CN116958254A - 医用螺钉的钉道确定方法、装置、计算机设备和存储介质 - Google Patents

医用螺钉的钉道确定方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN116958254A
CN116958254A CN202310848534.9A CN202310848534A CN116958254A CN 116958254 A CN116958254 A CN 116958254A CN 202310848534 A CN202310848534 A CN 202310848534A CN 116958254 A CN116958254 A CN 116958254A
Authority
CN
China
Prior art keywords
nail
target
candidate
determining
path
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
CN202310848534.9A
Other languages
English (en)
Inventor
乔治
钱真
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.)
Beijing Lianying Intelligent Imaging Technology Research Institute
Original Assignee
Beijing Lianying Intelligent Imaging Technology Research Institute
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 Beijing Lianying Intelligent Imaging Technology Research Institute filed Critical Beijing Lianying Intelligent Imaging Technology Research Institute
Priority to CN202310848534.9A priority Critical patent/CN116958254A/zh
Publication of CN116958254A publication Critical patent/CN116958254A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06T7/30—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • 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
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • 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
    • G06T2207/30008—Bone
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本申请涉及一种医用螺钉的钉道确定方法、装置、计算机设备和存储介质。所述方法包括：获取医用螺钉在目标部位的目标模型中的候选钉道；所述目标模型根据所述目标部位的医学影像所得到；确定所述候选钉道与所述目标模型的表面之间的距离，以及所述候选钉道在所述医学影像中的影像参数；所述影像参数用于表征所述目标部位的骨密度；根据所述距离和所述影像参数，从所述候选钉道中确定出所述医用螺钉的目标钉道。采用本方法能够自动确定出安全性和稳固性均较好的钉道，解决手工标注耗时耗力的问题。

Description

医用螺钉的钉道确定方法、装置、计算机设备和存储介质
技术领域
本申请涉及计算机技术领域，特别是涉及一种医用螺钉的钉道确定方法、装置、计算机设备和存储介质。
背景技术
随着医学技术的发展，出现了椎弓根钉内固定术，该技术将医用螺钉穿过椎弓根植入脊柱的椎体，为脊柱提供强而可靠的固定，在脊柱疾病治疗方面具有广泛应用。
椎弓根钉内固定术通常需要进行术前规划，医生根据患者的CT(ComputedTomography，电子计算机断层扫描)影像，手工标注钉道，在手术过程中根据预先规划的钉道进行置钉，手工标注过程花费时间较多，而且较为耗费精力。
因此，目前医用螺钉的钉道确定方法存在耗时耗力的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够省时省力的医用螺钉的钉道确定方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面，本申请提供了一种医用螺钉的钉道确定方法。所述方法包括：
获取医用螺钉在目标部位的目标模型中的候选钉道；所述目标模型根据所述目标部位的医学影像所得到；
确定所述候选钉道与所述目标模型的表面之间的距离，以及所述候选钉道在所述医学影像中的影像参数；所述影像参数用于表征所述目标部位的骨密度；
根据所述距离和所述影像参数，从所述候选钉道中确定出所述医用螺钉的目标钉道。
在其中一个实施例中，所述获取医用螺钉在目标部位的目标模型中的候选钉道，包括：
确定所述医用螺钉在所述目标模型中的初始钉道；
根据所述目标部位的有向距离地图，对所述初始钉道进行迭代更新处理，得到更新后钉道；
将所述初始钉道和所述更新后钉道，作为所述医用螺钉在所述目标模型中的所述候选钉道。
