CN115998433A - 介入器械的运动规划方法、系统、程序单元和存储介质 - Google Patents
介入器械的运动规划方法、系统、程序单元和存储介质 Download PDFInfo
- Publication number
- CN115998433A CN115998433A CN202211731769.1A CN202211731769A CN115998433A CN 115998433 A CN115998433 A CN 115998433A CN 202211731769 A CN202211731769 A CN 202211731769A CN 115998433 A CN115998433 A CN 115998433A
- Authority
- CN
- China
- Prior art keywords
- interventional instrument
- data
- path
- motion
- planning
- 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.)
- Pending
Links
- 230000033001 locomotion Effects 0.000 title claims abstract description 98
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000012512 characterization method Methods 0.000 claims abstract description 10
- 210000001519 tissue Anatomy 0.000 claims description 97
- 208000004434 Calcinosis Diseases 0.000 claims description 32
- 230000002308 calcification Effects 0.000 claims description 32
- 210000004204 blood vessel Anatomy 0.000 claims description 30
- 230000004927 fusion Effects 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 15
- 230000011218 segmentation Effects 0.000 claims description 14
- 230000001133 acceleration Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 230000002792 vascular Effects 0.000 claims description 10
- 125000004122 cyclic group Chemical group 0.000 claims description 8
- 230000003902 lesion Effects 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 210000002464 muscle smooth vascular Anatomy 0.000 claims description 6
- 238000000638 solvent extraction Methods 0.000 claims description 5
- 206010002329 Aneurysm Diseases 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 230000000916 dilatatory effect Effects 0.000 claims description 3
- 238000002224 dissection Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 230000008520 organization Effects 0.000 description 15
- 230000006870 function Effects 0.000 description 13
- 230000008569 process Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 238000001356 surgical procedure Methods 0.000 description 7
- 210000000056 organ Anatomy 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 230000003993 interaction Effects 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 238000002560 therapeutic procedure Methods 0.000 description 3
- 230000003190 augmentative effect Effects 0.000 description 2
- 210000000988 bone and bone Anatomy 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000004087 circulation Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000002697 interventional radiology Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 208000019553 vascular disease Diseases 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 206010060965 Arterial stenosis Diseases 0.000 description 1
- 208000002251 Dissecting Aneurysm Diseases 0.000 description 1
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 1
- 206010061902 Pancreatic neoplasm Diseases 0.000 description 1
- 206010046798 Uterine leiomyoma Diseases 0.000 description 1
- 206010048671 Venous stenosis Diseases 0.000 description 1
- 208000002223 abdominal aortic aneurysm Diseases 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 210000000709 aorta Anatomy 0.000 description 1
- 208000007474 aortic aneurysm Diseases 0.000 description 1
