CN114022471A - 确定穿刺点的方法及装置,电子设备及存储介质 - Google Patents
确定穿刺点的方法及装置,电子设备及存储介质 Download PDFInfo
- Publication number
- CN114022471A CN114022471A CN202111355172.7A CN202111355172A CN114022471A CN 114022471 A CN114022471 A CN 114022471A CN 202111355172 A CN202111355172 A CN 202111355172A CN 114022471 A CN114022471 A CN 114022471A
- Authority
- CN
- China
- Prior art keywords
- puncture
- point
- needle
- candidate
- score
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000003780 insertion Methods 0.000 claims abstract description 128
- 230000037431 insertion Effects 0.000 claims abstract description 128
- 210000002615 epidermis Anatomy 0.000 claims abstract description 29
- 230000003902 lesion Effects 0.000 claims description 27
- 239000013598 vector Substances 0.000 claims description 15
- 230000004888 barrier function Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 9
- 238000002679 ablation Methods 0.000 abstract description 41
- 238000002591 computed tomography Methods 0.000 description 23
- 210000000988 bone and bone Anatomy 0.000 description 16
- 210000000621 bronchi Anatomy 0.000 description 15
- 210000004072 lung Anatomy 0.000 description 11
- 210000004204 blood vessel Anatomy 0.000 description 9
- 230000011218 segmentation Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000005070 sampling Methods 0.000 description 7
- 210000001519 tissue Anatomy 0.000 description 7
- 206010028980 Neoplasm Diseases 0.000 description 5
- 230000010339 dilation Effects 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 4
- 210000000056 organ Anatomy 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 210000001147 pulmonary artery Anatomy 0.000 description 4
- 210000003492 pulmonary vein Anatomy 0.000 description 4
- 238000012614 Monte-Carlo sampling Methods 0.000 description 3
- 210000001367 artery Anatomy 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 238000007674 radiofrequency ablation Methods 0.000 description 3
- 210000003462 vein Anatomy 0.000 description 3
- 210000003484 anatomy Anatomy 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000002601 radiography Methods 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 238000004904 shortening Methods 0.000 description 2
- 210000003491 skin Anatomy 0.000 description 2
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000000608 laser ablation Methods 0.000 description 1
- 208000037841 lung tumor Diseases 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 238000012216 screening Methods 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
- 238000012549 training Methods 0.000 description 1
- 230000008733 trauma Effects 0.000 description 1
- 210000004881 tumor cell Anatomy 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
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
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-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
- G06T7/12—Edge-based segmentation
-
- 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Radiology & Medical Imaging (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请公开了一种确定穿刺点的方法及装置,电子设备及存储介质,该方法包括:确定医学影像中的候选穿刺路径与所述医学影像中的穿刺障碍物是否存在交集,其中,所述候选穿刺路径为所述医学影像中的病灶点与所述医学影像中的表皮上的多个候选入针点中的每个候选入针点之间的路径;根据所述多个候选入针点中的不存在交集的候选穿刺路径对应的候选入针点,确定至少一个可行入针点;根据对所述至少一个可行入针点的评分,确定所述穿刺点,能够得到经皮穿刺消融手术的穿刺点,从而不仅提高了经皮穿刺消融手术的成功率,还缩短了经皮穿刺消融手术的所需时间。