在其中一个实施例中，所述确定所述医用螺钉在所述目标模型中的初始钉道，包括：
根据所述目标模型的表面，得到所述目标部位的目标点云；
确定所述目标点云与标准点云之间的配准关系；所述标准点云根据所述目标部位的标准模型所得到；
根据所述配准关系，对所述标准模型对应的标准钉道进行坐标变换处理，得到所述初始钉道。
在其中一个实施例中，所述根据所述目标部位的有向距离地图，对所述初始钉道进行迭代更新处理，得到更新后钉道，包括：
确定所述初始钉道在所述有向距离地图中的梯度值；
根据所述梯度值对所述初始钉道进行更新处理，得到所述更新后钉道，将所述更新后钉道作为所述初始钉道，返回至所述确定所述初始钉道在所述有向距离地图中的梯度值的步骤，直至所述候选钉道的数量符合预设数量。
在其中一个实施例中，所述根据所述梯度值对所述初始钉道进行更新处理，得到所述更新后钉道，包括：
根据所述梯度值，对所述初始钉道的采样点集合进行更新处理，得到更新后采样点集合；
确定所述更新后采样点集合对应的拟合直线；
根据所述拟合直线与所述目标模型之间的交点，得到所述更新后钉道的入钉点和出钉点；
将所述入钉点和所述出钉点进行连线，得到所述更新后钉道。
在其中一个实施例中，所述确定所述候选钉道与所述目标模型的表面之间的距离，包括：
从所述候选钉道上确定出至少一个目标采样点；
确定各所述目标采样点与所述目标部位的目标点云之间的最小距离；
将至少一个所述最小距离中的最小值，确定为所述候选钉道与所述目标模型之间的所述距离。
在其中一个实施例中，所述根据所述距离和所述影像参数，从所述候选钉道中确定出所述医用螺钉的目标钉道，包括：
根据所述距离和所述影像参数，确定各所述候选钉道的适用度；
从所述适用度中确定出最大适用度，并将所述最大适用度对应的候选钉道，确定为所述目标钉道。
第二方面，本申请还提供了一种医用螺钉的钉道确定装置。所述装置包括：
候选钉道模块，用于获取医用螺钉在目标部位的目标模型中的候选钉道；所述目标模型根据所述目标部位的医学影像所得到；
参数确定模块，用于确定所述候选钉道与所述目标模型的表面之间的距离，以及所述候选钉道在所述医学影像中的影像参数；所述影像参数用于表征所述目标部位的骨密度；
钉道确定模块，用于根据所述距离和所述影像参数，从所述候选钉道中确定出所述医用螺钉的目标钉道。
第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取医用螺钉在目标部位的目标模型中的候选钉道；所述目标模型根据所述目标部位的医学影像所得到；
确定所述候选钉道与所述目标模型的表面之间的距离，以及所述候选钉道在所述医学影像中的影像参数；所述影像参数用于表征所述目标部位的骨密度；
根据所述距离和所述影像参数，从所述候选钉道中确定出所述医用螺钉的目标钉道。
第四方面，本申请还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，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取医用螺钉在目标部位的目标模型中的候选钉道；所述目标模型根据所述目标部位的医学影像所得到；
确定所述候选钉道与所述目标模型的表面之间的距离，以及所述候选钉道在所述医学影像中的影像参数；所述影像参数用于表征所述目标部位的骨密度；
根据所述距离和所述影像参数，从所述候选钉道中确定出所述医用螺钉的目标钉道。
第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取医用螺钉在目标部位的目标模型中的候选钉道；所述目标模型根据所述目标部位的医学影像所得到；
确定所述候选钉道与所述目标模型的表面之间的距离，以及所述候选钉道在所述医学影像中的影像参数；所述影像参数用于表征所述目标部位的骨密度；
根据所述距离和所述影像参数，从所述候选钉道中确定出所述医用螺钉的目标钉道。
上述医用螺钉的钉道确定方法、装置、计算机设备、存储介质和计算机程序产品，通过获取医用螺钉在目标部位的目标模型中的候选钉道，确定候选钉道与目标模型的表面之间的距离，以及候选钉道在医学影像中的影像参数，根据距离和影像参数，从候选钉道中确定出医用螺钉的目标钉道；由于钉道到骨表面的距离越远置钉越安全，钉道上的骨密度越大螺钉植入的稳固性越强，根据钉道到骨表面的距离以及反映钉道上骨密度的影像参数，可以自动确定出安全性和稳固性均较好的钉道，解决了手工标注耗时耗力的问题。
附图说明
图1为一个实施例中医用螺钉的钉道确定方法的流程示意图；
图2为一个实施例中从医学影像中分割出目标部位的示意图；
图3为一个实施例中目标模型与标准模型进行配准的示意图；
图4为一个实施例中初始钉道的示意图；
图5为一个实施例中有向距离地图的示意图；
图6为一个实施例中目标钉道的示意图；
图7为另一个实施例中医用螺钉的钉道确定方法的流程示意图；
图8为另一个实施例中医用螺钉的钉道确定方法的流程示意图；
图9为一个实施例中医用螺钉的钉道确定装置的结构框图；
图10为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，提供了一种医用螺钉的钉道确定方法，本实施例以该方法应用于终端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。本实施例中，该方法包括以下步骤：
步骤S110，获取医用螺钉在目标部位的目标模型中的候选钉道；目标模型根据目标部位的医学影像所得到。
其中，目标部位可以为待植入医用螺钉的人体部位，例如，人体腰椎。
其中，目标模型可以为目标部位的三维模型。
其中，医学影像可以但不限于是CT影像或者MR(Magnetic Resonance，磁共振)影像。
