CN101564289A - 基于近红外光谱的神经外科导航穿刺路径实时纠错方法 - Google Patents

Abstract

本发明公布了一种基于近红外光谱的神经外科导航穿刺路径实时纠错方法，属于外科手术导航系统精度校正方法。本发明首先采用基于三维重建体的体数据，提取目标路径灰度信息。随后对目标路径圆锥化，并在锥面上提取N条验证穿刺轨迹的灰度信息。由光学参数和影像数据的数学关联模型，得到目标路径和N条验证轨迹的光学曲线，借助Hausdorff距离和曲率的曲线趋势匹配算法，获得在容差范围内与实时近红外光学信号具有相同变化趋势的穿刺轨迹曲线，确定偏离目标路径的方位，计算坐标偏移，进行路径实时校正，引导手术。该方法实施简单，速度快，可实时进行，便于临床应用，可集成在手术导航系统中，从而较大幅度提高导航系统的精度。

Description

基于近红外光谱的神经外科导航穿刺路径实时纠错方法

技术领域

发明属医学图像处理、生物医学光子学及应用领域，涉及一种外科手术导航系统精度校正方法，具体涉及一种基于近红外光谱的神经外科导航穿刺路径实时纠错方法

背景技术

神经外科手术导航系统中，无法校正因脑脊液的释放，脑组织牵拉，体位改变等引起的脑组织移位是影响神经外科手术导航系统精度的重要因素。如何在手术过程中实时校正脑组织移位带来的实际穿刺路径与手术计划路径偏移的问题，是神经外科手术导航系统长期困扰而又面临挑战的临床医学问题。目前解决脑组织移位最为理想的方法是采用低场开发式核磁共振引导的神经导航手术，但由于手术需完全屏蔽磁场，手术器械及显微镜均为特种消磁材料，手术成本过高，费用昂贵，操作复杂，难以普及推广。目前临床应用的主要技术是微电极记录细胞放电]和超声辅助导航。微电极记录细胞放电特征，可以达到解剖上和功能上的双重定位，有效避免损伤靶点周围内囊、视束等重要结构，缺点是临床医师依靠经验判定信号特征，没有定量识别参数，依靠闪屏和声音做出的判定缺少绝对信任度，另外该方法针道较多会引起其他并发症。超声可以纠正术中移位，使导航系统的误差减少，但超声图像很难识别1cm以下核团，也很难分辨声阻抗相差很小的脑白质和脑灰质。

发明内容

本发明所要解决的技术问题是针对现有技术存在的缺陷提供一种实施简单，操作灵活，实时性高，对人体无伤害，且无需更改现有导航设备的外科手术导航系统精度校正的方法，具体为一种基于近红外光谱的神经外科导航穿刺路径实时纠错方法。

本发明为实现上述目的，采用如下技术方案：

本发明基于近红外光谱的神经外科导航穿刺路径实时纠错方法，其特征在于包括下述步骤：

(1)将MRI数据经过基于光线投影的体绘制加速算法三维重建得到三维重建体；

(2)采用直线参数方程算法从步骤(1)所述的三维重建体的体数据集中提取目标路径；

(3)当步骤(2)所述的目标路径的重采样点为体数据集中存在的体素，则目标路径的灰度信息即穿刺实际值R_MRI根据该体素在体数据集中的位置索引得出；否则采用三线性插值算法获得步骤(2)所述的目标路径的灰度信息即穿刺实际值R_MRI；

(4)采用圆锥体方法对步骤(2)所述的目标路径进行圆锥化得到N个圆锥体，采用三线性插值算法分别提取所述N个圆锥体的圆锥面的路径灰度信息得到N条验证穿刺轨迹，并获得N条验证轨迹的灰度信息，其中N为小于90的自然数；

(5)在无标注的状态下记录穿刺轨迹近红外参数D_fNIRS，将近红外参数D_fNIRS经过影像灰度信息与近红外参数D_fNIRS之间的数学关联模型转化得到穿刺轨迹数据D_MRI；

