CN116672082B - 一种手术导航标尺的导航配准方法及装置 - Google Patents
一种手术导航标尺的导航配准方法及装置 Download PDFInfo
- Publication number
- CN116672082B CN116672082B CN202310907897.5A CN202310907897A CN116672082B CN 116672082 B CN116672082 B CN 116672082B CN 202310907897 A CN202310907897 A CN 202310907897A CN 116672082 B CN116672082 B CN 116672082B
- Authority
- CN
- China
- Prior art keywords
- feature points
- points
- feature
- line segment
- point
- 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 32
- 229910000831 Steel Inorganic materials 0.000 claims abstract description 7
- 239000010959 steel Substances 0.000 claims abstract description 7
- 238000001514 detection method Methods 0.000 claims description 28
- 238000003708 edge detection Methods 0.000 claims description 14
- 230000009466 transformation Effects 0.000 claims description 14
- 238000012163 sequencing technique Methods 0.000 claims description 13
- 238000002059 diagnostic imaging Methods 0.000 claims description 5
- 230000000877 morphologic effect Effects 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000001356 surgical procedure Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000011324 bead Substances 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000740 bleeding effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- 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
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/48—Extraction of image or video features by mapping characteristic values of the pattern into a parameter space, e.g. Hough transformation
-
- 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
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- 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
- A61B2034/2046—Tracking techniques
- A61B2034/2065—Tracking using image or pattern recognition
-
- 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
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/41—Medical
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Surgery (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Animal Behavior & Ethology (AREA)
- Biomedical Technology (AREA)
- Veterinary Medicine (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Robotics (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种手术导航标尺的导航配准方法及装置,涉及医疗技术领域,包括:获取手术导航标尺打开状态时的两张医学影像图片;检测图片中的半圆形特征点和线段特征点,并标定出半圆形特征点和线段特征点在图片中的排序;计算半圆形特征点和线段特征点在图片中的二维坐标;获取半圆形特征点和线段特征点在机器人坐标系下的坐标,并将其转换为病人坐标系下的三维坐标;根据所述二维坐标和所述三维坐标,计算出分别对应两张医学影像图片的两个投影模型;通过两个投影模型重建钢钉在病人坐标系下的出入点坐标;将所述病人坐标系下的出点和入点坐标传送给手术机器人。本发明能够对双圆环特征点进行高效准确的标定和排序。