- 206010002895 aortic dissection Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 208000031169 hemorrhagic disease Diseases 0.000 description 1
- 239000007943 implant Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000013152 interventional procedure Methods 0.000 description 1
- 201000007270 liver cancer Diseases 0.000 description 1
- 201000005202 lung cancer Diseases 0.000 description 1
- 208000020816 lung neoplasm Diseases 0.000 description 1
- 208000015486 malignant pancreatic neoplasm Diseases 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 201000002528 pancreatic cancer Diseases 0.000 description 1
- 208000008443 pancreatic carcinoma Diseases 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 208000007232 portal hypertension Diseases 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000000689 upper leg Anatomy 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/20—Surgical navigation systems; Devices for tracking or guiding surgical instruments, e.g. for frameless stereotaxis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/30—Surgical robots
- A61B34/37—Master-slave robots
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
-
- 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/162—Segmentation; Edge detection involving graph-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/771—Feature selection, e.g. selecting representative features from a multi-dimensional feature space
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Robotics (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Public Health (AREA)
- Databases & Information Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Primary Health Care (AREA)
- Urology & Nephrology (AREA)
- Epidemiology (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Radiation-Therapy Devices (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本申请提出一种介入器械的运动规划方法，其特征在于，包括以下步骤：提取组织结构中的可移动通道；确定目标操作节点在可移动通道中的表征；根据所述表征规划介入器械的运动。本发明通过术前全自动或半自动为介入器械规划运动路线的技术手段，解决了现有技术需要医生手动为整台手术规划介入器械运动路线时存在的对医生要求高的技术问题，进而达到提高介入器械运动精准性，提高介入器械工作效率的技术效果。
Description
技术领域
本申请涉及一种医疗器械，尤其涉及一种介入器械的运动规划方法、系统、程序单元和存储介质。
背景技术
介入治疗学是介入放射学的重要部分，它以影像诊断为基础，通过医学影像设备的引导，利用导管、穿刺针和其他介入器材，以达到治疗疾病的目的。
介入治疗涉及范围广，可以用来治疗血管性疾病，包括动静脉狭窄及闭塞性疾病、主动脉夹层、腹主动脉瘤、急性动脉出血性疾病、门脉高压、颅内血管疾病以及非血管性疾病，包括良、恶性肿瘤的治疗、原发性肝癌、肺癌、胰腺癌、子宫肌瘤等。
介入治疗相比外科手术大大降低了手术危险以及对器官、组织的损伤程度，达到局部治疗的目的。
在进行介入手术的过程中，需要依据不同的手术目的，在手术操作前需要规划介入器械的路线。现有技术一般采用医生根据经验确定介入器械的行进路线。
现有技术存在如下技术问题：
1、由于此类手术规划路线的操作对医生的要求高，所以限制了相应手术治疗方法的普及、并且不同的术者进行手术可能引入人为失误的风险因素。
2、由于一台手术所经过的组织结构/血管/腔体分叉路线错综复杂，即使较为成熟的医生在规划路线的过程中的时间较长。
发明内容
本申请实施例提供一种介入器械的运动规划方法、系统、程序单元和存储介质，以解决相关技术存在的问题，技术方案如下：
一种介入器械的运动规划方法，包括以下步骤：
S01：提取组织结构中的可移动通道；
S02：确定目标操作节点在可移动通道中的表征；
S03：根据所述表征规划介入器械的运动。
可选地，所述运动包括路径规划和轨迹规划；
所述路径规划为空间路径，为自初始操作节点到达目标操作节点位置的路线；
所述轨迹规划为时空路径，在时间维度上的表征为根据组织结构内运动状态规划介入器械的运动，在空间维度上的表征为自初始操作节点到达目标操作节点位置的路线。
可选地，所述时空路径具体为根据分析组织结构内运动得到内运动的循环周期，根据循环周期规划介入器械的运动。
可选地，所述确定起始点、目标操作节点在可移动通道中的表征包括位置，以及姿态、速度、加速度中的一种或多种。
可选地，步骤S01中，所述组织结构以空间模型表征，所述可移动通道为组织结构空间模型中最靠近内表面中心线的内轮廓。
可选地，所述组织结构为血管，所述可移动通道为血管内剔除掉损伤空间区域后的空间区域，所述损伤区域包括但不限于夹层、钙化、动脉瘤、斑块。
可选地，所述时空路径具体为根据分析组织结构内运动得到内运动的循环周期，根据循环周期规划介入器械的运动：
在血管平滑肌收缩状态下，血管管腔收窄时，控制介入器械停止或控制介入器械降低移动速度或控制介入器械降低加速度；
在血管平滑肌舒张状态下，血管管腔舒张时，控制介入器械启动或控制介入器械提高移动速度或控制介入器械提高加速度。
可选地，所述可移动通道中规划自初始操作节点到达目标操作节点位置的路线，包括以下步骤：
确定目标操作节点在可移动通道中的位置；
模拟所述介入器械在所述可移动通道中的运动轨迹，生成初始规划路径；
根据规划路径生成执行指令，直至所述介入器械完成目标操作节点的执行指令；其中，所述初始规划路径的起点为初始操作节点，所述初始规划路径的终点为所述目标操作节点。