(6)当步骤(5)所述的穿刺轨迹数据D_MRI与步骤(3)所述的穿刺实际值R_MRI之间的匹配误差小于设定的误差范围，则完成纠错；

(7)当步骤(5)所述的穿刺轨迹数据D_MRI与步骤(3)所述的穿刺实际值R_MRI之间的匹配误差大于设定的误差范围，则采用基于Hausdorff距离和曲率的曲线趋势匹配算法将步骤(5)所述的穿刺轨迹数据D_MRI与步骤(4)所述的N条验证轨迹的灰度信息进行匹配得到与穿刺轨迹数据D_MRI变化趋势相同的验证轨迹，并将所述与穿刺轨迹数据D_MRI变化趋势相同的验证轨迹经过三维空间坐标偏移度实时调整穿刺轨迹数据D_MRI，将调整后的穿刺轨迹数据D_MRI与步骤(3)所述的穿刺实际值R_MRI重新匹配。

本发明将fMRI(含有MRI信息和BOLD信息)与功能近红外光谱技术(fNIRS)相结合，建立神经外科手术导航与靶点识别的最佳数学模型，达到实时导航、靶点识别与实时纠错的目的。近红外光谱分析技术作为一种对人体无损、无创、无电离辐射的测量手段，其光学参数和医学影像数据存在密切的关联，为实时采集探头前方的脑组织特性、识别靶点提供了可靠的依据，为神经外科手术导航中路径的实时跟踪纠错和靶点位置的识别提供了可能。路径信息提取采用直线参数方程算法，同时为了准确快速的找到匹配路径信息，采用Hausdorff距离和曲率算法得到与穿刺轨迹的匹配信息，由获得的验证曲线所在的方位确定近红外光学信号L偏离目标的方位，计算坐标偏移，进行路径校正。将匹配算法与目标路径灰度信息相结合，可以有效的对术中的穿刺轨迹偏移进行实时的校正。本发明方法实施简单，操作灵活，无需更改现有的导航设备，便于临床应用。

附图说明

图1为近红外在位监测仪的原理示意图。

图2为脑外科导航系统的近红外光谱斜率曲线和MRI影像的对应关系，说明可以采用近红外光学参数的斜率法初步完成导航任务。

图3为5只大鼠脑皮层的光学参数、血氧参数和血流动力学参数分布。图3(a)和图3(b)分别为5只大鼠脑皮层头骨下随着深度的改变，其优化散射系数和吸收系数(波长834nm)的变化曲线，NO.1为第1只老鼠，NO.2为第2只老鼠...，依次类推；图3(c)和图3(d)分别为5只大鼠脑皮层头骨下随着深度的改变，其总血红蛋白浓度和血氧饱和度的变化曲线；图3(e)和图3(f)分别为5只大鼠脑皮层头骨下随着深度的改变，其血流量和血容量的变化曲线。所测量得到的各项指标均处于文献所提供数据的覆盖范围内，在每个测量深度点，测量参数值的波动十分有限，为实现脑内光学解剖定位提供了依据。

图4为近红外光谱(fNIRS)与MRI影像数据相融合的导航示意图。图4(a)为fNIRs与MRI进行数据融合的解剖结构图，其中A为手术穿刺点，B为手术靶点，所选择的图像是MRI和fMRI图像的融合结果，通过MRI图像灰度数据提取穿刺路径的信息，通过fMRI的BOLD信息(血氧信息)，在穿刺路径上避开重要功能区。图4(b)为fNIRs穿刺路径纠错示意图，中间的虚线为实际的fNIRs穿刺轨迹，AB～AC的锥形区域，为导航穿刺可能的偏移区域。

