CN114944216B - 一种融合解剖及力学特性的脊柱手术直线型路径自动规划方法 - Google Patents
一种融合解剖及力学特性的脊柱手术直线型路径自动规划方法 Download PDFInfo
- Publication number
- CN114944216B CN114944216B CN202210565677.4A CN202210565677A CN114944216B CN 114944216 B CN114944216 B CN 114944216B CN 202210565677 A CN202210565677 A CN 202210565677A CN 114944216 B CN114944216 B CN 114944216B
- Authority
- CN
- China
- Prior art keywords
- network
- mechanical
- path
- spine
- data
- 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
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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Epidemiology (AREA)
- Geometry (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Surgery (AREA)
- Computer Graphics (AREA)
- Urology & Nephrology (AREA)
- Pathology (AREA)
- Image Processing (AREA)
Abstract
本发明涉及医学、生物力学领域,尤其涉及一种融合解剖及力学特性的脊柱手术直线型路径自动规划方法。该方法包含两个阶段,第一阶段采用力学分布生成子网络,完成脊柱力学分布信息的回归预测;第二阶段采用形状分割子网络和路径点定位子网络以及一个入点重定位计算模块,完成手术路径点的自动预测和重定位计算。该方法利用有限元法获得椎弓根钉植入手术中的腰椎受力信息,并利用三线性插值设计了一种脊柱力学信息离散化方法;采用平均绝对误差(MAE)和归一化平均绝对误差(NMAE)作为网络评价指标,对力学分布自动生成网络进行了定量;采用均方误差(MSE)评估了手术路径关键点回归网络的误差。该方法可实现融合解剖及力学特性的脊柱手术直线型手术路径的自动规划。
Description
技术领域
本发明涉及医学、生物力学领域,尤其涉及一种融合解剖及力学特性的脊柱手术直线型路径自动规划方法。
背景技术
图像引导下的机器人辅助手术已成为骨科领域的研发及应用热点,正在加速骨科治疗的精准化、微创化和智能化发展。基于图像的手术路径规划方法直接影响机器人辅助脊柱手术的人机交互性能。
直线型手术路径在脊柱临床上应用非常普遍,常见于椎弓根螺钉植入等手术过程。早期的手术路径规划方法主要是由医生在软件交互界面上进行手动或半自动的交互式操作。其中的操作方法和交互界面带有明显的工程特征,难以很好地兼容医生既有的操作习惯,操作效率较低,是影响机器人辅助脊柱手术大范围推广应用的一个瓶颈。
统计形状模型方法和深度学习方法为探索机器人辅助脊柱手术路径的自动规划和智能规划技术提供了可能的解决方案。既有的基于术前三维CT图像和深度神经网络的脊柱手术路径自动规划研究,已初步表明了智能技术在机器人辅助脊柱手术路径的自动规划领域的潜在优势和应用可行性。
我们注意到:在机器人辅助脊柱椎弓根螺钉植入过程中,医生进行手动或半自动的手术路径规划操作时,会综合考虑患者的解剖结构特征和病理特征 (如:应力集中位置、骨质疏松分布等),主观上已经内含了一定的生物力学特性考量。如果将生物力学模型参数化,融入深度学习过程,有望进一步提升手术路径自动规划方法的合理性和临床精准度。
本发明针对机器人辅助脊柱椎弓根螺钉植入手术的直线型手术路径的自动规划需求,综合脊柱解剖学特征和力学分布特性,提供了一种融合解剖及力学特性的两阶段式直线型手术路径自动规划方法。
发明内容
本发明提出一种融合解剖及力学特性的脊柱手术直线型路径的自动规划方法,将深度学习技术和生物力学技术用于脊柱椎弓根螺钉植入手术的路径规划过程。在自动规划过程中,该方法包括两个阶段:第一阶段获得力学分布,第二阶段获得手术路径。在提升了手术路径规划自动化程度的同时引入脊柱生物力学因素的考量,增加了手术路径规划的合理性。
本发明的具体实现方案如下所述(整体方案流程图如图1):
步骤一:设计融合解剖及力学特性的手术路径规划方案,包括第一阶段的力学分布自动生成网络(图2)和第二阶段的手术路径关键点回归网络(图3)。