可选地，还包括以下步骤：
获取根据所述初始规划路径确定的初始操作节点；
基于所述初始规划路径和所述初始操作节点所在关联路径节点的实时数据，生成形变场。
可选地，还包括：
根据所述形变场生成执行指令，包括以下步骤：
根据所述形变场生成第一运动数据；
判断是否存在预设时间段内获取的第二运动数据，若存在，则配置所述第一运动数据和所述第二运动数据的权重，生成执行指令。
可选地，所述组织结构以空间模型表征的生成步骤为：
确定进行组织结构模型数据融合的区域；
根据所述区域，提取所述区域对应待生成融合模型的数据；其中，所述待生成融合模型的数据包括预制数据和/或实时数据；
将所述预制数据和/或所述实时数据进行匹配，生成形变场；
根据生成所述形变场的数据，生成用于介入手术的融合模型。
可选地，生成所述待生成融合模型的数据的步骤，还包括：
通过设置目标组织部分的特性生成至少一个划分阈值；
根据所述至少一个划分阈值，将目标组织部分从所述待生成融合模型的数据中剥离出来，生成待划分图像；
利用基于阈值的区域增长算法将所述待划分图像划分区域；去除各区域中的无关像素，得到各区域的关注图像；
利用图割法，将所述各区域的关注图像拼接生成所述待生成融合模型的数据。
可选地，通过设置目标组织部分的特性生成两个划分阈值：
选择生长初始的种子点，在空间上对种子点周围邻域的像素进行搜索，选择相似像素生长，同时采用双阈值剔除无关像素；
在原始图像中选取阈值范围[S1,S2]，取该范围内的中间值作为种子点平均值，从而对区域生长相似性准则进行约束：
|N-Nneed|＜μ|S1-S2|
其中N表示灰度，μ是用以控制像素相似度的可调节参数，N为任一点，Nneed为种子点。
获取树S和树T，搜索树S和树T的树T的生长，找到汇点，扩展树S和树T的边缘点，收集孤立点，恢复搜索树。
可选地，还包括以下步骤：
通过设置目标组织部分的特性生成至少一个划分阈值，包括如下至少之一：
根据所述目标组织部分的形状特点确定所述划分阈值；
根据所述目标组织部分的损伤特征占目标组织部分的百分比设定所述划分阈值。
可选地，所述根据所述目标组织部分的形状特点确定所述划分阈值，具体为根据血管形状特点确定所述划分阈值；
所述根据所述目标组织部分的损伤特征占目标组织部分的百分比设定所述划分阈值中，具体为目标组织部分的钙化点占目标组织部分的百分比设定所述划分阈值；
所述根据血管形状特点确定所述划分阈值，用于提取血管区域；
所述目标组织部分的钙化点占目标组织部分的百分比设定所述划分阈值，用于在血管区域分割钙化点。
可选地，所述根据所述目标组织部分的损伤特征占目标组织部分的百分比设定所述划分阈值步骤：
在分割钙化点之前对图像进行拉伸预处理：
在[a,b]区间内做线性变换：
其中图像灰度等级M；[d,c]为对[a,b]段灰度进行拉伸之后的灰度级；a，b，c，d是对原图进行灰度拉伸的调整因子；
预处理后再进行Otsu分割，获得钙化点。
可选地，获取预制数据，生成融合模型，还包括以下步骤：
将所述预制地图数据根据腔体结构划分为至少一个数据块；
将所述数据块作为输入，通过多层卷积神经网络来获取图像的特征；
对所述特征进行筛选，将筛选后的特征组合生成融合模型。
一种介入器械的运动规划系统，包括
感知模块，用于提取组织结构中的可移动通道；
定位模块，用于确定目标操作节点在可移动通道中的表征；
路径规划模块，用于根据所述表征规划介入器械的运动。
一种计算机程序单元，所述计算机程序单元当由处理单元运行时适于执行根据所述的方法的步骤。
一种计算机可读介质，所述计算机可读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上述的方法。
上述技术方案中的优点或有益效果至少包括：
本发明通过规划介入器械运动路线的技术手段，解决了现有技术需要医生在全自动或半自动介入手术中，需要依靠个人经验为整台手术规划介入器械运动路线时存在的对医生要求高的技术问题，进而达到提高介入器械运动精准性，提高介入器械工作效率的技术效果。
上述概述仅仅是为了说明书的目的，并不意图以任何方式进行限制。除上述描述的示意性的方面、实施方式和特征之外，通过参考附图和以下的详细描述，本申请进一步的方面、实施方式和特征将会是容易明白的。
附图说明
在附图中，除非另外规定，否则贯穿多个附图相同的附图标记表示相同或相似的部件或元素。这些附图不一定是按照比例绘制的。应该理解，这些附图仅描绘了根据本申请公开的一些实施方式，而不应将其视为是对本申请范围的限制。
图1示出根据本专利一实施例的手术机器人的系统的结构图。
图2为根据本申请一实施例的手术机器人系统的模块图。
图3为根据本发明一实施例的介入器械的运动规划方法的流程图。
图4为根据本发明一实施例的介入器械的运动规划的模块图。
图5为根据本发明一实施例的介入器械的运动规划方法执行流程图。
图6为根据本发明另一实施例的介入器械的运动规划方法执行流程图。
图7为根据本发明另一实施例的生成融合模型的流程图。
图8示出根据本发明一实施例的手术机器人的服务器的结构框图。
具体实施方式
在下文中，仅简单地描述了某些示例性实施例。正如本领域技术人员可认识到的那样，在不脱离本申请的精神或范围的情况下，可通过各种不同方式修改所描述的实施例。因此，附图和描述被认为本质上是示例性的而非限制性的。
术语“第一”、“第二”、“第三”等仅用于区分描述，并不表示排列序号，也不能理解为指示或暗示相对重要性。
此外，术语“水平”、“竖直”、“悬垂”等术语并不表示要求部件绝对水平或悬垂，而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平，并不是表示该结构一定要完全水平，而是可以稍微倾斜。
在本申请的描述中，需要说明的是，术语“内”、“外”、“左”、“右”、“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该申请产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。
在本申请的描述中，除非另有明确的规定和限定，术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。
下面将结合附图对本申请的技术方案进行清楚、完整地描述。
在实际应用中，可以将主端设备和从端设备以及其中的各个模块集成在一起，由一个设备整体实现全部/部分功能，也可以将各个模块分别由不同的实体设备组成。本发明仅以图1所示的具体结构为例说明各个模块分分别由不同的实体设备组成的设置方式。具体地：
图1示出根据本专利一实施例的手术机器人的系统的结构图。如图1所示，该一种手术机器人的系统，包括：主端设备100、从端设备200、介入器械(未在图1中示出)。
具体地，所述主端设备100，包括：影像处理主机、第一控制器。影像处理主机、第一控制器均位于主端设备100中，未在图1中示出。
所述影像处理主机可以获取患者在本次手术之前的预制地图数据。例如，患者在术前拍摄的CT照片或局部组织结构图像等。当获取了预制地图数据后，影像处理主机需要对预制地图数据进行处理，生成方便规划路径的预制组织地图。
在术前需要将预先获取的预制地图数据导入到主端设备中。其中，可以但不限于CT数据、局部组织结构数据等。
具体地，若导入的预制地图数据为CT数据，则需要从CT数据中生成组织数据；再根据组织数据拼接生成预制组织地图。
组织数据可以包括但不限于如下之一：血管拓扑结构(通常可以使用具有分支结构的线条表示)、血管管壁范围数据(通常可以使用点云数据描述)、血液循环系统中必要的组织结构(正常组织如心脏房室结构、瓣膜和病变组织如夹层、钙化、动脉瘤等。在实际应用中可以将上述组织数据进行排列组合或取舍。