图5为基于近红外光谱导航的穿刺路径规划图。其中，图5(a)为基于三维体的路径规划图，锥形的顶点为入刺点，沿着锥形面的路径为规划路径，显然规划路径越多，匹配精度越高，由于显示的局限性，图中只给出有限的几个规划路径，每一个规划路径同时具有上下、左右、前后的偏移信息；图5(b)为实际穿刺路径的灰度信息；图5(c)为手术过程中可能偏移路径信息之一(计划路径)；图5(d)为实际穿刺路径和可能偏移路径的对比，通过路径匹配，可以得到偏移路径偏离实际路径的角度和方向，用于引导手术穿刺过程的纠错。

图6为本发明流程图。

具体实施方式

下面结合附图对发明的技术方案进行详细说明：

如图1所示，为近红外在位监测仪的原理示意图。入射源为多波长的射频信号源(RF Source)，经分频器(Spliter)调制后的近红外激光通过发送光纤(Delivery fiber)投射到生物组织(Tissue)，各路光源按照设定的逻辑时序(Switch)工作，LD为激光二极管；由於近红外光具有较强的组织穿透能力，该光进入组织，经过组织的吸收及散射后，由接受光纤收集并传送到光电倍增管(PMT)、经过放大器(Amplifier)、带通滤波器(BP Filter)、解调器(Demodulator)、低通滤波器(LP Filter)等器件后，输出电信号由模数转换器(ADC)转换成数字信号，通过计算机数据采集和处理，待测信号可实时显示于计算机屏幕。该电路设计采用了高频调制解调技术，使光信号的振幅及位相与组织的光学特性(吸收及散射系数)相联系，因而可推算出组织的生物特性(血氧、血量、血流等)。

如图2所示，为脑外科导航系统的近红外光谱斜率曲线和MRI影像的对应关系，说明可以采用近红外光学参数的斜率法初步完成导航任务。

如图6所示，完整的数据融合与导航路径实时纠错过程为：MRI术前扫描数据→提取穿刺轨迹MRI图像灰度数据，为了在系统误差的情况下引导穿刺轨迹的偏移纠正可以将锥形扩大(N条计划穿刺轨迹，作为穿刺规划的可能值)→实时fNIRs采集数据→fNIRs穿刺轨迹实时数据测量值与N条计划轨迹融合可能值匹配)→数据融合结果(计算fNIRs轨迹与图像路径的吻合度，找出统计学意义上最匹配的可能值，并应用影像数据所存储的三维空间坐标偏移值引导手术路径的实时纠错)→得出穿刺过程处理意见，进行实时三维纠错。

本发明通过下列步骤实现：

基于光线投影的体绘制加速算法

手术前入刺点和靶点路径信息的提取是手术路径实时纠错的依据，MRI序列图像的三维重建是体数据路径信息提取的关键。本发明采用一种基于片段融合的光线投影体绘制加速算法，算法利用投射光线与平面簇求交，快速确定融合片段，采用基于片段的融合绘制技术，加快融合速度，并且利用包围盒技术减少对无效平面的求交，提高了光线投影的效率。由于片段内的像素点具有相似的光学属性，基于对体数据的数据一致性分析，由基于像素点的绘制方程，可推导得到基于片段的绘制方程，用迭代的方法，依照从前向后的顺序绘制方程表达为：

$C_{\mathrm{out}}=C_{\mathrm{now}}(1-{\mathrm{\α}}_{\mathrm{in}})\underset{k=0}{\overset{n_i-1}{\mathrm{\Σ}}}{(1-{\mathrm{\α}}_{\mathrm{now}})}^k+C_{\mathrm{in}}$

${\mathrm{\α}}_{\mathrm{out}}={\mathrm{\α}}_{\mathrm{now}}(1-{\mathrm{\α}}_{\mathrm{in}})\underset{k=0}{\overset{n_i-1}{\mathrm{\Σ}}}{(1-{\mathrm{\α}}_{\mathrm{now}})}^k+{\mathrm{\α}}_{\mathrm{in}}$

其中C_now和α_now为片段最后一个交点的光学属性(颜色值和不透明度值)，C_in和α_in为片段的起始交点的光学属性，C_out和α_out为片段两个交点之间的重采样点的光学属性，n_i为片段的长度。

