CN116725641A - 一种基于网格面片处理的颅脑穿刺模板构建方法 - Google Patents
一种基于网格面片处理的颅脑穿刺模板构建方法 Download PDFInfo
- Publication number
- CN116725641A CN116725641A CN202310736677.0A CN202310736677A CN116725641A CN 116725641 A CN116725641 A CN 116725641A CN 202310736677 A CN202310736677 A CN 202310736677A CN 116725641 A CN116725641 A CN 116725641A
- Authority
- CN
- China
- Prior art keywords
- data
- lead
- point
- craniocerebral
- area
- 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.)
- Granted
Links
- 238000012545 processing Methods 0.000 title claims abstract description 123
- 238000010276 construction Methods 0.000 title description 11
- 238000005457 optimization Methods 0.000 claims abstract description 62
- 238000000034 method Methods 0.000 claims abstract description 57
- 238000004364 calculation method Methods 0.000 claims abstract description 52
- 238000005516 engineering process Methods 0.000 claims abstract description 25
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 239000000758 substrate Substances 0.000 claims description 150
- 230000008859 change Effects 0.000 claims description 91
- 239000011159 matrix material Substances 0.000 claims description 54
- 238000013519 translation Methods 0.000 claims description 53
- 238000004458 analytical method Methods 0.000 claims description 20
- 210000004556 brain Anatomy 0.000 claims description 17
- 239000013598 vector Substances 0.000 claims description 17
- 230000002159 abnormal effect Effects 0.000 claims description 14
- 238000012937 correction Methods 0.000 claims description 13
- 230000011218 segmentation Effects 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 11
- 238000012217 deletion Methods 0.000 claims description 10
- 230000037430 deletion Effects 0.000 claims description 10
- 230000009467 reduction Effects 0.000 claims description 10
- 230000010354 integration Effects 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 7
- 238000003702 image correction Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 238000003708 edge detection Methods 0.000 claims description 5
- 230000001105 regulatory effect Effects 0.000 claims description 5
- 238000013075 data extraction Methods 0.000 claims description 4
- 239000003550 marker Substances 0.000 claims description 3
- 230000008569 process Effects 0.000 description 17
- 230000000007 visual effect Effects 0.000 description 7
- 238000005452 bending Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000036544 posture Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000008030 elimination Effects 0.000 description 4
- 238000003379 elimination reaction Methods 0.000 description 4
- 238000010191 image analysis Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 231100000915 pathological change Toxicity 0.000 description 4
- 230000036285 pathological change Effects 0.000 description 4
- 210000003484 anatomy Anatomy 0.000 description 3
- 230000002708 enhancing effect Effects 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 208000035965 Postoperative Complications Diseases 0.000 description 2
- 210000004204 blood vessel Anatomy 0.000 description 2
- 230000002490 cerebral effect Effects 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 208000014674 injury Diseases 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000008733 trauma Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 208000003174 Brain Neoplasms Diseases 0.000 description 1
- 206010052428 Wound Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 210000005013 brain tissue Anatomy 0.000 description 1
- 238000003706 image smoothing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000029663 wound healing Effects 0.000 description 1
Classifications
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明属于数据处理技术领域，尤其涉及一种基于网格面片处理的颅脑穿刺模板构建方法。所述方法包括以下步骤：获取用户的DICOM影像数据；对DICOM影像数据进行影像数据预处理，生成标准影像数据；利用三维建模技术对颅脑区域影像数据进行三维建模处理，生成颅脑三维模型；获取颅脑针道目标区域、针道终点数据以及针道起点数据；根据颅脑针道目标区域对颅脑三维模型进行针道目标区域标记处理，生成颅脑三维模型标记区域；利用RRT算法对针道起点数据与针道终点数据进行针道路径优化计算，生成针道路径数据；本发明通过构建颅脑穿刺模板，实现自动化的穿刺定位并且根据实际需求对穿刺针道进行调整。
Description
技术领域
本发明属于数据处理技术领域，尤其涉及一种基于网格面片处理的颅脑穿刺模板构建方法。
背景技术
颅脑穿刺模板的构建可以大大减少医生需要处理患者伤口的时间，并且可以更快速准确第完成穿刺要求。然而，传统的基于网格面片处理的颅脑穿刺模板构建方法需要人工定位穿刺位置，大大浪费了人力资源，并且穿刺方式单一简单，不能很好地完成穿刺要求。
发明内容
基于此，本发明提供一种基于网格面片处理的颅脑穿刺模板构建方法，以解决至少一个上述技术问题。
为实现上述目的，一种基于网格面片处理的颅脑穿刺模板构建方法，包括以下步骤：
步骤S1：获取用户的DICOM影像数据；对DICOM影像数据进行影像数据预处理，生成标准影像数据；利用三维建模技术对颅脑区域影像数据进行三维建模处理，生成颅脑三维模型；
