CN117481805B - 一种血管介入术前规划方法及系统 - Google Patents
一种血管介入术前规划方法及系统 Download PDFInfo
- Publication number
- CN117481805B CN117481805B CN202311615767.0A CN202311615767A CN117481805B CN 117481805 B CN117481805 B CN 117481805B CN 202311615767 A CN202311615767 A CN 202311615767A CN 117481805 B CN117481805 B CN 117481805B
- Authority
- CN
- China
- Prior art keywords
- focus
- image
- dimensional
- vascular
- blood vessel
- 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
- 230000002792 vascular Effects 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 33
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 53
- 238000004088 simulation Methods 0.000 claims abstract description 32
- 238000000338 in vitro Methods 0.000 claims abstract description 26
- 230000003902 lesion Effects 0.000 claims abstract description 20
- 238000003709 image segmentation Methods 0.000 claims abstract description 15
- 238000004519 manufacturing process Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims description 34
- 238000004422 calculation algorithm Methods 0.000 claims description 25
- 238000010146 3D printing Methods 0.000 claims description 15
- 230000004927 fusion Effects 0.000 claims description 15
- 238000003708 edge detection Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 4
- 239000000017 hydrogel Substances 0.000 claims description 4
- 239000000463 material Substances 0.000 claims description 4
- 239000011347 resin Substances 0.000 claims description 4
- 229920005989 resin Polymers 0.000 claims description 4
- 231100000216 vascular lesion Toxicity 0.000 claims description 4
- 229920001296 polysiloxane Polymers 0.000 claims 1
- 201000010099 disease Diseases 0.000 abstract description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 3
- 238000003745 diagnosis Methods 0.000 abstract description 2
- 210000001519 tissue Anatomy 0.000 description 10
- 230000008569 process Effects 0.000 description 7
- 230000009466 transformation Effects 0.000 description 5
- 206010002329 Aneurysm Diseases 0.000 description 4
- 208000005189 Embolism Diseases 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000013152 interventional procedure Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 238000002595 magnetic resonance imaging Methods 0.000 description 3
- 239000000741 silica gel Substances 0.000 description 3
- 229910002027 silica gel Inorganic materials 0.000 description 3