提取路径灰度信息

在已知入刺点A(x₀，y₀，z₀)与靶点B(x₁，y₁，z₁)的情况下，可以采用直线参数方法表达出手术穿刺路径的方程表达式：X＝x₀+mt，Y＝y₀+nt，Z＝z₀+pt，其中，l＝{m，n，p}为直线方程的方向向量，m，n，p为l分别在x，y，z三个坐标轴上的分量，t为任意参数且不为0，x₀，y₀，z₀分别为入刺点A(x₀，y₀，z₀)在x，y，z三个方向的坐标值，X，Y，Z为靶点到入刺点的直线方程的所有点。然后采用重采样的方法提取该穿刺路径灰度信息，穿刺路径L的重采样点若为体数据集中存在的体素，其灰度信息根据该体素在体数据集中的位置索引得出，无法索引得到的重采样点的灰度值由三线性插值算法求出。在确定重采样参数和体元编号的初始值的情况下，可以用以下的递推关系确定其余重采样点参数和投射光线经过的体元编号：

如果： $d_x^{k+1}=d_x^k+{\mathrm{\δ}}_x>l$ 且δ·V沿x轴方向，则： $d_x^{k+1}\←d_x^{k+1}-l,$ i←i+1；

如果： $d_x^{k+1}=d_x^k+{\mathrm{\δ}}_x>l$ 且δ·V沿x轴反方向，则： $d_x^{k+1}\←d_x^{k+1}-l,$ i←i-1；

如果： $d_x^{k+1}=d_x^k+{\mathrm{\δ}}_x\≤l,$ 则：d_x ^k+1不变，i不变；

其中体元编号为(i，j，m)，i，j，m分别为体元的中心点在三维坐标中x，y，z三个方向的坐标值，体元的长、宽、高分别为l，w，h；采样间隔向量为δ·V，δ≤min(l，w，h)为采样步长，δx，δy，δz为采样间隔向量δ·V在物体坐标系中沿三个坐标轴的分解量，d_x，d_y，d_z为采样点沿三个坐标轴方向到体元的外表面的距离，d_x ^k表示本采样点沿x轴方向到所在体元的外表面距离，←表示赋值关系，赋值后的d_x ^k+1表示下一采样点沿x轴到自己所在体元外表面的距离；重采样点沿y和z轴方向的参数可依此类推。

f(i，j，m)为体元(i，j，m)的灰度值，该值由三线性插值算法求出。算法为：设重采样点(i，j，m)最近的8个相邻点的数据分别为：f₀₀₀，f₀₀₁，f₀₁₀，f₀₁₁，f₁₀₀，f₁₀₁，f₁₁₁，f₁₁₀，d_x，d_y，d_z分别表示采样点相对于000点在三个坐标方向的距离，则该采样点的值f(i，j，m)为：

f(i，j，m)＝(1-d_x)×(1-d_y)×(1-d_z)×f₀₀₀+d_x×(1-d_y)×(1-d_z)×f₀₀₁

+(1-d_x)×d_y×(1-d_z)×f₀₁₀+d_x×d_y×(1-d_z)×f₀₁₁+。

(1-d_x)×(1-d_y)×d_z×f₁₀₀+d_x×(1-d_y)×d_z×f₁₀₁+

(1-d_x)×d_y×d_z×f₁₁₀+d_x×d_y×d_z×f₁₁₁

图像数据和近红外光学数据融合的数学关联模型

最新研究成果表明，近红外测试结果和医学影像的结果存在密切的关联，近红外测量结果对生物组织信息的反映和MRI的结果具有同样的可靠性，而近红外测量参数的实时性和“可见性”可以弥补影像导航系统应用的局限性。近红外吸收系数、散射系数组织形态分布和MRI影像的解剖信息基本对应，MRI图像的解剖信息反映了不同脑组织的H核密度分布(对应组织密度分布)，近红外光学参数反映了组织光子弹性散射系数分布(也和组织密度分布有关)，显然，如果能找到MRI数据和近红外光学参数融合的数学关联模型，通过术中近红外参数便可准确记录探头前方脑组织密度分布，从而引导手术路径和实时纠错，进一步提高定位精度。

具体方法是利用大鼠脑立体定向仪，用近红外微创在位连续监测系统和特制微创探头对大鼠脑组织的多个轨迹的光学参数进行测试，再对大鼠进行MRI扫描，获取近红外针道轨迹上的MRI数据。将MRI数据和近红外光学参数归一化处理后再进行光学参数的伪影消除，寻找二者之间的相关性，并建立相关性数学模型。

基于Hausdorff距离和曲率的曲线趋势匹配算法

采用基于Hausdorff距离和曲率的曲线趋势匹配算法来引导手术过程中的穿刺路径的实时纠错。为了在手术过程中，实时给出穿刺路径的偏移角度和偏移方向，从而实时引导设任意一段曲线L为近红外光学信号，将L与灰度曲线进行趋势对比，若在一定的容差ε范围内，则近红外穿刺轨迹L与目标路径相吻合；若超过容差ε，则将L与N条验证曲线进行变化趋势对比，获得在容差ε范围内与曲线L具有相同变化趋势的验证穿刺轨迹N’。其中曲率算法是：

设曲线方程为s＝s(t)，t为曲线参数，曲率的计算公式为：

$k\left(t\right)=\frac{|s^{\′}\left(t\right)\×s^{\′\′}\left(t\right)|}{{\left[s^{\′}\left(t\right)\right]}^3},$ 其中s′(t)，s″(t)为曲线方程s(t)的一阶导数和二阶导数。Hausdorff距离定义为：设有两组有限集合A＝{a₁，a₂，…，a_p}和B＝{b₁，b₂，…，b_p)，其中，a₁，a₂，…，a_p为集合A的所有元素，b₁，b₂，…，b_p为集合B的所有元素，则A、B间Hausdorff距离定义为：

H(A，B)＝max(max a_s∈Amin b_t∈B||a_s-b_t||，max b_t∈Bmin a_s∈A||b_t-a_s||)，式中，||…||表示某种定义的距离范式，括号内两项分别称为A-B和B-A的有向距离。Hausdorff距离度量的是两个集合间的最大不匹配程度，且计算简便，也不苛求两个集合中点与点之间的一一对应关系，因此很适于图像的匹配。设两曲线的曲率集合为C₁＝{K_1s|s＝1，2，…m)，C₂＝{K_2t|t＝1，2，…n}，其中K_1s和K_2t分别是两个曲线多边形近似后各顶点处的曲率值，这里m和n为任意正整数，m和n不一定相等。在路径匹配时，按上式计算两个曲率集的Hausdorff距离，其中值最小的一对即对应为可能匹配的轮廓对。这里的距离范式是曲率值的简单比较，可大大提高算法的效率，得到验证曲线。

由获得的验证曲线所在的方位确定近红外光学信号L偏离目标的方位，计算坐标偏移，进行路径校正。

本发明引入基于Hausdorff距离和曲率的曲线趋势匹配算法，结合提取的灰度信息，既保证了路径偏移的预测精度，又解决了路径校正这一难题，从而可以在临床上实施，大幅度提高手术导航的精度。

实施例

结合附图3至图5叙述本发明实施如下：

如图3所示。为5只大鼠脑皮层的光学参数、血氧参数和血流动力学参数分布。图3(a)和图3(b)分别为5只大鼠脑皮层头骨下随着深度的改变，其优化散射系数和吸收系数(波长834nm)的变化曲线，NO.1为第1只老鼠，NO.2为第2只老鼠...，依次类推；图3(c)和图3(d)分别为5只大鼠脑皮层头骨下随着深度的改变，其总血红蛋白浓度和血氧饱和度的变化曲线；，图3(e)和图3(f)分别为5只大鼠脑皮层头骨下随着深度的改变，其血流量和血容量的变化曲线。所测量得到的各项指标均处于文献所提供数据的覆盖范围内，在每个测量深度点，测量参数值的波动十分有限，为实现脑内光学解剖定位提供了依据。

