CN117808975B - 一种基于深度学习的肺部图像手术规划三维重建方法 - Google Patents
一种基于深度学习的肺部图像手术规划三维重建方法 Download PDFInfo
- Publication number
- CN117808975B CN117808975B CN202410213511.5A CN202410213511A CN117808975B CN 117808975 B CN117808975 B CN 117808975B CN 202410213511 A CN202410213511 A CN 202410213511A CN 117808975 B CN117808975 B CN 117808975B
- Authority
- CN
- China
- Prior art keywords
- learning
- lung
- gray
- area
- bronchus
- 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
- 210000004072 lung Anatomy 0.000 title claims abstract description 254
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000013135 deep learning Methods 0.000 title claims abstract description 18
- 238000001356 surgical procedure Methods 0.000 title claims abstract description 16
- 210000000621 bronchi Anatomy 0.000 claims description 149
- 210000003437 trachea Anatomy 0.000 claims description 26
- 238000010187 selection method Methods 0.000 claims description 3
- 206010028980 Neoplasm Diseases 0.000 description 7
- 230000006870 function Effects 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000001959 radiotherapy Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000002685 pulmonary effect Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 208000014181 Bronchial disease Diseases 0.000 description 1
- 208000035473 Communicable disease Diseases 0.000 description 1
- 208000019693 Lung disease Diseases 0.000 description 1
- 241000422846 Sequoiadendron giganteum Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 208000002352 blister Diseases 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011010 flushing procedure Methods 0.000 description 1
- 230000004199 lung function Effects 0.000 description 1
- 208000037841 lung tumor Diseases 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002271 resection Methods 0.000 description 1
- 210000002345 respiratory system Anatomy 0.000 description 1
- 208000024363 trachea neoplasm Diseases 0.000 description 1
