CN116416413A - 支气管镜的运动导航方法、装置及设备 - Google Patents

支气管镜的运动导航方法、装置及设备 Download PDF

Info

Publication number
CN116416413A
CN116416413A CN202111676605.9A CN202111676605A CN116416413A CN 116416413 A CN116416413 A CN 116416413A CN 202111676605 A CN202111676605 A CN 202111676605A CN 116416413 A CN116416413 A CN 116416413A
Authority
CN
China
Prior art keywords
image
target detection
processed
bronchoscope
detection frame
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
Application number
CN202111676605.9A
Other languages
English (en)
Inventor
陈日清
李楠宇
徐宏
余坤璋
刘润南
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Kunbo Biotechnology Co Ltd
Original Assignee
Hangzhou Kunbo Biotechnology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangzhou Kunbo Biotechnology Co Ltd filed Critical Hangzhou Kunbo Biotechnology Co Ltd
Priority to CN202111676605.9A priority Critical patent/CN116416413A/zh
Priority to PCT/CN2022/138723 priority patent/WO2023124981A1/zh
Publication of CN116416413A publication Critical patent/CN116416413A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00—Manipulating 3D models or images for computer graphics
    • G06T19/003—Navigation within 3D models or images
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B1/00—Instruments for performing medical examinations of the interior of cavities or tubes of the body by visual or photographical inspection, e.g. endoscopes; Illuminating arrangements therefor
    • A61B1/267—Instruments for performing medical examinations of the interior of cavities or tubes of the body by visual or photographical inspection, e.g. endoscopes; Illuminating arrangements therefor for the respiratory tract, e.g. laryngoscopes, bronchoscopes
    • 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
    • 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
    • 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
    • G06T17/005—Tree description, e.g. octree, quadtree
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00—Manipulating 3D models or images for computer graphics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G06T7/74—Determining position or orientation of objects or cameras using feature-based methods involving reference images or patches
    • 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
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30061—Lung
    • 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
    • G06T2207/30241—Trajectory
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
    • Y02A50/30—Against vector-borne diseases, e.g. mosquito-borne, fly-borne, tick-borne or waterborne diseases whose impact is exacerbated by climate change

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Graphics (AREA)
  • Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Geometry (AREA)
  • Public Health (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Animal Behavior & Ethology (AREA)
  • Molecular Biology (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Optics & Photonics (AREA)
  • Robotics (AREA)
  • Pathology (AREA)
  • Otolaryngology (AREA)
  • Remote Sensing (AREA)
  • Biophysics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Radiology & Medical Imaging (AREA)
  • Pulmonology (AREA)
  • Physiology (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Processing (AREA)
  • Endoscopes (AREA)

Abstract

本申请属于医疗领域，提出了一种支气管镜的运动导航方法、装置及设备。该方法包括：获取支气管镜采集到的待处理图像；检测所述待处理图像中的分叉口肺段，确定待处理图像所含的目标检测框；根据两帧待处理图像中对应于同一分叉口肺段的目标检测框的位姿变化数据，确定所述支气管镜的运动状态；根据所述运动状态确定虚拟支气管树的局部搜索范围，根据所述局部搜索范围确定所述待处理图像匹配的虚拟支气管树图像。相对于整个虚拟支气管树搜索的方式相比，本申请在所确定的局部搜索范围内搜索，有利于提高虚拟支气管树图像的匹配效率，并且可以有效的减少其它肺段的相似分叉口的干扰，能够有效的提高图像匹配的准确率。