Description
技术领域
本申请涉及图像处理技术领域,具体涉及一种确定穿刺点的方法及装置,电子设备及存储介质。
背景技术
经皮穿刺消融技术是非血管介入的一种,即通过影像导向定位后,采用CT或核磁共振,超声经皮穿刺组织器官内,对肿块进行治疗。在传统的经皮穿刺消融手术中,大多数是计算满足基础障碍的简化路径的虚拟约束,得到最后的穿刺点,但是并没有评估穿刺点的风险指数,导致经皮穿刺消融手术的成功率较低,且计算虚拟约束的过程耗时长,导致经皮穿刺消融手术所需时间过程。
发明内容
有鉴于此,本申请的实施例致力于提供一种确定穿刺点的方法及装置,电子设备及存储介质,不仅能够提高经皮穿刺消融手术的成功率,还能够缩短经皮穿刺消融手术的所需时间。
根据本申请实施例的第一方面,提供了一种确定穿刺点的方法,包括:确定医学影像中的候选穿刺路径与所述医学影像中的穿刺障碍物是否存在交集,其中,所述候选穿刺路径为所述医学影像中的病灶点与所述医学影像中的表皮上的多个候选入针点中的每个候选入针点之间的路径;根据所述多个候选入针点中的不存在交集的候选穿刺路径对应的候选入针点,确定至少一个可行入针点;根据对所述至少一个可行入针点的评分,确定所述穿刺点。
在一个实施例中,所述至少一个可行入针点包括多个可行入针点,其中,所述根据对所述至少一个可行入针点的评分,确定所述穿刺点,包括:通过入针角度评分标准,对所述多个可行入针点中的每个可行入针点进行评分,得到第一分数,其中,所述入针角度评分标准用于指示所述可行入针点和所述病灶点所构成的向量与所述可行入针点所在的表皮的横切面之间的角度,所述角度越接近于90度,则所述第一分数越高,或者,所述入针角度评分标准用于指示所述可行入针点和所述病灶点所构成的向量与CT扫面仪的Z轴所在的轴转面之间的角度,所述角度越接近于0度,则所述第一分数越高;根据所述第一分数,确定所述穿刺点。
在一个实施例中,所述方法还包括:通过路径风险评分标准,对所述多个可行入针点中的每个可行入针点进行评分,得到第二分数,其中,所述路径风险评分标准用于指示所述可行入针点和所述病灶点之间的穿刺路径与所述穿刺障碍物之间的相对距离,所述相对距离越大,则所述第二分数越高。
在一个实施例中,所述根据所述第一分数,确定所述穿刺点,包括:根据所述第一分数和所述第二分数,确定所述穿刺点。
在一个实施例中,所述方法还包括:通过欧式距离评分标准,对所述多个可行入针点中的每个可行入针点进行评分,得到第三分数,其中,所述欧式距离评分标准用于指示所述可行入针点到所述病灶点的欧式距离,所述欧式距离越小,则所述第三分数越高。
在一个实施例中,所述根据所述第一分数和所述第二分数,确定所述穿刺点,包括:根据所述第一分数、第二分数和所述第三分数,确定所述穿刺点。
在一个实施例中,所述确定医学影像中的候选穿刺路径与所述医学影像中的穿刺障碍物是否存在交集,包括:对所述病灶点和所述候选入针点之间的候选穿刺路径进行膨胀操作,得到所述候选穿刺路径在三维空间下的区域;确定所述候选穿刺路径在三维空间下的区域与所述医学影像中的穿刺障碍物是否存在交集。
在一个实施例中,所述方法还包括:获取所述医学影像中的初始穿刺障碍物;对所述初始穿刺障碍物进行膨胀操作,得到所述穿刺障碍物。
在一个实施例中,所述方法还包括:以所述病灶点为中心,在所述病灶点周围预设范围内的所述表皮上确定初始入针可行域;在所述初始入针可行域上选取多个初始候选入针点;从所述多个初始候选入针点中确定所述多个候选入针点。
在一个实施例中,所述从所述多个初始候选入针点中确定所述多个候选入针点,包括:通过聚类算法,将所述多个初始候选入针点划分为不同簇;计算所述多个初始候选入针点中的每个初始候选入针点到所述病灶点的欧式距离;确定所述不同簇中的欧式距离大于预设阈值的初始候选入针点为所述多个候选入针点。
根据本申请实施例的第二方面,提供了一种确定穿刺点的装置,包括:第一确定模块,配置为确定医学影像中的候选穿刺路径与所述医学影像中的穿刺障碍物是否存在交集,其中,所述候选穿刺路径为所述医学影像中的病灶点与所述医学影像中的表皮上的多个候选入针点中的每个候选入针点之间的路径;第二确定模块,配置为根据所述多个候选入针点中的不存在交集的候选穿刺路径对应的候选入针点,确定至少一个可行入针点;评分模块,配置为根据对所述至少一个可行入针点的评分,确定所述穿刺点。
根据本申请实施例的第三方面,提供了一种电子设备,包括:处理器;用于存储所述处理器可执行指令的存储器;所述处理器用于执行上述任一实施例所述的方法。
根据本申请实施例的第四方面,提供了一种计算机可读存储介质,所述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实施例所述的方法。
本申请的实施例所提供的确定穿刺点的方法,通过确定医学影像中的多个候选穿刺路径中的每个候选穿刺路径与医学影像中的穿刺障碍物是否存在交集,能够确定多个候选入针点中的哪些候选入针点对应不存在交集的候选穿刺路径,从而得到至少一个可行入针点,再根据对至少一个可行入针点的评分,能够得到经皮穿刺消融手术的穿刺点,从而不仅提高了经皮穿刺消融手术的成功率,还缩短了经皮穿刺消融手术的所需时间。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1a所示为现有技术中的经皮穿刺消融手术的流程示意图。
图1b所示为本申请实施例所提供的经皮穿刺消融手术的流程示意图。
图1c所示为本申请实施例所提供的一种实施环境的示意图。
图1d所示为本申请一个实施例提供的确定穿刺点的系统的框图。
图2所示为本申请一个实施例提供的确定穿刺点的方法的流程示意图。
图3所示为本申请另一个实施例提供的确定穿刺点的方法的流程示意图。
图4所示为本申请另一个实施例提供的确定穿刺点的方法的流程示意图。
图5所示为本申请另一个实施例提供的确定穿刺点的方法的流程示意图。
图6所示为本申请另一个实施例提供的确定穿刺点的方法的流程示意图。
图7所示为本申请一个实施例提供的确定穿刺点的装置的框图。
图8所示为本申请一个实施例提供的电子设备的结构框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
申请概述
经皮穿刺消融技术的原理是应用频率小于30万赫兹,通常采用460-480kHz之间的交变高频电流,使肿瘤组织内部的粒子发生高速震荡,互相摩擦,将射频能转变为热能,局部温度达到60-100℃,促使肿瘤细胞发生凝固坏死。目前国内外常用的肺部肿瘤射频消融手段主要分为射频消融、微波消融、冷冻消融、激光消融。射频消融较常用,是在CT定位下根据肿瘤在体表的投影、肿瘤的大小,三维设置合适的穿刺位置,以不同的方向进针,经皮穿到肿瘤里,形成立体的消融作用。
例如,对于经皮肺穿刺消融手术,传统方法之一是基于原始的CT影像获取病灶、血管、骨骼以及体表数据,再计算出满足基础障碍的简化路径的虚拟约束,得到最后的穿刺点,以及入针方向;传统方法之二是通过CT影像,人工的定位合适的穿刺点。但是这两种传统方法均存在成功率较低,且耗时较长,从而会因人体的呼吸状态,使肺部状态发生偏移,进而导致血肺的发生。
