CN113850810A - 用于转正股骨的方法及手术系统、存储介质以及电子设备 - Google Patents

用于转正股骨的方法及手术系统、存储介质以及电子设备 Download PDF

Info

Publication number
CN113850810A
CN113850810A CN202111455889.9A CN202111455889A CN113850810A CN 113850810 A CN113850810 A CN 113850810A CN 202111455889 A CN202111455889 A CN 202111455889A CN 113850810 A CN113850810 A CN 113850810A
Authority
CN
China
Prior art keywords
medullary cavity
femoral head
femur
point
axis
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.)
Granted
Application number
CN202111455889.9A
Other languages
English (en)
Other versions
CN113850810B (zh
Inventor
刘金勇
黄志俊
钱坤
范昕
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.)
Lancet Robotics Co Ltd
Original Assignee
Lancet Robotics Co Ltd
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 Lancet Robotics Co Ltd filed Critical Lancet Robotics Co Ltd
Priority to CN202111455889.9A priority Critical patent/CN113850810B/zh
Publication of CN113850810A publication Critical patent/CN113850810A/zh
Application granted granted Critical
Publication of CN113850810B publication Critical patent/CN113850810B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural 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
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/40—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mechanical, radiation or invasive therapies, e.g. surgery, laser therapy, dialysis or acupuncture
    • 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
    • G06T2207/20—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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Surgery (AREA)
  • Urology & Nephrology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Image Processing (AREA)

Abstract

一种使用髓腔中心线转正股骨的方法及手术系统、计算机可读存储介质以及电子设备，通过基于髓腔中心线与股骨头中心点转正股骨，使股骨虚拟图像转正至与Z轴平行的位置，从而以转正后的位置信息来辅助手术前规划。其中，分别通过使用神经网络分割与直线方程确定髓腔中心线、使用分割网络与最小二乘法拟合确定股骨头中心点；对髓腔中心线近端、远端与股骨头中心点组成的三角形旋转完成股骨的转正，找到股骨的正确位置，从而更有利于手术机器人辅助术前规划。在分割时将所有的输出图片在Z轴上堆叠得到STL格式的3D模型并分解成点云图像，当基于点云数据确定髓腔中心线的两个点在冠状面方向与矢状面方向上的坐标一致时，判定股骨处于正确的位置。