具体实现中，可以获取目标部位的医学影像，对医学影像进行分割，得到目标部位的目标模型，在目标模型中确定医用螺钉的候选钉道。
实际应用中，可以预先获取目标部位的标准模型和标准模型的置钉规则，其中，置钉规则包括医用螺钉在标准模型上的入钉点和出钉点；还可以获取包含目标部位的医学影像，基于深度学习方法对医学影像进行分割，得到目标部位的目标模型；将目标模型与标准模型进行配准后，将标准模型的置钉规则应用于目标模型，得到目标模型上医用螺钉的入钉点和出钉点，将入钉点和出钉点之间连线作为目标模型的初始钉道；根据医学影像对应的有向距离地图，对初始钉道进行迭代更新，得到多个更新后钉道，将初始钉道和多个更新后钉道作为医用螺钉在目标模型中的候选钉道。
步骤S120，确定候选钉道与目标模型的表面之间的距离，以及候选钉道在医学影像中的影像参数；影像参数用于表征目标部位的骨密度。
其中，影像参数可以为候选钉道所对应的影像值的平均值。
具体实现中，可以在候选钉道上确定采样点，并确定各采样点到目标模型表面的最小距离，将其中的最小值确定为候选钉道与目标模型表面之间的距离；还可以获取候选钉道上各采样点在医学影像上的影像值，将影像值的平均值作为候选钉道在医学影像中的影像参数。
需要说明的是，当医学影像为CT影像时，影像参数用于表征候选钉道所途径的目标部位的组织对于X射线的吸收程度；当医学影像为MR影像时，影像参数用于表征候选钉道所途径的目标部位的组织的弛豫时间；当医学影像为其他类型影像时，影像参数可以根据实际影像类型的参数选择表征候选钉道所途径的目标部位的骨密度。
例如，针对每一个候选钉道，可以避开入钉点附近和出钉点附近，在候选钉道中间抽取若干采样点，计算各采样点到目标模型表面的最小距离，将最小距离中的最小值作为该候选钉道与目标模型表面之间的距离，还可以获取候选钉道上各采样点在CT影像中的CT值，将CT值的平均值作为该候选钉道的影像参数。
步骤S130，根据距离和影像参数，从候选钉道中确定出医用螺钉的目标钉道。
其中，目标钉道可以为最终确定的钉道。
具体实现中，可以基于预设规则，根据距离和影像参数确定每一个候选钉道对应的适用度，其中，适用度可以反映该候选钉道的安全程度和稳固程度，根据适用度从候选钉道中确定出医用螺钉的目标钉道。
实际应用中，适用度v的计算公式可以为
v＝D*log(E)，
其中，D表示候选钉道与目标模型表面之间的距离，E表示候选钉道在医学影像中的影像参数，即候选钉道上各采样点影像值的平均值。计算每一个候选钉道的适用度，将适用度最大的候选钉道确定为医用螺钉的目标钉道。
上述医用螺钉的钉道确定方法，通过获取医用螺钉在目标部位的目标模型中的候选钉道，确定候选钉道与目标模型的表面之间的距离，以及候选钉道在医学影像中的影像参数，根据距离和影像参数，从候选钉道中确定出医用螺钉的目标钉道；由于钉道到骨表面的距离越远置钉越安全，钉道上的骨密度越大螺钉植入的稳固性越强，根据钉道到骨表面的距离以及反映钉道上骨密度的影像参数，可以自动确定出安全性和稳固性均较好的钉道，解决了手工标注耗时耗力的问题。
在一个实施例中，上述步骤S110，可以具体包括：确定医用螺钉在目标模型中的初始钉道；根据目标部位的有向距离地图，对初始钉道进行迭代更新处理，得到更新后钉道；将初始钉道和更新后钉道，作为医用螺钉在目标模型中的候选钉道。
其中，初始钉道可以为初始确定的候选钉道。
具体实现中，可以预先获取目标部位的标准模型和标准模型的置钉规则，对包含目标部位的医学影像进行分割，得到目标部位的目标模型，在对目标模型和标准模型进行配准后，将标准模型的置钉规则应用于目标模型，得到医用螺钉在目标模型中的初始钉道，确定医学影像对应的有向距离地图，根据初始钉道在有向距离地图中的梯度值，对初始钉道进行更新，得到更新后钉道，并统计初始钉道和更新后钉道的数量，在不符合预设数量的情况下，将更新后钉道作为初始钉道，返回至根据初始钉道在有向距离地图中的梯度值，对初始钉道进行更新，得到更新后钉道的步骤，直至初始钉道和更新后钉道的数量符合预设数量，此时将初始钉道和所有更新后钉道，作为医用螺钉在目标模型中的候选钉道。
图2提供了一个从医学影像中分割出目标部位的示意图。根据图2，可以基于深度学习方法，对人体腰椎的CT影像进行分割，得到第三腰椎的三维模型，将该三维模型作为目标模型。
图3提供了一个目标模型与标准模型进行配准的示意图。根据图3，可以在模板库中选择第三腰椎的标准模型，并获取标准模型螺钉植入的入钉点和出钉点，将标准模型与目标模型相配准，根据二者之间的配准关系，对标准模型的入钉点和出钉点进行坐标变换，得到目标模型的入钉点和出钉点。
图4提供了一个初始钉道的示意图。根据图4，标准模型可以设置有左右两条钉道，对应两个入钉点和两个出钉点，根据标准模型的左右两条钉道可以确定出如图4白色线段所示的目标模型的两条钉道。
本实施例中，通过确定医用螺钉在目标模型中的初始钉道；根据目标部位的有向距离地图，对初始钉道进行迭代更新处理，得到更新后钉道；将初始钉道和更新后钉道，作为医用螺钉在目标模型中的候选钉道，可以自动确定出目标模型的多个候选钉道，提高候选钉道确定的效率。
在一个实施例中，上述确定医用螺钉在目标模型中的初始钉道的步骤，可以具体包括：根据目标模型的表面，得到目标部位的目标点云；确定目标点云与标准点云之间的配准关系；标准点云根据目标部位的标准模型所得到；根据配准关系，对标准模型对应的标准钉道进行坐标变换处理，得到初始钉道。
其中，目标点云可以为目标模型表面的点云。标准点云可以为标准模型表面的点云。
其中，配准关系可以为目标点云与标准点云之间的坐标变换关系。
其中，标准钉道可以为医用螺钉植入标准模型的钉道。