步骤S2：获取颅脑针道目标区域、针道终点数据以及针道起点数据；根据颅脑针道目标区域对颅脑三维模型进行针道目标区域标记处理，生成颅脑三维模型标记区域；利用RRT算法对针道起点数据与针道终点数据进行针道路径优化计算，生成针道路径数据；根据针道路径数据进行行颅脑三维模型的旋转平移矩阵建立，以获得旋转平移矩阵；
步骤S3：利用Dijkstra算法对颅脑三维模型标记区域进行颅脑模型标记区域模型基板提取处理，生成标记区域模型基板；
步骤S4：利用曲率分析算法对标记区域模型基板进行曲率变化率计算及铅点位置标记，以生成铅点位置信息；根据铅点位置信息对标记区域模型基板进行铅点面片删除及三角面片补洞处理，生成标记区域模型基板的铅孔区域数据；
步骤S5：获取铅点圆柱半径数据；根据铅点圆柱半径数据与铅孔区域数据进行铅点圆柱构建及调节，生成铅点圆柱数据；
步骤S6：根据旋转平移矩阵将铅点圆柱数据进行穿孔定位的三维铅点圆柱建立，生成铅点圆柱三维模型；根据旋转平移矩阵将铅孔区域数据进行穿孔定位的三维铅孔模型建立，生成铅孔三维模型；基于标记区域模型基板对铅点圆柱三维模型与铅孔三维模型进行bool运算优化及数据整合处理，以构建颅脑穿刺模板。
本发明获取用户的DICOM影像数据是构建颅脑穿刺模板的基础，可以获取到患者具体的颅脑结构和病变情况。对DICOM影像数据进行预处理有助于提高数据的质量和一致性。预处理可以包括去噪、平滑、增强等操作，以减少噪声和伪影，使得后续处理更加准确可靠。利用三维建模技术对颅脑区域影像数据进行处理，可以重建患者的颅脑结构的三维模型，这样可以提供一个真实且可视化的颅脑模型，为后续的穿刺模板构建提供基础，有助于准确定位穿刺目标区域。通过获取颅脑针道目标区域、针道终点数据以及针道起点数据，可以将颅脑三维模型中与针道目标区域相对应的区域进行标记，提供一个明确的针道目标区域，以及确定终点和起点位置信息，能够准确定位穿刺目标。利用RRT算法对针道起点数据和终点数据进行计算，生成针道路径数据，RRT算法是一种用于路径规划的算法，可以在复杂的环境中搜索高效的路径，通过针道路径的优化计算，可以找到一条最佳的穿刺路径，减少创伤和风险。根据针道路径数据建立颅脑三维模型的旋转平移矩阵，旋转平移矩阵可以描述颅脑模型的位置和姿态，用于将后续生成的模型与颅脑模型对应起来，这样可以确保穿刺模板和颅脑模型的一致性和精确性。通过Dijkstra算法对标记区域进行处理，可以将颅脑模型中与标记区域相对应的区域提取出来，标记区域模型基板的提取可以帮助简化和优化模型，提取后的模型基板可能相对简化，去除了不必要的细节和复杂性，使得模型更加清晰和易于处理。通过曲率分析算法计算标记区域模型基板的曲率变化率，可以确定曲率较高的区域，即潜在的铅点位置信息，铅点位置信息的生成可以帮助医生更精确地确定穿刺点，通过分析曲率变化率，找到潜在的高曲率区域，高曲率区域对应于穿刺的最佳位置，有助于减少误差和风险，提高穿刺的准确性。根据铅点位置信息对标记区域模型基板进行铅点面片删除和三角面片补洞处理，删除铅点面片可以清除模型中与穿刺点重叠的部分，确保穿刺的无碰撞区域，同时补洞处理可以填补由于面片删除而形成的空洞，保持模型的完整性，以生成记区域模型基板的铅孔区域数据。通过获取铅点圆柱半径数据，可以根据实际需求定制化地构建穿刺点的形状。通过铅孔区域数据对铅点圆柱数据进行优化调节，通过调整铅点圆柱的半径和形状，可以适应不同的穿刺需求和操作要求，这样可以提高穿刺模板的灵活性和适应性，使其更符合具体的临床需求。通过使用旋转平移矩阵将铅点圆柱数据和铅孔区域数据进行穿孔定位，可以将它们准确地放置在颅脑模型中，这确保了穿刺模板与实际颅脑解剖的准确对应，提供了精确的穿刺点定位。通过生成铅点圆柱三维模型和铅孔三维模型，可以建立完整的穿刺模型，铅点圆柱模型表示穿刺点的形状和位置，而铅孔模型表示穿刺点所在的区域，将它们进行布尔运算优化和数据整合处理后，可以获得一个综合的颅脑穿刺模板，包含准确的穿刺点和相应的穿刺区域。因此，本发明的基于网格面片处理的颅脑穿刺模板构建方法能够高度自动化的定位穿刺交点，大大节约了人力资源，并且穿刺方式会根据患者的实际需求，调整针道位置、针道大小、穿刺模板，从而能够很好地完成穿刺要求。
优选地，步骤S1包括以下步骤：
步骤S11：获取用户的DICOM颅脑影像数据；
步骤S12：利用高斯滤波对DICOM颅脑影像数据进行降噪处理，生成降噪颅脑影像数据；
步骤S13：伪影校正算法对降噪颅脑影像数据进行影像校正处理，生成标准颅脑影像数据；
步骤S14：利用三维建模技术对标准颅脑影像数据进行颅脑区域三维建模处理，生成颅脑三维模型。
本发明获取用户的DICOM影像数据是构建颅脑穿刺模板的基础，可以获取到患者具体的颅脑结构和病变情况。利用高斯滤波对DICOM颅脑影像数据进行降噪处理，有效地降低影像中的噪声，提高影像的质量和清晰度；利用伪影校正算法对降噪颅脑影像数据进行影像校正处理，伪影是DICOM影像中可能存在的一种伪造的图像信号，通过伪影校正算法可以减少或消除这些伪影，得到更准确和可靠的颅脑影像数据，通过降噪和伪影校正处理，可以减少影像中的噪声和伪影，提高图像质量和清晰度。利用三维建模技术对标准颅脑影像数据进行颅脑区域三维建模处理，提供了更直观和可视化的方式来表示颅脑的形态和结构。
优选地，步骤S2包括以下步骤：
步骤S21：获取颅脑针道目标区域、针道终点数据以及针道起点数据；
步骤S22：根据颅脑针道目标区域对颅脑三维模型进行针道目标区域标记处理，生成颅脑三维模型标记区域；
步骤S23：利用RRT算法对针道起点数据与针道终点数据进行针道路径计算，生成初始针道路径数据；
步骤S24：根据针道起点数据对颅脑三维模型标记区域进行针道局部最高点标记区域移动调节处理，生成调节颅脑三维模型标记区域；
步骤S25：利用边缘检测算法对调节颅脑三维模型标记区域进行针道轮廓数据提取处理，生成针道轮廓数据；
步骤S26：利用路径误差函数优化调节算法对针道轮廓数据进行针道路径优化调节参数计算，生成优化路径调节参数；
步骤S27：根据优化路径调节参数对初始针道路径数据进行优化调节处理，生成针道路径数据；
步骤S28：利用欧氏距离计算公式对针道路径数据进行交点方向向量、角度及深度计算处理，生成路径方向向量数据、路径角度数据以及针道深度数据；
步骤S29：根据路径方向向量数据、路径角度数据以及针道深度数据进行颅脑三维模型的旋转平移矩阵建立，以获得旋转平移矩阵。
本发明通过获取颅脑针道目标区域、针道终点数据以及针道起点数据，确定终点和起点位置信息，能够准确定位穿刺目标。通过对颅脑三维模型进行标记处理，可以准确标记出颅脑穿刺的目标区域，为后续步骤提供定位和参考。基于RRT算法的路径计算提供了针道路径的初始参考，为后续的优化调节和路径规划提供基础，能够自动生成一条初始的针道路径，有助于准确、安全地进行颅脑穿刺操作。通过颅脑三维模型标记区域进行调节将针道起点定位到的局部最高点，确定针道路径的起始位置，确保针道起点在正确的位置上，提高穿刺的准确性和安全性。提取针道调节后的颅脑模型标记区域的轮廓信息，为后续的路径优化和调节提供准确的针道形状数据。通过路径误差函数优化算法对针道轮廓数据进行路径的优化调节参数计算，优化针道路径，使其更符合实际需求，提高穿刺的准确性和效果。根据优化路径调节参数，对初始针道路径数据进行进一步的优化和调节，确保针道路径在穿刺过程中的准确性和稳定性。利用欧氏距离计算公式，对针道路径数据进行计算，获得针道路径上各点的方向向量、角度和深度信息，用于进一步分析旋转平移矩阵。旋转平移矩阵可以用于将针道路径在三维空间中进行准确的定位和导航，以确保穿刺操作的精确性和安全性。
优选地，步骤S26中的路径误差函数优化调节算法如下所示：
ki＝(api-aqi)2+(bpi-bqi)2+(cpi-cqi)2；
式中，J表示为优化路径调节参数，N表示为路径的采样点数量，ωi表示为第i个目标点处误差权重，ki表示为第i个目标点到下一个目标点的距离，di表示为从针道起始位置到第i个目标点的距离，μ表示为曲率惩罚的权重信息，r表示为针道穿刺总路径长度，v表示为针道穿刺深度，τ表示为优化路径调节参数的异常调整指数，api表示为第i个目标点的横轴坐标，aqi表示为第i个目标点的下一个目标点的横轴坐标，bpi表示为第i个目标点的纵轴坐标，bqi表示为第i个目标点的下一个目标点的纵轴坐标，cpi表示为第i个目标点的竖轴坐标，cqi表示为第i个目标点的下一个目标点的竖轴坐标。
本发明利用路径误差函数优化调节算法，该算法充分考虑了，路径的采样点数量N、第i个目标点处误差权重ωi、第i个目标点到下一个目标点的距离ki、从针道起始位置到第i个目标点的距离di、曲率惩罚的权重信息μ、针道穿刺总路径长度r、针道穿刺深度v、第i个目标点的横轴坐标api、第i个目标点的下一个目标点的横轴坐标aqi、第i个目标点的纵轴坐标bpi、第i个目标点的下一个目标点的纵轴坐标bqi、第i个目标点的竖轴坐标cpi、第i个目标点的下一个目标点的竖轴坐标cqi以及函数之间的相互作用关系，以形成函数关系式 通过第i个目标点处误差权重来衡量每个目标点的重要性，权重越大表示该目标点对路径优化的影响越大，某些目标点对路径优化的影响更加突出，从而实现更精确的路径调节；曲率惩罚的权重信息用于平衡路径的平滑性和曲率惩罚的影响，控制路径的弯曲程度；并且通过路径的曲率项/>用于约束路径的曲率，使得路径更加平滑，减少曲率变化，提高穿刺的稳定性和精确性，使得路径进行优化，并且考虑每个目标点的距离、深度以及相关参数进行优化路径，使得穿刺路径更加准确、稳定以及平滑。利用优化路径调节参数的异常调整指数τ对函数关系进行调整修正，减少异常数据或误差项带来的误差影响，从而更准确地生成优化路径调节参数J，提高了对针道轮廓数据进行针道路径优化调节参数计算的准确性和可靠性。同时该公式中的误差权重、权重信息以及调整值可以根据实际情况进行调整，应用于不同的颅脑三维模型中，提高了算法的灵活性与适用性。
优选地，步骤S3包括以下步骤：
步骤S31：根据颅脑三维模型标记区域对颅脑三维模型进行标记区域外侧边缘参考点设置，生成颅脑三维模型标记区域参考点；
步骤S32：利用Dijkstra算法对颅脑三维模型标记区域参考点进行参考点最短路径计算，生成标记区域最短路径数据；
步骤S33：基于标记区域最短路径数据对颅脑三维模型标记区域进行标记区域模型基板提取处理，生成标记区域模型基板。
