【技术实现步骤摘要】
一种手术流程的细粒度组分分析建模与辨识方法及设备
[0001]本专利技术属于医疗器械控制
,更具体地,涉及一种手术流程的细粒度组分分析建模与辨识方法及设备。
技术介绍
[0002]由于具有发病率和死亡率低、疼痛少、伤口感染少、住院时间短等优点,微创手术已逐渐取代开放手术,成为许多重要外科手术的主流。在过去的十年里,机器人辅助微创手术(RAMIS)因其比普通微创手术更灵巧和高效而受到欢迎。大多数RAMIS系统使用机器人驱动的手术设备,这些设备仍由外科医生远程操作。对如何实现自主RAMIS的探索已经引起了广泛的关注,这就要求在手术过程中更深入地了解情况,即手术流程分析。在以前的研究中,手术工作流程的粒度从粗到细排列为阶段、步骤和动作。遵循这一概念,最新发表的关于手术流程分析的研究侧重于现有的粒度级别。更细粒度的手术工作流程分析,能提供更有效的临床信息。但是,现有的手术流程研究粒度仅位于动作层面,更细粒度的流程分解仍需进一步探索。
[0003]另一方面,迄今为止,端到端方法被广泛地应用于手术流程分析中,并取得了显著成效。然而,在临床应用中仍存在以下障碍。一方面,端到端方法在体内场景中表现出有限的准确性和鲁棒性。过程的复杂性、情况的差异性和体内影像的hard
‑
frame特性干扰了深度网络提取有效的特征;由于收集和注释的困难造成可用样本的缺乏,使得端到端训练容易出现过拟合。另一方面,对于粗粒度的成分—阶段和步骤,端到端识别有很好的效果。然而,对于细粒度的组分,任何轻微的扰动都会大大改变深度网络 ...
【技术保护点】
【技术特征摘要】
1.一种手术流程的细粒度组分分析建模与辨识方法,其特征在于,包括以下步骤:S1基于视频流,采用模仿外科医生感知过程的分层辨识器实时辨识微创手术中关键操作;S2提取腹腔镜手术过程二维图像坐标系中手术器械的运动轨迹;S3将所述运动轨迹转换至二维极坐标系中,将连续器械运动分解为离散运动基元,并建立运动基元模型;S4根据当前关键操作中,关键操作的实时位置与离线运动基元的一致度,在线更新运动基元的状态变量,从而实现手术操作内部细粒度基元在线辨识。2.根据权利要求1所述的一种手术流程的细粒度组分分析建模与辨识方法,其特征在于,所述分层辨识器包括依次连接的器械位置核密度模型、器械速度核密度模型、器械距离核密度模型、器械尖端状态的隐马尔可夫模型和环境特征检测模型。3.根据权利要求2所述的一种手术流程的细粒度组分分析建模与辨识方法,其特征在于,步骤S1中,对于能量器械,将能量器械作为主操作器械输入至分层辨识器,如果能同时满足分层辨识器中五个模型的辨识,则认为对应图像帧为关键帧,对应能量器械的操作为关键操作;对于非能量器械,将非能量器械作为主操作器械输入至分层辨识器,如果能同时满足器械位置核密度模型、器械速度核密度模型、器械距离核密度模型、器械尖端状态的隐马尔可夫模型四个模型的辨识,则认为对应图像帧为关键帧,对应非能量器械的操作为关键操作。4.根据权利要求1所述的一种手术流程的细粒度组分分析建模与辨识方法,其特征在于,步骤S3具体包括以下步骤:S31将图像坐标系中运动轨迹转换到二维极坐标系,将连续器械运动分解为离散运动基元;S32基于运动基元的执行速度,采用高斯混合模型建立器械操作的距离基元模型,基于运动基元的执行方向,采用器械姿态辨识建立器械操作的方向基元模型。5.根据权利要求4所述的一种手术流程的细粒度组分分析建模与辨识方法,其特征在于,步骤S32中,基于运动基元的执行速度,采用高斯混合模型建立器械操作的距离基元模型包括:将运动基元以高斯混合模型的形式呈现,其高斯核与基元匹配,以编码器械的执行距离,其中,高斯混合模型的密度函数为:离,其中,高斯混合模型的密度函数为:f
k
(r
t
)=N(r
t
|μ
k
,∑
k
)式中,π
k
为第k个高斯分量的系数,f
k
(r
t
)表示高斯混合模型的k
th
核,r
t
为在时间t时刻的运动距离,μ
k
为第k个高斯核的均值。
6....
【专利技术属性】
技术研发人员:赵欢,汪一苇,蔡雄,张洁,万赤丹,孙释然,丁汉,
申请(专利权)人:华中科技大学同济医学院附属协和医院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。