CN118217006A - 一种基于激光的手术参考方案生成方法及装置 - Google Patents
一种基于激光的手术参考方案生成方法及装置 Download PDFInfo
- Publication number
- CN118217006A CN118217006A CN202410400406.2A CN202410400406A CN118217006A CN 118217006 A CN118217006 A CN 118217006A CN 202410400406 A CN202410400406 A CN 202410400406A CN 118217006 A CN118217006 A CN 118217006A
- Authority
- CN
- China
- Prior art keywords
- ablation
- laser
- tissue
- network
- layer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000002679 ablation Methods 0.000 claims abstract description 110
- 238000013334 tissue model Methods 0.000 claims abstract description 38
- 238000011282 treatment Methods 0.000 claims abstract description 28
- 238000013528 artificial neural network Methods 0.000 claims abstract description 25
- 238000011298 ablation treatment Methods 0.000 claims abstract description 22
- 230000015654 memory Effects 0.000 claims description 70
- 230000006870 function Effects 0.000 claims description 47
- 230000005540 biological transmission Effects 0.000 claims description 28
- 230000002457 bidirectional effect Effects 0.000 claims description 23
- 238000000608 laser ablation Methods 0.000 claims description 20
- 230000007787 long-term memory Effects 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 16
- 230000004927 fusion Effects 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000010317 ablation therapy Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 238000002430 laser surgery Methods 0.000 abstract description 4
- 210000001519 tissue Anatomy 0.000 description 76
- 239000010410 layer Substances 0.000 description 59
- 230000006403 short-term memory Effects 0.000 description 13
- 230000008859 change Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 239000013598 vector Substances 0.000 description 6
- 238000006731 degradation reaction Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005520 cutting process Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 229920000936 Agarose Polymers 0.000 description 2
- 206010061218 Inflammation Diseases 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 210000000988 bone and bone Anatomy 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 230000004054 inflammatory process Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000002356 single layer Substances 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 239000012636 effector Substances 0.000 description 1
- 230000005802 health problem Effects 0.000 description 1
- 210000002758 humerus Anatomy 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013532 laser treatment Methods 0.000 description 1