- 201000008450 Intracranial aneurysm Diseases 0.000 description 2
- 210000003484 anatomy Anatomy 0.000 description 2
- 239000002473 artificial blood Substances 0.000 description 2
- 210000000988 bone and bone Anatomy 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 210000004872 soft tissue Anatomy 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 208000031481 Pathologic Constriction Diseases 0.000 description 1
- 208000009443 Vascular Malformations Diseases 0.000 description 1
- 206010057469 Vascular stenosis Diseases 0.000 description 1
- 238000009098 adjuvant therapy Methods 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010102 embolization Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009207 exercise therapy Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 229910000078 germane Inorganic materials 0.000 description 1
- 230000000004 hemodynamic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 230000036244 malformation Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000036262 stenosis Effects 0.000 description 1
- 208000037804 stenosis Diseases 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 208000019553 vascular disease Diseases 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- 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
-
- 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
-
- 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
- A61B2034/101—Computer-aided simulation of surgical operations
- A61B2034/105—Modelling of the patient, e.g. for ligaments or bones
-
- 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
- A61B2034/107—Visualisation of planned trajectories or target regions
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Surgery (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Heart & Thoracic Surgery (AREA)
- Physics & Mathematics (AREA)
- Veterinary Medicine (AREA)
- Robotics (AREA)
- Pathology (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Computer Graphics (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供了一种血管介入术前规划方法及系统,属于医学仿真辅助诊疗技术领域,方法包括:获取患者的血管病灶影像;对血管病灶影像进行图像分割,得到多个二维图像;多个二维图像对应多个不同的组织或结构;根据多个二维图像生成病灶三维数据;基于病灶三维数据及手术器械参数生成血管介入手术方案;血管介入手术方案包括手术器械型号、使用顺序及器械路径;基于病灶三维数据制作病灶仿真模型;基于血管介入手术方案及病灶仿真模型进行体外练习或进行实际手术,并根据体外练习结果或实际手术情况,实时学习并调整血管介入手术方案。本发明使得手术者能够在术前充分了解患者病灶的情况,提高了血管介入手术方案的准确度,进而提高了手术的安全性。
Description
技术领域
本发明涉及医学仿真辅助诊疗技术领域,特别是涉及一种血管介入术前规划方法及系统。