本发明根据颅脑三维模型的标记区域，通过设置外侧边缘参考点，可以确定标记区域的边界位置，这有助于定义颅脑穿刺的目标区域，并提供了边界信息以便后续处理。利用Dijkstra算法计算颅脑三维模型标记区域参考点之间的最短路径，通过计算最短路径，我们可以了解标记区域内各点之间的距离关系，揭示了标记区域的连通性和空间分布，并且提取出核心部分数据，节约了无用数据的处理时间，大大减少了算力。基于标记区域最短路径数据，对颅脑三维模型的标记区域进行处理，提取标记区域的模型基板，将标记区域的形状和结构信息抽取出来，形成一个基板模型，该模型可以作为后续颅脑穿刺模板的基础。
优选地，步骤S4包括以下步骤：
步骤S41：利用曲率分析算法对标记区域模型基板进行曲率变化率计算及铅点位置标记，以生成铅点位置信息；
步骤S42：根据铅点位置信息对目标区域模型基板进行铅点面片区域剔除处理，生成铅点面片剔除区域；
步骤S43：利用三角面片补洞技术对铅点面片剔除区域进行三角面片补洞处理，以生成标记区域模型基板的铅孔区域数据。
本发明通过曲率分析算法对标记区域模型基板进行曲率变化率计算，同时标记铅点的位置，能够识别标记区域中的曲率变化和形态特征，将铅点标记在模型基板上，提供了铅点的准确位置信息。根据铅点位置信息，对目标区域模型基板进行铅点面片区域剔除处理，这意味着将与铅点所在区域相邻的面片从模型中剔除，创建一个剔除区域，该区域不会干扰后续的穿刺操作。利用三角面片补洞技术对铅点面片剔除区域进行三角面片的补洞处理，能够填补剔除区域中的空洞，保持模型的完整性，并生成标记区域模型基板的铅孔区域数据，铅孔区域数据为后续的穿刺操作提供了目标区域内的有效穿刺点位置。
优选地，步骤S41包括以下步骤：
步骤S411：根据预设的网格面片分割面积对标记区域模型基板进行基板网格面片分割处理，生成网格面片基板块数据；
步骤S412：利用颅脑曲率计算公式对网格面片基板块数据进行基板块曲率变化率计算，生成曲率变化率数据；
步骤S413：根据曲率变化率数据与预设的曲率变化率阈值进行阈值比对处理，当曲率变化率数据大于曲率变化率阈值，将网格面片基板块数据进行铅点位置标记处理，生成铅点位置信息。
本发明根据预设的网格面片分割面积对标记区域模型基板进行基板网格面片分割处理，生成网格面片基板块数据，将模型基板分割成小块的网格面片，提供了更详细的局部信息。利用颅脑曲率计算公式对网格面片基板块数据进行曲率变化率计算，通过计算每个基板块的曲率变化率，可以获得标记区域内不同部位的曲率变化情况。将曲率变化率数据与预设的曲率变化率阈值进行比对处理，当某个基板块的曲率变化率超过预设阈值时，该基板块将被标记为铅点位置，并生成铅点位置信息，这个过程能够准确地识别出标记区域内具有较大曲率变化的位置，为后续的铅点处理提供了精确定位。
优选地，步骤S412中的颅脑曲率计算公式如下所示：
式中，C表示为曲率变化率数据，s表示为标记区域模型划分的网格面片基板块数据，x表示为网格面片基板块数据的横轴坐标，y表示为网格面片基板块数据的纵轴坐标，z表示为网格面片基板块数据的竖轴坐标，δ表示为曲率变化率数据的异常调整值。
本发明利用颅脑曲率计算公式，该公式充分考虑了标记区域模型划分的网格面片基板块数据s、网格面片基板块数据的横轴坐标x、网格面片基板块数据的纵轴坐标y、网格面片基板块数据的竖轴坐标z以及函数之间的相互作用关系，以形成函数关系式通过将网格面片基板块数据的二阶偏导数进行运算得到，通过比较基板块数据局部区域的曲率与整体曲率之间的差异，来描述基板块上不同位置的曲率变化情况，通过计算曲率变化率了解到颅脑模型中哪些区域具有较大的曲率变化，从而可以定量评估基板块的形状特征。网格面片基板块数据将整个标记区域划分为小的网格面片而得到，通过将基板块数据进行网格划分，可以更细致地描述基板的形状，并计算出每个基板块的曲率变化率。量化描述标记区域内不同部位的曲率特征，从而在颅脑穿刺过程中提供更准确的参考信息。曲率变化率可以帮助确定穿刺点的曲率特征，判断局部区域的弯曲程度，进而指导穿刺路径的选择和调整。从而为后续的穿刺路径规划和操作提供重要依据，提高了穿刺的精确性和可控性。利用曲率变化率数据的异常调整值δ对函数关系进行调整修正，减少异常数据或误差项带来的误差影响，从而更准确地生成曲率变化率数据C，提高了对网格面片基板块数据进行基板块曲率变化率计算的准确性和可靠性。同时该公式中的调整值可以根据实际情况进行调整，应用于不同的颅脑三维模型中，提高了算法的灵活性与适用性。
优选地，步骤S5包括以下步骤：
步骤S51：获取铅点圆柱半径数据；
步骤S52：根据铅点圆柱半径数据与铅孔区域数据进行铅点圆柱构建，生成初始铅点圆柱数据；
步骤S53：根据自适应细分算法对初始铅点圆柱数据进行铅点圆柱优化调整处理，生成铅点圆柱数据。
本发明通过获取铅点圆柱半径数据，可以根据实际需求定制化地构建穿刺点的形状。根据获取的铅点圆柱半径数据和铅孔区域数据，进行铅点圆柱的构建，铅孔区域是指标记区域模型基板上被识别为需要穿刺的区域，通过将铅点圆柱的半径数据应用于铅孔区域，可以在模型基板上生成相应的铅点圆柱结构，创建符合穿刺要求的初始铅点圆柱数据，并提供进一步优化调整的基础。使用自适应细分算法对初始的铅点圆柱数据进行优化调整，自适应细分算法是一种可以对三维模型进行细分和调整的算法，通过应用自适应细分算法对铅点圆柱的形状进行调整，以满足穿刺路径的要求和精度，根据实际需求与铅点圆柱的位置、形状和穿刺要求等因素，对圆柱进行细分和调整，使得铅点圆柱更加准确地指导穿刺操作。
优选地，步骤S6包括以下步骤：
步骤S61：根据旋转平移矩阵将铅点圆柱数据进行穿孔定位的三维铅点圆柱建立，生成铅点圆柱三维模型；
步骤S62：根据旋转平移矩阵将铅孔区域数据进行穿孔定位的三维铅孔模型建立，生成铅孔三维模型；
步骤S63：基于标记区域模型基板对铅点圆柱三维模型与铅孔三维模型进行bool交集运算，分别生成铅点圆柱交集数据与铅孔交集数据；
步骤S64：将铅点圆柱交集数据与铅孔交集数据再次进行交集数据的bool交集运算，生成标记区域交集数据；
步骤S65：根据标记区域交集数据对铅点圆柱三维模型与铅孔三维模型进行移动调节，生成优化铅点圆柱三维模型与优化铅孔三维模型；
步骤S66：将标记区域模型基板、优化铅点圆柱三维模型以及优化铅孔三维模型进行数据整合，以构建颅脑穿刺模板。
本发明过旋转和平移矩阵将铅点圆柱数据进行穿孔定位，生成具有穿刺定位信息的三维铅点圆柱模型，该模型可用于指导穿刺操作，确保在正确的位置进行穿刺。根据旋转和平移矩阵将铅孔区域数据进行穿孔定位，生成具有穿孔位置信息的三维铅孔模型，铅孔模型用于表示穿刺目标区域，与铅点圆柱模型一起用于精确定位和引导穿刺操作。将铅点圆柱模型和铅孔模型与标记区域模型基板进行布尔交集运算，得到铅点圆柱与标记区域的交集数据以及铅孔与标记区域的交集数据，这些铅点圆柱交集数据与铅孔交集数据将用于后续的模型优化和调整。将铅点圆柱的交集数据与铅孔的交集数据再次进行布尔交集运算，生成标记区域交集数据，标记区域交集数据表示穿刺目标区域与标记区域的重叠部分，为后续的模型优化提供更准确的参考。根据标记区域的交集数据对铅点圆柱模型和铅孔模型进行移动和调节，使得铅点圆柱模型和铅孔模型与标记区域模型基板进行数据对齐，使穿刺模板更加准确地与目标区域匹配，提高穿刺的精确性，以获得优化的铅点圆柱三维模型和优化的铅孔三维模型。将标记区域模型基板、优化的铅点圆柱三维模型和优化的铅孔三维模型进行数据整合，构建完整的颅脑穿刺模板，该模板将包含准确的穿刺定位信息和穿刺目标区域的形状，为医生提供可视化的指导和参考，以进行精确的颅脑穿刺操作。
本申请有益效果在于，本发明通过将DICOM颅脑影像进行处理以及三维建模，提高颅脑影像数据的质量、准确性和可视化程度，为穿刺模板的构建提供了可靠的数据基础。并且通过提取针道数据对针道穿刺路径进行优化，使得提高颅脑穿刺的精确性和安全性，减少穿刺风险和损伤，利用最短路径提取出需要进行构建穿刺模板的区域，去除掉无用数据的处理，大大节约了数据量，提高了数据处理的速度，节约了硬件处理的时间。通过细致的网格面片处理和曲率分析，能够精确地识别出颅脑表面的关键区域和结构特征，通过铅点位置标记、铅点圆柱构建和优化调整等步骤，能够生成具有精确穿刺位置和合适尺寸的穿刺模板，这样能够准确地定位和引导穿刺操作，提高手术的准确性和成功率。基于网格面片的处理方法能够有效地处理复杂的颅脑模型，实现高效率的模型分割和处理，通过自动化的算法和计算公式，能够快速地计算出曲率变化率、圆柱数据等关键信息，这种高效率的处理过程能够减少手术前的准备时间，并提供及时的穿刺模板构建结果。基于精确的数据处理和曲率分析，通过布尔交集运算和优化调节，能够准确地获得标记区域与目标区域的交集数据，这样生成的穿刺模板能够与颅脑结构精确匹配，提供可靠的引导和定位，同时通过移动调节和整合数据的步骤，能够进一步优化模板的适应性和精确性。精确定位和优化调节，能够减少穿刺过程中的误差和风险，根据生成的穿刺模板进行精确引导，避免误伤关键结构和引起并发症，这种准确的穿刺操作有助于提高手术的安全性，并降低术后并发症的风险。
附图说明
图1为本发明一种基于网格面片处理的颅脑穿刺模板构建方法的步骤流程示意图；
图2为图1中步骤S1的详细实施步骤流程示意图；
图3为图1中步骤S2的详细实施步骤流程示意图；
图4为图1中步骤S3的详细实施步骤流程示意图；
图5为图1中步骤S4的详细实施步骤流程示意图；
图6为图1中步骤S6的详细实施步骤流程示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域所属的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。
此外，附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是，虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元，但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说，在不背离示例性实施例的范围的情况下，第一单元可以被称为第二单元，并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
