一种半手动式超声与CT的融合配准方法与流程

一种半手动式超声与ct的融合配准方法
技术领域
1.本发明涉及检测配准技术领域，具体为一种半手动式超声与ct的融合配准方法。


背景技术：

2.医学图像融合技术是当今国内外研究的一个热点问题。医学成像包括x射线、超声、计算机断层成像(ct)、磁共振(mri)单光子发射断层成像(spect)、正电子发射断层成像(pet)、红外线、数字减影(dsa)、荧光造影等。各种模态的医学图像从不同角度反映人体信息，单独从某一种图像中无法得到全面的诊断信息。多种图像如果只依靠医生的空间构想和推测去综合判定他们所要的信息，其准确性就会受到主观影响，更可能有些信息被忽视。
3.组织配准对于医疗手术定位具有重要意义，是自动化引导的必须步骤，如肝脏，肺部和肾脏，不同时期下的软组织形变是不可避免的现象，如何在具有形变情况下，完成局部配准，非常有意义，由于空间关系或者不同时刻下获取的组织大小不一致，自动配准困难，且精准度较低，因此提出一种半手动式超声与ct的融合配准方法。


技术实现要素：

4.(一)解决的技术问题
5.针对现有技术的不足，本发明提供了一种半手动式超声与ct的融合配准方法，解决了由于空间关系或者不同时刻下获取的组织大小不一致，自动配准困难，且精准度较低的问题。
6.(二)技术方案
7.为实现上述目的，本发明提供如下技术方案：
8.一种半手动式超声与ct的融合配准方法，包括以下步骤：
9.s1：将ct图像点云化，对患者进行增强ct扫描与超声扫描，扫描后工作人员基于患者ct扫描结果手动选取易识别的血管或者支气管，对ct图像进行组织分割，标记出血管、肝脏等需要识别的软组织，重构点云图像；
10.s2：超声图像点云化，通过安装在机械臂上的超声探头不断扫描，获取实时的超声视频信息，然后获得超声视频信息对应的姿态信息，获得超声探头姿态信息(x，y，z，γ，β，α)，然后匹配超声图像与对应姿态信息，超声图像中器官的识别和识别结果显示采样，基于采样得到的器官轮廓采样点，进行三维坐标变化，获取该帧图片各轮廓点在机械臂坐标系中的实际位置，并对于稀疏点进行基于轮廓特征的插补处理，将每一个转换后的点描绘进3d空间内进行可视化显示，该空间的坐标系按照机器人坐标系设定；
11.s3：识别中轴线，基于空间圆模型识别血管或者支气管点云模型的中轴线，包括水平中轴线提取、基于水平中轴线提取横断面、基于空间圆模型拟合中轴线设横断面方程；
12.s4：选择交点，医生手动选择2-5条可辨性高的中轴线上的交点；
13.s5：拉齐点云位置，基于多个交点拉齐ct与超声的点云位置，首先修正超声平面与ct切面的偏差，将ct切片和超声图像多个点转换到相同的ct物理坐标系，标记的像素点
[a1，a2，a3]，通过当前的切片参数，计算到ct的3d物理坐标系下，在超声图像上，标记的像素点[b1，b2，b3]，利用当前的粗配准矩阵和当前机械臂的姿态矩阵，计算到ct的3d物理坐标系下。
[0014]
作为本发明再进一步的方案，所述s2中对于超声探头姿态信息，每隔预定的时间差采样连续的预定个数的姿态信息作为一个姿态信息组，每个姿态信息组与和其自身的组序号相同的视频帧序号的视频帧相对应，每组超声探头姿态信息中选第1个姿态信息与对应的视频帧相匹配。
[0015]
进一步的，所述s2中对采集到的每帧图像，进行图像识别，提取对应的想要建立模型的器官轮廓，对器官轮廓进行的采样，得到轮廓采样点。
[0016]
在前述方案的基础上，所述s2中具体的，机器人坐标系、探头坐标系和图像坐标系分别定义为{b}，{p}和{i}，{p}到{b}的转换矩阵为到{p}的转换矩阵为，
[0017]
进一步的，所述s3中根据投影正算获取血管或支气管在x0y水平面的投影点集，对投影点集构建delaunay三角网提取出边界点集，并根据边界点集中的转折点间距离和管直径关系以及前进方向提取出左右边界线；最后采用kd树算法提取初始水平中轴线。
