虚拟现实增强技术在胸腔镜手术训练系统中的应用研究

虚拟现实智能硬件2021年11月3日第4引文：戴永航，石俊生，潘军军，郝爱民，常伟。基于增强现实的胸腔镜手术训练系统的虚拟现实智能硬件，2021，3（4）：274-286DOI：10.1016/j.vrih.2021.08.002·文章·基于增强现实的胸腔镜手术训练系统TAI1*，JunshenggSHI1，JunjungPAN2，AiminHAO2，VictorChanG31. 云南师范大学光电信息技术云南省重点实验室，云南昆明6505002. 北京航空航天大学虚拟现实技术与系统国家重点实验室，北京1001913. 英国提赛德大学计算、工程和数字技术学院，MiddlesbroughTS1 3BX*通讯作者，taiyonghang@126.com投稿时间：2021年2月25日修订日期：2021年6月8日接受日期：2021年6月14日国家自然科学基金（62062069，62062070，62005235）资助摘要背景与传统开胸手术相比，电视胸腔镜手术（VATS）创伤小、恢复快、患者依从性高，但对外科医生的要求更高。虚拟手术训练仿真系统是一种重要的手术训练仿真系统，在欧美国家得到了广泛的应用。手术训练仿真系统中的增强现实技术显著提高了虚拟手术训练的训练效果，但增强现实技术还处于起步阶段。混合现实在技术驱动的现代医学中得到了越来越多的关注，但尚未在日常实践中使用。方法本研究提出了一种在胸腔镜手术训练系统中的沉浸式AR肺叶切除术，使用视觉和触觉建模来研究这一关键技术的潜在益处。研究内容包括沉浸式AR视觉渲染、基于聚类的扩展位置动力学软组织物理建模算法。此外，我们设计了一个AR触觉渲染系统，其模型架构包括多点触摸交互点，包括动觉和压力敏感点。最后，在上述理论研究的基础上，开发了一个AR交互式电视胸腔镜手术培训平台。结果从云南省第一人民医院招募志愿者24名，对VATS培训系统进行评估。面部、内容和结构验证方法用于评估触觉、视觉、场景真实性和模拟器性能。结论我们的结构验证的结果表明，模拟器是有用的，在提高新手和手术技能，可以保留一段时间后。本研究所开发的基于AR的电视胸腔镜系统是有效的，可以作为一种培训设备，以帮助新手的胸腔镜技能的发展。关键词 增强现实;电视胸腔镜;手术培训; XPBD1引言根据美国《癌症杂志》官方杂志发布的《2018年全球癌症统计》报告，2096-5796/©版权所有2021北京中科学报出版有限公司Elsevier B. V.代表KeAi Communization Co. Ltd.提供的出版服务。这是CC BY-NC-ND许可证下的开放获取文章（http：//creativecommons.org/licenses/by/4.0/）。www.vr-ih.comYonghanggTAIetall：基于数据的改进-针对多个协作安全性系统进行了改进275根据美国癌症学会的研究，肺癌仍是发病率（11.6%）和死亡率（18.4%）最高的恶性肿瘤[1]，也是我国最常见的恶性肿瘤。由于人口基数大，中国肺癌新发病例和死亡人数远远超过其他国家，肺癌的疾病负担给医疗保健系统带来巨大压力[2，3]。手术治疗仍然是肺肿瘤治疗的金标准。在这些手术治疗中，胸腔镜手术，也称为视频辅助胸外科手术（VATS），是一种微创手术，已广泛应用于胸外科。其工作原理是利用现代电视摄像技术和先进的诊疗技术，在胸腔内做1-3个2厘米宽的小切口。摄像机将胸腔内的场景传输到电视屏幕上，然后医生可以通过观看电视屏幕并根据投影图像操作手术设备来切除病变组织[4- 6]。胸腔镜手术有两大原则：一是最大限度地切除肿瘤组织，二是最大限度地保留患者的正常肺功能。因此，生活质量和生存时间是同等重要的因素。这对外科医生的手术技能、能力和经验提出了很高的要求[7]。目前，大多数医院专科实习生和住院医师的手术培训方法仍然是通过动物替代或尸检、手术录像观看、手术现场观察等方式传授。然而，这些训练方法存在许多缺点，例如缺乏适当的测试组织，以及活体动物和人体组织之间的视觉-触觉感知差异，这降低了以这种方式训练的技能的普遍性。随着个体化、微创手术规划和“精准医疗”逐渐应用于临床肿瘤学领域，迫切需要开发一个集手术培训、规划、演练于一体的、沉浸式的虚拟手术仿真平台。作为“精准医疗”中的一个新兴研究方向，增强现实（AR）沉浸式手术训练系统是一个融合光学工程、医学、计算机技术、生物力学等多学科的交叉研究领域[8，9]。作为AR技术与临床医学研究相结合的必然成果，面向AR的手术培训系统也是当前医学领域积极发展的领域。与虚拟现实手术训练系统相比，AR手术训练系统具有更真实的手术训练环境，更接近人因工程的视触觉体验，以及更自然的沉浸式交互感知。对于使用虚拟手术模拟环境的医生来说，提高他们的真实手术技能培训、术前手术计划、手术排练和远程辅助手术能力尤为重要[10，11]。在开发这些技术时，沉浸感的关键决定因素是如何实现沉浸式可视化，基于医学图像数据准确建模人体软组织器官，以及如何在手术操作的触觉交互中为培训师提供自然逼真的手术力反馈感知。本文以面向增强现实的胸腔镜手术训练系统为研究重点，具体研究了肺叶切除术中软组织切割操作的视觉和触觉建模。提出了一种基于聚类约束-扩展位置动力学算法的软组织切割模型，以及一种兼具动觉和压力多触觉交互点的触觉反馈模型，并将其应用于AR交互式VATS手术训练平台。该研究不仅为肺部肿瘤的新型一体化诊疗技术的发展奠定了基础，而且对提高肺部肿瘤手术的精确度和减少手术的侵入性具有重要的应用价值。2种方法基于AR的视觉-触觉建模设计包括三个管道，如图1所示。首先是276虚拟现实智能硬件2021年11月3日第4可视化渲染流水线，其包括构建可被力切割的软肺组织的物理模型。AR渲染（蓝色处理）被映射到几何模型。设计中的第二条管线在其操作过程中，我们构建了一个多点触摸触觉模型，既有动觉和压力感觉（绿色过程）。最后，第三条流水线是AR交互手术训练环境的架构，包括全景手术环境的获取和集成训练系统的集成（红色流程）。详细的算法流程如图1所示图1基于增强现实的胸腔镜手术训练平台算法流程。2.1基于簇的XPBD基于聚类的扩展位置动力学（XPBD）算法的软组织切割物理模型是本研究的关键。作为VATS手术培训过程的一部分，它确定了切割过程它是AR手术培训系统的核心组件之一该算法结合了基于网格的切削建模和基于粒子的切削建模的优点，其核心思想如下。通过构造新的基于簇的约束条件，将拉格朗日计算引入到基于位置的动力学（PBD）算法中，解决了传统PBD算法的计算复杂性问题，其性能依赖于迭代次数和时间步长.特别是在切割操作过程中，拓扑结构发生变化后的全局矩阵重构需要PBD算法进行大量的计算。PBD可以被认为是一个半隐式积分算法，使用Stomer-Verlet方法。通过不同的约束投影，每个约束函数的质量加权更新，通过局部线性化实现。PBD约束求解器的主要步骤是计算每个约束的位置增量[12]：277YonghanggTAIetall：基于数据的改进-针对多个协作安全性系统进行了改进=2我=JJ我我我JJΔx=kj sj M-1<$Cjxi<$（1）其中i为迭代指标，j为约束指标，k∈ [0，1]为约束刚度，换算系数s由约束函数的一阶牛顿法求得：s-CjxijCM-1CT（二）我们的扩展PBD从牛顿运动方程开始，并受到来自势能U（x）的力的影响：Mx=-U T（3）这里，x= [x1，x2...，xn]，T是系统状态。我们对运动方程的水平位置执行隐式时间离散化，其中上标n表示时间步长索引：Mxn+1 -2xn+xn-1=-U Txn+1Δt2根据约束函数=[C1（x），C2（x），（四）U=1CTα-1x（5）根据拉格朗日乘子的引入，我们将力分解为方向分量和标量分量：λ弹性 =-α-1Cx（6）这里，λelastic=[λ1，λ12，M$xn+1-x<$$>-<$ $xn+1Tλn+1= 0（7）C$xn+1$+α<$λn+1= 0（8）其中xn= 2xn-xn-1=xn+ Δtνn，这是预测位置或惯性位置。 为了求解这个非线性方程组，我们设计了一种基于牛顿法的不动点迭代法。我们省略了时间步上标（n+ 1），以强调每次迭代都由下标（i+1）表示。此外，我们跳过几何刚度和Hessian约束，并引入局部误差O（Δt2）。这种近似会改变收敛速度，但不会改变全局误差，也不会改变求解不动点迭代的方法。基于这些近似，我们的更新线性子问题由下式给出：M- =-（九）∇Cxiαh i，λi我们同时考虑Schur补充，以获得以下关于未知Δλ的简化系统：C（十）最后，通过计算，可以直接得到位置更新：Δx=M-1<$CxTΔλ（11）在求解器方面，将Gauss-Seidel方法与PBD算法相结合。我们取一个索引为j的约束方程，这样我们就可以直接计算拉格朗日乘子的变化：Δλj-Cjxi<-α<$jλijCM-1我J278虚拟现实智能硬件2021年11月3日第4（十二）这个方程是我们基于聚类的XPBD算法的核心。在约束求解过程中，我们首先279YonghanggTAIetall：基于数据的改进-针对多个协作安全性系统进行了改进计算单个调节的Δλj，然后更新系统位置和乘数，以获得切割后软件变形的模型。2.2算法实现该算法实现了部分研究计划。在单层软组织的手术切割（基于网格）的模拟过程期间，刀片边缘与组织模型的表面之间的三角形边缘碰撞检测生成一系列相交的网格顶部以及手术刀边缘切片表面。对于位置，我们索引相交三角形网格单元及其相邻顶点。细分后的网格边界投影到距切割平面一定距离的平面上。同时更新网格几何和拓扑信息模型，生成网格剖分，生成新的三角形网格，获得更精细的边界。最后，在虚拟手术面切割过程的最后一步，对原始网格的拓扑结构进行分解和改变，切割算法的实现过程如图2所示。在基于体素的块状物体手术切割仿真过程中，由于体素网格是由四面体单元组成的，因此手术器械的隐藏形状选择了直线。扫描体积成为扫描表面。体网格剖分算法与曲面切割算法相似，都是先求出相交点，再对原始图元进行细分。在四面体网格和扫描图2基于FPGA的XPBD切割算法实现过程。曲面：边交线和曲面交线。最后，根据四面体的相交状态将其划分为小单元。在抛光边缘后，添加颗粒和团簇以实现切割后的变形和物理刺激，基于体积的软组织模型的详细内部结构和实现如图3所示。图3基于体积的软组织模型的内部结构和实现。280虚拟现实智能硬件2021年11月3日第42.3AR交互式VATS手术培训平台图4显示了开发的VATS-AR模拟器。手术器械和力反馈设备通过3D打印的连接器连接。操作者握住手术器械，以允许动力反馈装置的三个轴执行相应的变换操作。当虚拟手术器械的夹子与虚拟物体交互时，计算机通过OpenHaptic插件（Geomagic，USA）调用力反馈设备提供相应的驱动力[13]，从而为操作者提供真实的触觉。HTC VIVE和Logitech摄像头用于提供AR显示方法[14，15]。连接器的3D模型如图4所示。当操作者关闭手术器械时，例如当抓取虚拟对象时，绿色按钮被触发，虚拟夹子被关闭。当操作者打开手术器械时，例如当释放虚拟对象时，红色按钮被激活，并且虚拟夹子被打开。图4 VATS硬件主要包括：A）8k分辨率触摸屏。B）Logitech相机（Logitech，瑞士），用于识别AR显影的标记。C）标记。D）虚拟现实耳机HTC VIVE（HTC Corporation，Taiwan，China）. E）手术器械，马里兰解剖器。F）Geomagic Touch（Geomagic，USA）具有六自由度（6-DoF）的力反馈装置。G）力反馈和手术器械之间的连接器。H）配备NVIDIA GTX 2060 GPU、Intel i7 CPU和16G的台式机。RAM.2.4VATS平台本文在借鉴前人研究成果的基础上，结合视觉触觉绘制理论，281YonghanggTAIetall：基于数据的改进-针对多个协作安全性系统进行了改进在云南省第一人民医院胸外科观察了多视野电视胸腔镜下肺叶切除术，项目选择三孔标准化电视胸腔镜手术作为培训方法。我们提出了一个AR全景沉浸式手术训练环境方案，以提高手术训练的沉浸感。通过在实际手术过程中记录必要的VATS操作及其真实操作环境，并通过AR近眼显示器，我们可以为外科医生提供多感官和高度沉浸式的培训环境。我们使用在云南省第一人民医院胸外科录制的右肺上叶肺叶切除术全景视频作为手术背景。我们设计了一个胸腔镜切除手术框架，分为几个场景。根据舞台的定义，每个场景都包含各种元素，组件类型区分了与该场景相关的功能。通过预设的碰撞检测，将后台的视觉-触觉交互连接到视觉线程和触觉线程的异步渲染。组件触发手术场景中的AR与AR环境交互，并在不同的手术操作节点实时渲染预设的手术操作步骤（图5）。图5AR交互式VATS手术培训平台视觉触摸运行线程。我们已经完成了基于Marching Cube表面重建算法的轻量级C++类库“ARTK”框架的构建，并通过VTK、ITK和ARToolKit AR 3D可视化、分析和重建的库函数调用将CT、MRI和PET-CT医学图像合并[16- 18]。基于AR的VATS培训系统的CAD外观设计图和部分原型结构已经完成，如图6所示同时，项目组前期跟随云南省第一人民医院胸外科医生参与VATS手术录制、手术直播、培训，以及三维手术场景制作。我们共参与了12例胸外科手术，制作和培训AR手术内容。该系统建成以来积累了丰富的临床经验。3个结果为了进行客观评价，在新手组休息2周后，将保持测试的分数（两次试验的平均分数）分别与基线分数（第一次和第二次试验的平均分数）和后测试（第29次和第30次试验的平均分数的Wilcoxon282虚拟现实智能硬件2021年11月3日第4图6模拟机训练任务设计。AR模拟器包含三个训练任务（钉转移、血管夹闭和剪切以及绳索穿孔）。(a)360度全沉浸式手术室场景采集;（二）血管夹闭与切割训练模块;（三）绳索穿孔训练模块;（四）栓钉转移基础训练模块。使用符号秩检验方法比较组内差异[19]。使用Mann-Whitney U检验方法比较两组之间新手和专家在基线或测试后的评分[20]。我们使用p0.05来表示两个数据组之间是否存在统计学显著差异 ， 并 发现 没 有 这 种差 异 。 使 用SPSS 20.0（IBM Corp.，Armonk，New York，USA）软件[21]（表1）。在这项研究中，基于聚类的PBD变形模拟算法被用来模拟软表1接受过胸腔镜手术培训的人员的人口统计学数据A组（新手）B组（专家）Number246年龄/岁27.6（25-31）47.8（44-55）研究生培训年5（3-8）14（12-30）男性/ %79.283右撇子/ %95.8100有经验的拳击教练<7>25岁VR游戏体验8/241/6HMD经验丰富6/241/6组织变形过程以肝脏组织（原始数据为肺部CT数据）为仿真对象。利用重心坐标生成几何模型与变形物体之间的耦合关系。表面网格包含14128个三角形和7469个顶点，而体积网格包含3833个四面体和1164个顶点。如图7所示，第一条线显示了基于网格的变形。我们设定弹性模量和泊松比，通过对手术器械施加张力和压力来模拟模型的变形。第二和第三线模拟结果显示了图7中的体积变形表2显示了实验后六位专家对四个模拟器在视觉、触觉和场景真实性方面的面部和内容验证。使用五点Likert量表评估模拟器的性能，“1”代表“非常好”，“5”代表“非常差”[22]。图6显示了与模拟器的主观评价相对应的箱形图。在视觉方面，AR模拟器的评分（3.56 ± 0.98）高于Box模拟器（2.39 ± 1.04）283YonghanggTAIetall：基于数据的改进-针对多个协作安全性系统进行了改进图7四面体簇类约束切割的基于规则的PBD。表2 基于AR的电视胸腔镜手术模拟器的人脸和内容验证问卷框平均值±标准差VR平均值±标准差AR平均值±标准差先生平均值±标准差视 觉 感 知 触 觉 感知场景真实性2.39 ± 1.044.11± 0.903.28± 1.183.17 ± 1.252.61± 0.982.78± 1.063.56 ± 0.982.67± 0.973.44± 0.782.78 ± 1.002.44± 0.864.28± 0.89注：主观评分和IVR模拟器（2.78 ± 1.00）（p=0.021.在触觉感知方面，Box模拟器的评分（4.11 ± 0.90）显著优于其他三种模拟器（p=0.032），但VR、AR和IVR之间无统计学显著差异（p= 0.023）。在场景真实性方面，IVR模拟器的评分（3.28 ± 1.18）优于其他三种模拟器（p=0.03），但Box、VR和AR之间无统计学显著差异（p=0.04）。新手医生经过两周的培训后进行了实验。训练数据和初始数据之间的比较如图8所示。在血管夹持和切割模块中，MR训练中手术夹的轨迹最短，但AR训练所需时间最短，夹持和切割血管的误差最小。与Box训练相比，三种训练方法只有部分评价项目达到了相当高的训练水平。其中最突出的是绳索模块。从实验时间和绳落次数来看，这两个参数都低于Box训练。这可以从直方图中观察到。通过培训，观察到这24名医生的一些指标正在改善。通过观察VR和AR的具体改进，我们可以看到两种形式的训练都有所改进284虚拟现实智能硬件2021年11月3日第4图8 新手组和训练组三个评价项目在时间上的比较， 手术夹轨迹长度和跌落次数。演出具体来说，AR模拟训练可以更好地结合虚拟和真实环境，为医生提供具有真实感官效果的新颖环境，尽管它没有达到与MR相同的沉浸高度。与Box相比，VR模拟训练可以不受限制地使用，并可以自动记录相关实验数据。VR仿真在客观评价方面具有一定优势，但与AR和MR仿真相比，它既缺乏视觉沉浸感，又缺乏触觉感知。4讨论在这项研究中，基于AR的胸腔镜手术培训系统的开发。采用五点Likert量表、Wilcoxon符号秩检验[24]、Mann-Whitney U检验和MANUUM方法分析专家组对四种模拟器的主观评价，以及新手组和专家组在Box、VR、AR和IVR模拟器中对三种模拟任务的客观操作技能，以判断哪种模拟器最能提高新手技能[25]。关于面部和内容的有效性，五点李克特量表被用来分析模拟器的视觉，触觉和场景的真实性指数。结果表明，不同的指标，模拟器的优势不同。对于视觉，AR模拟器优于IVR和Box模拟器。这可能是因为AR技术向观察者呈现3D图像。Box模拟器和IVR模拟器分别通过真实和虚拟摄像机获取场景信息，并将其呈现在真实和虚拟的显示屏幕上，没有三维空间感。Box模拟器的触觉感是四个模拟器中最强的，因为其他三个模拟器都是由计算机来渲染虚拟物体的触觉，目前还很难达到实时渲染的能力，但是Box模拟器中的交互物体285YonghanggTAIetall：基于数据的改进-针对多个协作安全性系统进行了改进都是基于基本的物理模型。在场景真实性方面，IVR模拟器优于其他三个模拟器。这是因为IVR模拟器中的场景是医院胸外科360全景摄像头拍摄的真实手术室场景，给用户带来沉浸感。在结构效度方面，在基线时，VR、AR和MR模拟器中新手和专家之间没有差异[26]，但专家评价其总体略高于新手。在Box模拟器中，专家明显优于新手，因为Box模拟器之前在市场上很受欢迎，我们的大多数专家都会参加Box模拟器培训。经过一定次数的训练试验（新手：30次试验;专家：5次试验），新手的技能在测试后评估时明显优于专家，表明四种模拟器对提高新手的操作技能是有效的。在绳索模块中新手组、训练组和专家组的实验数据的比较描绘在图8和图9中。新手组在整个培训过程中不断提高自己的技能，一些新手医生的操作水平已经达到了专家的水平。关于时间，AR要求专家组的时间最短。在该模块中，Box模拟器所需的时间与其他培训方法相似[27- 29]。从手术夹的移动距离来看，VR中手术夹的移动长度较短，而AR的工作空间分布均匀。该培训方法提高了新手医生的手术技能[30]。如图9所示，培训后的新手医生手术夹的运动轨迹与专家医生的运动轨迹接近，在MR模拟中的表现最好。通过将患者特定数据（如3D解剖模型）直接链接到复杂的手术场景，MR环境可以提供丰富的信息源，以指导人类和手术机器人的内部运动[31]。图9手术夹在新手组、培训组和专家组三个培训模块中的运动轨迹。五、结论为了实时模拟软组织变形的粘弹性、非线性和不可压缩性，提出了一种将粘弹性质点-弹簧方法（MSM）和基于位置的动力学方法（PBD）相结合的新方法--基于聚类的PBD方法.本研究的主要贡献如下：(1) 基于PBD和生物力学特性，提出了一种新的基于聚类的PBD方法。该方法将MSM的弹簧力和外力与PBD约束函数产生的约束力相结合，对质点的运动进行修正。该方法通过各种约束成功地控制了复杂的变形行为。虽然时间步长的代价略高于传统的PBD方法，但它提高了真实性和稳定性。(2) 对肺模型的变形进行了模拟，以显示不同的结构和变形虚拟现实智能硬件2021年11月3日第4286的器官。实验证明，该方法能够模拟肝脏手术过程中软组织的变形，满足虚拟手术软组织变形的需要。(3) 这种新方法的适用性，通过增强手术模拟证明。竞合利益我们声明我们没有利益冲突。引用1Bray F，Ferlay J，Soerjomataram I，Siegel R L，Torre L A，Jemal A. 2018年全球癌症统计数据：GLOBOCAN对全球185个国家36种癌症的发病率和死亡率进行了估计。CA：临床医生癌症杂志，2018，68（6）：394- 424DOI：10.3322/caac.214922世界卫生组织。最新全球癌症数据世界卫生组织，2018年3郭永明，曾宏明，郑荣生，李世生，巴奈特，张世文，邹晓宁，赫胥黎，陈文强，威廉斯。中国肺癌发病率与环境空气污染的关系：时空分析。环境研究，2016，144：60- 65DOI：10.1016/j.envres.2015.11.0044Novellis P，Bottoni E，Pallaslaz E，Cariboni U，Testori A，Bertolaccini L，Giordano L，Dieci E，Granato L，Vanni E，Montorsi M，Alloisio M，Veronesi G.早期肺癌的机器人手术、电视辅助胸外科手术和开放手术：单个研究所的成本和结果比较。胸外科杂志，2018，10（2）：790- 798 DOI：10.21037/jtd.2018.01.1235[10]李文，李文.电视胸腔镜手术治疗晚期肺癌是否合适？未来肿瘤学，2018，14（6s）：29- 31DOI：10.2217/fon-2017-03886Chen S，Geraci T C，Cerebral R J.肺外科技术：机器人肺叶切除术的综述。呼吸内科专家综述，2018，12（4）：315- 322电话：021 - 8888888传真：021 - 88888887Kent M，Wang T，Whyte R，Curran T，Flores R，Gangadharan S.开放式、视频辅助胸外科和机器人肺叶切除术：国家数据库综述。胸外科年鉴，2014，97（1）：236- 244 DOI：10.1016/j.athoracsur.2013.07.1178Qin Z，Tai Y，Xia C，Peng J，Huang X，Chen Z，Li Q，Shi J. Towards virtual VATS，face，and constructevaluation for peg transfer training of box，VR，AR，and MR trainer. Journal of Healthcare Engineering，2019，6813719 DOI：10.1155/2019/68137199Herron J.医学教育和培训中的增强现实。医学图书馆电子资源杂志，2016，13（2）：51- 55DOI：10.1080/15424065.2016.117598710Barsom E Z，Graafland M，Schijven M P.增强现实应用在医疗培训中的有效性的系统评价。外科内窥镜，2016，30（10）：4174- 4183DOI：10.1007/s00464-016-4800-611卢卡斯角手术模拟训练系统：箱式训练器、虚拟现实和增强现实模拟器。International Journal of AdvancedRobotics and Automation，2016，1（2）：1- 9DOI：10.15226/2473-3032/1/2/0010912吴J，Westermann R，Dick C.基于物理的变形体切割模拟综述。计算机图形学论坛，2015，34（6）：161- 187DOI：10.1111/cgf.1252813Maciel A，Liu Y Q，Ahn W，Singh T P，Dunnican W，De S. VBLaST的开发：一个虚拟的基本腹腔镜技能训练器。医疗机器人+计算机辅助手术国际杂志：MRCAS，2008，4（2）：131- 138 DOI：10.1002/rcs.18514潘JJ，张J，杨X，梁H，张JJ，库雷希T，豪厄尔R，希基什T.腹腔镜直肠手术的虚拟实境训练与评估。国际医学机器人与计算机辅助手术杂志，2015，11（2）：194- 209YonghanggTAIetall：基于数据的改进-针对多个协作安全性系统进行了改进285DOI：10.1002/rcs.158215放大图片作者：Kibsgaard M，Kubsen K K，Kraus M.使用游戏引擎模拟可变形物体的手术切割。第九届计算机图形学理论与应用国际会议论文集。里斯本，葡萄牙，科学与技术出版物，2014年DOI：10.5220/000467040342034716[10]杨文辉，李文辉.基于有效拓扑操作的可变形物体虚拟切割。视觉计算机，2015，31（6/7/8）：831- 841DOI：10.1007/s00371-015-1123-x17朱斌，顾立新.用于实时手术仿真的混合变形模型。计算机医学成像与图形学，2012，36（5）：356- 365DOI：10.1016/j.compmedimag.2012.03.00118Pons-Moll G，Romero J，Mahmood N，Black M J. Dyna. ACM Transactions on Graphics，2015，34（4）：1- 14 DOI：10.1145/276699319Lee J H，Kim H，Kim J H，Lee S H.未来医学的软植入式微电极：修复术、神经信号记录和神经调节。芯片实验室，2016，16（6）：959- 976DOI：10.1039/c5lc00842e20潘俊杰，严世智，秦红，郝安明。通过几何元球和物理中心无网格方法的混合耦合实现器官的实时解剖。视觉计算机，2018，34（1）：105- 116DOI：10.1007/s00371-016-1317-x21放大图片作者：Berndt I，Torchelsen R，Maciel A.利用基于位置的动力学实现高效的手术切割。IEEE ComputerGraphics and Applications，2017，37（3）：24- 31DOI：10.1109/mcg.2017.4522Niebe S，Erleben K.基于物理的动画中线性互补问题的数值方法。计算机图形与动画综合讲座，2015，7（1）：1- 159DOI：10.2200/s00621ed1v01y201412cgr01823王H M，O ′ Brien J，Ramamoorthi R.多分辨率各向同性应变限制。ACM图形学报，2010，29（6）：1- 10DOI：10.1145/1882261.186618224[10] Müller M，Chentanez N，Kim T Y，Macklin M.基于应变的动力学。ACM SIGGRAPH/Eurographics Symp.Comput. Animat.，2014，149- 15725张晓刚，李晓刚，李晓刚.基于位置的连续材料模拟。计算机图形学，2014，44：1- 10DOI：10.1016/j.cag.2014.07.00426Balasubramanian R，Santos V J，《作为机器人手开发灵感的人手》。出版社：Springer International Publishing，2014DOI：10.1007/978-3-319-03017-327李国伟，李国伟，李国伟.神经外科医生触觉学导论。神经外科，2013，72：A139- A153 DOI：10.1227/neu.0b013e318273a1a328Kim M，Kim J，Lee Y，Lee D.论触觉再现中机械积分器的被动性。2017 IEEE International Conference onRobotics and Automation（ICRA）新加坡，IEEE，2017，446- 452 DOI：10.1109/icra.2017.798905829杨志华，陈志华.用多点触觉抓取虚拟物体。2011年IEEE虚拟现实会议，2011年，189- 190DOI：10.1109/vr.2011.575946230Jeon S，Harders M.触觉肿瘤增强：探索多点相互作用。IEEE Transactions on Haptics，2014，7（4）：477- 485DOI：10.1109/toh.2014.233030031陈丽，戴泰伟，唐伟，约翰N W。医疗混合现实的最新发展和未来挑战。2017年IEEE混合与增强现实国际研讨会（ISMAR）Nantes，France，IEEE，2017，123- 135 DOI：10.1109/ismar.2017.29