因此,传统的经皮穿刺消融手术的整套手术流程需要耗费大量的资源,人力和时间。此外,如图1a所示,传统的经皮穿刺消融手术会对病人进行多次CT扫描,对病人的身体有较多的不利之处。
为了解决上述所提到的问题,本申请实施例通过确定医学影像中的多个候选穿刺路径中的每个候选穿刺路径与医学影像中的穿刺障碍物是否存在交集,能够确定多个候选入针点中的哪些候选入针点对应不存在交集的候选穿刺路径,从而得到至少一个可行入针点,再根据对至少一个可行入针点的评分,能够得到经皮穿刺消融手术的穿刺点,从而不仅提高了经皮穿刺消融手术的成功率,还缩短了经皮穿刺消融手术的所需时间。
此外,如图1b所示,本申请实施例首先只需对人体扫描一次CT,即可得到精确的3D重建的影像(即,医学影像)。通过风险评估,即,入针角度评分标准、路径风险评分标准和/或欧式距离评分标准,即可得到经皮穿刺消融手术的最佳的穿刺点和与之对应的最佳的穿刺路径(即,最佳的入针方向),从而缩短经皮穿刺消融手术的时间成本,人力成本,节省资源。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性系统
图1c所示为本申请实施例所提供的一种实施环境的示意图。该实施环境包括CT扫描仪130、服务器120和计算机设备110。计算机设备110可以从CT扫描仪130处获取医学影像,例如,肺部CT图像。计算机设备110还可以与服务器120之间通过通信网络相连。可选的,通信网络是有线网络或无线网络。
CT扫描仪130用于对人体组织进行X线扫描,得到人体组织的医学影像。在一实施例中,通过CT扫描仪130对肺部进行扫描,可以得到肺部X线正位片。
计算机设备110可以是通用型计算机或者由专用的集成电路组成的计算机装置等,本申请实施例对此不做限定。例如,计算机设备110可以是平板电脑等移动终端设备,或者也可以是个人计算机(Personal Computer,PC),比如膝上型便携计算机和台式计算机等等。本领域技术人员可以知晓,上述计算机设备110的数量可以一个或多个,其类型可以相同或者不同。比如上述计算机设备110可以为一个,或者上述计算机设备110为几十个或几百个,或者更多数量。本申请实施例对计算机设备110的数量和设备类型不加以限定。
服务器120是一台服务器,或者由若干台服务器组成,或者是一个虚拟化平台,或者是一个云计算服务中心。
在一些可选的实施例中,计算机设备110中可以部署有训练好的神经网络模型,用于输出血管,骨骼,支气管,病灶点,体表的分割结果。计算机设备110可以利用其上部署的神经网络模型,将其从CT扫描仪130获取的医学影像进行血管,骨骼,支气管,病灶点以及体表的分割,得到分割的血管,骨骼,支气管,病灶点以及体表。计算机设备110首先确定病灶点和表皮上的多个候选入针点中的每个候选入针点之间的候选穿刺路径与医学影像中的穿刺障碍物(例如,血管,骨骼,支气管)是否存在交集,再根据多个候选入针点中的不存在交集的候选穿刺路径对应的候选入针点,确定至少一个可行入针点,最后根据对至少一个可行入针点的评分,确定穿刺点,从而不仅提高了经皮穿刺消融手术的成功率,还缩短了经皮穿刺消融手术的所需时间。
在一些可选的实施例中,服务器120上部署有训练好的神经网络模型,用于输出血管,骨骼,支气管,病灶点,体表的分割结果。计算机设备110可以将其从CT扫描仪130处获取到的医学影像发送给服务器120。服务器120可以利用训练好的神经网络模型,将其从计算机设备110处获取的医学影像进行血管,骨骼,支气管,病灶点以及体表的分割,得到分割的血管,骨骼,支气管,病灶点以及体表。服务器120首先确定病灶点和表皮上的多个候选入针点中的每个候选入针点之间的候选穿刺路径与医学影像中的穿刺障碍物(例如,血管,骨骼,支气管)是否存在交集,再根据多个候选入针点中的不存在交集的候选穿刺路径对应的候选入针点,确定至少一个可行入针点,最后根据对至少一个可行入针点的评分,确定穿刺点,从而不仅提高了经皮穿刺消融手术的成功率,还缩短了经皮穿刺消融手术的所需时间。
图1d是本申请一个实施例提供的确定穿刺点的系统的框图。如图1d所示,该系统包括:
影像分割模块11,用于对医学影像A进行分割,获得医学影像A的分割结果,例如,骨骼B1、支气管B2、动脉B3、静脉B4、结节B5以及表皮B6;
膨胀模块12,用于对医学影像A的分割结果中的骨骼B1、支气管B2、动脉B3以及静脉B4进行膨胀操作,获得穿刺障碍物C,其包括膨胀后的骨骼C1C、膨胀后的支气管C2、膨胀后的动脉C3以及膨胀后的静脉C4;
采样模块13,用于对表皮B6进行蒙特卡洛采样,获得多个候选入针点D;
路径规划模块14,用于根据多个候选入针点D和结节B5,规划候选穿刺路径E;
交集模块15,用于确定候选穿刺路径E与穿刺障碍物C是否存在交集,以获得至少一个可行入针点F;
风险评估模块16,用于对至少一个可行入针点F进行评分,以获得穿刺点G。
参照图1d中带箭头实线所示的数据流向,以此方式来获得本实施例中的穿刺点G。
但是需要说明的是,本申请实施例所示的确定穿刺点的系统仅仅是一个示例,本申请还可以采用其他的方式来获得穿刺点G。
示例性方法
图2所示为本申请一个实施例提供的确定穿刺点的方法的流程示意图。图2所述的方法由计算设备(例如,服务器)来执行,但本申请实施例不以此为限。如图2所示,该方法包括如下内容。
S210:确定医学影像中的候选穿刺路径与医学影像中的穿刺障碍物是否存在交集。
在一实施例中,医学影像可以为电子计算机断层成像(Computed Tomography,CT)、核磁共振成像(Magnetic Resonance Imaging,MRI)、计算机放射成像(ComputedRadiography,CR)或数字放射成像(Digital radiography,DR)等医学影像,本申请实施例对此不作具体限定。
在一实施例中,医学影像可以为肺部图像、脑部图像、心脏图像等医学图像,本申请实施例对此不作具体限定。本申请实施例也并不限定医学影像的具体形式,可以是原始医学图像,也可以是经过预处理后的医学图像,还可以是原始医学图像的一部分。
为了方便描述,下文将医学影像具体限定为肺部图像进行描述。
肺部图像中的肺内动脉,肺内静脉,骨骼,支气管,病灶点可以通过对肺部图像进行像素级的分割而得到。该分割方法可以采用区域生长等传统医学图像分割方法,也可以采用深度学习方法,例如,通过基于ResNet的Unet网络的模型进行分割,得到像素级的分割结果。
穿刺障碍物可以为肺内动脉,肺内静脉,骨骼以及支气管等不能够被穿刺针所损伤的组织器官。但是该穿刺障碍物并不一定是原始的肺内动脉,原始的肺内静脉,原始的骨骼以及原始的支气管等不能够被穿刺针所刺伤的组织器官,还可以为经过处理后的不能够被穿刺针所刺伤的组织器官。
例如,可以通过如下方式来获取穿刺障碍物。首先,获取医学影像中的初始穿刺障碍物,例如,通过如上所述的区域生长等传统医学图像分割方法或深度学习方法来获取初始穿刺障碍物;然后再对初始穿刺障碍物进行膨胀操作,得到穿刺障碍物。
本申请实施例中采用的深度学习方法,可以通过基于ResNet的Unet网络进行模型训练来实现,对医学影响中的初始穿刺障碍物进行像素级别的分割,得到像素级的分割图像,从而能够让医护人员更直观清晰地了解病人的病灶点所在位置,以及病灶点的数量,避免了因人体生命活动造成的影响,进而增加经皮穿刺消融手术的成功率。
膨胀操作是在初始穿刺障碍物的边缘处增加目标像素,从而得到相对于初始穿刺障碍物尺寸增大的穿刺障碍物,进而提高了经皮穿刺消融手术的容错率。