[0018]
在前述方案的基础上，所述s3中根据获取地水平中轴线每相邻两个点构建直线方程并求得对应中点以及中点处横断面的法向量，从而获取中点处的横断面方程，再依据方程截取对应两点间的管道三维数据构成横断面；
[0019]
以血液流通方向确定水平中轴线七点，依次对相邻的两点mu(x
mu
，y
mu
，z
mu
)和mv(x
mv
，y
mv
，z
mv
)构建直线方程，即对应直线的斜率则可求得对应线段中点为m
uv
(x
uv
，y
uv
，z
uv
)及其法向量为e(1，ku，0)；
[0020]
即过中点处的横断面方程可表示为：
[0021]
x-x
uv
+ku(y-y
uv
)＝0(1)，x、y为任意的x轴或者y轴的点集。
[0022]
本发明再进一步的方案，所述s5中中轴线设横断面方程为：
[0023]
ax+by+cz+d＝0
[0024]
结合式(1)所求横断面方程，此方程中的a＝1，b＝kr，c＝0，d＝-x
r-kr·
yr，则对应横断面的法向量为er(1，kr，0)；
[0025]
其次设对应的球面方程为：
[0026]
(x-x1)2+(y-y1)2+(z-z1)2＝r
12
[0027]
其中，球心o1坐标为(x0，y0，z0)，球体半径为r1；
[0028]
根据误差方程及其限制条件，不断迭代求得近似球心坐标o1(x1，y1，z1)；
[0029]
基于近似球面方程，求得球心至横断面的垂直距离dr；最后基于与之对应的横断面法向量er(1，kr，0)，kr为y轴的坐标，将球心坐标投影至横断面方程以获得精确空间圆的圆心o(x0，y0，z0)，并求得对应的空间圆半径r；
[0030][0031]
[0032]
其中：dr球心至横断面的垂直距离，r为精确空间圆的半径，r1为近似圆空间的半径。
[0033]
(三)有益效果
[0034]
与现有技术相比，本发明提供了一种半手动式超声与ct的融合配准方法，具备以下有益效果：
[0035]
1、本发明中，将超声与ct图像点云化可表达物体的空间轮廓和具体位置，并且不同的点云只要在同一个坐标系下就可以直接融合。
[0036]
2、本发明中，将三维点云图用简单明了的空间曲线表示，可以滤出无用的点云信息，使得图像的表示更简单，降低匹配的难度，提高配准的精度与效率。
[0037]
3、本发明中，通过用中轴线替代整个血管的点云图像，可以提高配准的效率与精度，经过医生手动选取辨识度高的交点，提高了配准的准确度与速度，基于这种半自动化的配准方式，医生择优，自动配准地方式，既提高了配准的效率，又保证了在易形变的软组织中的配准的准确性。
附图说明
[0038]
图1为本发明提出的一种半手动式超声与ct的融合配准方法的流程结构示意图；
[0039]
图2为本发明提出的一种半手动式超声与ct的融合配准方法的空间圆模型示意图。
具体实施方式
[0040]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0041]
参照图1-2，一种半手动式超声与ct的融合配准方法，包括以下步骤：
[0042]
步骤1：将ct图像点云化；
[0043]
步骤1-1：对患者进行增强ct扫描与超声扫描；
[0044]
步骤1-2：医生基于患者ct扫描结果手动选取易识别的血管或者支气管；
[0045]
步骤1-3：对ct图像进行组织分割，标记出血管、肝脏需要识别的软组织，重构点云图像，原理如下公式所示：
[0046][0047]
其中，x，y，z表示世界坐标系下的三维坐标点，即点云化之后的坐标点，x’，y’是图
像坐标系下的任意坐标点，d为深度值；f
x
，fy为焦距，两个值相同；
[0048]
步骤2：超声图像点云化：
[0049]
步骤2-1：通过安装在机械臂上的超声探头不断扫描，获取实时的超声视频信息；
[0050]
步骤2-2：获得超声视频信息对应的姿态信息，获得超声探头姿态信息(x，y，z，γ，β，α)；
[0051]
步骤2-3：匹配超声图像与对应姿态信息；
[0052]
具体地，对于超声探头姿态信息，每隔预定的时间差采样连续的预定个数的姿态信息作为一个姿态信息组，每个姿态信息组与和其自身的组序号相同的视频帧序号的视频帧相对应，每组超声探头姿态信息中选第1个姿态信息与对应的视频帧相匹配；
[0053]
步骤2-4：超声图像中器官的识别和识别结果显示采样；
[0054]
具体的，对采集到的每帧图像，进行图像识别，提取对应的想要建立模型的器官轮廓，对器官轮廓进行的采样，得到轮廓采样点；
[0055]
获得器官轮廓采样点包括：
[0056]
(a)将器官轮廓上所有点，按顺序沿着轮廓排列生成一个点序列
[0057]sp
[0058]sp
＝{p1(x1，y1)，p2(x1，y1)
…
pm(xm，ym)...pn(xn，yn)}
ꢀꢀꢀ
(1)
[0059]
其中p代表轮廓点，(x，y)为轮廓点坐标，n为轮廓点数量；
[0060]
(b)根据某个点及其前后两点，求解器官轮廓在该点处的变化趋势，以每个点与相邻两点的向量夹角表示，生成夹角序列，点pm的向量夹角为θm：
[0061][0062]
(c)求出各夹角的平均值θa，并对向量夹角数列进行如下处理生成采集序列ss[0063][0064]
(d)使用θm开始采样，假设拟采集的点的概率是
[0065]
c，c∈(0，1]，则点pm满足以下条件被采样，生成第1点序列s
p1
，第1采样点序列s
p1
中的采样点满足公式(4)
[0066]
i为正整数，且
[0067]
(e)为提取轮廓上的特征点，对角度变化超过平均值θa一定倍数e的点全部进行采样，生成第2采样点序列s
p2
，第2采样点序列s
p2
中的采样点满足公式(5)
[0068]
θm＞e*θa，e＞1
ꢀꢀꢀ
(5)
[0069]
(f)两个采样序列可能有部分点重合，取其并集即生成了采样轮廓点序列s，如下：
[0070]
s＝s
p1
∪s
p2
ꢀꢀ
(6)；
[0071]
步骤2-5：基于采样得到的器官轮廓采样点，进行三维坐标变化，获取该帧图片各轮廓点在机械臂坐标系中的实际位置，并对于稀疏点进行基于轮廓特征的插补处理；
[0072]
具体的，机器人坐标系、探头坐标系和图像坐标系分别定义为{b}，{p}和{i}，{p}
到{b}的转换矩阵为{i}到{p}的转换矩阵为，
[0073]
(a)超声图像像素坐标到探头坐标转换；
[0074]
设采样后某一点a在超声图像中像素点坐标为a(a，b)，则其转换后的物理坐标为a(a
′
，b
′
，c
′
)，其中m和n为比例系数，a为x轴坐标，b为y轴坐标，a，为x轴坐标，b’为y轴坐标，c’为z轴坐标，转换公式如下：
[0075]a′
＝m*a
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0076]b′
＝n*b
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0077]c′
＝0
ꢀꢀꢀꢀꢀ
(9)
[0078]
根据超声图像与探头之间的实际位置关系，点a的图像坐标到探头坐标系{p}中的坐标(a
″
，b
″
，c
″
)转换方式如下：
[0079]a″
＝0
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(10)
[0080]b″
＝a
′‑
0.5*w
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(11)