Description
技术领域
本发明涉及医疗器械技术领域,特别涉及一种手术导航标尺的导航配准方法及装置。
背景技术
在手术导航过程中,为了实现影像空间与手术空间的精确匹配,医生需要进行准确的配准和定位,从而进行精确的手术操作。现有的标尺和定位器通常需要分开使用,在手术过程中不得不反复拆装。这种重复拆装可能导致精度损失、手术过程繁琐、病人出血时间延长以及术中感染风险增加等问题。
为了解决上述技术问题,申请号为CN202310569335.4、名称为一种3D手术导航标尺及导航配准方法的在先专利申请公开了一种将标尺与定位器的功能整合于一体的3D手术导航标尺及导航配准方法,但是该导航配准方法更侧重于通过坐标转换实现手术的导航定位,其并未公开如何具体的用导航标尺对双圆环特征点进行标定和排序,而对双圆环特征点进行高效准确的标定和排序是手术导航定位的基础。
发明内容
鉴于现有技术中的上述缺陷或不足,本发明提供了一种手术导航标尺的导航配准方法及装置,以全部或部分的解决上述技术问题。
本发明的一个方面,提供了一种手术导航标尺的导航配准方法,包括:
当所述手术导航标尺位于闭合状态时,手术导航标尺包括可在医学成像设备下成像的第一圆形部、第二圆形部和线段部;其中,所述第一圆形部和所述第二圆形部同轴,所述第一圆形部的直径小于所述第二圆形部的直径,所述线段部沿着所述第一圆形部的径向方向延伸;当所述手术导航标尺位于打开状态时,所述第一圆形部和所述第二圆形部被分割为四个半圆形;
所述导航配准方法包括如下步骤:
获取手术导航标尺打开状态时的不同位置和角度的两张医学影像图片;
检测所述两张医学影像图片中的半圆形特征点和线段特征点,并标定出所述半圆形特征点和线段特征点在图片中的排序;
计算所述半圆形特征点和线段特征点在图片中的二维坐标;
获取所述半圆形特征点和线段特征点在机器人坐标系下的坐标,并将其转换为病人坐标系下的三维坐标;
根据所述二维坐标和所述三维坐标,计算出分别对应两张医学影像图片的两个投影模型;
通过所述两个投影模型重建钢钉在病人坐标系下的出点和入点坐标;
将所述病人坐标系下的出点和入点坐标传送给手术机器人。
进一步的,检测所述两张医学影像图片中的半圆形特征点和线段特征点的步骤,包括:
根据第一圆形部和第二圆形部给定的最小半径和最大半径,对所述医学影像图片进行霍夫变换圆形检测,识别出图片中所有满足圆形特征的点;
通过轮廓检测算法对识别出的满足圆形特征的点进行分类,将包含点数最多的一组点,作为检测出的半圆形上的特征点;
对所述医学影像图片进行边缘检测,再利用霍夫变换对边缘检测后获得的图像进行线段检测,得到检测出的直线;
计算所述检测出的直线的两个端点的坐标,将与半圆形上的特征点距离最小的端点作为线段特征点;
将检测得到的8个半圆形特征点和1个线段特征点组成的9个特征点的坐标数据作为待标定数据组,所述8个半圆形特征点为所述四个半圆形的8个端点。
进一步的,所述标定出所述半圆形特征点和线段特征点在图片中的排序的步骤,包括:
根据以往的医学影像图片经手工配准的9个特征点坐标数据制作为第一模板;所述9个特征点为构成第一圆形部和第二圆形部的四个半圆形的8个端点特征点和1个线段特征点;
根据所述第一模板计算9个特征点两两之间的欧氏距离,将每个特征点与其它8个特征点之间的欧氏距离划分为一组,共形成9组数据,将该9组数据作为第二模板。
进一步的,所述标定出所述半圆形特征点和线段特征点在图片中的排序的步骤,还包括:
计算所述待标定数据组中9个特征点的几何中心P0;
选取9个特征点中的一个点记为Pi,其中i=1,2,…,9,计算该点Pi与其它点Pm之间的欧式距离,其中m=1,...,i,...,9并且m≠i,将得到的8个欧式距离按数值大小降序排列为Pi1,Pi2,…,Pi9;
计算9个特征点对应的9组几何特征矩阵,每个点Pi的几何特征矩阵可表示为:其中,Pi0表示点Pi与几何中心P0之间的欧式距离;
将计算得到的9组几何特征矩阵依次与所述第二模板的每组数据进行一对一比较,计算出每组几何特征矩阵和第二模板每组数据之间的欧式距离,对计算出的每组欧式距离求和,将结果作为该医学影像图片的特征点和所述第二模板之间的匹配误差;
依次遍历所有候选第二模板,得到所有候选第二模板和该医学影像图片的特征点之间的匹配误差,选取匹配误差最小的第二模板作为匹配模板;
将该匹配模板对应的手工配准的特征点排序,作为所述待标定数据组的排序。
进一步的,检测所述两张医学影像图片中的半圆形特征点和线段特征点的步骤,还包括:
将医学影像图片转换为灰度图像,对灰度图像进行形态学开运算,以消除噪声。
本发明的另一方面,还提供了一种手术导航标尺的导航配准装置,包括:
手术导航标尺,当其位于闭合状态时,包括可在医学成像设备下成像的第一圆形部、第二圆形部和线段部;其中,所述第一圆形部和所述第二圆形部同轴,所述第一圆形部的直径小于所述第二圆形部的直径,所述线段部沿着所述第一圆形部的径向方向延伸;当其位于打开状态时,所述第一圆形部和所述第二圆形部被分割为四个半圆形;
以及,导航配准模块,包括:
图像获取模块,被配置为获取手术导航标尺打开状态时的不同位置和角度的两张医学影像图片;