具体实现中，可以在目标模型表面构建网格，将网格交点作为目标部位的目标点云，还可以在标准模型表面构建网格，将网格交点作为目标部位的标准点云，对目标点云与标准点云进行配准，得到配准关系，根据配准关系对医用螺钉植入标准模型的标准钉道进行坐标变换，得到医用螺钉在目标模型中的初始钉道。
实际应用中，可以分别对标准模型和目标模型构建如图3所示的网格，根据网格交点分别得到标准点云和目标点云，还可以通过网格聚合等方法降低标准点云和目标点云的数量，使用CPD(Coherent Point Drift，一致性点漂移)点云配准方法确定标准点云和目标点云之间的坐标变换关系，根据坐标变换关系对标准模型的入钉点和出钉点进行坐标变换，得到目标模型的入钉点和出钉点，将目标模型的入钉点和出钉点相连线，得到医用螺钉在目标模型中的初始钉道。
本实施例中，通过根据目标模型的表面，得到目标部位的目标点云；确定目标点云与标准点云之间的配准关系；标准点云根据目标部位的标准模型所得到；根据配准关系，对标准模型对应的标准钉道进行坐标变换处理，得到初始钉道，可以通过对标准模型的标准钉道进行坐标变换，快速得到目标模型的初始钉道，进一步提高候选钉道确定的效率。
在一个实施例中，上述根据目标部位的有向距离地图，对初始钉道进行迭代更新处理，得到更新后钉道的步骤，可以具体包括：确定初始钉道在有向距离地图中的梯度值；根据梯度值对初始钉道进行更新处理，得到更新后钉道，将更新后钉道作为初始钉道，返回至确定初始钉道在有向距离地图中的梯度值的步骤，直至候选钉道的数量符合预设数量。
其中，有向距离地图可以为医学影像上各点到目标模型边缘的最短有向距离组成的图。
具体实现中，可以根据目标模型确定医学影像所对应的有向距离地图，在初始钉道上确定若干采样点，并确定各采样点在有向距离地图中的梯度值，根据梯度值对初始钉道进行更新，得到更新后钉道，统计初始钉道和更新后钉道的数量，得到候选钉道的数量，若候选钉道的数量符合预设数量，则完成候选钉道的确定，否则，若候选钉道的数量少于预设数量，则将更新后钉道作为初始钉道，返回至在初始钉道上确定若干采样点，并确定各采样点在有向距离地图中的梯度值，根据梯度值对初始钉道进行更新，得到更新后钉道的步骤，直至候选钉道的数量符合预设数量。
本实施例中，通过确定初始钉道在有向距离地图中的梯度值；根据梯度值对初始钉道进行更新处理，得到更新后钉道，将更新后钉道作为初始钉道，返回至确定初始钉道在有向距离地图中的梯度值的步骤，直至候选钉道的数量符合预设数量，可以根据钉道在有向距离地图中的梯度值，对钉道进行迭代更新，加快钉道确定的速度，减少钉道确定的时间。
在一个实施例中，上述根据梯度值对初始钉道进行更新处理，得到更新后钉道的步骤，可以具体包括：根据梯度值，对初始钉道的采样点集合进行更新处理，得到更新后采样点集合；确定更新后采样点集合对应的拟合直线；根据拟合直线与目标模型之间的交点，得到更新后钉道的入钉点和出钉点；将入钉点和出钉点进行连线，得到更新后钉道。
具体实现中，可以在初始钉道上确定若干采样点，得到初始钉道的采样点集合，确定采样点集合中各采样点在有向距离地图上的梯度值，根据梯度值对各采样点进行更新，得到更新后采样点，所有更新后采样点组成更新后采样点集合，确定更新后采样点集合对应的拟合直线，将拟合直线与目标模型之间的交点确定为入钉点和出钉点，将入钉点和出钉点之间的连线作为更新后钉道。
图5提供了一个有向距离地图的示意图。根据图5，可以先对CT影像和目标模型进行空间分辨率归一化，然后计算CT影像每个像素距离目标模型边缘的最短有向距离，得到有向距离地图(SDM，Signed Distance Map)，在有向距离地图中，可以将目标模型外部的像素标记为负值，将目标模型内部的像素标记为正值，将目标模型边缘处的像素标记为零，还可以将目标模型外部的像素标记为正值，将目标模型内部的像素标记为负值，将目标模型边缘处的像素标记为零。针对初始钉道，避开入钉点附近和出钉点附近，在初始钉道中间抽取若干采样点，并设置采样点更新公式
pU＝p+s*f，
其中，p表示初始钉道上的采样点，f表示p在有向距离地图中对应的梯度值，s表示更新步长，pU表示更新后的采样点。针对初始钉道上的每一个采样点p，确定其在有向距离地图中的梯度值f，根据采样点更新公式得到相应的更新后采样点pU，寻找一条直线可以拟合所有更新后采样点，将该直线与目标模型的两个交点分别确定为入钉点和出钉点，将入钉点和出钉点之间的连线作为更新后钉道。
本实施例中，通过根据梯度值，对初始钉道的采样点集合进行更新处理，得到更新后采样点集合；确定更新后采样点集合对应的拟合直线；根据拟合直线与目标模型之间的交点，得到更新后钉道的入钉点和出钉点；将入钉点和出钉点进行连线，得到更新后钉道，可以根据钉道在有向距离地图中的梯度值，对钉道进行迭代更新，加快钉道确定的速度，减少钉道确定的时间。
在一个实施例中，上述步骤S120，可以具体包括：从候选钉道上确定出至少一个目标采样点；确定各目标采样点与目标部位的目标点云之间的最小距离；将至少一个最小距离中的最小值，确定为候选钉道与目标模型之间的距离。
其中，目标采样点可以为候选钉道上的采样点。
具体实现中，可以在目标模型表面构建网格，根据网格交点得到目标部位的目标点云，还可以在候选钉道上确定至少一个目标采样点，并确定各目标采样点到目标点云的最小距离，从最小距离中选取最小值，作为候选钉道与目标模型之间的距离。
例如，在候选钉道上确定90个目标采样点，到目标点云的最小距离分别为0.5，0.8，0.9，0.1，……，0.4，选取最小距离中的最小值，得到0.1，则该候选钉道与目标模型之间的距离为0.1。
本实施例中，通过从候选钉道上确定出至少一个目标采样点；确定各目标采样点与目标部位的目标点云之间的最小距离；将至少一个最小距离中的最小值，确定为候选钉道与目标模型之间的距离，可以确定出候选钉道与目标模型边缘的最短距离，便于选取出远离目标部位边缘的钉道，保证置钉的安全性。