背景技术
在临床中每个患者的血管均有差异,对于大部分血管病患者可直接进行介入手术治疗,但是对于疑难病灶、病灶结构复杂、血管治疗路径迂曲的患者治疗难度极大,如果术者没有充分的把握贸然进行手术将可能带来极大地手术并发症,故存在手术风险高和手术时间长等问题。如果在手术前先制作仿真病灶,再制定手术方案,则可以避免上述情况的发生,提高患者手术的安全性。
发明内容
本发明的目的是提供一种血管介入术前规划方法及系统,可提高血管介入手术方案的准确度,提高手术的安全性。
为实现上述目的,本发明提供了如下方案:
一种血管介入术前规划方法,包括:
获取患者的血管病灶影像;
对所述血管病灶影像进行图像分割,得到多个二维图像;多个二维图像对应多个不同的组织或结构;
根据多个二维图像生成病灶三维数据;
基于所述病灶三维数据及手术器械参数,生成血管介入手术方案;所述血管介入手术方案包括手术器械型号、使用顺序及器械路径;
基于所述病灶三维数据制作病灶仿真模型;
基于所述血管介入手术方案及所述病灶仿真模型进行体外练习或进行实际手术,并根据体外练习结果或实际手术情况,实时学习并调整所述血管介入手术方案。
可选地,在对所述血管病灶影像进行图像分割之前,所述血管介入术前规划方法还包括:
对所述血管病灶影像依次进行去噪及对比度增强处理。
可选地,采用高斯滤波器对所述血管病灶影像进行去噪处理。
可选地,对所述血管病灶影像进行图像分割,得到多个二维图像,具体包括:
采用Otsu’s算法对所述血管病灶影像进行分割,以确定所述血管病灶影像中的组织区域或结构区域,得到初步图像集合;
对所述初步图像集合进行区域增长处理,得到增长后的目标图像集合;
对增长后的目标图像集合进行Canny边缘检测,得到多个二维图像。
可选地,根据多个二维图像生成病灶三维数据,具体包括:
将多个二维图像进行堆叠,得到初步三维图像;
对所述初步三维图像依次进行体素化及点云重建处理,得到初步病灶三维模型;
对所述初步病灶三维模型进行优化,得到最终的病灶三维数据。
可选地,基于所述病灶三维数据及手术器械参数,生成血管介入手术方案,具体包括:
将所述病灶三维数据分别与不同型号的手术器械进行融合,并调整不同型号手术器械的使用顺序,得到初步融合三维图像;
对所述初步融合三维图像依次进行去噪及对齐处理,得到校正融合三维图像;
采用Canny边缘检测算法提取所述校正融合三维图像中手术区域的边缘特征,得到特征融合三维图像;
采用ICP算法对所述特征融合三维图像中的病灶点云及手术器械点云进行对准匹配,得到对准融合三维图像;
基于所述对准融合三维图像,采用几何计算和几何约束确定手术器械型号、使用顺序及器械路径。
为实现上述目的,本发明还提供了如下方案:
一种血管介入术前规划系统,包括:影像采集设备、中央处理器及3D打印终端;所述中央处理器分别与所述影像采集设备及所述3D打印终端连接;
所述影像采集设备用于采集患者的血管病灶影像,并将所述血管病灶影像发送至所述中央处理器;
所述中央处理器用于对所述血管病灶影像进行图像分割,得到多个二维图像,根据多个二维图像生成病灶三维数据,基于所述病灶三维数据及手术器械参数,生成血管介入手术方案,并将所述病灶三维数据发送至所述3D打印终端;多个二维图像对应多个不同的组织或结构;所述血管介入手术方案包括手术器械型号、使用顺序及器械路径。
所述3D打印终端用于基于所述病灶三维数据制作病灶仿真模型;术者基于所述血管介入手术方案及所述病灶仿真模型进行体外练习,并将体外练习结果发送至所述中央处理器;
所述中央处理器还用于根据体外练习结果调整所述血管介入手术方案。
可选地,所述病灶仿真模型使用光敏树脂、硅胶、水凝胶及人工血管材料制作。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明在术前对血管病灶影像进行图像分割,得到多个二维图像;根据多个二维图像生成病灶三维数据;基于病灶三维数据及手术器械参数生成血管介入手术方案;基于病灶三维数据制作病灶仿真模型;手术者基于血管介入手术方案及病灶仿真模型进行体外练习,并根据体外练习结果调整血管介入手术方案。使得手术者能够在术前充分了解患者病灶的情况,提高了血管介入手术方案的准确度,进而提高了手术的安全性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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发明的一些实施例,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为本发明提供的血管介入术前规划方法的流程图;
图2为本发明提供的血管介入术前规划系统的示意图。
具体实施方式
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,所描述的实施例仅仅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做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。
本发明的目的是提供一种血管介入术前规划方法及系统,不仅可以智能生成手术方案,同时可以让手术者在术前进行练习,将极大的降低患者手术风险,缩短手术时间,提高手术安全性。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,本发明提供的血管介入术前规划方法包括:
步骤100:获取患者的血管病灶影像。血管病灶影像中包括动脉瘤、血管畸形、血管狭窄、血管夹层等疾病病灶。