Description

支气管镜的运动导航方法、装置及设备
技术领域
本申请属于医疗领域，尤其涉及一种支气管镜的运动导航方法、装置及设备。
背景技术
支气管镜导航是一种利用虚拟支气管镜沿支气管走行观察肺外周信息的方法。这项技术是通过采集目标的高分辨图像，三维重建支气管树，确定导航目标后形成支气管通路及虚拟支气管镜动画，帮助术者在操作过程中准确、快速的进行取样。
目前在进行支气管镜导航时，通常需要将支气管镜所采集的真实图像与完整的虚拟支气管树进行配准。由于每次配准时需要使用完整的虚拟支气管树中的图像进行相似度计算，配准计算耗时较长，配准效率不高，不利于提高导航效率，并且完整的虚拟支气管树内可能存在相似的分叉口，不利于保证真实图像与虚拟支气管树的配准的准确度，影响导航精度。
发明内容
有鉴于此，本申请实施例提供了一种支气管镜的运动导航方法、装置及设备，以解决现有技术中由于完整的虚拟支气管树内可能存在相似的分叉口，不利于保证真实图像与虚拟支气管树的配准的准确度，影响导航精度的问题。
本申请实施例的第一方面提供了一种支气管镜的运动导航方法，所述方法包括：
获取支气管镜采集到的待处理图像；
检测所述待处理图像中的分叉口肺段，确定待处理图像所含的目标检测框，其中，每一目标检测框对应于一个分叉口肺段；
根据两帧待处理图像中对应于同一分叉口肺段的目标检测框的位姿变化数据，确定所述支气管镜的运动状态；
根据所述运动状态确定虚拟支气管树的局部搜索范围，根据所述局部搜索范围确定所述待处理图像匹配的虚拟支气管树图像。
结合第一方面，在第一方面的第一种可能实现方式中，检测所述待处理图像中的分叉口肺段，确定待处理图像所含的目标检测框，包括：
将所述待处理图像输入到预先训练好的目标检测网络模型，所述目标检测网络模型包括特征提取模块和肺段模块，所述肺段模块包括注意力模块，所述肺段模块接收所述特征提取模块所提取的特征，并通过注意力模块突出目标检测框中属于特定肺段口的特征，抑制不属于特定肺段口的特征，确定所述待处理图像的目标检测框。
结合第一方面的第一种可能实现方式，所述肺段模块还包括目标检测框旋转参数矩阵模块，在生成所述待处理图像所含的目标检测框之前，所述方法还包括：
通过目标检测框旋转参数矩阵模块对目标检测框中特定肺段口的特征进行旋转处理。
结合第一方面的第一种可能实现方式，在第一方面的第三种可能实现方式中，在将所述待处理图像输入到预先训练好的目标检测网络模型之前，所述方法还包括：
确定样本图像以及样本图像对应的标准图像，所述标准图像为确定了目标检框的样本图像；
将样本图像输入到所述目标检测网络模型，通过所述目标检测网络模型计算得到处理后的特征图像；
通过预定的损失函数确定所述处理后的特征图像与所述标准图像的损失，根据确定的损失调整所述目标检测网络模型的参数，直到所确定的损失满足预先设定的要求。
结合第一方面，在第一方面的第四种可能实现方式中，根据两帧待处理图像中对应于同一分叉口肺段的目标检测框的位姿变化数据，确定所述支气管镜的运动状态，包括：
如果当前时刻所获取的待处理图像中包括目标检测框，则查找当前时刻之前的最近时刻所获取的待比较图像，且所述待比较图像中包括目标检测框，所述待比较图像中的目标检测框与所述当前时刻的待处理图像中的目标检测框对应同一分叉口肺段，则根据所述当前时刻的目标检测框与所述最近时刻的目标检测框的位姿变换，确定所述支气管镜的运动状态。
结合第一方面的第四种可能实现方式，在第一方面的第五种可能实现方式中，根据所述当前时刻的目标检测框与所述最近时刻的目标检测框的位姿变换，确定所述支气管镜的运动状态，包括：
当所述当前时刻的待处理图像与所述待比较图像中分别包括多个目标检测框时，分别根据所述待处理图像与所述待比较图像中对应于同一分叉口肺段的目标检测框，确定所述支气管镜的预测运动状态；
通过对确定出的多个预测运动状态进行分析，确定所述支气管镜的运动状态。
结合第一方面，在第一方面的第六种可能实现方式中，所述运动状态包括所述支气管镜的移动速度，根据所述运动状态确定虚拟支气管树的局部搜索范围，包括：
根据所述支气管镜的移动速度以及前一时刻所确定的支气管镜的位置，确定所述支气管镜在虚拟支气管树中对应的当前位置；
根据所述当前位置确定虚拟支气管树的局部搜索范围。
本申请实施例的第二方面提供了一种支气管镜的运动导航装置，所述装置包括：
图像获取单元，用于获取支气管镜采集到的待处理图像；
目标检测框确定单元，用于检测所述待处理图像中的分叉口肺段，确定待处理图像所含的目标检测框，其中，每一目标检测框对应于一个分叉口肺段；
运动状态确定单元，用于根据两帧待处理图像中对应于同一分叉口肺段的目标检测框的位姿变化数据，确定所述支气管镜的运动状态；
图像匹配单元，用于根据所述运动状态确定虚拟支气管树的局部搜索范围，根据所述局部搜索范围确定所述待处理图像匹配的虚拟支气管树图像。