但是需要说明的是,本申请实施例并不具体限定膨胀操作的膨胀系数,针对不同的初始穿刺障碍物,可以采用不同膨胀系数的膨胀操作。
在一实施例中,候选穿刺路径为医学影像中的病灶点与医学影像中的表皮上的多个候选入针点中的每个候选入针点之间的路径。候选穿刺路径由病灶点到表皮上的候选入针点的向量构成。
通过确定候选穿刺路径与穿刺障碍物是否存在交集,能够确定穿刺针沿着哪些候选穿刺路径行进时,不会刺伤肺内动脉,肺内静脉,骨骼以及支气管。
但是需要说明的是,本申请实施例并不具体限定多个候选入针点的个数,可以按需求,在表皮上选取预设个数的候选入针点,也可以随机在表皮上选取任意多个候选入针点。
S220:根据多个候选入针点中的不存在交集的候选穿刺路径对应的候选入针点,确定至少一个可行入针点。
在一实施例中,与穿刺障碍物不存在交集的候选穿刺路径可以确定为可行穿刺路径,因此,构成可行穿刺路径的候选入针点可以确定为可行入针点。
由于可行穿刺路径的个数为至少一个,因此,构成可行穿刺路径的候选入针点的个数也为至少一个,可行入针点的个数也为至少一个。
本申请实施例并不限定可行穿刺路径的个数,也并不具体限定多个候选入针点中存在多少个构成可行穿刺路径的候选入针点,有多少个构成可行穿刺路径的候选入针点,就可以存在多少个可行入针点。
S230:根据对至少一个可行入针点的评分,确定穿刺点。
在一实施例中,对至少一个可行入针点中的每个可行入针点进行评分,根据可行入针点的评分结果,确定穿刺点。
需要说明的是,本申请实施例并不具体限定评分结果的形式,可以以分数的形式来表示,例如,百分比的形式或小数的形式。通过分数的高低,可以对至少一个可行入针点进行评比,以分数高的可行入针点为穿刺点。
本申请的实施例所提供的确定穿刺点的方法,通过确候选穿刺路径与穿刺障碍物是否存在交集,能够确定多个候选入针点中的哪些候选入针点对应不存在交集的候选穿刺路径,从而得到至少一个可行入针点,再根据对至少一个可行入针点的评分,能够得到经皮穿刺消融手术的穿刺点,从而不仅提高了经皮穿刺消融手术的成功率,还缩短了经皮穿刺消融手术的所需时间。
在至少一个可行入针点包括多个可行入针点,本申请实施例并不具体限定如何对多个可行入针点评分,可以通过如图3所示的步骤S310和S320来实现。
S310:通过入针角度评分标准,对多个可行入针点中的每个可行入针点进行评分,得到第一分数。
在一实施例中,入针角度评分标准用于指示可行入针点和病灶点所构成的向量与可行入针点所在的表皮的横切面之间的角度,该角度越接近于90度,则第一分数越高。
该角度为穿刺针的行进方向与人体表面的夹角,该夹角越趋近于90度,表明穿刺针的行进方向越垂直于人体表面,越有利于医护人员操作穿刺针。
在一实施例中,入针角度评分标准可以通过如下表达式来实现:
其中,α为可行入针点和病灶点所构成的向量与可行入针点所在的表皮的横切面之间的角度,S1为第一分数。
从该表达式可以看出,α所取的值越接近于90度,S1的值越接近于1。且S1的值在0至1之间,也就是说,第一分数用小数的形式来表示,越接近于1,表示第一分数的值越高。
在另一实施例中,入针角度评分标准还用于指示可行入针点和病灶点所构成的向量与CT扫面仪的Z轴所在的轴转面之间的角度,该角度越接近于0度,则所述第一分数越高。
对于一张医学影像中的不同可行入针点来说,CT扫面仪的Z轴所在的轴转面均是相同的。因此,该角度可以理解为是线与一固定面之间的角度,即,变量只有可行入针点和病灶点所构成的向量,而CT扫面仪的Z轴所在的轴转面是不变的量。
可行入针点和病灶点所构成的向量与CT扫面仪的Z轴所在的轴转面之间的角度用于确定穿刺针的行进方向与人体表面的夹角,该夹角越趋近于0度,表明穿刺针的行进方向越垂直于人体表面,越有利于医护人员操作穿刺针。
在一实施例中,入针角度评分标准可以通过如下表达式来实现:
其中,α为可行入针点和病灶点所构成的向量与CT扫面仪的Z轴所在的轴转面之间的角度,S1为第一分数。
从该表达式可以看出,α所取的值越接近于0度,S1的值越接近于1。且S1的值在0至1之间,也就是说,第一分数用小数的形式来表示,越接近于1,表示第一分数的值越高。
需要说明的是,可以采用不同的S1的表达式来实现入针角度评分标准,本申请实施例中提到的两个S1的表达式只作为本申请的入针角度评分标准的示例,本领域技术人员可以根据实际需求进行不同的选择。
S320:根据第一分数,确定所述穿刺点。
通过步骤S310的方式,针对多个可行入针点中的每个可行入针点均会得到一个第一分数。可以通过如下预设规则,来筛选穿刺点。
在一实施例中,判断多个可行入针点中的每个可行入针点的第一分数的大小,将第一分数最高的可行入针点确定为穿刺点。
在另一实施例中,根据预设阈值,可以确定多个可行入针点中的哪些可行入针点为穿刺点。例如,可以预先设定预设阈值的大小,将大于或等于预设阈值的第一分数的可行入针点确定为穿刺点。但是本申请实施例并不具体限定预设阈值的大小。
需要说明的是,本申请实施例并不具体限定预设规则的具体实现形式,本领域技术人员可以根据实际需求,进行不同的选择。通过不同的预设规则,所得到的穿刺点的个数也是不相同的。
在本申请的另一个实施例中,除了通过入针角度评分标准,对多个可行入针点进行评分外,还可以在此基础上,通过路径风险评分标准,对多个可行入针点进行进一步的评分,其可以通过如图4所示的步骤S410至S430来实现。
S410:通过入针角度评分标准,对多个可行入针点中的每个可行入针点进行评分,得到第一分数。
本实施例中的具体实施细节与上述图3所示的方法的步骤S310相同,在此不再赘述,具体细节请参见图3所示的方法的步骤S310。
S420:通过路径风险评分标准,对多个可行入针点中的每个可行入针点进行评分,得到第二分数。
在一实施例中,路径风险评分标准用于指示可行入针点和病灶点之间的穿刺路径与穿刺障碍物之间的相对距离,该相对距离越大,则第二分数越高。
该相对距离可以通过对该穿刺路径进行如上所述的膨胀操作来确定,也就是说,使该穿刺路径进行如上所述的膨胀操作,直到该穿刺路径膨胀到与穿刺障碍物有交集为止,这个过程中的膨胀操作所对应的膨胀尺寸即可表示为相对距离。
该相对距离为穿刺针的行进方向与穿刺障碍物之间的直线距离,该相对距离越大,表明穿刺针的行进方向越不容易刺伤穿刺障碍物,越有利于医护人员进行经皮穿刺消融手术。
在一实施例中,路径风险评分标准可以通过如下表达式来实现:
其中,x为膨胀操作的膨胀尺寸(即,相对距离),n为穿刺路径与穿刺障碍物之间的最大预设距离,S2为第二分数。
该最大预设距离可以根据人体解剖结构,人为地设定,例如,根据人体解剖结构,可以确定穿刺路径与穿刺障碍物之间最大可以涵盖10个像素点,每个像素点之间的间隙是1mm,则n=10/1=10。此时,该直线距离用像素点的多少来表示。
从该表达式可以看出,x所取的值越接近于10,S2的值越接近于1。且S2的值在0至1之间,也就是说,第二分数用小数的形式来表示,越接近于1,表示第二分数的值越高。
需要说明的是,可以采用不同的S2的表达式来实现路径风险评分标准,本申请实施例中提到的S2的表达式只作为本申请的路径风险评分标准的示例,本领域技术人员可以根据实际需求进行不同的选择。
S430:根据第一分数和第二分数,确定穿刺点。