标定模块,被配置为检测所述两张医学影像图片中的半圆形特征点和线段特征点,并标定出所述半圆形特征点和线段特征点在图片中的排序;
第一坐标获取模块,被配置为计算所述半圆形特征点和线段特征点在图片中的二维坐标;
第二坐标获取模块,被配置为获取所述半圆形特征点和线段特征点在机器人坐标系下的坐标,并将其转换为病人坐标系下的三维坐标;
路径规划模块,被配置为根据所述二维坐标和所述三维坐标,计算出分别对应两张医学影像图片的两个投影模型;通过所述两个投影模型重建钢钉在病人坐标系下的出点和入点坐标;
输出模块,被配置为将所述病人坐标系下的出点和入点坐标传送给手术机器人。
进一步的,所述标定模块被配置为:
根据第一圆形部和第二圆形部给定的最小半径和最大半径,对所述医学影像图片进行霍夫变换圆形检测,识别出图片中所有满足圆形特征的点;
通过轮廓检测算法对识别出的满足圆形特征的点进行分类,将包含点数最多的一组点,作为检测出的半圆形上的特征点;
对所述医学影像图片进行边缘检测,再利用霍夫变换对边缘检测后获得的图像进行线段检测,得到检测出的直线;
计算所述检测出的直线的两个端点的坐标,将与半圆形上的特征点距离最小的端点作为线段特征点;
将检测得到的8个半圆形特征点和1个线段特征点组成的9个特征点的坐标数据作为待标定数据组,所述8个半圆形特征点为所述四个半圆形的8个端点。
进一步的,所述标定模块被进一步配置为:
根据以往的医学影像图片经手工配准的9个特征点坐标数据制作为第一模板;所述9个特征点为构成第一圆形部和第二圆形部的四个半圆形的8个端点特征点和1个线段特征点;
根据所述第一模板计算9个特征点两两之间的欧氏距离,将每个特征点与其它8个特征点之间的欧氏距离划分为一组,共形成9组数据,将该9组数据作为第二模板。
进一步的,所述标定模块被进一步配置为:
计算所述待标定数据组中9个特征点的几何中心P0;
选取9个特征点中的一个点记为Pi,其中i=1,2,…,9,计算该点Pi与其它点Pm之间的欧式距离,其中m=1,...,i,...,9并且m≠i,将得到的8个欧式距离按数值大小降序排列为Pi1,Pi2,…,Pi9;
计算9个特征点对应的9组几何特征矩阵,每个点Pi的几何特征矩阵可表示为:
其中,Pi0表示点Pi与几何中心P0之间的欧式距离;
将计算得到的9组几何特征矩阵依次与所述第二模板的每组数据进行一对一比较,计算出每组几何特征矩阵和第二模板每组数据之间的欧式距离,对计算出的每组欧式距离求和,将结果作为该医学影像图片的特征点和所述第二模板之间的匹配误差;
依次遍历所有候选第二模板,得到所有候选第二模板和该医学影像图片的特征点之间的匹配误差,选取匹配误差最小的第二模板作为匹配模板;
将该匹配模板对应的手工配准的特征点排序,作为所述待标定数据组的排序。
进一步的,还包括预处理模块,被配置为将医学影像图片转换为灰度图像,对灰度图像进行形态学开运算,以消除噪声。
本发明提供的一种手术导航标尺的导航配准方法及装置,能够对双圆环特征点进行高效准确的标定和排序,从而提高手术导航的精确性、简化操作流程,减少手术风险。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请一个实施例提供的手术导航标尺的结构图;
图2是本申请一个实施例提供的导航配准方法的流程图;
图3是本申请一个实施例提供的手术导航标尺及双圆环特征的医学影像图像;
图4是本申请一个实施例提供的手术导航标尺的9个特征点的示意图;
图5是本申请一个实施例提供的检测双圆环特征点的流程图;
图6是本申请一个实施例提供的医学影像图像进行边缘检测的效果图;
图7是本申请一个实施例提供的医学影像图像进行霍夫变换线段检测的效果图;
图8是本申请一个实施例提供的模板匹配自动排序方法的流程图;
图9是本申请另一个实施例提供的导航配准装置的组成示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例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。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。
应当理解,尽管在本发明实施例中可能采用术语第一、第二、第三等来描述获取模块,但这些获取模块不应限于这些术语。这些术语仅用来将获取模块彼此区分开。
取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地,取决于语境,短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
需要注意的是,本发明实施例所描述的“上”、“下”、“左”、“右”等方位词是以附图所示的角度来进行描述的,不应理解为对本发明实施例的限定。此外在上下文中,还需要理解的是,当提到一个元件被形成在另一个元件“上”或“下”时,其不仅能够直接形成在另一个元件“上”或者“下”,也可以通过中间元件间接形成在另一元件“上”或者“下”。
本发明的一个实施例提供了一种具有双圆环特征的手术导航标尺及其导航配准方法。参见图1,手术导航标尺可在两种状态下使用:打开状态和闭合状态。在打开状态下,该导航标尺被设计为配准器使用,其特征包括四个半圆形状和一条直线。在此状态下,该导航标尺通过球头玻珠与配套的凹槽结构相互配合,从而在工作过程中保持稳定。在闭合状态下,该导航标尺被设计为执行器使用,其特征包括两个大小不同的圆形状和一条直线。在这种状态下,小圆和大圆的圆心都位于同一直线上。导航标尺的这一设计允许利用穿刺针穿过大小圆的安全环进行置钉验证,从而判断手术的精度和安全性。