Description

用于转正股骨的方法及手术系统、存储介质以及电子设备
技术领域
本发明涉及用于关节置换的计算机辅助规划技术领域以及医学图像数据处理技术领域，具体而言，涉及一种基于深度学习、数值算法等手段来进行股骨转正的方法及系统，尤其是用于辅助手术规划的智能系统，更具体地，涉及一种使用髓腔中心线与股骨头中心点转正股骨的方法及手术系统、计算机可读存储介质、电子设备以及计算机程序产品。
背景技术
随着现代社会的飞速发展，各行各业都开始与IT行业产生密不可分的联系，医疗行业也是如此，在由手术机器人进行辅助全髋关节置换术中，术前规划是非常重要的一步，可以说术前规划的好与差，能够直接影响到手术的最终结果，而股骨位置的正确性，便是术前规划的一个重要的步骤。
其中，在CT（计算机断层扫描）拍摄过程中，因为患者的卧姿在多数情况下都不能够与Z轴平行，那么就会导致整个CT的方向处于一种错位的情况，从而致使手术无法正确的进行。
所以为了避免这种情况，需要在术前规划时对股骨进行转正。
发明内容
为解决上述问题，本发明的目的在于提供一种基于髓腔中心线与股骨头中心点转正股骨的方法及系统，其能够通过基于髓腔中心线与股骨头中心点转正股骨，使股骨虚拟图像转正至与Z轴平行的位置，从而以转正后的位置信息来辅助包括术前规划、术中规划的手术规划。
根据本发明的一方面，提供一种用于辅助术前规划的手术系统，通过以调整成与Z轴平行的位置的股骨图像数据来辅助术前规划，其中，通过基于髓腔中心线与股骨头中心点转正股骨，使股骨虚拟图像转正至与Z轴平行的位置，从而以转正后的位置信息来辅助术前规划， 该手术系统包括以下各单元：自动分割单元，构成为使用第一分割用神经网络与直线方程确定髓腔中心线，并且使用第二分割用神经网络与最小二乘法拟合确定股骨头中心点；和转正单元，构成为对髓腔中心线近端、远端与股骨头中心点组成的三角形旋转完成股骨的转正，找到股骨的正确位置，其中，自动分割单元将所有的输出图片在Z轴上进行堆叠得到STL格式的3D模型，将该STL格式的3D模型分解成点云图像，使用最小二乘法对点云数据进行拟合，将对应于所得到的两个点的直线确定为髓腔中心线，该自动分割单元通过使用第二分割用神经网络分割股骨头的近似半球面，将采用最小二乘法拟合的球心作为股骨头中心点。
如此，能够通过调整使整个CT的方向恢复至与Z轴平行，从而在术前规划即可利用正确的点云数据信息，确保手术正确地进行。
根据本发明的又一方面，提供一种基于髓腔中心线与股骨头中心点转正股骨的方法，包括如下步骤：使用第一分割用神经网络与直线方程确定髓腔中心线，并且使用第二分割用神经网络与最小二乘法拟合确定股骨头中心点；使用旋转算法对髓腔中心线近端、远端与股骨头中心点组成的三角形旋转完成股骨的转正，找到股骨的正确位置。
可选地，第一分割用神经网络和第二分割用神经网络采用基于unet的结构，分别包括4次下采样与4次上采样，其中，每次下采样或上采样之前进行两次卷积结构运算，每次卷积结构运算指的是将本次输入进行3×3×通道数的卷积之后再进行激活，激活函数使用修正线性单元relu激活函数：（relu(x)=max(0, x)），在下采样时使用最大池化，本次卷积结构的通道数是上一次池化之前的两倍，如上一次没有进行池化，则本次卷积结构的通道数与上一次相等，每次上采样使用双线性插值后，通道数为插值之前的1/2，长宽各为原来的两倍，在每次下采样的最大池化之前会将相应的特征图进行保存，并且传递给上采样之后的长宽相等的特征图进行concat拼接，在得到与原图长宽相等的特征图之后，再进行一次卷积，此次卷积通道数为2，之后使用sigmoid激活函数，将所有的输出图片在Z轴上进行堆叠得到STL格式的3D模型。
可选地，将STL格式的3D模型分解成点云图像，使用最小二乘法对点云数据进行拟合，将对应于所得到的两个点的直线确定为髓腔中心线。
可选地，通过使用第二分割用神经网络分割股骨头的近似半球面，将采用最小二乘法拟合的球心作为股骨头中心点。
可选地，在近似半球面中，随机取10个点，根据球方程列出所得到的四元二次十项非线性方程组，使用最小二乘法进行解方程，将循环迭代结果的均值确定为股骨中心点。
可选地，根据空间三角形旋转方法与平面三角形旋转方法相结合，使得股骨旋转至髓腔中线垂直于横断面且水平于横断面堆叠的方向的程度，其中，先后分别进行绕三个不同坐标旋转轴以及其他二个坐标轴组成平面的旋转的顺序是绕X轴、绕Y轴、绕Z轴。
根据本发明的另一方面，还提供一种基于髓腔中心线与股骨头中心点转正股骨的手术系统，包括以下各单元：自动分割单元，构成为使用第一分割用神经网络与直线方程确定髓腔中心线，并且使用第二分割用神经网络与最小二乘法拟合确定股骨头中心点；和转正单元，构成为使用旋转算法对髓腔中心线近端、远端与股骨头中心点组成的三角形旋转完成股骨的转正，找到股骨的正确位置。
根据本发明的又一方面，还提供种计算机可读存储介质，存储有计算机程序，计算机程序用于执行上述任一方法。
根据本发明的再一方面，还提供一种电子设备，包括：处理器和用于存储处理器可执行的指令的存储器，处理器用于从存储器中读取指令，并执行指令以实现上述任一方法。
根据本发明的还一方面，还提供一种计算机程序产品，包括计算机程序，其中该程序被计算机执行时实现上述方法。
附图说明
图1示出根据本发明实施例的使用髓腔中心线转正股骨的方法的流程图。
图2示意性地示出根据本发明实施例对髓腔横断面的髓腔标记。
图3示意性地示出不进行标记的髓腔横断面对比例。
图4示意性地示出根据本发明实施例的unet网络基础架构流程图。
图5示意性地示出关于XYZ轴的定义。
图6 示意性地示出三角形转动的过程。
图7示出根据本发明实施例的股骨转正手术系统的结构示意图。
图8示意性地示出根据本发明实施例对股骨头横断面的标记。
具体实施方式
下面结合附图详细描述本发明的示例性实施例。下文描述的和附图示出的示例性实施例旨在教导本发明的原理，使本领域技术人员能够在若干不同环境中和对于若干不同应用实施和使用本发明。因此，本发明的保护范围由所附的权利要求来限定，示例性实施例并不意在、并且不应该被认为是对本发明保护的范围的限制性描述。