通过步骤S410和S420的方式,针对多个可行入针点中的每个可行入针点均会得到一个第一分数和一个第二分数。对第一分数和第二分数进行加权求和,可以得到一个总分数。但是本申请实施例并不具体限定第一分数和第二分数各自所占的权重值,本领域技术人员可以根据实际需求进行不同的选择。例如,设定第一分数的权重值为0.8,第二分数的权重值为0.2,总分数等于0.8乘以第一分数加上0.2乘以第二分数。
在得到了总分数后,可以根据总分数,通过如下预设规则,来筛选穿刺点。
在一实施例中,判断多个可行入针点中的每个可行入针点的总分数的大小,将总分数最高的可行入针点确定为穿刺点。
在另一实施例中,根据预设阈值,可以确定多个可行入针点中的哪些可行入针点为穿刺点。例如,可以预先设定预设阈值的大小,将大于或等于预设阈值的总分数的可行入针点确定为穿刺点。但是本申请实施例并不具体限定预设阈值的大小。
需要说明的是,本申请实施例并不具体限定预设规则的具体实现形式,本领域技术人员可以根据实际需求,进行不同的选择。通过不同的预设规则,所得到的穿刺点的个数也是不相同的。
在本申请的另一个实施例中,除了通过入针角度评分标准和路径风险评分标准,对多个可行入针点进行评分外,还可以在此基础上,通过欧式距离评分标准,对多个可行入针点进行再一步的评分,其可以通过如图5所示的步骤S510至S540来实现。
S510:通过入针角度评分标准,对多个可行入针点中的每个可行入针点进行评分,得到第一分数。
本实施例中的具体实施细节与上述图3所示的方法的步骤S310相同,在此不再赘述,具体细节请参见图3所示的方法的步骤S310。
S520:通过路径风险评分标准,对多个可行入针点中的每个可行入针点进行评分,得到第二分数。
本实施例中的具体实施细节与上述图4所示的方法的步骤S420相同,在此不再赘述,具体细节请参见图4所示的方法的步骤S420。
S530:通过欧式距离评分标准,对多个可行入针点中的每个可行入针点进行评分,得到第三分数。
在一实施例中,欧式距离评分标准用于指示可行入针点到病灶点的欧式距离,该欧式距离越小,则第三分数越高。
该欧式距离为可行入针点到病灶点之间的真实距离。该欧式距离越大,表明穿刺针的行进方向离病灶点越远,在经皮穿刺消融手术的过程中,对人体所带来的创伤越大。
在一实施例中,欧式距离评分标准可以通过如下表达式来实现:
其中,di为当前可行入针点到病灶点的真实距离,dmin为多个可行入针点中一个可行入针点到病灶点的最短真实距离,dmax为多个可行入针点中一个可行入针点到病灶点的最长真实距离,S3为第三分数。
从该表达式可以看出,di所取的值越接近于最短真实距离,S3的值越接近于1。且S3的值在0至1之间,也就是说,第三分数用小数的形式来表示,越接近于1,表示第三分数的值越高。
需要说明的是,可以采用不同的S3的表达式来实现欧式距离评分标准,本申请实施例中提到的S3的表达式只作为本申请的欧式距离评分标准的示例,本领域技术人员可以根据实际需求进行不同的选择。
S540:根据第一分数、第二分数和第三分数,确定穿刺点。
通过步骤S510、S520和S530的方式,针对多个可行入针点中的每个可行入针点均会得到一个第一分数、一个第二分数以及一个第三分数。对第一分数、第二分数和第三分数进行加权求和,可以得到一个总分数。但是本申请实施例并不具体限定第一分数、第二分数和第三分数各自所占的权重值,本领域技术人员可以根据实际需求进行不同的选择。例如,设定第一分数的权重值为0.7,第二分数的权重值为0.2,第三分数的权重值为0.1,总分数等于0.7乘以第一分数加上0.2乘以第二分数加上0.1乘以第三分数。
在得到了总分数后,可以根据总分数,通过步骤S620所述的实施例中提到的预设规则,来筛选穿刺点,具体细节在此不再赘述。
但是需要说明的是,可以将入针角度评分标准、路径风险评分标准以及欧式距离评分标准进行任意的组合,以实现对多个可行入针点进行评分。例如,根据路径风险评分标准以及欧式距离评分标准,对多个可行入针点进行评分,或者,根据入针角度评分标准以及欧式距离评分标准,对多个可行入针点进行评分,本申请实施例对此并不做具体限定。
本申请实施例也并不限定所采取的评分标准,除了上述提到的入针角度评分标准、路径风险评分标准以及欧式距离评分标准外,还可以采取其他的评分标准,本领域技术人员,可以根据实际需求进行不同的选择。
以上所得到的穿刺点为经皮穿刺消融手术的最佳的穿刺点,将最佳的穿刺点与病灶点相连接,即可得到最佳的穿刺路径。
本申请实施例首先只需对人体扫描一次CT,即可得到精确的3D重建的影像(即,医学影像),然后通过风险评估,即,入针角度评分标准、路径风险评分标准和/或欧式距离评分标准,即可得到经皮穿刺消融手术的最佳的穿刺点和与之对应的最佳的穿刺路径(即,最佳的入针方向),从而不仅能够缩短经皮穿刺消融手术的时间成本,人力成本,节省资源,还能够大幅度的保护病人的生命安全,预防血肺的发生。
在本申请的另一个实施例中,如图6所示,步骤S210包括:对病灶点和候选入针点之间的候选穿刺路径进行膨胀操作,得到候选穿刺路径在三维空间下的区域;确定候选穿刺路径在三维空间下的区域与医学影像中的穿刺障碍物是否存在交集。
病灶点和候选入针点之间的候选穿刺路径可以理解为是病灶点和候选入针点之间的向量。通过膨胀操作,可以得到该向量的在三维空间下的区域。计算在三维空间下的该区域与穿刺障碍物的交集,若交集为空,则不存在交集,若交集不为空,则存在交集。
在本申请的另一个实施例中,如图6所示,所述方法还包括如下内容。
S610:以病灶点为中心,在病灶点周围预设范围内的表皮上确定初始入针可行域。
在一实施例中,病灶点周围预设范围内的表皮是指以病灶点为球心、预设范围为半径的球体所覆盖的表皮,其作为初始入针可行域。本申请实施例并不具体限定预设范围的具体取值,例如,预设范围的取值可以为15cm。
确定初始入针可行域的约束条件如下所示,初始入针可行域中的点的坐标值满足如下约束条件。
其中,A为全部的表皮区域,x、y、z为三维空间下的初始入针可行域中的点的坐标值。
但是需要说明的是,本申请实施例也并不具体限定确定病灶点周围预设范围内的表皮的方式,还可以以病灶点为中心设定其他形状,来确定病灶点周围预设范围内的表皮。
S620:在初始入针可行域上选取多个初始候选入针点。
在一实施例中,通过蒙特卡洛采样方法选取多个初始候选入针点。以n*n*n的卷积核和a*b*c的表皮mask为例进行说明,假设n=10,首先确定每个卷积核经过的采样空间,再计算该采样空间的表皮点占该采样空间的比例,以生成等比例的随机种子数,最后从随机种子数中筛选出等比例的初始候选入针点。其中,每个卷积核经过的采样空间的表皮点的采样率为count(a)/1000。
本申请实施例并不具体限定多个初始候选入针点的采样方式,除了通过蒙特卡洛采样方法外,还可以采用全局的随机采样方法。
S630:从多个初始候选入针点中确定多个候选入针点。
在一实施例中,通过聚类算法,将多个初始候选入针点划分为不同簇;计算多个初始候选入针点中的每个初始候选入针点到病灶点的欧式距离;确定不同组中的欧式距离大于预设阈值的初始候选入针点为多个候选入针点。
在获得多个初始候选入针点后,通过k-means聚类算法,将多个初始候选入针点分为不同的簇。对不同的簇中的每个独立的簇单独考虑,分别计算每个独立的簇中的初始候选入针点与病灶点之间的欧式距离。确定每个独立的簇中的欧式距离大于预设阈值的初始候选入针点为候选入针点。
通设定预设阈值,可以从每个独立的簇中选择出欧式距离排名靠前的初始候选入针点,其可作为候选入针点。但是本申请实施例并不具体限定预设阈值的取值,本领域技术人员可以根据实际需求,进行不同的选择。