图2为根据本申请一实施例的手术机器人系统的模块图。
在本实施例中术者端即主端，患者端即从端。
术者端设备包括监视器、影像处理主机、术者端控制器、术者操作装置(也就是输入控制组件)
监视器，用于监视患者的整体身体状态以及手术过程。
影像处理主机，用于将预制地图与术中影像设备采集的数据融合，并且生成形变场。
术者操作装置(也就是输入控制组件)用于获取医生的控制指令。
术者端控制器，用于根据所述形变场以及医生的控制指令，生成执行指令。
在生成执行指令后，由数据总线传输到患者端设备执行相应的操作。患者端设备包括介入器械驱动装置和执行端控制器。
执行端控制器，用于将术者端设备发送的控制指令进行拆解。
介入器械驱动装置，用于将拆解后的指令通过介入器械驱动装置控制介入器械运动。
图3为根据本发明一实施例的介入器械的运动规划方法的流程图。
在本发明介入器械的运动规划方法中包括如下步骤：
步骤S01：提取组织结构中的可移动通道；本发明中的可移动通道并不限定于血管，也可以是器官中的腔体。
步骤S02：确定目标操作节点在可移动通道中的表征；
步骤S03：根据所述表征规划介入器械的运动。
可选地，在步骤S01中，当组织结构以空间模型表征，所述可移动通道为组织结构空间模型中最靠近内表面中心线的内轮廓；当所述组织结构为血管，所述可移动通道为血管内剔除掉损伤空间区域后的空间区域，所述损伤区域包括但不限于夹层、钙化、动脉瘤、斑块。
在步骤S02中，所述确定起始点、目标操作节点在可移动通道中的表征包括位置，以及姿态、速度、加速度中的一种或多种。
在步骤S03中，所述时空路径具体为根据分析组织结构内运动得到内运动的循环周期，根据循环周期规划介入器械的运动。
其中，所述时空路径具体为根据分析组织结构内运动得到内运动的循环周期，根据循环周期规划介入器械的运动：
在血管平滑肌收缩状态下，血管管腔收窄时，控制介入器械停止或控制介入器械降低移动速度或控制介入器械降低加速度；
在血管平滑肌舒张状态下，血管管腔舒张时，控制介入器械启动或控制介入器械提高移动速度或控制介入器械提高加速度。
图4为根据本发明一实施例的介入器械的运动规划的模块图。如图4所示，在步骤S03中，公开了：
所述介入器械运动包括路径规划和轨迹规划；
所述路径规划为空间路径，为自初始操作节点到达目标操作节点位置的路线；
所述轨迹规划为时空路径，在时间维度上的表征为根据组织结构内运动状态规划介入器械的运动，在空间维度上的表征为自初始操作节点到达目标操作节点位置的路线。
图5为根据本发明一实施例的介入器械的运动规划方法执行流程图。
如图5所示，所述可移动通道中规划自初始操作节点到达目标操作节点位置的路线，包括以下步骤：
确定目标操作节点在可移动通道中的位置；
模拟所述介入器械在所述可移动通道中的运动轨迹，生成初始规划路径；
根据规划路径生成执行指令，直至所述介入器械完成目标操作节点的执行指令；其中，所述初始规划路径的起点为初始操作节点，所述初始规划路径的终点为所述目标操作节点。
在实际应用中，主端设备获取预制地图数据，生成预制组织地图的步骤，可以包括：
通过设置目标组织部分的特性生成至少一个划分阈值；
根据所述至少一个划分阈值，将目标组织部分从预制地图数据中剥离出来；
利用基于阈值的区域增长算法将图像划分区域；去除各区域中的无关像素，得到各区域的关注图像；
利用图割法，将所述各区域的关注图像拼接生成所述待生成融合模型的数据。
在实际应用中，可以采用的划分阈值的特征包括但不限于上述列举的组织数据对应的特征。在本专利具体实施例中可以以“目标组织部分的形状特点”、“目标组织部分的钙化点占目标组织部分的百分比”设定双阈值，进而利用所述双阈值划分区域，生成预制组织地图。
通过设置目标组织部分的特性生成至少一个划分阈值，包括如下至少之一：
根据所述目标组织部分的形状特点确定所述划分阈值；
根据所述目标组织部分的损伤特征占目标组织部分的百分比设定所述划分阈值。
具体地，所述区域增长算法在带分割的图像中，选取一个或者多个种子点作为生长的起点，根据指定的生长规则，将图像相邻体素中与种子点性质相同或者相近的体素进行合并。合并产生新的体素作为新的种子点，如此循环直到预制地图数据中没有可以合并的体素为止，这样就对待分割图像进行了区域划分。区域生长法解决分割结果不连续的问题，可以指定不同的生长准则，得到不同的分割方法，产生不同的分割结果。
具体地，所述图割法生成预制组织地图的步骤包括：a构造能量函数；b通过能量函数构造网络图；c通过对网络图中最大流/最小割的求解，得到能量函数的最小值。
所述能量函数构成为：E(f)＝Edata(f)+Esmooth(f)
能量函数由约束项Edata(f)和光滑约束项Esmooth(f)构成，用于分配给定区域的惩罚。光滑约束项Esmooth(f)作为相邻像素隶属不同领域的惩罚，可以反映区域内部的连续性和边界的不连续性。
所述能量函数一般形式为：
E(f)＝ΣV{p,q}(fp,fq)+∑Dp(fp)
根据能量函数的构造把预制组织地图中点的集合映射成为一个无向图G(v,e)，v代表图中所有的节点，即预制组织地图中的像素点；e表示连接所有临近节点的边，即相邻像素间的相邻关系，e的权重为w(i,j)。
利用推进重标记方法(push relabel)和增广路径方法(Augmenting path)对最大流/最小割的求解。
具体地，最小割求解中，定义割的容量为预制组织地图划分为移除掉边的两个不相交的集合的容量和，即所有割集中容量最小的割，其表示形式为：
mincut(S,T)＝∑w(μ,v)
式中cut(S,T)为割的容量，w(μ，v)为节点μ和v之间的容量值。
边容量表示形式为：
其中：I(μ)、I(v)表示区域μ和区域v灰度的平均值，D(μ，v)表示区域μ和区域v之间的距离，α和β是调节参数。
最小割为：
具体地，所述设定双阈值，进而利用所述双阈值划分区域，生成预制组织地图。该部分的一具体实施例：即采用双阈值对组织数据进行预处理，采用区域生长对阈值分割后的图像进一步区域划分，区域与像素之间的关系把图像的像素或区域聚合。其关键点如下：选择生长初始的种子点，在空间上对种子点周围邻域的像素进行搜索，选择相似像素生长，同时采用双阈值剔除无关像素。
在原始图像中选取阈值范围[S1,S2]，取该范围内的中间值作为种子点平均值，从而对区域生长相似性准则进行约束
|N-Nneed|＜μ|S1-S2|
其中N表示灰度，μ是用以控制像素相似度的可调节参数，N为任一点，Nneed为种子点。
获取树S和树T，搜索树S和树T的树T的生长，找到汇点，扩展树S和树T的边缘点，收集孤立点，恢复搜索树。
具体地，目标组织部分的钙化点占目标组织部分的百分比的获取方式是分割确定钙化点区域的一具体实施例为：
目标组织具体为动脉血管或者其他部位血管。分割确定钙化点步骤为1)提取血管区域，2)在血管区域分割钙化点。3)计算钙化点占目标组织部分的百分比。
也就是说，所述根据所述目标组织部分的形状特点确定所述划分阈值，具体为根据血管形状特点确定所述划分阈值；
所述根据所述目标组织部分的损伤特征占目标组织部分的百分比设定所述划分阈值中，具体为目标组织部分的钙化点占目标组织部分的百分比设定所述划分阈值；
所述根据血管形状特点确定所述划分阈值，用于提取血管区域；
所述目标组织部分的钙化点占目标组织部分的百分比设定所述划分阈值，用于在血管区域分割钙化点。
其中1)提取血管区域一具体实施例为：
传统算法对血管的分割，采用服用药物使血管显影的方法，加大血管与周围组织的对比度，实现分割的目的。或者采用交互分割的方式，由医生手动圈定分割区域，对区域进行提取和测量。CT影像对主动脉定位，会受到周围灰度相近的组织器官的影响，进行连通域标记后，身体组织器官一般为形状不规则的图形，血管部分则表现为规则的圆形或椭圆形，因此可以在自影像中找到血管的位置。钙化点在连通域中为白色像素，定义各项分割所需变量，也就是分割所获得的每个连通域的特征，以便使用这些特征对图像进行分割。连通区域特征参数：