在下文中，Z轴方向是指垂直于横断面方向、并且平行于矢状面和冠状面的方向；X轴方向是垂直于Z轴、且在冠状面内的方向；Y轴是垂直于Z轴、X轴、且在矢状面内的方向，如图5所示。
本申请的主要目的在于提供一种进行股骨转正的方法与系统。
<股骨转正的方法>
图1示出根据本发明实施例的使用髓腔中心线与股骨头中心点转正股骨的方法S100的流程图。方法S100可从步骤S101处开始。
具体步骤包括：首先在S101计算髓腔中心线，然后在S102计算股骨头中心点来作为轴心，随后在S103以股骨头中心点作为轴心，将髓腔中心线绕该轴心旋转直至与Z轴平行，最后在S104输出转正的股骨。
根据一个实施例，本方法使用了深度学习与数值算法相结合的一种循序渐进的解决方案。具体过程如下所述。
在S101，首先使用分割网络与直线方程画出髓腔中心线。
在此，使用髓腔中近似圆柱体的那一部分而不是整个髓腔来确定髓腔中心线，这是因为若使用整个髓腔，接近髋关节与膝关节的两处便呈不规则分布，会影响直线方程的效果，而只用髓腔中部近似圆柱部分则可以得到非常优秀的效果，便可直接使用直线方程拟合出髓腔中线。因此，进行图像标注时便将股骨两端进行忽略，以此标签进行训练便可得到上述结果。
然后，在S102，找到股骨头中心点，使用分割网络分割股骨头的近似半球面，之后采用最小二乘法拟合球心。该球心即为股骨头中心点（参照图6的A）。为了方便描述，此处股骨中心记作点A，髓腔中线的近端记作点B，髓腔中线的远端记作点C。
此时已得到了3个坐标点：髓腔中线的远端C与近端B（远端与近端的判断标准为距离心脏的距离远近）以及股骨头中心点A，可将这3个点视为三维空间中的一个二维三角形ABC。
之后在S103，根据空间三角形旋转方法与平面三角形旋转方法相结合，使得股骨旋转至髓腔中线垂直于横断面且水平于横断面堆叠的方向的程度，从而大大减小了全髋关节置换术的难度。
根据一个实施例，在S101使用深度学习来确定髓腔中心线的位置时，使用通过如下步骤S1011～S1015训练而得到的神经网络权重。
S1011：将髓腔进行分割并且标记，数据标记使用横断面进行，将髓腔中近似圆形的髓腔结构作为标记，如图2所示，沿左、右股骨的髓腔（图中两个明显的白底环状结构）的内侧描画标记。
与此不同，对于接近大小转子位置的不规则形状的髓腔结构则不进行标记（图3中的髓腔并未标记），否则会影响后续的稳定性，因为之后的数值算法中，需要将分割出来的髓腔分解成一个点云图像，而这个点云图像越接近圆柱则效果越好，所以数据标注准确地说应该是髓腔中近似圆柱体的那一部分。
之后进行训练（S1012），神经网络使用原生unet即可。
根据一个实施例，如图4所示，unet的结构为4次下采样与4次上采样。
图像输入input的尺寸为任意的，但是下采样要进行4次，也就是说长宽都必须为
Figure DEST_PATH_IMAGE001
的倍数才不会导致程序出错，同时考虑到CT图像的标准大小全部都是512×512，所以将尺寸固定，之后输入网络进行第一次卷积结构，使用64个3*3的卷积核进行卷积运算后为了使数据同分布进行BN（batch normal，批量归一化）操作，之后使用relu（relu(x)=max（0，x））激活函数进行激活，目的是增加神经网络的非线性结构，这便是一个64通道的卷积结构，在进行两次卷积结构后进行下采样，得到了一个256×256×64的特征图，这便是unet中的“第一层”，之后进行第二层，直至第五层为止，每一层的操作都是相同的，区别在于，每一层的通道数都会增加到上一层的两倍，并且每一层的输出结果都会进行保存，直到进行了四层之后的第五层，就变成了一个32×32×1024的特征图。
此后进行上采样，前文中也提到过，每次进行下采样之前会对特征图进行保存，便是为了与上采样时的特征图进行concat拼接，此目的是为了使原图特征更加准确地使用表征信息，每一层上采样与下采样的区别为，通道数从增加一倍变成减少二分之一，其余完全一样，最终得到了长宽与输入的原图大小一致的一张64通道的特征图，之后再多进行一次2通道的卷积结构之后，使用激活函数进行激活便得到了最终输出结果output。
如此，在所采用的unet的结构中，下采样使用最大池化，上采样使用双线性插值，之所以使用双线性插值是因为此插值方式的性价比比较高，所谓性价比，便是速度很快而精度却几乎没有丢失。
关于每次下采样或上采样之前进行的两次卷积结构运算，每次卷积结构运算指的是将本次输入进行3×3×通道数的卷积之后再进行激活，激活函数使用的修正线性单元relu激活函数：（relu(x)=max(0, x)），（式0），在原网络基础上不做改动。
在通道数方面，在下采样时，本次卷积结构的通道数是上一次池化之前的两倍，如无池化，则与之前相等，例如，第一个卷积结构为64通道，第二卷积结构依旧是64通道，随后进行了最大池化，那么第三卷积结构就为64×2=128通道。而上采样与之相反，每次上采样使用双线性插值后，通道数为插值之前的1/2，长宽各为原来的两倍，特征被提取得更加精细。
此外，在每次下采样的最大池化之前会将相应的特征图进行保存，并且传递给上采样之后的与之长宽相等的特征图，与之进行concat拼接。这样做可以加强特征融合，拼接方式使用泛用性更强、而且对原特征保留得更多的concat拼接。
最终，在得到与原图长宽相等的特征图之后，再进行一次卷积，此次卷积通道数为2，
之后使用sigmoid激活函数（参见下式1，e为自然常数），
Figure DEST_PATH_IMAGE002
，（式1）。
对输入图片中的每个像素进行推理，推理结果在0-1之间，之后进行阈值分割，大于0.5的视作1（正样本，符合髓腔），小于0.5的视作0（负样本，不符合髓腔），以此完成髓腔的分割，每张CT得到的结果应该是无结果（髓腔之外的位置）或两个髓腔的圆形切片（左、右股骨的髓腔同时预测，所以为两个）。
如此，利用基于标注的训练样本对神经网络进行了训练，获得并保存经过训练的神经网络模型。然后，利用该神经网络自动分割所输入的CT原图并得到分割结果。
随后在S1013，将所有的结果在Z轴上进行堆叠（即，将平行于横断面的X轴长、Y轴宽的二维图片沿Z轴堆叠，此时呈现出的3D图片以Ｚ轴为高），便得到了一个STL（STereoLithography）格式的3D模型。