首先对血管病灶影像进行预处理,包括图像去噪、对比度增强等,以提高影像的分辨率。
本实施例中,采用高斯滤波器对所述血管病灶影像进行去噪处理。高斯滤波器通过一个二维高斯函数与图像进行卷积运算实现过滤。二维高斯函数的公式为:G(x,y)=(1/2πσ2)*e^-(x2+y2)/2σ2,其中,G(x,y)表示二维高斯函数在(x,y)处的值,σ为二维高斯函数的标准差。
基于局部区域的对比度增强处理可以使血管病灶影像中的局部结构更加清晰,本实施例中,采用以下公式对血管病灶影像进行对比度增强处理:
Inew=Iold×g(x,y);
其中,Iold为血管病灶影像,Inew为增强后的血管病灶影像,(x,y)为当前处理的像素点的坐标,g(x,y)为根据像素点(x,y)周围8个像素点的灰度值计算得出的系数。
步骤200:对所述血管病灶影像进行图像分割,得到多个二维图像。多个二维图像对应多个不同的组织或结构。即使用图像分割技术将血管病灶影像分割成不同的组织或结构部分,包括阈值分割、区域增长、边缘检测等。
具体地,步骤200包括:
(21)采用Otsu’s算法对所述血管病灶影像进行分割,以确定所述血管病灶影像中的组织区域或结构区域,得到初步图像集合。
Otsu’s算法假设待处理图像由前景和背景两部分组成,并使用统计学方法计算最佳阈值,以便最大程度地区分前景和背景。采用Otsu's算法确定最优阈值t*,可以将待处理分割成两个区域:前景和背景。前景区域表示待处理图像中灰度值高于最优阈值t*的像素所组成的区域,通常代表待处理图像中的目标物体或感兴趣的结构。背景区域表示待处理图像中灰度值低于最优阈值t*的像素所组成的区域,通常代表待处理图像中的非目标物体或不感兴趣的结构。
前景区域和背景区域的划分与不同的组织或结构存在密切关系。在血管病灶影像中,例如X光片、核磁共振成像(Magnetic Resonance Imaging,MRI)等,不同组织的密度或信号强度会有所不同。采用Otsu's算法进行图像分割,可以分离出具有相似密度或信号强度的组织或结构,从而帮助医生进行诊断和分析。例如,在X光片中,骨头通常具有较高的灰度值,而软组织通常具有较低的灰度值,通过阈值分割可以区分出骨头和软组织。
Otsu’s算法首先遍历血管病灶影像的所有像素,统计每个灰度级别的像素数量,得到灰度直方图。最优阈值t*的确定过程如下:
采用公式统计不同灰度级别的像素数量;其中,Ni为灰度级别为i的像素数量,N为血管病灶影像中的像素总数,在像素n的灰度级别为i时,Ni(n)=1,否则Ni(n)=0。/>I为灰度级别的总数。
初始化类内方差σ_w2:σ_w2=0。
初始化最佳阈值t*:t*=0。
对于每个可能的阈值t:
计算类内方差:
类别0的像素数量N0为:类别0的类内平均灰度μ0为:
类别1的像素数量N1为:类别1的类内平均灰度μ1为:
采用公式σ_w2_t=w0*w1*(μ0-μ1)2计算类内方差σ_w2_t;其中,w0=N0/N,w1=N1/N。
采用公式σ_b2_t=σ_z2-σ_w2_t计算类间方差σ_b2_t;其中,σ_z2为全局方差,σ_z2=∑i(i-μ_z)2/N,
若σ_b2_t>σ_b2,则更新类间方差和最佳阈值:σ_b2=σ_b2_t,t*=t。
(22)对所述初步图像集合进行区域增长处理,得到增长后的目标图像集合。具体地,区域增长是将成组的影像学的像素或区域发展成更大区域的过程。从数据种子点的集合开始,从这些点的区域增长是通过将与每个种子点有相似属性灰度、解剖结构等的相邻像素合并到此区,尤其是部分主要血管的成像。
(23)对增长后的目标图像集合进行Canny边缘检测,得到多个二维图像。具体地,采用双阈值检测,将像素分为强边缘和弱边缘。设置一个高阈值和低阈值,高于高阈值的像素被视为强边缘,低于低阈值的像素被视为背景,介于两个高阈值和低阈值之间的像素被视为弱边缘。使用连接操作,将弱边缘与强边缘像素连接在一起形成完整的边缘。如果弱边缘像素与强边缘相邻,则将其转化为强边缘。
步骤300:根据多个二维图像生成病灶三维数据。
具体地,步骤300包括:
(31)将多个二维图像进行堆叠,得到初步三维图像。
(32)对所述初步三维图像依次进行体素化及点云重建处理,得到初步病灶三维模型。体素化将二维图像转换为三维体素网格,点云重建根据二维图像的位置信息生成点云模型。
(33)对所述初步病灶三维模型进行优化,得到最终的病灶三维数据。
对初步病灶三维模型进行优化的过程包括消除噪声、填补空洞、平滑表面等操作,具体方法有体素填充算法、点云滤波、网格简化算法、结构光三角测量等。
其中,网格简化算法:如Laplacian平滑算法,用于降低初步病灶三维模型的复杂度,并减少不必要的细节。
体素填充算法:通过填充体素网格中的空洞,消除初步病灶三维模型中的空缺。
结构光三角测量:基于结构光的投射和反射原理,计算物体表面上各个点的三维坐标。
迭代最近点(Iterative ClosestPoint,ICP)算法:通过迭代匹配点云中的点对,估计两个点云之间的相对位置。
步骤400:基于所述病灶三维数据及手术器械参数,生成血管介入手术方案。所述血管介入手术方案包括手术器械型号、使用顺序及器械路径。在血管介入手术方案的生成过程中,可以调整不同型号手术器械的使用顺序。例如动脉瘤的填塞所用不同弹簧圈的顺序,在调整第一根弹簧圈型号后,后置入的弹簧圈自动调整,达到自动调整手术方案的目的,并能根据实际手术情况,自动调整每一步骤后的方案。
在已知医疗器械型号,并且医疗器械在研发阶段已具有血流动力学数据的情况下,形成治疗端的契合范围,血管介入手术方案的形成过程即判断医疗器械的契合范围是否能够覆盖或匹配病灶三维数据的过程。