具体的,当所述手术导航标尺位于闭合状态时,手术导航标尺包括可在医学成像设备下成像的第一圆形部、第二圆形部和线段部;其中,所述第一圆形部和所述第二圆形部同轴,所述第一圆形部的直径小于所述第二圆形部的直径,所述线段部沿着所述第一圆形部的径向方向延伸;当所述手术导航标尺位于打开状态时,所述第一圆形部和所述第二圆形部被分割为四个半圆形。
参见图2,本实施例的导航配准方法包括如下步骤:
步骤S101,获取手术导航标尺打开状态时的不同位置和角度的两张医学影像图片。
具体的,参见图3,在患者进行二维CT扫描的同时,将具有双圆环特征的手术导航标尺(打开状态)放置在患者身上,以确保标尺在二维CT图像中可视化。同时,从不同位置和角度采集两张CT图片。本实施例用到的手术导航系统通过数据传输能够获取手术导航标尺打开状态时的不同位置和角度的两张医学影像图片。
步骤S102,检测所述两张医学影像图片中的半圆形特征点和线段特征点,并标定出所述半圆形特征点和线段特征点在图片中的排序。
该步骤中将导航标尺上的大圆和小圆分成四个半圆,对半圆的端点和直线端点等特征点在二维CT图像中进行检测和标定。
该步骤有两种措施:
a.自动识别和配准:利用图像处理算法和机器学习方法,在二维CT图像中自动识别和定位双圆环特征点,实现特征点的自动检测和配准。
b.手动识别和配准:医生可以通过手术导航系统的交互界面手动选择和标定二维CT图像中的双圆环特征点。
在本实施例的导航配准方法中,重点介绍如何实现自动识别和配准。主要流程分为两步:第一步通过霍夫圆检查算法提取图片上双圆环的特征点,通过线段检测算法对直线的特征点进行提取;第二步通过手动配准模板与待标定特征点的相似度,对特征点进行自动排序。
参见图5,特征点检测步骤包括:
步骤S201,进行图像预处理步骤,包括:a.将输入的医学影像图像转换为灰度图像;b.对医学影像图像进行形态学开运算,以消除噪声。
步骤S202,检测半圆形特征的步骤,包括:a.依据给定的最小半径和最大半径(大圆为110-125像素,小圆为70-85像素),对图片应用霍夫圆变换进行圆形检测;b.识别所有满足通过霍夫圆变换检测所得到的点;c.使用轮廓检测对这些点进行分类,将包含点数最多的一组点,作为检测出的半圆形上的特征点。
步骤S203,检测线段特征的步骤,包括:对所述医学影像图片进行边缘检测,再利用霍夫变换对边缘检测后获得的图像进行线段检测,得到检测出的直线;计算所述检测出的直线的两个端点的坐标,将与半圆形上的特征点距离最小的端点作为线段特征点。所述边缘检测和线段检测的效果参见图6、7。
步骤S204,将检测得到的8个半圆形特征点和1个线段特征点组成的9个特征点的坐标数据作为待标定数据组,所述8个半圆形特征点为四个半圆形的8个端点,具体参见图4。
参见图8,模板匹配自动排序步骤包括:
步骤S301,模板数据准备步骤,包括:手工配准完成后,保存图片和特征点数据,并将特征点的坐标数据编译为二进制模板数据,记为第一模板数据,这样会形成待用的多个第一模板数据。
步骤S302,导入和识别步骤,包括:在手术导航系统中导入编译完成的多个第一模板数据,判断所述第一模板数据中特征点数量,若小于9个特征点则报错。这是因为四个半圆有8个端点,线段特征点为靠近双圆环的端点,总计9个特征点。
步骤S303,模板数据处理步骤,包括:根据所述第一模板数据计算9个特征点两两之间的欧氏距离,将每个特征点与其它8个特征点之间的欧氏距离划分为一组,共形成9组数据,将该9组数据作为第二模板数据。
示例性的,数据组合规则如下:
1:2,3,4,5,6,7,8,9
2:1,3,4,5,6,7,8,9
...
9:1,2,3,4,5,6,7,8
其中,第一组数据1:2,3,4,5,6,7,8,9中的1表示特征点索引,其余部分2,3,4,5,6,7,8,9表示该索引的特征点与其他特征点之间的欧氏距离,每组共有8个欧氏距离。
步骤S304,计算所述待标定数据组中9个特征点的几何中心P0。
步骤S305,选取9个特征点中的一个点记为Pi,其中i=1,2,…,9,计算该点Pi与其它点Pm之间的欧式距离,其中m=1,...,i,...,9并且m≠i,将得到的8个欧式距离按数值大小降序排列为Pi1,Pi2,…,Pi9。
步骤S306,计算9个特征点对应的9组几何特征矩阵,每个点Pi的几何特征矩阵可表示为:
其中,Pi0表示点Pi与几何中心P0之间的欧式距离;
步骤S307,将计算得到的9组几何特征矩阵依次与所述第二模板的每组数据进行一对一比较,计算出每组几何特征矩阵和第二模板每组数据之间的欧式距离,对计算出的每组欧式距离求和,将结果作为该医学影像图片的特征点和所述第二模板之间的匹配误差。
步骤S308,依次遍历所有候选第二模板,得到所有候选第二模板和该医学影像图片的特征点之间的匹配误差,选取匹配误差最小的第二模板作为匹配模板;
步骤S309,将该匹配模板对应的手工配准的特征点排序,作为所述待标定数据组的排序。随后输出经过排序的特征点坐标,然后进行配准。
本实施例的方法能够对双圆环特征点进行高效准确的标定和排序,从而提高手术导航的精确性、简化操作流程,减少手术风险。
进一步的,所述导航配准方法还包括:
步骤S103,计算所述半圆形特征点和线段特征点在图片中的二维坐标;
步骤S104,获取所述半圆形特征点和线段特征点在机器人坐标系下的坐标,并将其转换为病人坐标系下的三维坐标;