本申请实施例的第三方面提供了一种支气管镜的运动导航设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面任一项所述方法的步骤。
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，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面任一项所述方法的步骤。
本申请实施例与现有技术相比存在的有益效果是：本申请在将支气管镜采集的待处理图像进行配准前确定所述待处理图像包含的与分叉口肺段一一对应的目标检测框，根据两帧待处理图像中对应于同一分叉口肺段的目标检测框的位姿变化，确定所述支气管镜的运动状态，基于所述运动状态确定虚拟支气管镜树的局部搜索范围，相对于整个虚拟支气管树搜索的方式相比，本申请在所确定的局部搜索范围内搜索，有利于提高虚拟支气管树图像的匹配效率，并且可以有效的减少其它肺段的相似分叉口的干扰，能够有效的提高图像匹配的准确率。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种支气管镜的运动导航方法的实现流程示意图；
图2是本申请实施例提供的一种图像检测结果示意图；
图3是本申请实施例提供的一种目标检测网络模型示意图；
图4是本申请实施例提供的一种支气管镜的运动导航装置的示意图；
图5是本申请实施例提供的支气管镜的运动导航设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
为了说明本申请所述的技术方案，下面通过具体实施例来进行说明。
图1为本申请实施例提供的一种支气管镜的运动导航方法的实现流程示意图，包括：
在S101中，获取支气管镜采集到的待处理图像。
本申请实施例中所述的支气管镜，是指用于对用户进行支气管检测设备中的数据采集设备。所述支气管检测设备包括检测管、支气管镜和主控设备。其中，支气管镜设置在检测管的末端，支气管镜所采集的图像，可以经由检测管传送给主控设备。主控设备中设置有虚拟支气管树，即待检测的用户的支气管的三维虚拟图像。可以在支气管镜检查前，通过CT图像重建的方式，得到用户所对应的标准的虚拟支气管树。当通过支气管镜采集到图像后，可以基于所采集的待处理图像与虚拟支气管树中的图像(或称为虚拟支气管树图像)进行配准计算，根据配准结果来确定支气管镜当前的位姿，包括支气管镜当前所在的位置和姿态，以便于操作人员能够更为准确的控制支气管镜。
在本申请实施例中，由于支气管镜在运动过程中，受到支气管内壁阻挡作用，或者由于操作者操作因素的影响，支气管镜的运动方向可能会发生改变，比如支气管镜可能没有沿着支气管中心的方向移动，向支气管径向方向移动时，需要通过支气管镜所采集的图像与虚拟支气管树的图像进行配准，根据配准结果确定支气管镜的位置。所述支气管镜所采集的待处理图像，可以为实时采集的图像，也可以按照预定的周期所采集的图像。
S102，检测所述待处理图像中的分叉口肺段，确定待处理图像所含的目标检测框。
其中，每一目标检测框对应于一个分叉口肺段。所述分叉口肺段是指在分叉口位置可以通过支气管镜采集的气道或肺段。比如图2所示的支气管镜图像中，所包括的分叉口肺段包括前基底段、外基底段、内基底段和后基底段等。
在确定所述待处理图像中的分叉口段对应的目标检测框时，可以将待处理图像输入已训练的目标检测网络模型进行计算处理的方式，生成包括目标检测框的待处理图像。
将所述待处理图像输入到预先训练好的目标检测网络模型，所述目标检测网络模型包括特征提取模块和肺段模块，所述肺段模块包括注意力模块和/或目标检测框旋转参数矩阵模块，所述特征提取模块可提取所述待处理图像中的形状特征和/或纹理特征。
所述注意力模块可以基于深度学习数据集所含的样本图像进行训练，学习从样本图像中提取到的特征，并获得各个特征的权重。当支气管镜所获取的待处理图像输入到已训练好的注意力模型时，注意力模块可以通过权重突出目标检测框内属于某一肺段口的特征，抑制目标检测框内不属于某一肺段口的特征。所突出的肺段口，可以为该目标检测框中占比最多的肺段口。
得到目标检测框旋转参数矩阵模块可用于将从深度学习数据集所含的图像中各个不同角度的目标检测框上提取到的特征，输入空间变换网络，得到空间变换网络输出的目标检测框旋转参数矩阵。通过已训练的目标检测框旋转参数矩阵模块，可以实现目标检测框的旋转，从而能够更好的检测出肺段口，确定肺段口对应的目标检测框。本申请中利用目标检测框旋转参数矩阵可以使得输出的目标检测框具有一定的角度，更加匹配和识别出肺段口。
通过支气管镜采集到待处理图像后，需要将所采集的待处理图像与虚拟支气管树中的图像进行配准，以便根据配准精度最高的图像，来确定支气管镜的位姿。
