System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及内窥镜定位,尤其涉及一种内窥镜定位方法、电子设备和非暂态计算机可读存储介质。
技术介绍
1、内窥镜是集中了传统光学、人体工程学、精密机械、现代电子、数学、软件等于一体的检测仪器。具有图像传感器、光学镜头、光源照明、机械装置等,它可以经口腔进入胃内或经其他天然孔道进入体内。利用内窥镜可以看到x射线不能显示的病变,因此成为了医学检查中常用的技术手段。
2、目前,内窥镜定位常用的方法包括:(1)通过明暗恢复形状(shape from shading,sfs)方法提取内窥镜图像深度,将深度大的部分识别为气道。在提取出气道后,对比术前ct重建出的模型,将当前图像映射到相机处于的气道分支或者根据相邻图像中气道最深处位置的变化,估算内窥镜运动。该方法气道分叉处可能实现,而在视野中没有或只有一个气道的情况下难以提供连续的内窥镜定位信息。(2)通过运动结构恢复(structure frommotion,sfm)方法,提取内窥镜图像特征点,对于相邻两帧图像,将特征点一一匹配,并据此解算 perspective-n-point(pnp)进行内窥镜位姿估计。该方法在内窥镜图像的特征点较少或缺少特征点时perspective-n-point(pnp)将不能求解,出现内窥镜定位丢失的问题。(3)2d/3d配准方法,通过将内窥镜拍摄到的2d图像配准到术前重建出的虚拟模型上,从而得到内窥镜在模型中的位置。该方法基于迭代优化算法,因此得到每帧定位都需要较长的计算时间,而内窥镜在实际检查中的位姿变化很快,过长的计算时间容易造成定位丢失。<
...【技术保护点】
1.一种内窥镜定位方法,其特征在于,包括:
2.根据权利要求1所述的内窥镜定位方法,其特征在于,所述深度提取网络为基于循环生成对抗网络和预训练的所述深度配准网络的深度提取网络,所述循环生成对抗网络包括第一生成器、第一判别器、第二生成器和第二判别器,所述第一生成器用于将深度图像转换为真实风格的内窥镜图像,所述第二生成器用于将真实风格的内窥镜图像转换为深度图像;
3.根据权利要求1所述的内窥镜定位方法,其特征在于,所述深度提取网络为基于SfMLearner的深度提取网络或基于循环生成对抗网络的深度提取网络;
4.根据权利要求1所述的内窥镜定位方法,其特征在于,所述深度配准网络为通过如下方式训练得到的:
5.根据权利要求1~4任一项所述的内窥镜定位方法,其特征在于,还包括:
6.根据权利要求5所述的内窥镜定位方法,其特征在于,根据基于迭代优化算法的配准方法获得修正位姿的方法,包括:
7.根据权利要求5所述的内窥镜定位方法,其特征在于,根据基于迭代优化算法的配准方法获得修正位姿的方法,包括:
8.根据权利
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至8任一项所述内窥镜定位方法。
10.一种非暂态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如权利要求1至8任一项所述内窥镜定位方法。
...【技术特征摘要】
1.一种内窥镜定位方法,其特征在于,包括:
2.根据权利要求1所述的内窥镜定位方法,其特征在于,所述深度提取网络为基于循环生成对抗网络和预训练的所述深度配准网络的深度提取网络,所述循环生成对抗网络包括第一生成器、第一判别器、第二生成器和第二判别器,所述第一生成器用于将深度图像转换为真实风格的内窥镜图像,所述第二生成器用于将真实风格的内窥镜图像转换为深度图像;
3.根据权利要求1所述的内窥镜定位方法,其特征在于,所述深度提取网络为基于sfmlearner的深度提取网络或基于循环生成对抗网络的深度提取网络;
4.根据权利要求1所述的内窥镜定位方法,其特征在于,所述深度配准网络为通过如下方式训练得到的:
5.根据权利要求1~4任一项所述的内窥镜定位方...
【专利技术属性】
技术研发人员:刘宏斌,田庆瑶,张子惠,
申请(专利权)人:中国科学院自动化研究所,
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。