在一个实施例中，上述步骤S130，可以具体包括：根据距离和影像参数，确定各候选钉道的适用度；适用度用于表征候选钉道的安全程度和稳固程度；从适用度中确定出最大适用度，并将最大适用度对应的候选钉道，确定为目标钉道。
具体实现中，可以预先设置适用度与距离和影像参数之间的映射关系，在确定出候选钉道与目标模型表面之间的距离，以及候选钉道在医学影像中的影像参数后，可以根据该映射关系确定候选钉道的适用度，如此得到每一个候选钉道的适用度，将适用度最大的候选钉道确定为目标钉道。
实际应用中，适用度v的计算公式可以为
v＝D*log(E)，
其中，D表示候选钉道与目标模型表面之间的距离，E表示候选钉道在医学影像中的影像参数，即候选钉道上各采样点影像值的平均值。计算每一个候选钉道的适用度，将适用度最大的候选钉道确定为医用螺钉的目标钉道。
图6提供了一个目标钉道的示意图。根据图6，对应于标准模型设置的左右两条钉道，可以确定出如图6中白色线段所示的两条初始钉道，以及如图6中黑色线段所示的两条目标钉道。
本实施例中，通过根据距离和影像参数，确定各候选钉道的适用度；从适用度中确定出最大适用度，并将最大适用度对应的候选钉道，确定为目标钉道，可以确定出远离骨表面，并且途径骨密度较大的目标钉道，保证医用螺钉植入的安全性和稳固性。
为了便于本领域技术人员深入理解本申请实施例，以下将结合一个具体示例进行说明。
面向腰椎椎弓根螺钉手术术前规划的螺钉钉道自动定位过程，主要包括以下步骤：
步骤1，基于3D器官分割技术，采用基于深度学习的3D锥体分割模型，快速准确地从腰椎三维CT影像(医学影像)中抽取出目标椎体(目标部位)，例如，第三腰椎，得到如图2所示的腰椎分割结果(目标模型)。
步骤2，从模板库中选择一个与第三腰椎相对应的标准椎体(标准模型)及其左右螺钉的植入点和终点(标准钉道的入钉点和出钉点)，作为基准模板，将基准模板的植钉规则应用于目标模型，从而预测出针对目标模型进行植钉时，初始左右钉道的螺钉植入点和螺钉终点(初始钉道的入钉点和出钉点)，如图3所示。
其中，基于基准模板预测目标模型初始的螺钉植入点和螺钉终点，具体过程如下：
步骤2.1，获得目标模型与标准模型中目标锥体的点云，分别得到目标点云和标准点云，具体地，可以根据腰椎分割结果中目标锥体的mask(掩膜)得到目标点云，同理可得标准点云；
步骤2.2，基于获得的点云做网格(mesh)重建，对网格重建结果进一步进行网格重构(remesh)操作，例如，通过网格聚合进行网格重构，以降低点云规模，得到规模较小的点云，例如，相比于网格重建前降低一个数量级；
步骤2.3，使用CPD点云配准方法，学习从基准模板的标准点云到目标模型的目标点云的配准规则(配准关系)；
步骤2.4，获得基准模板中螺钉的点云(标准钉道的入钉点和出钉点)，使用步骤2.3中学习到的配准规则，将基准模板中标准钉道的螺钉植入点和终点转换为目标模型的左右螺钉初始钉道的植入点和终点。
步骤3，钉道自动导航。如图4和图6所示，白色线段为根据目标模型的左右螺钉初始钉道的植入点和终点得到的钉道，黑色线段为自动导航找到的最优钉道。
步骤3.1，对目标模型及其mask首先进行空间分辨率归一，然后根据mask求腰椎三维CT影像对应的有向距离地图，由于mask是三维的，因此有向距离地图也是三维的。其中，“距离地图”是指计算腰椎三维CT影像中每个像素点距离mask边界的距离，“有向”是指标识空间中的点是在mask内部还是在mask外部，在mask内外分别使用正负符号表示，且符号设置不唯一。在本实例中，定义若空间某点在mask内部，其距离mask边界的距离值为正，若在mask外部，其距离mask边界的距离值为负。有向距离地图的计算结果如图5所示；
步骤3.2，计算有向距离地图中每个像素点处的梯度，其中，梯度也是三维的；
步骤3.3，利用得到的梯度对目标模型初始钉道途径的像素点进行更新。具体操作如下：
左右钉道的迭代优化采用相同的方法，以左钉道为例，首先定义优化迭代步i＝0，对应目标模型初始钉道。
步骤3.3.1，对第i步的钉道，沿着钉道路径(入钉点和出钉点之间的连线)顺序采样m个点，例如，m＝100，得到顺序采样点pi，i＝1，……，100；
步骤3.3.2，从m个顺序采样点中抽取中间90％个点，构建度量点(目标采样点)集，即从起始点开始第5％个点到第95％个点，利用100个点中间的90个点构建度量点集，计算度量点集距离目标点云的距离D，以及度量点集中每个点所途径的CT值的平均值E(影像参数)。
其中，针对距离D，可以计算度量点集中每个点到目标点云的最小距离，得到最小距离集合，然后从最小距离集合中选择其中最小的距离，作为度量点集到目标椎体点云的距离D。
设置当前钉道的评测值(适用度)v＝D*log(E)，计算每个钉道的评测值，最终选择最大评测值对应的钉道作为近似最优钉道。其中，评测值的物理意义是，当距离D越大并且途径CT值的平均值E越大时，评测值越大，即找到的近似最优钉道位于椎体内部距离骨皮质较远，同时经过的骨密度较高。其中，对E使用对数函数是由于骨组织CT值较高，在计算评测值时主要以距离为主，因此使用对数函数降低CT值的影响；
步骤3.3.3，每一个顺序采样点pi都可以在有向距离地图的梯度图中找到对应的梯度f；
步骤3.3.4，更新每一个顺序采样点，pi U＝pi+s*f，其中，s是更新步长，可以预定义s＝0.5；
步骤3.3.5，对钉道上的m个顺序采样点均进行更新，得到m个新的采样点(更新后采样点)，之后可以找到一条拟合直线Lc拟合该m个新的采样点；