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种基于深度学习的肺部图像手术规划三维重建方法,涉及肺部手术规划技术领域,包括通过手术数据库获取若干健康肺部影像,对若干健康肺部影像进行深度学习,获取肺部区域特征,基于肺部区域特征得到基础肺部参照模型;获取实时手术肺部影像,与基础肺部参照模型进行比对建立实时肺部三维模型,在实时肺部三维模型中标记基础手术区域,本发明通过深度学习建立肺部区域划分的方法,通过划分好肺部区域筛选出基础手术区域,对基础手术区域进行再比对筛选,能够提高手术区域规划的精准度,以解决现有的技术中缺少辅助肺部手术区域的规划方法,导致手术区域存在误差的问题。
Description
技术领域
本发明涉及肺部手术规划技术领域,具体为一种基于深度学习的肺部图像手术规划三维重建方法。
背景技术
肺部的手术通常包括肺部微创手术和开胸手术,肺部手术的病情种类包括肺大疱、肺部感染性疾病、肺部肿瘤以及气管肿瘤等;肺切除术是治疗某些肺内或支气管疾病的有效手段,根据病变的性质、范围和病人肺功能的情况,选择所要进行肺部切除的区域,手术治疗的切除范围是肿瘤生长区域或肿瘤最可能累及区域,手术治疗的手段可以参照放疗治疗的手段,放疗是恶性肿瘤治疗的一种局部治疗手段,和手术治疗一样,放射治疗是通过放射线照射已经存在的肿瘤或可能存在肿瘤的区域,通过射线杀死肿瘤,照射范围是肿瘤已经侵犯或有可能侵犯的位置。
现有的技术中,在对肺部进行手术的过程中,需要主刀医生在手术前规划好需要进行手术的区域,通常情况下都是结合医学影像资料和医生的判断划定好需要手术的范围,人为筛选过程中会出现一些误差误判,因此,为了提高手术区域的规划准确性,现有的技术中还缺少一种能够辅助医生进行手术区域划定以及精准筛选范围的方法。
发明内容
本发明旨在至少在一定程度上解决现有技术中的技术问题之一,通过深度学习建立肺部区域划分的方法,通过划分好肺部区域筛选出基础手术区域,对基础手术区域进行再比对筛选,能够提高手术区域规划的精准度,以解决现有的技术中缺少辅助肺部手术区域的规划方法,导致手术区域存在误差的问题。
为实现上述目的,本发明提供一种基于深度学习的肺部图像手术规划三维重建方法,包括通过手术数据库获取若干健康肺部影像,对若干健康肺部影像进行深度学习,获取肺部区域特征,基于肺部区域特征得到基础肺部参照模型;
获取实时手术肺部影像,与基础肺部参照模型进行比对建立实时肺部三维模型,在实时肺部三维模型中标记基础手术区域;
将手术区域与实时肺部三维模型中的肺部区域特征进行比对,根据比对结果重新划定基础手术区域,得到重建手术区域。
进一步地,通过手术数据库获取若干健康肺部影像,对若干健康肺部影像进行深度学习,获取肺部区域特征包括:肺部区域特征包括肺叶区域特征、主气管区域特征以及支气管区域特征。
进一步地,肺叶区域特征的获取方法包括:设定肺叶学习框,肺叶学习框设置为圆形,在肺叶区域内随机生成一个肺叶选取点,使肺叶学习框的圆心与肺叶选取点重合;
以覆盖肺叶选取点的肺叶学习框为选取起点,依次选取下一个肺叶学习框的中心点;
下一个肺叶学习框的中心点的选取方法包括:保证下一个肺叶学习框的中心点与上一个肺叶学习框的中心点的距离等于第一肺叶选取距离;依次在肺叶区域内选取第一数量个肺叶学习框;
求取肺叶学***均值,得到肺叶学***均值,设定为单一肺叶学***均值,设定为肺叶学习灰度参考值。
进一步地,主气管区域特征的获取方法包括:设定主气管学习框,主气管学习框设置为圆形,在主气管区域内随机生成一个主气管选取点,使主气管选取点与主气管区域的轮廓的最短距离大于第一边界距离;
使主气管学习框的圆心与主气管选取点重合,以覆盖主气管选取点的主气管学习框为选取起点,依次选取下一个主气管学习框的中心点;
下一个主气管学习框的中心点的选取方法包括:保证下一个主气管学习框的中心点与上一个主气管学习框的中心点的距离等于第一主气管选取距离,且使每一个主气管学习框的中心点与主气管区域的轮廓的最短距离大于第一边界距离,依次在主气管区域内选取第二数量个主气管学习框;
求取主气管学***均值,得到主气管学***均值,设定为单一主气管学***均值,设定为主气管学习灰度参考值。
进一步地,支气管区域特征的获取方法包括:设定支气管学习框,支气管学习框设置为圆形,在支气管区域内随机生成一个支气管选取点,使支气管选取点与支气管区域的轮廓的最短距离大于第二边界距离;
使支气管学习框的圆心与支气管选取点重合,以覆盖支气管选取点的支气管学习框为选取起点,依次选取下一个支气管学习框的中心点;
下一个支气管学习框的中心点的选取方法包括:保证下一个支气管学习框的中心点与上一个支气管学习框的中心点的距离等于第一支气管选取距离,且使每一个支气管学习框的中心点与支气管区域的轮廓的最短距离大于第二边界距离,依次在支气管区域内选取第三数量个支气管学习框;
求取支气管学***均值,得到支气管学***均值,设定为单一支气管学***均值,设定为支气管学习灰度参考值。
进一步地,基于肺部区域特征得到基础肺部参照模型包括:获取肺叶学习灰度参考值、主气管学习灰度参考值以及支气管学习灰度参考值,设定肺叶学习灰度波动范围值、主气管学习灰度波动范围值以及支气管学习灰度波动范围值;
将肺叶学习灰度参考值加上肺叶学习灰度波动范围值得到肺叶学习灰度上限值,将肺叶学习灰度参考值减去肺叶学习灰度波动范围值得到肺叶学习灰度下限值,将肺叶学习灰度下限值与肺叶学习灰度上限值之间的范围设定为肺叶学习灰度范围;
将主气管学习灰度参考值加上主气管学习灰度波动范围值得到主气管学习灰度上限值,将主气管学习灰度参考值减去主气管学习灰度波动范围值得到主气管学习灰度下限值,将主气管学习灰度下限值与主气管学习灰度上限值之间的范围设定为主气管学习灰度范围;
将支气管学习灰度参考值加上支气管学习灰度波动范围值得到支气管学习灰度上限值,将支气管学习灰度参考值减去支气管学习灰度波动范围值得到支气管学习灰度下限值,将支气管学习灰度下限值与支气管学习灰度上限值之间的范围设定为支气管学习灰度范围;
基础肺部参照模型包括肺叶学习灰度范围、主气管学习灰度范围以及支气管学习灰度范围。
进一步地,获取实时手术肺部影像,与基础肺部参照模型进行比对建立实时肺部三维模型包括:根据基础肺部参照模型中肺叶学习灰度范围、主气管学习灰度范围以及支气管学习灰度范围划定实时手术肺部影像中的肺叶参照区域、主气管参照区域以及支气管参照区域。
进一步地,在实时肺部三维模型中标记基础手术区域包括:获取肺叶参照区域、主气管参照区域以及支气管参照区域中的空余区域,设定为基础手术区域。
进一步地,将手术区域与实时肺部三维模型中的肺部区域特征进行比对,根据比对结果重新划定基础手术区域,得到重建手术区域包括:获取基础手术区域,设定基础手术区域的像素点划分网格;
将基础手术区域的轮廓所覆盖的像素点划分网格设定为基础区域网格,将与基础区域网格相邻的像素点划分网格设定为第一相邻区域网格,将与第一相邻区域网格相邻的像素点划分网格设定为第二相邻区域网格;
将第二相邻区域网格覆盖的区域设定为待定手术区域;
将待定手术区域中的第二相邻区域网格覆盖的区域中包括主气管参照区域或支气管参照区域的网格设定为待删减网格;
将待定手术区域中的待删减网格进行删减后得到重建手术区域。
本发明的有益效果:本发明通过手术数据库获取若干健康肺部影像,对若干健康肺部影像进行深度学习,获取肺部区域特征,基于肺部区域特征得到基础肺部参照模型,该设计能够便于对获取到的实时手术肺部影像的区域进行快速规划,提高肺部区域划分准确性的同时,保证划分的效率;
本发明通过获取实时手术肺部影像,与基础肺部参照模型进行比对建立实时肺部三维模型,在实时肺部三维模型中标记基础手术区域,该设计能够搭建好基础手术区域,为手术区域的精准规划建立好基础框架;
本发明通过将手术区域与实时肺部三维模型中的肺部区域特征进行比对,根据比对结果重新划定基础手术区域,得到重建手术区域,该设计能够在规划好的基础手术区域的基础上进行二次比对重建,有助于提高手术区域划分的准确性。
本申请的其他特征和优点将在随后的说明书阐述,并且,部分地从说明书中变得显而易见,或者通过实施本申请了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
图1为本发明的方法的步骤流程图;
图2为本发明的肺叶区域的肺叶学习框的选取示意图。
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。
请参阅图1所示,本发明提供一种基于深度学习的肺部图像手术规划三维重建方法,通过深度学习建立肺部区域划分的方法,通过划分好肺部区域筛选出基础手术区域,对基础手术区域进行再比对筛选,能够提高手术区域规划的精准度。
基于深度学习的肺部图像手术规划三维重建方法包括如下步骤:
步骤S10,通过手术数据库获取若干健康肺部影像,对若干健康肺部影像进行深度学习,获取肺部区域特征,基于肺部区域特征得到基础肺部参照模型;肺部区域特征包括肺叶区域特征、主气管区域特征以及支气管区域特征;肺部的结构特征主要包括气管和肺叶,其中气管又包括呼吸道主气管、主支气管以及次级支气管,并延续到毛细支气管,毛细支气管如树杈样分布,最后与肺叶相连,肺叶如同大树树叶,毛细支气管末梢会连接到不同大小肺叶,而肺叶属于气体交换的最终场所,由于次级支气管以及毛细支气管的作用以及图像显示区域都比较小,因此本申请中只用于对气管中的主气管和支气管区域进行深度学习。
请参阅图2所示,步骤S10还包括如下子步骤:
步骤S1011,设定肺叶学习框,肺叶学习框设置为圆形,在肺叶区域内随机生成一个肺叶选取点,使肺叶学习框的圆心与肺叶选取点重合;
步骤S1012,以覆盖肺叶选取点的肺叶学习框为选取起点,依次选取下一个肺叶学习框的中心点;
步骤S1013,下一个肺叶学习框的中心点的选取方法包括:保证下一个肺叶学习框的中心点与上一个肺叶学习框的中心点的距离等于第一肺叶选取距离;依次在肺叶区域内选取第一数量个肺叶学习框;在具体实施应用时,参照肺部区域的面积,设定第一肺叶选取距离为3cm,第一数量的设定区间为10-20,具体设定为12;图2中Sf1为第一肺叶选取距离;
步骤S1014,求取肺叶学***均值,得到肺叶学***均值,设定为单一肺叶学***均值,设定为肺叶学***均值的求取;其中获取到的健康肺部影像的数量设定为20组,既可以保证数据处理的基础有效量,也可以保证数据处理量不会太大。
步骤S10还包括如下子步骤:
步骤S1021,设定主气管学习框,主气管学习框设置为圆形,在主气管区域内随机生成一个主气管选取点,使主气管选取点与主气管区域的轮廓的最短距离大于第一边界距离;由于主气管呈长条状排布,因此在对主气管内的点位进行选取时,需要选取较为靠中间区域时,可以使选取的点位与其轮廓之间保持第一边界距离,第一边界距离设定为0.3cm;
步骤S1022,使主气管学习框的圆心与主气管选取点重合,以覆盖主气管选取点的主气管学习框为选取起点,依次选取下一个主气管学习框的中心点;
步骤S1023,下一个主气管学习框的中心点的选取方法包括:保证下一个主气管学习框的中心点与上一个主气管学习框的中心点的距离等于第一主气管选取距离,且使每一个主气管学习框的中心点与主气管区域的轮廓的最短距离大于第一边界距离,依次在主气管区域内选取第二数量个主气管学习框;由于肺叶区域面积大于主气管区域,因此,在设定时,第一主气管选取距离小于第一肺叶选取距离,第二数量小于第一数量,第一主气管选取距离设定为2cm,第二数量设定为5;
步骤S1024,求取主气管学***均值,得到主气管学***均值,设定为单一主气管学***均值,设定为主气管学***均值得到的。
步骤S10还包括如下子步骤:
步骤S1031,设定支气管学习框,支气管学习框设置为圆形,在支气管区域内随机生成一个支气管选取点,使支气管选取点与支气管区域的轮廓的最短距离大于第二边界距离;第二边界距离设定为0.1cm;
步骤S1032,使支气管学习框的圆心与支气管选取点重合,以覆盖支气管选取点的支气管学习框为选取起点,依次选取下一个支气管学习框的中心点;
步骤S1033,下一个支气管学习框的中心点的选取方法包括:保证下一个支气管学习框的中心点与上一个支气管学习框的中心点的距离等于第一支气管选取距离,且使每一个支气管学习框的中心点与支气管区域的轮廓的最短距离大于第二边界距离,依次在支气管区域内选取第三数量个支气管学习框;由于主气管的宽度大于支气管的宽度,因此,在设定时,第一支气管选取距离小于第一主气管选取距离,第三数量小于第二数量,第一支气管选取距离设定为1cm,第三数量设定为3;
步骤S1034,求取支气管学***均值,得到支气管学***均值,设定为单一支气管学***均值,设定为支气管学***均值得到的。
步骤S10还包括:
步骤S1041,获取肺叶学习灰度参考值、主气管学习灰度参考值以及支气管学习灰度参考值,设定肺叶学习灰度波动范围值、主气管学习灰度波动范围值以及支气管学习灰度波动范围值;其中,在进行区域划分时,通常情况下气管与肺叶的灰度值的差距较大,因此在进行气管与肺叶的区分时较为简单一些,当存在主气管区域和支气管区域区分时,主气管学习灰度参考值与支气管学习灰度参考值的差距较小时,可以将主气管区域和支气管区域进行合并为气管区域;
步骤S1042,将肺叶学习灰度参考值加上肺叶学习灰度波动范围值得到肺叶学习灰度上限值,将肺叶学习灰度参考值减去肺叶学习灰度波动范围值得到肺叶学习灰度下限值,将肺叶学习灰度下限值与肺叶学习灰度上限值之间的范围设定为肺叶学习灰度范围,其中肺叶学习灰度波动范围值、主气管学习灰度波动范围值以及支气管学习灰度波动范围值分别设定为5、10和10;
步骤S1043,将主气管学习灰度参考值加上主气管学习灰度波动范围值得到主气管学习灰度上限值,将主气管学习灰度参考值减去主气管学习灰度波动范围值得到主气管学习灰度下限值,将主气管学习灰度下限值与主气管学习灰度上限值之间的范围设定为主气管学习灰度范围;
步骤S1044,将支气管学习灰度参考值加上支气管学习灰度波动范围值得到支气管学习灰度上限值,将支气管学习灰度参考值减去支气管学习灰度波动范围值得到支气管学习灰度下限值,将支气管学习灰度下限值与支气管学习灰度上限值之间的范围设定为支气管学习灰度范围;
步骤S1045,基础肺部参照模型包括肺叶学习灰度范围、主气管学习灰度范围以及支气管学习灰度范围。
步骤S20,获取实时手术肺部影像,与基础肺部参照模型进行比对建立实时肺部三维模型,在实时肺部三维模型中标记基础手术区域;
步骤S20还包括如下子步骤:步骤S201,根据基础肺部参照模型中肺叶学习灰度范围、主气管学习灰度范围以及支气管学习灰度范围划定实时手术肺部影像中的肺叶参照区域、主气管参照区域以及支气管参照区域;
步骤S202,获取肺叶参照区域、主气管参照区域以及支气管参照区域中的空余区域,设定为基础手术区域,例如当肺部出现肿瘤区域时,肺部影像会明显区别于周围的区域,因此可以通过上述筛选过程划定基础的病灶区域;
步骤S30,将手术区域与实时肺部三维模型中的肺部区域特征进行比对,根据比对结果重新划定基础手术区域,得到重建手术区域;
步骤S30还包括如下子步骤:步骤S301,获取基础手术区域,设定基础手术区域的像素点划分网格,利用影像的像素点对基础手术区域进行划分;
步骤S302,将基础手术区域的轮廓所覆盖的像素点划分网格设定为基础区域网格,将与基础区域网格相邻的像素点划分网格设定为第一相邻区域网格,将与第一相邻区域网格相邻的像素点划分网格设定为第二相邻区域网格,在实际应用过程中,可以对第一相邻区域和第二相邻区域之间增加间隔,以扩大重建手术的范围,具体可以根据不同的手术需求进行冲洗设定,设定时,只需继续获取与第一相邻区域相邻的下一组网格区域即可;
步骤S303,将第二相邻区域网格覆盖的区域设定为待定手术区域;
步骤S304,将待定手术区域中的第二相邻区域网格覆盖的区域中包括主气管参照区域或支气管参照区域的网格设定为待删减网格,由于肺叶区域的影响程度较低,因此在进行手术区域划定在肺叶区域时,可以适当扩充;
步骤S305,将待定手术区域中的待删减网格进行删减后得到重建手术区域。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。其中,存储介质可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(Static Random AccessMemory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable ProgrammableRead-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable ProgrammableRead Only Memory,简称EPROM),可编程只读存储器(Programmable Red-Only Memory,简称PROM),只读存储器(Read-OnlyMemory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
在本申请所提供的实施例中,应该理解到,所揭露装置和方法,可以通过其他的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,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,又例如,多个单元或组件可以结合或者可以集成到另一个***,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通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其他的形式。
Claims (1)
1.一种基于深度学习的肺部图像手术规划三维重建方法,其特征在于,包括通过手术数据库获取若干健康肺部影像,对若干健康肺部影像进行深度学习,获取肺部区域特征,基于肺部区域特征得到基础肺部参照模型;
获取实时手术肺部影像,与基础肺部参照模型进行比对建立实时肺部三维模型,在实时肺部三维模型中标记基础手术区域;
将手术区域与实时肺部三维模型中的肺部区域特征进行比对,根据比对结果重新划定基础手术区域,得到重建手术区域;
通过手术数据库获取若干健康肺部影像,对若干健康肺部影像进行深度学习,获取肺部区域特征包括:肺部区域特征包括肺叶区域特征、主气管区域特征以及支气管区域特征;
肺叶区域特征的获取方法包括:设定肺叶学习框,肺叶学习框设置为圆形,在肺叶区域内随机生成一个肺叶选取点,使肺叶学习框的圆心与肺叶选取点重合;
以覆盖肺叶选取点的肺叶学习框为选取起点,依次选取下一个肺叶学习框的中心点;
下一个肺叶学习框的中心点的选取方法包括:保证下一个肺叶学习框的中心点与上一个肺叶学习框的中心点的距离等于第一肺叶选取距离;依次在肺叶区域内选取第一数量个肺叶学习框;
求取肺叶学***均值,得到肺叶学***均值,设定为单一肺叶学***均值,设定为肺叶学习灰度参考值;
主气管区域特征的获取方法包括:设定主气管学习框,主气管学习框设置为圆形,在主气管区域内随机生成一个主气管选取点,使主气管选取点与主气管区域的轮廓的最短距离大于第一边界距离;
使主气管学习框的圆心与主气管选取点重合,以覆盖主气管选取点的主气管学习框为选取起点,依次选取下一个主气管学习框的中心点;
下一个主气管学习框的中心点的选取方法包括:保证下一个主气管学习框的中心点与上一个主气管学习框的中心点的距离等于第一主气管选取距离,且使每一个主气管学习框的中心点与主气管区域的轮廓的最短距离大于第一边界距离,依次在主气管区域内选取第二数量个主气管学习框;
求取主气管学***均值,得到主气管学***均值,设定为单一主气管学***均值,设定为主气管学习灰度参考值;
支气管区域特征的获取方法包括:设定支气管学习框,支气管学习框设置为圆形,在支气管区域内随机生成一个支气管选取点,使支气管选取点与支气管区域的轮廓的最短距离大于第二边界距离;
使支气管学习框的圆心与支气管选取点重合,以覆盖支气管选取点的支气管学习框为选取起点,依次选取下一个支气管学习框的中心点;
下一个支气管学习框的中心点的选取方法包括:保证下一个支气管学习框的中心点与上一个支气管学习框的中心点的距离等于第一支气管选取距离,且使每一个支气管学习框的中心点与支气管区域的轮廓的最短距离大于第二边界距离,依次在支气管区域内选取第三数量个支气管学习框;
求取支气管学***均值,得到支气管学***均值,设定为单一支气管学***均值,设定为支气管学习灰度参考值;
基于肺部区域特征得到基础肺部参照模型包括:获取肺叶学习灰度参考值、主气管学习灰度参考值以及支气管学习灰度参考值,设定肺叶学习灰度波动范围值、主气管学习灰度波动范围值以及支气管学习灰度波动范围值;
将肺叶学习灰度参考值加上肺叶学习灰度波动范围值得到肺叶学习灰度上限值,将肺叶学习灰度参考值减去肺叶学习灰度波动范围值得到肺叶学习灰度下限值,将肺叶学习灰度下限值与肺叶学习灰度上限值之间的范围设定为肺叶学习灰度范围;
将主气管学习灰度参考值加上主气管学习灰度波动范围值得到主气管学习灰度上限值,将主气管学习灰度参考值减去主气管学习灰度波动范围值得到主气管学习灰度下限值,将主气管学习灰度下限值与主气管学习灰度上限值之间的范围设定为主气管学习灰度范围;
将支气管学习灰度参考值加上支气管学习灰度波动范围值得到支气管学习灰度上限值,将支气管学习灰度参考值减去支气管学习灰度波动范围值得到支气管学习灰度下限值,将支气管学习灰度下限值与支气管学习灰度上限值之间的范围设定为支气管学习灰度范围;
基础肺部参照模型包括肺叶学习灰度范围、主气管学习灰度范围以及支气管学习灰度范围;
获取实时手术肺部影像,与基础肺部参照模型进行比对建立实时肺部三维模型包括:根据基础肺部参照模型中肺叶学习灰度范围、主气管学习灰度范围以及支气管学习灰度范围划定实时手术肺部影像中的肺叶参照区域、主气管参照区域以及支气管参照区域;
在实时肺部三维模型中标记基础手术区域包括:获取肺叶参照区域、主气管参照区域以及支气管参照区域中的空余区域,设定为基础手术区域;
将手术区域与实时肺部三维模型中的肺部区域特征进行比对,根据比对结果重新划定基础手术区域,得到重建手术区域包括:获取基础手术区域,设定基础手术区域的像素点划分网格;
将基础手术区域的轮廓所覆盖的像素点划分网格设定为基础区域网格,将与基础区域网格相邻的像素点划分网格设定为第一相邻区域网格,将与第一相邻区域网格相邻的像素点划分网格设定为第二相邻区域网格;
将第二相邻区域网格覆盖的区域设定为待定手术区域;
将待定手术区域中的第二相邻区域网格覆盖的区域中包括主气管参照区域或支气管参照区域的网格设定为待删减网格;
将待定手术区域中的待删减网格进行删减后得到重建手术区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410213511.5A CN117808975B (zh) | 2024-02-27 | 2024-02-27 | 一种基于深度学习的肺部图像手术规划三维重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410213511.5A CN117808975B (zh) | 2024-02-27 | 2024-02-27 | 一种基于深度学习的肺部图像手术规划三维重建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117808975A CN117808975A (zh) | 2024-04-02 |
CN117808975B true CN117808975B (zh) | 2024-05-03 |
Family
ID=90425749
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410213511.5A Active CN117808975B (zh) | 2024-02-27 | 2024-02-27 | 一种基于深度学习的肺部图像手术规划三维重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117808975B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107909581A (zh) * | 2017-11-03 | 2018-04-13 | 杭州依图医疗技术有限公司 | Ct影像的肺叶段分割方法、装置、***、存储介质及设备 |
CN109461495A (zh) * | 2018-11-01 | 2019-03-12 | 腾讯科技(深圳)有限公司 | 一种医学图像的识别方法、模型训练的方法及服务器 |
CN113112609A (zh) * | 2021-03-15 | 2021-07-13 | 同济大学 | 一种面向肺部活检支气管镜的导航方法和*** |
CN113470042A (zh) * | 2021-05-27 | 2021-10-01 | 广州医科大学附属第一医院 | 肺部ct图像的支气管分割方法及相关***和存储介质 |
CN114419077A (zh) * | 2022-03-31 | 2022-04-29 | 深圳市一图智能科技有限公司 | 一种基于ct图像的肺支气管自动分割方法及*** |
CN114820952A (zh) * | 2022-06-28 | 2022-07-29 | 四川大学华西医院 | 肺部超声可视化三维重建方法和*** |
CN115170464A (zh) * | 2022-05-11 | 2022-10-11 | 东北大学 | 肺图像的处理方法、装置、电子设备和存储介质 |
CN116421313A (zh) * | 2023-04-14 | 2023-07-14 | 郑州大学第一附属医院 | 胸腔镜下肺部肿瘤切除手术导航中的增强现实融合方法 |
-
2024
- 2024-02-27 CN CN202410213511.5A patent/CN117808975B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107909581A (zh) * | 2017-11-03 | 2018-04-13 | 杭州依图医疗技术有限公司 | Ct影像的肺叶段分割方法、装置、***、存储介质及设备 |
CN109584252A (zh) * | 2017-11-03 | 2019-04-05 | 杭州依图医疗技术有限公司 | 基于深度学习的ct影像的肺叶段分割方法、装置 |
CN109461495A (zh) * | 2018-11-01 | 2019-03-12 | 腾讯科技(深圳)有限公司 | 一种医学图像的识别方法、模型训练的方法及服务器 |
CN113112609A (zh) * | 2021-03-15 | 2021-07-13 | 同济大学 | 一种面向肺部活检支气管镜的导航方法和*** |
CN113470042A (zh) * | 2021-05-27 | 2021-10-01 | 广州医科大学附属第一医院 | 肺部ct图像的支气管分割方法及相关***和存储介质 |
CN114419077A (zh) * | 2022-03-31 | 2022-04-29 | 深圳市一图智能科技有限公司 | 一种基于ct图像的肺支气管自动分割方法及*** |
CN115170464A (zh) * | 2022-05-11 | 2022-10-11 | 东北大学 | 肺图像的处理方法、装置、电子设备和存储介质 |
CN114820952A (zh) * | 2022-06-28 | 2022-07-29 | 四川大学华西医院 | 肺部超声可视化三维重建方法和*** |
CN116421313A (zh) * | 2023-04-14 | 2023-07-14 | 郑州大学第一附属医院 | 胸腔镜下肺部肿瘤切除手术导航中的增强现实融合方法 |
Non-Patent Citations (2)
Title |
---|
三维CT支气管血管重建技术在胸腔镜精准肺段切除术中的应用;杨逸凡;王祖义;;当代医药论丛;20200401(07);全文 * |
传统解剖学特征与深度学习相结合的肺叶分割算法;高磊;段辉宏;聂生东;;光学技术;20200315(02);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117808975A (zh) | 2024-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109636808B (zh) | 一种基于全卷积神经网络的肺叶分割方法 | |
US11744643B2 (en) | Systems and methods facilitating pre-operative prediction of post-operative tissue function | |
CN109801272A (zh) | 肝脏肿瘤自动分割定位方法、***及存储介质 | |
CN106659453A (zh) | 用于分割肺部的***和方法 | |
JPWO2011152094A1 (ja) | 医療機器および医療機器の制御方法 | |
KR102612400B1 (ko) | 종양 이미지를 분석하여 암 예후에 대한 예측이 가능한 예측 모델의 학습 방법, 장치 및 프로그램 | |
JP7304437B2 (ja) | 肺炎徴候の分割方法、装置、媒体及び電子デバイス | |
CN112348769A (zh) | 基于U-Net深度网络模型的CT影像中肾肿瘤智能分割方法及装置 | |
CN117808975B (zh) | 一种基于深度学习的肺部图像手术规划三维重建方法 | |
JP2003010172A (ja) | 臓器の特定領域抽出表示方法及び装置 | |
CN114419083A (zh) | 基于边缘算子改进的ResUnet医学影像分割*** | |
CN111292289B (zh) | 基于分割网络的ct肺肿瘤分割方法、装置、设备及介质 | |
JP4429839B2 (ja) | 放射線治療計画装置及び放射線治療計画方法 | |
CN114613498B (zh) | 一种基于机器学习的辅助mdt临床决策方法、***及设备 | |
CN115938587A (zh) | 放疗计划的验证方法、装置、计算机设备和存储介质 | |
CN113781637A (zh) | 基于三维重建的上呼吸道-气管树组合模型的建立方法 | |
JP2020188960A (ja) | 胸部x線画像の異常表示制御方法、異常表示制御プログラム、異常表示制御装置、及びサーバ装置 | |
CN111281535A (zh) | 双腔支气管导管匹配和模拟插管方法及设备 | |
KR102501815B1 (ko) | 인공지능을 이용한 폐기관 자동 분석 방법 및 장치 | |
CN117017486B (zh) | 一种基于医学影像的肺结节穿刺路径规划方法 | |
CN115409771B (zh) | 一种基于样本变化稳定性特征构建的卵巢癌生存预测*** | |
CN113096139B (zh) | 一种肺实质的图像分割处理方法 | |
CN118334047A (zh) | 分割人类患者神经纤维束描记图 | |
CN113689442A (zh) | 一种基于三维图像实现肺部器官分割的方法 | |
CN117936016A (zh) | 胃肠道肿瘤的辅助治疗决策方法及*** |
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 |