步骤S105,根据所述二维坐标和所述三维坐标,计算出分别对应两张医学影像图片的两个投影模型;
步骤S106,通过所述两个投影模型重建钢钉在病人坐标系下的出点和入点坐标,实现对手术路径的规划;
步骤S107,将所述病人坐标系下的出点和入点坐标传送给手术机器人。
参见图9,本发明的另一实施例还提供了一种手术导航标尺的导航配准装置200,包括:手术导航标尺201和导航配准模块202。
其中,导航配准模块202,包括:
图像获取模块2021,被配置为获取手术导航标尺打开状态时的不同位置和角度的两张医学影像图片;
标定模块2022,被配置为检测所述两张医学影像图片中的半圆形特征点和线段特征点,并标定出所述半圆形特征点和线段特征点在图片中的排序;
第一坐标获取模块2023,被配置为计算所述半圆形特征点和线段特征点在图片中的二维坐标;
第二坐标获取模块2024,被配置为获取所述半圆形特征点和线段特征点在机器人坐标系下的坐标,并将其转换为病人坐标系下的三维坐标;
路径规划模块2025,被配置为根据所述二维坐标和所述三维坐标,计算出分别对应两张医学影像图片的两个投影模型;通过所述两个投影模型重建钢钉在病人坐标系下的出点和入点坐标;
输出模块2026,被配置为将所述病人坐标系下的出点和入点坐标传送给手术机器人。
进一步的,标定模块2022被配置为:
根据第一圆形部和第二圆形部给定的最小半径和最大半径,对所述医学影像图片进行霍夫变换圆形检测,识别出图片中所有满足圆形特征的点;
通过轮廓检测算法对识别出的满足圆形特征的点进行分类,将包含点数最多的一组点,作为检测出的半圆形上的特征点;
对所述医学影像图片进行边缘检测,再利用霍夫变换对边缘检测后获得的图像进行线段检测,得到检测出的直线;
计算所述检测出的直线的两个端点的坐标,将与半圆形上的特征点距离最小的端点作为线段特征点;
将检测得到的8个半圆形特征点和1个线段特征点组成的9个特征点的坐标数据作为待标定数据组,所述8个半圆形特征点为所述四个半圆形的8个端点。
根据以往的医学影像图片经手工配准的9个特征点坐标数据制作为第一模板;所述9个特征点为构成第一圆形部和第二圆形部的四个半圆形的8个端点特征点和1个线段特征点;
根据所述第一模板计算9个特征点两两之间的欧氏距离,将每个特征点与其它8个特征点之间的欧氏距离划分为一组,共形成9组数据,将该9组数据作为第二模板。
计算所述待标定数据组中9个特征点的几何中心P0;
选取9个特征点中的一个点记为Pi,其中i=1,2,…,9,计算该点Pi与其它点Pm之间的欧式距离,其中m=1,...,i,...,9并且m≠i,将得到的8个欧式距离按数值大小降序排列为Pi1,Pi2,…,Pi9;
计算9个特征点对应的9组几何特征矩阵,每个点Pi的几何特征矩阵可表示为:
其中,Pi0表示点Pi与几何中心P0之间的欧式距离;
将计算得到的9组几何特征矩阵依次与所述第二模板的每组数据进行一对一比较,计算出每组几何特征矩阵和第二模板每组数据之间的欧式距离,对计算出的每组欧式距离求和,将结果作为该医学影像图片的特征点和所述第二模板之间的匹配误差;
依次遍历所有候选第二模板,得到所有候选第二模板和该医学影像图片的特征点之间的匹配误差,选取匹配误差最小的第二模板作为匹配模板;
将该匹配模板对应的手工配准的特征点排序,作为所述待标定数据组的排序。
需要说明的是,本实施例提供的导航配准模块202对应的可用于执行方法实施例的技术方案,其实现原理和技术效果与方法类似,此处不再赘述。
以上描述仅为本发明的较佳实施例。本领域技术人员应当理解,本发明中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本发明中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (4)
1.一种手术导航标尺的导航配准方法,其特征在于:
当所述手术导航标尺位于闭合状态时,手术导航标尺包括可在医学成像设备下成像的第一圆形部、第二圆形部和线段部;其中,所述第一圆形部和所述第二圆形部同轴,所述第一圆形部的直径小于所述第二圆形部的直径,所述线段部沿着所述第一圆形部的径向方向延伸;当所述手术导航标尺位于打开状态时,所述第一圆形部和所述第二圆形部被分割为四个半圆形;
所述导航配准方法包括如下步骤:
获取手术导航标尺打开状态时的不同位置和角度的两张医学影像图片;
根据第一圆形部和第二圆形部给定的最小半径和最大半径,对所述医学影像图片进行霍夫变换圆形检测,识别出图片中所有满足圆形特征的点;通过轮廓检测算法对识别出的满足圆形特征的点进行分类,将包含点数最多的一组点,作为检测出的半圆形上的特征点;对所述医学影像图片进行边缘检测,再利用霍夫变换对边缘检测后获得的图像进行线段检测,得到检测出的直线;计算所述检测出的直线的两个端点的坐标,将与半圆形上的特征点距离最小的端点作为线段特征点;将检测得到的8个半圆形特征点和1个线段特征点组成的9个特征点的坐标数据作为待标定数据组,所述8个半圆形特征点为所述四个半圆形的8个端点;
根据以往的医学影像图片经手工配准的9个特征点坐标数据制作为第一模板;所述9个特征点为构成第一圆形部和第二圆形部的四个半圆形的8个端点特征点和1个线段特征点;根据所述第一模板计算9个特征点两两之间的欧氏距离,将每个特征点与其它8个特征点之间的欧氏距离划分为一组,共形成9组数据,将该9组数据作为第二模板;
计算所述待标定数据组中9个特征点的几何中心P0;
选取9个特征点中的一个点记为Pi,其中k=1,2,…,9,计算该点Pi与其它点Pm之间的欧式距离,其中m=1,...,i,...,9并且m≠i,将得到的8个欧式距离按数值大小降序排列为Pi1,Pi2,…,Pi9;
