CN114184581B - 基于oct系统的图像优化方法、装置、电子设备及存储介质 - Google Patents
基于oct系统的图像优化方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114184581B CN114184581B CN202111243213.3A CN202111243213A CN114184581B CN 114184581 B CN114184581 B CN 114184581B CN 202111243213 A CN202111243213 A CN 202111243213A CN 114184581 B CN114184581 B CN 114184581B
- Authority
- CN
- China
- Prior art keywords
- coordinate system
- mechanical arm
- image
- world coordinate
- oct
- 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 59
- 238000005457 optimization Methods 0.000 title claims abstract description 39
- 238000003384 imaging method Methods 0.000 claims abstract description 106
- 239000000523 sample Substances 0.000 claims abstract description 77
- 239000013598 vector Substances 0.000 claims description 104
- 239000011159 matrix material Substances 0.000 claims description 69
- 210000003205 muscle Anatomy 0.000 claims description 33
- 230000009466 transformation Effects 0.000 claims description 33
- 230000011218 segmentation Effects 0.000 claims description 30
- 238000004590 computer program Methods 0.000 claims description 16
- 238000003709 image segmentation Methods 0.000 claims description 15
- 238000012014 optical coherence tomography Methods 0.000 description 82
- 210000001519 tissue Anatomy 0.000 description 13
- 230000008569 process Effects 0.000 description 10
- 238000013527 convolutional neural network Methods 0.000 description 9
- 238000012549 training Methods 0.000 description 9
- 238000000605 extraction Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000013334 tissue model Methods 0.000 description 5
- 238000013519 translation Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000001131 transforming effect Effects 0.000 description 3
- 206010052428 Wound Diseases 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000005295 random walk Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000002792 vascular Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- JZVJCTVXALSTOA-XMPIZRASSA-N chembl1288988 Chemical compound C1=CC(OC)=CC=C1C[C@H](N(C)C(=O)[C@H](CO)NC(=O)[C@@H](C)NC(=O)[C@@H](N(C1=O)C)C2)C(=O)N[C@@H](C)C(=O)N(C)[C@H]1CC(C=C1)=CC=C1OC1=CC2=CC=C1O JZVJCTVXALSTOA-XMPIZRASSA-N 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000002406 microsurgery Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/41—Refractivity; Phase-affecting properties, e.g. optical path length
- G01N21/45—Refractivity; Phase-affecting properties, e.g. optical path length using interferometric methods; using Schlieren methods
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Endoscopes (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供一种基于OCT系统的图像优化方法、装置、电子设备及存储介质,该方法包括:获取样品的OCT三维扫描图像;根据OCT图像的反馈,系统自动计算探头位于最佳成像位置时机械臂的位姿参数;基于所述位姿参数,调整所述机械臂末端的实际位置和姿态,对所述三维扫描图像进行优化,直至得到所述探头处于最佳成像位置时的优化图像;其中,所述调整所述机械臂的实际位置包括:调整所述机械臂末端的空间位置,以及机械臂末端的空间朝向。本发明依靠机械臂末端位姿的调整,来实现探头的成像位姿的优化,从而实现在最佳成像位置的自动化成像,获得扫描图像在OCT系统中的优化图像。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种基于OCT系统的图像优化方法、装置、电子设备及存储介质。