- 150000002632 lipids Chemical class 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000011277 treatment modality Methods 0.000 description 1
Landscapes
- Laser Surgery Devices (AREA)
Abstract
本发明提出了一种基于激光的手术参考方案生成方法及装置,涉及激光辅助治疗技术领域,采集患者治疗数据,其中,所述患者治疗数据包括入射激光轮廓参数和患者组织模型;构建烧蚀运动学模型,将所述入射激光轮廓参数和所述患者组织模型的激光入射坐标输入所述烧蚀运动学模型,以获取组织烧蚀特征;将所述组织烧蚀特征输入时间循环神经网络中,以使所述时间循环神经网络输出与所述组织烧蚀特征对应的烧蚀治疗预测结果;生成以所述烧蚀治疗预测结果作为参考信息的手术参考方案。本发明有助于提升最终所确定激光手术方案的准确度。
Description
技术领域
本发明涉及激光辅助治疗技术领域,尤其涉及一种基于激光的手术参考方案生成方法及装置。
背景技术
激光手术作为一种精准且低侵入性的治疗方式,在现代医学中得到了广泛的应用。针对患者的个体特征和治疗需求,激光手术需要综合考虑各种因素,以确保治疗的准确性和效果。
公开号为CN116452855A的中国专利公开了一种基于深度学习的伤口图像分类及激光辅助治疗方法,属于伤口图像分类及激光辅助治疗领域。本发明公开的基于深度学习的伤口图像分类方法,使用多光谱相机同时采集伤口的可见光图像和红外图像,将伤口的可见光图像和红外图像信息进行特征融合,再将伤口图像输入到基于深度学习的检测分类器中完成定位、分类和识别。但是上述申请无法在病理组织切除和精确切除组织的过程中最大限度地减少对健康组织的错误过度切割,因此,提供一种基于激光的手术参考方案生成方法及装置,来提升最终所确定激光手术方案的准确度,是非常有必要的。
发明内容
有鉴于此,本发明提出了一种基于激光的手术参考方案生成方法及装置。通过利用时间循环神经网络对这些具有时序的患者治疗数据进行处理,提取出有关激光组织烧蚀的对应特征,从而显著提高了网络模型的预测能力和准确度。
本发明提供了一种基于激光的手术参考方案生成方法,所述方法包括:
采集患者治疗数据,其中,所述患者治疗数据包括入射激光轮廓参数和患者组织模型,所述患者组织模型包含激光入射坐标;
构建烧蚀运动学模型,将所述入射激光轮廓参数和所述患者组织模型的激光入射坐标输入所述烧蚀运动学模型,经处理后得到组织烧蚀特征;
将所述组织烧蚀特征输入时间循环神经网络中,得到所述组织烧蚀特征对应的烧蚀治疗预测结果;
以所述烧蚀治疗预测结果作为参考信息,并基于所述参考信息生成对应的手术参考方案。
在以上技术方案的基础上,优选的,所述烧蚀运动学模型的表达式为:
nk(Af,Cf,bk)=bk+dk(x)*Af
其中,Af表示激光入射角度,Cf表示激光烧蚀中心,bk表示进行激光消融前所述组织模型的第k个模拟坐标,nk表示进行激光消融后所述组织模型的第k个模拟坐标,dk(x)表示由入射角度Af方向激光烧蚀消去的组织体积。
在以上技术方案的基础上,优选的,所述时间循环神经网络包括双向长短期记忆网络和卷积长短期记忆网络,所述双向长短期记忆网络用于记录每个时间步中的组织烧蚀特征,并输出与组织烧蚀特征对应的向前传递特征和向后传递特征,所述卷积长短期记忆网络用于捕捉时间序列数据中的时空特征,并输出基于所述组织烧蚀特征和所述时间序列数据的卷积特征。
更进一步优选的,所述将所述组织烧蚀特征输入时间循环神经网络中,得到所述组织烧蚀特征对应的烧蚀治疗预测结果,具体包括:
分别将不同时间步对应的组织烧蚀特征依次输入所述双向长短期记忆网络和所述卷积长短期记忆网络;
所述双向长短期记忆网络基于组织烧蚀特征输出向前传递特征和向后传递特征,所述卷积长短期记忆网络基于组织烧蚀特征输出卷积特征;
基于特征融合模块对所述向前传递特征、所述向后传递特征以及所述卷积特征进行特征融合,得到与时间步对应的预测烧蚀特征;
将所述预测烧蚀特征通过基于全连接层的预测模块,以使所述预测模块输出与预测烧蚀特征对应的烧蚀治疗预测结果。
更进一步优选的,所述双向长短期记忆网络的表达式为:
其中,it表示第t个时间步中输入门的状态值,ft表示第t个时间步中遗忘门的状态值,ct表示第t时间步中细胞门的状态值,ot表示第t个时间步中输出门的状态值,表示哈达玛积,σ()表示sigmoid函数,bi表示输入门的偏置项,Wci表示输入层到细胞层的网络权重,/>表示第t-1个时间步中,第s个隐藏状态下隐藏层的输出函数,Wih表示输入层到隐藏层的网络权重,Wig表示第t-1个时间步中输入门的状态值的网络权重,/>表示第t-1个时间步中,第s个隐藏状态下输入门的状态值,bf表示遗忘门的偏置项,Wfo表示遗忘层到输出层的网络权重,Whf表示隐藏层到遗忘层的网络权重,Wfg表示第t-1个时间步中遗忘门的状态值的网络权重,tanh()表示双曲正切函数,bc表示细胞门的偏置项,Whc表示隐藏层到细胞层的网络权重,Wgc表示第t-1个时间步中细胞门的状态值的网络权重,bo表示输出门的偏置项,Woc表示输出层到细胞层的网络权重,Woh表示输出层到隐藏层的网络权重,Wog表示第t-1个时间步中输出门的状态值的网络权重。
更进一步优选的,所述双向长短期记忆网络还包括以下表达式:
其中,ai表示隐藏层的注意力输出函数,gi表示隐藏层输出的评估得分,Bg表示第一可学习参数,Wls表示第二可学习参数,Whs表示第三可学习参数,Gt表示所述双向长短期记忆网络中第二的卷积层的运算函数。
更进一步优选的,所述卷积长短期记忆网络的表达式为:
X={Xt-n,Xt-n+1,……,Xt+n-1,Xt+n}
其中,X表示不同时间步中的输入数据,Xt+n表示预测时间段中第t+n个时间点的输入数据,n表示常数,Et表示所述双向长短期记忆网络中第一卷积层的运算函数,M1表示所述双向长短期记忆网络的第一卷积核,Gt表示所述双向长短期记忆网络中第二的卷积层的运算函数,M2表示所述双向长短期记忆网络的第二卷积核,Yt表示所述双向长短期记忆网络输出的卷积特征。
