虚拟手术仿真系统中软组织形变模型的研究

来源 :南京信息工程大学 | 被引量 : 0次 | 上传用户:ppg1234
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
随着临床医疗水平的快速提升和计算机技术的不断发展,虚拟手术仿真系统在新手医学教学、远程医疗、术前手术方案制定、术中导航以及术后康复等方面发挥重要作用,能够打破传统手术训练方式的某些限制、制定最佳手术方案以及提高手术成功率,因此虚拟手术的研究具有广泛应用前景,正成为医疗领域的前沿课题和研究热点。软组织形变模型是虚拟手术仿真系统中最为核心的部分,需要同时满足视觉逼真、模型形变真实性和交互实时性的要求,是研究中亟待解决的难点问题。因此,本文重点围绕如何在保证软组织形变模拟精度的同时如何提升计算效率的问题为主线,深入研究虚拟手术的软组织形变模型并进行相应优化,本论文主要工作如下:(1)针对质点弹簧模型稳定性差和形变精确性低的问题,提出了一种基于体积守恒和形变恢复能力的质点弹簧优化模型,首先在模型中添加一种新型弯曲弹簧来确保软组织发生大形变时的形变恢复能力,并根据粒子群优化算法优化模型参数以提高形变精确性,然后引入体积守恒约束来维持可变形物体的体积和实现软组织的不可压缩特性。(2)针对有限元模型计算量大而导致计算效率低的问题,提出了一种基于模型降阶法的有限元实时切割模型,首先使用有限元模型模拟软组织形变,并在其中加入本征正交分解与伽辽金投影相结合的模型降阶法来减少形变计算量,然后利用直线模型根据手术器械与软组织的碰撞交点形成切割路径,最后采用贝塞尔曲线绘制表面切口。(3)针对无网格模型形变精确性与仿真实时性难以平衡的问题,提出了一种基于改进点原语法的软组织形变模型,首先使用基于点原语法在软组织内部模拟形变来控制节点运动,并在其中加入拉伸约束和弹性势能约束修正节点位置来模拟软组织的弹性特性,然后基于移动最小二乘法建立从内部到表面的映射函数来渲染其形变的视觉效果。通过搭建虚拟手术仿真系统实验平台,分别利用这三种模型进行相应的软组织形变模拟,并借助PHANTOM OMNI力触觉反馈设备设计实验验证模型性能。实验结果表明,本文所提三种软组织形变模型的形变效果真实自然,并且在不损害计算精度的前提下提高了仿真实时性,能够较好的实现软组织拉伸、压缩和切割等手术操作,为虚拟手术训练提供了有力支撑。
其他文献
深度学习在给计算机视觉领域带来革新的同时,也对社会安全产生着威胁。尤其是近年来由人脸交换技术制作的伪造人脸视频,不仅侵犯了个人隐私还影响了社会安全。目前大量的研究开始专注于检测这类伪造人脸视频,但在检测模型的设计阶段普遍缺乏针对动态瑕疵、纹理瑕疵等伪造人脸特殊性的考虑,导致现有模型难以有效地融合人脸视频的空间与时间特征。另外,缺乏足够的约束会导致模型学习到冗余信息,进而使伪造检测任务上特征的表达精
射频识别技术(Radio Frequency Identification,RFID)已先后在多个领域内成功地应用,给人们带来了诸多的便利。而且随着物联网热潮的兴起,深入到人们日常的生活工作出行中,人们也越来越离不开射频识别等技术。然而,基于射频识别技术的系统工作在开放信道中,往往面临着窃听、重放、去同步等多种类型的安全威胁,在交易或使用过程容易出现隐私信息泄露、财产损失等问题,这将会阻碍物联网技
随着深度学习的广泛应用,通过变脸、换脸或生成对抗网络(Generative Adversarial Network,GAN)等方式生成的虚假人脸在网络中不断传播。因此,研究有效的人脸取证技术变得尤为重要。针对生成人脸检测,当前其研究主要关注整幅人脸图像均为生成的。但在一些现实场景中,一幅生成人脸图像中只是小部分局部区域是生成的,甚至很小部分,其余绝大部分区域都是自然的,例如人脸图像复原、眼镜去除、
数字图像数量的急速增长促使各团体组织和个人,将图像存储和计算处理外包给云服务器。而无防御地上传明文图像到云服务器会带来隐私泄露风险,图像加密又会阻碍数据的有效使用。现有的加密图像检索技术使用户承担了大量计算任务,如特征提取、特征加密、索引建立等,因而研究减轻用户负担的检索方案成为了本论文的重点。为此,本论文提出基于局部二值模式(Local Binary Pattern,简称LBP)的加密图像检索方
近年来,三维点云分析在计算机视觉、机器人以及自动驾驶等许多领域得到了广泛关注。传统的点云分析方法通过人为定义的规则或手工设计的特征提取点云的特征表示。这类方法依赖于启发式的先验知识,因此不能很好地处理复杂的点云场景。随着深度学习技术的蓬勃发展,越来越多的研究人员将这一技术应用到点云分析中,并在各种点云分析任务中取得了显著效果。然而,点云具有不规则性、无序性以及稀疏性等特性,这使得如何高效地提取点云
目标跟踪作为计算机视觉领域的研究热点之一,在现在社会中有着广泛的应用。虽然目前已经提出了很多优秀的算法,但是由于跟踪挑战因素与训练样本的制约,目标跟踪算法在有些方面的表现依然不够理想。本文在相关滤波算法的基础上,针对现有跟踪算法中存在的问题,做了以下工作:为了解决目标跟踪算法在面对长期遮挡后无法识别目标的问题,本文在相关滤波算法的基础上,提出一种基于双检测器系统的长期目标跟踪算法。在跟踪过程中,当
随着互联网的不断发展,已由传统意义下的信息发布平台逐渐演变为一个开放的分布式计算基础设施。2002年面向服务的架构(SOA)的提出,使得“服务”成为开放网络环境下资源封装与共享的核心概念。然而,随着跨企业应用的日益复杂,单一的网络服务已实现不了复杂业务的需求,需要通过将多个满足不同功能的服务按照一定业务流程组合起来,来构建复杂的服务系统(SBS)以满足商业上的逻辑需求。另外,随着轻型智能设备、网络
大数据时代,网络及现实生活中充斥着纷繁复杂的篡改图像,使用单一的篡改手段已不能满足当前篡改者对图像视觉质量的要求,篡改者必然使用越来越多、越来越复杂的数字图像处理技术进行图像的篡改伪造,这无疑增添了辨别图像真伪的难度。篡改图像的恶意使用,并借助社交网络进行病毒式传播,对社会、国家、国际信任体系与安全构成巨大的威胁。研发针对篡改图像的检测技术,及时准确地检测虚假消息,对社会、国家,甚至国防安全战略等
图像分割作为图像处理领域的一项基础性任务,也是计算机视觉领域三大分类任务之一,其重点是对图像中的每个像素点分类,已在遥感、医学等领域得到广泛应用。然而,对于遥感领域的SAR图像分割问题来说,其结果常受相干斑噪声影响,使得SAR图像的分割质量下降。其次,在医学图像分割过程中,常受各种伪影,如噪声、信号强度不均匀等问题的影响,以及普通图像在拍摄及传输过程中常受高斯噪声影响,导致图像分割性能下降。针对以
随着5G网络的商业化与智能设备的便携化,日常生活中越来越多的数据将被数字化。伴随大量数字化数据在互联网中层出不穷,随之而来的便是隐私数据泄露的问题。一旦个人或商业隐私数据遭到泄露,造成的危害不可小觑。因此,保护隐私数据的安全已经成为当下热门的研究课题。在传统的隐私安全方案中,隐私数据通常由用户保存在单个存储设备中。如果存储设备损坏或隐私数据遭受恶意篡改,隐私数据将无法恢复。而拷贝多份副本并分发到多