背景技术
光学相干层析成像(Optical Coherence Tomography,OCT)技术是基于低相干光干涉的断层扫描成像技术,结合宽带光源的低相干特性,通过测量组织结构的后向散射光干涉形成的信号对生物组织内部的微观结构进行成像,具有高速高分辨、非接触、非侵入、探测灵敏度高、实时动态成像等优点。
目前术中光学相干层析成像技术已经在眼科、显微外科手术等领域有了成熟的发展,可用于辅助医生对血管状态定量化评估。机械臂具有多自由度、高精度、稳定等优势,将机械臂与OCT系统结合起来,可以使得成像过程更稳定、更精准。机械臂辅助多普勒OCT成像系统可以实现距离感知、运动补偿等功能,保证精密、稳定、灵活的数据获取过程,实现实时传感与成像,进行术中规划和导航,辅助医生术中决策,规避风险,辅助手术顺利实施。
然而,OCT系统成像时,由于创口、个体血管形态和血管底部组织样貌的差异性,探头相对目标血管往往不在最佳成像位置,可能会导致图像中有效信息丢失以及图像信噪比下降。为避免上述情况发生,每当探头到达一个新的成像点时,需要对探头的成像位姿进行优化。
因此,本发明解决的技术问题是:如何对探头的成像位姿进行优化,得到优化后的图像。
发明内容
本发明提供一种基于OCT系统的图像优化及装置,用以解决现有技术中探头的成像位姿不佳的缺陷,实现对探头的成像位姿进行优化。
本发明提供一种基于OCT系统的图像优化方法,包括:
获取样品的OCT三维扫描图像;
根据OCT图像的反馈,系统自动计算探头位于最佳成像位置时机械臂的位姿参数;
基于所述位姿参数,调整所述机械臂末端的实际位置和姿态,对所述三维扫描图像进行优化,直至得到所述探头处于最佳成像位置时的优化图像。
根据本发明提供的一种基于OCT系统的图像优化方法,所述系统计算探头位于最佳成像位置时机械臂的位姿参数,包括:
计算确定探头处于最佳成像位置时所述机械臂末端工具坐标系的原点在所述世界坐标系的位置坐标;
基于所述机械臂末端工具坐标系与所述世界坐标系的关系,得到旋转矩阵,利用所述旋转矩阵得到最佳成像位置时所述世界坐标系与所述机械臂末端工具坐标系的欧拉角;
所述基于所述位姿参数,调整所述机械臂的实际位置,包括:
基于所述最佳成像位置时所述机械臂末端工具坐标系的原点在所述世界坐标系下的坐标,调整所述机械臂的法兰盘与目标成像点的实际距离;
基于所述最佳成像位置时所述世界坐标系与所述机械臂末端工具坐标系的欧拉角,调整所述世界坐标系与所述机械臂末端工具坐标系的实际欧拉角。
根据本发明提供的一种基于OCT系统的图像优化方法,所述基于所述机械臂末端工具坐标系与所述世界坐标系的关系,得到旋转矩阵,包括:
对所述扫描图像进行自动分割和特征提取,得到世界坐标系中的肌肉组织平面法向量和塑料管径向量;
根据所述肌肉组织平面法向量和塑料管径向量,得到所述机械臂末端工具坐标系的X轴、Y轴及Z轴的方向向量;
获取所述世界坐标系X轴、Y轴及Z轴的方向向量;
通过计算所述机械臂末端工具坐标系的X轴、Y轴及Z轴的方向向量和所述世界坐标系X轴、Y轴及Z轴的方向向量的夹角的方向余弦,得到所述旋转矩阵。
根据本发明提供的一种基于OCT系统的图像优化方法,所述对所述扫描图像进行自动分割和特征提取,得到世界坐标系中的肌肉组织平面法向量和塑料管径向量,包括:
对所述扫描图像的肌肉组织表面的边缘进行分割,得到世界坐标系中的肌肉组织平面法向量;
对所述扫描图像的塑料管的轮廓进行自动分割,将所述轮廓拟合为圆形,并获取所述轮廓的圆心像素坐标;
将多个所述圆心像素坐标置于同一条直线上,得到世界坐标系中的塑料管径向量。
根据本发明提供的一种基于OCT系统的图像优化方法,所述对扫描图像的塑料管的轮廓进行自动分割,包括:
获取所述塑料管的待处理图像;
将所述待处理图像输入至图像分割模型中,得到所述待处理图像的分割结果;
其中所述图像分割模型是基于所述塑料管的图像样本和分割结果训练得到的。
根据本发明提供的一种基于OCT系统的图像优化方法,还包括:
基于所述机械臂末端工具坐标系的原点在世界坐标系下的坐标和所述欧拉角,得到所述机械臂末端工具坐标系到所述世界坐标系的第一变换矩阵;
获取所述扫描图像在所述OCT系统以及所述世界坐标系中的坐标,并利用所述第一变换矩阵、所述OCT系统以及所述世界坐标系中的坐标,得到第二变换矩阵;
利用所述第二变换矩阵对所述探头进行标定。
本发明还提供一种基于OCT系统的图像优化方法装置,包括:
获取模块,用于获取样品的OCT三维扫描图像;
采集模块,用于根据OCT图像的反馈,系统自动计算探头位于最佳成像位置时机械臂的位姿参数;
调整模块,用于基于所述位姿参数,调整所述机械臂末端的实际位置和姿态,对所述三维扫描图像进行优化,直至得到所述探头处于最佳成像位置时的优化图像。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述基于OCT系统的图像优化方法的步骤。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述基于OCT系统的图像优化方法的步骤。
本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述基于OCT系统的图像优化方法的步骤。
本发明提供的基于OCT系统的图像优化方法,通过采集探头在最佳成像位置时机械臂的位姿参数,对机械臂的位置进行调整和优化,实现探头的位姿优化,从而实现在最佳成像位置的自动化成像,获得扫描图像在OCT系统中的优化图像。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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是本发明提供的基于OCT系统的图像优化方法的流程示意图;
图2是OCT探头在机械臂末端工具坐标系下的位姿表示;
图3是塑料管径向量和组织平面法向量示意图;
图4是利用LRW方法提取组织面型走向时种子点的选取图;
图5是采用LRW对塑料管底部组织的轮廓提取过程图;
图6是卷积神经网络模型对塑料管外壁轮廓形态提取过程图;
图7是256帧塑料管底部组织的轮廓三维重建图;
图8是卷积神经网络对塑料管强度图像的预测结果图;
图9是初始位置对塑料管图像分割结果的三视图和三维重建结果图;
图10是最佳成像位置对塑料管图像分割结果的三视图和三维重建结果图;
图11是本发明提供的基于OCT系统的图像优化装置的结构示意图;
图12是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面结合图1-图10描述本发明提供的基于OCT系统的图像优化方法。
参照图1,本发明提供的基于OCT系统的图像优化方法,包括以下步骤:
步骤110:获取样品的OCT三维扫描图像;
步骤120:根据OCT图像的反馈,系统自动计算探头位于最佳成像位置时机械臂的位姿参数;
步骤130:基于所述位姿参数,调整所述机械臂末端的实际位置和姿态,对所述三维扫描图像进行优化,直至得到所述探头处于最佳成像位置时的优化图像。
以下对本实施例作详细描述:
本实施例中,将光学相干层析成像(Optical Coherence Tomography,OCT)技术应用于眼科、外科手术中,通过其高速高分辨、非接触、非侵入、探测灵敏度高及实时动态成像的优点,辅助一声对血管状态定量化评估。本实施例将OCT系统与机械臂相结合,从而使成像过程更稳定、更精准,从而实现距离感知、运动补偿等功能,保证精密、稳定、灵活的数据获取过程,实现实时传感与成像,进行术中规划和导航,辅助医生术中决策,规避风险,辅助手术顺利实施。
本实施例中的样品用塑料管及肌肉组织模型来代替人体的血管和肌肉组织,扫描图像即为通过OCT系统探头扫描到的塑料管及肌肉组织模型,通过OCT成像技术,得到塑料管及肌肉组织模型的三维扫描图像。
在实际手术过程中,成像时由于创口、个体血管形态和血管底部组织样貌的差异性,探头相对目标血管往往不在最佳成像位置,可能会导致图像中有效信息丢失以及图像信噪比下降。因此,在实施例中,通过多次成像实验,得到图像质量最高的三维扫描图像,此时的探头便处于最佳成像位置。采集探头当前的位姿参数并发送给机械臂,机械臂能够调整探头的实际位置,通过对探头位置的优化而对OCT系统的成像效果进行优化。通过不断调整探头的实际位置,使探头的实际位置达到最佳成像位置,进而获取进行位姿优化后的优化图像。
本实施例提供的基于OCT系统的图像优化方法,通过采集探头在最佳成像位置时机械臂的位姿参数,对机械臂的位置进行调整和优化,实现探头的位姿优化,从而实现在最佳成像位置的自动化成像,获得扫描图像在OCT系统中的优化图像。
在一可选的实施例中,所述系统计算探头位于最佳成像位置时机械臂的位姿参数,包括:
计算确定探头处于最佳成像位置时所述机械臂末端工具坐标系的原点在所述世界坐标系的位置坐标;
基于所述机械臂末端工具坐标系与所述世界坐标系的关系,得到旋转矩阵,利用所述旋转矩阵得到最佳成像位置时所述世界坐标系与所述机械臂末端工具坐标系的欧拉角;
所述基于所述位姿参数,调整所述机械臂的实际位置,包括:
基于所述最佳成像位置时所述机械臂末端工具坐标系的原点在所述世界坐标系下的坐标,调整所述机械臂的法兰盘与目标成像点的实际距离;
基于所述最佳成像位置时所述世界坐标系与所述机械臂末端工具坐标系的欧拉角,调整所述世界坐标系与所述机械臂末端工具坐标系的实际欧拉角。
具体地,机械臂的位姿参数包括X,Y,Z,R,P,Y六个参数,通过这六个参数来描述机械臂末端工具坐标系和世界坐标系的关系。
世界坐标系,即系统的绝对坐标系,在没有建立用户坐标系之前画面上所有点的坐标都是以该坐标系的原点来确定各自的位置的。在本实施例中,由于OCT系统的光学相干断层扫描仪以及机械臂的位置不固定,因此在实际环境中需要选择一个基准坐标系来描述光学相干断层扫描仪以及机械臂的位置,并用该基准坐标系来描述实际工作中其他问题的位置,塑料管及组织模型的位置、探头的位置等。
其中,X,Y,Z,R,P,Y这六个参数中,(X,Y,Z)三个参数是机械臂末端工具坐标系原点在世界坐标系(机械臂基座坐标系)下的位置坐标。(R,P,Y)为机械臂末端工具坐标系的空间朝向,或者称为机械臂末端工具坐标系相对于世界坐标系的姿态,即欧拉角。因此,采集探头位于最佳成像位置时机械臂的位姿参数即为采集最佳成像位置时机械臂末端工具坐标系原点在世界坐标系下的坐标以及世界坐标系与机械臂末端工具坐标系的欧拉角。
根据采集到的最佳成像位置的位姿参数,对机械臂的实际位置进行调整,其中包括对机械臂的法兰盘与目标成像点的实际距离、世界坐标系与机械臂末端工具坐标系的实际欧拉角进行调整,从而使得实际距离和实际欧拉角达到最佳成像位置的参数。
其中,探头处于最佳成像位置时,机械臂的法兰盘与目标成像点的距离可直接根据测量得到。而世界坐标系与机械臂末端工具坐标系的欧拉角需要根据机械臂末端工具坐标系和世界坐标系的位置关系,得到两个坐标系的旋转矩阵,如以下公式所示:
将旋转矩阵用符号代替,可具体表述为:
再对旋转矩阵通过反正切的三角函数关系,从而得到欧拉角。
本实施例通过对机械臂的法兰盘与目标成像点的实际距离和世界坐标系与机械臂末端工具坐标系的实际欧拉角进行调整,从而对探头进行了位姿优化,以得到优化后通过OCT系统获取的三维扫描图像。
在一可选的实施例中,所述基于所述机械臂末端工具坐标系与所述世界坐标系的关系,得到旋转矩阵,包括:
对所述扫描图像进行自动分割和特征提取,得到世界坐标系中的肌肉组织平面法向量和塑料管径向量;
根据所述肌肉组织平面法向量和塑料管径向量,得到所述机械臂末端工具坐标系的X轴、Y轴及Z轴的方向向量;
获取所述世界坐标系X轴、Y轴及Z轴的方向向量;
通过计算所述机械臂末端工具坐标系的X轴、Y轴及Z轴的方向向量和所述世界坐标系X轴、Y轴及Z轴的方向向量的夹角的方向余弦,得到所述旋转矩阵。
具体地,本实施例中,对塑料管和肌肉组织模型进行自动分割和特征提取,得到世界坐标系中的肌肉组织平面法向量和塑料管径向量。
当探头在最佳成像位置时,机械臂末端工具坐标系的Z轴应当平行于肌肉组织平面法向量,在此直接用肌肉组织平面法向量作为Z轴方向向量,机械臂末端工具坐标系的Y轴应当平行于塑料管径向量,在此直接用塑料管径向量作为Y轴方向向量。而X轴的方向向量可以Y轴方向向量和Z轴方向向量通过叉乘求得。
世界坐标系的X轴、Y轴及Z轴的方向向量可直接设置为
然后,通过计算机械臂末端工具坐标系的X轴、Y轴及Z轴的方向向量和世界坐标系X轴、Y轴及Z轴的方向向量的夹角的方向余弦,得到方向余弦矩阵,即旋转矩阵(Directional Cosine Matrix,DCM)。
在一可选的实施例中,所述对所述扫描图像进行自动分割和特征提取,得到世界坐标系中的肌肉组织平面法向量和塑料管径向量,包括:
对所述扫描图像的肌肉组织表面的边缘进行分割,得到世界坐标系中的肌肉组织平面法向量;
对所述扫描图像的塑料管的轮廓进行自动分割,将所述轮廓拟合为圆形,并获取所述轮廓的圆心像素坐标;
将多个所述圆心像素坐标置于同一条直线上,得到世界坐标系中的塑料管径向量。
在本实施例中,首先对系统采集到的扫描图像进行自动分割和特征提取,得到塑料管轮廓线和肌肉组织表面的轮廓线。
参照图2-图3,OCT成像探头在机械臂末端工具坐标系下的位姿由矢量Vp和矢量Ve表示。矢量Vp平行于机械臂末端工具坐标系的Z轴,即垂直于机械臂工具法兰盘平面,矢量Ve指向多普勒OCT探头C扫描光线的方向。
图3为肌肉组织平面法向量和塑料管径向量示意图。当多普勒OCT探头在最佳成像位置时,矢量Vp应当平行于组织平面,矢量Ve应当平行于塑料管。
其中,点D为一个目标扫描点,在其附近组织表面顺时针取三个点A、B、C,形成一个三角形平面,代表目标扫描点所在的局部平面,其法向量用表示。
在塑料管上取两个点E、F连成直线,箭头指向OCT三维扫描C扫描光线移动的方向,得到塑料管径向量
当探头在最佳成像位置时,矢量Vp应当平行于三角平面的法向量矢量Ve应当平行于塑料管的径向量
具体地,本实施例采用基于拉普拉斯算子的随机游走算法对肌肉组织的面型轮廓进行提取。首先,选取两类种子点。其次,计算图像的狄拉克积分,这个积分值表示一个随机游走者到达每一个种子点的概率。然后将每个像素点归类为最大概率对应的种子点。最后根据每个种子点的最大概率确定分割结果。拉普拉斯算子的随机游走算法是将正则化D2x(x为每个像素点的最大概率)引入到狄拉克积分获得每个像素点的概率图,具体可表示为:
J(x)=∫Ω|D2x|2dΩ (3)
其中,D为微分算子,x表示每个像素到达种子点的最大概率,D2代表组合的拉普拉斯算子,上式可转化为:
J(x)=(Lx)T(Lx)=xT(LTL)x=xTPx (4)
其中,P=LTL,L为拉普拉斯矩阵,整个图像的像素集合V可以分为种子像素点VS和非种子像素点VU,对应的概率分别为xS和xU。因此公式(4)可以分解为:
对xU进行求导,可以得到:
PUxU=-ATxS (6)
这样就得到了每个像素点对应的概率。那么,对于两类种子点,分割结果y可由如下公式确定:
在上述公式中,拉普拉斯矩阵L定义为:
其中,其中i,j分别代表图像像素点位置,ωi,j表示像素点i,j之间的权重,具体表述为:
ωi,j=exp[-β(gi-gj)2][1-exp(-κz)] (9)
其中κ(>0)是估计的衰减系数,β是设置的自由参数,gi,gj分别代表像素点i,j的图像灰度值,z是当前像素点距离图像顶端的距离。OCT的成像深度有限,z较大时图像的对比度较低,[1-exp(-κz)]项用来补偿因信号衰减的灰度信息,一般地,衰减信号具体表述为:
Iz=I0exp(-κz) (10)
其中,I0是初始信号强度。
参照图4-图5,采用LRW算法对肌肉组织面型走向轮廓提取的过程。首先,选取两类种子点,如图4所示。选取一类种子点41,共10个像素点,并选取另一类种子点42,共20个像素点。其次,对图5(a)强度图像进行狄拉克积分计算,得到对应的概率图5(b)。由于图像背景噪声严重,对比度较低,为保证分割精度,对得到的概率图谱再一次计算狄拉克积分,得到轮廓如图5(c)。图5(d)是将得到的分割线映射到图5(a)上的示意图。
采用基于卷积神经网络的方法对塑料管轮廓进行提取。卷积神经网络的具体参数和架构如表1所示,包括20个卷积层,卷积核为3×3,4个最大池化,池化层的步长为2×2,4个上采样层,步长为2×2,卷积层之后采用Relu激活函数,且最后一层激活函数设为Sigmoid。在每个卷积层之后和激活函数之前加归一化层,用于缓解网络过拟合现象。编码解码的对称网络结构有助于特征信息的传递和最大化利用,高阶特征和低阶特征融合提高网络的鲁棒性。
卷积神经网络的层结构如下表所示:
表1卷积神经网络结构参数
塑料管强度图像大小为512×512大小的灰度图像。数据集的金标准由经验丰富的技术人员操作完成。系统采集得到768帧塑料管强度图像,512帧作为训练集,256帧作为测试集,其中测试集和训练集分属于不同的数据集。为了在训练过程中缓解网络过拟合问题,对训练集进行数据增强操作。通过平移(宽、高和缩放参数分别设置为:0.1,0.1,0.1)、旋转(系数为0.2)、剪切(系数为0.15)和翻转,对数据集进行20倍的增强,得到10240对训练集和标签集。其中,训练过程中使用了交叉熵损失和SGD优化器,动量为0.9,学习率为10-3。同时为了提高网络的鲁棒性和泛化能力,在训练过程中使用了比率为0.2,0.2的丢弃层。塑料管边缘形态提取过程如图6所示,采用训练好的网络模型对塑料管的强度图像进行分割。参见图6(a),首先将强度图像输入到网络模型中,经过网络之后,参见图6(b),得到塑料管壁轮廓的概率图谱图输出,完成分割过程。
在一可选的实施例中,所述对扫描图像的塑料管的轮廓进行自动分割,包括:
获取所述塑料管的待处理图像;
将所述待处理图像输入至图像分割模型中,得到所述待处理图像的分割结果;
其中所述图像分割模型是基于所述塑料管的图像样本和分割结果训练得到的。
具体地,图像分割模型是基于卷积神经网络搭建的,其目的便是为了塑料管的图像进行分割,得到图像的分割结果。
在执行图像分割之前,需要预先训练得到图像分割模型,具体可以通过以下方式训练得到图像分割模型:首先,收集大量塑料管图像的样本,并通过人工标注得到图像样本的分割结果。将图像样本输入至图像分割模型的初始模型进行训练,直至得到满足参数条件的图像分割模型。
在一可选的实施例中,本发明提供的方法还包括以下步骤:
基于所述机械臂末端工具坐标系的原点在世界坐标系下的坐标和所述欧拉角,得到所述机械臂末端工具坐标系到所述世界坐标系的第一变换矩阵;
获取所述扫描图像在所述OCT系统以及所述世界坐标系中的坐标,并利用所述第一变换矩阵、所述OCT系统以及所述世界坐标系中的坐标,得到第二变换矩阵;
利用所述第二变换矩阵对所述探头进行标定。
具体地,在本实施例中,采用机械臂辅助多普勒OCT系统成像得到OCT系统中塑料管和肌肉组织的图像,根据坐标变换,得到机械臂末端工具坐标系下的坐标,然后再变换到世界坐标系,得到世界坐标系下的坐标。
具体可描述为:
其中,PB为OCT系统下的坐标,PR为世界坐标系下的世界坐标。为OCT系统变换到机械臂末端工具坐标系的变换矩阵,为机械臂末端工具坐标系G变换到世界坐标系R的变换矩阵。表示机械臂姿态(X,Y,Z,R,P,Y)的六个参数实质是描述了机械臂末端工具坐标系和世界坐标系的位姿关系。(X,Y,Z)三个参数是机械臂末端工具坐标系原点在世界坐标系下的坐标,(R,P,Y)为世界坐标系到机械臂末端工具坐标系的欧拉角。根据欧拉角与旋转矩阵的变换关系,可得到旋转矩阵。因此,根据当前机械臂的控制器返回的六个参数(X,Y,Z,R,P,Y)便可以得到机械臂末端工具坐标系变换到机械臂底座的变换矩阵