在本申请的第二方面提供了一种基于激光的手术参考方案生成装置,所述手术参考方案生成装置包括数据采集模块、模型构建模块、数据预测模块(13)以及方案生成模块,其中,
所述数据采集模块用于采集患者治疗数据,其中,所述患者治疗数据包括入射激光轮廓参数和患者组织模型,所述患者组织模型包含激光入射坐标;
所述模型构建模块用于构建烧蚀运动学模型,将所述入射激光轮廓参数和所述患者组织模型的激光入射坐标输入所述烧蚀运动学模型,经处理后得到组织烧蚀特征;
所述数据处理模块用于将所述组织烧蚀特征输入时间循环神经网络中,得到所述组织烧蚀特征对应的烧蚀治疗预测结果
所述方案生成模块用于以所述烧蚀治疗预测结果作为参考信息,并基于所述参考信息生成对应的手术参考方案。
在本申请的第三方面提供了一种电子设备,包括处理器、存储器、用户接口及网络接口,所述存储器用于存储指令,所述用户接口和网络接口用于给其他设备通信,所述处理器用于执行所述存储器中存储的指令。
在本申请的第四方面提供了一种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实现基于激光的手术参考方案生成方法的步骤。
本发明提供的一种基于激光的手术参考方案生成方法及装置相对于现有技术具有以下有益效果:
(1)通过患者治疗数据包含了反映患者组织状态的患者组织模型以及激光输出条件等多样信息,这些数据的获取为后续的烧蚀治疗预测提供了基础,同时利用时间循环神经网络对这些具有时序的患者治疗数据进行处理,从而提取出有关激光组织烧蚀拟合参数的对应特征,这些特征有助于全面理解激光组织烧蚀的烧蚀坑洞体积变化、位置变化以及形状变化,使时间循环神经网络以全面、深入地理解激光组织烧蚀的状态变化,能够有效地学习特征序列内在的依赖关系,可以提供更丰富的特征表示,对后续的烧蚀治疗预测带来极大的便利,从而显著提高了网络模型的预测能力和准确度;
(2)利用双向长短期记忆网络获取的向前传递特征包含了过去时刻到当前时刻的信息,而向后传递特征则包含了未来时刻到当前时刻的信息,将这两种特征进行融合,可以使时间循环神经网络更好地理解整个时序数据,并更准确地预测未来的烧蚀特征,并且将向前传递特征、向后传递特征和卷积特征进行融合,使时间循环神经网络不仅考虑时间上的信息,还考虑了空间上的信息,从而更全面地理解时空序列数据,得到一个更具代表性和综合性的特征表示,以提高对烧蚀治疗预测的准确性。
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为本发明提供的基于激光的手术参考方案生成方法的流程示意图;
图2为本发明提供的激光与组织模型的几何配置关系图;
图3为本发明提供的时间循环神经网络的框架示意图;
图4为本发明提供的手术参考方案生成装置的结构示意图;
图5为本发明提供的电子设备的结构示意图。
附图标记说明:1、手术参考方案生成装置;11、数据采集模块;12、模型构建模块;13、数据预测模块;14、方案生成模块;2、电子设备;21、处理器;22、通信总线;23、用户接口;24、网络接口;25、存储器。
具体实施方式
下面将结合本发明实施方式,对本发明实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式仅仅是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,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方式,都属于本发明保护的范围。
本申请实施例公开一种基于激光的手术参考方案生成方法,如图1所示,该方法的步骤包括S1~S4。
步骤S1,采集患者治疗数据,其中,患者治疗数据包括入射激光轮廓参数和患者组织模型,所述患者组织模型包含激光入射坐标。
在本步骤中,入射激光轮廓参数需要通过激光治疗设备本身进行记录,通过记录每次患者治疗时激光的强度、波长、脉冲持续时间等参数;构建患者组织模型需要采集患者的医学图像资料,可使用CT机、MRI仪等对患者进行扫描,获得患者待治疗组织处的三维数字影像模型。由于人体各组织在医学影像中的特征一般不同,例如,骨骼组织、皮肤、肌肉等所对应的像素点灰度值一般不同,因此医生可以通过分析医学影像中的信息,获得人体内部生理组织的相对位置关系和有无健康问题。例如,若扫描区域是手肘,医生可以从医学影像上清晰看到骨骼(如肱骨)和手肘的相对位置,并且,当发现可能有炎症时,由于炎症的病灶区域在医学影像上的灰度值不同,医生可以从中得到人体是否有病灶的信息。
在一个示例中,由于激光烧蚀组织形成切口的大小与输入能量密切相关,而输入能量则由激光扫描速度和激光功率控制。以下公式是与入射激光轮廓参数相关的特征:
vi=si/ti
Ei=Pi/vi
其中,θi表示坐标为(xi,yi)扫描点处的激光入射角度,表示激光功率,Pi表示激光功率受激光投影区域影响的特征,扫描点(xi,yi)的扫描速度vi是由扫描点(xi,yi)为圆心、以邻域扫描距离si为半径以及周期扫描时间ti确定的。Ei表示激光对单位长度的输入能量,称为线能量密度,单位为J/mm。
其中,表示与激光移动的单位方向矢量/>与坐标系中x轴之间的夹角,e0是x轴的单位方向矢量,g()表示根据矢量角度函数。
步骤S2,构建烧蚀运动学模型,将入射激光轮廓参数和患者组织模型的激光入射坐标输入烧蚀运动学模型,经处理后得到组织烧蚀特征。
在本步骤中,烧蚀运动学模型的表达式为:
nk(Af,Cf,bk)=bk+dk(x)*Af
其中,Af表示激光入射角度,Cf表示激光烧蚀中心,bk表示进行激光消融前组织模型的第k个模拟坐标,nk表示进行激光消融后组织模型的第k个模拟坐标,dk(x)表示由入射角度Af方向激光烧蚀消去的组织体积。
在本实施例中,如图2为激光与组织模型的几何配置关系图,将激光消融前的组织表面可以定义为且/>激光消融后的组织表面可以定义为/>且可以理解是,每一对bk和nk均形成唯一的映射关系。
步骤S3,将组织烧蚀特征输入时间循环神经网络中,得到组织烧蚀特征对应的烧蚀治疗预测结果。