本申请实施例中的目标检测网络模型，包括特征提取模块和肺段模块。该目标检测网络模型可以为基于YOLOV5所构建的神经网络。其中，特征提取模块用于提取所述待处理图像中的目标特征。所述目标特征可以包括如分叉口的肺段口。当一个待处理图像中包括多个分叉口时，在待处理图像中可能包括多个肺段口，则在待处理图像中包括多个目标特征。在确定每个肺段口时，可以通过目标检测框来框定肺段口对应的图像。通过所设置的特征提取模块，可以提取待处理图像中包括的目标，实现对分叉口的肺段，即肺段口的目标进行检测。
但是，由于肺段口位置的多变性，目标检测框可能需要一定角度的旋转调整。其中，每个目标检测框框住了分叉口里的一个肺段口。如图2所示图像检测结果示意图中，图中的每个方框都可以认为是一个目标检测框，比如图中包括前基底段、外基底段、后基底段和内基底段等。肺段的目标检测框内可能会包括附近的其它类别的肺段，会干扰肺段的识别效果。目标检测框的回归和框里的肺段检测需要一定的平衡。目标检测框过小，虽然不会包含其它肺段，但本身肺段包裹不完全。如果目标检测框过大，本身肺段包裹完全，但会包含其它肺段。
为了解决目标检测框的精度问题，本申请实施例在目标检测网络模型中增加了肺段模块。该肺段模块包括可学习的注意力模块和/或可学习的目标检测框旋转参数矩阵模块。其中，注意力网络通过学习确定注意力权重。注意力权重可以为0-1矩阵。通过该权重矩阵，可以突出目标检测框聚焦的某一肺段口的特征，抑制同个目标检测框中除聚焦的肺段口之外的其它特征。即突出目标检测框中特定的肺段口为聚焦的肺段口，或者在该目标检测框中的像素占比最多的肺段口。通过在目标检测网络模型中设置注意力模块，可以使得目标检测框能够包裹完全某一肺段口的特征，目标检测框既不会过大、也不会过小。
如图3所示的目标检测网络模型示意图中，目标检测网络模型可以包括特征提取模块以及肺段模块，该肺段模块包括注意力模块和可学习的目标检测框旋转参数矩阵模块。特征提取模块所提取的特征，考虑到肺段间的目标检测框重叠会干扰识别率，我们把所提取的特征输入到注意力模块，学习得到权重。将权重乘以原始特征，从而能突出能识别正确的特征。
如图3所示的y1、y2和y3是由目标检测网络模型所提取的输出张量，输出张量的数量可以包括一个或者多个，张量(Tensor)可以采用四维矩阵来表示，而特征可以包括有纹理特征以及形状特征等。如图3所示目标检测网络模型示意图中，该目标检测网络模型在肺段模块之后输出有3个输出特征y1、y2和y3。比如，以图2所示的B9外基底段的目标检测框为例进行说明，目标检测网络模型输出的张量y1是B9对应的目标检测框X1，目标检测网络输出的张量y2是B9对应的目标检测框X2，目标检测网络输出的张量y3是B9对应的目标检测框X3。后续目标检测网络模型还可以基于得到的目标检测框X1、目标检测框X2和目标检测框X3进行计算，计算出一个更优的目标检测框作为如图2所示的B9外基底段最终确定的目标检测框。
可学习的目标检测框旋转参数矩阵模块可以使得目标检测框实现旋转，从而能够更好的得到标准角度所对应图像的内容，使得支气管镜采集到的待处理图像中所含的目标检测框更加匹配于实际的不同角度的分叉口肺段，使得后续的配准更加便捷高效。
在使用目标检测网络模型进行特征图像提取前，本申请还可以包括确定深度学习数据集，通过所确定的深度学习数据集，对所述目标检测网络模型进行训练的过程。
本申请可以构造用于学习和训练的深度学习数据集。该深度学习数据集可以为收集到的病人的支气管镜检查数据，支气管镜检查数据包括由支气管镜采集到各个样本图像的数据。相关人员可以使用标签精灵助手，人工框出各个样本图像所含的每个分叉口的肺段，使得样本图像包含如图2所示的目标检测框。其中，确定所含的目标检测框的样本图像也被称为标准图像。在确定了深度学习数据集后，我们可以将深度学习数据集中的50％作为训练集，10％作为验证集，40％作为测试集。可以建立基于YoloV5的目标检测网络模型，并可以采用Xavier初始化方式对所述目标检测网络模型进行初始化。
将上述样本图像输入到目标检测网络模型后，可以由目标检测网络模型计算得到特征图像。可以将所计算的特征图像与相应的样本图像所对应的标准图像进行比较，得到特征图像与标准图像之间的差异。如果差异不满足预定要求，则可以根据差异调整目标检测网络模型的参数，包括特征提取模块中的参数，以及注意力模块、目标检测框旋转参数矩阵模块的参数，直到所计算的差异满足预定的要求为止，从而完成对所述目标检测网络模型的训练。
在本申请实施例中，通过深度学习数据集对所述目标检测网络模型进行训练时，由于深度学习数据集反映了真实的支气管镜检测，所以有些样本图片可能不包含分叉口和肺段，深度学习数据集中的正负样本的数量不平衡。如果使用该深度学习数据集直接学习训练，则可能由于负样本多，使得模型过于拟合，使得负样本和正样本的检测结果出错。