OCT系统变换到机械臂末端工具坐标系的变换矩阵可以用基于四元数的手眼标定法进行标定,让OCT探头在不同位姿下对同一目标进行成像。对于成像位姿1,存在OCT系统下的某一目标特征点所处像素位置的坐标为PB1,OCT坐标系变换到机械臂末端工具坐标系下的变换矩阵以及从机械臂末端工具坐标系变换到世界坐标系的变换矩阵则目标特征点与机械臂底座之间的转换关系定义为:
同理,针对于成像位姿2存在:
其中,与可以由对应的机械臂位姿参数(X,Y,Z,R,P,Y)计算得到,而两次成像,目标物相对于机械臂底座的空间位置没变,即PR没变。公式(12)与公式(13)相等,即:
求解OCT图像像素坐标系到机械臂末端工具坐标系的变换矩阵公式(14)可变换为:
通过解方程即可得到变换矩阵,实现标定。
具体地,根据公式(15),令由于A、B、X均为变换矩阵,可表示为:
因此公式(16)可拆解成如下两个等式:
根据旋转矩阵与旋转向量的变换关系,将旋转矩阵变为旋转向量,表示为:
将旋转向量归一化,得到:
计算修正的罗德里格斯向量,得到:
由此计算初始旋转向量:
skew(pa+Pb)p′x=pb-pa (21)得到旋转向量为:
从而得到旋转矩阵:
从而计算平移矩阵:
(RA-I)TX=RXTB-TA (24)
即可求解得到OCT图像像素坐标系到机械臂工具坐标系的变换矩阵可具体表示为旋转矩阵R0和平移矩阵T0:
完成探头的标定。
以下通过具体实例验证本方法的有效性:
初次成像时,机械臂的TCP末端坐标为(225.7mm,60.7mm,182.4mm,180°,0°,0°),此时机械臂的RPY参数分别为(180°,0°,0°),因此绕三个轴分别旋转的旋转矩阵可表示为
平移矩阵为TCP末端坐标的位置参数(225.7mm,60.7mm,182.4mm),即旋转矩阵R1和平移矩阵T1分别为:
根据变换矩阵R0、T0、R1、T1即可将OCT系统下的坐标统一转化为世界坐标系下的坐标。
对256帧塑料管强度图像进行肌肉组织的轮廓提取,通过三维重建得到其表面轮廓点云如图7所示。根据图3中选取的平面上三个点A(512pix,469pix,230pix)、B(941pix,449pix,10pix)、C(36pix,577pix,120pix),利用三维空间中三点坐标即可得到三点构成平面的法向量。首先根据OCT探头的分辨率参数,将像素坐标转化为真实长度,其中三个方向的转换关系可表示为:
因此平面上三点可表示为A1(0mm,1.606mm,1.624mm),B1(1.475mm,1.538mm,-1.779mm),C1(-1.636mm,1.976mm,-0.077mm)。根据公式(25)和公式(17),即可将A1、B1、C1转换到世界坐标系,具体可表示为:
即得到三点在世界坐标系的坐标A111(225.201mm,61.199mm,10.079mm)、B111(226.631mm,57.831mm,10.689mm)、C111(223.510mm,59.551mm,10.443mm)。根据三维空间中三点A111、B111、C111坐标可求得三点所在平面的法向量,即世界坐标系下组织表面的法向量为(-0.222mm,-1.553mm,-8.052mm)。
利用卷积神经网络对256帧塑料管边缘分割的部分结果如图8所示。图8(a)是塑料管B-Scan图像即为网络的输入,图8(b)为网络输出的塑料管外壁轮廓,图8(c)为白色线条在强度图像上标出的外轮廓。可以看出网络能够将塑料管外壁轮廓识别出来,实现准确分割。为了得到塑料管在三维空间坐标系下的走向,将256帧强度图像的分割结果可视化重建。如图9所示,图9(a)为初次成像位置的塑料管强度图,图9(b)~(d)为对应的256帧分割结果重建的三视图,图9(e)~(g)为重建的三维扫描图像。通过计算256帧每个塑料管轮廓的圆心坐标,将此段塑料管的中心线重建出来。根据图2中选取的塑料管上的两个点E(708pix,161pix,1pix)、F(281pix,188pix,250pix)以及公式(25)和公式(17)的坐标变换矩阵,计算得到世界坐标系下塑料管径向量为(1.424mm,-3.797mm,0.742mm)。
当多普勒OCT探头在最佳成像位置时,机械臂末端工具坐标系的Z轴应当平行于组织平面法向量在此直接用法向量作为Z轴方向向量,机械臂末端工具坐标系的Y轴应当平行于塑料管径向量在此直接用法向量作为Y轴方向向量。通过Y轴法向量和Z轴法向量叉乘即可得到X轴法向量(31.723mm,11.299mm,-3.054mm),从而得到机械臂末端工具坐标系三个轴的方向向量。同时世界坐标系三个轴的方向向量分别为:可以根据机械臂末端工具坐标系和世界坐标系的方向向量夹角计算旋转矩阵(Directional Cosine Matrix,DCM):
其中X、Y、Z是世界坐标系的三个方向向量,X’、Y’、Z’是机械臂末端工具坐标系的三个方向向量。两个向量的夹角余弦可表示为:
计算得到机械臂末端工具坐标系和世界坐标系的DCM为:
根据RPY的计算公式,可以计算得到RPY角为(169.605°,5.172°,19.605°),即确定了对目标点进行成像时探头的姿态参数(R,P,Y)。由于探头到目标点成像时距离固定为170.4mm,结合目标扫描点D(504pix,177pix,125pix)和坐标变换矩阵,计算得到探头最佳成像的位置参数为(229.968mm,92.112mm,178.684mm)。图10为在最佳成像位置对塑料管图像分割结果的三视图和三维重建结果图,图10(a)~(c)为最佳成像位置处256帧塑料管分割结果的重建三维扫描图像,图10(e)~(g)为重建的三维扫描图像。可以看到经过位姿优化之后底部组织的倾斜已得到校正,同时血管走向与多普勒OCT探头光扫描线垂直。
下面对本发明提供的基于OCT系统的图像优化装置进行描述,下文描述的基于OCT系统的图像优化装置与上文描述的基于OCT系统的图像优化方法可相互对应参照。
参照图11,本发明提供一种基于OCT系统的图像优化装置,包括:
获取模块1110,用于获取扫描图像在OCT系统中的三维扫描图像;
采集模块1120,用于采集探头位于最佳成像位置时机械臂的位姿参数;
调整模块1130,用于基于所述位姿参数,调整所述机械臂的实际位置,对所述三维扫描图像进行优化,直至得到所述探头处于最佳成像位置时的优化图像。