步骤3.3.6，拟合直线Lc可以与目标模型相交，分别获得螺钉植入点和终点，将该螺钉植入点和终点的连线构建为新钉道(更新后钉道)，即为第i+1步的钉道；
重复上述步骤3.3.1-3.3.6直至n次，找到其中评测值最大的钉道，将其作为近似最优钉道，例如，可以设置n＝200，实验中在第100步附近得到最大的评测值，对应图6中的黑色钉道，将该黑色钉道作为近似最优钉道。
上述面向腰椎椎弓根螺钉手术术前规划的螺钉钉道自动定位方法，通过基于点云配准的初始钉道定位和近似最优钉道自动导航，可以实现全自动螺钉轨道自动导航，无需人工干预，相比于传统方法，无需遍历所有候选轨迹寻找近似最优钉道，速度较快。
而且，钉道的优化定位既考虑了距离椎体外边缘越远越好(即距离越远该轨迹植入相同尺寸的螺钉距离骨皮质越远，意味着植钉越安全)，同时也要确保路过的轨迹所通过的CT值越大越好(即CT值越大间接反映骨密度越大，螺钉植入后的稳固性越强)，还保证了医用螺钉植入的安全性和稳固性。
在一个实施例中，如图7所示，提供了一种医用螺钉的钉道确定方法，以该方法应用于终端为例进行说明，包括以下步骤：
步骤S201，根据目标模型的表面，得到目标部位的目标点云；
步骤S202，确定目标点云与标准点云之间的配准关系；标准点云根据目标部位的标准模型所得到；
步骤S203，根据配准关系，对标准模型对应的标准钉道进行坐标变换处理，得到初始钉道；
步骤S204，确定初始钉道在有向距离地图中的梯度值；
步骤S205，根据梯度值对初始钉道进行更新处理，得到更新后钉道；
步骤S206，将更新后钉道作为初始钉道，返回至步骤S204，直至候选钉道的数量符合预设数量；候选钉道包括初始钉道和更新后钉道；
步骤S207，确定各候选钉道与目标模型的表面之间的距离，以及各候选钉道在医学影像中的影像参数；影像参数用于表征目标部位的骨密度；
步骤S208，根据距离和影像参数，确定各候选钉道的适用度；适用度用于表征候选钉道的安全程度和稳固程度；
步骤S209，从适用度中确定出最大适用度，并将最大适用度对应的候选钉道，确定为目标钉道。
具体实现中，可以根据目标模型表面网格，得到目标部位的目标点云，将目标点云与标准模型的标准点云进行配准，得到配准关系，根据配准关系对标准模型的标准钉道进行坐标变换，得到初始钉道，确定初始钉道在目标部位的有向距离地图中的梯度值，根据梯度值对初始钉道进行迭代更新，得到候选钉道，确定各候选钉道与目标模型表面之间的距离，以及各候选钉道在医学影像中影像值的平均值，根据距离和平均值确定各候选钉道的适用度，将最大适用度对应的候选钉道确定为目标钉道。
由于终端的处理过程在前述实施例中已有详细叙述，在此不再赘述。
上述医用螺钉的钉道确定方法，由于钉道到骨表面的距离越远置钉越安全，钉道上的骨密度越大螺钉植入的稳固性越强，根据钉道到骨表面的距离以及反映钉道上骨密度的影像参数，可以自动确定出安全性和稳固性均较好的钉道，解决了手工标注耗时耗力的问题。
在一个实施例中，如图8所示，提供了一种医用螺钉的钉道确定方法，以该方法应用于终端为例进行说明，包括以下步骤：
步骤S301，根据目标模型的表面，得到目标部位的目标点云；
步骤S302，确定目标点云与标准点云之间的配准关系；标准点云根据目标部位的标准模型所得到；
步骤S303，根据配准关系，对标准模型对应的标准钉道进行坐标变换处理，得到初始钉道；
步骤S304，确定初始钉道与目标模型的表面之间的距离，以及初始钉道在医学影像中的影像参数；影像参数用于表征目标部位的骨密度；
步骤S305，根据距离和影像参数，确定初始钉道的适用度；适用度用于表征初始钉道的安全程度和稳固程度；
步骤S306，确定初始钉道在有向距离地图中的梯度值；
步骤S307，根据梯度值对初始钉道进行更新处理，得到更新后钉道；
步骤S308，将更新后钉道作为初始钉道，返回至步骤S304，直至候选钉道的数量符合预设数量；候选钉道包括初始钉道和更新后钉道；
步骤S309，从适用度中确定出最大适用度，并将最大适用度对应的候选钉道，确定为目标钉道。
具体实现中，可以根据目标模型表面网格，得到目标部位的目标点云，将目标点云与标准模型的标准点云进行配准，得到配准关系，根据配准关系对标准模型的标准钉道进行坐标变换，得到初始钉道，确定初始钉道与目标模型表面之间的距离，以及初始钉道在医学影像中影像值的平均值，根据距离和平均值确定初始钉道的适用度，还可以确定初始钉道在目标部位的有向距离地图中的梯度值，根据梯度值对初始钉道进行更新，得到更新后钉道，确定更新后钉道的适用度，直至得到预设数量个候选钉道，将最大适用度对应的候选钉道确定为目标钉道。
由于终端的处理过程在前述实施例中已有详细叙述，在此不再赘述。
上述医用螺钉的钉道确定方法，由于钉道到骨表面的距离越远置钉越安全，钉道上的骨密度越大螺钉植入的稳固性越强，根据钉道到骨表面的距离以及反映钉道上骨密度的影像参数，可以自动确定出安全性和稳固性均较好的钉道，解决了手工标注耗时耗力的问题。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的医用螺钉的钉道确定方法的医用螺钉的钉道确定装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个医用螺钉的钉道确定装置实施例中的具体限定可以参见上文中对于医用螺钉的钉道确定方法的限定，在此不再赘述。
在一个实施例中，如图9所示，提供了一种医用螺钉的钉道确定装置，包括：候选钉道模块410、参数确定模块420和钉道确定模块430，其中：
候选钉道模块410，用于获取医用螺钉在目标部位的目标模型中的候选钉道；所述目标模型根据所述目标部位的医学影像所得到；
参数确定模块420，用于确定所述候选钉道与所述目标模型的表面之间的距离，以及所述候选钉道在所述医学影像中的影像参数；所述影像参数用于表征所述目标部位的骨密度；
