高精度异物定位与取出的计算机辅助手术系统的

本发明属于医疗异物识别领域，具体是一种高精度异物定位与取出的计算机辅助手术系统。背景技术：1、手术后无意遗留在病人体内的异物，如手术海绵、手术针头、缝合线和其他手术器械，会导致严重的医疗问题，每7000例手术中可能至少发生一次异物残留(rfo)，导致败血症、瘘管、内脏穿孔甚至死亡。目前防止异物残留意外的典型方案是在手术前和手术后手动计数50种手术器械(手术海绵、手术针头、缝合线等)以检查差异，现在存在一种附着在手术海绵上3d海绵微标签，以提高海绵在x光片上的可见性，但这种方法很大程度依赖于放射科医生从x光片中识别和计数的准确性，存在易受到人为错误的影响，现有技术有采用cad系统辅助计算，但传统的图像分析方法是专门为检测海绵微标签而设计的，缺少针对手术针头应用cad系统实现高精度异物检测的技术手段；存在由于人体存在大量高对比度的解剖结构，仅仅通过传统的深度学习方法难以区分手术针头和骨质组织，会导致大量假阳性的问题；在磁共振成像中，造影剂通常用于突出血管和器官结构，但这些药物可能引起过敏反应和肾毒性，存在传统的对比度加强手段在肾功能障碍患者中限制使用的问题；ct图像在对比度加强的过程中存在呼吸和消化蠕动会影响生成对抗网络训练学习的问题；技术实现思路1、针对上述情况，为克服现有技术的缺陷，本发明提供了一种高精度异物定位与取出的计算机辅助手术系统。针对目前防止异物残留意外的典型方案是在手术前和手术后手动计数50种手术器械(手术海绵、手术针头、缝合线等)以检查差异，现在存在一种附着在手术海绵上3d海绵微标签，提高了海绵在x光片上的可见性，但这种方法很大程度依赖于放射科医生从x光片中识别和计数的准确性，存在易受到人为错误的影响，现有技术有采用cad系统辅助计算，但传统的图像分析方法是专门为检测海绵微标签而设计的，缺少针对手术针头应用cad系统实现高精度异物检测的技术手段的问题，本方案提出一种更通用的基于特征提取的针头检测方法，完成高精度的手术针头识别任务；针对人体存在大量高对比度的解剖结构，仅仅通过传统的深度学习方法难以区分手术针头和骨质组织，会导致大量假阳性的问题，本方案采用基于设定规则阈值的方法，施加多项约束条件，通过面积、密度、对比度噪声比、曲线拟合筛选针头候选对象，消除大量假阳性；针对在磁共振成像中，造影剂通常用于突出血管和器官结构，但这些药物可能引起过敏反应或肾毒性，存在传统的对比度加强手段在肾功能障碍患者中限制使用的问题，本方案提出了一种基于生成对抗网络的训练框架，直接从原始ct图像自动合成对比度增强ct图像，避免造影剂可能引起的不良反应；针对ct图像在对比度加强的过程中存在因呼吸和消化蠕动影响生成对抗网络的训练学习的问题，本方案引入感知损失来比较虚拟增强ct图像和实际增强ct图像的高级语义差异，提出了一种双路径训练模式，更加精准地合成ct图像的强度细节并保留其纹理结构。2、本发明采取的技术方案如下：本发明提供的一种高精度异物定位与取出的计算机辅助手术系统，所述系统包括ct图像采集设备、对比度增强子系统、分割针头候选对象模块、筛选针头候选对象模块和针异物取出模块；3、所述ct图像采集设备采集患者的原始ct图像；4、所述对比度增强子系统采用生成对抗网络增强原始ct图像对比度，输出虚拟增强图像；5、所述分割针头候选对象模块分割虚拟增强图像，获取针头候选对象；6、所述筛选针头候选对象模块通过面积、密度、对比度噪声比、曲线拟合筛选针头候选对象，识别针异物；7、所述针异物取出模块告知针异物的数量和位置，医疗人员采取相应的外科手术和介入治疗，取出针异物；8、所述高精度异物定位与取出的计算机辅助手术系统采用高精度异物定位与取出的计算机辅助手术方法对残留在患者体内的针异物进行检测；9、所述高精度异物定位与取出的计算机辅助手术方法包括以下步骤：10、步骤s1：ct图像采集设备采集患者的原始ct图像；11、步骤s2：对比度增强；对比度增强子系统采用生成对抗网络学习从原始ct图像到实际的对比度增强ct图像的映射，输出虚拟的对比度增强ct图像；将实际的对比度增强ct图像记为实际增强图像，将虚拟的对比度增强ct图像记为虚拟增强图像；12、步骤s3：分割虚拟增强图像，获取针头候选对象；13、步骤s4：通过面积筛选针头候选对象；14、步骤s5：通过密度筛选针头候选对象；15、步骤s6：通过对比度噪声比筛选针头候选对象；16、步骤s7：通过几何参数筛选针头候选对象；17、步骤s8：通过曲线拟合筛选针头候选对象；18、步骤s9：医疗人员根据检测出来的针异物的数量和位置，采取相应的外科手术和介入治疗，取出针异物。19、进一步的，在步骤s2中，对比度增强，具体包括以下步骤：20、步骤s231：全局路径，生成器接收原始ct图像，提取全局结构特征，生成全局虚拟增强图像；计算全局损失，优化生成器，所用公式如下：21、；22、式中，表示全局损失，表示通过梯度下降法得到生成器的最优参数，表示在给定生成器的情况下，找到使整体损失函数最大化的判别器，表示整体损失函数，表示用于平衡特征损失项之间权重的超参数，特征损失项表示生成图像和真实图像在不同层次的特征表示之间的差异，表示生成器，表示均方误差，表示特征损失项的总和，表示虚拟增强图像，表示实际增强图像，是用于提取特征的预训练模型，表示不同层次的特征表示；23、步骤s232：局部路径，将原始ct图像分成四个子块，将子块分别乘以四个不同的强度系数，提取更详细的局部纹理特征，四个子块经过生成器处理后生成了对应的四个局部的虚拟增强图像，将四个局部的虚拟增强图像整合成一幅完整的图像作为局部虚拟增强图像；24、步骤s233：感知损失是一种比较特征表示之间差异的损失函数，在训练阶段，分别计算局部虚拟增强图像和实际增强图像之间的局部回归损失和局部感知损失，将局部回归损失和局部感知损失结合记为局部损失，25、步骤s234：将全局损失和局部损失之和记为目标函数，通过最小化目标函数，最优化生成对抗网络，目标函数计算公式如下：26、；27、式中，和是用于调整双通道训练权重的超参数，表示目标函数，表示全局损失，表示局部损失。28、进一步的，在步骤s3中，分割虚拟增强图像，获取针头候选对象，具体包括以下步骤：29、步骤s31：选取三个满足如下条件的线性框滤波器：30、；31、式中，m1表示第一线性框滤波器的内核尺寸，m2表示第二线性框滤波器的内核尺寸，m3表示第三线性框滤波器的内核尺寸；32、步骤s32：增强虚拟增强图像中针头的对比度，所用公式如下：33、；34、式中，表示虚拟增强图像采用线性框滤波器增强对比度后的像素值，、和分别表示使用第一、第二和第三框滤波器对虚拟增强图像进行滤波后的结果；35、步骤s33：将滤波后的虚拟增强图像记为cnr增强图像，输出cnr增强图像；36、步骤s34：移除背景，对cnr增强图像进行带通滤波处理，给cnr增强图像的所有像素增加一个常数灰度值，避免像素值低于0；37、步骤s35：图像分割，通过预设灰度阈值将cnr增强图像分割为背景和显著性物体，显著性表示吸引人眼注意力的性质，显著性物体是指图像中在视觉上具有显著性的物体区域，利用区域生长技术识别显著性物体中的针头，获得针头候选对象。38、进一步的，在步骤s4中，通过面积筛选针头候选对象，具体包括以下步骤：39、步骤s41：确定每个针头候选对象的面积，即像素总数；40、步骤s42：设置针头候选对象的面积的上限和下限，只有面积满足如下条件的针头候选对象继续保留，否则移除：41、；42、式中，表示针头候选对象的面积，表示面积下限，表示面积上限。43、进一步的，在步骤s7中，通过几何参数筛选针头候选对象，具体包括：约束几何参数，虚拟框是围绕整个针头候选对象的矩形边框，几何参数由虚拟框高度和虚拟框宽度组成，对几何参数施加约束条件，满足虚拟框高度处于高度上限和高度下限之间、且满足虚拟框宽度处于宽度上限和宽度下限之间的针头候选对象继续保留，否则移除：44、；45、；46、式中，表示虚拟框高度，表示虚拟框高度下限，表示虚拟框高度上限，表示虚拟框宽度，表示虚拟框宽度下限，表示虚拟框宽度下限。47、进一步的，在步骤s5中，通过密度筛选针头候选对象，具体包括以下步骤：48、步骤s51：确定针头候选对象的密度，计算公式如下：49、；50、式中，表示针头候选对象的密度，表示像素索引，表示像素总数，表示第个像素的灰度值，表示针头候选对象内灰度值的总和，表示对比度噪声比的阈值，表示当大于时才会参与计算；51、步骤s52：密度满足如下条件的针头候选对象继续保留，否则移除：52、；53、式中，表示密度下限。54、进一步的，在步骤s6中，通过对比度噪声比筛选针头候选对象，具体包括以下步骤：55、步骤s61：是衡量目标对象与背景之间对比度与噪声之间比率的指标，较高的表示针头候选对象与背景区域之间的对比度较高，针头候选对象更容易被分辨出来，计算公式如下：56、；57、式中，表示对比度噪声比，表示针头候选对象的平均像素值，表示背景区域的平均像素值，表示背景噪声的标准差；58、步骤s62：设定阈值，对施加约束条件，排除针头候选对象中存在的骨骼和肌肉：59、；60、式中，表示阈值。61、进一步的，在步骤s8中，通过曲线拟合筛选针头候选对象，具体包括以下步骤：62、步骤s81：根据针形状的独特性进行曲线拟合，采用最小二乘法，将针头候选对象拟合到二次曲线方程上：63、；64、式中，表示二次曲线方程，和表示曲线在和方向上的偏移一次项，表示影响曲线的旋转和倾斜交叉项，、表示决定曲线的形状二次项，f表示决定曲线的位置常数项；65、步骤s82：计算法线距离，公式如下：66、；67、式中，表示法线距离，即针头候选对象的每个像素到拟合曲线的垂直距离，表示二次曲线方程，表示梯度大小，表示针头候选对象中的像素总数；68、步骤s83：约束法线距离，将法线距离小于等于法线距离阈值的针头候选对象标记为检测到的针异物，移除法线距离大于法线距离阈值的针头候选对象，所用公式如下：69、；70、式中，表示法线距离阈值。71、采用上述方案本发明取得的有益效果如下：72、（1）针对目前防止异物残留意外的典型方案是在手术前和手术后手动计数50种手术器械(手术海绵、手术针头、缝合线等)以检查差异，现在存在一种附着在手术海绵上3d海绵微标签，提高了海绵在x光片上的可见性，但这种方法很大程度依赖于放射科医生从x光片中识别和计数的准确性，存在易受到人为错误的影响，现有技术有采用cad系统辅助计算，但传统的图像分析方法是专门为检测海绵微标签而设计的，缺少针对手术针头应用cad系统实现高精度异物检测的技术手段的问题，本方案提出一种更通用的基于特征提取的针头检测方法，完成高精度的手术针头识别任务；73、（2）针对人体存在大量高对比度的解剖结构，仅仅通过传统的深度学习方法难以区分手术针头和骨质组织，会导致大量假阳性的问题，本方案采用基于设定规则阈值的方法，施加多项约束条件，通过面积、密度、对比度噪声比、曲线拟合筛选针头候选对象，消除大量假阳性；74、（3）针对在磁共振成像中，造影剂通常用于突出血管和器官结构，但这些药物可能引起过敏反应或肾毒性，存在传统的对比度加强手段在肾功能障碍患者中限制使用的问题，本方案提出了一种基于生成对抗网络的训练框架，直接从原始ct图像自动合成对比度增强ct图像，避免造影剂可能引起的不良反应；75、（4）针对ct图像在对比度加强的过程种存在因呼吸和消化蠕动影响生成对抗网络的训练学习的问题，本方案引入感知损失来比较虚拟增强ct图像和实际增强ct图像的高级语义差异，提出了一种双路径训练模式，更加精准地合成ct图像的强度细节并保留其纹理结构。