本申请实施例提供一种基于网格面片处理的颅脑穿刺模板构建方法，所述颅脑针道目标区域包括但不限于：用户确定要处理的针道穿刺的颅脑区域范围等至少一种。
为实现上述目的，请参阅图1至图6一种基于网格面片处理的颅脑穿刺模板构建方法，包括以下步骤：
步骤S1：获取用户的DICOM影像数据；对DICOM影像数据进行影像数据预处理，生成标准影像数据；利用三维建模技术对颅脑区域影像数据进行三维建模处理，生成颅脑三维模型；
步骤S2：获取颅脑针道目标区域、针道终点数据以及针道起点数据；根据颅脑针道目标区域对颅脑三维模型进行针道目标区域标记处理，生成颅脑三维模型标记区域；利用RRT算法对针道起点数据与针道终点数据进行针道路径优化计算，生成针道路径数据；根据针道路径数据进行行颅脑三维模型的旋转平移矩阵建立，以获得旋转平移矩阵；
步骤S3：利用Dijkstra算法对颅脑三维模型标记区域进行颅脑模型标记区域模型基板提取处理，生成标记区域模型基板；
步骤S4：利用曲率分析算法对标记区域模型基板进行曲率变化率计算及铅点位置标记，以生成铅点位置信息；根据铅点位置信息对标记区域模型基板进行铅点面片删除及三角面片补洞处理，生成标记区域模型基板的铅孔区域数据；
步骤S5：获取铅点圆柱半径数据；根据铅点圆柱半径数据与铅孔区域数据进行铅点圆柱构建及调节，生成铅点圆柱数据；
步骤S6：根据旋转平移矩阵将铅点圆柱数据进行穿孔定位的三维铅点圆柱建立，生成铅点圆柱三维模型；根据旋转平移矩阵将铅孔区域数据进行穿孔定位的三维铅孔模型建立，生成铅孔三维模型；基于标记区域模型基板对铅点圆柱三维模型与铅孔三维模型进行bool运算优化及数据整合处理，以构建颅脑穿刺模板。
本发明获取用户的DICOM影像数据是构建颅脑穿刺模板的基础，可以获取到患者具体的颅脑结构和病变情况。对DICOM影像数据进行预处理有助于提高数据的质量和一致性。预处理可以包括去噪、平滑、增强等操作，以减少噪声和伪影，使得后续处理更加准确可靠。利用三维建模技术对颅脑区域影像数据进行处理，可以重建患者的颅脑结构的三维模型，这样可以提供一个真实且可视化的颅脑模型，为后续的穿刺模板构建提供基础，有助于准确定位穿刺目标区域。通过获取颅脑针道目标区域、针道终点数据以及针道起点数据，可以将颅脑三维模型中与针道目标区域相对应的区域进行标记，提供一个明确的针道目标区域，以及确定终点和起点位置信息，能够准确定位穿刺目标。利用RRT算法对针道起点数据和终点数据进行计算，生成针道路径数据，RRT算法是一种用于路径规划的算法，可以在复杂的环境中搜索高效的路径，通过针道路径的优化计算，可以找到一条最佳的穿刺路径，减少创伤和风险。根据针道路径数据建立颅脑三维模型的旋转平移矩阵，旋转平移矩阵可以描述颅脑模型的位置和姿态，用于将后续生成的模型与颅脑模型对应起来，这样可以确保穿刺模板和颅脑模型的一致性和精确性。通过Dijkstra算法对标记区域进行处理，可以将颅脑模型中与标记区域相对应的区域提取出来，标记区域模型基板的提取可以帮助简化和优化模型，提取后的模型基板可能相对简化，去除了不必要的细节和复杂性，使得模型更加清晰和易于处理。通过曲率分析算法计算标记区域模型基板的曲率变化率，可以确定曲率较高的区域，即潜在的铅点位置信息，铅点位置信息的生成可以帮助医生更精确地确定穿刺点，通过分析曲率变化率，找到潜在的高曲率区域，高曲率区域对应于穿刺的最佳位置，有助于减少误差和风险，提高穿刺的准确性。根据铅点位置信息对标记区域模型基板进行铅点面片删除和三角面片补洞处理，删除铅点面片可以清除模型中与穿刺点重叠的部分，确保穿刺的无碰撞区域，同时补洞处理可以填补由于面片删除而形成的空洞，保持模型的完整性，以生成记区域模型基板的铅孔区域数据。通过获取铅点圆柱半径数据，可以根据实际需求定制化地构建穿刺点的形状。通过铅孔区域数据对铅点圆柱数据进行优化调节，通过调整铅点圆柱的半径和形状，可以适应不同的穿刺需求和操作要求，这样可以提高穿刺模板的灵活性和适应性，使其更符合具体的临床需求。通过使用旋转平移矩阵将铅点圆柱数据和铅孔区域数据进行穿孔定位，可以将它们准确地放置在颅脑模型中，这确保了穿刺模板与实际颅脑解剖的准确对应，提供了精确的穿刺点定位。通过生成铅点圆柱三维模型和铅孔三维模型，可以建立完整的穿刺模型，铅点圆柱模型表示穿刺点的形状和位置，而铅孔模型表示穿刺点所在的区域，将它们进行布尔运算优化和数据整合处理后，可以获得一个综合的颅脑穿刺模板，包含准确的穿刺点和相应的穿刺区域。因此，本发明的基于网格面片处理的颅脑穿刺模板构建方法能够高度自动化的定位穿刺交点，大大节约了人力资源，并且穿刺方式会根据患者的实际需求，调整针道位置、针道大小、穿刺模板，从而能够很好地完成穿刺要求。
本发明实施例中，参考图1所述，为本发明一种基于网格面片处理的颅脑穿刺模板构建方法的步骤流程示意图，在本实施例中，所述基于网格面片处理的颅脑穿刺模板构建方法包括以下步骤：
步骤S1：获取用户的DICOM影像数据；对DICOM影像数据进行影像数据预处理，生成标准影像数据；利用三维建模技术对颅脑区域影像数据进行三维建模处理，生成颅脑三维模型；
本发明实施例中，利用医疗影像设备获取DICOM格式的颅脑影像数据，该数据包含了颅脑的断层图像信息。对影像数据进行去噪处理，使用滤波算法去除图像中的噪声，以提高后续处理的准确性，然后，进行图像平滑处理，应用平滑滤波器如高斯滤波器，以减少图像中的噪点和不连续性，进行图像增强操作，使用直方图均衡化或者对比度增强算法，增强图像的视觉效果和细节信息。利用三维建模技术对颅脑区域影像数据进行三维建模处理，常见的三维建模方法包括体素重建和表面重建，对于体素重建，将影像数据转换为三维体素网格，并使用体素插值算法来还原颅脑的形状和结构，对于表面重建，将影像数据转换为三维点云，并应用曲面拟合算法生成颅脑的三维表面模型，通过这些方法，我们可以得到颅脑的三维模型，其中包含了颅骨、脑组织和其他相关结构的几何形状信息。
步骤S2：获取颅脑针道目标区域、针道终点数据以及针道起点数据；根据颅脑针道目标区域对颅脑三维模型进行针道目标区域标记处理，生成颅脑三维模型标记区域；利用RRT算法对针道起点数据与针道终点数据进行针道路径优化计算，生成针道路径数据；根据针道路径数据进行行颅脑三维模型的旋转平移矩阵建立，以获得旋转平移矩阵；
本发明实施例中，获取颅脑针道的目标区域、终点和起点数据，这些数据可以由用户手动指定或通过其他辅助方法获取，例如影像分析或导航***。根据颅脑针道的目标区域，在颅脑三维模型上进行标记处理，过将目标区域的相关位置或区域在颅脑模型上进行特殊标记或着色来实现，以突出显示针道的目标位置。利用RRT(Rapidly-ExploringRandom Trees)算法对针道的起点数据和终点数据进行路径优化计算，生成针道的路径数据，RRT算法是一种有效的路径规划算法，通过随机采样和树结构扩展来搜索针道路径，以使得路径在颅脑模型中尽可能避开障碍物或重要区域。根据针道路径数据进行颅脑三维模型的旋转平移矩阵建立，旋转平移矩阵描述了将颅脑模型进行旋转和平移的变换操作，以使得针道路径与颅脑模型相对应。
步骤S3：利用Dijkstra算法对颅脑三维模型标记区域进行颅脑模型标记区域模型基板提取处理，生成标记区域模型基板；
本发明实施例中，从颅脑三维模型中获取标记区域的数据，这些数据包括标记区域的几何形状和位置信息，可以通过之前的步骤中标记的颅脑模型和目标区域数据获得，应用Dijkstra算法来处理标记区域，Dijkstra算法是一种用于图的最短路径搜索的算法，它可以在带权重的图中找到两个节点之间的最短路径。在这里，我们将使用Dijkstra算法来计算标记区域中各点到指定起点的最短路径，以此得到标记区域的模型基板。
步骤S4：利用曲率分析算法对标记区域模型基板进行曲率变化率计算及铅点位置标记，以生成铅点位置信息；根据铅点位置信息对标记区域模型基板进行铅点面片删除及三角面片补洞处理，生成标记区域模型基板的铅孔区域数据；
本发明实施例中，将应用曲率分析算法来计算标记区域模型基板的曲率变化率，曲率是描述曲面曲率特征的一个指标，可以用来衡量表面的弯曲程度。通过计算模型基板上各点的曲率变化率，我们可以确定局部曲面的曲率特征，找到可能的铅点位置。根据标记的铅点位置信息，将对模型基板进行铅点面片删除和三角面片补洞处理，铅点面片删除是指将标记的铅点位置所在的面片从模型基板中删除，以模拟针穿过的效果，同时我们还会对模型基板中的三角面片进行补洞处理，以填补铅点位置周围可能出现的空洞，确保模板的完整性，将填补的区域标记为铅孔区域数据。
步骤S5：获取铅点圆柱半径数据；根据铅点圆柱半径数据与铅孔区域数据进行铅点圆柱构建及调节，生成铅点圆柱数据；
本发明实施例中，获取铅点圆柱的半径数据，这些数据可以通过测量或其他手段获得，例如通过医学图像分析技术测量铅孔的直径或通过专业设备测量得到。根据铅孔区域数据和铅点圆柱的半径数据，我们将进行铅点圆柱的构建和调节，在构建过程中，将在每个铅孔区域的中心点位置上创建一个圆柱体，并根据铅点圆柱的半径数据调整圆柱体的半径大小。调节的过程可以包括将圆柱体的高度调整为合适的长度，使其穿过标记的铅孔区域，并确保圆柱体与铅孔区域的边界相贴合，此外，还可以根据需要对圆柱体的形状进行调整，例如改变圆柱体的倾斜角度或形状的对称性，从而生成生成铅点圆柱数据。
步骤S6：根据旋转平移矩阵将铅点圆柱数据进行穿孔定位的三维铅点圆柱建立，生成铅点圆柱三维模型；根据旋转平移矩阵将铅孔区域数据进行穿孔定位的三维铅孔模型建立，生成铅孔三维模型；基于标记区域模型基板对铅点圆柱三维模型与铅孔三维模型进行bool运算优化及数据整合处理，以构建颅脑穿刺模板。
本发明实施例中，根据旋转平移矩阵，我们将铅点圆柱数据进行穿孔定位的三维建立，通过将铅点圆柱按照旋转平移矩阵的变换规则进行相应的平移和旋转操作，将其放置在模型基板的对应位置，这样就得到了每个铅点圆柱在三维空间中的准确位置和方向，形成铅点圆柱的三维模型。同样根据旋转平移矩阵对铅孔区域数据进行穿孔定位的三维建立，通过将铅孔区域数据按照旋转平移矩阵的变换规则进行相应的平移和旋转操作，将其放置在模型基板的对应位置，这样就得到了每个铅孔在三维空间中的准确位置和形状，形成铅孔的三维模型。在基于标记区域模型基板的基础上，进行bool运算优化和数据整合处理，通过将铅点圆柱三维模型与铅孔三维模型进行布尔运算，如交集运算，可以得到颅脑穿刺模板的最终形状，同时对于数据的整合处理，可以将颅脑穿刺模板与其他相关信息进行组合，例如添加标记或刻度，以便在实际操作中进行准确定位，以此构建颅脑穿刺模板。