在本实施例中,时间循环神经网络包括双向长短期记忆网络和卷积长短期记忆网络,双向长短期记忆网络用于记录每个时间步中的组织烧蚀特征,并输出与组织烧蚀特征对应的向前传递特征和向后传递特征,卷积长短期记忆网络用于捕捉时间序列数据中的时空特征,并输出基于组织烧蚀特征和时间序列数据的卷积特征。
在本步骤中,还包括步骤S31~S34。
步骤S31,分别将不同时间步对应的组织烧蚀特征依次输入双向长短期记忆网络和卷积长短期记忆网络。
需要解释说明的是,LSTM网络(长短期记忆网络)是一种能够学习长序列数据的循环神经网络。它通过遗忘门、输入门等机制来控制状态的流动,可以捕捉时序数据中的长距离依赖关系。激光组织烧蚀在不同退化阶段,其烧蚀坑洞大小及形状会有所不同。将特定阶段的烧蚀坑洞大小及形状输入LSTM网络进行训练,可以获得该阶段的特征提取和建模。相比简单的全连接网络,LSTM更适合处理时间序列,可以学习时序状态转移的内在规律。相比卷积网络,它对序列长度变化也更鲁棒。最后,将各个阶段的LSTM模型进行集成,不同阶段的模型可以捕捉对应状态下的时序特征,提高对整个退化过程的建模能力,增强预测效果。综上,使用LSTM网络进行阶段建模,可以获得对动态退化过程的深度学习表达,有利于激光组织烧蚀的结果预测。
在本步骤中,将X={Xt-n,Xt-n+1,……,Xt+n-1,Xt+n}以相同的时间步对应的组织烧蚀特征输入双向长短期记忆网络和卷积长短期记忆网络中。组织烧蚀特征可以通过特征向量表示,其中,Af表示激光入射角度,/>表示由入射角度Af方向激光烧蚀消去的组织体积,/>表示经激光消融后的组织到激光中心的距离。
步骤S32,双向长短期记忆网络基于组织烧蚀特征输出向前传递特征和向后传递特征,卷积长短期记忆网络基于组织烧蚀特征输出卷积特征。
在本步骤中,图3为时间循环神经网络的框架示意图。
双向长短期记忆网络的表达式为:
其中,it表示第t个时间步中输入门的状态值,ft表示第t个时间步中遗忘门的状态值,ct表示第t时间步中细胞门的状态值,ot表示第t个时间步中输出门的状态值,表示哈达玛积,σ()表示sigmoid函数,bi表示输入门的偏置项,Wci表示输入层到细胞层的网络权重,/>表示第t-1个时间步中,第s个隐藏状态下隐藏层的输出函数,Wih表示输入层到隐藏层的网络权重,Wig表示第t-1个时间步中输入门的状态值的网络权重,/>表示第t-1个时间步中,第s个隐藏状态下输入门的状态值,bf表示遗忘门的偏置项,Wfo表示遗忘层到输出层的网络权重,Whf表示隐藏层到遗忘层的网络权重,Wfg表示第t-1个时间步中遗忘门的状态值的网络权重,tanh()表示双曲正切函数,bc表示细胞门的偏置项,Whc表示隐藏层到细胞层的网络权重,Wgc表示第t-1个时间步中细胞门的状态值的网络权重,bo表示输出门的偏置项,Woc表示输出层到细胞层的网络权重,Woh表示输出层到隐藏层的网络权重,Wog表示第t-1个时间步中输出门的状态值的网络权重。
其中,ai表示隐藏层的注意力输出函数,gi表示隐藏层输出的评估得分,Bg表示第一可学习参数,Wls表示第二可学习参数,Whs表示第三可学习参数,Gt表示双向长短期记忆网络中第二的卷积层的运算函数。
卷积长短期记忆网络的表达式为:
X={Xt-n,Xt-n+1,……,Xt+n-1,Xt+n}
其中,X表示不同时间步中的输入数据,Xt+n表示预测时间段中第t+n个时间点的输入数据,n表示常数,Et表示双向长短期记忆网络中第一卷积层的运算函数,M1表示双向长短期记忆网络的第一卷积核,Gt表示双向长短期记忆网络中第二的卷积层的运算函数,M2表示双向长短期记忆网络的第二卷积核,Yt表示双向长短期记忆网络输出的卷积特征。
在一个示例中,也可使用基于对称高斯的模型来描述激光能量与表面几何形状之间的关系,但是基于对称高斯的模型仅有两个参数,无法推广到更复杂的数据拟合模型,而另一种方法是使用其他非线性回归函数,如多项式函数和高斯混合函数,不过非线性回归函数需要一些特定的定义,如多项式函数的阶数。因此,本方案也可采用具有四个参数(单隐层和输出层包含权重和偏置两个参数)的单层感知器(SLP)模型作为模型拟合的回归函数。即通过构建单层感知器(SLP)对和/>的映射关系进行建模。
其中,fSLP()表示自变量与因变量/>之间的一维回归函数。
首先,定义一个参考平面,将高斯光束轮廓描述为一个点矢量配置(Po,Af),并将激光烧蚀中心Pc投影到激光入射面上的激光原点Po,即可得到激光原点Po的表达式:
Po=Pc-R*Af
其中,R表示任意一个固定常数,Bk表示与激光消融前组织模型的第k个模拟坐标对应的投影坐标,进一步表示投影坐标Bk与激光原点Po之间的距离,|| ||2表示L2损失函数-正态分布。
对烧蚀运动学模型中的一维回归函数fSLP()进行参数估计:
其中,Γ(θ)表示均方误差损失函数,将作为数据集,且训练-验证比例设置为8:2,为训练好的SLP模型选择最佳历元,采用MATLAB fitnet内置函数实现SLP,并使用Levenberg-Marquardt优化算法作为求解器。
建立与烧蚀运动学模型中正向运动模型相对的逆相运动模型:
H1[CfAf]T+j1=0
H2·Cf+j2≤0,H3·Af+j3≤0
其中,Ik表示nk和坐标对应的成本函数,/>表示进行激光消融后组织模型的第k个实际坐标,且l≠k。可以存在如下定义:H1=[0,0,-1,0,0,0]和j1=α(参考平面的表面法线为[0,0,-1],α为一个固定值),将以上矩阵定义为相等约束,以使激光烧蚀中心在固定的平面区域内移动,并且相等约束条件由一个与XY平面且Z值为α的参考平面来描述。在实际应用中,激光手术刀可以在组织表面的任意位置释放能量。此外,(H2,j2)和(H3,j3)表示消融中心和定向矢量上下限的不等式约束,这与实际情况一致,即机器人激光末端执行器在操作时可能会受到几何约束。
用户(即外科医生)可以根据三维传感器(如OCT)的术中测量结果,在术中选择目标兴趣区域(ROI),并创建表面目标,如肿瘤边界和组织切割ROI。激光规划器可计算出最佳激光入射配置,以创建一个模拟的消融后组织凹坑。这种预测的凹坑可用于激光手术的手术规划,或帮助外科医生评估当前单次激光消融的质量。由于激光规划问题等同于最小化预测弹坑与表面目标之间的对齐偏移,即可以将优化问题表述为两个表面之间基于点的误差的最小二乘:
H1[CfAf]T+j1=0
H2·Cf+j2≤0,H3·Af+j3≤0
其中,Υ表示激光入射角度和激光烧蚀中心对应的成本函数。
进一步地,为了创建具有多个消融后组织凹坑的数据集,可以采用现有的机器人激光系统(如TumorCNC),利用10瓦CO2激光器在模型上创建各种激光方向和烧蚀中心。每种激光入射配置都能产生独特的表面凹坑,这种表面轮廓可以通过后处理获得固定数量的数据元组通过采集三种不同模型组织属性的数据集,且每种模型都有三种不同的能量模型。组织属性是通过调整琼脂糖在烧蚀组织模型总体积中所占质量比例来控制的,且琼脂糖在烧蚀组织模型总体积中所占质量比例可以为0.5%、1.5%和2.5%,同时保持内部脂质在烧蚀组织模型总体积中所占比例为10%来定义的。每个烧蚀组织模型都与三种不同的能量模型相关联(例如25焦耳;56焦耳;95焦耳)。对于每种能量模式,均指定了六个组织凹坑,其独特的激光入射方向由双轴振镜控制。因此,每个组织凹坑都可视为一个独特的数据点。
步骤S33,基于特征融合模块对向前传递特征、向后传递特征以及卷积特征进行特征融合,得到与时间步对应的预测烧蚀特征。
双向长短期记忆网络获取的向前传递特征包含了过去时刻到当前时刻的信息,而向后传递特征则包含了未来时刻到当前时刻的信息,将这两种特征进行融合,可以使时间循环神经网络更好地理解整个时序数据,并更准确地预测未来的烧蚀特征,并且将向前传递特征、向后传递特征和卷积特征进行融合,使时间循环神经网络不仅考虑时间上的信息,还考虑了空间上的信息,从而更全面地理解时空序列数据,得到一个更具代表性和综合性的特征表示,提高预测的准确性。
在一个示例中,也可采用多模型融合对向前传递特征、向后传递特征以及卷积特征进行特征融合,由于不同的单模型各有优势,融合可以利用各模型的长处,提高预测的稳定性和鲁棒性。这里可以将各个退化阶段的LSTM模型进行加权融合,加权系数可以基于模型的验证性能来设置,也可以设置为相同权重。随着新数据到来,可以持续进行在线预测,并根据预测效果动态调整各模型的权重,实现自适应优化。相比单一模型,模型融合考虑了不同状态下的特征,可以更全面地刻画整个退化过程,预测结果也更可靠,从而提高预测的准确性和健壮性,并更适合复杂的序列预测问题。
步骤S34,将预测烧蚀特征通过基于全连接层的预测模块,以使预测模块输出与预测烧蚀特征对应的烧蚀治疗预测结果。
在本步骤中,涉及到对采集到的患者治疗数据进行即时分析,这一过程需要通过连续的特征提取、模式识别等步骤来实现对新数据的实时处理。由于特征提取是重复进行的,以确保能够准确捕捉到患者组织烧蚀的最新特征变化。通过不断更新的特征表示,能够反映患者组织的当前状态及其对治疗的响应。此外,通过对特征进行聚类和模式识别,可以识别出不同阶段的烧蚀特征,从而对治疗过程进行动态的调整和优化,还可以通过预测结果的反馈来不断更新和优化预测模型,实现增量学习和模型的自我完善。
步骤S4,以所述烧蚀治疗预测结果作为参考信息,并基于所述参考信息生成对应的手术参考方案。
在本步骤中,上述手术参考方案中包括参考信息,参考信息包括预测烧蚀形成组织凹坑的形状及大小,激光烧蚀中心位置以及激光输出功率,医生在阅览上述手术参考方案时,可以获得以上信息。
医生在确定手术方案时,可以直接将上述手术参考方案中包含的参考信息作为所确定手术方案中的信息,也可以在上述参考信息的基础上依据自身手术经验调整参考信息,从而确定手术方案。
另外,在生成手术参考方案时,除了可以将上述所确定预测烧蚀形成组织凹坑的形状及大小,激光烧蚀中心位置以及激光输出功率为参考信息,另外,还可以对对象的待治疗组织的三维模型中预测组织烧蚀凹坑和实际组织烧蚀凹坑的重叠体积比以及过切割值作为参考。
综上所述,借助于本发明的上述技术方案,本发明获取的患者治疗数据包含了反映激光组织烧蚀最后形成的烧蚀坑洞和激光输出条件等多样信息,如预测烧蚀形成组织凹坑的形状及大小,激光烧蚀中心位置以及激光输出功率等各种参数,这些数据的获取为后续的烧蚀治疗预测提供了基础,同时利用时间循环神经网络模型中的双向长短期记忆网络和卷积长短期记忆网络分别对这些时序数据进行处理,从而提取出有关激光组织烧蚀拟合参数的向前传递特征、向后传递特征以及卷积特征,这些特征有助于全面理解激光组织烧蚀的烧蚀坑洞体积变化、位置变化以及形状变化,通过融合了多种数据处理和特征提取技术,以全面、深入地理解激光组织烧蚀后形成烧蚀凹坑的状态变化,预测其可能的烧蚀治疗预测结果,能够有效地学习特征序列内在的依赖关系,可以提供更丰富的特征表示,对后续的烧蚀治疗预测带来极大的便利,从而显著提高了网络模型的预测能力和准确度。
基于上述方法,本申请实施例公开一种基于激光的手术参考方案生成装置,参考图4,手术参考方案生成装置1包括数据采集模块11、模型构建模块12、数据预测模块13以及方案生成模块14,其中,
数据采集模块11用于采集患者治疗数据,其中,患者治疗数据包括入射激光轮廓参数和患者组织模型,所述患者组织模型包含激光入射坐标;
模型构建模块12用于构建烧蚀运动学模型,将入射激光轮廓参数和患者组织模型的激光入射坐标输入烧蚀运动学模型,经处理后得到组织烧蚀特征;
数据处理模块13用于将组织烧蚀特征输入时间循环神经网络中,得到组织烧蚀特征对应的烧蚀治疗预测结果;
方案生成模块14用于以所述烧蚀治疗预测结果作为参考信息,并基于所述参考信息生成对应的手术参考方案。
在一个示例中,烧蚀运动学模型的表达式为:
nk(Af,Cf,bk)=bk+dk(x)*Af
其中,Af表示激光入射角度,Cf表示激光烧蚀中心,bk表示进行激光消融前组织模型的第k个模拟坐标,nk表示进行激光消融后组织模型的第k个模拟坐标,dk(x)表示由入射角度Af方向激光烧蚀消去的组织体积。
在一个示例中,时间循环神经网络包括双向长短期记忆网络和卷积长短期记忆网络,双向长短期记忆网络用于记录每个时间步中的组织烧蚀特征,并输出与组织烧蚀特征对应的向前传递特征和向后传递特征,卷积长短期记忆网络用于捕捉时间序列数据中的时空特征,并基于组织烧蚀特征和时间序列数据的卷积特征。
在一个示例中,将所述组织烧蚀特征输入时间循环神经网络中,得到所述组织烧蚀特征对应的烧蚀治疗预测结果,具体包括:
分别将不同时间步对应的组织烧蚀特征依次输入双向长短期记忆网络和卷积长短期记忆网络;
双向长短期记忆网络基于组织烧蚀特征输出向前传递特征和向后传递特征,卷积长短期记忆网络基于组织烧蚀特征输出卷积特征;
基于特征融合模块对向前传递特征、向后传递特征以及卷积特征进行特征融合,得到与时间步对应的预测烧蚀特征;
将预测烧蚀特征通过基于全连接层的预测模块,以使预测模块输出与预测烧蚀特征对应的烧蚀治疗预测结果。
在一个示例中,双向长短期记忆网络的表达式为:
其中,it表示第t个时间步中输入门的状态值,ft表示第t个时间步中遗忘门的状态值,ct表示第t时间步中细胞门的状态值,ot表示第t个时间步中输出门的状态值,表示哈达玛积,σ()表示sigmoid函数,bi表示输入门的偏置项,Wci表示输入层到细胞层的网络权重,/>表示第t-1个时间步中,第s个隐藏状态下隐藏层的输出函数,Wih表示输入层到隐藏层的网络权重,Wig表示第t-1个时间步中输入门的状态值的网络权重,/>表示第t-1个时间步中,第s个隐藏状态下输入门的状态值,bf表示遗忘门的偏置项,Wfo表示遗忘层到输出层的网络权重,Whf表示隐藏层到遗忘层的网络权重,Wfg表示第t-1个时间步中遗忘门的状态值的网络权重,tanh()表示双曲正切函数,bc表示细胞门的偏置项,Whc表示隐藏层到细胞层的网络权重,Wgc表示第t-1个时间步中细胞门的状态值的网络权重,bo表示输出门的偏置项,Woc表示输出层到细胞层的网络权重,Woh表示输出层到隐藏层的网络权重,Wog表示第t-1个时间步中输出门的状态值的网络权重。
在一个示例中,双向长短期记忆网络还包括以下表达式:
/>
其中,ai表示隐藏层的注意力输出函数,gi表示隐藏层输出的评估得分,Bg表示第一可学习参数,Wls表示第二可学习参数,Whs表示第三可学习参数,Gt表示双向长短期记忆网络中第二的卷积层的运算函数。
在一个示例中,卷积长短期记忆网络的表达式为:
X={Xt-n,Xt-n+1,……,Xt+n-1,Xt+n}
其中,X表示不同时间步中的输入数据,Xt+n表示预测时间段中第t+n个时间点的输入数据,n表示常数,Et表示双向长短期记忆网络中第一卷积层的运算函数,M1表示双向长短期记忆网络的第一卷积核,Gt表示双向长短期记忆网络中第二的卷积层的运算函数,M2表示双向长短期记忆网络的第二卷积核,Yt表示双向长短期记忆网络输出的卷积特征。
请参见图5,为本申请实施例提供了一种电子设备的结构示意图。如图5所示,电子设备2可以包括:至少一个处理器21,至少一个网络接口24,用户接口23,存储器25,至少一个通信总线22。
其中,通信总线22用于实现这些组件之间的连接通信。
其中,用户接口23可以包括显示屏(Display)、摄像头(Camera),可选用户接口23还可以包括标准的有线接口、无线接口。
其中,网络接口24可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
其中,处理器21可以包括一个或者多个处理核心。处理器21利用各种接口和线路连接整个服务器内的各个部分,通过运行或执行存储在存储器25内的指令、程序、代码集或指令集,以及调用存储在存储器25内的数据,执行服务器的各种功能和处理数据。可选的,处理器21可以采用数字信号处理(DigitalSignalProcessing,DSP)、现场可编程门阵列(Field-ProgrammableGateArray,FPGA)、可编程逻辑阵列(ProgrammableLogicArray,PLA)中的至少一种硬件形式来实现。处理器21可集成中央处理器(CentralProcessingUnit,CPU)、图像处理器(GraphicsProcessingUnit,GPU)和调制解调器等中的一种或几种的组合。其中,CPU主要处理操作系统、用户界面和应用程序等;GPU用于负责显示屏所需要显示的内容的渲染和绘制;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到处理器21中,单独通过一块芯片进行实现。
其中,存储器25可以包括随机存储器(RandomAccessMemory,RAM),也可以包括只读存储器(Read-OnlyMemory)。可选的,该存储器25包括非瞬时性计算机可读介质(non-transitorycomputer-readablestoragemedium)。存储器25可用于存储指令、程序、代码、代码集或指令集。存储器25可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等;存储数据区可存储上面各个方法实施例中涉及的数据等。存储器25可选的还可以是至少一个位于远离前述处理器21的存储装置。如图5所示,作为一种计算机存储介质的存储器25中可以包括操作系统、网络通信模块、用户接口模块以及基于单目的高速锻锤跟踪方法的应用程序。
在图5所示的电子设备2中,用户接口23主要用于为用户提供输入的接口,获取用户输入的数据;而处理器21可以用于调用存储器25中存储基于单目的高速锻锤跟踪方法的应用程序,当由一个或多个处理器执行时,使得电子设备执行如上述实施例中一个或多个方法。
一种计算机可读存储介质,计算机可读存储介质存储有指令。当由一个或多个处理器执行时,使得计算机执行如实上述施例中一个或多个方法。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必需的。
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的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所披露的装置,可通过其他的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如单元的划分,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信连接可以是通过一些服务接口,装置或单元的间接耦合或通信连接,可以是电性或其他的形式。
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。
集成的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器中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储器中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储器包括:U盘、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的较佳实施方式而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于激光的手术参考方案生成方法,其特征在于,所述方法包括:
采集患者治疗数据,其中,所述患者治疗数据包括入射激光轮廓参数和患者组织模型,所述患者组织模型包含激光入射坐标;
构建烧蚀运动学模型,将所述入射激光轮廓参数和所述患者组织模型的激光入射坐标输入所述烧蚀运动学模型,经处理后得到组织烧蚀特征;
将所述组织烧蚀特征输入时间循环神经网络中,得到所述组织烧蚀特征对应的烧蚀治疗预测结果;
以所述烧蚀治疗预测结果作为参考信息,并基于所述参考信息生成对应的手术参考方案。
2.如权利要求1所述的方法,其特征在于,所述烧蚀运动学模型的表达式为:
nk(Af,Cf,bk)=bk+dk(x)*Af
其中,Af表示激光入射角度,Cf表示激光烧蚀中心,bk表示进行激光消融前所述组织模型的第k个模拟坐标,nk表示进行激光消融后所述组织模型的第k个模拟坐标,dk(x)表示由入射角度Af方向激光烧蚀消去的组织体积。
3.如权利要求1所述的方法,其特征在于,所述时间循环神经网络包括双向长短期记忆网络和卷积长短期记忆网络,所述双向长短期记忆网络用于记录每个时间步中的组织烧蚀特征,并输出与组织烧蚀特征对应的向前传递特征和向后传递特征,所述卷积长短期记忆网络用于捕捉时间序列数据中的时空特征,并输出基于所述组织烧蚀特征和所述时间序列数据的卷积特征。
4.如权利要求3所述的方法,其特征在于,所述将所述组织烧蚀特征输入时间循环神经网络中,得到所述组织烧蚀特征对应的烧蚀治疗预测结果,具体包括:
分别将不同时间步对应的组织烧蚀特征依次输入所述双向长短期记忆网络和所述卷积长短期记忆网络;
所述双向长短期记忆网络基于组织烧蚀特征输出向前传递特征和向后传递特征,所述卷积长短期记忆网络基于组织烧蚀特征输出卷积特征;
基于特征融合模块对所述向前传递特征、所述向后传递特征以及所述卷积特征进行特征融合,得到与时间步对应的预测烧蚀特征;
将所述预测烧蚀特征通过基于全连接层的预测模块,以使所述预测模块输出与预测烧蚀特征对应的烧蚀治疗预测结果。
5.如权利要求4所述的方法,其特征在于,所述双向长短期记忆网络的表达式为:
其中,it表示第t个时间步中输入门的状态值,ft表示第t个时间步中遗忘门的状态值,ct表示第t时间步中细胞门的状态值,ot表示第t个时间步中输出门的状态值,表示哈达玛积,σ()表示sigmoid函数,bi表示输入门的偏置项,Wci表示输入层到细胞层的网络权重,表示第t-1个时间步中,第s个隐藏状态下隐藏层的输出函数,Wih表示输入层到隐藏层的网络权重,Wig表示第t-1个时间步中输入门的状态值的网络权重,/>表示第t-1个时间步中,第s个隐藏状态下输入门的状态值,bf表示遗忘门的偏置项,Wfo表示遗忘层到输出层的网络权重,Whf表示隐藏层到遗忘层的网络权重,Wfg表示第t-1个时间步中遗忘门的状态值的网络权重,tanh()表示双曲正切函数,bc表示细胞门的偏置项,Whc表示隐藏层到细胞层的网络权重,Wgc表示第t-1个时间步中细胞门的状态值的网络权重,bo表示输出门的偏置项,Woc表示输出层到细胞层的网络权重,Woh表示输出层到隐藏层的网络权重,Wog表示第t-1个时间步中输出门的状态值的网络权重。
6.如权利要求5所述的方法,其特征在于,所述双向长短期记忆网络还包括以下表达式:
其中,ai表示隐藏层的注意力输出函数,gi表示隐藏层输出的评估得分,Bg表示第一可学习参数,Wls表示第二可学习参数,Whs表示第三可学习参数,Gt表示所述双向长短期记忆网络中第二的卷积层的运算函数。
7.如权利要求6所述的方法,其特征在于,所述卷积长短期记忆网络的表达式为:
X={Xt-n,Xt-n+1,……,Xt+n-1,Xt+n}
其中,X表示不同时间步中的输入数据,Xt+n表示预测时间段中第t+n个时间点的输入数据,n表示常数,Et表示所述双向长短期记忆网络中第一卷积层的运算函数,M1表示所述双向长短期记忆网络的第一卷积核,Gt表示所述双向长短期记忆网络中第二的卷积层的运算函数,M2表示所述双向长短期记忆网络的第二卷积核,Yt表示所述双向长短期记忆网络输出的卷积特征。
8.一种基于激光的手术参考方案生成装置,其特征在于,所述手术参考方案生成装置(1)包括数据采集模块(11)、模型构建模块(12)、数据预测模块(13)以及方案生成模块(14),其中,
所述数据采集模块(11)用于采集患者治疗数据,其中,所述患者治疗数据包括入射激光轮廓参数和患者组织模型,所述患者组织模型包含激光入射坐标;
所述模型构建模块(12)用于构建烧蚀运动学模型,将所述入射激光轮廓参数和所述患者组织模型的激光入射坐标输入所述烧蚀运动学模型,经处理后得到组织烧蚀特征;
所述数据处理模块(13)用于将所述组织烧蚀特征输入时间循环神经网络中,得到所述组织烧蚀特征对应的烧蚀治疗预测结果
所述方案生成模块(14)用于以所述烧蚀治疗预测结果作为参考信息,并基于所述参考信息生成对应的手术参考方案。
9.一种电子设备,其特征在于,包括处理器(21)、存储器(25)、用户接口(23)及网络接口(24),所述存储器(25)用于存储指令,所述用户接口(23)和网络接口(24)用于给其他设备通信,所述处理器(21)用于执行所述存储器(25)中存储的指令,以使所述电子设备(2)执行如权利要求1-7任意一项所述的方法。