示例性装置
本申请装置实施例,可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节,请参照本申请方法实施例。
图7所示为本申请一个实施例提供的确定穿刺点的装置的框图。如图7所示,该装置700包括:
第一确定模块710,配置为确定医学影像中的候选穿刺路径与所述医学影像中的穿刺障碍物是否存在交集,其中,所述候选穿刺路径为所述医学影像中的病灶点与所述医学影像中的表皮上的多个候选入针点中的每个候选入针点之间的路径;
第二确定模块720,配置为根据所述多个候选入针点中的不存在交集的候选穿刺路径对应的候选入针点,确定至少一个可行入针点;
评分模块730,配置为根据对所述至少一个可行入针点的评分,确定所述穿刺点。
本申请的实施例所提供的确定穿刺点的方法,通过确定医学影像中的多个候选穿刺路径中的每个候选穿刺路径与医学影像中的穿刺障碍物是否存在交集,能够确定多个候选入针点中的哪些候选入针点对应不存在交集的候选穿刺路径,从而得到至少一个可行入针点,再根据对至少一个可行入针点的评分,能够得到经皮穿刺消融手术的穿刺点,从而不仅提高了经皮穿刺消融手术的成功率,还缩短了经皮穿刺消融手术的所需时间。
在本申请的另一个实施例中,所述至少一个可行入针点包括多个可行入针点,评分模块730进一步配置为:通过入针角度评分标准,对所述多个可行入针点中的每个可行入针点进行评分,得到第一分数,其中,所述入针角度评分标准用于指示所述可行入针点和所述病灶点所构成的向量与所述可行入针点所在的表皮的横切面之间的角度,所述角度越接近于90度,则所述第一分数越高,或者,所述入针角度评分标准用于指示所述可行入针点和所述病灶点所构成的向量与CT扫面仪的Z轴所在的轴转面之间的角度,所述角度越接近于0度,则所述第一分数越高;根据所述第一分数,确定所述穿刺点。
在本申请的另一个实施例中,所述装置还包括:第一评分模块,配置为:通过路径风险评分标准,对所述多个可行入针点中的每个可行入针点进行评分,得到第二分数,其中,所述路径风险评分标准用于指示所述可行入针点和所述病灶点之间的穿刺路径与所述穿刺障碍物之间的相对距离,所述相对距离越大,则所述第二分数越高。
在本申请的另一个实施例中,评分模块730在根据所述第一分数,确定所述穿刺点时,进一步配置为:根据所述第一分数和所述第二分数,确定所述穿刺点。
在本申请的另一个实施例中,所述装置还包括:第二评分模块,配置为:通过欧式距离评分标准,对所述多个可行入针点中的每个可行入针点进行评分,得到第三分数,其中,所述欧式距离评分标准用于指示所述可行入针点到所述病灶点的欧式距离,所述欧式距离越小,则所述第三分数越高。
在本申请的另一个实施例中,评分模块730在根据所述第一分数和所述第二分数,确定所述穿刺点时,进一步配置为:根据所述第一分数、所述第二分数和所述第三分数,确定所述穿刺点。
在本申请的另一个实施例中,第一确定模块710进一步配置为:对所述病灶点和所述候选入针点之间的候选穿刺路径进行膨胀操作,得到所述候选穿刺路径在三维空间下的区域;确定所述候选穿刺路径在三维空间下的区域与所述医学影像中的穿刺障碍物是否存在交集。
在本申请的另一个实施例中,所述装置还包括:第一获取模块,配置为:获取所述医学影像中的初始穿刺障碍物;第二获取模块,配置为:对所述初始穿刺障碍物进行膨胀操作,得到所述穿刺障碍物。
在本申请的另一个实施例中,所述装置还包括:第三确定模块,配置为:以所述病灶点为中心,在所述病灶点周围预设范围内的所述表皮上确定初始入针可行域;选取模块,配置为:在所述初始入针可行域上选取多个初始候选入针点;第四确定模块,配置为:从所述多个初始候选入针点中确定所述多个候选入针点。
在本申请的另一个实施例中,第四确定模块在从所述多个初始候选入针点中确定所述多个候选入针点时,进一步配置为:通过聚类算法,将所述多个初始候选入针点划分为不同簇;计算所述多个初始候选入针点中的每个初始候选入针点到所述病灶点的欧式距离;确定所述不同簇中的欧式距离大于预设阈值的初始候选入针点为所述多个候选入针点。
示例性电子设备
下面,参考图8来描述根据本申请实施例的电子设备。图8图示了根据本申请实施例的电子设备的框图。
如图8所示,电子设备800包括一个或多个处理器810和存储器820。
处理器810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800中的其他组件以执行期望的功能。
存储器820可以包括一个或多个计算机程序产品,所述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。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器810可以运行所述程序指令,以实现上文所述的本申请的各个实施例的确定穿刺点的方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如第一分数、第二分数以及第三分数等各种内容。
在一个示例中,电子设备800还可以包括:输入装置830和输出装置840,这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
此外,该输入设备830还可以包括例如键盘、鼠标等等。该输出装置840可以向外部输出各种信息,包括确定出的穿刺点等。该输出设备840可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图8中仅示出了该电子设备800中与本申请有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备800还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的确定穿刺点的方法中的步骤。
所述计算机程序产品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实施例操作的程序代码,所述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。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的确定穿刺点的方法中的步骤。
所述计算机可读存储介质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包括但不限于电、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。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (11)
1.一种确定穿刺点的方法,其特征在于,包括:
确定医学影像中的候选穿刺路径与所述医学影像中的穿刺障碍物是否存在交集,其中,所述候选穿刺路径为所述医学影像中的病灶点与所述医学影像中的表皮上的多个候选入针点中的每个候选入针点之间的路径;
根据所述多个候选入针点中的不存在交集的候选穿刺路径对应的候选入针点,确定至少一个可行入针点;
根据对所述至少一个可行入针点的评分,确定所述穿刺点。
2.根据权利要求1所述的方法,其特征在于,所述至少一个可行入针点包括多个可行入针点,其中,所述根据对所述至少一个可行入针点的评分,确定所述穿刺点,包括:
通过入针角度评分标准,对所述多个可行入针点中的每个可行入针点进行评分,得到第一分数,其中,所述入针角度评分标准用于指示所述可行入针点和所述病灶点所构成的向量与所述可行入针点所在的表皮的横切面之间的角度,所述角度越接近于90度,则所述第一分数越高,或者,所述入针角度评分标准用于指示所述可行入针点和所述病灶点所构成的向量与CT扫面仪的Z轴所在的轴转面之间的角度,所述角度越接近于0度,则所述第一分数越高;
根据所述第一分数,确定所述穿刺点。
3.根据权利要求2所述的方法,其特征在于,还包括:
通过路径风险评分标准,对所述多个可行入针点中的每个可行入针点进行评分,得到第二分数,其中,所述路径风险评分标准用于指示所述可行入针点和所述病灶点之间的穿刺路径与所述穿刺障碍物之间的相对距离,所述相对距离越大,则所述第二分数越高,
其中,所述根据所述第一分数,确定所述穿刺点,包括:
根据所述第一分数和所述第二分数,确定所述穿刺点。
4.根据权利要求3所述的方法,其特征在于,还包括:
通过欧式距离评分标准,对所述多个可行入针点中的每个可行入针点进行评分,得到第三分数,其中,所述欧式距离评分标准用于指示所述可行入针点到所述病灶点的欧式距离,所述欧式距离越小,则所述第三分数越高,
其中,所述根据所述第一分数和所述第二分数,确定所述穿刺点,包括:
根据所述第一分数、所述第二分数和所述第三分数,确定所述穿刺点。
5.根据权利要求1所述的方法,其特征在于,所述确定医学影像中的候选穿刺路径与所述医学影像中的穿刺障碍物是否存在交集,包括:
对所述病灶点和所述候选入针点之间的候选穿刺路径进行膨胀操作,得到所述候选穿刺路径在三维空间下的区域;
确定所述候选穿刺路径在三维空间下的区域与所述医学影像中的穿刺障碍物是否存在交集。
6.根据权利要求1至5中任一项所述的方法,其特征在于,还包括:
获取所述医学影像中的初始穿刺障碍物;
对所述初始穿刺障碍物进行膨胀操作,得到所述穿刺障碍物。
7.根据权利要求1至5中任一项所述的方法,其特征在于,还包括:
以所述病灶点为中心,在所述病灶点周围预设范围内的所述表皮上确定初始入针可行域;
在所述初始入针可行域上选取多个初始候选入针点;
从所述多个初始候选入针点中确定所述多个候选入针点。
8.根据权利要求7所述的方法,其特征在于,所述从所述多个初始候选入针点中确定所述多个候选入针点,包括:
通过聚类算法,将所述多个初始候选入针点划分为不同簇;
计算所述多个初始候选入针点中的每个初始候选入针点到所述病灶点的欧式距离;
确定所述不同簇中的欧式距离大于预设阈值的初始候选入针点为所述多个候选入针点。
9.一种确定穿刺点的装置,其特征在于,包括:
第一确定模块,配置为确定医学影像中的候选穿刺路径与所述医学影像中的穿刺障碍物是否存在交集,其中,所述候选穿刺路径为所述医学影像中的病灶点与所述医学影像中的表皮上的多个候选入针点中的每个候选入针点之间的路径;
第二确定模块,配置为根据所述多个候选入针点中的不存在交集的候选穿刺路径对应的候选入针点,确定至少一个可行入针点;
评分模块,配置为根据对所述至少一个可行入针点的评分,确定所述穿刺点。
10.一种电子设备,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
所述处理器,用于执行上述权利要求1至8中任一项所述的方法。
11.一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行如权利要求1至8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111355172.7A CN114022471B (zh) | 2021-11-16 | 2021-11-16 | 确定穿刺点的方法及装置,电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111355172.7A CN114022471B (zh) | 2021-11-16 | 2021-11-16 | 确定穿刺点的方法及装置,电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114022471A true CN114022471A (zh) | 2022-02-08 |
CN114022471B CN114022471B (zh) | 2022-11-18 |
Family
ID=80064471
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111355172.7A Active CN114022471B (zh) | 2021-11-16 | 2021-11-16 | 确定穿刺点的方法及装置,电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114022471B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117017483A (zh) * | 2023-08-04 | 2023-11-10 | 中国人民解放军空军军医大学 | 一种基于医疗成像的picc尖端引导测量定位方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100296709A1 (en) * | 2009-05-19 | 2010-11-25 | Algotec Systems Ltd. | Method and system for blood vessel segmentation and classification |
CN103970988A (zh) * | 2014-04-14 | 2014-08-06 | 中国人民解放军总医院 | 消融针穿刺路径规划方法及系统 |
CN107296645A (zh) * | 2017-08-03 | 2017-10-27 | 东北大学 | 肺穿刺手术最优路径规划方法及肺穿刺手术导航系统 |
CN110013306A (zh) * | 2019-03-22 | 2019-07-16 | 北京工业大学 | Ct引导肝肿瘤热消融治疗穿刺路径规划方法 |
CN110537960A (zh) * | 2018-05-29 | 2019-12-06 | 上海联影医疗科技有限公司 | 穿刺路径的确定方法、存储设备及机器人辅助手术系统 |
CN112155729A (zh) * | 2020-10-15 | 2021-01-01 | 中国科学院合肥物质科学研究院 | 手术穿刺路径智能自动化规划方法及系统和医疗系统 |
CN113139959A (zh) * | 2021-05-17 | 2021-07-20 | 北京安德医智科技有限公司 | 获得心肌桥图像的方法及装置、电子设备和存储介质 |
-
2021
- 2021-11-16 CN CN202111355172.7A patent/CN114022471B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100296709A1 (en) * | 2009-05-19 | 2010-11-25 | Algotec Systems Ltd. | Method and system for blood vessel segmentation and classification |