可选的,所述采集模块进一步用于:
采集所述机械臂的法兰盘与目标成像点的最佳距离,确定最佳成像位置时所述机械臂末端工具坐标系的原点在所述世界坐标系下的坐标;
基于所述机械臂末端工具坐标系与所述世界坐标系的关系,得到旋转矩阵,利用所述旋转矩阵得到最佳成像位置时所述世界坐标系与所述机械臂末端工具坐标系的欧拉角。
可选的,所述调整模块进一步用于:
基于所述最佳成像位置时所述机械臂末端工具坐标系的原点在所述世界坐标系下的坐标,调整所述机械臂的法兰盘与目标成像点的实际距离;
基于所述最佳成像位置时所述世界坐标系与所述机械臂末端工具坐标系的欧拉角,调整所述世界坐标系与所述机械臂末端工具坐标系的实际欧拉角。
可选的,所述采集模块进一步包括:
分割和提取模块,用于对所述扫描图像进行自动分割和特征提取,得到世界坐标系中的肌肉组织平面法向量和塑料管径向量;
机械臂末端工具坐标系方向向量获取模块,用于根据所述肌肉组织平面法向量和塑料管径向量,得到所述机械臂末端工具坐标系的X轴、Y轴及Z轴的方向向量;
世界坐标系方向向量获取模块,用于获取所述世界坐标系X轴、Y轴及Z轴的方向向量;
旋转矩阵获取模块,用于通过计算所述机械臂末端工具坐标系的X轴、Y轴及Z轴的方向向量和所述世界坐标系X轴、Y轴及Z轴的方向向量的夹角的方向余弦,得到所述旋转矩阵。
可选的,所述分割和提取模块进一步用于:
对所述扫描图像的肌肉组织表面的边缘进行分割,得到世界坐标系中的肌肉组织平面法向量;
对所述扫描图像的塑料管的轮廓进行自动分割,将所述轮廓拟合为圆形,并获取所述轮廓的圆心像素坐标;
将多个所述圆心像素坐标置于同一条直线上,得到世界坐标系中的塑料管径向量。
可选的,所述分割和提取模块进一步用于:
获取所述塑料管的待处理图像;
将所述待处理图像输入至图像分割模型中,得到所述待处理图像的分割结果;
其中所述图像分割模型是基于所述塑料管的图像样本和分割结果训练得到的。
可选的,本发明提供的基于OCT系统的图像优化装置还包括:
第一变换矩阵获取模块,用于基于所述机械臂末端工具坐标系的原点在世界坐标系下的坐标和所述欧拉角,得到所述机械臂末端工具坐标系到所述世界坐标系的第一变换矩阵;
第二变换矩阵获取模块,用于获取所述扫描图像在所述OCT系统以及所述世界坐标系中的坐标,并利用所述第一变换矩阵、所述OCT系统以及所述世界坐标系中的坐标,得到第二变换矩阵;
标定模块,用于利用所述第二变换矩阵对所述探头进行标定。
图12示例了一种电子设备的实体结构示意图,如图12所示,该电子设备可以包括:处理器(processor)1210、通信接口(Communications Interface)1220、存储器(memory)1230和通信总线1240,其中,处理器1210,通信接口1220,存储器1230通过通信总线1240完成相互间的通信。处理器1210可以调用存储器1230中的逻辑指令,以执行基于OCT系统的图像优化方法,该方法包括:
获取扫描图像在OCT系统中的三维扫描图像;
采集探头位于最佳成像位置时机械臂的位姿参数;
基于所述位姿参数,调整所述机械臂的实际位置,对所述三维扫描图像进行优化,直至得到所述探头处于最佳成像位置时的优化图像;
其中,所述调整所述机械臂的实际位置包括:调整所述机械臂的法兰盘与目标成像点的距离以及世界坐标系与机械臂末端工具坐标系的欧拉角。
此外,上述的存储器1230中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的基于OCT系统的图像优化方法,该方法包括:
获取扫描图像在OCT系统中的三维扫描图像;
采集探头位于最佳成像位置时机械臂的位姿参数;
基于所述位姿参数,调整所述机械臂的实际位置,对所述三维扫描图像进行优化,直至得到所述探头处于最佳成像位置时的优化图像;
其中,所述调整所述机械臂的实际位置包括:调整所述机械臂的法兰盘与目标成像点的距离以及世界坐标系与机械臂末端工具坐标系的欧拉角。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的基于OCT系统的图像优化方法,该方法包括:
获取扫描图像在OCT系统中的三维扫描图像;
采集探头位于最佳成像位置时机械臂的位姿参数;
基于所述位姿参数,调整所述机械臂的实际位置,对所述三维扫描图像进行优化,直至得到所述探头处于最佳成像位置时的优化图像;
其中,所述调整所述机械臂的实际位置包括:调整所述机械臂的法兰盘与目标成像点的距离以及世界坐标系与机械臂末端工具坐标系的欧拉角。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种基于OCT系统的图像优化方法,其特征在于,包括:
获取样品的OCT三维扫描图像;
根据OCT图像的反馈,系统自动计算探头位于最佳成像位置时机械臂的位姿参数;
基于所述位姿参数,调整所述机械臂末端的实际位置和姿态,对所述三维扫描图像进行优化,直至得到所述探头处于最佳成像位置时的优化图像;
所述系统计算探头位于最佳成像位置时机械臂的位姿参数,包括:
计算确定探头处于最佳成像位置时所述机械臂末端工具坐标系的原点在世界坐标系的位置坐标;
基于所述机械臂末端工具坐标系与所述世界坐标系的关系,得到旋转矩阵,利用所述旋转矩阵得到最佳成像位置时所述世界坐标系与所述机械臂末端工具坐标系的欧拉角;
所述基于所述位姿参数,调整所述机械臂的实际位置,包括:
基于所述最佳成像位置时所述机械臂末端工具坐标系的原点在所述世界坐标系下的坐标,调整所述机械臂的法兰盘与目标成像点的实际距离;
基于所述最佳成像位置时所述世界坐标系与所述机械臂末端工具坐标系的欧拉角,调整所述世界坐标系与所述机械臂末端工具坐标系的实际欧拉角。
2.根据权利要求1所述的基于OCT系统的图像优化方法,其特征在于,所述基于所述机械臂末端工具坐标系与所述世界坐标系的关系,得到旋转矩阵,包括:
对所述扫描图像进行自动分割和特征提取,得到世界坐标系中的肌肉组织平面法向量和塑料管径向量;
根据所述肌肉组织平面法向量和塑料管径向量,得到所述机械臂末端工具坐标系的X轴、Y轴及Z轴的方向向量;
获取所述世界坐标系X轴、Y轴及Z轴的方向向量;
通过计算所述机械臂末端工具坐标系的X轴、Y轴及Z轴的方向向量和所述世界坐标系X轴、Y轴及Z轴的方向向量的夹角的方向余弦,得到所述旋转矩阵。
3.根据权利要求2所述的基于OCT系统的图像优化方法,其特征在于,所述对所述扫描图像进行自动分割和特征提取,得到世界坐标系中的肌肉组织平面法向量和塑料管径向量,包括:
对所述扫描图像的肌肉组织表面的边缘进行分割,得到世界坐标系中的肌肉组织平面法向量;