[0081]c″
＝-b
′ꢀꢀꢀꢀ
(12)
[0082]
其中w是超声探头底部宽度；
[0083]
(b)探头坐标到机器人坐标系转换，根据机器人坐标变化，从探头坐标系到机器人坐标系坐标变换为：
[0084][0085]
若求得某张超声图像对应的姿态为(x，y，z，γ，β，α)，(x，y，z)指的是探头在机器人坐标系中位置，(γ，β，α)指的是探头机器人坐标系的旋转，根据欧拉坐标系变换，将公式7展开为公式8，其中c是cos的简写，s是sin的简写；
[0086][0087]
(c)稀疏处模型的插补；
[0088]
当前一帧某采样点a(x1，y1，z1))与当前帧所有采样点中的b(x2，y2，z2)最小距离d大于预定精度阈值q时，基于点a所在帧的前一帧，其上所有轮廓点距离a点最小的轮廓点为c(x3，y3，z3)，根据a，b，c三点拟合出圆弧f(x)，采用以下插值方式：
[0089]
基于f(x)从a点到b点，依次插入插补点，使得第一插补点与a点之间的圆弧长度以及相邻插补点之间的圆弧长度都为l，直到当前插补点与b点之间的圆弧长度小于或等于l为止，圆弧长度
[0090]
l的计算公式为：
[0091]
l＝q/(nanbsasb)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(15)
[0092]
上式中，na表示点a所在帧的采样点总个数，sa表示点a在采集序列中的值，nb表示点b在其所在帧的采样点总个数，
[0093]
sb表示点b在采集序列中的值；
[0094]
步骤2-6：将每一个转换后的点描绘进3d空间内进行可视化显示，该空间的坐标系按照机器人坐标系设定；
[0095]
将超声与ct图像点云化可表达物体的空间轮廓和具体位置，并且不同的点云只要
在同一个坐标系下就可以直接融合；
[0096]
步骤3：基于空间圆模型识别血管或者支气管点云模型的中轴线；
[0097]
步骤3-1：水平中轴线提取；
[0098]
具体地，根据投影正算获取血管或支气管在xoy水平面的投影点集；对投影点集构建delaunay三角网提取出边界点集，并根据边界点集中的转折点间距离和管直径关系以及前进方向提取出左右边界线；最后采用kd树(在k维欧几里得空间组织点的数据结构，k-dimensional)算法提取初始水平中轴线；
[0099]
步骤3-2：基于水平中轴线提取横断面；
[0100]
具体地，根据获取地水平中轴线每相邻两个点构建直线方程并求得对应中点以及中点处横断面的法向量，从而获取中点处的横断面方程，再依据方程截取对应两点间的管道三维数据构成横断面；
[0101]
以血液流通方向确定水平中轴线七点，依次对相邻的两点mu(x
mu
，y
mu
，z
mu
)和mv(x
mv
，y
mv
，z
mv
)构建直线方程，即对应直线的斜率则可求得对应线段中点为m
uv
(x
uv
，y
uv
，z
uv
)及其法向量为e(1，ku，0)；
[0102]
即过中点处的横断面方程可表示为：
[0103]
x-x
uv
+ku(y-y
uv
)＝0(1)，x、y为任意的x轴或者y轴的点集；
[0104]
步骤3-3：基于空间圆模型拟合中轴线设横断面方程为：
[0105]
ax+by+cz+d＝0
[0106]
结合式(1)所求横断面方程，此方程中的a＝1，b＝kr，c＝0，d＝-x
r-kr·
yr，则对应横断面的法向量为er(1，kr，0)；
[0107]
其次设对应的球面方程为：
[0108]
(x-x1)2+(y-y1)2+(z-z1)2＝r
12
[0109]
其中，球心o1坐标为(x0，y0，z0)，球体半径为r1；
[0110]
根据误差方程及其限制条件，不断迭代求得近似球心坐标o1(x1，y1，z1)；
[0111]
基于近似球面方程，求得球心至横断面的垂直距离dr；最后基于与之对应的横断面法向量er(1，kr，0)，kr为y轴的坐标，将球心坐标投影至横断面方程以获得精确空间圆的圆心o(x0，y0，z0)，并求得对应的空间圆半径r；
[0112][0113][0114]
其中：dr球心至横断面的垂直距离，r为精确空间圆的半径，r1为近似圆空间的半径；
[0115]
将三维点云图用简单明了的空间曲线表示，可以滤出无用的点云信息，使得图像的表示更简单，降低匹配的难度，提高配准的精度与效率；
[0116]
步骤4：医生手动选择3条可辨性高的中轴线上的交点；
[0117]
步骤5：基于3个交点拉齐ct与超声的点云位置；
[0118]
步骤5-1：修正超声平面与ct切面的偏差；
[0119]
具体地，当前超声平面和ct切面已经近似同平面，只是平面位置和角度上有偏差意味着以当前的粗配准矩阵为坐标系基准，需要进行修订只有平面方向上的(x，y，z＝0)和平面上的法向量旋转角度(rx＝0，ry＝0，rz)，旋转矩阵表达为：
[0120][0121]
平移向量表示
[0122][0123]
步骤5-2：将ct切片和超声图像3个点转换到相同的ct物理坐标系，标记的3个像素点[a1，a2，a3]，通过当前的切片参数，计算到ct的3d物理坐标系下：
[0124][0125]
在超声图像上，标记的3个像素点[b1，b2，b3]，利用当前的粗配准矩阵和当前机械臂的姿态矩阵，计算到ct的3d物理坐标系下：
[0126][0127]
通过用中轴线替代整个血管的点云图像，可以提高配准的效率与精度，经过医生手动选取辨识度高的交点，提高了配准的准确度与速度，基于这种半自动化的配准方式，医生择优，自动配准地方式，既提高了配准的效率，又保证了在易形变的软组织中的配准的准确性。
[0128]
在该文中的描述中，需要说明的是，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。尽管已经示出和描述了本发明的实施例，本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

技术特征：
1.一种半手动式超声与ct的融合配准方法，其特征在于，包括以下步骤：s1：将ct图像点云化，对患者进行增强ct扫描与超声扫描，扫描后工作人员基于患者ct扫描结果手动选取易识别的血管或者支气管，对ct图像进行组织分割，标记出血管、肝脏等需要识别的软组织，重构点云图像；s2：超声图像点云化，通过安装在机械臂上的超声探头不断扫描，获取实时的超声视频信息，然后获得超声视频信息对应的姿态信息，获得超声探头姿态信息(x,y,z,γ,β,α)，然后匹配超声图像与对应姿态信息，超声图像中器官的识别和识别结果显示采样，基于采样得到的器官轮廓采样点，进行三维坐标变化，获取该帧图片各轮廓点在机械臂坐标系中的实际位置，并对于稀疏点进行基于轮廓特征的插补处理，将每一个转换后的点描绘进3d空间内进行可视化显示，该空间的坐标系按照机器人坐标系设定；s3：识别中轴线，基于空间圆模型识别血管或者支气管点云模型的中轴线，包括水平中轴线提取、基于水平中轴线提取横断面、基于空间圆模型拟合中轴线设横断面方程；s4：选择交点，医生手动选择2-5条可辨性高的中轴线上的交点；s5：拉齐点云位置，基于多个交点拉齐ct与超声的点云位置，首先修正超声平面与ct切面的偏差，将ct切片和超声图像多个点转换到相同的ct物理坐标系，标记的像素点[a1,a2,a3]，通过当前的切片参数，计算到ct的3d物理坐标系下，在超声图像上，标记的像素点[b1,b2,b3]，利用当前的粗配准矩阵和当前机械臂的姿态矩阵，计算到ct的3d物理坐标系下。2.根据权利要求1所述的一种半手动式超声与ct的融合配准方法，其特征在于，所述s2中对于超声探头姿态信息，每隔预定的时间差采样连续的预定个数的姿态信息作为一个姿态信息组，每个姿态信息组与和其自身的组序号相同的视频帧序号的视频帧相对应，每组超声探头姿态信息中选第1个姿态信息与对应的视频帧相匹配。3.根据权利要求2所述的一种半手动式超声与ct的融合配准方法，其特征在于，所述s2中对采集到的每帧图像，进行图像识别，提取对应的想要建立模型的器官轮廓，对器官轮廓进行的采样，得到轮廓采样点。4.根据权利要求1所述的一种半手动式超声与ct的融合配准方法，其特征在于，所述s2中具体的，机器人坐标系、探头坐标系和图像坐标系分别定义为{b}，{p}和{i}，{p}到{b}的转换矩阵为{i}到{p}的转换矩阵为，5.根据权利要求1所述的一种半手动式超声与ct的融合配准方法，其特征在于，所述s3中根据投影正算获取血管或支气管在xoy水平面的投影点集，对投影点集构建delaunay三角网提取出边界点集，并根据边界点集中的转折点间距离和管直径关系以及前进方向提取出左右边界线；最后采用kd树算法提取初始水平中轴线。6.根据权利要求5所述的一种半手动式超声与ct的融合配准方法，其特征在于，所述s3中根据获取地水平中轴线每相邻两个点构建直线方程并求得对应中点以及中点处横断面的法向量，从而获取中点处的横断面方程，再依据方程截取对应两点间的管道三维数据构成横断面；以血液流通方向确定水平中轴线七点，依次对相邻的两点m
u
(x
mu
,y
mu
,z
mu
)和m
v
(x
mv
,y
mv
,
z
mv
)构建直线方程，即对应直线的斜率则可求得对应线段中点为m
uv
(x
uv
,y
uv
,z
uv
)及其法向量为e(1,k
u
,0)；即过中点处的横断面方程可表示为：x-x
uv
+k
u
(y-y
uv
)＝0
ꢀꢀꢀ
(1)，x、y为任意的x轴或者y轴的点集。7.根据权利要求6所述的一种半手动式超声与ct的融合配准方法，其特征在于，所述s5中中轴线设横断面方程为：ax+by+cz+d＝0结合式(1)所求横断面方程，此方程中的a＝1,b＝k
r
，c＝0,d＝-x
r-k
r
·
y
r
，则对应横断面的法向量为e
r
(1,k
r
,0)；其次设对应的球面方程为：(x-x1)2+(y-y1)2+(z-z1)2＝r
12
其中，球心o1坐标为(x0,y0,z0)，球体半径为r1；根据误差方程及其限制条件，不断迭代求得近似球心坐标o1(x1,y1,z1)；基于近似球面方程，求得球心至横断面的垂直距离d
r
；最后基于与之对应的横断面法向量e
r
(1,k
r
,0)，kr为y轴的坐标，将球心坐标投影至横断面方程以获得精确空间圆的圆心o(x0,y0,z0)，并求得对应的空间圆半径r；)，并求得对应的空间圆半径r；其中：d
r
球心至横断面的垂直距离，r为精确空间圆的半径，r1为近似圆空间的半径。

技术总结
本发明涉及检测配准技术领域，且公开了一种半手动式超声与CT的融合配准方法，包括以下步骤：S1：将CT图像点云化，对患者进行增强CT扫描与超声扫描，扫描后工作人员基于患者CT扫描结果手动选取易识别的血管或者支气管，对CT图像进行组织分割，标记出血管、肝脏等需要识别的软组织，重构点云图像；S2：超声图像点云化；S3：识别中轴线。本发明通过用中轴线替代整个血管的点云图像，可以提高配准的效率与精度，经过医生手动选取辨识度高的交点，提高了配准的准确度与速度，基于这种半自动化的配准方式，医生择优，自动配准地方式，既提高了配准的效率，又保证了在易形变的软组织中的配准的准确性。确性。


技术研发人员：徐善 张博 陈奎 范培华 姚宇航 刘昕宇
受保护的技术使用者：无锡艾米特智能医疗科技有限公司
技术研发日：2022.10.17
技术公布日：2023/8/23