Skip to main content
NCBI home page
Journal of Peking University (Health Sciences) logoLink to Journal of Peking University (Health Sciences)
. 2019 Jun 18;51(3):596–601. [Article in Chinese] doi: 10.19723/j.issn.1671-167X.2019.03.033

基于U型卷积神经网络学习的前列腺癌影像重建模型在手术导航中的应用

Application of U-shaped convolutional neural network in auto segmentation and reconstruction of 3D prostate model in laparoscopic prostatectomy navigation

颜 野 1,*, 夏 海缀 1,*, 李 旭升 2, 何 为 3, 朱 学华 1, 张 智荧 1, 肖 春雷 1, 刘 余庆 1, 黄 华 4, 何 良华 2, 卢 剑 1△,✉
PMCID: PMC7439022  PMID: 31209437

Abstract

目的

探讨基于U型卷积神经网络(U-shaped convolutional neural network, U-net)建立的前列腺磁共振图像自动化分割和重建3D模型对腹腔镜前列腺癌根治术进行术中认知导航的效果。

方法

应用含有人工注释的共5 000张前列腺癌磁共振影像训练集,训练U-net,构建了一套以临床需求为导向,稳定高效的全卷积神经网络算法模型,对前列腺磁共振图像进行区域化、多结构和精细自动化分割,并将分割数据使用医学影像处理交互平台(Medical Image Interaction Tool Kit,MITK)自动重建,以STL格式输出建模信息,应用平板电脑在术中展示前列腺模型,进行认知导航。

结果

基于201例前列腺癌患者的磁共振图像训练样本,在经典U-net基础上通过适应性改良,建立了一套结构简单、性能优秀的U-net,可以实现对前列腺、肿瘤、精囊腺、直肠等重要结构的单独分割,并进行三维可视化,直观地显示手术关键部位的结构关系和肿瘤侵犯程度。术中通过平板电脑同步展示3D模型,成功进行认知导航。

结论

通过改良的U-net可以自动化完成前列腺磁共振图像的结构化分割,通过重建局部解剖部位的3D模型用于术中认知融合导航,可以达到肿瘤可视化、降低手术切缘阳性率、提高手术效果的作用。

Keywords: 卷积神经网络, 前列腺肿瘤, 成像, 三维, 外科手术, 计算机辅助

前列腺癌是男性生殖系统最常见的恶性肿瘤, 占2018年全球新发癌症病例的7%, 同年全球前列腺癌相关死亡人数高达359 000人[1]。而在国内, 随着前列腺特异性抗原(prostate specific antigen, PSA)筛查的普及, 近10年来前列腺癌的发病率也逐年上升。目前腹腔镜或机器人辅助下前列腺根治性切除术已经非常成熟, 但对于一部分肿瘤局部腺体外侵犯, 或者局部肿瘤轮廓外突的患者, 仍然存在切缘阳性、直肠损伤、早期生化复发, 甚至术后早期远处转移的风险, 威胁患者中远期存活[2, 3]。高精度的器官重建, 配合手术过程中的实时导航, 将能够准确、及时地向术者反馈前列腺本身、肿瘤大小、位置以及周围重要临近结构的解剖关系, 降低切缘阳性率的发生, 并能更精确地保留神经血管束等功能性结构[4]。

在泌尿外科领域, 国外一些学者从2010年起即做出了开创性的尝试, 围绕CT数据对肾脏等肿瘤脏器进行建模, 或进一步通过3D打印进行术前及术中认知辅助导航[5]。近年来, 随着达芬奇机器人的应用和TilePro多屏融合技术的推广, 一些团队已经成功实现了增强现实同步导航[4]。国内目前在前列腺肿瘤3D图像重建和手术导航方面的探索还处于起步阶段, 有研究基于多参数磁共振进行前列腺3D重建, 从而辅助提高前列腺穿刺活检的准确度[6]。随着深度学习研究的全面发展, 特别是卷积神经网络的研究得到了越来越多的关注, 已有部分学者应用卷积神经网络对前列腺CT或磁共振图像进行整体分割[7]。本研究根据临床手术需求, 应用U型卷积神经网络(U-shaped convolutional neural network, U-net)对前列腺磁共振图像进行结构化自动化分割, 应用自主研发的算法进行三维重建, 辅助术前及术中认知导航完成腹腔镜前列腺癌根治术, 以期降低围手术期并发症风险, 提高患者的非特异性肿瘤生存率。

1. 资料与方法

1.1. 图像获取及参数

前列腺穿刺前行多参数磁共振检查, 使用西门子3.0T磁共振扫描仪, 应用腹部相控阵列线圈接受信号, 扫描包括周围、矢状位及冠状位快速自旋回波(turbo spin echo, TSE)T2WI以及轴位T1WI。使用单次激发平面回波成像(echo planar imaging, EPI)序列进行弥散成像轴位扫描, 磁共振扫描仪自动计算生成ADC图像, 导出1 mm厚度的薄层DICOM数据, 应用RadiAnt DICOM Viewer V4.6.5隐去患者基本信息, 以用于后期自动化分割。

1.2. 构建U-net用于前列腺磁共振图像的精确分割

1.2.1 U-net的结构设计在Ronneberger等[8]2015年提出的经典U-net基础上, 通过适应性改良, 构建了一套结构简单、性能优秀的U-net(图 1)。首先将320×320像素的原始磁共振图像进行中心剪裁, 成为256×256像素的图像输入网络(input image tile)。网络的左侧为压缩路径(contracting path), 是由最大池化(max pooling)构成的一系列降采集操作。压缩路径由4个块(block)组成, 每个块使用了3个有效卷积和1个最大池化降采样, 每次降采样之后特征图(feature map)的个数乘2, 因此有了图中所示的特征图尺寸变化, 最终得到了尺寸为16×16像素的特征图。网络的右侧为扩展路径(expansive path), 同样由4个块组成, 每个块开始之前通过反卷积将特征图的尺寸乘2, 同时将其个数减半, 然后和左侧对称的压缩路径的特征图合并。压缩路径中的特征图尺寸稍大, 将其修剪过后进行拼接。扩展路径的卷积操作依旧使用的是有效卷积操作, 最终得到的特征图尺寸是256×256像素。

1.

1

Open in a new tab

改良U-net的架构

Modified U-net architecture

1.2.2网络训练为了能让网络有分离边界的能力, 我们设计了带边界权值的损失函数:

E=∑X∈Ωω(X)log(pℓ(X)(X)),

其中, pℓ(X)(X)是softmax损失函数, ℓ:Ω→{1, …, K}是像素点的标签值, ω:Ω∈ℝ是像素点的权值, 目的是为了给图像中贴近边界点的像素更高的权值。

ω(X)=ωc(X)+ω0·exp-(d1(X)+d2(X))22σ2,

其中, ωc:Ω∈ℝ是平衡类别比例的权值, d1:Ω∈ℝ是背景像素点到距离其最近的分割标签(label)的距离, d2:Ω∈ℝ则是背景像素点到距离其第二近的分割标签的距离。ω0和σ是常数值, 在实验中ω0=10, σ≈5。反之, 从分割标签像素点到其最近及次近的背景像素点, 再做一次上述操作。由此给实际情况(ground truth)提供权重, 如图 2中的C图所示, 颜色越亮表示权重越大, 网络如果在对应像素处做出错误的决定时, 其惩罚越大, 从而可以大幅度提高边缘分割的效力。

2.

2

Open in a new tab

U-net进行前列腺及相邻结构分割示例

U-net auto segmentation for prostate with adjacent structures A, original magnetic resonance images; B, human segmentation; C, priority assignment; D, U-net segmentation

1.2.3解剖性结构细分要求下的网络改良既往文献报道将前列腺、精囊以及周围血管神经束作为一个整体进行分割[9], 本研究为了满足精细化手术导航的需求, 对前列腺及其周围相邻结构(如双侧精囊腺以及直肠等)进行了独立化分割(图 2)。与传统经典型U-net相比, 我们将“conv 3×3, ReLU”这一步优化成“conv 3×3, batch normalization, ReLU”, 以加快模型的收敛速度, 并在一定程度缓解了深层网络中梯度弥散的问题, 从而使得训练深层网络模型更加容易和稳定。另外, 我们对ωc(X)进行了开平方根处理, 从而使得网络学习时既有侧重, 又不至于对背景过于忽视; 同时, 对ground truth中分割类别轮廓的两侧都进行权重的加强, 并通过调整加强的程度, 使得内侧的强度更大, 这样训练结果倾向于偏大的轮廓, 在实际导航应用中起到有效降低切缘阳性的作用。需要特别指出的是, 结合既往经验, U-net通常仅需要数十幅图像通过数据扩增即可达到数百幅图像, 获得良好的分割效果, 本研究采用的训练集约含有201例病例(每例含有24~30幅图像, 共约5 000幅图像), 为保证本研究网络的真实可靠性而放弃了任何形式的数据扩增, 所有训练都基于原始图像分割。

1.2.4网络性能对含有98例前列腺癌多参数磁共振图像数据的测试集应用中, 在没有任何预处理的情况下, 我们用改良的U-net进行自动化分割, 并计算翘曲误差(warping error)、兰德指数(Rand error)和像素误差(pixel error), 本研究的网络取得了0.000 340的翘曲误差和0.036 0的兰德指数, 且Dice相似度系数达到90%, 与人工分割和应用既往报道的反卷积网络分割性能对比见表 1。通过人工校对发现, 由于网络设计了双向边界权重加强, 因此, 对体积相对微小结构的分割存在一定程度的低效, 例如神经血管束及背静脉复合体。

1.

U-net性能与其他分割效果对比

Comparison of U-net performance with other segmentation methods

Group name Warping error Rand error Pixel error
Human values 0.000 004 0.001 9 0.000 9
Zhan[9] 0.000 410 0.036 7 0.068 8
U-net 0.000 340 0.036 0 0.059 9
Open in a new tab

1.3. 高精度3D重建

将上一步全自动U-net分割获得的数据导入医学影像处理交互平台(Medical Image Interaction Tool Kit, MITK)[10], 以边界轮廓线基本算法为核心编写三维重建算法进行三维重建, 由于磁共振原始数据层厚为5 mm, 为提高视觉观感, 将重建后图形进行高斯平滑处理, 平滑系数0.3, 迭代10次, 又因为多次平滑后器官体积坍缩, 再进行3.5%的整体放大以补偿, 最后将各部分结构数据以独立STL格式文件输出。

1.4. 术前认知辅助及术中实时认知导航

将STL数据导入安卓平台平板, 应用STL Viewer V2.0进行浏览, 要求术者术前结合磁共振对前列腺3D模型结构进行学习。术中助手根据手术视角, 操控3D模型进行实时展示。术者结合平板展示的3D模型, 进行精细结构的分离与操作。

2. 结果

肿瘤可视化演示如下。男性患者, 73岁, 体检发现总前列腺特异性抗原(total PSA, T-PSA)30.0 ng/mL, 游离前列腺特异性抗原(free PSA, F-PSA) 3.87 ng/mL, F/T=0.13;磁共振结果提示, 肿瘤主要分布于腹侧, 基底部肿瘤向上方突出, 局部包膜模糊, 考虑腺外侵犯可能(图 3)。穿刺提示7/14针阳性, 前列腺腺泡癌, Gleason评分4+5=9分; 骨扫描阴性; 临床分期cT3aN0M0。手术顺利完成, 手术时间165 min, 失血50 mL, 术中因粘连严重, 未保留双侧神经血管束, 术后留置尿管, 2周后拔除, 可自主控尿。患者总住院时间7 d。术后病理提示:前列腺腺泡癌, 主要分布于腹侧偏基底部分, 累及左、右叶, 基底部肿瘤凸向左上方, 切缘阴性, 清扫淋巴结阴性, Gleason评分5+4=9分。全病理切片癌灶与3D重建模型高度吻合(图 4)。

3.

3

Open in a new tab

患者前列腺磁共振T2WI图像

T2WI images of demo patients

4.

分割重建实体标本

Segmentation, reconstruction model and gross specimen

A, U-net segmentations on original magnetic resonance images; B, left sagittal view of auto reconstructed 3D model; C, axil view of 3D model (cephalad to caudal); D, gross specimen (cephalad to caudal)

4

Open in a new tab

3. 讨论

近年来, 随着深度学习研究的流行, 卷积神经网络得到了广泛关注。Lecun等[11]于1998年首次提出利用多层卷积神经网络结构实现手写字符的判别, 这是卷积神经网络用于图像处理的基石。经过了几十年的发展, 越来越多的学者将卷积神经网络应用到医学影像数据处理中, 通过“预先训练+结构微调”的方式完成影像学器官的分割与识别[12]。Korez等[13]应用三维卷积神经网络, 对磁共振图像的椎体进行了分割。Brosch等[14]应用深度三维卷积网络, 进行多尺度特征融合, 进而对多发性硬化症的病灶进行了分割。Ranneberger等[8]提出了U-net, 对海拉(HeLa)细胞悬浮液的病理压片进行了很好的细胞壁结构分割。Martínez等[15]在Bayesian框架下, 使用了预先设定的椭球形状进行约束, 进而对前列腺进行分割。邵叶秦等[7]提出了基于随机森林的算法, 在CT影像上对前列腺进行整体分割, 取得了一定的效果。前列腺为一椭球型致密器官, 与肌肉和筋膜密度接近, 组织间对比度低, 在传统的CT影像上存在较大的分割困难。凌彤等[16]则利用U-net, 综合应用CT与MR-T1WI数据, 结合各自的优势, 提高了3%的Dice(89.59%)分割精度。詹曙等[9]则基于50个样本的训练集, 利用反卷积神经网络对前列腺T2WI磁共振图像进行分割, 取得了Dice相似性系数大于89.75%的效果。

既往的研究主要对包括前列腺、精囊腺、前列腺周围神经血管束等邻近结构在内的整体器官进行一体化分割, 而临床工作中, 特别是前列腺癌根治手术中, 临床医生更需要知道前列腺肿瘤和神经血管束位置、前列腺与直肠是否粘连、精囊腺是否被侵犯等复杂的相对位置信息。本研究以此为切入点, 提出了以临床需求为导向的区域化多结构精细自动分割理念。通过既往的一套基于201例训练样本的成熟U-net, 实现前列腺腺体、主要瘤体、精囊腺、直肠和神经血管束等重要结构的单独分割, 并通过进一步的三维重建, 直观地显示各部分结构之间的相互关系以及肿瘤侵犯程度。

随着影像扫描精度的提高, 人体内部结构的成像越来越清晰, 通过对影像数据的再挖掘, 实现了器官和精细结构的分割与重建。随着材料技术的兴起和3D打印技术的普及, 一些学者将3D重建模型打印出来, 帮助临床工作者加深认知, 从而提高操作精确度和指向性, 这种非实时性的辅助技术被称为认知辅助导航。Ebbing等[17]将3D打印的模型展示给放射科专家, 取得了19%的解剖认知度提高。王燕等[6]应用3D打印技术对行前列腺活检的医生进行辅助认知导航, 将穿刺阳性率从系统性穿刺时的22.4%提高到靶向穿刺时的46.2%。本研究应用高精度3D重建技术, 对术者进行认知导航辅助, 在术前和术中对一个外生性的肿瘤进行了很好的展示和理解, 术中通过实时观察比对, 实现了高难度肿瘤的完整切除, 保证了切缘阴性及手术安全。

但需要进一步明确的是, 认知导航并不是完美的导航方案。从导航的角度出发, 大致可以把导航分为三个阶段:第一阶段, 术者进行阅片, 将断层信息经过大脑的主观重建后, 根据记忆拟合到手术场景中, 这需要依赖于术者高超的空间位置重建能力, 对术者本身的素质依赖较大, 且潜在的偏差也较大; 第二阶段, 根据断层信息, 重建出3D数字模型或打印模型, 能基本客观地反映实际病变和器官的物理信息, 术者通过术前学习3D建模或术中实时展示, 将体外模型拟合到手术场景中, 相较于第一阶段, 3D建模的出现替代了人脑建模, 在准确度、精确性、相对位置关系上更为客观可靠, 但仍需要人脑主动拟合两个场景的信息; 第三阶段, 将高精度重建的三维模型, 实时准确地映射到手术图像(场景)中, 从而实现增强现实同步导航, 这一阶段可以同时克服人脑重建和人脑拟合的不准确性。国外的诸多学者已经在增强现实技术方面进行了开创性的探索。Volonté等[18]应用基于显示屏图像重叠的技术, 实现了肝脏部分切除术的增强现实导航。在泌尿外科领域, Teber等[19]应用增强现实技术, 通过手工配准的方式, 完成了高难度的肾门部肿瘤肾部分切除术。Ukimura等[4]于2013年美国泌尿外科协会年会上率先展示了应用TilePro多屏融合技术实现的增强现实同步导航前列腺癌根治术。而Porpiglia等[20, 21]报道了利用高精度磁共振实现的超精准三维重建(HA3D)增强现实导航技术, 有效降低了包膜外侵犯病例的切缘阳性率, 同时将3D模型与全病理切片的误差降低到了3 mm水平。

本研究整合了图像分割、识别、配准、3D重建、神经网络设计、病理校对等多方面的技术与努力, 但现实中面临的不足在各个环节中都有所体现, 例如分割环节, 目前神经网络与人工图像分割的精度匹配度不足90%, 如何优化算法, 或者加入多模态信息, 提高精确度, 降低错配率, 是所有工作的重中之重。再如术后病理切片, 由于切割角度与实际磁共振扫描角度存在差异, 同时考虑到包埋和固定脱水后组织形变的影响, 如何将术后病理切片信息与影像信息精确匹配, 也关系到分割算法的核准可靠性。此外, 从认知导航到增强现实导航的跨越中, 涉及到多屏融合、视觉实时反馈以及自动配准等技术难题, 这些都有待我们进一步的探索和开发。

本文编辑:赵波

Biography

graphic file with name bjdxxbyxb-51-3-596-1.gif

卢剑,北京大学第三医院泌尿外科主任医师、副教授、博士生导师。主要学术兼职有:中华医学会泌尿外科分会泌尿男科工程委员会委员、国家药品监督管理局医疗器械分类技术委员会和审评专家咨询委员会委员、中国医师协会超声分子影像与人工智能委员会委员、中国性学会性医学专业委员会委员、中国医药教育协会加速康复外科分会委员和北京医学会肿瘤分会及罕见病分会泌尿专业组委员等。主要研究方向包括肿瘤发病机制与医学图像处理。长期从事泌尿外科临床与基础研究,具备丰富的临床工作经验和较强的医学-信息科学交叉学科理论基础。主持国家重点研发计划数字诊疗专项、国家自然科学基金、北京市自然科学基金等多项国家及省部级科研课题;曾获教育部高等学校科学研究优秀成果奖(科学技术)科技进步二等奖和中华医学科技奖等省部级奖励3项。在The Journal of Urology等发表SCI论文16篇;在《北京大学学报(医学版)》《中华泌尿外科杂志》等国内核心期刊发表论文110篇,参编专业著作4部。

Funding Statement

北京市自然科学基金(L172012)、国家自然科学基金(61871004)、北大医学青年科技创新培育基金(BMU2018ZHYL012)-中央高校基本科研业务费、同济大学“中央高校基本科研业务费”专项基金(kx0080020173428)

Supported by Beijing Natural Science Foundation (L172012), the National Natural Science Foundation of China (61871004), the Fundamental Research Funds for the Central Universities: Peking University Medicine Fund of Fostering Young Scholars’ Scientific & Technological Innovation (BMU2018ZHYL012), the Fundamental Research Funds for the Central Universities: Tongji University (kx0080020173428)

References

  • 1.Siegel RL, Miller KD, Jemal A. Cancer statistics, 2018. CA Cancer J Clin. 2018;68(1):7–30. doi: 10.3322/caac.21442. [DOI] [PubMed] [Google Scholar]
  • 2.Simmons MN, Stephenson AJ, Klein EA. Natural history of biochemical recurrence after radical prostatectomy: risk assessment for secondary therapy. Eur Urol. 2007;51(5):1175–1184. doi: 10.1016/j.eururo.2007.01.015. [DOI] [PubMed] [Google Scholar]
  • 3.Van den Broeck T, van den Bergh R, Arfi N, et al. Prognostic value of biochemical recurrence following treatment with curative intent for prostate cancer: A systematic review [J/OL]. Eur Urol, (2018-10-17) [2019-02-15]. https://doi.org/10.1016/j.eururo.2018.10.011.
  • 4.Ukimura O, Aron M, Nakamoto M, et al. Three-dimensional surgical navigation model with TilePro display during robot-assisted radical prostatectomy. J Endourol. 2014;28(6):625–630. doi: 10.1089/end.2013.0749. [DOI] [PubMed] [Google Scholar]
  • 5.Hughes-Hallett A, Mayer EK, Marcus HJ, et al. Augmented rea-lity partial nephrectomy: examining the current status and future perspectives. Urology. 2014;83(2):266–273. doi: 10.1016/j.urology.2013.08.049. [DOI] [PubMed] [Google Scholar]
  • 6.王 燕, 高 旭, 阳 青松, et al. 3D打印技术辅助认知融合在前列腺穿刺活检术中的应用. 临床泌尿外科杂志. 2016;31(2):104–107. [Google Scholar]
  • 7.邵 叶秦, 杨 新. 基于随机森林的CT前列腺分割. CT理论与应用研究. 2015;24(5):647–655. [Google Scholar]
  • 8.Ronneberger O, Fischer P, Brox T. U-net: Convolutional networks for biomedical image segmentation [C]. International Conference on Medical image computing and computer-assisted intervention. Cham: Springer, 2015: 234-241.
  • 9.詹 曙, 梁 植程, 谢 栋栋. 前列腺磁共振图像分割的反卷积神经网络方法. 中国图象图形学报. 2017;22(4):516–522. [Google Scholar]
  • 10.Neher PF, Stieltjes B, Reisert M, et al. MITK global tractography [C]. Proceedings of SPIE: The International Society for Optical Engineering, 2012: 83144D. doi: 10.1117/12.911215.
  • 11.Lecun Y, Bottou L, Bengio Y, et al. Gradient-based learning applied to document recognition. Proceedings of the IEEE. 1998;86(11):2278–2324. [Google Scholar]
  • 12.Mahapatra D, Buhmann JM. Prostate MRI segmentation using learned semantic knowledge and graph cuts. IEEE Transactions on Biomedical Engineering. 2014;61(3):756–764. doi: 10.1109/TBME.2013.2289306. [DOI] [PubMed] [Google Scholar]
  • 13.Korez R, Likar B, Pernuš F, et al. Model-based segmentation of vertebral bodies from MR images with 3D CNNs [C]. International Conference on Medical Image Computing and Computer-Assisted Intervention. Cham: Springer, 2016: 433-441.
  • 14.Brosch T, Tang LY, Yoo Y, et al. Deep 3D convolutional encoder networks with shortcuts for multiscale feature integration applied to multiple sclerosis lesion segmentation. IEEE Transactions on Medical Imaging. 2016;35(5):1229–1239. doi: 10.1109/TMI.2016.2528821. [DOI] [PubMed] [Google Scholar]
  • 15.Martínez F, Romero E, Dréan G, et al. Segmentation of pelvic structures for planning CT using a geometrical shape model tuned by a multi-scale edge detector. Phys Med Biol. 2014;59(6):1471–1484. doi: 10.1088/0031-9155/59/6/1471. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 16.凌 彤, 杨 琬琪, 杨 明. 利用多模态U形网络的CT图像前列腺分割. 智能系统学报. 2018;13(6):981–988. [Google Scholar]
  • 17.Ebbing J, Jäderling F, Collins JW, et al. Comparison of 3D printed prostate models with standard radiological information to aid understanding of the precise location of prostate cancer: A construct validation study. PLoS One. 2018;13(6):e199477. doi: 10.1371/journal.pone.0199477. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 18.Volonté F, Pugin F, Bucher P, et al. Augmented reality and image overlay navigation with OsiriX in laparoscopic and robotic surgery: not only a matter of fashion. J Hepatobiliary Pancreat Sci. 2011;18(4):506–509. doi: 10.1007/s00534-011-0385-6. [DOI] [PubMed] [Google Scholar]
  • 19.Teber D, Guven S, Simpfendorfer T, et al. Augmented reality: a new tool to improve surgical accuracy during laparoscopic partial nephrectomy? Preliminary in vitro and in vivo results. Eur Urol. 2009;56(2):332–338. doi: 10.1016/j.eururo.2009.05.017. [DOI] [PubMed] [Google Scholar]
  • 20.Porpiglia F, Fiori C, Checcucci E, et al. Augmented reality robot-assisted radical prostatectomy: Preliminary experience. Urology. 2018;115(5):184. doi: 10.1016/j.urology.2018.01.028. [DOI] [PubMed] [Google Scholar]
  • 21.Porpiglia F, Checcucci E, Amparore D, et al. Augmented-reality robot-assisted radical prostatectomy using hyper-accuracy three-dimensional reconstruction (HA 3DTM) technology: a radiological and pathological study. BJU international. 2018;123(5):834–845. doi: 10.1111/bju.14549. [DOI] [PubMed] [Google Scholar]

Articles from Journal of Peking University (Health Sciences) are provided here courtesy of Editorial Office of Beijing Da Xue Xue Bao Yi Xue Ban, Peking University Health Science Center

RESOURCES