具体地,步骤400包括:
(41)将所述病灶三维数据分别与不同型号的手术器械进行融合,并调整不同型号手术器械的使用顺序,得到初步融合三维图像。
(42)对所述初步融合三维图像依次进行去噪及对齐处理,得到校正融合三维图像。
本实施例中,使用平滑滤波器(如高斯滤波器)消除初步融合三维图像中的噪声,公式为:h(x,y)=∑[w(k,j)*f(x-k,y-j)];其中,h(x,y)为去噪后(x,y)处的像素值,f(x,y)为初步融合三维图像中(x,y)处的像素值,w(k,j)表示权重矩阵的元素。使用坐标变换公式或仿射变换或透视变换或刚体变换进行对齐处理。
(43)采用Canny边缘检测算法提取所述校正融合三维图像中手术区域的边缘特征,得到特征融合三维图像。
具体地,Canny边缘检测算法中的计算公式包括高斯滤波、梯度计算、非最大值抑制以及双阈值检测。边缘特征包括校正融合三维图像中的重要解剖结构、血管等。
(44)采用ICP算法对所述特征融合三维图像中的病灶点云及手术器械点云进行对准匹配,得到对准融合三维图像。
ICP算法涉及到点云之间的最小二乘法优化问题。其中,根据匹配点对的均方距离最小化,计算变换矩阵,进而对准点云。病灶点云和手术器械点云匹配即在三维展示下,病灶和一个或多个手术器械的距离,距离越窄代表契合度越高,距离越宽代表契合度越高。
(45)基于所述对准融合三维图像,采用几何计算和几何约束确定手术器械型号、使用顺序及器械路径。例如,可以使用最短路径算法来求解器械路径,并可以调整不同型号手术器械的使用顺序,例如动脉瘤的填塞所用不同弹簧圈的顺序,在调整第一根弹簧圈型号后,后置入的弹簧圈自动调整,达到自动调整手术方案的目的,并能根据实际手术情况,自动调整每一步骤后的方案。
进一步地,使用均方根误差(Root Mean Square Error,RMSE)评估血管介入手术方案的准确度:RMSE=sqrt(∑[d^2]/c);其中,d为两个点云之间的距离,c为点云的总点数。
步骤500:基于所述病灶三维数据制作病灶仿真模型。本实施例中,病灶仿真模型使用光敏树脂、硅胶、水凝胶及人工血管材料打印或制作,以模拟病灶的相应特性。
病灶仿真模型可以直接使用,进行手术前的练习、手术方案制定和规划,模拟全路径介入手术血管路径和病灶,协助手术者完成体外的练习和辅助治疗。
病灶仿真模型中包括动脉瘤、血管畸形、血管狭窄等血管疾病,其具有入口和出口,并在特定位置具有特殊标记点,用于画面识别的标记,可以连接体外仿真手术系统,使之组成一个完成体外血管回路,通过管腔模拟血液等参数。
步骤600:基于所述血管介入手术方案及所述病灶仿真模型进行体外练习或进行实际手术,并根据体外练习结果或实际手术情况,实时学习并调整所述血管介入手术方案。
如图2所示,本发明还提供了一种血管介入术前规划系统,包括:影像采集设备1、中央处理器2及3D打印终端3。所述中央处理器2分别与所述影像采集设备1及所述3D打印终端3连接。
所述影像采集设备1用于采集患者的血管病灶影像,并将所述血管病灶影像发送至所述中央处理器2。
所述中央处理器2用于对所述血管病灶影像进行图像分割,得到多个二维图像,根据多个二维图像生成病灶三维数据,基于所述病灶三维数据及手术器械参数,生成血管介入手术方案,并将所述病灶三维数据发送至所述3D打印终端3。多个二维图像对应多个不同的组织或结构。所述血管介入手术方案包括手术器械型号、使用顺序及器械路径(即手术步骤)。
例如:对于颅内动脉瘤,结合其形态、位置及周围血管关系,给出单纯栓塞、支架辅助栓塞、血流导向装置、球囊辅助栓塞等血管介入手术方案,包括弹簧圈使用顺序等。
进一步的,针对单纯栓塞,如果第一颗弹簧圈型号没有按照推荐方案执行,那么系统将在采集第一颗实际弹簧圈型号后,进一步给出接下来的弹簧圈型号推荐放置顺序,随后的弹簧圈顺序也将实时调整,直至完成手术。同样的,针对支架辅助栓塞,如果先置入支架,那么给出接下来的不同型号弹簧圈的放置顺序,如果先放弹簧圈,那么给出放置支架的型号和位置,实时调整、实时指导下一步的治疗方案。在此过程中,系统也将根据实际手术方案进行调整自学习,从而在下次遇见类似动脉时,能够给出更好的治疗方案。
本实施例中,中央处理器2可以接收影像采集设备1发送的血管病灶影像,进行三维重建,并通过人工校正获得更准确的血管三维重建图像,然后将重建的病灶三维数据发送至3D打印终端3。并且,中央处理器2在三维重建后,生成多个血管介入手术方案。
所述3D打印终端3用于基于所述病灶三维数据制作病灶仿真模型。所述病灶仿真模型使用光敏树脂、硅胶、水凝胶及人工血管材料制作。手术者基于所述血管介入手术方案及所述病灶仿真模型进行体外练习或进行实际手术,并将体外练习结果或实际手术情况发送至所述中央处理器2。
本实施例中,3D打印终端3设置在医院内,可以接收中央处理器2发送的病灶三维数据进行3D打印,制作病灶仿真模型,以及时快速的打印成型,缩短患者等待时间。
所述中央处理器2还用于根据体外练习结果或实际手术情况,实时学习并调整所述血管介入手术方案。中央处理器2还可以接收体外训练和实际手术术中相关数据的反馈,进行自学习,优化算法。
此外,所述血管介入术前规划系统还包括显示器4。显示器4与中央处理器2连接,显示器4用于显示血管介入手术方案及病灶三维数据。
具体地,手术者在练习端基于所述血管介入手术方案及所述病灶仿真模型进行体外练习,练习端设有配套的摄像头5,将画面传送至中央处理器2,对画面中特殊标记点进行识别和匹配,生成评价数据,指导手术者进行手术前练习。其中,特殊标记点为病灶仿真模型上的物理标记点,并通过病灶形状特征提取、图像处理,与预先定义的模板或目标特征进行匹配,使用几何变换方法校正手术画面,使得特殊标记点与目标位置对齐。