优选地，步骤S1包括以下步骤：
步骤S11：获取用户的DICOM颅脑影像数据；
步骤S12：利用高斯滤波对DICOM颅脑影像数据进行降噪处理，生成降噪颅脑影像数据；
步骤S13：伪影校正算法对降噪颅脑影像数据进行影像校正处理，生成标准颅脑影像数据；
步骤S14：利用三维建模技术对标准颅脑影像数据进行颅脑区域三维建模处理，生成颅脑三维模型。
本发明获取用户的DICOM影像数据是构建颅脑穿刺模板的基础，可以获取到患者具体的颅脑结构和病变情况。利用高斯滤波对DICOM颅脑影像数据进行降噪处理，有效地降低影像中的噪声，提高影像的质量和清晰度；利用伪影校正算法对降噪颅脑影像数据进行影像校正处理，伪影是DICOM影像中可能存在的一种伪造的图像信号，通过伪影校正算法可以减少或消除这些伪影，得到更准确和可靠的颅脑影像数据，通过降噪和伪影校正处理，可以减少影像中的噪声和伪影，提高图像质量和清晰度。利用三维建模技术对标准颅脑影像数据进行颅脑区域三维建模处理，提供了更直观和可视化的方式来表示颅脑的形态和结构。
作为本发明的一个实例，参考图2所示，为图1中步骤S1的详细实施步骤流程示意图，在本实例中所述步骤S1包括：
步骤S11：获取用户的DICOM颅脑影像数据；
本发明实施例中，利用医疗影像设备获取DICOM格式的颅脑影像数据，该数据包含了颅脑的断层图像信息。
步骤S12：利用高斯滤波对DICOM颅脑影像数据进行降噪处理，生成降噪颅脑影像数据；
本发明实施例中，利用高斯滤波对DICOM颅脑影像数据进行降噪处理，高斯滤波通过对每个像素周围的像素进行加权平均，以降低噪声的影响，从而生成降噪颅脑影像数据。
步骤S13：伪影校正算法对降噪颅脑影像数据进行影像校正处理，生成标准颅脑影像数据；
本发明实施例中，使用伪影校正算法对降噪颅脑影像数据进行影像校正处理，伪影是由于影像设备或处理过程中的不完美导致的人工伪像，通过校正算法可以减少或消除这些伪影，校正后得到标准颅脑影像数据，它更接近于真实的解剖结构。
步骤S14：利用三维建模技术对标准颅脑影像数据进行颅脑区域三维建模处理，生成颅脑三维模型。
本发明实施例中，利用三维建模技术对标准颅脑影像数据进行颅脑区域的三维建模处理，通过体绘制或曲面重建等方法实现，三维建模将DICOM数据转换为具有几何形状和拓扑关系的颅脑三维模型，用于后续处理和分析。
优选地，步骤S2包括以下步骤：
步骤S21：获取颅脑针道目标区域、针道终点数据以及针道起点数据；
步骤S22：根据颅脑针道目标区域对颅脑三维模型进行针道目标区域标记处理，生成颅脑三维模型标记区域；
步骤S23：利用RRT算法对针道起点数据与针道终点数据进行针道路径计算，生成初始针道路径数据；
步骤S24：根据针道起点数据对颅脑三维模型标记区域进行针道局部最高点标记区域移动调节处理，生成调节颅脑三维模型标记区域；
步骤S25：利用边缘检测算法对调节颅脑三维模型标记区域进行针道轮廓数据提取处理，生成针道轮廓数据；
步骤S26：利用路径误差函数优化调节算法对针道轮廓数据进行针道路径优化调节参数计算，生成优化路径调节参数；
步骤S27：根据优化路径调节参数对初始针道路径数据进行优化调节处理，生成针道路径数据；
步骤S28：利用欧氏距离计算公式对针道路径数据进行交点方向向量、角度及深度计算处理，生成路径方向向量数据、路径角度数据以及针道深度数据；
步骤S29：根据路径方向向量数据、路径角度数据以及针道深度数据进行颅脑三维模型的旋转平移矩阵建立，以获得旋转平移矩阵。
本发明通过获取颅脑针道目标区域、针道终点数据以及针道起点数据，确定终点和起点位置信息，能够准确定位穿刺目标。通过对颅脑三维模型进行标记处理，可以准确标记出颅脑穿刺的目标区域，为后续步骤提供定位和参考。基于RRT算法的路径计算提供了针道路径的初始参考，为后续的优化调节和路径规划提供基础，能够自动生成一条初始的针道路径，有助于准确、安全地进行颅脑穿刺操作。通过颅脑三维模型标记区域进行调节将针道起点定位到的局部最高点，确定针道路径的起始位置，确保针道起点在正确的位置上，提高穿刺的准确性和安全性。提取针道调节后的颅脑模型标记区域的轮廓信息，为后续的路径优化和调节提供准确的针道形状数据。通过路径误差函数优化算法对针道轮廓数据进行路径的优化调节参数计算，优化针道路径，使其更符合实际需求，提高穿刺的准确性和效果。根据优化路径调节参数，对初始针道路径数据进行进一步的优化和调节，确保针道路径在穿刺过程中的准确性和稳定性。利用欧氏距离计算公式，对针道路径数据进行计算，获得针道路径上各点的方向向量、角度和深度信息，用于进一步分析旋转平移矩阵。旋转平移矩阵可以用于将针道路径在三维空间中进行准确的定位和导航，以确保穿刺操作的精确性和安全性。
作为本发明的一个实例，参考图3所示，为图1中步骤S2的详细实施步骤流程示意图，在本实例中所述步骤S2包括：
步骤S21：获取颅脑针道目标区域、针道终点数据以及针道起点数据；
本发明实施例中，获取颅脑针道的目标区域、终点和起点数据，这些数据可以由用户手动指定或通过其他辅助方法获取，例如影像分析或导航***。
步骤S22：根据颅脑针道目标区域对颅脑三维模型进行针道目标区域标记处理，生成颅脑三维模型标记区域；
本发明实施例中，根据颅脑针道的目标区域对颅脑三维模型进行针道目标区域的标记处理，将预分析的区域先进行标记，以便后续处理。
步骤S23：利用RRT算法对针道起点数据与针道终点数据进行针道路径计算，生成初始针道路径数据；
本发明实施例中，利用RRT(Rapidly-exploring Random Tree)算法对针道起点数据和针道终点数据进行路径计算，RRT是一种搜索算法，用于在搜索空间中生成随机采样点并构建树结构，以快速搜索到目标点，生成初始的针道路径数据。
步骤S24：根据针道起点数据对颅脑三维模型标记区域进行针道局部最高点标记区域移动调节处理，生成调节颅脑三维模型标记区域；
本发明实施例中，根据针道起点数据对颅脑三维模型标记区域进行针道局部最高点标记区域的移动调节处理，这意味着调整标记区域，使其在针道起点附近达到最高点的位置，便于提取针道数据。
步骤S25：利用边缘检测算法对调节颅脑三维模型标记区域进行针道轮廓数据提取处理，生成针道轮廓数据；
本发明实施例中，利用边缘检测算法对调节后的颅脑三维模型标记区域进行针道轮廓数据的提取处理，将上述最高点对应的针道数据进行边缘轮廓提取，以获取针道的形状信息。
步骤S26：利用路径误差函数优化调节算法对针道轮廓数据进行针道路径优化调节参数计算，生成优化路径调节参数；
本发明实施例中，利用路径误差函数优化调节算法计算针道轮廓数据的优化调节参数，通过考虑路径误差，可以优化调整针道穿刺的路径。
步骤S27：根据优化路径调节参数对初始针道路径数据进行优化调节处理，生成针道路径数据；
本发明实施例中，根据优化路径调节参数对初始针道路径数据进行优化调节，将优化后的路径对初始路径进行调节，使得保证穿刺达到愈合伤口的最大效果且使得穿刺路径最短，以此获得针道路径数据。
步骤S28：利用欧氏距离计算公式对针道路径数据进行交点方向向量、角度及深度计算处理，生成路径方向向量数据、路径角度数据以及针道深度数据；
本发明实施例中，计算针道路径数据中相邻点之间的欧氏距离，根据这些距离计算相邻点之间的方向向量，表示针道路径的走向，同时通过计算方向向量之间的角度，得到针道路径的曲率信息，最后使用欧氏距离计算公式计算每个交点的深度，即针道路径在颅脑内的进深程度。
步骤S29：根据路径方向向量数据、路径角度数据以及针道深度数据进行颅脑三维模型的旋转平移矩阵建立，以获得旋转平移矩阵。
本发明实施例中，根据路径方向向量数据确定旋转轴，并计算旋转角度，然后根据路径角度数据进行旋转操作，使颅脑模型与针道路径的弯曲方向保持一致，根据针道深度数据进行平移操作，将颅脑模型沿着针道路径的深度方向移动到正确的位置。
优选地，步骤S26中的路径误差函数优化调节算法如下所示：
ki＝(api-aqi)2+(bpi-bqi)2+(cpi-cqi)2；
式中，J表示为优化路径调节参数，N表示为路径的采样点数量，ωi表示为第i个目标点处误差权重，ki表示为第i个目标点到下一个目标点的距离，di表示为从针道起始位置到第i个目标点的距离，μ表示为曲率惩罚的权重信息，r表示为针道穿刺总路径长度，v表示为针道穿刺深度，τ表示为优化路径调节参数的异常调整指数，api表示为第i个目标点的横轴坐标，aqi表示为第i个目标点的下一个目标点的横轴坐标，bpi表示为第i个目标点的纵轴坐标，bqi表示为第i个目标点的下一个目标点的纵轴坐标，cpi表示为第i个目标点的竖轴坐标，cqi表示为第i个目标点的下一个目标点的竖轴坐标。
本发明利用路径误差函数优化调节算法，该算法充分考虑了，路径的采样点数量N、第i个目标点处误差权重ωi、第i个目标点到下一个目标点的距离ki、从针道起始位置到第i个目标点的距离di、曲率惩罚的权重信息μ、针道穿刺总路径长度r、针道穿刺深度v、第i个目标点的横轴坐标api、第i个目标点的下一个目标点的横轴坐标aqi、第i个目标点的纵轴坐标bpi、第i个目标点的下一个目标点的纵轴坐标bqi、第i个目标点的竖轴坐标cpi、第i个目标点的下一个目标点的竖轴坐标cqi以及函数之间的相互作用关系，以形成函数关系式 通过第i个目标点处误差权重来衡量每个目标点的重要性，权重越大表示该目标点对路径优化的影响越大，某些目标点对路径优化的影响更加突出，从而实现更精确的路径调节；曲率惩罚的权重信息用于平衡路径的平滑性和曲率惩罚的影响，控制路径的弯曲程度；并且通过路径的曲率项/>用于约束路径的曲率，使得路径更加平滑，减少曲率变化，提高穿刺的稳定性和精确性，使得路径进行优化，并且考虑每个目标点的距离、深度以及相关参数进行优化路径，使得穿刺路径更加准确、稳定以及平滑。利用优化路径调节参数的异常调整指数τ对函数关系进行调整修正，减少异常数据或误差项带来的误差影响，从而更准确地生成优化路径调节参数J，提高了对针道轮廓数据进行针道路径优化调节参数计算的准确性和可靠性。同时该公式中的误差权重、权重信息以及调整值可以根据实际情况进行调整，应用于不同的颅脑三维模型中，提高了算法的灵活性与适用性。