连通区域面积Si＝各个区域像素点加和；
连通域的外接矩形＝长length＝right-left，宽width＝bottom-top，面积Ri＝length*width
连通域的矩形度
钙化区域面积Li＝钙化部分像素加和
连通域的钙化度
获取各个小连通区域的矩形度和钙化度之后，可以根据连通域分割需要的动脉血管图像。骨骼部分钙化程度最高，接近于1，身体各个器官钙化程度最小，接近于0，主动脉血管的钙化程度趋近于两者之间。骨骼与身体器官形状各异，矩形度不大，而主动脉血管部分的形状比较规则，矩形度很大。所以可以根据人体特定骨骼特征部分作为参考系，进而定位主动脉血管。
获取血管主动脉图像之后，需要对钙化点进行分割，根据主动脉血管的位置以及钙化点相对血管的相对位置关系，提取感兴趣的区域，设图像的总像素为N，灰度总数为L，灰度值为i的像素数为Ni。令w(k)和μ(k)分别表示从灰度级0到灰度级k的像素的出现概率和平均灰度，分别表示为：
由此，所有像素的总概率为w(L-1)＝1,图像的平均灰度为μT＝μ(L-1)
假设有M-1个阈值(0≤t1＜t2＜...＜tM-1≤L-1)，将图像分成M个像素类Cj(Cj∈[tj-1+1,...tj]；j＝1,2...,M；t0＝0，tM＝L-1)，则Cj的出现概率wj、平均灰度μj和方差σ2 j为
wj＝w(tj)-w(tj-1)
则内方差为
其中2)在血管区域分割钙化点：
以Otsu方法为基础，在输入之前对图像进行灰度拉伸预处理。
设图像灰度等级M，在[a,b]区间内做线性变换；
[d,c]为对[a,b]段灰度进行拉伸之后的灰度级。根据主动脉血管的灰度范围选定a，b，c，d的参数值对原图进行灰度拉伸，之后再进行Otsu分割，获得钙化点像素。再计算钙化点占目标组织部分的百分比。
在实际应用中，主端设备获取预制地图数据，生成预制组织地图的步骤，也可以包括：
获取预制地图数据划分为至少一个数据块；
将所述数据块作为输入，通过多层卷积神经网络来获取图像的特征，生成预制组织地图。
根据预制组织地图即可规划出介入器械在目标组织部分中的路径，即初始规划路径。在术中可以依据初始规划路径作为参考，控制介入器械的运动。
其中，初始规划路径至少包括：初始操作节点(也就是介入器械进入人体的初始位置)、目标操作节点(也就是介入器械进入人体的目标位置)。
初始规划路径还可以包括但不限于：从初始操作节点到目标操作节点的整体路线、在路径中对介入器械的运动规划，例如继续行进、调整位姿、到达目标操作节点后待执行的操作(除了手术治疗操作，如放置植入物、切割、穿刺等)、路径沿途的速度限制、姿态限制、运动条件限制等。
具体地，生成初始规划路径的步骤但不限于人工制定初始规划路径或自动计算初始规划路径。也就是模拟所述介入器械在所述预制组织地图的运动轨迹，生成初始规划路径可以包括：
人工制定初始规划路径是指术者通过术者端设备的人机交互接口，在地图数据上选定初始操作节点、目标操作节点，影像处理主机自动计算至少一条路径。术者可通过人机交互接口选择一条路径，并在此路径的基础上进行人工编辑(包括微调路径、添加标注、添加条件限制等数据信息)。
自动计算初始规划路径是指利用路径规划算法计算初始操作节点与目标操作节点之间的最优路径。路径规划算法包括图搜索算法。
根据预制地图数据就可以在术前对介入器械在人体的路径进行规划，以使得降低手术对人体健康的损伤降为最小。在介入器械在人体内运动时，需要根据术前规划的路径以及实时采集到的数据生成执行指令，使得介入器械在不偏离路径的前提下，更贴合实际患者实际的生理构造。生成执行指令后，将该执行指令发送至从端，由第二控制器控制介入设备完成执行指令。
具体地，获取根据初始规划路径确定的初始操作节点。此处的初始操作节点是指介入器械进入人体的第一个节点，在实际应用中需要根据患者患病的位置确定介入器械的初始操作节点，例如，通过大腿的静脉(或动脉)接入点(初始操作节点)进入血管最终达到人体的心脏(目标操作节点)实现治疗。也就是说所述初始规划路径的起点为初始操作节点，也就是介入人体的初始位置；所述初始规划路径的终点为目标操作节点，也就是患者的患病位置。
图6为根据本发明另一实施例的介入器械的运动规划方法执行流程图。
如图6所示，基于所述初始规划路径和所述初始操作节点所在关联路径节点的实时数据，生成第一运动数据；判断是否存在预设时间段内获取的第二运动数据，若存在，则所述第一控制器配置所述第一运动数据和所述第二运动数据的权重，生成执行指令。此处的第一运动数据是系统根据已有的数据规划出的数据，第二运动数据是指医生控制输入控制组件获取的数据。也就是说本专利所保护的系统既可以自主实现全自动控制介入器械的运动，也可以实现半自动控制介入器械的运动。
当主端设备生成了执行指令后，就将该执行指令传输给从端设备，由从端设备控制介入器械执行相应的操作。因此，主端设备需要将所述执行指令发送至所述第二控制器；所述第二控制器接受执行指令，并由第二控制器控制所述介入器械完成执行指令。
在实际应用中可以通过介入器械上安装的传感器(如超声波传感器)或实时影像数据(如DSA影像数据)获取介入器械的实际情况。当影像处理主机接受到介入器械完成执行指令并到达下一操作节点的信息后，将所述下一操作节点作为新的初始操作节点，第一控制器循环执行生成执行指令的步骤，直至所述介入器械完成目标操作节点的执行指令。也就是每到一个新的操作节点就规划执行到下一操作节点的需要的运动数据。
所述从端设备，用于获取所在路径的实时数据，并利用所述介入器械执行所述第一控制器发出的执行指令。
当主端设备生成了介入器械整体的控制指令，则需要将主端的控制指令传输到从端，由从端设备将整体的控制指令进行拆解，由从端的一个或多个组件执行相应的拆解后的指令。
具体地，所述从端设备还包括：第二控制器、从端驱动装置；
所述第二控制器用于拆解主端设备发出执行指令，生成拆解指令；
所述从端驱动装置用于根据所述第二控制器的所述拆解指令，驱动从端的各个组件执行不同的动作，共同实现带动介入器械运动的目的。
术中控制介入器械在人体内运动的过程主要包括：根据预制地图数据/实时影像数据结合形变场以及初始规划路径对介入器械进行控制。其中，预制地图数据/实时影像数据提供坐标系，形变场提供坐标系之间的对应关系，介入器械需沿初始规划路径在人体内运动，当介入器械偏离初始路径规划时，则需要校正介入器械的执行路线。
具体地，所述影像处理主机获取预制地图数据，生成预制组织地图。再根据所述预制组织地图和实时数据，生成形变场。所述第一控制器根据所述形变场生成执行指令；将所述执行指令发送至所述第二控制器；所述第二控制器接受执行指令，并控制所述介入器械完成执行指令。
具体地，基于所述初始规划路径和所述初始操作节点所在关联路径节点的实时数据，生成第一运动数据，包括：
获取所述初始操作节点的实际位姿和速度；
参考所述初始规划路径，利用所述实际位姿和速度，生成下一操作节点的第一运动数据；
所述第一运动数据包括：下一操作节点的位姿变化量和加速度变化量。
也就是在每个位置时计算下一位置需要达到的速度、加速度，进而控制介入器械执行相应的操作。
所述位姿是指介入器械所在的位置和姿态。根据介入器械的需要达到的位姿可以用于控制介入器械在运动过程中的位置变化过程。即通过当前时刻的实际位姿和下一位置的位姿，确定运动过程中的介入器械的状态变化过程。
实际上，生成运动数据的过程是一个循环的过程，每执行到下一操作节点时，则需要根据当前操作节点的情况执行下一操作节点的运动数据。