计算9个特征点对应的9组几何特征矩阵,每个点Pi的几何特征矩阵可表示为:
其中,Pi0表示点Pi与几何中心P0之间的欧式距离;
将计算得到的9组几何特征矩阵依次与所述第二模板的每组数据进行一对一比较,计算出每组几何特征矩阵和第二模板每组数据之间的欧式距离,对计算出的每组欧式距离求和,将结果作为该医学影像图片的特征点和所述第二模板之间的匹配误差;
依次遍历所有候选第二模板,得到所有候选第二模板和该医学影像图片的特征点之间的匹配误差,选取匹配误差最小的第二模板作为匹配模板;
将该匹配模板对应的手工配准的特征点排序,作为所述待标定数据组的排序;
计算所述半圆形特征点和线段特征点在图片中的二维坐标;
获取所述半圆形特征点和线段特征点在机器人坐标系下的坐标,并将其转换为病人坐标系下的三维坐标;
根据所述二维坐标和所述三维坐标,计算出分别对应两张医学影像图片的两个投影模型;
通过所述两个投影模型重建钢钉在病人坐标系下的出点和入点坐标;
将所述病人坐标系下的出点和入点坐标传送给手术机器人。
2.根据权利要求1所述的一种手术导航标尺的导航配准方法,其特征在于,检测所述两张医学影像图片中的半圆形特征点和线段特征点的步骤,还包括:
将医学影像图片转换为灰度图像,对灰度图像进行形态学开运算,以消除噪声。
3.一种手术导航标尺的导航配准装置,其特征在于,包括:
手术导航标尺,当其位于闭合状态时,包括可在医学成像设备下成像的第一圆形部、第二圆形部和线段部;其中,所述第一圆形部和所述第二圆形部同轴,所述第一圆形部的直径小于所述第二圆形部的直径,所述线段部沿着所述第一圆形部的径向方向延伸;当其位于打开状态时,所述第一圆形部和所述第二圆形部被分割为四个半圆形;
以及,导航配准模块,包括:
图像获取模块,被配置为获取手术导航标尺打开状态时的不同位置和角度的两张医学影像图片;
标定模块,被配置为根据第一圆形部和第二圆形部给定的最小半径和最大半径,对所述医学影像图片进行霍夫变换圆形检测,识别出图片中所有满足圆形特征的点;通过轮廓检测算法对识别出的满足圆形特征的点进行分类,将包含点数最多的一组点,作为检测出的半圆形上的特征点;对所述医学影像图片进行边缘检测,再利用霍夫变换对边缘检测后获得的图像进行线段检测,得到检测出的直线;计算所述检测出的直线的两个端点的坐标,将与半圆形上的特征点距离最小的端点作为线段特征点;将检测得到的8个半圆形特征点和1个线段特征点组成的9个特征点的坐标数据作为待标定数据组,所述8个半圆形特征点为所述四个半圆形的8个端点;
根据以往的医学影像图片经手工配准的9个特征点坐标数据制作为第一模板;所述9个特征点为构成第一圆形部和第二圆形部的四个半圆形的8个端点特征点和1个线段特征点;根据所述第一模板计算9个特征点两两之间的欧氏距离,将每个特征点与其它8个特征点之间的欧氏距离划分为一组,共形成9组数据,将该9组数据作为第二模板;
计算所述待标定数据组中9个特征点的几何中心P0;
选取9个特征点中的一个点记为Pi,其中k=1,2,…,9,计算该点Pi与其它点Pm之间的欧式距离,其中m=1,...,i,...,9并且m≠i,将得到的8个欧式距离按数值大小降序排列为Pi1,Pi2,…,Pi9;
计算9个特征点对应的9组几何特征矩阵,每个点Pi的几何特征矩阵可表示为:
其中,Pi0表示点Pi与几何中心P0之间的欧式距离;
将计算得到的9组几何特征矩阵依次与所述第二模板的每组数据进行一对一比较,计算出每组几何特征矩阵和第二模板每组数据之间的欧式距离,对计算出的每组欧式距离求和,将结果作为该医学影像图片的特征点和所述第二模板之间的匹配误差;
依次遍历所有候选第二模板,得到所有候选第二模板和该医学影像图片的特征点之间的匹配误差,选取匹配误差最小的第二模板作为匹配模板;
将该匹配模板对应的手工配准的特征点排序,作为所述待标定数据组的排序;
第一坐标获取模块,被配置为计算所述半圆形特征点和线段特征点在图片中的二维坐标;
第二坐标获取模块,被配置为获取所述半圆形特征点和线段特征点在机器人坐标系下的坐标,并将其转换为病人坐标系下的三维坐标;
路径规划模块,被配置为根据所述二维坐标和所述三维坐标,计算出分别对应两张医学影像图片的两个投影模型;通过所述两个投影模型重建钢钉在病人坐标系下的出点和入点坐标;
输出模块,被配置为将所述病人坐标系下的出点和入点坐标传送给手术机器人。
4.根据权利要求3所述的一种手术导航标尺的导航配准装置,其特征在于,还包括预处理模块,被配置为将医学影像图片转换为灰度图像,对灰度图像进行形态学开运算,以消除噪声。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310907897.5A CN116672082B (zh) | 2023-07-24 | 2023-07-24 | 一种手术导航标尺的导航配准方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310907897.5A CN116672082B (zh) | 2023-07-24 | 2023-07-24 | 一种手术导航标尺的导航配准方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116672082A CN116672082A (zh) | 2023-09-01 |
CN116672082B true CN116672082B (zh) | 2024-03-01 |