优选地，步骤S3包括以下步骤：
步骤S31：根据颅脑三维模型标记区域对颅脑三维模型进行标记区域外侧边缘参考点设置，生成颅脑三维模型标记区域参考点；
步骤S32：利用Dijkstra算法对颅脑三维模型标记区域参考点进行参考点最短路径计算，生成标记区域最短路径数据；
步骤S33：基于标记区域最短路径数据对颅脑三维模型标记区域进行标记区域模型基板提取处理，生成标记区域模型基板。
本发明根据颅脑三维模型的标记区域，通过设置外侧边缘参考点，可以确定标记区域的边界位置，这有助于定义颅脑穿刺的目标区域，并提供了边界信息以便后续处理。利用Dijkstra算法计算颅脑三维模型标记区域参考点之间的最短路径，通过计算最短路径，我们可以了解标记区域内各点之间的距离关系，揭示了标记区域的连通性和空间分布，并且提取出核心部分数据，节约了无用数据的处理时间，大大减少了算力。基于标记区域最短路径数据，对颅脑三维模型的标记区域进行处理，提取标记区域的模型基板，将标记区域的形状和结构信息抽取出来，形成一个基板模型，该模型可以作为后续颅脑穿刺模板的基础。
作为本发明的一个实例，参考图4所示，为图1中步骤S3的详细实施步骤流程示意图，在本实例中所述步骤S3包括：
步骤S31：根据颅脑三维模型标记区域对颅脑三维模型进行标记区域外侧边缘参考点设置，生成颅脑三维模型标记区域参考点；
本发明实施例中，标记区域是一个脑肿瘤的区域，我们可以在该区域***选择几个点作为参考点，确保它们分布在标记区域的边缘位置，以此得到颅脑三维模型标记区域参考点。
步骤S32：利用Dijkstra算法对颅脑三维模型标记区域参考点进行参考点最短路径计算，生成标记区域最短路径数据；
本发明实施例中，找到从标记区域的一侧到另一侧的最短路径，使用Dijkstra算法计算出这两个位置之间的最短路径，将最短路径进行联通，最后得到标记区域最短路径数据。
步骤S33：基于标记区域最短路径数据对颅脑三维模型标记区域进行标记区域模型基板提取处理，生成标记区域模型基板。
本发明实施例中，假设标记区域是一个脑血管的区域，利用最短路径数据提取脑血管需要穿刺的核心范围区域，对该核心区域进行提取，并构建成标记区域模型基板。
优选地，步骤S4包括以下步骤：
步骤S41：利用曲率分析算法对标记区域模型基板进行曲率变化率计算及铅点位置标记，以生成铅点位置信息；
步骤S42：根据铅点位置信息对目标区域模型基板进行铅点面片区域剔除处理，生成铅点面片剔除区域；
步骤S43：利用三角面片补洞技术对铅点面片剔除区域进行三角面片补洞处理，以生成标记区域模型基板的铅孔区域数据。
本发明通过曲率分析算法对标记区域模型基板进行曲率变化率计算，同时标记铅点的位置，能够识别标记区域中的曲率变化和形态特征，将铅点标记在模型基板上，提供了铅点的准确位置信息。根据铅点位置信息，对目标区域模型基板进行铅点面片区域剔除处理，这意味着将与铅点所在区域相邻的面片从模型中剔除，创建一个剔除区域，该区域不会干扰后续的穿刺操作。利用三角面片补洞技术对铅点面片剔除区域进行三角面片的补洞处理，能够填补剔除区域中的空洞，保持模型的完整性，并生成标记区域模型基板的铅孔区域数据，铅孔区域数据为后续的穿刺操作提供了目标区域内的有效穿刺点位置。
作为本发明的一个实例，参考图5所示，为图1中步骤S4的详细实施步骤流程示意图，在本实例中所述步骤S4包括：
步骤S41：利用曲率分析算法对标记区域模型基板进行曲率变化率计算及铅点位置标记，以生成铅点位置信息；
本发明实施例中，利用曲率分析算法对标记区域模型基板进行曲率变化率计算及铅点位置标记，以生成铅点位置信息，曲率变化率是描述曲面变化程度的指标，通过计算模型基板上每个点的曲率变化率，我们可以确定曲面上的铅点位置，例如可以利用曲率分析算法计算脑部模型基板上的曲率变化率，并标记出高曲率变化率的区域作为铅点位置。
步骤S42：根据铅点位置信息对目标区域模型基板进行铅点面片区域剔除处理，生成铅点面片剔除区域；
本发明实施例中，根据铅点位置信息，我们对目标区域模型基板进行铅点面片区域剔除处理，生成铅点面片剔除区域，根据铅点位置信息识别出位于铅点位置的面片，并将这些面片从模型基板中剔除，举例来说，如果在脑部模型基板上标记了一些高曲率变化率的点作为铅点位置，我们可以识别出包含这些点的面片，并将这些面片从模型基板中移除。
步骤S43：利用三角面片补洞技术对铅点面片剔除区域进行三角面片补洞处理，以生成标记区域模型基板的铅孔区域数据。
本发明实施例中，利用三角面片补洞技术，我们对铅点面片剔除区域进行三角面片补洞处理，以生成标记区域模型基板的铅孔区域数据，在剔除了铅点面片后，可能会留下一些空洞或缺失的面片，通过三角面片补洞技术，我们可以根据周围的面片形成新的三角面片，填补这些空洞，从而生成完整的标记区域模型基板的铅孔区域数据。
优选地，步骤S41包括以下步骤：
步骤S411：根据预设的网格面片分割面积对标记区域模型基板进行基板网格面片分割处理，生成网格面片基板块数据；
步骤S412：利用颅脑曲率计算公式对网格面片基板块数据进行基板块曲率变化率计算，生成曲率变化率数据；
步骤S413：根据曲率变化率数据与预设的曲率变化率阈值进行阈值比对处理，当曲率变化率数据大于曲率变化率阈值，将网格面片基板块数据进行铅点位置标记处理，生成铅点位置信息。
本发明根据预设的网格面片分割面积对标记区域模型基板进行基板网格面片分割处理，生成网格面片基板块数据，将模型基板分割成小块的网格面片，提供了更详细的局部信息。利用颅脑曲率计算公式对网格面片基板块数据进行曲率变化率计算，通过计算每个基板块的曲率变化率，可以获得标记区域内不同部位的曲率变化情况。将曲率变化率数据与预设的曲率变化率阈值进行比对处理，当某个基板块的曲率变化率超过预设阈值时，该基板块将被标记为铅点位置，并生成铅点位置信息，这个过程能够准确地识别出标记区域内具有较大曲率变化的位置，为后续的铅点处理提供了精确定位。
本发明实施例中，我们将标记区域模型基板划分为多个网格面片，每个网格面片具有预设的面积大小，生成网格面片基板块数据。通过计算每个网格面片基板块的曲率变化率，我们可以得到一个描述曲面变化程度的数值，可以使用颅脑曲率计算公式计算每个网格面片基板块的曲率变化率。将曲率变化率数据与预设的曲率变化率阈值进行比较，如果某个网格面片基板块的曲率变化率超过阈值，将该基板块标记为铅点位置，这样可以根据曲率变化率数据识别出高曲率变化的区域，标记出铅点位置。
优选地，步骤S412中的颅脑曲率计算公式如下所示：
式中，C表示为曲率变化率数据，s表示为标记区域模型划分的网格面片基板块数据，x表示为网格面片基板块数据的横轴坐标，y表示为网格面片基板块数据的纵轴坐标，z表示为网格面片基板块数据的竖轴坐标，δ表示为曲率变化率数据的异常调整值。
本发明利用颅脑曲率计算公式，该公式充分考虑了标记区域模型划分的网格面片基板块数据s、网格面片基板块数据的横轴坐标x、网格面片基板块数据的纵轴坐标y、网格面片基板块数据的竖轴坐标z以及函数之间的相互作用关系，以形成函数关系式通过将网格面片基板块数据的二阶偏导数进行运算得到，通过比较基板块数据局部区域的曲率与整体曲率之间的差异，来描述基板块上不同位置的曲率变化情况，通过计算曲率变化率了解到颅脑模型中哪些区域具有较大的曲率变化，从而可以定量评估基板块的形状特征。网格面片基板块数据将整个标记区域划分为小的网格面片而得到，通过将基板块数据进行网格划分，可以更细致地描述基板的形状，并计算出每个基板块的曲率变化率。量化描述标记区域内不同部位的曲率特征，从而在颅脑穿刺过程中提供更准确的参考信息。曲率变化率可以帮助确定穿刺点的曲率特征，判断局部区域的弯曲程度，进而指导穿刺路径的选择和调整。从而为后续的穿刺路径规划和操作提供重要依据，提高了穿刺的精确性和可控性。利用曲率变化率数据的异常调整值δ对函数关系进行调整修正，减少异常数据或误差项带来的误差影响，从而更准确地生成曲率变化率数据C，提高了对网格面片基板块数据进行基板块曲率变化率计算的准确性和可靠性。同时该公式中的调整值可以根据实际情况进行调整，应用于不同的颅脑三维模型中，提高了算法的灵活性与适用性。
优选地，步骤S5包括以下步骤：
步骤S51：获取铅点圆柱半径数据；
步骤S52：根据铅点圆柱半径数据与铅孔区域数据进行铅点圆柱构建，生成初始铅点圆柱数据；
步骤S53：根据自适应细分算法对初始铅点圆柱数据进行铅点圆柱优化调整处理，生成铅点圆柱数据。
本发明通过获取铅点圆柱半径数据，可以根据实际需求定制化地构建穿刺点的形状。根据获取的铅点圆柱半径数据和铅孔区域数据，进行铅点圆柱的构建，铅孔区域是指标记区域模型基板上被识别为需要穿刺的区域，通过将铅点圆柱的半径数据应用于铅孔区域，可以在模型基板上生成相应的铅点圆柱结构，创建符合穿刺要求的初始铅点圆柱数据，并提供进一步优化调整的基础。使用自适应细分算法对初始的铅点圆柱数据进行优化调整，自适应细分算法是一种可以对三维模型进行细分和调整的算法，通过应用自适应细分算法对铅点圆柱的形状进行调整，以满足穿刺路径的要求和精度，根据实际需求与铅点圆柱的位置、形状和穿刺要求等因素，对圆柱进行细分和调整，使得铅点圆柱更加准确地指导穿刺操作。
本发明实施例中，获取铅点圆柱的半径数据，这些数据可以通过测量或其他手段获得，例如通过医学图像分析技术测量铅孔的直径或通过专业设备测量得到。利用铅点圆柱半径数据以及铅孔区域数据，在标记区域模型基板的相应位置构建铅点的圆柱形状，这样可以创建初始的铅点圆柱数据。使用自适应细分算法对初始的铅点圆柱数据进行优化调整，这个算法可以根据铅点的形状和位置信息，以及其他相关参数，对圆柱进行细分和调整，使得铅点的形状更加精确和符合实际情况。
优选地，步骤S6包括以下步骤：
步骤S61：根据旋转平移矩阵将铅点圆柱数据进行穿孔定位的三维铅点圆柱建立，生成铅点圆柱三维模型；
步骤S62：根据旋转平移矩阵将铅孔区域数据进行穿孔定位的三维铅孔模型建立，生成铅孔三维模型；
步骤S63：基于标记区域模型基板对铅点圆柱三维模型与铅孔三维模型进行bool交集运算，分别生成铅点圆柱交集数据与铅孔交集数据；
步骤S64：将铅点圆柱交集数据与铅孔交集数据再次进行交集数据的bool交集运算，生成标记区域交集数据；
步骤S65：根据标记区域交集数据对铅点圆柱三维模型与铅孔三维模型进行移动调节，生成优化铅点圆柱三维模型与优化铅孔三维模型；
步骤S66：将标记区域模型基板、优化铅点圆柱三维模型以及优化铅孔三维模型进行数据整合，以构建颅脑穿刺模板。
本发明过旋转和平移矩阵将铅点圆柱数据进行穿孔定位，生成具有穿刺定位信息的三维铅点圆柱模型，该模型可用于指导穿刺操作，确保在正确的位置进行穿刺。根据旋转和平移矩阵将铅孔区域数据进行穿孔定位，生成具有穿孔位置信息的三维铅孔模型，铅孔模型用于表示穿刺目标区域，与铅点圆柱模型一起用于精确定位和引导穿刺操作。将铅点圆柱模型和铅孔模型与标记区域模型基板进行布尔交集运算，得到铅点圆柱与标记区域的交集数据以及铅孔与标记区域的交集数据，这些铅点圆柱交集数据与铅孔交集数据将用于后续的模型优化和调整。将铅点圆柱的交集数据与铅孔的交集数据再次进行布尔交集运算，生成标记区域交集数据，标记区域交集数据表示穿刺目标区域与标记区域的重叠部分，为后续的模型优化提供更准确的参考。根据标记区域的交集数据对铅点圆柱模型和铅孔模型进行移动和调节，使得铅点圆柱模型和铅孔模型与标记区域模型基板进行数据对齐，使穿刺模板更加准确地与目标区域匹配，提高穿刺的精确性，以获得优化的铅点圆柱三维模型和优化的铅孔三维模型。将标记区域模型基板、优化的铅点圆柱三维模型和优化的铅孔三维模型进行数据整合，构建完整的颅脑穿刺模板，该模板将包含准确的穿刺定位信息和穿刺目标区域的形状，为医生提供可视化的指导和参考，以进行精确的颅脑穿刺操作。
作为本发明的一个实例，参考图6所示，为图1中步骤S6的详细实施步骤流程示意图，在本实例中所述步骤S6包括：
步骤S61：根据旋转平移矩阵将铅点圆柱数据进行穿孔定位的三维铅点圆柱建立，生成铅点圆柱三维模型；
本发明实施例中，通过应用旋转平移矩阵将铅点圆柱数据的位置和姿态进行调整，以实现在颅脑模型中的准确穿孔定位，这样可以生成具有相应位置和姿态的铅点圆柱三维模型。
步骤S62：根据旋转平移矩阵将铅孔区域数据进行穿孔定位的三维铅孔模型建立，生成铅孔三维模型；
本发明实施例中，利用相同的旋转平移矩阵对铅孔区域数据进行位置和姿态的调整，以构建具有准确位置和姿态的铅孔三维模型。
步骤S63：基于标记区域模型基板对铅点圆柱三维模型与铅孔三维模型进行bool交集运算，分别生成铅点圆柱交集数据与铅孔交集数据；
本发明实施例中，将标记区域模型基板与铅点圆柱三维模型以及铅孔三维模型进行布尔交集运算，得到相应的交集数据，这样可以获得铅点圆柱与标记区域的交集数据以及铅孔与标记区域的交集数据。
步骤S64：将铅点圆柱交集数据与铅孔交集数据再次进行交集数据的bool交集运算，生成标记区域交集数据；
本发明实施例中，对铅点圆柱交集数据和铅孔交集数据进行再次的布尔交集运算，以获得它们的交集数据，这样可以得到标记区域模型基板与铅点圆柱三维模型和铅孔三维模型三者之间更精确的标记区域交集数据。
步骤S65：根据标记区域交集数据对铅点圆柱三维模型与铅孔三维模型进行移动调节，生成优化铅点圆柱三维模型与优化铅孔三维模型；
本发明实施例中，利用标记区域交集数据的信息，对铅点圆柱三维模型和铅孔三维模型进行微调和移动，以优化它们的位置和姿态，使得标记区域交集数据变大，标记区域模型基板与铅点圆柱三维模型和铅孔三维模型三者重合程度更高，以此获得优化铅点圆柱三维模型与优化铅孔三维模型。
步骤S66：将标记区域模型基板、优化铅点圆柱三维模型以及优化铅孔三维模型进行数据整合，以构建颅脑穿刺模板。
本发明实施例中，将标记区域模型基板与优化的铅点圆柱三维模型和优化的铅孔三维模型进行数据整合，以创建最终的颅脑穿刺模板，这个模板将包含标记区域的基本形状、优化的铅点圆柱以及优化的铅孔，用于指导颅脑穿刺等相关操作。
本申请有益效果在于，本发明通过将DICOM颅脑影像进行处理以及三维建模，提高颅脑影像数据的质量、准确性和可视化程度，为穿刺模板的构建提供了可靠的数据基础。并且通过提取针道数据对针道穿刺路径进行优化，使得提高颅脑穿刺的精确性和安全性，减少穿刺风险和损伤，利用最短路径提取出需要进行构建穿刺模板的区域，去除掉无用数据的处理，大大节约了数据量，提高了数据处理的速度，节约了硬件处理的时间。通过细致的网格面片处理和曲率分析，能够精确地识别出颅脑表面的关键区域和结构特征，通过铅点位置标记、铅点圆柱构建和优化调整等步骤，能够生成具有精确穿刺位置和合适尺寸的穿刺模板，这样能够准确地定位和引导穿刺操作，提高手术的准确性和成功率。基于网格面片的处理方法能够有效地处理复杂的颅脑模型，实现高效率的模型分割和处理，通过自动化的算法和计算公式，能够快速地计算出曲率变化率、圆柱数据等关键信息，这种高效率的处理过程能够减少手术前的准备时间，并提供及时的穿刺模板构建结果。基于精确的数据处理和曲率分析，通过布尔交集运算和优化调节，能够准确地获得标记区域与目标区域的交集数据，这样生成的穿刺模板能够与颅脑结构精确匹配，提供可靠的引导和定位，同时通过移动调节和整合数据的步骤，能够进一步优化模板的适应性和精确性。精确定位和优化调节，能够减少穿刺过程中的误差和风险，根据生成的穿刺模板进行精确引导，避免误伤关键结构和引起并发症，这种准确的穿刺操作有助于提高手术的安全性，并降低术后并发症的风险。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于网格面片处理的颅脑穿刺模板构建方法，其特征在于，包括以下步骤：
步骤S1：获取用户的DICOM影像数据；对DICOM影像数据进行影像数据预处理，生成标准影像数据；利用三维建模技术对颅脑区域影像数据进行三维建模处理，生成颅脑三维模型；
步骤S2：获取颅脑针道目标区域、针道终点数据以及针道起点数据；根据颅脑针道目标区域对颅脑三维模型进行针道目标区域标记处理，生成颅脑三维模型标记区域；利用RRT算法对针道起点数据与针道终点数据进行针道路径优化计算，生成针道路径数据；根据针道路径数据进行行颅脑三维模型的旋转平移矩阵建立，以获得旋转平移矩阵；
步骤S3：利用Dijkstra算法对颅脑三维模型标记区域进行颅脑模型标记区域模型基板提取处理，生成标记区域模型基板；
步骤S4：利用曲率分析算法对标记区域模型基板进行曲率变化率计算及铅点位置标记，以生成铅点位置信息；根据铅点位置信息对标记区域模型基板进行铅点面片删除及三角面片补洞处理，生成标记区域模型基板的铅孔区域数据；
步骤S5：获取铅点圆柱半径数据；根据铅点圆柱半径数据与铅孔区域数据进行铅点圆柱构建及调节，生成铅点圆柱数据；
步骤S6：根据旋转平移矩阵将铅点圆柱数据进行穿孔定位的三维铅点圆柱建立，生成铅点圆柱三维模型；根据旋转平移矩阵将铅孔区域数据进行穿孔定位的三维铅孔模型建立，生成铅孔三维模型；基于标记区域模型基板对铅点圆柱三维模型与铅孔三维模型进行bool运算优化及数据整合处理，以构建颅脑穿刺模板。
2.根据权利要求1所述的基于网格面片处理的颅脑穿刺模板构建方法，其特征在于，步骤S1包括以下步骤：
步骤S11：获取用户的DICOM颅脑影像数据；
步骤S12：利用高斯滤波对DICOM颅脑影像数据进行降噪处理，生成降噪颅脑影像数据；
步骤S13：伪影校正算法对降噪颅脑影像数据进行影像校正处理，生成标准颅脑影像数据；
步骤S14：利用三维建模技术对标准颅脑影像数据进行颅脑区域三维建模处理，生成颅脑三维模型。
3.根据权利要求2所述的基于网格面片处理的颅脑穿刺模板构建方法，其特征在于，步骤S2包括以下步骤：
步骤S21：获取颅脑针道目标区域、针道终点数据以及针道起点数据；
步骤S22：根据颅脑针道目标区域对颅脑三维模型进行针道目标区域标记处理，生成颅脑三维模型标记区域；
步骤S23：利用RRT算法对针道起点数据与针道终点数据进行针道路径计算，生成初始针道路径数据；
步骤S24：根据针道起点数据对颅脑三维模型标记区域进行针道局部最高点标记区域移动调节处理，生成调节颅脑三维模型标记区域；
步骤S25：利用边缘检测算法对调节颅脑三维模型标记区域进行针道轮廓数据提取处理，生成针道轮廓数据；
步骤S26：利用路径误差函数优化调节算法对针道轮廓数据进行针道路径优化调节参数计算，生成优化路径调节参数；
步骤S27：根据优化路径调节参数对初始针道路径数据进行优化调节处理，生成针道路径数据；
步骤S28：利用欧氏距离计算公式对针道路径数据进行交点方向向量、角度及深度计算处理，生成路径方向向量数据、路径角度数据以及针道深度数据；
步骤S29：根据路径方向向量数据、路径角度数据以及针道深度数据进行颅脑三维模型的旋转平移矩阵建立，以获得旋转平移矩阵。
4.根据权利要求3所述的基于网格面片处理的颅脑穿刺模板构建方法，其特征在于，步骤S26中的路径误差函数优化调节算法如下所示：
ki＝(api-aqi)2+(bpi-bqi)2+(cpi-cqi)2；
式中，J表示为优化路径调节参数，N表示为路径的采样点数量，ωi表示为第i个目标点处误差权重，ki表示为第i个目标点到下一个目标点的距离，di表示为从针道起始位置到第i个目标点的距离，μ表示为曲率惩罚的权重信息，r表示为针道穿刺总路径长度，v表示为针道穿刺深度，τ表示为优化路径调节参数的异常调整指数，api表示为第i个目标点的横轴坐标，aqi表示为第i个目标点的下一个目标点的横轴坐标，bpi表示为第i个目标点的纵轴坐标，bqi表示为第i个目标点的下一个目标点的纵轴坐标，cpi表示为第i个目标点的竖轴坐标，cqi表示为第i个目标点的下一个目标点的竖轴坐标。
5.根据权利要求3所述的基于网格面片处理的颅脑穿刺模板构建方法，其特征在于，步骤S3包括以下步骤：
步骤S31：根据颅脑三维模型标记区域对颅脑三维模型进行标记区域外侧边缘参考点设置，生成颅脑三维模型标记区域参考点；
步骤S32：利用Dijkstra算法对颅脑三维模型标记区域参考点进行参考点最短路径计算，生成标记区域最短路径数据；
步骤S33：基于标记区域最短路径数据对颅脑三维模型标记区域进行标记区域模型基板提取处理，生成标记区域模型基板。
6.根据权利要求5所述的基于网格面片处理的颅脑穿刺模板构建方法，其特征在于，步骤S4包括以下步骤：
步骤S41：利用曲率分析算法对标记区域模型基板进行曲率变化率计算及铅点位置标记，以生成铅点位置信息；
步骤S42：根据铅点位置信息对目标区域模型基板进行铅点面片区域剔除处理，生成铅点面片剔除区域；
步骤S43：利用三角面片补洞技术对铅点面片剔除区域进行三角面片补洞处理，以生成标记区域模型基板的铅孔区域数据。
7.根据权利要求6所述的基于网格面片处理的颅脑穿刺模板构建方法，其特征在于，步骤S41包括以下步骤：
步骤S411：根据预设的网格面片分割面积对标记区域模型基板进行基板网格面片分割处理，生成网格面片基板块数据；
步骤S412：利用颅脑曲率计算公式对网格面片基板块数据进行基板块曲率变化率计算，生成曲率变化率数据；
步骤S413：根据曲率变化率数据与预设的曲率变化率阈值进行阈值比对处理，当曲率变化率数据大于曲率变化率阈值，将网格面片基板块数据进行铅点位置标记处理，生成铅点位置信息。
8.根据权利要求7所述的基于网格面片处理的颅脑穿刺模板构建方法，其特征在于，步骤S412中的颅脑曲率计算公式如下所示：
式中，C表示为曲率变化率数据，s表示为标记区域模型划分的网格面片基板块数据，x表示为网格面片基板块数据的横轴坐标，y表示为网格面片基板块数据的纵轴坐标，z表示为网格面片基板块数据的竖轴坐标，δ表示为曲率变化率数据的异常调整值。
9.根据权利要求8所述的基于网格面片处理的颅脑穿刺模板构建方法，其特征在于，步骤S5包括以下步骤：
步骤S51：获取铅点圆柱半径数据；
步骤S52：根据铅点圆柱半径数据与铅孔区域数据进行铅点圆柱构建，生成初始铅点圆柱数据；
步骤S53：根据自适应细分算法对初始铅点圆柱数据进行铅点圆柱优化调整处理，生成铅点圆柱数据。
10.根据权利要求9所述的基于网格面片处理的颅脑穿刺模板构建方法，其特征在于，步骤S6包括以下步骤：
步骤S61：根据旋转平移矩阵将铅点圆柱数据进行穿孔定位的三维铅点圆柱建立，生成铅点圆柱三维模型；
步骤S62：根据旋转平移矩阵将铅孔区域数据进行穿孔定位的三维铅孔模型建立，生成铅孔三维模型；
步骤S63：基于标记区域模型基板对铅点圆柱三维模型与铅孔三维模型进行bool交集运算，分别生成铅点圆柱交集数据与铅孔交集数据；
步骤S64：将铅点圆柱交集数据与铅孔交集数据再次进行交集数据的bool交集运算，生成标记区域交集数据；
步骤S65：根据标记区域交集数据对铅点圆柱三维模型与铅孔三维模型进行移动调节，生成优化铅点圆柱三维模型与优化铅孔三维模型；
步骤S66：将标记区域模型基板、优化铅点圆柱三维模型以及优化铅孔三维模型进行数据整合，以构建颅脑穿刺模板。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310736677.0A CN116725641B (zh) | 2023-06-20 | 2023-06-20 | 一种基于网格面片处理的颅脑穿刺模板构建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310736677.0A CN116725641B (zh) | 2023-06-20 | 2023-06-20 | 一种基于网格面片处理的颅脑穿刺模板构建方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116725641A true CN116725641A (zh) | 2023-09-12 |
| CN116725641B CN116725641B (zh) | 2023-12-22 |
Family
ID=87916570
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310736677.0A Active CN116725641B (zh) | 2023-06-20 | 2023-06-20 | 一种基于网格面片处理的颅脑穿刺模板构建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116725641B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106821497A (zh) * | 2017-03-16 | 2017-06-13 | 上海市肺科医院 | 一种靶位点的精确定位及处置方法和辅助装置 |
| CN108523999A (zh) * | 2018-03-21 | 2018-09-14 | 山东卓业电子科技有限公司 | 颅脑肿瘤定位、钻孔、穿刺手术用3d打印模板的设计方法 |
| CN110269768A (zh) * | 2019-06-03 | 2019-09-24 | 南京医科大学 | 用于辅助肝脏穿刺操作的定位床、导板及导板设计方法 |
| CN110738729A (zh) * | 2019-10-11 | 2020-01-31 | 深圳市一图智能科技有限公司 | 一种穿刺导板三维模型生成方法、计算机设备和存储介质 |
| CN114429520A (zh) * | 2022-01-04 | 2022-05-03 | 苏州国科康成医疗科技有限公司 | 一种穿刺手术导板设计方法、***以及穿刺手术导板 |
| CN115349930A (zh) * | 2022-08-23 | 2022-11-18 | 山东卓业医疗科技有限公司 | 一种用于保护颌面部穿刺模板3d打印设计方法 |
| CN116211461A (zh) * | 2023-03-15 | 2023-06-06 | 图灵医道医疗器械科技(上海)有限公司 | 一种脑血肿穿刺引流导板模型的生成方法及*** |
-
2023
- 2023-06-20 CN CN202310736677.0A patent/CN116725641B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106821497A (zh) * | 2017-03-16 | 2017-06-13 | 上海市肺科医院 | 一种靶位点的精确定位及处置方法和辅助装置 |
| CN108523999A (zh) * | 2018-03-21 | 2018-09-14 | 山东卓业电子科技有限公司 | 颅脑肿瘤定位、钻孔、穿刺手术用3d打印模板的设计方法 |
| CN110269768A (zh) * | 2019-06-03 | 2019-09-24 | 南京医科大学 | 用于辅助肝脏穿刺操作的定位床、导板及导板设计方法 |
| CN110738729A (zh) * | 2019-10-11 | 2020-01-31 | 深圳市一图智能科技有限公司 | 一种穿刺导板三维模型生成方法、计算机设备和存储介质 |
| CN114429520A (zh) * | 2022-01-04 | 2022-05-03 | 苏州国科康成医疗科技有限公司 | 一种穿刺手术导板设计方法、***以及穿刺手术导板 |
| CN115349930A (zh) * | 2022-08-23 | 2022-11-18 | 山东卓业医疗科技有限公司 | 一种用于保护颌面部穿刺模板3d打印设计方法 |
| CN116211461A (zh) * | 2023-03-15 | 2023-06-06 | 图灵医道医疗器械科技(上海)有限公司 | 一种脑血肿穿刺引流导板模型的生成方法及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116725641B (zh) | 2023-12-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109785374B (zh) | 一种牙科增强现实手术导航的自动实时无标记图像配准方法 | |
| WO2021078064A1 (zh) | 超声扫查轨迹规划方法、装置、存储介质及计算机设备 | |
| CN110189352B (zh) | 一种基于口腔cbct图像的牙根提取方法 | |
| CN111161241B (zh) | 一种肝脏图像识别方法、电子设备及存储介质 | |
| CN105719278B (zh) | 一种基于统计形变模型的医学图像分割方法 | |
| CN110652317B (zh) | 一种产前胎儿超声容积图像中标准切面的自动定位方法 | |
| CN110738681A (zh) | 一种基于深度学习网络的椎弓根钉手术路径自动规划方法 | |
| CN105678746B (zh) | 一种医学图像中肝脏范围的定位方法及装置 | |
| CN106997594B (zh) | 一种眼部组织的定位方法及装置 | |
| CN106127753B (zh) | 一种外科手术中ct影像体表人工标记自动提取方法 | |
| CN107067398A (zh) | 用于三维医学模型中缺失血管的补全方法及装置 | |
| CN109493943B (zh) | 一种结合光学手术导航的三维可视化头皮开颅定位方法 | |
| CN112244883B (zh) | 基于ct图像提取左心耳数据参数的方法及*** | |
| CN111862022B (zh) | 全身多部位放射治疗危及器官自动勾画方法 | |
| CN107067393A (zh) | 一种基于用户交互和形状先验知识的三维医学图像分割方法 | |
| CN107507189A (zh) | 基于随机森林与统计模型的小鼠ct图像肾脏分割方法 | |
| CN110097557A (zh) | 基于3D-UNet的医学图像自动分割方法及*** | |
| CN104434319A (zh) | 手术导航***中游离骨块的实时示踪方法 | |
| CN109801276A (zh) | 一种计算心胸比的方法及装置 | |
| CN112998749A (zh) | 一种基于视觉伺服的自动超声检查*** | |
| CN115578320A (zh) | 一种骨科手术机器人全自动空间注册方法及*** | |
| CN106960439A (zh) | 一种脊椎骨识别装置及方法 | |
| CN111916183B (zh) | 动态心血管***的建模方法、装置、设备及存储介质 | |
| CN116725641B (zh) | 一种基于网格面片处理的颅脑穿刺模板构建方法 | |
| CN113222979A (zh) | 一种基于多图谱的颅底卵圆孔自动分割方法 |
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 |