步骤二:建立脊柱椎块在经皮椎弓根螺钉手术中的有限元模型,包括椎块 L1和L2、椎间盘以及椎块周边主要韧带,并提取出应力数据用于构建网络训练数据集。
步骤三:设计一种力学模型参数化方法,将步骤二建立的椎块有限元模型离散化,使得有限元模型计算结果和原始脊柱CT图像在像素级位置上一一对应,构建符合神经网络训练要求的力学训练数据集。
步骤四:完成步骤一中所述第一阶段和第二阶段中网络模型的训练和测试,并选用适当的评价指标,对两个网络的性能进行定量评价。
所述步骤一中,整体规划方案包含3个子网络,分别用于椎块骨面的几何形状自动分割、手术路径关键点自动定位和生物力学模型自动输出;重定位处理模块主要是将网络回归出的关键点重新定位到椎块表面,形成最终的手术路径。
所述步骤二中,采用传统有限元建模方式,生成并优化脊柱椎块、椎间盘和植入螺钉等的三维实体模型;然后,划分模型的各部分的网格模型,定义材料特性,设置边界和外加负载属性等;最后,完成力学仿真计算。
所述步骤三中,采用三线性插值在每个体素单元位置上对相应位置上的力学值进行离散化操作。同时,用不同的约束条件来限制插值范围,避免曲率较大部位和钉道空腔位置进行错误插值。
所述步骤四中,第一阶段的力学分布自动生成网络基于改进的3D-Unet网络结构,包含编码器和解码器两部分,添加不同特征尺度间的跨层连接,采用六层下采样和残差模块来增加网络的特征提取能力。采用平均绝对误差(MAE) 和归一化平均绝对误差(NMAE)作为网络评价指标;第二阶段的手术路径关键点回归网络采用卷积层与全连接层结合的方式构建,使用Bottleneck残差模块增加网络的深度,采用均方误差(MSE)来评估该路径点预测值误差。
附图说明
图1是本发明整体流程示意图。
图2是力学分布生成网络结构示意图。
图3是手术路径关键点回归网络结构示意图。
具体实施方式
下面结合具体的实施例和附图对本发明作进一步描述。
本发明适合于脊柱所有椎块。本实例以腰椎为例进行说明,所采用的三维CT图像数据均来自专业医疗机构,共包含五组临床脊柱CT图像,每套CT图像中均包含所需的脊柱椎块L1、L2椎块,原始图像格式为nii格式。
融合解剖及力学特性的两阶段手术路径自动规划方法包含以下七个步骤:
一、设计融合解剖及力学特性的两阶段手术路径自动规划方案
以机器人辅助椎弓根螺钉植入的手术路径为例(直线型手术路径),自动规划的第一阶段完成脊柱力学分布信息的回归预测,采用力学分布生成子网络。每个训练数据均包括输入数据(椎块的原始CT图像数据)和输出数据(植入螺钉后的生物力学分布数据)。
自动规划的第二阶段主要是完成手术路径点的自动预测和重定位计算,采用形状分割子网络和路径点定位子网络以及一个入点重定位计算模块。路径点定位子网络的训练数据包括输入数据(椎块的原始CT图像数据和力学分布子网路预测的椎块应力分布)和输出数据(手术路径);利用重定位模块计算位于椎块骨面上的入点,从而得到最终的手术路径。
二、建立椎弓根螺钉植入手术中的腰椎节段受力模型
本发明采用有限元建模方法建立椎弓根螺钉植入手术中的腰椎节段受力模型。首先,利用Geomagic Studio或其他逆向工程软件将椎块的几何面形状生成实体模型;然后,再利用SolidWorks或其他机械设计软件进行椎间盘结构的绘制;最后,利用HyperMesh、Abaqus或其他有限元处理软件进行材料属性的赋予、载荷及边界条件的定义等计算得到腰椎在经皮椎弓根定手术中的应力信息。
三、构建力学分布生成网络数据集
利用三线性插值将力学模型离散化成规则数据场,使得每个应力分析单元与原始CT数据的体素单元相对应。具体来看,用一个应力单元的质心坐标来表示该应力单元的位置,以脊柱形状标签为边界约束条件,对椎块质心的数据进行三线性插值,计算出CT图像中每个脊椎标签体素的应力值。离散化操作后的模型npy文件格式保存。
四、构建路径点定位网络数据集
将每条直线型的手术路径离散化为由2个三维坐标点组成的一套标签数据。每套数据包含手术入点和手术方向点的共6个坐标值,作为训练数据之一(结合力学分布生成网络生成的力学分布数据),关键点坐标采用xls文件保存。
五、训练基于深度学习的力学分布生成网络
将网络训练数据集重采样对齐至128×128×128大小,并通过旋转、随机裁剪、随机旋转、增加噪声四种方式进行数据增强,在输入网络之前对图像和标签进行标准化处理。网络的主要构成为卷积残差模块和反卷积模块,每个残差模块都由三层卷积构成,卷积核采用3×3×3和5×5×5两种尺寸,卷积层后接BN层和ReLU层。网络的输出以上一层网络的输出结果为权重参考,输出对体素点的预测结果,最终生成尺寸为128×128×128的力学分布图。
六、训练基于深度学习的路径点定位网络
进行网络训练前需对训练集数据进行同步骤四相同的数据增强和标准化处理,将图像对齐重采样至64×64×64大小。网络的输入包括脊柱三维CT图像和力学分布图两部分,手术路径点定位网络包含特征提取和路径点回归两部分,采用1×1×1和2×2×2大小的卷积核,每个卷积层后面都会接BN层和ReLU 层,最终路径回归网络输出6个值,拟合手术路径入点和方向点的三维坐标值。
七、测试融合解剖及力学特性的两阶段手术路径自动规划网络
步骤五和步骤六的模型训练参数以ckp格式的文件保存,在测试应用阶段,对于新输入的脊柱CT图像,根据训练好的模型参数,第一阶段自动回归出脊柱的力学分布模型,第二阶段自动回归出椎弓根螺钉手术的路径点坐标,实现融合解剖及力学特性的手术路径自动规划。
以上所述具体实施例只是对本发明进行了示例性描述,本发明具体实现并不受上述方式的限制,对于本领域的普通技术人员而言,只要采用了本发明的方法构思和技术方案进行的各种非实质性的改进,或未经改进将本发明的构思和技术方案直接应用于其它场合的,均在本发明的保护范围之内。
Claims (5)
1.一种融合解剖及力学特性的脊柱手术直线型路径自动规划方法,其特征在于,该方法包括四个步骤:
步骤一:设计融合解剖及力学特性的脊柱手术直线型路径自动规划方法,包括两个阶段:第一阶段自动获得脊柱力学分布数据和第二阶段自动获得手术路径点数据;所述第一阶段中,输入脊柱的原始CT图像数据,输出生物力学分布数据;所述第二阶段中,输入脊柱的所述原始CT图像数据和所述生物力学分布数据,输出手术路径点数据;
步骤二:建立脊柱在经皮椎弓根螺钉手术中的有限元模型,包括椎块、椎间盘以及椎块周边主要韧带,并提取出用于构建网络训练数据集的椎块的应力数据;
步骤三:设计力学模型参数化方法,离散化脊柱椎块的有限元模型,使其计算结果与原始脊柱CT图像在像素级位置上一一对应,构建符合神经网络训练要求的离散化的力学训练数据集;
步骤四:训练并测试第一阶段的力学分布生成网络和第二阶段的手术路径关键点回归网络,并对网络的性能进行定量评价;
步骤三中,设计了一种基于三线性插值的力学模型离散化方法,可得到椎块在脊柱手术中的力学信息的规则化数据场,离散化过程为:用一个应力单元的质心坐标来表示该应力单元的位置,以脊柱形状标签为边界约束条件,对椎块质心的数据进行三线性插值,计算出CT图像中每个脊椎标签体素的应力值,最终,使得每个应力分析单元与原始CT数据的体素单元相对应;
通过上述步骤获得自动规划的最终手术路径,将该手术路径与手术时医生自主规划的手术路径结合进行实验验证,得到最佳路径,补充进训练集;
所述步骤一中,设计融合解剖及力学特性的脊柱手术直线型路径自动规划方法包含3个网络:椎块形状分割网络、手术路径关键点回归网络和力学分布生成网络,分别用于椎块骨面的几何形状自动分割、手术路径关键点自动定位和生物力学模型自动输出;重定位处理模块主要是将网络回归出的关键点重新定位到椎块表面,形成最终的手术路径。
2.根据权利要求1所述的方法,其特征在于步骤一中,所述的脊柱手术直线型路径自动规划方法包括两个阶段,第一阶段利用力学分布生成网络,完成脊柱力学分布信息的回归预测;第二阶段利用椎块形状分割网络和手术路径关键点回归网络以及入点重定位计算模块,完成手术路径点的自动预测和入点重定位计算。
3.根据权利要求1所述的方法,其特征在于步骤二中,采用有限元建模方法建立适用于椎弓根螺钉植入手术的脊柱椎块节段受力模型,建模的步骤是:首先,利用逆向工程软件生成实体模型;然后,利用机械三维设计软件绘制椎间盘结构并添加螺钉模型;最后,利用有限元处理软件赋予材料属性并定义载荷及边界条件,来得到椎块的应力数据。
4.根据权利要求1所述的方法,其特征在于步骤四中,设计了一种基于深度学习的力学分布生成网络,该力学分布生成网络基于3D-Unet网络结构,包含编码器和解码器两部分,添加不同特征尺度间的跨层连接,采用6层下采样和残差模块来增加网络的特征提取能力;采用平均绝对误差(MAE)和归一化平均绝对误差(NMAE)作为网络评价指标;该力学分布生成网络的输入是三维脊柱CT图像,输出是力学分布图。
5.根据权利要求1所述的方法,其特征在于步骤四中,设计了一种基于深度学习的手术路径关键点回归网络,该手术路径关键点回归网络采用卷积层与全连接层结合的方式构建,使用Bottleneck残差模块增加网络的深度,采用均方误差(MSE)来评估路径点预测值误差;该手术路径关键点回归网络的输入包括脊柱三维CT图像和力学分布图两部分,输出是手术路径入点和方向点三维坐标的6个值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210565677.4A CN114944216B (zh) | 2022-05-22 | 2022-05-22 | 一种融合解剖及力学特性的脊柱手术直线型路径自动规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210565677.4A CN114944216B (zh) | 2022-05-22 | 2022-05-22 | 一种融合解剖及力学特性的脊柱手术直线型路径自动规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114944216A CN114944216A (zh) | 2022-08-26 |
CN114944216B true CN114944216B (zh) | 2023-08-01 |
Family
ID=82909523
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210565677.4A Active CN114944216B (zh) | 2022-05-22 | 2022-05-22 | 一种融合解剖及力学特性的脊柱手术直线型路径自动规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114944216B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112489762A (zh) * | 2020-11-09 | 2021-03-12 | 宋雅伟 | 基于数值模拟的女子举重运动员腰骶关节的生物力学分析方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140071125A1 (en) * | 2012-09-11 | 2014-03-13 | The Johns Hopkins University | Patient-Specific Segmentation, Analysis, and Modeling from 3-Dimensional Ultrasound Image Data |
SG11201507610RA (en) * | 2013-03-15 | 2015-10-29 | Synaptive Medical Barbados Inc | Planning, navigation and simulation systems and methods for minimally invasive therapy |
TWI617284B (zh) * | 2016-11-08 | 2018-03-11 | 阿格斯醫材公司 | 眼角膜手術風險評估方法及其系統 |
US10366491B2 (en) * | 2017-03-08 | 2019-07-30 | Siemens Healthcare Gmbh | Deep image-to-image recurrent network with shape basis for automatic vertebra labeling in large-scale 3D CT volumes |
US10984905B2 (en) * | 2017-11-03 | 2021-04-20 | Siemens Healthcare Gmbh | Artificial intelligence for physiological quantification in medical imaging |
TWI654963B (zh) * | 2018-03-21 | 2019-04-01 | 亞洲大學 | 椎弓根螺釘之自動路徑規劃方法 |
US12112845B2 (en) * | 2018-11-07 | 2024-10-08 | Brainlab Ag | Compartmentalized dynamic atlas |
CN110738681A (zh) * | 2019-10-11 | 2020-01-31 | 北京航空航天大学 | 一种基于深度学习网络的椎弓根钉手术路径自动规划方法 |
CN111063441A (zh) * | 2019-11-26 | 2020-04-24 | 中国科学院深圳先进技术研究院 | 一种肝脏变形预测方法、系统及电子设备 |
-
2022
- 2022-05-22 CN CN202210565677.4A patent/CN114944216B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112489762A (zh) * | 2020-11-09 | 2021-03-12 | 宋雅伟 | 基于数值模拟的女子举重运动员腰骶关节的生物力学分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114944216A (zh) | 2022-08-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Review of the applications of deep learning in bioinformatics | |
CN110738681A (zh) | 一种基于深度学习网络的椎弓根钉手术路径自动规划方法 | |
