Gerobotiseerd testen van cameraposities om de ideale configuratie te bepalen voor stereo 3D-visualisatie van openhartchirurgie
12 augustus 2021
De menselijke diepteperceptie van 3D-stereovideo's hangt af van de camerascheiding, het convergentiepunt, de afstand tot en de vertrouwdheid van het object. Dit artikel presenteert een gerobotiseerde methode voor snelle en betrouwbare verzameling van testgegevens tijdens live openhartchirurgie om de ideale cameraconfiguratie te bepalen.
Het maakt het vastleggen van hoogwaardige 3D-video's voor training en opleiding mogelijk. Het kan worden toegepast op de meeste operatiekamers met open chirurgie. Met een gerobotiseerde aanpak kunnen we snel en nauwkeurig de gegevens verzamelen om de cameraposities te evalueren.
Deze methode wordt gebruikt om de cameraconfiguratie voor 3D-visionstoepassingen snel te testen. Het kan ook worden gebruikt om te onderzoeken hoe verschillende onderwerpen diepte waarnemen. Om te beginnen met het monteren van de camera op de robot, monteer je eerst de lens op de camera en vervolgens de camera op de adapterplaat met drie M2-schroeven.
Monteer vervolgens de ronde montageplaat op de camera-adapterplaat met vier M4-schroeven aan de andere kant van de camera. Zodra alle camera's op de robot zijn gemonteerd, observeert u de spiegeling van de resulterende assemblages. Monteer de adapterplaat aan de robotpols met vier M2.5-schroeven.
Voor een op een tafel gemonteerde robot bevestigt u de linkercamera aan de rechter robotarm. Sluit de USB-kabels aan op de camera's en de Ubuntu-computer. Druk op het aanraakscherm van de robot op de menuknop en selecteer Stereo 2 om de robottoepassing te starten.
Druk op het hoofdscherm op Go om te starten gedurende 1,100 millimeter in de robottoepassing en wacht tot de robot naar de startpositie gaat. Verwijder de beschermende lensdop van de camera's. Plaats een geprint kalibratierooster op 1.100 millimeter van de camerasensoren.
Om de bijbehorende vierkanten correct te identificeren, plaatst u een kleine schroefmoer of markering ergens in het invoeren van het raster. Start de opnametoepassing op de Ubuntu-computer om de interface te starten. En pas vervolgens het diafragma aan en stel scherp op de lens met het diafragma en de scherpstelringen.
Controleer in de opnametoepassing Crosshair om het vizier te visualiseren. Zorg er in de opnametoepassing voor dat het vizier in beide camerabeelden op dezelfde positie wordt uitgelijnd met het kalibratieraster. Nadat u op het tandwielpictogram in de robottoepassing hebt gedrukt, plaatst u de camera's ten opzichte van de patiënt.
Verander de X-richting door op de plus of min te drukken voor handafstand van robot en Z-richting door op de plus of min voor Hoogte te drukken om het chirurgische veld in de afbeeldingen vast te leggen. Verander de Y-richting door de robot of patiënt handmatig te bewegen. Nadat u de operatie hebt onderbroken en het OK-personeel hebt geïnformeerd over het starten van het experiment, drukt u op Opnemen in de opnametoepassing en drukt u vervolgens op Experiment uitvoeren in de robottoepassing.
Na een tijdje, wanneer het experiment is voltooid, verschijnt Gereed op het aanraakscherm. Druk vervolgens op Opname stoppen in de opnametoepassing om de opname te stoppen. Informeer het OK-personeel dat het experiment is voltooid en hervat de operatie.
Voor evaluatie geeft u de video weer in 3D-indeling van boven naar beneden met een actieve 3D-projector. De juiste evaluatievideo met een rechts beeld bovenaan in stereoscopisch 3D van boven naar beneden wordt getoond. Een succesvolle reeks moet scherp, scherp en zonder niet-gesynchroniseerde afbeeldingskaders zijn.
De niet-gesynchroniseerde videostreams zorgen voor onscherpte. Het convergentiepunt moet horizontaal worden gecentreerd, onafhankelijk van de camerascheiding. Met een zeer grote scheiding tussen de rechter- en linkerbeelden kunnen de hersenen de beelden niet samenvoegen tot één 3D-beeld.
Verschillende redenen kunnen falen in de centrale positionering van het hart veroorzaken, zoals de afstand van het convergentiepunt tot het hart. Voor de juiste configuratie van het coördinatensysteem van het cameragereedschap moet u ervoor zorgen dat het vizier in de opnametoepassing op hetzelfde object wijst, het kalibratieobject zich in de middelste positie bevindt en de juiste debayeringsindeling van kleuren heeft. 3D-video's met veranderende basisafstanden stellen ons in staat om te bestuderen hoe diepte-informatie het anatomisch begrip onder medisch personeel beïnvloedt.
Bekijk het volledige transcript en krijg toegang tot duizenden wetenschappelijke video's
Overzicht
Deze studie presenteert een gerobotiseerde methode voor het verzamelen van testgegevens tijdens een openhartoperatie, met focus op de ideale cameraconfiguratie voor 3D stereo video's. De methode beoogt de evaluatie van diepteperceptie in chirurgische omgevingen te verbeteren.
Belangrijke onderdelen van de studie
Wetenschappelijke discipline
- Neurowetenschappen
- Biomedische Technologie
- Chirurgische Technieken
Achtergrond
- Diepteperceptie in 3D video's wordt beïnvloed door verschillende factoren.
- Cameraconfiguratie speelt een cruciale rol in visuele helderheid.
- Begrip van diepteperceptie kan chirurgische training verbeteren.
- Gerobotiseerde benaderingen kunnen de gegevensverzameling in operatiekamers stroomlijnen.
Doel van de studie
- De ideale cameraposities evalueren voor 3D-visietoepassingen.
- Onderzoeken hoe verschillende onderwerpen diepte waarnemen in chirurgische contexten.
- De kwaliteit van training en educatie verbeteren door hoogwaardige 3D video-opnames.
Gebruikte methoden
- Gerobotiseerde cameramontage voor snelle gegevensverzameling.
- Evaluatie van camerascheiding en punt van convergentie.
- Testen in verschillende operatiekamer omgevingen.
- Gegevensverzameling tijdens live openhartoperaties.
Belangrijkste resultaten
- Hoogwaardige 3D video's kunnen effectief worden vastgelegd.
- Cameraconfiguraties hebben significante invloed op diepteperceptie.
- Snelle testmethoden leveren betrouwbare gegevens voor analyse op.
- Bekendheid met objecten beïnvloedt de resultaten van diepteperceptie.
Conclusies
- De gerobotiseerde methode is effectief voor het testen van cameraconfiguraties.
- Begrip van diepteperceptie kan chirurgische training verbeteren.
- Toekomstige toepassingen kunnen zich uitstrekken naar verschillende chirurgische procedures.
Veelgestelde vragen
Executive Industry Relevance
This method enables rapid, repeatable evaluation of camera configurations for 3D surgical visualization, supporting improved depth perception in medical training. By minimizing OR interference and standardizing data collection, it enhances the reliability of stereoscopic video for surgical education and device evaluation. The approach addresses a key challenge in translating 3D imaging benefits into consistent, scalable training tools.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Scientific Value: Enables objective assessment of visual fidelity in 3D surgical models, supporting hypothesis testing around spatial anatomy comprehension.
- Operational Value: Provides standardized, robotized data capture to reduce variability in visual model evaluation across studies.
Screening & Assay Development
- Scientific Value: Generates quantitative video datasets at defined baseline and convergence distances for comparative analysis of 3D rendering quality.
- Operational Value: Supports assay-like screening of camera setups using repeatable positional steps and controlled convergence points.
Translational & Preclinical Research
- Scientific Value: Facilitates evaluation of 3D video realism in open-heart surgery models, aiding translational assessment of training tool effectiveness.
- Operational Value: Enables cross-functional teams to benchmark visual systems using standardized video outputs from controlled camera configurations.
Pipeline & Workflow Integration
This method fits within early discovery workflows where visual model fidelity impacts biological interpretation, particularly in procedure-based training and device-tissue interaction studies.
- Discovery Biology: Supports hypothesis testing regarding depth perception and spatial understanding in surgical training models.
- Screening: Enables rapid, reproducible evaluation of camera parameters to identify optimal configurations for 3D video capture.
- Analytics: Produces time-synchronized video samples at incremental baseline distances for quantitative comparison of stereoscopic quality.
- Translational Research: Connects camera configuration testing to the realism of surgical video used in preclinical training and device evaluation.
- Enterprise Reuse: Establishes a reusable robotic platform for standardized visual system validation across multiple surgical models and training scenarios.
Operational & Enterprise Impact
- Scientific Value: Improves predictive confidence in 3D training tools by enabling objective, repeatable assessment of visual fidelity.
- Operational Value: Standardizes camera positioning and data capture, reducing setup time and inter-operator variability in OR environments.
- Strategic Value: Supports faster go/no-go decisions on 3D visualization investments by de-risking visual performance early in development.
- Portfolio Impact: Enables risk-adjusted prioritization of training technologies based on validated 3D video quality and depth perception outcomes.
Implementation Considerations
- Requires expertise in robotic systems, camera calibration, and 3D video synchronization.
- Needs dual-arm robotic arm, stereo cameras, calibration grid, and synchronized recording software.
- Demands coordination with OR staff for timed pauses during surgery to capture video samples.
- Must account for variations in surgical field anatomy and lighting across different procedures.
- Limited to open-surgery settings where robot mounting and line-of-sight are feasible.