运动数据主要包括两个部分：基于位置的运动指令和基于速度的运动指令。其中，运动指令可以包括前进/后退、旋转、控弯等操作等；基于速度的运动指令相当于运动指令的参数可以包括距离、速度、加速度等。通过将运动数据拆分到各个机械模组，进而实现从端的驱动器带动介入器械进行运动的目的。
图7为根据本发明另一实施例的生成融合模型的流程图。
如图7所示，生成融合模型的流程包括：
将所述预制地图数据根据腔体结构划分为至少一个数据块；
将所述数据块作为输入，通过多层卷积神经网络来获取图像的特征；
对所述特征进行筛选，将筛选后的特征组合生成融合模型。
根据本发明的另一可选实施例一种介入器械的运动规划系统，包括：
感知模块，用于提取组织结构中的可移动通道；
定位模块，用于确定目标操作节点在可移动通道中的表征；
路径规划模块，用于根据所述表征规划介入器械的运动。
图8示出根据本发明一实施例的手术机器人的服务器的结构框图。如图8所示，该手术机器人的服务器包括：存储器810和处理器820，存储器810内存储有可在处理器820上运行的计算机程序。处理器820执行该计算机程序时实现上述实施例中的进行路径规划的步骤。存储器810和处理器820的数量可以为一个或多个。
该手术机器人的服务器还包括：
通信接口830，用于与外界设备进行通信，进行数据交互传输。
如果存储器810、处理器820和通信接口830独立实现，则存储器810、处理器820和通信接口830可以通过总线相互连接并完成相互间的通信。该总线可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外部设备互连(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准体系结构(Extended Industry StandardArchitecture，EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示，图8中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
可选的，在具体实现上，如果存储器810、处理器820及通信接口830集成在一块芯片上，则存储器810、处理器820及通信接口830可以通过内部接口完成相互间的通信。
本发明实施例提供了一种计算机可读存储介质，其存储有计算机程序，该程序被处理器执行时实现本申请实施例中提供的方法。
本申请实施例还提供了一种芯片，该芯片包括，包括处理器，用于从存储器中调用并运行存储器中存储的指令，使得安装有芯片的通信设备执行本申请实施例提供的方法。
本申请实施例还提供了一种芯片，包括：输入接口、输出接口、处理器和存储器，输入接口、输出接口、处理器以及存储器之间通过内部连接通路相连，处理器用于执行存储器中的代码，当代码被执行时，处理器用于执行申请实施例提供的方法。
应理解的是，上述处理器可以是中央处理器(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(digital signal processing，DSP)、专用集成电路(application specific integrated circuit，ASIC)、现场可编程门阵列(fieldprogrammablegate array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者是任何常规的处理器等。值得说明的是，处理器可以是支持进阶精简指令集机器(advanced RISC machines，ARM)架构的处理器。
进一步地，可选的，上述存储器可以包括只读存储器和随机存取存储器，还可以包括非易失性随机存取存储器。该存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以包括只读存储器(read-onlymemory，ROM)、可编程只读存储器(programmable ROM，PROM)、可擦除可编程只读存储器(erasable PROM，EPROM)、电可擦除可编程只读存储器(electrically EPROM，EEPROM)或闪存。易失性存储器可以包括随机存取存储器(random access memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用。例如，静态随机存取存储器(static RAM，SRAM)、动态随机存取存储器(dynamic random access memory，DRAM)、同步动态随机存取存储器(synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(double data date SDRAM，DDR SDRAM)、增强型同步动态随机存取存储器(enhancedSDRAM，ESDRAM)、同步连接动态随机存取存储器(synchlink DRAM，SLDRAM)和直接内存总线随机存取存储器(direct rambus RAM，DR RAM)。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时，全部或部分地产生按照本申请的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包括于本申请的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分。并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。
应理解的是，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。上述实施例方法的全部或部分步骤是可以通过程序来指令相关的硬件完成，该程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。上述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读存储介质中。该存储介质可以是只读存储器，磁盘或光盘等。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到其各种变化或替换，这些都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
Claims (20)
1.一种介入器械的运动规划方法，其特征在于，包括以下步骤：
S01：提取组织结构中的可移动通道；
S02：确定目标操作节点在可移动通道中的表征；
S03：根据所述表征规划介入器械的运动。
2.根据权利要求1所述的方法，其特征在于，步骤S03中，
所述运动包括路径规划和轨迹规划；
所述路径规划为空间路径，为自初始操作节点到达目标操作节点位置的路线；
所述轨迹规划为时空路径，在时间维度上的表征为根据组织结构内运动状态规划介入器械的运动，在空间维度上的表征为自初始操作节点到达目标操作节点位置的路线。
3.根据权利要求2所述的方法，其特征在于，步骤S03中，所述时空路径具体为根据分析组织结构内运动得到内运动的循环周期，根据循环周期规划介入器械的运动。
4.根据权利要求2所述的方法，其特征在于，步骤S02中，所述确定起始点、目标操作节点在可移动通道中的表征包括位置，以及姿态、速度、加速度中的一种或多种。
5.根据权利要求2所述的方法，其特征在于，步骤S01中，所述组织结构以空间模型表征，所述可移动通道为组织结构空间模型中最靠近内表面中心线的内轮廓。
6.根据权利要求5所述的方法，其特征在于，步骤S01中，所述组织结构为血管，所述可移动通道为血管内剔除掉损伤空间区域后的空间区域，所述损伤区域包括但不限于夹层、钙化、动脉瘤、斑块。
