[发明专利]一种医疗机器人手术视频运动放大方法

说明书

本发明提供一种医疗机器人手术视频运动放大方法，包括步骤：A、对输入视频的所有帧{F₁，F₂…F_N}进行空间分解，得到纹理的数据集合{S₁，S₂…S_N}和形状的数据集合{R₁，R₂…R_N}，N为大于1的正整数；B、对所述纹理的数据集合{S₁，S₂…S_N}和形状的数据集合{R₁，R₂…R_N}进行混合时域滤波处理；C、对通过所述步骤B得到的数据集合进行放大并重组视频。本发明的医疗机器人手术视频运动放大方法基于视频运动放大的手术视觉增强全新算法，放大了手术视频中神经血管束的脉动。通过所述视频运动放大算法，医生可以较为容易地通过肉眼观察获悉神经血管束的位置，从而避免在手术的过程中误伤神经血管束。

技术领域

本发明属于医疗机器人领域，特别涉及一种医疗机器人手术视频运动放大方法。

背景技术

现有的微创外科手术因其恢复快，并发症少等特点，已经代替传统的开腔手术成为主流的手术方式之一。但微创外科手术也存在一些缺陷。在传统开腔手术中，医生能够凭借视觉和触觉感知来定位手术环境中的神经血管束。然而在微创外科手术中医生无法使用触觉感知手术环境中的神经血管束，而仅凭肉眼又无法定位内窥镜视频中的神经血管束，因此在微创外科手术的过程中易误伤神经血管束。虽然传统的一些介入性成像方法可以在微创外科手术中帮助医生定位血管，比如超声与荧光造影，但这些方法不仅在手术室中增加了额外且复杂的配置，而且由于信号的不足不能达到良好的定位效果。

现有的视频放大技术中比较主流的是欧拉运动放大法。欧拉运动放大法将视频运动(即脉动)放大分解为三个过程。首先，将视频(original video)的每一帧进行一个空间分解，获取运动表达(motion representation)；其次，对所有运动表达的相同位置组成的信号进行时域滤波处理，提出感兴趣频率的运动分量(motion component)；最后，将感兴趣频率分量进行放大并结合到运动表达中，将放大之后的运动表达重组为运动放大后的视频(magnified video)。

对于空间分解，有学者通过拉普拉斯金字塔(Laplacian pyramid)进行空间分解，该方法通过基于强度值的分解方式，直接放大强度值来进行运动放大，造成放大视频中出现许多的噪声和失真。还有学者通过复值可操纵金字塔(complex steerable pyramid)进行空间分解，将每一帧分解为基于相位的运动表达，即通过相位的变化来表示运动，之后放大相位信号以放大运动。比起基于强度值的方法，基于相位的方法能够有效的减少噪声和失真，但是会引入较多的伪影。此外还有专家使用基于深度学习的分解方式，通过神经网络(neural network)对视频帧进行分解。该方法通过神经网络对训练数据的学习，使得分解出来的运动表达能够较好的表示视频中存在的运动，因此不会产生噪声与伪影。

对于时域滤波，通常所使用的都是带通滤波BP(bandpass filtering)，该滤波能够较好的提取信号中某个感兴趣频率的分量。但是由于其基于傅立叶变换，所提取的分量是纯正弦波的形式，所以在手术视频运动放大的应用中其提取的分量丢失了原脉动的特征。有人分析了脉动的特征，提出高斯三阶导滤波或者说第三阶高斯滤波ToG(third-orderGaussian filtering)来提取信号中的脉动分量，该滤波提取的分量能够突出脉动的特征，使得放大之后的内镜视频中血管的脉动与原视频一致。但是该方法在非脉动位置会引入额外的噪声。

发明内容

针对上述问题，本发明提供一种医疗机器人手术视频运动放大方法。

一种医疗机器人手术视频运动放大方法，包括步骤：