本发明手术者可以在体外进行练习或进行真实手术,产生真实解决方案,将所产生的介入手术画面及文字说明上传至中央处理器2,与智能生成的血管介入手术方案进行对比,并提供改进方案,中央处理器2学习优化。使其自学习优化方案算法。即采用强化学习的方式不断地更新血管介入手术方案和病灶仿真模型。
本发明通过影像采集设备1的发送端口将患者的血管病灶影像发送至中央处理器2,进行数据预处理、图像分割、三维重建和模型优化,针对存在错误或不完整的部分进行人工校正,使病灶更加仿真,智能生成血管介入手术方案,再通过网络远程发送至医院的3D打印终端3,制作病灶仿真模型,病灶仿真模型可以单独使用,也可以连接体外仿真手术系统形成完整的手术路径,然后根据智能生成的血管介入手术方案,在手术前进行体外练习、手术方案的制定和规划,并将体外练习所产生的方案修改反馈至中央处理器2,使其自学习优化方案算法,进而提高血管介入手术方案的准确度,降低手术风险。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (7)
1.一种血管介入术前规划方法,其特征在于,所述血管介入术前规划方法包括:
获取患者的血管病灶影像;
对所述血管病灶影像进行图像分割,得到多个二维图像;多个二维图像对应多个不同的组织或结构;
根据多个二维图像生成病灶三维数据;
基于所述病灶三维数据及手术器械参数,生成血管介入手术方案;所述血管介入手术方案包括手术器械型号、使用顺序及器械路径;
基于所述病灶三维数据及手术器械参数,生成血管介入手术方案,具体包括:
将所述病灶三维数据分别与不同型号的手术器械进行融合,并调整不同型号手术器械的使用顺序,得到初步融合三维图像;
对所述初步融合三维图像依次进行去噪及对齐处理,得到校正融合三维图像;
采用Canny边缘检测算法提取所述校正融合三维图像中手术区域的边缘特征,得到特征融合三维图像;
采用ICP算法对所述特征融合三维图像中的病灶点云及手术器械点云进行对准匹配,得到对准融合三维图像;
基于所述对准融合三维图像,采用几何计算和几何约束确定手术器械型号、使用顺序及器械路径;
基于所述病灶三维数据制作病灶仿真模型;
基于所述血管介入手术方案及所述病灶仿真模型进行体外练习,并根据体外练习结果,实时学习并调整所述血管介入手术方案。
2.根据权利要求1所述的血管介入术前规划方法,其特征在于,在对所述血管病灶影像进行图像分割之前,所述血管介入术前规划方法还包括:
对所述血管病灶影像依次进行去噪及对比度增强处理。
3.根据权利要求2所述的血管介入术前规划方法,其特征在于,采用高斯滤波器对所述血管病灶影像进行去噪处理。
4.根据权利要求1所述的血管介入术前规划方法,其特征在于,对所述血管病灶影像进行图像分割,得到多个二维图像,具体包括:
采用Otsu’s算法对所述血管病灶影像进行分割,以确定所述血管病灶影像中的组织区域或结构区域,得到初步图像集合;
对所述初步图像集合进行区域增长处理,得到增长后的目标图像集合;
对增长后的目标图像集合进行Canny边缘检测,得到多个二维图像。
5.根据权利要求1所述的血管介入术前规划方法,其特征在于,根据多个二维图像生成病灶三维数据,具体包括:
将多个二维图像进行堆叠,得到初步三维图像;
对所述初步三维图像依次进行体素化及点云重建处理,得到初步病灶三维模型;
对所述初步病灶三维模型进行优化,得到最终的病灶三维数据。
6.一种实现权利要求1至5任一项所述的血管介入术前规划方法的血管介入术前规划系统,其特征在于,所述血管介入术前规划系统包括:影像采集设备、中央处理器及3D打印终端;所述中央处理器分别与所述影像采集设备及所述3D打印终端连接;
所述影像采集设备用于采集患者的血管病灶影像,并将所述血管病灶影像发送至所述中央处理器;
所述中央处理器用于对所述血管病灶影像进行图像分割,得到多个二维图像,根据多个二维图像生成病灶三维数据,基于所述病灶三维数据及手术器械参数,生成血管介入手术方案,并将所述病灶三维数据发送至所述3D打印终端;多个二维图像对应多个不同的组织或结构;所述血管介入手术方案包括手术器械型号、使用顺序及器械路径;
所述3D打印终端用于基于所述病灶三维数据制作病灶仿真模型;术者基于所述血管介入手术方案及所述病灶仿真模型进行体外练习,并将体外练习结果发送至所述中央处理器;
所述中央处理器还用于根据体外练习结果,实时学习并调整所述血管介入手术方案。
7.根据权利要求6所述的血管介入术前规划系统,其特征在于,所述病灶仿真模型使用光敏树脂、硅胶、水凝胶及人工血管材料制作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311615767.0A CN117481805B (zh) | 2023-11-30 | 2023-11-30 | 一种血管介入术前规划方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311615767.0A CN117481805B (zh) | 2023-11-30 | 2023-11-30 | 一种血管介入术前规划方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117481805A CN117481805A (zh) | 2024-02-02 |
CN117481805B true CN117481805B (zh) | 2024-04-26 |
Family
