随着心脑血管疾病发病率的提高,血管介入手术以其诸多优点成为治疗心脑血管疾病的选择之一。血管介入手术机器人作为辅助医生完成血管介入手术的手段,也成为近年来医疗机器人领域的研究热点问题。本文从智能化和安全性两方面对现有的血管介入手术机器人系统做出了评价和改进。长时间、高强度的操作血管介入手术机器人进行手术会给医生带来疲惫感和不适性。针对这一问题,本文首先提出了一种智能化的血管介入手术机器人自主操作方法,用以减轻医生在操作中的负担。为了实现这种自主手术的操作方法,首先对医生手术的操作流程进行了抽象分析,明确了自主手术机制所辅助的核心为医生对医学图像进行的判断,并在多种机器学习方法中进行调研,选取了AlexNet深度学习网络作为自主手术操作的核心部分。然后根据该方法的需求获取训练数据并进行相应处理,利用AlexNet深度学习网络对数据进行训练。在完成数据训练后,输出训练模型到上位机。上位机根据训练模型对输入图像进行操作判断,并输出控制指令递送至从端控制器以进行自主手术操作。但是无论是机器人自主手术还是医生实际操作的过程都存在天然的风险,因此要建立一套机制对血管介入手术机器人手术过程中的危险情况进行预警。本文主要建立了一套基于图像的安全预警机制。我们提取手术过程中导丝导管图像,将该图像通过矩阵映射成三维曲线,并计算曲线的曲率和挠率。当曲率和挠率多次出现极大值或极大值较大时则表明导丝导管处于多次扭曲或者极为弯曲状态,并对医生进行安全预警;未出现极大值或极大值较小则不给予医生安全预警。最后,本文进行了自主手术操作机制和基于图像的安全预警机制的实验。首先在基于深度学习的自主手术机制中,我们分别对单一路径血管和多分叉路径血管进行给定终点的自主手术操作。结果证明在单一路径血管情况下具有较高的准确性,但是在多分叉血管中具有一定的误差。随后,在基于图像的预警机制的实验中,我们首先对由算法推导出的空间曲线进行误差分析,经过采样实际空间坐标与其对比,我们通过格点法计算后对比得知其空间实际坐标点与拟合曲线的平均误差距离为1.4942mm,证明该算法可满足实验要求。随后我们计算获得曲线的曲率和挠率,将计算获得结果与实际情况对比,发现该套算法能够满足提前安全预警的需求。综上所述,本文在血管介入手术机器人平台上通过仿真实验验证了自主手术操作机制和基于图像的安全预警机制的可行性。