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1-7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410400406.2A CN118217006A (zh) | 2024-04-03 | 2024-04-03 | 一种基于激光的手术参考方案生成方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410400406.2A CN118217006A (zh) | 2024-04-03 | 2024-04-03 | 一种基于激光的手术参考方案生成方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118217006A true CN118217006A (zh) | 2024-06-21 |
Family
ID=91499020
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410400406.2A Pending CN118217006A (zh) | 2024-04-03 | 2024-04-03 | 一种基于激光的手术参考方案生成方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118217006A (zh) |
-
2024
- 2024-04-03 CN CN202410400406.2A patent/CN118217006A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6947759B2 (ja) | 解剖学的対象物を自動的に検出、位置特定、及びセマンティックセグメンテーションするシステム及び方法 | |
Hellsten et al. | The potential of computer vision-based marker-less human motion analysis for rehabilitation | |
KR20190100011A (ko) | 수술영상을 이용한 수술정보 제공 방법 및 장치 | |
JP2022505498A (ja) | 画像処理方法、装置、電子機器及びコンピュータ読取可能記憶媒体 | |
JP2022500148A (ja) | 人工知能の術中外科的ガイダンスシステムと使用方法 | |
Díaz et al. | DTCoach: your digital twin coach on the edge during COVID-19 and beyond | |
Van Amsterdam et al. | Gesture recognition in robotic surgery with multimodal attention | |
KR102450931B1 (ko) | 이미지 정합 방법 및 연관된 모델 훈련 방법, 기기, 장치 | |
US20220183775A1 (en) | Method for guiding a robot arm, guiding system | |
Zhao et al. | An intelligent augmented reality training framework for neonatal endotracheal intubation | |
KR20210104190A (ko) | 수술 분석 장치, 수술영상 분석 및 인식 시스템, 방법 및 프로그램 | |
CN114846524A (zh) | 使用机器学习和解剖向量进行医学图像分析 | |
KR20200096155A (ko) | 수술 분석 장치, 수술영상 분석 및 인식 시스템, 방법 및 프로그램 | |
Cui et al. | Deep learning based advanced spatio-temporal extraction model in medical sports rehabilitation for motion analysis and data processing | |
CN117611753B (zh) | 基于人工智能重建技术的面部整形修复辅助系统及方法 | |
CN113274051B (zh) | 超声辅助扫查方法、装置、电子设备和存储介质 | |
Cartucho et al. | SurgT challenge: Benchmark of soft-tissue trackers for robotic surgery | |
CN114145761A (zh) | 一种氟骨症医学影像学检测系统及其使用方法 | |
US20230206561A1 (en) | Method for generating a three-dimensional working surface of a human body, system | |
CN118217006A (zh) | 一种基于激光的手术参考方案生成方法及装置 | |
Li et al. | Respiratory motion estimation of tumor using point clouds of skin surface | |
Nahavandi et al. | A low cost anthropometric body scanning system using depth cameras | |
Zhou et al. | Deep reinforcement learning in medical imaging | |
KR102426925B1 (ko) | 3d 시뮬레이션을 활용한 수술로봇의 동작 정보를 획득하는 방법 및 프로그램 | |
Drazkowska et al. | Application of Convolutional Neural Networks to femur tracking in a sequence of X-ray images |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |