一种基于力学模型的眼科手术机器人泛化训练方法及系统

本发明属于医用机器人训练，特别涉及一种基于力学模型的眼科手术机器人泛化训练方法及系统。

背景技术：

1、随着科技的发展，眼科手术中也引入了医疗机器人。眼科手术存在操作空间狭小、眼球软组织极度脆弱、解剖结构精细、手术容错率极低等难处，因此，眼科手术机器人需要依赖智能感知模块完成眼球组织形变、器械与组织交互力、病灶位置与深度的精准感知，从而完成自动化、智能化的眼科微创手术。

2、目前，现有眼科手术机器人感知模型训练主要依靠临床真实手术数据和仿真虚拟数据两类方式。其中，临床真实眼科手术数据采集成本高、有效样本稀缺、标注难度大，不同患者年龄、眼球形态、软组织弹性、病理状态差异显著，仅依靠少量真实数据训练极易发生过拟合，模型泛化能力差，无法适配多患者、多术式、多病理临床场景。

3、而，现有仿真虚拟数据生成多采用刚性均质眼球建模，普遍将眼球简化为整体均质刚性结构，未对角膜、巩膜、玻璃体、视网膜进行分层力学表征，无法刻画眼球软组织非线性、黏弹性、各向异性生物力学行为，导致仿真生成的虚拟数据与真实生理特性存在明显偏差。

4、有些研究中，尝试引入力学参数进行泛化扩充，但仅对弹性模量、泊松比做简单无规则随机扰动，泛化维度单一、无病理机理与手术交互约束，未区分眼球分层结构差异，无法模拟玻璃体液化、视网膜病变、年龄相关组织退化等真实病理力学行为；同时参数泛化未结合眼科手术器械与组织接触约束、形变损伤阈值做定向调控，生成仿真样本同质化严重，病灶力学响应与组织形变模式覆盖不全。

5、同时，现有虚拟仿真域与真实临床域存在明显域偏移，缺少基于力学特征的跨域对齐机制；常规数据筛选仅依据图像清晰度、信噪比等浅层信号指标，未结合眼球生物力学特征与手术感知任务做量化筛选，少量真实样本利用率低、有效样本质量差，脏样本多，无法支撑高精度感知模型训练要求。

技术实现思路

1、为了克服现有技术存在的问题，本发明提供了一种基于力学模型的眼科手术机器人泛化训练方法及系统。

2、为此，本发明的技术方案是：一种基于力学模型的眼科手术机器人泛化训练方法，包括以下步骤：

3、s1、对眼球软组织进行精细化分层，并构建超弹性力学模型：

4、s1.1、依据眼球实际解剖结构，将角膜、巩膜、玻璃体、视网膜划分为相互独立的分层结构；

5、s1.2、采集正常生理状态及典型病理状态下各组织的弹性模量、泊松比、黏滞系数、应力应变基础参数；

6、s1.3、采用 ogden 超弹性模型结合 kelvin-voigt 黏弹性模型构建各软组织本构关系；

7、s1.4、通过有限元方法建立眼球三维分层网格模型，设定手术器械与眼球组织的接触约束、形变范围及组织损伤阈值，表征术中组织形变、应力分布及器械软组织交互力学行为；

8、s2、对多维度力学参数定向泛化，并构建仿真样本库：

9、结合临床常见病理特征与手术器械交互特性，对眼球整体尺寸、各分层软组织力学参数、病灶位置与范围、手术器械姿态、操作作用力及环境噪声进行多维度联合定向扰动；同步采集多模态数据并标注，构建覆盖不同个体、不同病理、不同手术方式的大规模仿真样本库；

10、s3、采集临床真实手术数据，并进行预处理；

11、s4、筛选基于力学特征关联的临床数据；

12、建立以眼球力学特征为核心、贴合手术感知任务的综合评价体系；评价维度包括组织形变有效程度、交互力信号质量、病灶特征显著度、仿真与真实力学特征相似度、手术场景匹配度；采用加权熵权法对各评价指标赋权打分，筛选综合评分高于设定阈值的高质量临床样本，形成真实有效样本子集，实现仿真域与临床真实域的力学特征对齐，减小域偏移带来的精度损失；

13、s5、进行多模态泛化感知模型预训练与迁移微调；

14、搭建cnn-transformer混合架构的多模态感知模型，以视觉、深度、力觉多模态数据为输入，输出组织形变量、病灶位置坐标、器械交互力及器械安全操作距离的感知结果；

15、s6、进行模型泛化性能测试与闭环迭代优化；

16、构建涵盖不同年龄、不同病理类型、不同手术方式的测试数据集，对微调后的感知模型进行精度与鲁棒性测试；若测试指标未达到临床预设标准，自适应调整力学模型参数、力学参数泛化区间及数据筛选阈值，循环执行建模、样本生成、数据筛选与模型训练流程，形成完整闭环迭代优化机制，最终获得满足临床应用要求的眼科手术机器人泛化感知模型。

17、在上述方案的基础上并作为上述方案的优选方案：所述步骤s1.3中，采用ogden超弹性模型与kelvinvoigt黏弹性模型构建耦合本构方程：

18、

19、式中：

σ为应力张量；

μ为剪切模量；

α为材料本构参数；、、为主伸长比；

i为单位张量；

η为黏滞系数；为应变率张量。

20、在上述方案的基础上并作为上述方案的优选方案：所述步骤s1.4中，保障手术安全的组织形变约束条件：；式中：

u为组织位移，为最大安全形变阈值；

21、以及，机器人器械与眼球组织的接触力约束条件：；式中：

f

c为器械接触力，

f

max为最大安全交互力。

22、在上述方案的基础上并作为上述方案的优选方案：所述步骤s2中，采集的多模态数据包括采集视觉图像、深度信息、器械交互力、组织形变位移和应力场。

23、在上述方案的基础上并作为上述方案的优选方案：所述步骤s2中，对眼球的各项参数进行多维度联合定向扰动的修正：

24、

25、

26、

27、式中：

e为原始弹性模量，为修正后的弹性模量；

η为原始黏滞系数，为修正后的黏滞系数，

r为眼球原始几何尺寸，为修正后的眼球几何尺寸；

γ为区间[0,1]内的随机扰动系数；、、为对应病理扰动系数。

28、在上述方案的基础上并作为上述方案的优选方案：所述步骤s3中，采集眼科临床手术过程中的视觉、力觉、深度多模态原始数据，依次完成信号降噪、多模态数据配准、时序时空对齐处理，剔除画面模糊、力信号异常、数据缺失的无效样本，得到规整可用的临床真实数据集；

29、其中时序时空对齐处理时，对齐误差计算公式为：

30、

31、式中：

e

a为多模态数据时空对齐误差；、、 为第1种模态的空间坐标与时间戳；、、为第2种模态的空间坐标与时间戳。

32、在上述方案的基础上并作为上述方案的优选方案：所述步骤s4中，首先计算单项指标的信息熵：

33、

34、式中：

e

i为第

i项指标的信息熵；

k为归一化系数，

k=1/ln(

n)，

n为样本总数；为第

j个样本在第

i项指标上的标准化占比；ln为自然对数；

35、基于信息熵计算各指标权重：

36、

37、式中：为第

i项指标的权重；为第

i项指标的信息熵；为所有指标信息熵冗余度之和；

38、结合指标权重计算单一样本综合评分：

39、

40、式中：score 为样本的综合评分；、、、、为五项评价指标的权重；、、、、为单个样本在五项指标上的标准化得分。

41、在上述方案的基础上并作为上述方案的优选方案：所述步骤s5中，多模态感知模型的总损失函数表达式为：

42、

43、式中：为位置感知损失，为力感知损失，为安全距离损失，、为损失平衡系数；

44、训练过程采用指数衰减方式调整学习率，学习率更新公式为：

45、

46、式中：为第轮的学习率；为初始学习率；为当前训练轮次；为学习率衰减系数。

47、在上述方案的基础上并作为上述方案的优选方案：所述步骤s6中，对临床数据开展泛化性能测试，位置感知误差计算公式：

48、

49、式中：为位置感知误差；为测试样本总数；、为模型预测的器械位置坐标；、为临床手术中器械的真实位置坐标；

50、力感知误差计算公式：

51、

52、式中：为力感知误差；为测试样本总数；为模型预测的器械接触力；为临床手术中器械的真实接触力。

53、本发明的另一技术方案是：一种基于力学模型的眼科手术机器人泛化训练系统，包括：

54、眼球软组织力学建模模块：负责录入各分层组织生物力学参数，完成超弹性本构建模、有限元网格划分，定义接触约束与形变阈值；

55、仿真样本生成模块：依托力学模型，结合病理与手术工况约束，完成多维度力学参数定向泛化，生成标准化多模态仿真样本库；

56、真实数据采集预处理模块：对接眼科手术机器人视觉、深度、力觉传感设备，完成原始数据降噪、配准、对齐及异常数据剔除；

57、真实数据智能筛选模块：建立力学特征评价指标体系，采用加权熵权法完成样本量化评分与优质样本筛选，实现虚实域力学特征匹配对齐；

58、泛化感知模型训练模块：搭建多模态混合网络模型，执行仿真数据预训练与临床优质样本迁移微调；

59、模型泛化迭代优化模块：负责模型性能测试、误差分析，联动调整力学参数、泛化范围及筛选阈值，实现全流程闭环迭代；

60、人机交互可视化模块：集中展示眼球力学仿真效果、样本筛选结果、模型训练过程及感知输出结果，支持关键参数人工查看与手动调校。

61、与现有技术相比，本发明的有益效果是：

62、1、 采用眼球多组织分层结构结合超弹性建模，从而突破传统刚性均质简化建模的局限，能够真实还原眼球各组织非线性、黏弹性力学特性，使得仿真数据可以更加贴合人体实际生理数据，提高训练样本的准确性。

63、2、将临床常见病理特征与手术工况耦合，进行多维度力学参数定向泛化，摒弃单一参数随机取值的粗放模式，使得仿真样本可以覆盖更多个体差异与病理场景，提升训练仿真样本的多样性与有效性。

64、3、以生物力学特征为核心开展对临床样本进行筛选，筛选出高质量临床样本，形成真实有效样本子集，跳出仅依赖图像、信号质量的浅层筛选逻辑，实现仿真数据与临床数据的特征对齐，大幅提升少量临床数据的利用价值。

65、4、构建了从力学建模、仿真样本生成、临床数据筛选、模型训练到迭代优化的一体化闭环体系，各环节联动可调，解决传统技术各模块相互割裂、无法协同优化的问题，显著提升模型在未知患者及复杂病理场景下的泛化精度与稳定性。

66、5、训练后的模型可适用于白内障、适配玻璃体切割、视网膜修复等主流眼科手术场景，适用范围广，可直接支撑眼科手术机器人的临床训练与落地应用。