之后在S1014将此模型分解成点云图像，每个点的X轴与Y轴坐标是2D图片的所在位置，Z轴坐标为此点所在图片的顺序。
此后在S1015使用最小二乘法分别对左、右髓腔中的点云数据进行拟合，得到每一条直线的两个端点，便是髓腔中心线BC。
根据一个实施例，在得到髓腔中心线BC之后对股骨头中心点A进行识别（S102），但髓腔中心线BC与股骨头中心点A二者之间的生成顺序并不限于此，也可以将先后顺序反过来甚至并行地同时生成。
在S102，依旧是使用深度学习与数值算法相结合。首先使用分割网络将股骨头与髋关节的接触面进行分割，数据标注为一个半球形的面（S1021），整个过程与分割髓腔使用的神经网络相同，区别在于髓腔分割所使用的图像标注为髓腔，而此处所使用的标注为股骨头的表面，是一个近似球形的面，分散到每一个横断面上则是接近于月牙状的标注（图8上股骨头外围的白色亮层，虽然图中并不明显，但是在图片标注信息中心拥有标记，计算机可以轻松分辨），而网络结构与内置参数完全不变，因为图像性质相同，都是CT图像，区别只是标签上的区别，进行调整反而会使效果变差，所以分割股骨头表面也使用unet进行训练、并基于所训练的网络进行分割（S1022），得到了这个面之后，在其中随机取10个点，根据球方程列出所得到的四元二次十项非线性方程组，之后使用最小二乘法进行解方程（S1023）。其中，球方程的标准公式为：
Figure DEST_PATH_IMAGE003
，（式2），
其中x、y、z代表球心的坐标点的X、Y、Z三个轴坐标，R代表球的半径，a、b、c代表球面的任一点的X、Y、Z三个轴坐标。
由于之前使用分割网络已经得到了部分球面的点，所以此处的未知数有四个，在兼顾精确度与速度的考虑下，经过多次推导以及实验，最终确定了两种方案，第一种为将所有的点代入球方程，效果非常准确，但是运消耗资源过于巨大，甚至可能将毫秒级的计算提升到分钟级，所以放弃，第二种则是随机取点代入球方程进行计算，准确率同样很高，与第一种的结果相差在0.01个CT层厚单位之内，经过反复实验，本发明人认为选择10个点进行代入效果最佳，所以最终可以得到的是一个四元二次十项非线性方程组。
为了提高此过程的准确性，进行100次的循环迭代，之后取所有结果的均值为最终结果，经过此种方法，原来的0.01个CT层厚单位的误差已经缩减到了无法表示的程度，所以可以忽略不计，经过此过程得到了股骨中心点A（S1024）。
至此，轴心（A）与参照线（BC）都已经得到，开始进行用于股骨转正的旋转（S103）。
在此，还可以优选设置一个判断步骤或单元，当基于3D模型中的点云数据确定两个端点在冠状面方向与矢状面方向上的坐标一致时，则判定为股骨处于正确的位置，不必进行转正，否则将进行如下的转正。具体地，因为转正的目的是为了使髓腔中心线平行于横断面的排列方向（相对于每一张横断面而言则是垂直的），同时髓腔中心线是由髓腔的近端点与远端点来确定的，因此只要判断近端点与远端点在冠状面方向与矢状面方向上的坐标一致，就表明髓腔中心线已经平行于横断面的排列方向了，就不再需要转正了。
旋转方式为空间中旋转与平面中旋转两种方式，先使用空间三角形旋转公式，将髓腔远端C、髓腔近端B、股骨头中心点A这三个点看作为一个三角形ABC，将这个三角形进行旋转，旋转方式如下。
<绕X轴的旋转>
在三维场景中，当一个点P(x,y,z)绕X轴旋转θ角得到点P’(x’,y’,z’)。由于是绕X轴进行的旋转，因此x坐标保持不变，y和z组成的yoz（o是坐标原点）平面上进行的是一个二维的旋转，于是有：
x′=x，（式3），
y′=ycosθzsinθ，（式4），
z′=ysinθ+zcosθ，（式5），
写成（4x4）矩阵的形式
Figure DEST_PATH_IMAGE004
，（式6）。
<绕Y轴旋转>
绕Y轴的旋转和绕X轴的旋转类似，Y坐标y保持不变，除Y轴之外，zox组成的平面进行一次二维的旋转，同样有：
x′=zsinθ+xcosθ，（式7），
y′=y，（式8），
z′=zcosθxsinθ，（式9），
写成（4x4）矩阵的形式：
Figure DEST_PATH_IMAGE005
，（式10）。
<绕Z轴旋转>
与上面类似，绕Z轴旋转，Z坐标保持不变，xoy组成的平面内正好进行一次二维旋转，与上述两种情况一样：
Figure DEST_PATH_IMAGE006
，（式11）。
上面描述了三维变换中绕单一轴旋转的矩阵表达形式，绕三个轴旋转的矩阵基本类似，其中绕Y轴旋转的矩阵与绕X和Z轴旋转的矩阵略有点不同（主要是三个轴向顺序和书写矩阵的方式不一致导致的）。
以如上方式，先后进行绕三个不同坐标旋转轴以及其他二个坐标轴组成平面的旋转，其顺序是： XYZ(绕X轴） YZX（绕Y轴） ZXY（绕Z轴）。
其中，绕Y轴旋转时，因为其他两个轴是Z、X轴，这和正常书写矩阵按
Figure DEST_PATH_IMAGE007
，（式12-0），
的方式不一致，而导致看起来绕Y轴旋转的矩阵似乎是和其他两个矩阵不一致。如果颠倒写法，将式10写成
Figure DEST_PATH_IMAGE008
，（式12），
的方式，那么这三个旋转矩阵看起来在形式上就统一了，都是
Figure DEST_PATH_IMAGE009
，（式13），
这种表现形式了（矩阵的右上角都是sinθ）。
由于股骨中心是不可移动的，所以能够用来旋转的轴只有髓腔中线的近端（点B）与股骨中心（点A）组成的轴BA和髓腔中线的远端（点C）与股骨中心（点A）组成的轴AC。
首先应确保点A与点B在同一Y轴（坐标方向与各个截面之间的对应关系见图5），因为此移动方式会移动患者的整个身体，而如果放在后面进行则可能导致之前校准的坐标产生变化，所以此时应该绕轴AC进行旋转，将点B移动到与A同一Y轴，如图6（Ⅰ）～（Ⅱ）。
之后移动点C，使用轴AB转动三角形，将ABC三个点统一Y轴位置，如图6（Ⅲ）～（Ⅳ）。移动点C时只需移动患者腿部（即，绕股骨中心转动上肢），对于之前校准的结果影响很小，此时患者的髓腔近端（点B）、髓腔远端（点C）、股骨头中心（点A）都在同一平面，便可以使用平面三角形移动方式，以点A为轴，将三角形ABC旋转到BC轴与Z轴平行的程度，如图6（Ⅴ）～（Ⅵ）。最终得到转正的股骨图像。
如此，通过使用神经网络分割分别确定髓腔中心线、股骨头中心点，然后使用旋转算法对髓腔中心线近端、远端与股骨头中心点组成的三角形旋转完成股骨的转正，找到股骨的正确位置，从而更有利于手术机器人辅助术前规划。
如上述，根据本发明提供了如下方法与系统。
（1）一种使用髓腔中心线转正股骨的方法，包括如下步骤：
S101与S102：使用第一分割用神经网络与直线方程确定髓腔中心线，使用第二分割用神经网络与最小二乘法拟合确定股骨头中心点；
S103：使用旋转算法对髓腔中心线近端、远端与股骨头中心点组成的三角形旋转完成股骨的转正，找到股骨的正确位置，
所述第一分割用神经网络和所述第二分割用神经网络采用基于unet的结构，其中，下采样使用最大池化，上采样使用双线性插值，在每次下采样的最大池化之前会将相应的特征图进行保存，并且传递给上采样之后的与之长宽相等的特征图进行concat拼接，
在对髓腔进行分割和数据标记时，将髓腔中横断面圆形的髓腔结构作为标记，随后将分割出来的髓腔分解成点云图像，基于该点云图像中的点云数据进行拟合，得到髓腔中心线。
（2）优选地，所述第一分割用神经网络和所述第二分割用神经网络采用基于unet的结构，分别包括4次下采样与4次上采样，其中，每次下采样或上采样之前进行两次卷积结构运算，每次卷积结构运算指的是将本次输入进行3×3×通道数的卷积之后再进行激活，激活函数使用修正线性单元relu激活函数：（relu(x)=max(0, x)），在下采样时使用最大池化，本次卷积结构的通道数是上一次池化之前的两倍，如上一次没有进行池化，则本次卷积结构的通道数与上一次相等，每次上采样使用双线性插值后，通道数为插值之前的1/2，长宽各为原来的两倍，在每次下采样的最大池化之前会将相应的特征图进行保存，并且传递给上采样之后的长宽相等的特征图进行concat拼接，在得到与原图长宽相等的特征图之后，再进行一次卷积，此次卷积通道数为2，之后使用sigmoid激活函数，将所有的输出图片在Z轴上进行堆叠得到STL格式的3D模型。
（3）优选地，将STL格式的3D模型分解成点云图像，使用最小二乘法对点云数据进行拟合，将对应于所得到的两个点的直线确定为髓腔中心线。
（4）优选地，通过使用上述第二分割用神经网络分割股骨头的近似半球面，将采用所述最小二乘法拟合的球心作为股骨头中心点。
（5）优选地，在近似半球面中，随机取10个点，根据球方程列出所得到的四元二次十项非线性方程组，使用最小二乘法进行解方程，将循环迭代结果的均值确定为股骨中心点。
（6）优选地，根据空间三角形旋转方法与平面三角形旋转方法相结合，使得股骨旋转至髓腔中线垂直于横断面且水平于横断面堆叠的方向的程度，其中，先后分别进行绕三个不同坐标旋转轴以及其他二个坐标轴组成平面的旋转的顺序是绕X轴、绕Y轴、绕Z轴。
（7）根据本发明还提供了一种基于髓腔中心线与股骨头中心点转正股骨的手术系统，包括以下各装置或单元：
自动分割装置，构成为使用第一分割用神经网络与直线方程确定髓腔中心线，使用第二分割用神经网络与最小二乘法拟合确定股骨头中心点；和
转正装置，构成为使用旋转算法对髓腔中心线近端、远端与股骨头中心点组成的三角形旋转完成股骨的转正，找到股骨的正确位置。
（8）根据本发明还提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序用于执行上述任一方法。
（9）根据本发明还提供了一种电子设备，包括：处理器和用于存储所述处理器可执行的指令的存储器，所述处理器用于从所述存储器中读取所述指令，并执行所述指令以实现上述任一方法。
该电子设备可以是第一设备和第二设备中的任一个或两者、或与它们独立的单机设备，该单机设备可以与第一设备和第二设备进行通信，以从它们接收所采集到的输入信号。处理器可以是中央处理单元（CPU）或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备中的其他组件以实现期望的功能。存储器可以包括一个或多个计算机程序产品，可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。
（10）一种用于辅助术前规划的手术系统，通过以处于与Z轴平行的位置的股骨图像数据来辅助术前规划，其特征在于，
通过基于髓腔中心线与股骨头中心点转正股骨，使股骨虚拟图像转正至与Z轴平行的位置，从而以转正后的位置信息来辅助术前规划，
该手术系统包括以下各单元：
自动分割单元，构成为使用第一分割用神经网络与直线方程确定髓腔中心线，并且使用第二分割用神经网络与最小二乘法拟合确定股骨头中心点；和
转正单元，构成为对髓腔中心线近端、远端与股骨头中心点组成的三角形旋转完成股骨的转正，找到股骨的正确位置，
其中，所述自动分割单元将所有的输出图片在Z轴上进行堆叠得到STL格式的3D模型，将所述STL格式的3D模型分解成点云图像，使用最小二乘法对点云数据进行拟合，将对应于所得到的两个点的直线确定为髓腔中心线，
所述自动分割单元通过使用所述第二分割用神经网络分割股骨头的近似半球面，将采用所述最小二乘法拟合的球心作为股骨头中心点。
（11）根据本发明还提供了一种计算机程序产品，包括计算机程序，其中，该程序被计算机执行时实现上述方法。
本发明中，“第一”、“第二”和“第三”、“S101”、“S102”等仅用于区分描述两个不同的对象特征的目的，并不用于表示排列顺序、相对重要性或者隐含指明所指示的技术特征的数量。
本发明中所公开的实施例描述的各示例的方法步骤及单元等组成，能够以电子硬件、计算机软件或者二者的结合来实现，可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的。
尽管已经参考各种具体实施例描述了本发明，但是应当理解，可以在所描述的发明构思的精神和范围内做出变形。因此，意图是本发明不限于所描述的实施例，而是将具有由所附权利要求的语言所定义的全部范围。

Claims (14)

1.一种用于辅助手术规划的手术系统，其特征在于，通过以处于与Z轴平行的位置的股骨图像数据来辅助手术规划，
其中，通过基于髓腔中心线与股骨头中心点转正股骨，使股骨虚拟图像转正至与Z轴平行的位置，从而以转正后的位置信息来辅助手术规划，
该手术系统包括以下各单元：
自动分割单元，构成为使用第一分割用神经网络与直线方程确定髓腔中心线，并且使用第二分割用神经网络与最小二乘法拟合确定股骨头中心点；和
转正单元，构成为对髓腔中心线近端、远端与股骨头中心点组成的三角形旋转完成股骨的转正，找到股骨的正确位置，
其中，所述自动分割单元将所有的输出图片在Z轴上进行堆叠得到STL格式的3D模型，将所述STL格式的3D模型分解成点云图像，使用最小二乘法对点云数据进行拟合，将对应于所得到的两个点的直线确定为髓腔中心线，
所述自动分割单元通过使用所述第二分割用神经网络分割股骨头的近似半球面，将采用所述最小二乘法拟合的球心作为股骨头中心点。
2.根据权利要求1所述的手术系统，其特征在于，还包括：
判定单元，当基于所述3D模型中的点云数据确定所述两个点在冠状面方向与矢状面方向上的坐标一致时，则判定为股骨处于正确的位置。
3.一种基于髓腔中心线与股骨头中心点转正股骨的方法，包括如下步骤：
使用第一分割用神经网络与直线方程确定髓腔中心线，并且使用第二分割用神经网络与最小二乘法拟合确定股骨头中心点；
对髓腔中心线近端、远端与股骨头中心点组成的三角形旋转完成股骨的转正，找到股骨的正确位置。
4.根据权利要求3所述的方法，其特征在于，
在对髓腔进行分割和数据标记时，将髓腔中横断面圆形的髓腔结构作为标记，随后将分割出来的髓腔分解成点云图像，基于该点云图像中的点云数据进行拟合，得到髓腔中心线。
5.根据权利要求3或4所述的方法，其特征在于，
所述第一分割用神经网络和所述第二分割用神经网络采用基于unet的结构，
其中，下采样使用最大池化，上采样使用双线性插值，在每次下采样的最大池化之前会将相应的特征图进行保存，并且传递给上采样之后的与之长宽相等的特征图进行concat拼接。
6.根据权利要求5所述的方法，其特征在于，
该基于unet的结构包括4次下采样与4次上采样，其中，每次下采样或上采样之前进行两次卷积结构运算，每次卷积结构运算指的是将本次输入进行3×3×通道数的卷积之后再进行激活，激活函数使用修正线性单元relu激活函数：（relu(x)=max(0, x)），在下采样时使用最大池化，本次卷积结构的通道数是上一次池化之前的两倍，如上一次没有进行池化，则本次卷积结构的通道数与上一次相等，每次上采样使用双线性插值后，通道数为插值之前的1/2，长宽各为原来的两倍，在每次下采样的最大池化之前会将相应的特征图进行保存，并且传递给上采样之后的长宽相等的特征图进行concat拼接，在得到与原图长宽相等的特征图之后，再进行一次卷积，此次卷积通道数为2，之后使用sigmoid激活函数，将所有的输出图片在Z轴上进行堆叠得到STL格式的3D模型。
7.根据权利要求6所述的方法，其特征在于，将所述STL格式的3D模型分解成点云图像，使用最小二乘法对点云数据进行拟合，将对应于所得到的两个点的直线确定为髓腔中心线。
8.根据权利要求3所述的方法，其特征在于，通过使用所述第二分割用神经网络分割股骨头的近似半球面，将采用所述最小二乘法拟合的球心作为股骨头中心点。
9.根据权利要求8所述的方法，其特征在于，在所述近似半球面中，随机取10个点，根据球方程列出所得到的四元二次十项非线性方程组，使用最小二乘法进行解方程，将循环迭代结果的均值确定为股骨头中心点。
10.根据权利要求3所述的方法，其特征在于，根据空间三角形旋转方法与平面三角形旋转方法相结合，使得股骨旋转至髓腔中线垂直于横断面且水平于横断面堆叠的方向的程度，其中，先后分别进行绕三个不同坐标旋转轴以及其他二个坐标轴组成平面的旋转的顺序是绕X轴、绕Y轴、绕Z轴。
11.一种基于髓腔中心线与股骨头中心点转正股骨的手术系统，包括以下各单元：
自动分割单元，构成为使用第一分割用神经网络与直线方程确定髓腔中心线，并且使用第二分割用神经网络与最小二乘法拟合确定股骨头中心点；和
转正单元，构成为对髓腔中心线近端、远端与股骨头中心点组成的三角形旋转完成股骨的转正，找到股骨的正确位置。
12.根据权利要求11所述的手术系统，其特征在于，
所述自动分割单元将所有的输出图片在Z轴上进行堆叠得到STL格式的3D模型并分解成点云图像，
该手术系统还包括判定单元，该判定单元构成为当基于所述3D模型中的点云数据确定所述髓腔中心线的两个点在冠状面方向与矢状面方向上的坐标一致时，则判定为股骨处于正确的位置。
13.一种计算机可读存储介质，存储有计算机程序，所述计算机程序用于执行权利要求3~10中任一项所述的方法。
14.一种电子设备，包括：处理器和用于存储所述处理器可执行的指令的存储器，所述处理器用于从所述存储器中读取所述指令，并执行所述指令以实现权利要求3~10中任一项所述的方法。
CN202111455889.9A 2021-12-01 2021-12-01 用于转正股骨的方法及手术系统、存储介质以及电子设备 Active CN113850810B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111455889.9A CN113850810B (zh) 2021-12-01 2021-12-01 用于转正股骨的方法及手术系统、存储介质以及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111455889.9A CN113850810B (zh) 2021-12-01 2021-12-01 用于转正股骨的方法及手术系统、存储介质以及电子设备

Publications (2)

Publication Number Publication Date
CN113850810A true CN113850810A (zh) 2021-12-28
CN113850810B CN113850810B (zh) 2022-03-04

Family

ID=78982666

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111455889.9A Active CN113850810B (zh) 2021-12-01 2021-12-01 用于转正股骨的方法及手术系统、存储介质以及电子设备

Country Status (1)

Country Link
CN (1) CN113850810B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115115694A (zh) * 2022-03-03 2022-09-27 中国人民解放军总医院第四医学中心 人体长骨中轴的建立方法、装置、设备及存储介质
CN116385725A (zh) * 2023-06-02 2023-07-04 杭州聚秀科技有限公司 眼底图像视盘视杯分割方法及装置、电子设备
KR20230103808A (ko) * 2021-12-30 2023-07-07 건국대학교 산학협력단 수의영상처리 기법을 활용한 대퇴골 탈구 판독 장치 및 방법

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104820760A (zh) * 2015-05-20 2015-08-05 河海大学常州校区 一种基于优化曲率的髓内钉设计方法
CN105139442A (zh) * 2015-07-23 2015-12-09 昆明医科大学第一附属医院 一种结合ct和mri二维图像建立人体膝关节三维仿真模型的方法
CN107274389A (zh) * 2017-05-25 2017-10-20 中国科学院苏州生物医学工程技术研究所 基于ct三维序列图像的股骨和髋臼解剖参数获取方法
CA3049662A1 (en) * 2017-01-16 2018-07-19 Philipp K. Lang Optical guidance for surgical, medical, and dental procedures
CN108765417A (zh) * 2018-06-15 2018-11-06 西安邮电大学 一种基于深度学习和数字重建放射影像的股骨x线片生成系统及方法
CN109512513A (zh) * 2019-01-22 2019-03-26 北京和华瑞博科技有限公司 一种基于圆柱拟合的下肢胫骨机械轴线确定方法
CN111345895A (zh) * 2020-03-13 2020-06-30 北京天智航医疗科技股份有限公司 全膝关节置换手术机器人辅助系统、控制方法及电子设备
CN111402230A (zh) * 2020-03-16 2020-07-10 徐州医科大学 基于Monte Carlo方法的股骨髓腔形态特征分析方法
CN111652301A (zh) * 2020-05-27 2020-09-11 北京长木谷医疗科技有限公司 基于深度学习的股骨小转子识别方法、装置及电子设备
CN113017829A (zh) * 2020-08-22 2021-06-25 张逸凌 一种基于深度学习的全膝关节置换术的术前规划方法、系统、介质和设备
CN113689406A (zh) * 2021-08-24 2021-11-23 北京长木谷医疗科技有限公司 基于运动模拟算法的膝关节股骨后髁点识别方法及系统
CN113706695A (zh) * 2021-09-01 2021-11-26 杭州柳叶刀机器人有限公司 深度学习进行3d股骨头建模的系统及方法、存储介质

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104820760A (zh) * 2015-05-20 2015-08-05 河海大学常州校区 一种基于优化曲率的髓内钉设计方法
CN105139442A (zh) * 2015-07-23 2015-12-09 昆明医科大学第一附属医院 一种结合ct和mri二维图像建立人体膝关节三维仿真模型的方法
CA3049662A1 (en) * 2017-01-16 2018-07-19 Philipp K. Lang Optical guidance for surgical, medical, and dental procedures
CN107274389A (zh) * 2017-05-25 2017-10-20 中国科学院苏州生物医学工程技术研究所 基于ct三维序列图像的股骨和髋臼解剖参数获取方法
CN108765417A (zh) * 2018-06-15 2018-11-06 西安邮电大学 一种基于深度学习和数字重建放射影像的股骨x线片生成系统及方法
CN109512513A (zh) * 2019-01-22 2019-03-26 北京和华瑞博科技有限公司 一种基于圆柱拟合的下肢胫骨机械轴线确定方法
CN111345895A (zh) * 2020-03-13 2020-06-30 北京天智航医疗科技股份有限公司 全膝关节置换手术机器人辅助系统、控制方法及电子设备
CN111402230A (zh) * 2020-03-16 2020-07-10 徐州医科大学 基于Monte Carlo方法的股骨髓腔形态特征分析方法
CN111652301A (zh) * 2020-05-27 2020-09-11 北京长木谷医疗科技有限公司 基于深度学习的股骨小转子识别方法、装置及电子设备
CN113017829A (zh) * 2020-08-22 2021-06-25 张逸凌 一种基于深度学习的全膝关节置换术的术前规划方法、系统、介质和设备
CN113689406A (zh) * 2021-08-24 2021-11-23 北京长木谷医疗科技有限公司 基于运动模拟算法的膝关节股骨后髁点识别方法及系统
CN113706695A (zh) * 2021-09-01 2021-11-26 杭州柳叶刀机器人有限公司 深度学习进行3d股骨头建模的系统及方法、存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
YOSHIKO SAWAE等: "Osteoclast differentiation at growth plate cartilage–trabecular bone junction in newborn rat femur", 《MICROSCOPY》 *
ZHANG, YW等: "Establishing the 3-D finite element solid model of femurs in partial by volume rendering", 《INTERNATIONAL JOURNAL OF SURGERY》 *
汪伟: "正常国人股骨近端三维几何形态测量及相关研究", 《中国优秀硕士学位论文全文数据库医药卫生科技辑》 *
汪轶平: "计算机辅助髋关节假体规划设计及手术导航关键技术研究", 《中国优秀硕士学位论文全文数据库医药卫生科技辑》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230103808A (ko) * 2021-12-30 2023-07-07 건국대학교 산학협력단 수의영상처리 기법을 활용한 대퇴골 탈구 판독 장치 및 방법
KR102683718B1 (ko) 2021-12-30 2024-07-10 건국대학교 산학협력단 수의영상처리 기법을 활용한 대퇴골 탈구 판독 장치 및 방법
CN115115694A (zh) * 2022-03-03 2022-09-27 中国人民解放军总医院第四医学中心 人体长骨中轴的建立方法、装置、设备及存储介质
CN115115694B (zh) * 2022-03-03 2023-06-13 中国人民解放军总医院第四医学中心 人体长骨中轴的建立方法、装置、设备及存储介质
CN116385725A (zh) * 2023-06-02 2023-07-04 杭州聚秀科技有限公司 眼底图像视盘视杯分割方法及装置、电子设备
CN116385725B (zh) * 2023-06-02 2023-09-08 杭州聚秀科技有限公司 眼底图像视盘视杯分割方法及装置、电子设备

Also Published As

Publication number Publication date
CN113850810B (zh) 2022-03-04

Similar Documents

Publication Publication Date Title
CN113850810B (zh) 用于转正股骨的方法及手术系统、存储介质以及电子设备
US10217217B2 (en) Systems and methods for obtaining 3-D images from X-ray information
US20210012492A1 (en) Systems and methods for obtaining 3-d images from x-ray information for deformed elongate bones
US11281352B2 (en) Method and system for planning implant component position
US20210007806A1 (en) A method for obtaining 3-d deformity correction for bones
Toennies et al. Registration of 3D objects and surfaces
Fornefett et al. Radial basis functions with compact support for elastic registration of medical images
US6999811B2 (en) Method and device for the registration of two 3D image data sets
CN113646808A (zh) 空间跟踪系统与增强现实显示器的配准
JP2008546441A (ja) 第１及び第２画像を比較するためのモデルに基づく弾性画像登録方法
KR20080110738A (ko) 의료용 화상의 표시 방법 및 그 프로그램
CN112509022A (zh) 一种术前三维影像与术中透视图像的无标定物配准方法
WO2019180746A1 (en) A method for obtaining 3-d deformity correction for bones
CN114821031A (zh) 基于c臂机的术中图像匹配方法、装置和系统
CN113100941B (zh) 基于ss-oct手术导航系统的图像配准方法及系统
CN109223179A (zh) 一种双臂手术机器人导航定位方法
JP7037810B2 (ja) 画像処理装置と画像処理プログラムと画像処理方法
CN116363093A (zh) 一种用于寻找髋臼的旋转中心的方法与装置、手术规划系统及存储介质
CN113963057B (zh) 成像几何关系标定方法、装置、电子设备以及存储介质
CN114119934B (zh) 盆骨转正方法、手术系统、存储介质及电子设备
CN113257394B (zh) 医学图像数据
CN117084791B (zh) 一种穿刺方位解算方法以及穿刺作业执行系统
US11861804B1 (en) Systems and method for smooth segmentation
CN117557601B (zh) 一种基于数字孪生的骨骼配准方法及装置
CN115937283A (zh) 一种三维ct图像对齐方法及系统

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