Pattern Recogintion I Project Presentation - University of Patras - Electrical and Computer Engineering

1. Εργαςία ςτο μάκθμα “Αναγνώριςη Προτύπων Ι” με κζμα:
Automatic Detection of Instruments in
Laparoscopic Images
Γεϊργιοσ-Μάριοσ Παπαδόπουλοσ
ΑΜ:227356
By PresenterMedia.com

2. Περιεχόμενα
1) Ειςαγωγι
2) Μικροεπεμβατικι Χειρουργικι
3) Διάγνωςθ με βάςθ το ςθμείο τομισ
4) Διάγνωςθ με βάςθ color tracking
5) Διάγνωςθ πολλαπλϊν μθχανθμάτων
6) Segmentation
7) Βιβλιογραφία
...
΢υηιτθςθ – Ερωτιςεισ - Brainstorming

3. Ειςαγωγή
΢ε αυτό το ςθμείο κα ικελα να ευχαριςτιςω τον επιβλζποντα
κ.Ευάγγελο Δερματά που μου ζδωςε τθ δυνατότθτα να
εργαςτϊ ςε μια κεματικι ενότθτα ςχετικι με το αντικείμενο
τθσ διπλωματικισ μου εργαςίασ.

4. Μικροεπεμβατικη Χειρουργικη (MIS) [1]
Αναπτφχκθκε τα τελευταία 25 χρόνια , αρχζσ δεκαετίασ του 1990.
Σεράςτια άνκιςθ τα τελευταία χρόνια
Ρομποτικζσ Λαπαροςκοπικζσ επεμβάςεισ = υποςφνολο ΜIS
Απαιτοφν:
 Πθγι φωτιςμοφ
 Κάμερα
 # Χειρουργικϊν Εργαλείων
Πλεονεκτιματα τθσ ζναντι τθσ ανοικτισ-χειρόυργικισ επζμβαςθσ:
• Μικρζσ τομζσ
• Μικρότεροσ χρόνοσ ανάρωςθσ (23-25 ϊρεσ αναμονισ ςτο νοςοκομείο)
• Λιγότερθ εκροι αίματοσ
• Λιγότεροσ πόνοσ μετά τθν επζμβαςθ
Γνωςτά Ρομποτικά Χειρουργικά ΢υςτιματα :DaVinci, SnakeRobots κτλ

5. Μικροεπεμβατικη Χειρουργικη (MIS) [2]
Μειονεκτιματα:
•
Αρκετά περίπλοκεσ για το χειροφργο
•
Απαιτείται αρκετό training και επιδζξιοι χειριςμοί
•
Rigid Motions-Body των ςυςτθμάτων (δυςκολία χειριςμοφ)
•
Ακόμα ςε χαμθλό επίπεδο
•
2-D εικόνεσ ,οχι 3-D = ζλλειψθ βάκουσ ςτθν εικόνα
Πρόβλημα:
H κάμερα ελέγτεηαι από έναν άνθρωπο εκπαιδεσμένο ζηο τειριζμό ηης και
καηεσθύνεηαι με βάζη ηις ενηολές ηοσ τειρούργοσ καηά ηη διάρκεια ηης
επέμβαζης.
Απαιτείται:
• Καλό training
• Καλή επικοινωνία
• Σσνετής προζοτή (δύζκολο για ηον ανθρώπινο παράγονηα)
• Αποσζία κούραζης
• Μεγάλη ακρίβεια

6. ΢τα επόμενα slides κα εξετάςουμε λφςεισ που προτάκθκαν για τθν
αντικατάςταςθ του ανκρϊπινου παράγοντα τισ τελευταίεσ δυο
δεκαετίεσ...
...΢ΚΟΠΟ΢: H AYTOMATOΠΟΙΗ΢Η ΣΗ΢ ΔΙΑΓΝΩ΢Η΢ ΣΩΝ
ΙΑΣΡΙΚΩΝ ΜΗΧΑΝΗΜΑΣΩΝ ΢ΣΙ΢ ΛΑΠΑΡΟ΢ΚΟΠΙΚΕ΢ ΕΙΚΟΝΕ΢.

7. Διάγνωςη με βάςη το ςημείο τομήσ [1]
Αναπτφχκθκε πριν από 6 χρόνια (200607). Χριςθ 3-D αναπαραςτάςεων
ςχετικά με το ςχιμα των ιατρικϊν
μθχανθμάτων (απουςία color markers).
Γνωρίηοντασ το ςθμείο που γίνεται θ
τομι με ζνα μθχάνθμα, μειϊνουμε τθν
πικανι περιοχι ενδιαφζροντοσ ςε μια
λαπαροςκοπικι εικόνα και αυξάνουμε
τθν πικανότθτα να βροφμε τθν ακριβι
κζςθ του μθχανιματοσ με τθν κάμερα
μασ.

8. Διάγνωςη με βάςη το ςημείο τομήσ [2]

9. Διάγνωςη με βάςη το ςημείο τομήσ [3]

10. Διάγνωςη με βάςη το ςημείο τομήσ [4]

11. Διάγνωςη με βάςη το ςημείο τομήσ [5]

12. Διάγνωςη με βάςη το ςημείο τομήσ [6]
Πλεονεκτήματα:
• Aποτελεςματικι ςτθ χριςθ CO2 για το φοφςκωμα που
απαιτείται πριν μπουν ςτο ςϊμα τα ιατρικά εργαλεία
• Εξαιρετικά αποτελζςματα όταν χρθςιμοποιοφνται παραπάνω
από ζνα εργαλεία ίδια εικόνα
Μειονεκτήματα:
• Δυςκολία διάγνωςθσ όταν το tip είναι μαφρο
• Τψθλζσ ταχφτθτεσ κίνθςθσ του instrument παρουςιάηουν
δυςκολία ςτο tracking
• Όταν ζχω occlusions, reflections ο άξονασ δεν μπορεί να
διαγνωςτεί επιτυχϊσ.
• Όταν ζχω ςυναφζσ χρϊμα αντικειμζνου με background ζχω
πρόβλθμα

13. Διάγνωςη με βάςη το color tracking [1]
΢υςκευι που κάνει αυτόματθ διάγνωςθ καταςκευάςτθκε το 1999
με βάςθ τθν παρακολοφκθςθτου χρϊματοσ - SGRCCS.
Καταςκευάςτθκε για να διαπιςτωκεί αν τα self-guided robots
μποροφν να αντικαςτιςουν αξιόπιςτα τον ανκρϊπινο
παράγοντα.
Παρατθρικθκε ότι ςε 20 λαπαροςκοπικζσ επεμβάςεισ χολισ
όπου ζγινε το πείραμα ςτο 71% των περιπτϊςεων το ρομπότ
ανταποκρινόταν καλφτερα από τον άνκρωπο. Επίςθσ, setup-time
of robot = 21min, setup-time of human = 56-57 min

14. Διάγνωςη με βάςη το color tracking [2]

15. Διάγνωςη πολλαπλών μηχανημάτων [1]
Αποτελζςματα πρόςφατθσ ζρευνασ ςχετικά με αναγνϊριςθ
πολλαπλϊν ιατρικϊν μθχανθμάτων ςε μια λαπαροςκοπικι
εικόνα.
Απαιτοφνται τεχνικζσ υπολογιςτικισ όραςθσ ςε ςυνδυαςμό με οι
οποίεσ περιλαμβάνουν ταξινόμθςθ μεταλλικϊν ιδιοτιτων των
εργαλείων με αλγόρικμο k-means, παρακολοφκθςθ τθσ κίνθςθσ
των μθχανθμάτων με μετριςεισ ομοιότθτασ, υπολογιςμόσ
ευκλείδιασ απόςταςθσ και το φίλτρο Kalman.

16. Διάγνωςη πολλαπλών μηχανημάτων [2]
Προτινϊμενοσ αλγόρικμοσ:
1) Διάγνωςθ των μθχανθμάτων με βάςθ τισ μεταλλικζσ τουσ
ιδιότθτεσ.
2) Παρακολοφκθςθ των μθχανθμάτων με μετριςεισ ομοιότθτασ
ςυνεχόμενων εικόνων και ζνα προςαρμοςτικό φίλτρο.
3) Ζνα ςιμα κινδφνου βαςιςμζνο ςτον υπολογιςμό τθσ
Ευκλείδιασ απόςταςθσ των μθχανθμάτων.

17. Τελοσ
Ευχαριςτϊ για τθν προςοχι ςασ
Τπάρχουν ερωτιςεισ;