7.根据权利要求6所述的方法，其特征在于，步骤S03中，所述时空路径具体为根据分析组织结构内运动得到内运动的循环周期，根据循环周期规划介入器械的运动：
在血管平滑肌收缩状态下，血管管腔收窄时，控制介入器械停止或控制介入器械降低移动速度或控制介入器械降低加速度；
在血管平滑肌舒张状态下，血管管腔舒张时，控制介入器械启动或控制介入器械提高移动速度或控制介入器械提高加速度。
8.根据权利要求2所述的方法，其特征在于，所述可移动通道中规划自初始操作节点到达目标操作节点位置的路线，包括以下步骤：
确定目标操作节点在可移动通道中的位置；
模拟所述介入器械在所述可移动通道中的运动轨迹，生成初始规划路径；
根据规划路径生成执行指令，直至所述介入器械完成目标操作节点的执行指令；其中，所述初始规划路径的起点为初始操作节点，所述初始规划路径的终点为所述目标操作节点。
9.根据权利要求8所述的方法，其特征在于，还包括以下步骤：
获取根据所述初始规划路径确定的初始操作节点；
基于所述初始规划路径和所述初始操作节点所在关联路径节点的实时数据，生成形变场。
10.根据权利要求9所述的方法，其特征在于，还包括：
根据所述形变场生成执行指令，包括以下步骤：
根据所述形变场生成第一运动数据；
判断是否存在预设时间段内获取的第二运动数据，若存在，则配置所述第一运动数据和所述第二运动数据的权重，生成执行指令。
11.根据权利要求5所述的方法，其特征在于，所述组织结构以空间模型表征的生成步骤为：
确定进行组织结构模型数据融合的区域；
根据所述区域，提取所述区域对应待生成融合模型的数据；其中，所述待生成融合模型的数据包括预制数据和/或实时数据；
将所述预制数据和/或所述实时数据进行匹配，生成形变场；
根据生成所述形变场的数据，生成用于介入手术的融合模型。
12.根据权利要求11所述的方法，其特征在于，生成所述待生成融合模型的数据的步骤，还包括：
通过设置目标组织部分的特性生成至少一个划分阈值；
根据所述至少一个划分阈值，将目标组织部分从所述待生成融合模型的数据中剥离出来，生成待划分图像；
利用基于阈值的区域增长算法将所述待划分图像划分区域；去除各区域中的无关像素，得到各区域的关注图像；
利用图割法，将所述各区域的关注图像拼接生成所述待生成融合模型的数据。
13.根据权利要求12所述的方法，其特征在于，通过设置目标组织部分的特性生成两个划分阈值：
选择生长初始的种子点，在空间上对种子点周围邻域的像素进行搜索，选择相似像素生长，同时采用双阈值剔除无关像素；
在原始图像中选取阈值范围[S1,S2]，取该范围内的中间值作为种子点平均值，从而对区域生长相似性准则进行约束：
|N-Nneed|＜μ|S1-S2|
其中N表示灰度，μ是用以控制像素相似度的可调节参数，N为任一点，Nneed为种子点。
获取树S和树T，搜索树S和树T的树T的生长，找到汇点，扩展树S和树T的边缘点，收集孤立点，恢复搜索树。
14.根据权利要求12所述的方法，其特征在于，还包括以下步骤：
通过设置目标组织部分的特性生成至少一个划分阈值，包括如下至少之一：
根据所述目标组织部分的形状特点确定所述划分阈值；
根据所述目标组织部分的损伤特征占目标组织部分的百分比设定所述划分阈值。
15.根据权利要求14所述的方法，其特征在于，
所述根据所述目标组织部分的形状特点确定所述划分阈值，具体为根据血管形状特点确定所述划分阈值；
所述根据所述目标组织部分的损伤特征占目标组织部分的百分比设定所述划分阈值中，具体为目标组织部分的钙化点占目标组织部分的百分比设定所述划分阈值；
所述根据血管形状特点确定所述划分阈值，用于提取血管区域；
所述目标组织部分的钙化点占目标组织部分的百分比设定所述划分阈值，用于在血管区域分割钙化点。
16.根据权利要求15所述的方法，其特征在于，所述根据所述目标组织部分的损伤特征占目标组织部分的百分比设定所述划分阈值步骤：
在分割钙化点之前对图像进行拉伸预处理：
在[a,b]区间内做线性变换：
其中图像灰度等级M；[d,c]为对[a,b]段灰度进行拉伸之后的灰度级；a，b，c，d是对原图进行灰度拉伸的调整因子；
预处理后再进行Otsu分割，获得钙化点。
17.根据权利要求11所述的方法，其特征在于，获取预制数据，生成融合模型，还包括以下步骤：
将所述预制地图数据根据腔体结构划分为至少一个数据块；
将所述数据块作为输入，通过多层卷积神经网络来获取图像的特征；
对所述特征进行筛选，将筛选后的特征组合生成融合模型。
18.一种介入器械的运动规划系统，其特征在于，包括：
感知模块，用于提取组织结构中的可移动通道；
定位模块，用于确定目标操作节点在可移动通道中的表征；
路径规划模块，用于根据所述表征规划介入器械的运动。
19.一种计算机程序单元，所述计算机程序单元当由处理单元运行时适于执行根据权利要求1至17中的一项所述的方法的步骤。
20.一种计算机可读介质，所述计算机可读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19所述的方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211731769.1A CN115998433A (zh) | 2022-12-30 | 2022-12-30 | 介入器械的运动规划方法、系统、程序单元和存储介质 |
| PCT/CN2023/140840 WO2024140436A1 (zh) | 2022-12-30 | 2023-12-22 | 介入器械的运动规划方法、系统、程序单元和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211731769.1A CN115998433A (zh) | 2022-12-30 | 2022-12-30 | 介入器械的运动规划方法、系统、程序单元和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115998433A true CN115998433A (zh) | 2023-04-25 |
Family
ID=86020624
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211731769.1A Pending CN115998433A (zh) | 2022-12-30 | 2022-12-30 | 介入器械的运动规划方法、系统、程序单元和存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN115998433A (zh) |
| WO (1) | WO2024140436A1 (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024140436A1 (zh) * | 2022-12-30 | 2024-07-04 | 上海术之道机器人有限公司 | 介入器械的运动规划方法、系统、程序单元和存储介质 |
| WO2024140439A1 (zh) * | 2022-12-30 | 2024-07-04 | 上海术之道机器人有限公司 | 手术机器人的系统和装置 |
Family Cites Families (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2940450A1 (en) * | 2014-03-04 | 2015-09-11 | Xact Robotics Ltd. | Dynamic planning method for needle insertion |