Kalra | Developing fe human models from medical images | |
EP3020022B1 (en) | Generation of a patient-specific anatomical atlas | |
CN105760874A (zh) | 面向尘肺的ct图像处理系统及其ct图像处理方法 | |
US7822244B2 (en) | Segmenting medical image data sets | |
WO2021011657A1 (en) | System and method for recommending parameters for a surgical procedure | |
AU2020358717B2 (en) | Systems and methods for reconstruction and characterization of physiologically healthy and physiologically defective anatomical structures to facilitate preoperative surgical planning | |
Tajdari et al. | Next-generation prognosis framework for pediatric spinal deformities using bio-informed deep learning networks | |
Hu et al. | 3-D brain reconstruction by hierarchical shape-perception network from a single incomplete image | |
Caprara et al. | Automated pipeline to generate anatomically accurate patient-specific biomechanical models of healthy and pathological FSUs | |
CN110751187A (zh) | 异常区域图像生成网络的训练方法和相关产品 | |
CN116993793A (zh) | 基于自适应多门控混合专家模型的腹部多器官配准方法 | |
Liu et al. | An investigation of two finite element modeling solutions for biomechanical simulation using a case study of a mandibular bone | |
CN114662362A (zh) | 基于深度学习的腰椎节段内固定方式仿真方法及系统 | |
CN114300143A (zh) | 分级方案预测方法、系统、设备以及存储介质 | |
CN117476237B (zh) | 一种用于老年人手术的模拟评估系统及方法 | |
Pan et al. | Prediction of soft tissue deformations after CMF surgery with incremental kernel ridge regression | |
CN114944216B (zh) | 一种融合解剖及力学特性的脊柱手术直线型路径自动规划方法 | |
CN111612762A (zh) | Mri脑肿瘤图像生成方法及系统 | |
CN114004940B (zh) | 面部缺损参照数据的非刚性生成方法、装置及设备 | |
Audette et al. | Towards a deformable multi-surface approach to ligamentous spine models for predictive simulation-based scoliosis surgery planning | |
Lievers et al. | Patient-specific modelling of the foot: automated hexahedral meshing of the bones | |
Ali et al. | Cranio-maxillofacial post-operative face prediction by deep spatial multiband VGG-NET CNN | |
Zhang et al. | Improved Rubin–Bodner model for the prediction of soft tissue deformations |
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 |