钉道确定模块430，用于根据所述距离和所述影像参数，从所述候选钉道中确定出所述医用螺钉的目标钉道。
在一个实施例中，上述候选钉道模块410，还包括：
初始钉道模块，用于确定所述医用螺钉在所述目标模型中的初始钉道；
钉道更新模块，用于根据所述目标部位的有向距离地图，对所述初始钉道进行迭代更新处理，得到更新后钉道；
候选钉道模块，用于将所述初始钉道和所述更新后钉道，作为所述医用螺钉在所述目标模型中的所述候选钉道。
在一个实施例中，上述初始钉道模块，还用于根据所述目标模型的表面，得到所述目标部位的目标点云；确定所述目标点云与标准点云之间的配准关系；所述标准点云根据所述目标部位的标准模型所得到；根据所述配准关系，对所述标准模型对应的标准钉道进行坐标变换处理，得到所述初始钉道。
在一个实施例中，上述钉道更新模块，还用于确定所述初始钉道在所述有向距离地图中的梯度值；根据所述梯度值对所述初始钉道进行更新处理，得到所述更新后钉道，将所述更新后钉道作为所述初始钉道，返回至所述确定所述初始钉道在所述有向距离地图中的梯度值的步骤，直至所述候选钉道的数量符合预设数量。
在一个实施例中，上述钉道更新模块，还用于根据所述梯度值，对所述初始钉道的采样点集合进行更新处理，得到更新后采样点集合；确定所述更新后采样点集合对应的拟合直线；根据所述拟合直线与所述目标模型之间的交点，得到所述更新后钉道的入钉点和出钉点；将所述入钉点和所述出钉点进行连线，得到所述更新后钉道。
在一个实施例中，上述参数确定模块420，还用于从所述候选钉道上确定出至少一个目标采样点；确定各所述目标采样点与所述目标部位的目标点云之间的最小距离；将至少一个所述最小距离中的最小值，确定为所述候选钉道与所述目标模型之间的所述距离。
在一个实施例中，上述钉道确定模块430，还用于根据所述距离和所述影像参数，确定各所述候选钉道的适用度；所述适用度用于表征所述候选钉道的安全程度和稳固程度；从所述适用度中确定出最大适用度，并将所述最大适用度对应的候选钉道，确定为所述目标钉道。
上述医用螺钉的钉道确定装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图10所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种医用螺钉的钉道确定方法。该计算机设备的显示单元用于形成视觉可见的画面，可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图10中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (10)

1.一种医用螺钉的钉道确定方法，其特征在于，所述方法包括：
获取医用螺钉在目标部位的目标模型中的候选钉道；所述目标模型根据所述目标部位的医学影像所得到；
确定所述候选钉道与所述目标模型的表面之间的距离，以及所述候选钉道在所述医学影像中的影像参数；所述影像参数用于表征所述目标部位的骨密度；
根据所述距离和所述影像参数，从所述候选钉道中确定出所述医用螺钉的目标钉道。
2.根据权利要求1所述的方法，其特征在于，所述获取医用螺钉在目标部位的目标模型中的候选钉道，包括：
确定所述医用螺钉在所述目标模型中的初始钉道；
根据所述目标部位的有向距离地图，对所述初始钉道进行迭代更新处理，得到更新后钉道；
将所述初始钉道和所述更新后钉道，作为所述医用螺钉在所述目标模型中的所述候选钉道。
3.根据权利要求2所述的方法，其特征在于，所述确定所述医用螺钉在所述目标模型中的初始钉道，包括：
根据所述目标模型的表面，得到所述目标部位的目标点云；
确定所述目标点云与标准点云之间的配准关系；所述标准点云根据所述目标部位的标准模型所得到；
根据所述配准关系，对所述标准模型对应的标准钉道进行坐标变换处理，得到所述初始钉道。
4.根据权利要求2所述的方法，其特征在于，所述根据所述目标部位的有向距离地图，对所述初始钉道进行迭代更新处理，得到更新后钉道，包括：
确定所述初始钉道在所述有向距离地图中的梯度值；
根据所述梯度值对所述初始钉道进行更新处理，得到所述更新后钉道，将所述更新后钉道作为所述初始钉道，返回至所述确定所述初始钉道在所述有向距离地图中的梯度值的步骤，直至所述候选钉道的数量符合预设数量。
5.根据权利要求4所述的方法，其特征在于，所述根据所述梯度值对所述初始钉道进行更新处理，得到所述更新后钉道，包括：
根据所述梯度值，对所述初始钉道的采样点集合进行更新处理，得到更新后采样点集合；
确定所述更新后采样点集合对应的拟合直线；
根据所述拟合直线与所述目标模型之间的交点，得到所述更新后钉道的入钉点和出钉点；
将所述入钉点和所述出钉点进行连线，得到所述更新后钉道。
6.根据权利要求3所述的方法，其特征在于，所述确定所述候选钉道与所述目标模型的表面之间的距离，包括：
从所述候选钉道上确定出至少一个目标采样点；
确定各所述目标采样点与所述目标部位的目标点云之间的最小距离；
将至少一个所述最小距离中的最小值，确定为所述候选钉道与所述目标模型之间的所述距离。
7.根据权利要求1所述的方法，其特征在于，所述根据所述距离和所述影像参数，从所述候选钉道中确定出所述医用螺钉的目标钉道，包括：
根据所述距离和所述影像参数，确定各所述候选钉道的适用度；
从所述适用度中确定出最大适用度，并将所述最大适用度对应的候选钉道，确定为所述目标钉道。
8.一种医用螺钉的钉道确定装置，其特征在于，所述装置包括：
候选钉道模块，用于获取医用螺钉在目标部位的目标模型中的候选钉道；所述目标模型根据所述目标部位的医学影像所得到；