对所述扫描图像的塑料管的轮廓进行自动分割,将所述轮廓拟合为圆形,并获取所述轮廓的圆心像素坐标;
将多个所述圆心像素坐标置于同一条直线上,得到世界坐标系中的塑料管径向量。
4.根据权利要求3所述的基于OCT系统的图像优化方法,其特征在于,所述对扫描图像的塑料管的轮廓进行自动分割,包括:
获取所述塑料管的待处理图像;
将所述待处理图像输入至图像分割模型中,得到所述待处理图像的分割结果;
其中所述图像分割模型是基于所述塑料管的图像样本和分割结果训练得到的。
5.根据权利要求1所述的基于OCT系统的图像优化方法,其特征在于,还包括:
基于所述机械臂末端工具坐标系的原点在世界坐标系下的坐标和所述欧拉角,得到所述机械臂末端工具坐标系到所述世界坐标系的第一变换矩阵;
获取所述扫描图像在所述OCT系统以及所述世界坐标系中的坐标,并利用所述第一变换矩阵、所述OCT系统以及所述世界坐标系中的坐标,得到第二变换矩阵;
利用所述第二变换矩阵对所述探头进行标定。
6.一种基于OCT系统的图像优化装置,其特征在于,包括:
获取模块,用于获取样品的OCT三维扫描图像;
采集模块,用于根据OCT图像的反馈,系统自动计算探头位于最佳成像位置时机械臂的位姿参数;
调整模块,用于基于所述位姿参数,调整所述机械臂末端的实际位置和姿态,对所述三维扫描图像进行优化,直至得到所述探头处于最佳成像位置时的优化图像;
所述系统计算探头位于最佳成像位置时机械臂的位姿参数,包括:
计算确定探头处于最佳成像位置时所述机械臂末端工具坐标系的原点在所述世界坐标系的位置坐标;
基于所述机械臂末端工具坐标系与所述世界坐标系的关系,得到旋转矩阵,利用所述旋转矩阵得到最佳成像位置时所述世界坐标系与所述机械臂末端工具坐标系的欧拉角;
所述基于所述位姿参数,调整所述机械臂的实际位置,包括:
基于所述最佳成像位置时所述机械臂末端工具坐标系的原点在世界坐标系下的坐标,调整所述机械臂的法兰盘与目标成像点的实际距离;
基于所述最佳成像位置时所述世界坐标系与所述机械臂末端工具坐标系的欧拉角,调整所述世界坐标系与所述机械臂末端工具坐标系的实际欧拉角。
7.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-5任一项基于OCT系统的图像优化方法的步骤。
8.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-5任一项基于OCT系统的图像优化方法的步骤。
9.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-5任一项基于OCT系统的图像优化方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111243213.3A CN114184581B (zh) | 2021-10-25 | 2021-10-25 | 基于oct系统的图像优化方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111243213.3A CN114184581B (zh) | 2021-10-25 | 2021-10-25 | 基于oct系统的图像优化方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114184581A CN114184581A (zh) | 2022-03-15 |
CN114184581B true CN114184581B (zh) | 2024-05-07 |
Family
ID=80601414
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111243213.3A Active CN114184581B (zh) | 2021-10-25 | 2021-10-25 | 基于oct系统的图像优化方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114184581B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114813796A (zh) * | 2022-04-11 | 2022-07-29 | 煤炭科学研究总院有限公司 | 图像采集方法、控制器、图像采集系统及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101661625A (zh) * | 2009-09-22 | 2010-03-03 | 北京理工大学 | 基于一幅标准图像生成各视角下样本图像的方法 |
KR20140060383A (ko) * | 2012-11-06 | 2014-05-20 | 주식회사 피피아이 | 샘플의 움직임을 보정하기 위한 광 간섭성 단층 촬영방법 |
CN107817682A (zh) * | 2017-10-20 | 2018-03-20 | 北京控制工程研究所 | 一种基于手眼相机的空间机械臂在轨标定方法及系统 |
CN108742531A (zh) * | 2018-06-05 | 2018-11-06 | 清华大学深圳研究生院 | 一种基于大范围oct扫描的成像修正方法 |
CN110060261A (zh) * | 2019-04-17 | 2019-07-26 | 北京理工大学 | 一种基于光学相干层成像系统的血管分割方法 |
CN111870346A (zh) * | 2020-07-31 | 2020-11-03 | 北京理工大学 | 机器人与影像设备的空间注册方法、装置及电子设备 |
CN112823736A (zh) * | 2019-11-20 | 2021-05-21 | 北京理工大学 | 一种基于机械臂辅助定位的光学相干层析成像系统 |
CN112842252A (zh) * | 2020-12-31 | 2021-05-28 | 北京理工大学 | 空间自定位的眼科光学相干层析成像系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8345257B2 (en) * | 2009-04-20 | 2013-01-01 | D4D Technologies, Llc | Swept source optical coherence tomography (OCT) method and system |
US10463247B2 (en) * | 2015-06-22 | 2019-11-05 | The Regents Of The University Of California | Automatic three-dimensional segmentation method for OCT and doppler OCT angiography |
ES2969279T3 (es) * | 2018-05-11 | 2024-05-17 | Optos Plc | Procesamiento de imagen OCT |
-
2021
- 2021-10-25 CN CN202111243213.3A patent/CN114184581B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101661625A (zh) * | 2009-09-22 | 2010-03-03 | 北京理工大学 | 基于一幅标准图像生成各视角下样本图像的方法 |
KR20140060383A (ko) * | 2012-11-06 | 2014-05-20 | 주식회사 피피아이 | 샘플의 움직임을 보정하기 위한 광 간섭성 단층 촬영방법 |
CN107817682A (zh) * | 2017-10-20 | 2018-03-20 | 北京控制工程研究所 | 一种基于手眼相机的空间机械臂在轨标定方法及系统 |
CN108742531A (zh) * | 2018-06-05 | 2018-11-06 | 清华大学深圳研究生院 | 一种基于大范围oct扫描的成像修正方法 |
CN110060261A (zh) * | 2019-04-17 | 2019-07-26 | 北京理工大学 | 一种基于光学相干层成像系统的血管分割方法 |
CN112823736A (zh) * | 2019-11-20 | 2021-05-21 | 北京理工大学 | 一种基于机械臂辅助定位的光学相干层析成像系统 |
CN111870346A (zh) * | 2020-07-31 | 2020-11-03 | 北京理工大学 | 机器人与影像设备的空间注册方法、装置及电子设备 |
CN112842252A (zh) * | 2020-12-31 | 2021-05-28 | 北京理工大学 | 空间自定位的眼科光学相干层析成像系统 |
Non-Patent Citations (3)
Title |
---|
Robotic-arm-assisted flexible large field-of-view optical coherence tomography;YONG HUANG, XIAOCHEN LI, JUNYU LIU, ZHENGYU QIAO, JINGSI CHEN, AND QUN HAO;Biomedical Optics EXPRESS;第12卷(第7期);摘要、第4597页第04段、第4599页第03段、第4600页第03段、第4601页第01-04段、第4602页第02段、第4603页第01-03段、第4605页第02-03段、第4606页第01-02段、第4607页第01-02段、图1-图13 * |
一种多尺度几何分析的摄像机对弱定标算法;丁辉;付梦印;王美玲;;小型微型计算机系统(第06期);全文 * |
基于标定臂的低噪声光学相干层析成像技术;汪毅;陈晓冬;王婷;冷吉;郁道银;;中国激光(第11期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114184581A (zh) | 2022-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI754195B (zh) | 圖像處理方法及其裝置、電子設備及電腦可讀儲存媒體 | |
US11170258B2 (en) | Reducing noise in an image | |
WO2020125221A1 (zh) | 图像处理方法、装置、电子设备及计算机可读存储介质 | |
CN108537794B (zh) | 医学图像数据处理方法、装置和计算机可读存储介质 | |
JP7558243B2 (ja) | 特徴点検出 | |
CN104584074B (zh) | 在3d常规以及对比增强的超声图像中的耦合的分割 | |
CN109124662B (zh) | 肋骨中心线检测装置及方法 | |
CN112598649B (zh) | 基于生成对抗网络的2d/3d脊椎ct非刚性配准方法 | |
CN114184581B (zh) | 基于oct系统的图像优化方法、装置、电子设备及存储介质 | |
CN117094917B (zh) | 一种心血管3d打印数据处理方法 | |
CN117689697A (zh) | 一种基于点云配准和图像特征配准的us和ct图像配准方法 | |
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 | |
CN109685803B (zh) | 一种左心室图像分割方法、装置、设备及存储介质 | |
CN111640127B (zh) | 一种用于骨科的精准临床诊断导航方法 | |
CN115439423B (zh) | 一种基于ct图像的识别方法、装置、设备及存储介质 | |
CN116363332A (zh) | 基于医学图像分割和特征匹配的前列腺超声矫正方法 | |
CN111640126B (zh) | 基于医学影像的人工智能诊断辅助方法 | |
CN110930394B (zh) | 测量肌肉肌纤维束线斜率和羽状角的方法及终端设备 | |
CN112085711A (zh) | 采用卷积神经网络与卡尔曼滤波相结合自动追踪肌肉羽状角的方法 | |
CN112614152B (zh) | 一种基于深度特征学习的软组织表面运动跟踪方法 | |
CN116309594B (zh) | 眼前节oct图像处理方法 | |
CN118710712A (zh) | 手术器械追踪方法、系统、设备、介质和产品 | |
CN117409151B (zh) | 一种二维心内超声导管图像的三维表面重建方法及装置 | |
CN116486019A (zh) | 一种基于心脏三维标测的心脏三维建模方法及系统 | |
CN117322999A (zh) | 一种手术固定钳位置校准方法及装置 |
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 |