为了能够有效的适应深度学习数据集中的正负样本的数量不平衡的问题，本申请实施例可以通过权重调节损失函数，以适应正负样本不平衡的问题。普通的交叉熵对于正样本而言，输出概率越大损失越小。对于负样本而言，输出概率越小则损失越大。损失函数在大量简单样本的迭代过程中速度较为缓慢而且无法优化至最优。
为此，本申请通过设置权重α进行调节。其中，当α>0时，可以减少易分类样本的损失。在训练过程中更关注于困难的、错分的样本。其中，易分类样本可以是：对特征提取模块，比如可以为“基于YoloV5的神经网络”的权重参数产生影响大的样本；困难的、错分的样本可以是：对特征提取模块，比如可以为“基于YoloV5的神经网络”的权重参数产生影响小的样本。通常情况下，困难的样本的数据量较少，所以对权重参数的影响也较小。
其中，本申请所确定的损失函数可以表示为：
Figure BDA0003451531510000101
其中，y′表示分叉口肺段检测的目标检测网络模型输出的预测结果，Lft为损失，α和γ为损失函数内的参数，α为权重，y表示正负样本的标签，正样本为1，负样本为0。激活函数可以为Sigmoid函数、Tanh函数或者ReLU函数等。可以通过调节权重α，降低易分类样本的权重，聚焦于困难的、错分的样本的训练。其中，易分类样本指的是碰壁的图像或者包含肺段口的数量较少的图像；困难的、错分的样本指的是包含肺段口的数量较多的图像。
在S103中，根据两帧待处理图像中对应于同一分叉口肺段的目标检测框的位姿变化数据，确定所述支气管镜的运动状态。
在本申请实施例中，对于所获取的待处理图像，可以通过S102处理后，得到待处理图像中的目标检测框。可以基于同一肺段口的目标检测框的大小、方向等位姿的变化，来确定支气管镜的运动状态。
比如，当同一肺段口对应的目标检测框变小时，则可以预测支气管镜向远离肺段口的方向运动，且根据目标检测框大小的变化幅度，结合图像大小与距离的对应关系，确定支气管镜的运动距离。根据所分析的两个待处理图像的采集时间之间的时间隔，即可确定支气管镜的运动状态中的运动速度。同样，对于支气管镜的运动状态中的旋转速度，可以根据所分析的两个待处理图像的目标检测框的角度的变化，结合变化时长，可确定运动状态中的旋转速度。
在可能的实现方式中，可以根据当前时刻所获取的待处理图像中是否包括目标检测框，来确定当前时刻是否可以根据当前时刻所采集的待处理图像来确定运动状态。如果当前时刻所采用的待处理图像不存在肺段口，即不存在目标检测框，此时，我们可以认为支气管镜未达到分叉口位置，则根据当前采用的待处理图像无法确定支气管镜的运动状态。此时，可以控制支气管镜继续运动，此时可不执行支气管镜图像与虚拟支气管树图像的配准，从而能够有效的减少导致的计算成本和软件的延时。
如果当前时刻的待处理图像包括目标检测框，则可以查找当前时刻之前的最近时刻包括目标检测框的待比较图像，并且待比较图标中的目标检测框与当前时刻的待处理图像的目标检测框对应同一肺段口。根据查找的最近时刻的待比较图像与当前时刻的待处理图像的目标检测框的位姿变换，结合当前时刻与最近时刻之间的时间间隔，即可计算支气管镜的运动状态中运动速度和旋转速度。
在可能的实现方式中，可以通过当前时刻的目标检测框的大小、角度相对于前一时刻的目标检测框的变换，确定当前时刻相对于前一时刻的位姿。其中，目标检测框的大小可以反映支气管镜的前进或后退，角度变换可以反映支气管镜的视角变换。当分叉口有多个肺段口，或者说分叉口有多个分叉口肺段，并且大小变换不一致时，可以通过各个分叉口肺段的目标检测框，分别计算得到支气管镜的预测运动状态。如果分别计算得到的多个预测运动状态不一致，则可以对多个预测运动状态进行分析，比如，可以根据预测运动状态进行投票，确定投票数量最多的预测运动状态作为所述支气管镜的运动估计。比如，当前时刻所采集的待处理图像，与前一时刻所采集的图像中，均包括3个分叉口肺段及对应的目标检测框，根据每个肺段口的目标检测框的位姿变换矩阵，可以确定分别确定预测运动状态。在可能的实现方式中，有可能检测到2个目标检测框变大，得到支气管镜的预测运动状态中的运动方向为支气管镜向前。有一个肺段的目标检测框变小，得到支气管镜的预测运动状态的运动方向为支气管镜向后。通过统计多个预测运动状态，得到相应的投票结果，从而可以确定支气管镜的运动状态为前进。
在S104中，根据所述运动状态确定虚拟支气管树的局部搜索范围，根据所述局部搜索范围确定所述待处理图像匹配的虚拟支气管树图像。
在确定了所述支气管镜的运动状态后，可以根据当前时刻之前，比如距离当前时刻之前最近时刻所确定的支气管镜位置，结合所述运动状态，确定支气管镜在当前时刻在虚拟支气管树中对应的当前位置。根据所述当前位置确定所述局部搜索范围。比如，可以当前位置为中心，预设长度为半径来确定局部搜索范围。和全局的整个虚拟支气管树图像搜索的方式相比，本申请能够有效的减少虚拟支气管树图像的匹配计算，提高匹配计算的效率。并且，由于本申请可以减少其它相似节点的干扰，因而也能够有效的提升支气管镜图像的配准精度，提高支气管镜导航的精度。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
图4为本申请实施例提供的一种支气管镜的运动导航装置的示意图，如图4所示，该装置包括：
图像获取单元401，用于获取支气管镜采集到的待处理图像；
目标检测框确定单元402，用于检测所述待处理图像中的分叉口肺段，确定待处理图像所含的目标检测框，其中，每一目标检测框对应于一个分叉口肺段；
运动状态确定单元403，用于根据两帧待处理图像中对应于同一分叉口肺段的目标检测框的位姿变化数据，确定所述支气管镜的运动状态；
图像匹配单元404，用于根据所述运动状态确定虚拟支气管树的局部搜索范围，根据所述局部搜索范围确定所述待处理图像匹配的虚拟支气管树图像。
图4所示的支气管镜的导航装置，与图1所示的支气管镜的导航方法对应。
图5是本申请一实施例提供的支气管镜的运动导航设备的示意图。如图5所示，该实施例的支气管镜的运动导航设备5包括：处理器50、存储器51以及存储在所述存储器51中并可在所述处理器50上运行的计算机程序52，例如支气管镜的运动导航程序。所述处理器50执行所述计算机程序52时实现上述各个支气管镜的运动导航方法实施例中的步骤。或者，所述处理器50执行所述计算机程序52时实现上述各装置实施例中各模块/单元的功能。
示例性的，所述计算机程序52可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器51中，并由所述处理器50执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序52在所述支气管镜的运动导航设备5中的执行过程。
所述支气管镜的运动导航设备可包括，但不仅限于，处理器50、存储器51。本领域技术人员可以理解，图5仅仅是支气管镜的运动导航设备5的示例，并不构成对支气管镜的运动导航设备5的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述支气管镜的运动导航设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器50可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate 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该处理器也可以是任何常规的处理器等。
所述存储器51可以是所述支气管镜的运动导航设备5的内部存储单元，例如支气管镜的运动导航设备5的硬盘或内存。所述存储器51也可以是所述支气管镜的运动导航设备5的外部存储设备，例如所述支气管镜的运动导航设备5上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器51还可以既包括所述支气管镜的运动导航设备5的内部存储单元也包括外部存储设备。所述存储器51用于存储所述计算机程序以及所述支气管镜的运动导航设备所需的其他程序和数据。所述存储器51还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，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单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
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单元来实现本实施例方案的目的。
另外，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单元中，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单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以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，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种支气管镜的运动导航方法，其特征在于，所述方法包括：
获取支气管镜采集到的待处理图像；
检测所述待处理图像中的分叉口肺段，确定待处理图像所含的目标检测框，其中，每一目标检测框对应于一个分叉口肺段；
根据两帧待处理图像中对应于同一分叉口肺段的目标检测框的位姿变化数据，确定所述支气管镜的运动状态；
根据所述运动状态确定虚拟支气管树的局部搜索范围，根据所述局部搜索范围确定所述待处理图像匹配的虚拟支气管树图像。
2.根据权利要求1所述的方法，其特征在于，检测所述待处理图像中的分叉口肺段，确定待处理图像所含的目标检测框，包括：
将所述待处理图像输入到预先训练好的目标检测网络模型，所述目标检测网络模型包括特征提取模块和肺段模块，所述肺段模块包括注意力模块，所述肺段模块接收所述特征提取模块所提取的特征，并通过注意力模块突出目标检测框中属于特定肺段口的特征，抑制不属于特定肺段口的特征，确定所述待处理图像的目标检测框。
3.根据权利要求2所述的方法，其特征在于，所述肺段模块还包括目标检测框旋转参数矩阵模块，在生成所述待处理图像所含的目标检测框之前，所述方法还包括：
通过目标检测框旋转参数矩阵模块对目标检测框中特定肺段口的特征进行旋转处理。
4.根据权利要求2所述的方法，其特征在于，在将所述待处理图像输入到预先训练好的目标检测网络模型之前，所述方法还包括：
确定样本图像以及样本图像对应的标准图像，所述标准图像为确定了目标检框的样本图像；
将样本图像输入到所述目标检测网络模型，通过所述目标检测网络模型计算得到处理后的特征图像；
通过预定的损失函数确定所述处理后的特征图像与所述标准图像的损失，根据确定的损失调整所述目标检测网络模型的参数，直到所确定的损失满足预先设定的要求。
5.根据权利要求1所述的方法，其特征在于，根据两帧待处理图像中对应于同一分叉口肺段的目标检测框的位姿变化数据，确定所述支气管镜的运动状态，包括：
如果当前时刻所获取的待处理图像中包括目标检测框，则查找当前时刻之前的最近时刻所获取的待比较图像，且所述待比较图像中包括目标检测框，所述待比较图像中的目标检测框与所述当前时刻的待处理图像中的目标检测框对应同一分叉口肺段，则根据所述当前时刻的目标检测框与所述最近时刻的目标检测框的位姿变换，确定所述支气管镜的运动状态。
6.根据权利要求5所述的方法，其特征在于，根据所述当前时刻的目标检测框与所述最近时刻的目标检测框的位姿变换，确定所述支气管镜的运动状态，包括：
当所述当前时刻的待处理图像与所述待比较图像中分别包括多个目标检测框时，分别根据所述待处理图像与所述待比较图像中对应于同一分叉口肺段的目标检测框，确定所述支气管镜的预测运动状态；
通过对确定出的多个预测运动状态进行分析，确定所述支气管镜的运动状态。
7.根据权利要求1所述的方法，其特征在于，所述运动状态包括所述支气管镜的移动速度，根据所述运动状态确定虚拟支气管树的局部搜索范围，包括：
根据所述支气管镜的移动速度以及前一时刻所确定的支气管镜的位置，确定所述支气管镜在虚拟支气管树中对应的当前位置；
根据所述当前位置确定虚拟支气管树的局部搜索范围。
8.一种支气管镜的运动导航装置，其特征在于，所述装置包括：
图像获取单元，用于获取支气管镜采集到的待处理图像；
目标检测框确定单元，用于检测所述待处理图像中的分叉口肺段，确定待处理图像所含的目标检测框，其中，每一目标检测框对应于一个分叉口肺段；
运动状态确定单元，用于根据两帧待处理图像中对应于同一分叉口肺段的目标检测框的位姿变化数据，确定所述支气管镜的运动状态；
图像匹配单元，用于根据所述运动状态确定虚拟支气管树的局部搜索范围，根据所述局部搜索范围确定所述待处理图像匹配的虚拟支气管树图像。
9.一种支气管镜的运动导航设备，包括存储器、处理器以及存储在所述存储器中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计算机程序时实现如权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，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至7任一项所述方法的步骤。
CN202111676605.9A 2021-12-31 2021-12-31 支气管镜的运动导航方法、装置及设备 Pending CN116416413A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202111676605.9A CN116416413A (zh) 2021-12-31 2021-12-31 支气管镜的运动导航方法、装置及设备
PCT/CN2022/138723 WO2023124981A1 (zh) 2021-12-31 2022-12-13 支气管镜的运动导航方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111676605.9A CN116416413A (zh) 2021-12-31 2021-12-31 支气管镜的运动导航方法、装置及设备

Publications (1)

Publication Number Publication Date
CN116416413A true CN116416413A (zh) 2023-07-11

Family

ID=86997744

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111676605.9A Pending CN116416413A (zh) 2021-12-31 2021-12-31 支气管镜的运动导航方法、装置及设备

Country Status (2)

Country Link
CN (1) CN116416413A (zh)
WO (1) WO2023124981A1 (zh)

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070167714A1 (en) * 2005-12-07 2007-07-19 Siemens Corporate Research, Inc. System and Method For Bronchoscopic Navigational Assistance
IL181470A (en) * 2006-02-24 2012-04-30 Visionsense Ltd Method and system for navigation within a flexible organ in the human body
WO2011094518A2 (en) * 2010-01-28 2011-08-04 The Penn State Research Foundation Image-based global registration system and method applicable to bronchoscopy guidance
KR102198920B1 (ko) * 2019-02-28 2021-01-06 네이버 주식회사 온라인 학습을 이용한 객체 트래킹을 위한 방법 및 시스템
CN113616333B (zh) * 2021-09-13 2023-02-10 上海微创微航机器人有限公司 导管运动辅助方法、导管运动辅助系统及可读存储介质

Also Published As

Publication number Publication date
WO2023124981A1 (zh) 2023-07-06

Similar Documents

Publication Publication Date Title
Yoon et al. Tumor identification in colorectal histology images using a convolutional neural network
CN109870698B (zh) 一种超声波阵列障碍物检测结果处理方法及系统
CN110378913B (zh) 图像分割方法、装置、设备及存储介质
CN110968734B (zh) 一种基于深度度量学习的行人重识别方法及装置
CN112927279A (zh) 一种图像深度信息生成方法、设备及存储介质
TW202042181A (zh) 深度模型訓練方法及裝置、電子設備及儲存介質
CN111080592B (zh) 一种基于深度学习的肋骨提取方法及装置
CN110222572A (zh) 跟踪方法、装置、电子设备及存储介质
Shu et al. LVC-Net: Medical image segmentation with noisy label based on local visual cues
CN111681247A (zh) 肺叶肺段分割模型训练方法和装置
CN111783593A (zh) 基于人工智能的人脸识别方法、装置、电子设备及介质
CN112541394A (zh) 黑眼圈及鼻炎识别方法、系统及计算机介质
CN113033305B (zh) 活体检测方法、装置、终端设备和存储介质
CN103366348A (zh) 一种抑制x线图像中骨骼影像的方法及处理设备
CN111429414B (zh) 基于人工智能的病灶影像样本确定方法和相关装置
CN115620082B (zh) 模型训练方法、头部姿态估计方法、电子设备及存储介质
CN116416413A (zh) 支气管镜的运动导航方法、装置及设备
CN109858341B (zh) 一种基于嵌入式系统的快速多人脸检测和跟踪方法
CN110807375A (zh) 基于深度图像的人头检测方法、装置、设备及存储介质
CN116229330A (zh) 一种视频有效帧的确定方法、系统、电子设备及存储介质
CN116309643A (zh) 人脸遮挡分确定方法、电子设备及介质
CN113344911B (zh) 一种结石尺寸的测量方法以及测量装置
CN114882372A (zh) 一种目标检测的方法及设备
CN113222989A (zh) 一种图像分级方法、装置、存储介质及电子设备
CN109213322B (zh) 一种虚拟现实中手势识别的方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination