基于超声图像引导的穿刺探针动态穿刺路径规划
发布时间：2022-02-09 18:12
随着科学技术的发展,穿刺介入手术在人体活体体检、腰椎穿刺、靶点药物注射等方面得到了广泛的应用。在介入手术的引导方面,超声图像由于侵入无创、成像速度快、性价比高等优点应用越来越广泛。然而,在进行活体穿刺手术时,由于自然呼吸运动的影响,目标及障碍的位置也会随之发生变化,因此,如何实现穿刺探针的术前穿刺路径规划及术中穿刺路径的微调越来越重要。针对上述问题,本文将障碍及目标的运动信息和穿刺探针的穿刺路径规划相结合,提出了一种基于超声图像引导的微创探针动态穿刺路径规划方法,对超声图像中的目标检测、目标自动分割、目标跟踪和基于目标及障碍运动信息的柔性针穿刺轨迹规划进行深入研究。首先,基于超声图像对于血管区域进行自动提取。对于采集到的超声图像,采用形态学滤波去除超声图像中的标注信息;将现有的基于深度学习的目标检测算法应用到超声图像中的感兴趣区域（ROI）提取上,并对其进行改进,采用改进后的目标检测算法提取出肝超声图像中的血管区域,提取出的血管区域超声图像将直接用于后续血管分割。其次,基于超声图像进行血管分割。根据超声图像的特点,采用直方图均衡化对超声图像进行预处理;采用基于U-net的超声图像分割算...
【文章来源】：哈尔滨工业大学黑龙江省211工程院校985工程院校
【文章页数】：65 页
【学位级别】：硕士
【部分图文】：
超声消融治疗肝癌的经皮穿刺手术原理图[3]
哈尔滨工业大学工学硕士学位论文-3-将现有的医疗资源最大化改善，同时带来极大的经济效益。1.2国内外研究现状及分析1.2.1目标检测研究现状目标区域自动检测的实现可以极大的提高后续目标的识别与跟踪的速度和准确度，而对于超声图像中目标状态的实时获取对于穿刺探针的动态路径规划具有极大的指导意义。因此，目标区域的检测为首先要解决的问题。目标检测，就是利用传统的图像处理技术、深度神经网络等方法从图像中识别出感兴趣的对象，包括感兴趣对象的类别及位置信息。也就是说同时实现目标分类和目标定位[9]。自从提出目标检测的概念以来，国内外各学者针对这个问题做出了不懈研究，过去几十年的进展如图1-2所示。图1-2目标检测和识别的里程碑[9]传统的目标检测算法，大多是基于滑动窗口的框架或是根据特征点进行匹配，例如SIFT系列算法、AdaBoost系列算法等[10]。然而采用传统算法进行图像检测时，所提取的特征基本都是基于低层次的、人为选定的特征，这些特征相对来说更直观、更易理解。而且所提取的特征更具有针对性，对于不同的研究对象所提取的特征存在差异。但传统方法所提取的特征并不具有普适性，不能很好地表达大量、多类的目标。在2012年，Krizhevskyetal.提出的深度卷积神经网络（DCNN）AlexNet[11]在大规模视觉识别挑战赛（ILSRVC）上表现极好，并获得了大赛的冠军。深度卷积网络在ImageNet上的检测效果远超传统算法，这就使得大家重新燃起了对深度神经网络的研究热情。考虑到卷积神经网络在自动提取图像特征方面的有效性及快速性，在进行目标检测时，越来越多的学者采用了深度学习的方法。图1-3为基于深度学习的目标检测算法的发展历程。
哈尔滨工业大学工学硕士学位论文-4-图1-3基于深度学习的目标检测算法发展进程[9]OverSeat[12]算法是最先将深度学习应用到目标检测中的算法之一。该算法通过多尺度的滑动窗口将图像首先划分为多个不同位置上的小区域图像，即候选区域，然后使用AlexNet提取图像区域特征，将其应用于ILSVRC2013数据集，检测效果相对于传统算法有显著提升，但仍然存在较多的错检及漏检现象。在OverFeat提出后不久，RossGrishick等人在此基础上提出了R-CNN[13]模型，该模型首先利用SelectiveSearch算法从原始图像中获得大量的候选区域，相比于滑动窗口的方法，加快了检测速度，并提高了检测的准确度。然而使用R-CNN进行目标检测时，对于获得的所有候选区域，都需要分别做特征提取，这使得运算量较大，从而损耗更多的存储空间，减缓了网络的运行速度。基于此，He等人提出了SPP-Net[14]，一次性对于整张图片做卷积操作来提取特征，这使得计算量大大减少，从而加快检测速度。FastR-CNN[15]算法是基于SPP-Net实现的，它使用VGG-16代替Alex-Net来提取图像特征，极大的加快了检测速度及准确度。然而SPP-Net和FastR-CNN仍然使用SelectiveSearch算法选择候选区域，依然存在候选区域选取速度慢的问题。为了解决这一问题，RPN（RegionProposalNetworks）网络被提出，FsaterR-CNN[16]网络使用RPN网络代替SelectiveSearch算法，进行候选区域的选取，极大的加快了检测速度，实现了真正端到端的目标检测。从R-CNN到FasterR-CNN，上述所提出的目标检测算法都是2阶的，目标检测算法始终遵循“候选区域提取+分类”的思想。这些算法在训练过程中需要训练两个模型，这就意味着相应的网络参数以及训练量都会增加一倍，从而增加而网络训练的时间，影响目标检测的速度。由此，YOLO[17
【参考文献】：
期刊论文
[1]目标检测算法研究综述[J]. 方路平,何杭江,周国民. 计算机工程与应用. 2018(13)
[2]基于改进的核相关滤波器的目标跟踪算法[J]. 秦晓飞,代顺锋,李峰. 测控技术. 2017(10)
[3]基于改进RRT算法的套管柔性针运动规划[J]. 赵燕江,黄磊,杜海艳,张永德,胡海龙. 仪器仪表学报. 2017(03)
[4]群智能算法在路径规划中的研究及应用[J]. 杜映峰,陈万米,范彬彬. 电子测量技术. 2016(11)
[5]基于混合粒子群算法的在线检测路径规划[J]. 梁旭,刘才慧. 国外电子测量技术. 2015(12)
[6]基于多目标粒子群优化算法的斜尖柔性针穿刺路径规划[J]. 霍本岩,赵新刚,韩建达,徐卫良. 机器人. 2015(04)
[7]多种路径形式组合的柔性针二维路径优化[J]. 赵燕江,张艳华,陈浩,张永德,Yan Yu. 中国机械工程. 2013(01)
[8]斜尖柔性针在软组织中的二维路径规划[J]. 张永德,赵燕江,陈浩. 机器人. 2011(06)
[9]机器人辅助柔性针穿刺路径的悬臂梁预测模型[J]. 郑浩峻,姚望,高德东,Carl McGill. 清华大学学报(自然科学版). 2011(08)
[10]基于势能场的针刺软组织轨迹规划[J]. 姜杉,刘晓艳,白松,杨志永. 生物医学工程学杂志. 2010(04)
硕士论文
[1]基于针体识别和针尖位姿预测的柔性针轨迹控制[D]. 杨吉超.哈尔滨理工大学 2019
[2]基于超声图像的肝脏智能识别与弥漫性疾病诊断[D]. 李佳昕.哈尔滨工业大学 2018
[3]基于超像素的腹部图像多器官分割算法研究[D]. 吕朝晖.西北大学 2018
[4]基于超声图像的三维穿刺路径规划研究[D]. 齐红玉.哈尔滨工业大学 2018
[5]柔性针穿刺软组织受力及弯曲变形建模研究[D]. 黄磊.哈尔滨理工大学 2018
[6]人体动作分类算法的研究[D]. 杨煜.哈尔滨工业大学 2017
[7]斜角柔性针的非均匀介质穿刺模型及针体实时监测研究[D]. 张际超.哈尔滨工业大学 2014
[8]柔性针穿刺系统路径规划方法研究[D]. 孔德聪.东北大学 2014
[9]柔性针穿刺的几何控制理论研究[D]. 周丽.东华大学 2014
本文编号：3617441
【文章来源】：哈尔滨工业大学黑龙江省211工程院校985工程院校
【文章页数】：65 页
【学位级别】：硕士
【部分图文】：
超声消融治疗肝癌的经皮穿刺手术原理图[3]
哈尔滨工业大学工学硕士学位论文-3-将现有的医疗资源最大化改善，同时带来极大的经济效益。1.2国内外研究现状及分析1.2.1目标检测研究现状目标区域自动检测的实现可以极大的提高后续目标的识别与跟踪的速度和准确度，而对于超声图像中目标状态的实时获取对于穿刺探针的动态路径规划具有极大的指导意义。因此，目标区域的检测为首先要解决的问题。目标检测，就是利用传统的图像处理技术、深度神经网络等方法从图像中识别出感兴趣的对象，包括感兴趣对象的类别及位置信息。也就是说同时实现目标分类和目标定位[9]。自从提出目标检测的概念以来，国内外各学者针对这个问题做出了不懈研究，过去几十年的进展如图1-2所示。图1-2目标检测和识别的里程碑[9]传统的目标检测算法，大多是基于滑动窗口的框架或是根据特征点进行匹配，例如SIFT系列算法、AdaBoost系列算法等[10]。然而采用传统算法进行图像检测时，所提取的特征基本都是基于低层次的、人为选定的特征，这些特征相对来说更直观、更易理解。而且所提取的特征更具有针对性，对于不同的研究对象所提取的特征存在差异。但传统方法所提取的特征并不具有普适性，不能很好地表达大量、多类的目标。在2012年，Krizhevskyetal.提出的深度卷积神经网络（DCNN）AlexNet[11]在大规模视觉识别挑战赛（ILSRVC）上表现极好，并获得了大赛的冠军。深度卷积网络在ImageNet上的检测效果远超传统算法，这就使得大家重新燃起了对深度神经网络的研究热情。考虑到卷积神经网络在自动提取图像特征方面的有效性及快速性，在进行目标检测时，越来越多的学者采用了深度学习的方法。图1-3为基于深度学习的目标检测算法的发展历程。
哈尔滨工业大学工学硕士学位论文-4-图1-3基于深度学习的目标检测算法发展进程[9]OverSeat[12]算法是最先将深度学习应用到目标检测中的算法之一。该算法通过多尺度的滑动窗口将图像首先划分为多个不同位置上的小区域图像，即候选区域，然后使用AlexNet提取图像区域特征，将其应用于ILSVRC2013数据集，检测效果相对于传统算法有显著提升，但仍然存在较多的错检及漏检现象。在OverFeat提出后不久，RossGrishick等人在此基础上提出了R-CNN[13]模型，该模型首先利用SelectiveSearch算法从原始图像中获得大量的候选区域，相比于滑动窗口的方法，加快了检测速度，并提高了检测的准确度。然而使用R-CNN进行目标检测时，对于获得的所有候选区域，都需要分别做特征提取，这使得运算量较大，从而损耗更多的存储空间，减缓了网络的运行速度。基于此，He等人提出了SPP-Net[14]，一次性对于整张图片做卷积操作来提取特征，这使得计算量大大减少，从而加快检测速度。FastR-CNN[15]算法是基于SPP-Net实现的，它使用VGG-16代替Alex-Net来提取图像特征，极大的加快了检测速度及准确度。然而SPP-Net和FastR-CNN仍然使用SelectiveSearch算法选择候选区域，依然存在候选区域选取速度慢的问题。为了解决这一问题，RPN（RegionProposalNetworks）网络被提出，FsaterR-CNN[16]网络使用RPN网络代替SelectiveSearch算法，进行候选区域的选取，极大的加快了检测速度，实现了真正端到端的目标检测。从R-CNN到FasterR-CNN，上述所提出的目标检测算法都是2阶的，目标检测算法始终遵循“候选区域提取+分类”的思想。这些算法在训练过程中需要训练两个模型，这就意味着相应的网络参数以及训练量都会增加一倍，从而增加而网络训练的时间，影响目标检测的速度。由此，YOLO[17
【参考文献】：
期刊论文
[1]目标检测算法研究综述[J]. 方路平,何杭江,周国民. 计算机工程与应用. 2018(13)
[2]基于改进的核相关滤波器的目标跟踪算法[J]. 秦晓飞,代顺锋,李峰. 测控技术. 2017(10)
[3]基于改进RRT算法的套管柔性针运动规划[J]. 赵燕江,黄磊,杜海艳,张永德,胡海龙. 仪器仪表学报. 2017(03)
[4]群智能算法在路径规划中的研究及应用[J]. 杜映峰,陈万米,范彬彬. 电子测量技术. 2016(11)
[5]基于混合粒子群算法的在线检测路径规划[J]. 梁旭,刘才慧. 国外电子测量技术. 2015(12)
[6]基于多目标粒子群优化算法的斜尖柔性针穿刺路径规划[J]. 霍本岩,赵新刚,韩建达,徐卫良. 机器人. 2015(04)
[7]多种路径形式组合的柔性针二维路径优化[J]. 赵燕江,张艳华,陈浩,张永德,Yan Yu. 中国机械工程. 2013(01)
[8]斜尖柔性针在软组织中的二维路径规划[J]. 张永德,赵燕江,陈浩. 机器人. 2011(06)
[9]机器人辅助柔性针穿刺路径的悬臂梁预测模型[J]. 郑浩峻,姚望,高德东,Carl McGill. 清华大学学报(自然科学版). 2011(08)
[10]基于势能场的针刺软组织轨迹规划[J]. 姜杉,刘晓艳,白松,杨志永. 生物医学工程学杂志. 2010(04)
硕士论文
[1]基于针体识别和针尖位姿预测的柔性针轨迹控制[D]. 杨吉超.哈尔滨理工大学 2019
[2]基于超声图像的肝脏智能识别与弥漫性疾病诊断[D]. 李佳昕.哈尔滨工业大学 2018
[3]基于超像素的腹部图像多器官分割算法研究[D]. 吕朝晖.西北大学 2018
[4]基于超声图像的三维穿刺路径规划研究[D]. 齐红玉.哈尔滨工业大学 2018
[5]柔性针穿刺软组织受力及弯曲变形建模研究[D]. 黄磊.哈尔滨理工大学 2018
[6]人体动作分类算法的研究[D]. 杨煜.哈尔滨工业大学 2017
[7]斜角柔性针的非均匀介质穿刺模型及针体实时监测研究[D]. 张际超.哈尔滨工业大学 2014
[8]柔性针穿刺系统路径规划方法研究[D]. 孔德聪.东北大学 2014
[9]柔性针穿刺的几何控制理论研究[D]. 周丽.东华大学 2014
本文编号：3617441
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3617441.html
最近更新
教材专著