CN103970988A (zh) * | 2014-04-14 | 2014-08-06 | 中国人民解放军总医院 | 消融针穿刺路径规划方法及系统 |
CN107296645A (zh) * | 2017-08-03 | 2017-10-27 | 东北大学 | 肺穿刺手术最优路径规划方法及肺穿刺手术导航系统 |
CN110537960A (zh) * | 2018-05-29 | 2019-12-06 | 上海联影医疗科技有限公司 | 穿刺路径的确定方法、存储设备及机器人辅助手术系统 |
CN110013306A (zh) * | 2019-03-22 | 2019-07-16 | 北京工业大学 | Ct引导肝肿瘤热消融治疗穿刺路径规划方法 |
CN112155729A (zh) * | 2020-10-15 | 2021-01-01 | 中国科学院合肥物质科学研究院 | 手术穿刺路径智能自动化规划方法及系统和医疗系统 |
CN113139959A (zh) * | 2021-05-17 | 2021-07-20 | 北京安德医智科技有限公司 | 获得心肌桥图像的方法及装置、电子设备和存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117017483A (zh) * | 2023-08-04 | 2023-11-10 | 中国人民解放军空军军医大学 | 一种基于医疗成像的picc尖端引导测量定位方法 |
CN117017483B (zh) * | 2023-08-04 | 2024-03-08 | 中国人民解放军空军军医大学 | 一种基于医疗成像的picc尖端引导测量定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114022471B (zh) | 2022-11-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20190021677A1 (en) | Methods and systems for classification and assessment using machine learning | |
CN106651895B (zh) | 一种分割三维图像的方法和装置 | |
WO2011152094A1 (ja) | 医療機器および医療機器の制御方法 | |
US10524823B2 (en) | Surgery assistance apparatus, method and program | |
CN112861961B (zh) | 肺血管分类方法及装置、存储介质及电子设备 | |
US9198603B2 (en) | Device, method and program for searching for the shortest path in a tubular structure | |
US10083278B2 (en) | Method and system for displaying a timing signal for surgical instrument insertion in surgical procedures | |
Schreier et al. | A full-image deep segmenter for CT images in breast cancer radiotherapy treatment | |
US9492124B2 (en) | System and method for treatment planning of organ disease at the functional and anatomical levels | |
Fick et al. | Fully automatic brain tumor segmentation for 3D evaluation in augmented reality | |
WO2023186133A1 (zh) | 一种用于穿刺路径规划的系统及方法 | |
CN115590623B (zh) | 穿刺路径规划系统 | |
US10420532B2 (en) | Method and apparatus for calculating the contact position of an ultrasound probe on a head | |
CN114022471B (zh) | 确定穿刺点的方法及装置,电子设备及存储介质 | |
CN117357249B (zh) | 针对目标器官的穿刺路径规划方法及相关产品 | |
US20240050172A1 (en) | Surgical pathway processing system, method, device, and storage medium | |
CN107845106B (zh) | 利用改进的nndr策略的医学图像配准方法 | |
Hong et al. | Deep learning detection and segmentation of brain arteriovenous malformation on magnetic resonance angiography | |
CN113994380A (zh) | 基于深度学习的消融区域确定方法 | |
JP2020512096A (ja) | 3次元超音波体積内の関心オブジェクトを視覚化する少なくとも1つの最終2次元画像の決定 | |
CN112132981A (zh) | 图像处理的方法及装置,电子设备及存储介质 | |
US20230097224A1 (en) | Ai-based atlas mapping slice localizer for deep learning autosegmentation | |
CN116912098A (zh) | 用于介入手术医学影像处理方法、系统、装置及存储介质 | |
Liu et al. | Path planning for percutaneous lung biopsy based on the loose-Pareto and adaptive heptagonal optimization method | |
CN113993475A (zh) | 通过图像分析来预测病变复发的方法 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20240208 Address after: No. 288 Xingcheng Avenue, Hannan District, Wuhan City, Hubei Province (019) Patentee after: Wuhan Longdianjing Intelligent Technology Co.,Ltd. Country or region after: China Address before: Room B401, 4 / F, building 1, No. 12, shangdixin Road, Haidian District, Beijing 100085 Patentee before: Tuxiang Medical Technology Co.,Ltd. Country or region before: China |