Family
ID=87781270
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310907897.5A Active CN116672082B (zh) | 2023-07-24 | 2023-07-24 | 一种手术导航标尺的导航配准方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116672082B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016095168A1 (zh) * | 2014-12-18 | 2016-06-23 | 复旦大学 | 基于平板电脑的手术导航用的体数据可视化方法 |
CN107049489A (zh) * | 2017-03-29 | 2017-08-18 | 中国科学院苏州生物医学工程技术研究所 | 一种手术导航方法及系统 |
EP3255609A1 (en) * | 2016-06-08 | 2017-12-13 | Tinavi Medical Technologies Co., Ltd. | A method of automatically identifying a sequence of marking points in 3d medical image |
CN109363770A (zh) * | 2018-12-06 | 2019-02-22 | 安徽埃克索医疗机器人有限公司 | 一种手术导航机器人标志点自动识别定位方法 |
CN109758230A (zh) * | 2019-02-26 | 2019-05-17 | 中国电子科技集团公司信息科学研究院 | 一种基于增强现实技术的神经外科手术导航方法和系统 |
WO2020114035A1 (zh) * | 2018-12-04 | 2020-06-11 | 中国科学院自动化研究所 | 基于机器视觉的三维特征提取方法及装置 |
CN111388091A (zh) * | 2020-03-17 | 2020-07-10 | 京东方科技集团股份有限公司 | 光标尺、坐标系配准的方法 |
CN112270720A (zh) * | 2020-12-21 | 2021-01-26 | 南京理工大学智能计算成像研究院有限公司 | 一种基于二基点的标定板特征点自动排序方法 |
CN112451093A (zh) * | 2021-01-26 | 2021-03-09 | 浙江大学 | 图像引导机器人微创外科手术的物理空间与图像空间配准方法 |
WO2021072767A1 (zh) * | 2019-10-18 | 2021-04-22 | 深圳市大疆创新科技有限公司 | 摄像装置的标定方法、系统、立体标定装置及存储介质 |
CN112932667A (zh) * | 2021-01-27 | 2021-06-11 | 南京逸动智能科技有限责任公司 | 一种三维图像专用定位标尺、手术导航系统及其定位方法 |
CN114004895A (zh) * | 2021-10-18 | 2022-02-01 | 浙大宁波理工学院 | 一种基于多目视觉的运动物体图像特征点识别与重建方法 |
CN114549652A (zh) * | 2022-01-13 | 2022-05-27 | 湖南视比特机器人有限公司 | 一种相机标定方法、装置、设备及计算机可读介质 |
KR102442090B1 (ko) * | 2022-06-30 | 2022-09-13 | 주식회사 비엠이코리아 | 수술용 내비게이션 시스템에서의 점정합 방법 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7233841B2 (ja) * | 2017-01-18 | 2023-03-07 | ケービー メディカル エスアー | ロボット外科手術システムのロボットナビゲーション |
-
2023
- 2023-07-24 CN CN202310907897.5A patent/CN116672082B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016095168A1 (zh) * | 2014-12-18 | 2016-06-23 | 复旦大学 | 基于平板电脑的手术导航用的体数据可视化方法 |
EP3255609A1 (en) * | 2016-06-08 | 2017-12-13 | Tinavi Medical Technologies Co., Ltd. | A method of automatically identifying a sequence of marking points in 3d medical image |
CN107049489A (zh) * | 2017-03-29 | 2017-08-18 | 中国科学院苏州生物医学工程技术研究所 | 一种手术导航方法及系统 |
WO2020114035A1 (zh) * | 2018-12-04 | 2020-06-11 | 中国科学院自动化研究所 | 基于机器视觉的三维特征提取方法及装置 |
CN109363770A (zh) * | 2018-12-06 | 2019-02-22 | 安徽埃克索医疗机器人有限公司 | 一种手术导航机器人标志点自动识别定位方法 |
CN109758230A (zh) * | 2019-02-26 | 2019-05-17 | 中国电子科技集团公司信息科学研究院 | 一种基于增强现实技术的神经外科手术导航方法和系统 |
WO2021072767A1 (zh) * | 2019-10-18 | 2021-04-22 | 深圳市大疆创新科技有限公司 | 摄像装置的标定方法、系统、立体标定装置及存储介质 |
CN111388091A (zh) * | 2020-03-17 | 2020-07-10 | 京东方科技集团股份有限公司 | 光标尺、坐标系配准的方法 |
CN112270720A (zh) * | 2020-12-21 | 2021-01-26 | 南京理工大学智能计算成像研究院有限公司 | 一种基于二基点的标定板特征点自动排序方法 |
CN112451093A (zh) * | 2021-01-26 | 2021-03-09 | 浙江大学 | 图像引导机器人微创外科手术的物理空间与图像空间配准方法 |
WO2022160384A1 (zh) * | 2021-01-26 | 2022-08-04 | 浙江大学 | 图像引导机器人微创外科手术的物理空间与图像空间配准方法 |
CN112932667A (zh) * | 2021-01-27 | 2021-06-11 | 南京逸动智能科技有限责任公司 | 一种三维图像专用定位标尺、手术导航系统及其定位方法 |
CN114004895A (zh) * | 2021-10-18 | 2022-02-01 | 浙大宁波理工学院 | 一种基于多目视觉的运动物体图像特征点识别与重建方法 |
CN114549652A (zh) * | 2022-01-13 | 2022-05-27 | 湖南视比特机器人有限公司 | 一种相机标定方法、装置、设备及计算机可读介质 |
KR102442090B1 (ko) * | 2022-06-30 | 2022-09-13 | 주식회사 비엠이코리아 | 수술용 내비게이션 시스템에서의 점정합 방법 |
Also Published As
Publication number | Publication date |
---|---|
CN116672082A (zh) | 2023-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112818988B (zh) | 一种指针式仪表自动识别读数方法及系统 | |
CN107481276B (zh) | 一种三维医学图像中标记点序列的自动识别方法 | |
JP2919284B2 (ja) | 物体認識方法 | |
CN111091562B (zh) | 一种消化道病灶大小测量方法及系统 | |
CN111599432A (zh) | 一种三维颅面影像特征点标记分析系统及方法 | |
JP2018128897A (ja) | 対象物の姿勢等を検出する検出方法、検出プログラム | |
CN105232161A (zh) | 一种手术机器人标志点识别定位方法 | |
CN116309829B (zh) | 一种基于多目视觉的长方体扫描体群解码和位姿测量方法 | |
JP7083191B2 (ja) | セファロ画像における計測点の自動認識方法 | |
US20220207739A1 (en) | Methods and systems for entering and verifying product specifications | |
Flaucher et al. | Smartphone-based colorimetric analysis of urine test strips for at-home prenatal care | |
CN117474929A (zh) | 基于机器视觉的托盘外形尺寸检测方法及系统 | |
CN116672082B (zh) | 一种手术导航标尺的导航配准方法及装置 | |
CN113313122A (zh) | 一种基于计算机视觉的指针式仪表自动识别读数方法 | |
CN116385440B (zh) | 一种弧形刀片视觉检测方法 | |
CN113344873A (zh) | 一种血管分割方法、装置及计算机可读介质 | |
WO2023124069A1 (zh) | 一种校准图像的方法及装置 | |
CN112990190A (zh) | 指针式仪表读数的识别方法、装置 | |
CN113538483B (zh) | 高精度近景摄影测量标志的编解码方法和测量方法 | |
Xi et al. | Automated chain line marking and pattern matching in radiographs of Rembrandt's prints | |
CN115631342A (zh) | 医学影像特征点识别方法、识别系统及可读存储介质 | |
CN112419381B (zh) | 一种x光图像中标记点序列的自动识别方法 | |
CN114863129A (zh) | 仪表数值分析方法、装置、设备及存储介质 | |
CN118507040A (zh) | 一种基于物联网的人脸识别健康预测系统 | |
CN117351489B (zh) | 面向全身pet/ct扫描的头颈肿瘤靶区的勾画系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |