买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：埃达技术股份有限公司

摘要：本教导涉及手术程序辅助。在一个示例中，基于在手术程序之前捕捉的肺的第一图像来获得肺内的第一空气体积。肺在第一图像上具有第一形状。基于在手术程序期间捕捉的肺的第二图像来确定从肺放出的第二空气体积。基于肺的第一形状和肺内的第一空气体积以及从肺放出的第二空气体积来估计肺的第二形状。基于肺的所估计第二形状来更新手术计划。

主权项：1.一种用于手术程序辅助的在计算设备上实现的方法，所述计算设备具有至少一个处理器、存储、以及能够连接至网络的通信平台，所述方法包括：基于在手术程序之前捕捉的患者的肺的第一图像来获得所述肺内部的第一空气体积，其中所述肺在所述第一图像上具有第一形状；在所述手术程序期间捕捉所述肺的视频图像；在所述手术程序期间基于多个相机位置生成多个腹腔镜图像，其中每个腹腔镜图像是根据放气控制参数和所述多个相机位置中的相机位置生成；基于多个腹腔镜图像生成用于估计放气参数的模型；训练所述模型以学习每个腹腔镜图像到所述放气控制参数和相机位置的映射；基于所述训练，确定与所述视频图像相关联的所述放气参数；基于所述放气参数经由生成的模型和所述视频图像计算从所述肺放出的第二空气体积；基于所述肺的所述第一形状、所述肺内部的所述第一空气体积以及从所述肺放出的第二空气体积来估计所述肺的第二形状；基于估计的所述肺的第二形状来更新手术计划，以及将估计的所述肺的第二形状配准到处于混合现实视图的所述患者。

全文数据：用于以增强和混合现实来估计用于视频辅助胸部手术的经放气肺形状的方法和系统相关申请的交叉引用本申请是2015年10月29日提交的美国专利申请14926,480的部分继续申请，并且要求2014年10月30日提交的美国临时申请62072,685以及2018年1月12日提交的美国临时申请62616,909的优先权，上述各申请中的全部都通过引用以其整体结合于此。背景技术1.技术领域本教导涉及手术程序辅助。更具体地，本教导涉及用于以增强和混合现实在视频辅助胸外科手术中估计经放气肺形状的方法、系统和编程。2.背景技术在微创胸外科手术中，利用计算机断层扫描CT图像对患者进行预扫描。然后基于CT图像执行手术计划。可从CT图像构建解剖结构的三维3D模型。此类模型可包括但不限于3D肺、3D气道、3D血管、肺叶裂和肿瘤的模型。可基于3D模型生成病变切除计划。典型的切除计划可包括：切口线在何处、肿瘤周围可置有多少安全余量、如何避开诸如肺裂之类的关键解剖结构。定量信息可包括但不限于：肿瘤到关键解剖体的距离、切除表面到关键解剖体的距离、切除表面上距离切口线的深度。由于其微创性质，视频辅助胸外科手术VATS已被广泛采用。在VATS期间，小型视频相机和手术器械被插入患者的胸腔。通过观看传送到显示监视器的图像，外科医生执行诸如病变切除之类的程序。然而，在手术时，肺部会塌陷。也就是说，部分空气被排出肺部。由于肺的形状变化，使用术前CT图像获得的手术前计划可能不再适用。例如，肿瘤与肺表面的距离不再与从手术前计划计算的距离相同。另一方面，在VATS程序期间执行另一CT扫描可能不切实际。因此，需要提供改进的解决方案来解决上述问题。同样，期望在手术室中提供覆盖到患者的塌陷肺的混合现实预览，以创建用于定位肿瘤的透视效果。发明内容本教导涉及手术程序辅助。更具体地，本教导涉及用于在视频辅助胸外科手术中估计经放气肺形状的方法、系统和编程。在一个示例中，公开了一种用于手术程序辅助的在计算设备上实现的方法，计算设备具有至少一个处理器、存储、以及能够连接至网络的通信平台，该方法包括：基于在手术程序之前捕捉的肺的第一图像例如，CT图像来获得肺内的第一空气体积。肺在第一图像上具有第一形状。基于在手术程序期间捕捉的肺的第二图像例如，来自腹腔镜的视频图像确定从肺放出的第二空气体积。基于肺的第一形状和肺内的第一空气体积以及从肺放出的第二空气体积来估计肺的第二形状。基于肺的所估计第二形状来更新手术计划。在不同的示例中，公开了一种用于手术程序辅助的系统。该系统包括总空气体积估计单元、流出空气体积估计单元、放气单元和术前计划变换单元。总空气体积估计单元被配置用于基于在手术程序之前捕捉的肺的第一图像例如，CT图像来获得肺内的第一空气体积。肺在第一图像上具有第一形状。流出空气体积估计单元被配置用于获得基于在手术程序期间捕捉的肺的第二图像例如，视频图像确定的从肺放出的第二空气体积。流出空气体积估计单元对从第一图像生成的3D模型使用模拟放气，并让神经网络学习外观与流出空气体积的对应关系。放气单元被配置用于基于肺的第一形状和肺内的第一空气体积以及从肺放出的第二空气体积来估计肺的第二形状。术前计划变换单元被配置用于基于肺的所估计第二形状来更新手术计划。经更新手术计划被加载到混合现实环境中并与患者配准register以供手术参考。其他概念涉及用于在手术程序辅助上实施本教导的软件。根据这个概念的软件产品包括至少一个非瞬态机器可读介质和由该介质携带的信息。由介质携带的信息可以是可执行程序代码数据、与可执行程序代码相关联的参数、和或与用户、请求、内容相关的信息、或与社交群组相关的信息等。在一个示例中，公开了一种其上记录有用于手术程序辅助的信息的非瞬态机器可读介质。当被机器读取时，被记录的信息使得机器执行一系列处理。基于在手术程序之前捕捉的肺的第一图像例如，CT图像来获得肺内的第一空气体积。肺在第一图像上具有第一形状。基于在手术程序期间捕捉的肺的第二图像例如，视频图像确定从肺放出的第二空气体积。基于肺的第一形状和肺内的第一空气体积以及从肺放出的第二空气体积来估计肺的第二形状。基于肺的所估计第二形状来更新手术计划。附加的特征将部分地在以下描述中阐述，且部分地将在查阅了以下描述和附图后对于本领域技术人员而言变得显而易见，或可通过示例的产生或操作来获知。可通过以下讨论的详细示例中所阐述的方法、手段、和组合的各个方面的实践或使用，来实现和达到本教导的特征。附图说明根据示例性实施例进一步描述方法、系统和或编程。这些示例性的实施例将参考附图详述。这些实施例是非限定性的示例性实施例，其中贯穿附图的若干个视图，相同的附图标记表示相似的结构，并且其中：图1示出根据本教导的一个实施例的用于估计经放气肺形状并变换术前计划的示例性系统图；图2A和图2B示出根据本教导的一个实施例的用于估计经放气肺形状的过程的示例性流程图；图3A示出根据本教导的一个实施例的示例性术前CT图像；图3B示出根据本教导的一个实施例的VATS期间的示例性患者取向；图4A示出根据本教导的一个实施例的作为网格的示例性图像像素；图4B例示出根据本教导的一个实施例的图4a中的图像的示例性旋转；图5A示出根据本教导的一个实施例的示例性体素列；图5B例示出根据本教导的一个实施例的图5a中示出的体素的示例性放气；图5C示出根据本教导的一个实施例的图5b中所示的经放气体素在垂直向下方向上的示例性会聚；以及图5D示出用于计算从图像空间到相机位置和放气参数空间的映射的示例性神经网络；以及图5E示出了用于训练神经网络以及用于从网络计算放气参数的示例性工作流；以及图5F示出了用于将全息模型与患者配准的示例性工作流；以及图6描述了可以被用于实施结合本教导的专用系统的计算机的架构。具体实施方式在以下详细描述中，通过示例的方式阐述了许多具体细节以提供对相关教导的透彻理解。然而，对本领域技术人员而言应当明了的是，没有这些细节也可实践本教导。在其它实例中，已经以相对高水平描述了公知的方法、过程、系统、组件和或电路，而没有细节，以避免不必要地使本教导的各方面变得模糊。本教导涉及用于估计经放气肺形状以及用于变换对非经放气肺的图像制定的手术前计划的方法、系统和编程。在一个示例中，由于在VATS程序期间进行CT扫描可能不切实际，因此非常期望利用手术前计划、通过在VATS期间估计肺部形状变化来指导程序。本教导公开了一种用于从手术前CT图像估计经放气肺的形状的方法和系统。利用经放气肺的模型，手术前计划可适于在VATS程序中工作。通过利用一个或多个计算设备例如，移动电话、个人计算机等和网络通信有线或无线，系统可被实现为专用且联网的系统。在下文中，CT图像模态将被用作示例性成像模态。然而，本教导的范围不限于CT成像模态，并且可被应用于任何已知的成像模态，诸如MRI成像模态和超声成像模态。图1示出了根据本教导的实施例的示例性系统图100，该示例性系统有助于对经放气肺形状的估计以及针对经放气肺对手术前计划的变换。系统100包括用于从术前CT图像102分割肺的分割单元104、总空气体积估计单元105、用于在手术程序例如，VATS期间估计患者106的取向的患者取向估计单元108、流出空气体积估计单元110、图像重新细分re-tessellation单元111、体素放气单元112、放气体素会聚单元114、放气图像强度计算单元116和术前计划变换单元118。在此实施例中，总空气体积估计单元105从术前CT图像102估计肺中的总空气体积。患者取向估计单元108在VATS程序期间估计患者106的取向。流出空气体积估计单元110估计在VATS程序期间从肺引出的空气体积。图像重新细分单元111根据患者取向信息对术前CT图像102进行重新采样。体素放气单元112基于程序前扫描和程序期间的总流出空气体积、根据肺中的总空气体积在患者的重力方向上使每个重新细分的体素放气。放气体素会聚单元114使放气图像会聚放气图像强度计算单元116计算放气图像的强度。术前计划变换单元118将术前计划映射到放气图像空间上并获得放气解剖结构的模型。混合现实加载单元120将经更新模型和手术计划加载到增强或混合现实环境中，诸如MicrosoftHoloLens。混合现实患者配准单元122将混合现实模型与真实患者配准。经更新模型随后可在手术期间作为实际患者上的覆盖被观看，以进行对手术操作的指导。图2例示出根据本教导的一个实施例的用于估计经放气肺形状的示例性流程图。在201处，从术前CT图像对肺进行分割。左肺和右肺可被分开地分割。在示例中，将仅关心经历VATS程序的肺。在202处，估计肺中的空气体积。可在VATS期间针对受影响的肺来执行空气体积估计。可使用任何合适的办法来估计肺部空气体积。例如，JohnFleming等人在他们的出版物“从计算机断层扫描确定以中度潮式呼吸mid-tidalbreathing的区域肺部空气体积分布：正常变异性和再现性的回顾性研究Determinationofregionallungairvolumedistributionatmid-tidalbreathingfromcomputedtomography:aretrospectivestudyofnormalvariabilityandreproducibility”BMC医学成像2014,14:25中公开了一种办法，该出版物的全部内容通过引用并入本文。在204处，可估计经放气肺的流出空气体积。在一个示例中，可通过在VATS期间基于从肺腔内部传送的视频图像在视觉上检查患者的胸腔空气空间来完成估计，该估计为的肺容积的百分比。在另一示例中，可通过对每个体素的放气进行积分来自动估计空气流出空气体积，如下文的210所示。在又一示例中，可通过根据模拟图像训练神经网络来估计空气流出体积。稍后将在本公开中描述空气体积的积分估计的细节。在206处，估计VATS期间的患者取向。虽然通常在仰卧位中获取术前CT图像，但在VATS期间患者可处于任何其他姿势，诸如俯卧位或倾斜位。假设以仰卧位获取手术前CT图像，则可估计患者从仰卧位到手术位的旋转角度。图3示出了从仰卧位置到倾斜位的旋转角度。图3a是术前CT肺部图像，而图3b示出处于手术位例如，本示例中的倾斜位的患者。在图3b中，302是手术台，304是患者身体，并且306是患者身体304从仰卧视图旋转的角度。可通过视觉检查手动地或自动地估计旋转角度306。在一个示例中，诸如电磁位置跟踪传感器之类的传感器可被附连在患者的皮肤上。可首先在患者的仰卧位中记录传感器的位置。然后，当在VATS期间将患者重新定位成手术位时，传感器位置被记录并与患者的仰卧位中的传感器位置进行比较。可从传感器的位置变化计算旋转角度。例如，可使用刚性变换模型来拟合传感器位置数据以计算旋转角度。在208处，可旋转术前CT图像数据以匹配VATS中患者的取向。然后，可在垂直方向上例如以更精细的网格重新细分经旋转图像。例如，每个体素可在患者重力的方向上被细分为10个子体素，患者重力的方向是垂直方向。图4例示出旋转和细分操作的示例。图4a示出术前患者图像404上的原始体素显示为网格402。图4b示出用于匹配VATS程序中患者的取向的经旋转图像406。在210处，VATS图像空间中的每个体素在经重新细分图像空间中在垂直且向下的方向上被放气。首先，可估计每个体素中包含的空气体积，例如，基于JohnFleming等人的方法，“从计算机断层扫描确定以中度潮式呼吸的区域肺部空气体积分布：正常变异性和再现性的回顾性研究Determinationofregionallungairvolumedistributionatmid-tidalbreathingfromcomputedtomography:aretrospectivestudyofnormalvariabilityandreproducibility”BMC医学成像2014,14:25。然后可将每个体素中的流出空气体积计算为以下两者的乘积：体素中的空气体积、以及肺中的总流出空气体积与总肺容积的比率。体素中的空气体积可取决于体素所表示的组织的类型。作为示例，如果体素来自血管，则该体素中的空气估计可被给定为该体素中的零毫升空气，因此该体素可以不放气。然后，经放气体素容积可被计算为原始体素容积减去放掉的空气体积。由于体素在重力方向上放气，因此水平面上的经放气体素尺寸可保持与放气前相同，并且经放气体素高度可被计算为原始高度减去空气部分的等效高度。空气部分的等效高度可被计算为剩余空气体积除以水平面上的体素面积。在CT图像中，水平面上的体素面积是CT图像空间中的列方向和深度方向上的体素大小的乘积。在212处，在体素放气之后，它们可能需要在重力方向向下上会聚。也就是说，经放气体素将被压在一起以移除由放出的空气out-letair导致的间隙。图5例示出体素放气过程的示例。图5a表示体素列，图5b示出经放气体素列，而图5c示出会聚后且经放气的体素列。在会聚之后，原始图像空间中的每个体素可以是不止一个像素的组合。在213处，可计算会聚后体素的像素强度。由于每个会聚后体素可以是多个经放气体素的组合或部分，因此可首先计算每个经放气体素的强度。这可基于体素中留下的空气。在CT成像中，强度Hounsfield单位已被校准使得100％的空气对应于-1000的强度，而0％的空气对应于0或更高的强度。可基于体素中的空气百分比线性地内插经放气体素强度。然后，会聚后体素的体素强度可被计算为包含在会聚后体素中的经放气体素的平均值。在一个示例中，然后基于原始图像的每个会聚后和经放气体素的强度来获得经放气肺的估计形状。在214处，根据上文的放气过程来变换手术前计划。例如，可根据放气过程中的根本变换来变换切除计划，诸如切割表面。在216处，将经变换手术计划和解剖模型加载到增强现实或混合现实设备中。这种设备的示例是MicrosoftHoloLens。MicrosoftHoloLens可在3D空间中显示全息模型，同时能够看到真实环境。在218处，将全息模型与实际患者配准，使得外科医生可透视患者以定位肿瘤，并且使手术计划可视化并参照体内计划执行手术操作。配准的细节将在本公开中稍后描述。作为204的一个示例，流出空气体积估计可与数字放气过程组合。首先，可估计用于在VATS中插入视频相机的切口点的坐标。可通过执行患者皮肤表面的3D重建例如，通过激光扫描仪并且将重建表面与手术前CT图像中的皮肤表面配准来执行估计，使得在配准之后，患者皮肤表面上的任何点在VATS期间都可被映射以寻找CT图像的皮肤表面中的对应点。然后，可在VATS期间将模拟虚拟相机以与实际视频相机相同的位置和取向放置在CT图像空间中。可根据电磁跟踪设备来寻找实际视频相机的位置和取向。可基于预分割的胸腔壁和预分割的肺来生成模拟图像。然后，肺可根据一个放气控制参数来进行数字放气。此放气控制参数可以是流出空气体积与肺容积的比率。在VATS期间，随着放气控制参数从1.0逐渐减小，可对照患者的实际视频图像来匹配来自用于数字经放气肺的虚拟相机的渲染图像。最佳匹配将确定放气控制参数，从而确定流出空气体积。作为204的另一示例，可基于腹腔镜相机的视频图像处理来估计流出空气体积。腹腔镜通常包括2个立体相机。可从立体图像提取对应于胸腔和偏斜的肺表面的一些图像特征，诸如边缘、线性结构和点。这些特征可跨立体图像进行匹配，并且然后被用于在相机空间中重建这种结构的3D坐标。这些3D结构可通过内插而被用于寻找胸腔表面和肺表面。空气体积可被计算为内插表面的包围区。作为204的另一示例，可利用患者模型以离散的空气流出程度来执行放气。在每次放气时，将虚拟相机放置在患者模型内的所有可能位置和取向上。针对相机的每个此类位置和取向来生成模拟图像。实际腹腔镜相机将被校准，使得虚拟相机具有与腹腔镜相机相同的物理参数，例如焦距、视场、像素分辨率等。旋转可被表示为欧拉角——翻滚角roll、俯仰角pitch、偏航角yaw。平移可相对于参考坐标系沿x、y、z轴而被表示为Tx、Ty、Tz。空气流出程度可由名为air_ratio空气_比率的比例参数表示，该参数范围为0到1。然后，可将生成的图像以及翻滚角、俯仰角、偏航角、Tx、Ty、Tz和air_ratio馈送到神经网络，以学习图像与旋转、平移和空气流出程度之间的关系。图5d例示出神经网络的示意图。在图5d中，502是输入图像，其是在训练阶段期间生成的图像。标签504表示输入神经元。标签508是网络，其可以是多层卷积网络LeCun，Yann；LéonBottou；YoshuaBegio；PatrickHaffner1998，“Gradient-basedlearningappliedtodocumentrecognition应用于文档识别的基于梯度的学习”，会议录IEEE8611：2278-2324或可学习从输入到输出的映射的其他网络结构。标签506表示输出神经元，其在本教导中是翻滚角、俯仰角、偏航角、Tx、Ty、Tz和air_ratio。图5e是用于估计空气放气参数其是空气流出与肺容积的比率的基于神经网络的方法的示例性工作流。在步骤510处，从术前扫描诸如，CT或MRI获得患者的3D解剖模型。在步骤512处，通过不同的放气参数使肺的3D模型放气仅要被操作的肺需要放气。在每次放气时，虚拟腹腔镜相机处于不同的位置和取向，其中照明灯位于与相机位置相同的位置。在每个此类位置和取向处，从相机获得图像。替代地，可在不同患者的先前手术中从实际腹腔镜相机获得图像，同时可从跟踪设备获得相机运动参数，并且可从之前提到的方法估计放气参数。这些图像被用作给神经网络的输入，相机位置和取向以及放气参数被用作给神经网络的输出。然后在步骤516处训练神经网络以学习从输入到输出的映射。在完成训练之后，在步骤518处，可将肿瘤移除前的实际腹腔镜图像用作给网络的输入。在步骤520，基于经训练网络和输入来计算放气参数。作为步骤218的示例性实现，图5f例示出工作流。在步骤530处，将一组基准标记放置在患者身上。在步骤532处进行对患者的扫描。扫描可以是CT或MRI或其他模态。在步骤534处，从所扫描图像提取基准标记。同时，建立患者的3D模型。在步骤536处，将患者模型和基准标记加载到增强现实设备或混合现实设备中。在步骤538，测量患者上的基准标记以获得它们在全息空间中的坐标。一种测量方法是使用触摸设备诸如，由全息空间中的运动控制器控制的虚拟触摸杆来触摸基准标记并记录它们的坐标。作为替代方案，手指可被用于触摸基准标记，并且指尖可被混合现实设备识别以计算tis坐标。为了实现本公开中所描述的各种模块、单元及其功能，计算机硬件平台可被用作本文所描述的一个或多个元件的诸硬件平台例如，参考图1-5所描述的系统100。这种计算机的硬件元件、操作系统和编程语言本质上是常规的，并且假定本领域技术人员足够熟悉这些技术以使这些技术适应于本文所述的手术辅助。具有用户界面元素的计算机可以用于实现个人计算机PC或其他类型的工作站或终端设备，但是计算机如果适当地编程也可以充当服务器。相信本领域技术人员熟悉这种计算机设备的结构、编程和一般操作，并因此附图应该是不言自明的。图6描绘了可以被用于实现执行本教导的专用系统的计算设备的架构。结合本教导的这种专用系统具有包括用户接口元件的硬件平台的功能框图图示。计算机可以是通用计算机或专用计算机。两者可以被用于实施用于本教导的专用系统。如本文所述，该计算机600可用于实施手术辅助技术的任何组件。例如，系统100可以经由计算机的硬件、软件程序、固件、或其组合被实施在计算机诸如计算机600上。尽管为方便起见仅示出了一个此类计算机，但是与如本文中所描述的手术辅助有关的计算机功能可按分布式方式被实现在数个类似平台上，以使得处理负荷分布开来。计算机600例如包括COM端口602，该COM端口被连接到与之相连接的网络并从与之相连的网络被连接，以促进数据通信。计算机600还包括以一个或多个处理器形式的中央处理单元CPU604，以用于执行程序指令。该示例性计算机平台可包括内部通信总线606、不同形式的程序存储和数据存储，例如，用于要由该计算机处理和或传达的各种数据文件以及可能要由CPU604执行的程序指令的盘608、只读存储器ROM610、或随机存取存储器RAM612。计算机600还包括IO组件614，其支持计算机与其中的其他组件诸如用户接口元件616之间的输入输出流。计算机600还可经由网络通信来接收编程和数据。因此，如上文所概述的手术辅助和或其他过程的方法的各方面可被具体化在编程中。技术的程序方面可被认为是通常以在某类机器可读介质上执行或实现在某类机器可读介质中的可执行代码和或关联数据的形式的“产品”或“制品”。有形非瞬态“存储”类型介质包括可提供在任何时间用于软件编程的存储的存储器或用于计算机、处理器或类似物的其它存储、或其相关联的模块诸如各种半导体存储器、磁带驱动器、磁盘驱动器等中的任何或所有。软件的所有或部分有时可通过网络诸如，因特网或各种其它电信网络来传达。此类通信例如可使得能够将软件从一个计算机或处理器加载到另一个计算机或处理器中，例如，从管理服务器或主机计算机加载到计算环境或实现计算环境或与手术辅助有关的类似功能性的其他系统的诸硬件平台中。因此，可承载软件元素的另一种类型的介质包括光波、电波和电磁波，诸如跨本地设备之间的物理接口、通过有线和光学地线网络、和在各种空中链路上使用的。携载这些波的物理元件诸如有线或无线链路、光学链路或类似物等也可以被认为是承载软件的介质。如本文所使用的，除非被限制成有形“存储”介质，否则诸如计算机或机器“可读介质”之类的术语指的是参与向处理器提供指令以供执行的任何介质。因此，机器可读介质可以采取许多形式，包括但不限于有形存储介质、载波介质、或物理传输介质。非易失性存储介质包括，例如，光盘或磁盘，诸如可用于实现附图中所示的系统或其组件中的任一个的在任何多个计算机中的存储设备或类似物中的任一个。易失性介质包括动态存储器，诸如这种计算机平台的主存储器。有形传输介质包括同轴电缆；包括形成在计算机系统内的总线的铜线和光纤。载波传输介质可采取电或电磁信号、或声波或光波诸如在射频RF和红外IR数据通信期间生成的那些的形式。因此，计算机可读介质的常见形式包括例如：软盘、柔性盘、硬盘、磁带、任何其它磁介质、CD-ROM、DVD或DVD-ROM、任何其它光学介质、穿孔卡片纸带、具有孔图案的任何其他物理存储介质、RAM、PROM和EPROM、FLASH-EPROM、任何其他存储器芯片或卡带盒、传输数据或指令的载波、传输这种载波的电缆或链路，或者计算机可从中读取编程代码和或数据的任何其它介质。这些形式的计算机可读介质中的许多形式可涉及将一个或多个指令中的一个或多个序列携带至物理处理器以供执行。本领域技术人员将认识到，本文的教导顺应于各种修改和或增强。例如，尽管上面描述的各种组件的实现可被体现在硬件设备中，但是它也可被实现为仅软件解决方案—例如安装在现有服务器上。另外，如本文中所公开的手术辅助系统可被实现为固件、固件软件组合、固件硬件组合、或硬件固件软件组合。尽管前文已经描述了被认为构成本教导和或其它示例的内容，但是应该理解，可以对其做出各种修改，并且本文公开的主题可以以各种形式和示例来实施，并且教导可以应用于许多应用中，仅其中的一些在本文中被已经描述。所附权利要求旨在要求落入本教导的真实范围内的任何和所有的应用、修改和变化。

权利要求：1.一种用于手术程序辅助的在计算设备上实现的方法，所述计算设备具有至少一个处理器、存储、以及能够连接至网络的通信平台，所述方法包括：基于在手术程序之前捕捉的肺的第一图像来获得所述肺内的第一空气体积，其中所述肺在所述第一图像上具有第一形状；获得基于在所述手术程序期间捕捉的所述肺的第二图像确定的从所述肺放出的第二空气体积；基于所述肺的所述第一形状和所述肺内的所述第一空气体积以及从所述肺放出的第二空气体积来估计所述肺的第二形状；以及基于所述肺的所估计第二形状来更新手术计划。

百度查询： 埃达技术股份有限公司 用于以增强和混合现实来估计用于视频辅助胸部手术的经放气肺形状的方法和系统