| US10143526B2 (en) * | 2015-11-30 | 2018-12-04 | Auris Health, Inc. | Robot-assisted driving systems and methods |
| US10238455B2 (en) * | 2016-08-31 | 2019-03-26 | Covidien Lp | Pathway planning for use with a navigation planning and procedure system |
| US11087464B2 (en) * | 2019-06-27 | 2021-08-10 | Wisconsin Alumni Research Foundation | System and method for motion-adjusted device guidance using vascular roadmaps |
| WO2021105992A1 (en) * | 2019-11-27 | 2021-06-03 | Xact Robotics Ltd. | Planning and real-time updating a 3d trajectory of a medical instrument |
| EP4138710A4 (en) * | 2020-04-19 | 2023-10-18 | Xact Robotics Ltd. | OPTIMIZING CHECKPOINT LOCATIONS ALONG A MEDICAL INSTRUMENT INSERTION PATH USING DATA ANALYSIS |
| CN115439493A (zh) * | 2022-09-13 | 2022-12-06 | 上海派影医疗科技有限公司 | 一种乳腺组织切片癌变区域分割方法及装置 |
| CN115998424A (zh) * | 2022-12-12 | 2023-04-25 | 上海术之道机器人有限公司 | 控制医疗介入设备的装置、方法、程序单元及可读介质 |
| CN115998433A (zh) * | 2022-12-30 | 2023-04-25 | 上海术之道机器人有限公司 | 介入器械的运动规划方法、系统、程序单元和存储介质 |
| CN115965667A (zh) * | 2022-12-30 | 2023-04-14 | 上海术之道机器人有限公司 | 介入手术的组织结构模型数据融合的方法和装置 |
| CN115998448A (zh) * | 2022-12-30 | 2023-04-25 | 上海术之道机器人有限公司 | 一种手术机器人的系统和装置 |
| CN116269808A (zh) * | 2022-12-30 | 2023-06-23 | 上海术之道机器人有限公司 | 一种手术机器人的系统和装置 |
-
2022
- 2022-12-30 CN CN202211731769.1A patent/CN115998433A/zh active Pending
-
2023
- 2023-12-22 WO PCT/CN2023/140840 patent/WO2024140436A1/zh unknown
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024140436A1 (zh) * | 2022-12-30 | 2024-07-04 | 上海术之道机器人有限公司 | 介入器械的运动规划方法、系统、程序单元和存储介质 |
| WO2024140439A1 (zh) * | 2022-12-30 | 2024-07-04 | 上海术之道机器人有限公司 | 手术机器人的系统和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2024140436A1 (zh) | 2024-07-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6995740B2 (ja) | プロテーゼインプラントの解剖学的マッピングのためのデバイス及び方法 | |
| JP6979010B2 (ja) | 補綴インプラントのための解剖学的マッピングのための装置および方法 | |
| CN115998433A (zh) | 介入器械的运动规划方法、系统、程序单元和存储介质 | |
| KR101120250B1 (ko) | 컴퓨터로 구현된 의학 영상 데이터 처리 방법 | |
| US8010175B2 (en) | Patient-specific coronary territory mapping | |
| EP3608870A1 (en) | Computer assisted identification of appropriate anatomical structure for medical device placement during a surgical procedure | |
| CN111161241B (zh) | 一种肝脏图像识别方法、电子设备及存储介质 | |
| US9173626B2 (en) | Method for performing dynamic registration, overlays, and 3D views with fluoroscopic images | |
| CN109801277B (zh) | 一种图像处理方法及装置、存储介质 | |
| CN114007538B (zh) | 基于深度学习的规划组织消融的方法 | |
| CN113409456B (zh) | 颅脑穿刺术前三维模型的建模方法、系统、装置、介质 | |
| CN111553887B (zh) | 桥血管评价信息获取方法及装置 | |
| CN107025646B (zh) | 一种下肢血管提取方法和装置 | |
| WO2024140435A1 (zh) | 介入手术的组织结构模型数据融合的方法和装置 | |
| WO2021117043A1 (en) | Automatic stenosis detection | |
| CN115511997A (zh) | 一种血管造影图像处理方法和系统 | |
| CN113876420A (zh) | 用于规划手术路径的路径规划方法、系统、设备和介质 | |
| CN115300809B (zh) | 图像处理方法及装置、计算机设备和存储介质 | |
| CN112102225B (zh) | 配准装置、用于配准的方法和计算机可读的存储介质 | |
| JP2005528946A (ja) | 血管のインターベンション位置を追跡する血管撮影図表示オーバーレイ技術 | |
| CN114699166A (zh) | 路径规划方法和可读存储介质 | |
| Cerón et al. | Characterization of the volume and thickness of DIEP flap by CTA image processing | |
| CN116936033B (zh) | 一种经皮消融手术规划方法、装置、介质及设备 | |
| Virga et al. | Optimal c-arm positioning for aortic interventions | |
| CN118648983B (zh) | 基于cta与dsa影像融合技术的冠脉介入智能辅助决策方法 |
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 |