在距离所述预测点一预设的最大距离阈值范围内,找到与所述预测点距离最近的所述识别点作为预测匹配点;
令所述预测点与对应的所述预测匹配点的距离为打分参考距离,基于所述打分参考距离计算预测点评分值,其中,所述预测点评分值的第一限值表示所述预测点与所述预测匹配点重合,所述预测点评分值的第二限值表示在所述预测点的所述最大距离阈值范围内没有找到所述预测匹配点;
若在所述预测点的所述最大距离阈值范围内没有找到所述识别点,则将所述预测点作为所述预测匹配点,并将所述预测点评分值设为所述第二限值;
将所述预测点组内全部所述预测点的所述预测点评分值相加,得到所述预测点组评分值。
3.如权利要求2所述的方法,其特征在于,所述基于所述识别点和所述几何关系得到预测点组,还包括:
获得与所述第一预测点组对应的第一预测匹配点组,以及第一预测点组评分值;
基于所述第一预测匹配点组以及所述组际几何关系,得到第二预测点组。
4.如权利要求3所述的方法,其特征在于,所述获得与所述第一预测点组对应的第一预测匹配点组,以及第一预测点组评分值之后,还包括:
计算所述第一预测匹配点组与所述第一组标记点之间的几何差异;
基于所述几何差异调整所述组际几何关系。
5.如权利要求3所述的方法,其特征在于,还包括:
获得所述第二预测点组对应的第二预测匹配点组,以及第二预测点组评分值;
将所述第一预测点组评分值和所对应的所述第二预测点组评分值求和,得到整体预测点组评分值。
6.如权利要求5所述的方法,特征在于,所述基于所述预测点组评分值找到最优预测点组,基于所述最优预测点组匹配标记点,包括:
将所述整体预测点组评分值最高的所述预测点组作为所述最优预测点组;
将所述最优预测点组对应的所述预测匹配点组匹配为标记点。
7.一种用于检测医疗透视图像中标记点的装置,其中,所述医疗透视图像中标记点为多个,其由设置于标定标尺上的多个标记点成像得到,多个标记点之间存在确定的几何关系,所述装置包括:
识别点模块,识别所述医疗透视图像,得到识别点;
预测点模块,基于所述识别点和所述几何关系得到预测点组;
预测点匹配与打分模块,对于每一个预测点组,基于所述预测点与所述识别点的距离,得到与所述预测点对应的预测匹配点,并计算预测点组评分值;
标记点匹配模块,基于所述预测点组评分值找到最优预测点组,基于所述最优预测点组匹配标记点;
其中,所述多个标记点包括第一组标记点和第二组标记点,其中所述第一组标记点的全部标记点位于同一第一标记点平面内,所述第二组标记点的全部标记点位于同一第二标记点平面内,且所述第一标记点平面和所述第二标记点平面空间平行;
所述几何关系包括任一组标记点内全部标记点之间的点际几何关系;以及
所述第一组标记点和所述第二组标记点之间的组际几何关系;
其中,所述预测点模块用于:
取所述识别点中的任意两个作为预测基准点;
对于两个所述预测基准点,基于所述预测基准点以及所述第一组标记点的所述点际几何关系,得到第一预测点组,其中,所述第一预测点组中包括所述预测基准点;
遍历全部所述识别点,得到全部可能的第一预测点组。
8.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110844921.6A CN113764076B (zh) | 2021-07-26 | 2021-07-26 | 检测医疗透视图像中标记点的方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110844921.6A CN113764076B (zh) | 2021-07-26 | 2021-07-26 | 检测医疗透视图像中标记点的方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113764076A CN113764076A (zh) | 2021-12-07 |
CN113764076B true CN113764076B (zh) | 2024-02-20 |
Family
ID=78788036
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110844921.6A Active CN113764076B (zh) | 2021-07-26 | 2021-07-26 | 检测医疗透视图像中标记点的方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113764076B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101853333A (zh) * | 2010-05-26 | 2010-10-06 | 中国科学院遥感应用研究所 | 医疗机器人导航定位图像中的标记拾取方法 |
EP2740409A1 (en) * | 2012-12-04 | 2014-06-11 | Samsung Medison Co., Ltd. | Medical system, medical imaging apparatus, and method of providing three-dimensional marker |
CN104123540A (zh) * | 2014-07-15 | 2014-10-29 | 北京天智航医疗科技股份有限公司 | 手术机器人定位标志点自动识别方法 |
EP3254639A1 (en) * | 2016-06-08 | 2017-12-13 | Tinavi Medical Technologies Co., Ltd. | A surgical localizing scale |
EP3255609A1 (en) * | 2016-06-08 | 2017-12-13 | Tinavi Medical Technologies Co., Ltd. | A method of automatically identifying a sequence of marking points in 3d medical image |
CN110148454A (zh) * | 2019-05-21 | 2019-08-20 | 上海联影医疗科技有限公司 | 一种摆位方法、装置、服务器及存储介质 |
CN111583188A (zh) * | 2020-04-15 | 2020-08-25 | 武汉联影智融医疗科技有限公司 | 手术导航标记点定位方法、存储介质及计算机设备 |
CN112862813A (zh) * | 2021-03-04 | 2021-05-28 | 北京柏惠维康科技有限公司 | 标记点提取方法、装置、电子设备及计算机存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9082036B2 (en) * | 2009-11-25 | 2015-07-14 | Dental Imaging Technologies Corporation | Method for accurate sub-pixel localization of markers on X-ray images |
CN104055520B (zh) * | 2014-06-11 | 2016-02-24 | 清华大学 | 人体器官运动监测方法和手术导航系统 |
WO2018060404A1 (en) * | 2016-09-29 | 2018-04-05 | Koninklijke Philips N.V. | System and method for planning and performing an interventional procedure based on the spatial relationships between identified points |
CN109003270B (zh) * | 2018-07-23 | 2020-11-27 | 北京市商汤科技开发有限公司 | 一种图像处理方法、电子设备及存储介质 |
JP7440534B2 (ja) * | 2019-04-04 | 2024-02-28 | センターライン バイオメディカル,インコーポレイテッド | 2次元画像投影を用いた、トラッキングシステムと画像との空間レジストレーション |
-
2021
- 2021-07-26 CN CN202110844921.6A patent/CN113764076B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101853333A (zh) * | 2010-05-26 | 2010-10-06 | 中国科学院遥感应用研究所 | 医疗机器人导航定位图像中的标记拾取方法 |
EP2740409A1 (en) * | 2012-12-04 | 2014-06-11 | Samsung Medison Co., Ltd. | Medical system, medical imaging apparatus, and method of providing three-dimensional marker |
CN104123540A (zh) * | 2014-07-15 | 2014-10-29 | 北京天智航医疗科技股份有限公司 | 手术机器人定位标志点自动识别方法 |
EP3254639A1 (en) * | 2016-06-08 | 2017-12-13 | Tinavi Medical Technologies Co., Ltd. | A surgical localizing scale |
EP3255609A1 (en) * | 2016-06-08 | 2017-12-13 | Tinavi Medical Technologies Co., Ltd. | A method of automatically identifying a sequence of marking points in 3d medical image |
CN107481276A (zh) * | 2016-06-08 | 2017-12-15 | 北京天智航医疗科技股份有限公司 | 一种三维医学图像中标记点序列的自动识别方法 |
CN110148454A (zh) * | 2019-05-21 | 2019-08-20 | 上海联影医疗科技有限公司 | 一种摆位方法、装置、服务器及存储介质 |
CN111583188A (zh) * | 2020-04-15 | 2020-08-25 | 武汉联影智融医疗科技有限公司 | 手术导航标记点定位方法、存储介质及计算机设备 |
CN112862813A (zh) * | 2021-03-04 | 2021-05-28 | 北京柏惠维康科技有限公司 | 标记点提取方法、装置、电子设备及计算机存储介质 |
Non-Patent Citations (6)
Title |
---|
A Robust Registration Algorithm for Image-Guided Surgical Robot;Qianqian Li,等;IEEE Access;第06卷;第42950-42960页 * |
Influence of multi-angle input of intraoperative fluoroscopic images on the spatial positioning accuracy of the C-arm calibration-based algorithm of a CAOS system;Xiangqian Chen,等;Med Biol Eng Comput;第58卷(第03期);第559-572页 * |
一种基于标记点的三维医学图像配准方法研究;冯云,等;中国医学装备;第15卷(第02期);第6-9页 * |
医学图像配准中X光影像标记点特征检测算法的研究;蒋艳;中国优秀硕士学位论文全文数据库 信息科技辑(第02期);第I138-1973页 * |
机器人辅助外科手术定位系统的初步实验与误差分析;王田苗,等;机器人(第01期);第8页 * |
面向机器人辅助神经外科手术的视觉标定方法;朱艳菊,等;高技术通讯(第11期);第69-74页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113764076A (zh) | 2021-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109300159B (zh) | 位置检测方法、装置、设备、存储介质及车辆 | |
CN109118542B (zh) | 激光雷达与相机之间的标定方法、装置、设备及存储介质 | |
JP2020042818A (ja) | 3次元データの生成方法、3次元データの生成装置、コンピュータ機器及びコンピュータ読み取り可能な記憶媒体 | |
US8311296B2 (en) | Voting in mammography processing | |
JP6594129B2 (ja) | 情報処理装置、情報処理方法、プログラム | |
CN111144322A (zh) | 一种分拣方法、装置、设备和存储介质 | |
JP2019185239A (ja) | 物体認識処理装置及び方法、並びに、物体ピッキング装置及び方法 | |
JP2017516238A (ja) | 高精度単眼移動によるオブジェクト位置特定 | |
CN111368927B (zh) | 一种标注结果处理方法、装置、设备及存储介质 | |
CN109145902B (zh) | 一种利用泛化特征对几何标识进行识别及定位的方法 | |
US20060152478A1 (en) | Projection of synthetic information | |
CN113744328B (zh) | 医学图像标记点识别方法、装置、电子设备及存储介质 | |
CN113782159B (zh) | 医学图像标记点匹配方法、装置、电子设备及存储介质 | |
CN113764076B (zh) | 检测医疗透视图像中标记点的方法、装置及电子设备 | |
US11630208B2 (en) | Measurement system, measurement method, and measurement program | |
JP5418427B2 (ja) | 衝突時間算出装置、衝突時間算出方法及びプログラム | |
CN115631342A (zh) | 医学影像特征点识别方法、识别系统及可读存储介质 | |
CN112509050B (zh) | 一种位姿估计方法、防碰撞抓物方法和装置 | |
CN113075647A (zh) | 机器人定位方法、装置、设备和介质 | |
WO2021019206A1 (en) | Improvements in or relating to photogrammetry | |
CN116350351A (zh) | 手术机器人标志位识别定位方法、装置及设备 | |
US11491650B2 (en) | Distributed inference multi-models for industrial applications | |
CN116350352B (zh) | 手术机器人标志位识别定位方法、装置及设备 | |
CN115409880B (zh) | 工件数据配准方法、装置、电子设备及存储介质 | |
CN116849806A (zh) | 医学影像标记点识别方法和手术机器人系统 |
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 |