参数确定模块，用于确定所述候选钉道与所述目标模型的表面之间的距离，以及所述候选钉道在所述医学影像中的影像参数；所述影像参数用于表征所述目标部位的骨密度；
钉道确定模块，用于根据所述距离和所述影像参数，从所述候选钉道中确定出所述医用螺钉的目标钉道。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN202310848534.9A 2023-07-11 2023-07-11 医用螺钉的钉道确定方法、装置、计算机设备和存储介质 Pending CN116958254A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310848534.9A CN116958254A (zh) 2023-07-11 2023-07-11 医用螺钉的钉道确定方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310848534.9A CN116958254A (zh) 2023-07-11 2023-07-11 医用螺钉的钉道确定方法、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN116958254A true CN116958254A (zh) 2023-10-27

Family

ID=88450468

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310848534.9A Pending CN116958254A (zh) 2023-07-11 2023-07-11 医用螺钉的钉道确定方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN116958254A (zh)

Similar Documents

Publication Publication Date Title
CN109872333B (zh) 医学影像分割方法、装置、计算机设备和存储介质
US11657509B2 (en) Method for precisely and automatically positioning reference line for integrated images
Nithiananthan et al. Extra‐dimensional Demons: a method for incorporating missing tissue in deformable image registration
CN113129308B (zh) 图像分割方法、装置和非暂态计算机可读存储介质
US8554491B2 (en) Modeling device, program, computer-readable recording medium, and method of establishing correspondence
JP7349158B2 (ja) 機械学習装置、推定装置、プログラム及び学習済みモデル
CN114092475B (zh) 病灶长径确定方法、图像标注方法、装置及计算机设备
CN116228787A (zh) 图像勾画方法、装置、计算机设备、存储介质
CN112927213B (zh) 一种医学图像分割方法、介质及电子设备
CN113989110A (zh) 肺部图像配准方法、装置、计算机设备和存储介质
CN116958254A (zh) 医用螺钉的钉道确定方法、装置、计算机设备和存储介质
CN115690063A (zh) 骨密度参数检测方法、计算机设备和存储介质
EP4011311A1 (en) Method for planning the nail path of a pedicle bone screw
CN115375876A (zh) 医用螺钉的参数确定方法和医用螺钉的置入规划方法
US11295462B2 (en) Determination of registration accuracy
CN117495693B (zh) 用于内窥镜的图像融合方法、系统、介质及电子设备
CN114127781A (zh) 检测和表示解剖结构的解剖特征
EP4300414A1 (en) Transferring marker locations from a reference image to a follow-up medical image
Sebaaly et al. Radiotherapy Treatment Planning System Simulation Lung Cancer Application
US20240212158A1 (en) Methods and systems for fast three-dimensional image segmentation and annotation by imitating weak supervision
EP4040388A1 (en) Intuitive display for rotator cuff tear diagnostics
CN117093100A (zh) 髋关节假体模型的安装角度调整方法、装置和计算机设备
CN117095032A (zh) 脊柱结构图像模板生成方法、脊柱图像分析方法及装置
CN115578456A (zh) 模拟气腹图像生成方法、装置和计算机设备
CN117670906A (zh) 一种图像分割方法和系统

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