ID=89676392
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311615767.0A Active CN117481805B (zh) | 2023-11-30 | 2023-11-30 | 一种血管介入术前规划方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117481805B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120122542A (ko) * | 2011-04-29 | 2012-11-07 | 주식회사 코어메드 | 영상수술 리허설 제공방법 및 시스템, 그 기록매체 |
KR20150113929A (ko) * | 2014-03-31 | 2015-10-08 | 주식회사 코어메드 | 영상수술 트레이닝 제공방법 및 그 기록매체 |
CN105096716A (zh) * | 2015-09-01 | 2015-11-25 | 深圳先进技术研究院 | 血管内介入手术模拟系统 |
CN107316554A (zh) * | 2017-06-14 | 2017-11-03 | 西安工业大学 | 一种心脏介入术虚拟训练系统 |
CN109493386A (zh) * | 2018-11-26 | 2019-03-19 | 刘伟民 | 一种基于图像识别的手术器械传递装置及控制方法 |
CN110087532A (zh) * | 2016-12-15 | 2019-08-02 | 诺华股份有限公司 | 用于眼科手术的自适应图像配准 |
CN114005022A (zh) * | 2021-12-30 | 2022-02-01 | 四川大学华西医院 | 一种手术器械使用的动态预测方法及系统 |
CN115547164A (zh) * | 2021-06-30 | 2022-12-30 | 中国医学科学院阜外医院 | 介入手术体外模拟系统 |
CN115662235A (zh) * | 2022-11-10 | 2023-01-31 | 西安交通大学 | 一种个体化心血管介入手术数字孪生系统 |
CN116196099A (zh) * | 2023-02-23 | 2023-06-02 | 同济大学 | 心血管介入手术路径规划方法、系统、存储介质及终端 |
CN116778782A (zh) * | 2023-08-25 | 2023-09-19 | 北京唯迈医疗设备有限公司 | 一种介入手术体外模拟训练系统及其控制方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102008034686A1 (de) * | 2008-07-25 | 2010-02-04 | Siemens Aktiengesellschaft | Verfahren zur Darstellung von interventionellen Instrumenten in einem 3 D-Datensatz einer zu behandelnden Anatomie sowie Wiedergabesystem zur Durchführung des Verfahrens |
US11766298B2 (en) * | 2019-05-03 | 2023-09-26 | Neil Glossop | Systems, methods, and devices for registering and tracking organs during interventional procedures |
-
2023
- 2023-11-30 CN CN202311615767.0A patent/CN117481805B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120122542A (ko) * | 2011-04-29 | 2012-11-07 | 주식회사 코어메드 | 영상수술 리허설 제공방법 및 시스템, 그 기록매체 |
KR20150113929A (ko) * | 2014-03-31 | 2015-10-08 | 주식회사 코어메드 | 영상수술 트레이닝 제공방법 및 그 기록매체 |
CN105096716A (zh) * | 2015-09-01 | 2015-11-25 | 深圳先进技术研究院 | 血管内介入手术模拟系统 |
CN110087532A (zh) * | 2016-12-15 | 2019-08-02 | 诺华股份有限公司 | 用于眼科手术的自适应图像配准 |
CN107316554A (zh) * | 2017-06-14 | 2017-11-03 | 西安工业大学 | 一种心脏介入术虚拟训练系统 |
CN109493386A (zh) * | 2018-11-26 | 2019-03-19 | 刘伟民 | 一种基于图像识别的手术器械传递装置及控制方法 |
CN115547164A (zh) * | 2021-06-30 | 2022-12-30 | 中国医学科学院阜外医院 | 介入手术体外模拟系统 |
CN114005022A (zh) * | 2021-12-30 | 2022-02-01 | 四川大学华西医院 | 一种手术器械使用的动态预测方法及系统 |
CN115662235A (zh) * | 2022-11-10 | 2023-01-31 | 西安交通大学 | 一种个体化心血管介入手术数字孪生系统 |
CN116196099A (zh) * | 2023-02-23 | 2023-06-02 | 同济大学 | 心血管介入手术路径规划方法、系统、存储介质及终端 |
CN116778782A (zh) * | 2023-08-25 | 2023-09-19 | 北京唯迈医疗设备有限公司 | 一种介入手术体外模拟训练系统及其控制方法 |
Non-Patent Citations (3)
Title |
---|
脑血管介入手术仿真训练系统研究;马炘;吴剑煌;王树国;付宜利;;透析与人工器官(第03期);全文 * |
脑血管介入手术远程训练系统的设计与实现;向梅芳;;软件导刊;20080430(第04期);全文 * |
血管介入机器人系统的手术评估;刘达;倪自强;;组织工程与重建外科杂志;20140215(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117481805A (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110047128B (zh) | 从几个x射线放射照片3d重建x射线ct体积和分割掩模的方法和系统 | |
EP3509013A1 (en) | Identification of a predefined object in a set of images from a medical image scanner during a surgical procedure | |
US8340376B2 (en) | Diffusion tensor imaging confidence analysis | |
EP2823463B1 (en) | Method and system to assist 2d-3d image registration | |
CN100553561C (zh) | 在ct血管造影术中分割结构的方法及设备 | |
CN111008984B (zh) | 医学影像中正常器官的轮廓线自动勾画方法 | |
US9214028B2 (en) | Method for segmenting a three-dimensional image data set, corresponding computer program and corresponding system | |
EP3100236A1 (en) | Method and system for constructing personalized avatars using a parameterized deformable mesh | |
Bullitt et al. | 3d graph description of the intracerebral vasculature from segmented mra and tests of accuracy by comparison with x-ray angiograms | |
CN115830016A (zh) | 医学图像配准模型训练方法及设备 | |
CN113538533B (zh) | 一种脊柱配准方法、装置、设备及计算机存储介质 | |
US11544848B2 (en) | Deep learning based methods and systems for automated subject anatomy and orientation identification | |
CN117481805B (zh) | 一种血管介入术前规划方法及系统 | |
US20080285822A1 (en) | Automated Stool Removal Method For Medical Imaging | |
CN115137342A (zh) | 基于深度学习的图像采集医学系统和方法 | |
CN110992406B (zh) | 一种基于感兴趣区的放疗患者摆位刚体配准算法 | |
CN114359310B (zh) | 一种基于深度学习的3d心室核磁共振视频分割优化系统 | |
US20230306601A1 (en) | Systems and methods for segmenting objects in medical images | |
EP4287201A1 (en) | Compensating for differences in medical images | |
CN115880469B (zh) | 一种表面点云数据与三维影像的配准方法 | |
Bazin et al. | Belief propagation based segmentation of white matter tracts in DTI | |
Li | Semi-automatic segmentation of normal female pelvic floor structures from magnetic resonance images | |
CN115841601A (zh) | 介入式导管头端形态的识别判断方法、系统、设备及介质 | |
CN116485847A (zh) | 一种基于轮廓特征编码的3d/2d术中配准方法 | |
CN118135108A (zh) | 基于骨性结构三维重建的导航误差矫正方法及装置 |
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 |