1.首先进行大鼠功能近红外光谱(fNIRS)参数和MRI影像数据的融合处理，建立关联数学模型。利用已开发的fNIRS近红外微创在位连续监测系统和特制微创探头，采集大鼠脑组织测量穿刺轨道上各点光学参数(ScO₂，μa，μs，Hb与HbO₂浓度)，获得手术计划穿刺轨迹的近红外数据D_fNIRS；同时沿穿刺轨迹方向对大鼠进行MRI影像扫描，获得近红外针道轨迹上的MRI灰度信号D_MRI，将D_MRI和D_fNIRS数据归一化处理后分析二者的相关性，寻找二者之间的数学关联模型。在建立路径关联数学模型时，实验拟采用设计一个可以放入核磁共振系统的脑立体定位框架，固定好动物，并进行定位标注。

如图4所示，为近红外光谱(fNIRS)与MRI影像数据相融合的导航示意图。图4(a)为fNIRs与MRI进行数据融合的解剖结构图，其中A为手术穿刺点，B为手术靶点，所选择的图像是MRI和fMRI图像的融合结果，通过MRI图像灰度数据提取穿刺路径的信息，通过fMRI的BOLD信息(血氧信息)，在穿刺路径上避开重要功能区。图4(b)为fNIRs穿刺路径纠错示意图，中间的虚线为实际的fNIRs穿刺轨迹，AB～AC的锥形区域，为导航穿刺可能的偏移区域。

2.针对256×256×84的序列MRI影像采用基于片断融合的快速体绘制算法，获得脑组织数据的三维重建体，对三维重建体进行任意角度旋转、任意方向的平移；为了得到更真实的显示效果，提供对三维模型进行修改的参数接口，包括：物体颜色，背景颜色，材质、漫反射，环境反射，及灯光选择，去锯齿效应等；在三维体中可以对靶区进行选取、测量、切割和分离，从穿刺方向重建人体组织器官透视图。通过脑功能分析软件在三维重建体上反映重要功能区的BOLD信息。

如图5所示，为基于近红外光谱导航的穿刺路径规划图。其中，图5(a)为基于三维体的路径规划图，锥形的顶点为入刺点，沿着锥形面的路径为规划路径，显然规划路径越多，匹配精度越高，由于显示的局限性，图中只给出有限的几个规划路径，每一个规划路径同时具有上下、左右、前后的偏移信息；图5(b)为实际穿刺路径的灰度信息；图5(c)为手术过程中可能偏移路径信息之一(计划路径)；图5(d)为实际穿刺路径和可能偏移路径的对比，通过路径匹配，可以得到偏移路径偏离实际路径的角度和方向，用于引导手术穿刺过程的纠错。

3.在三维重建体上提取规划穿刺路径(选择最便捷、安全的手术入路，回避功能区)以及寻找最佳穿刺点，最大程度地毁损病灶的同时减少功能损害，增加手术安全性。利用8邻域的点进行采用三线性插值算法提取穿刺路径上的灰度信息。将提取的最佳穿刺轨迹的图像信息作为穿刺实际值R_MRI，并以该路径为中心轴进行锥形扩大，提取N条计划穿刺轨迹作为可能的偏差路径，求出可能值和实际值的三维空间坐标偏移度(偏移角度和方位)。

4.在无定位标注的情况下，记录穿刺轨迹fNIRS参数D_fNIRS，通过D_MRI和D_fNIRS之间的数学关联模型，将近红外参数D_fNIRS转化为影像的灰度信息D_MRI，采用基于Hausdorff距离和曲率的曲线趋势匹配算法将转化得到的D_MRI信息与穿刺实际值R_MRI和N条计划穿刺轨迹图像数据进行匹配，同时按照三维空间坐标偏移度(偏移角度和方位)进行实时微小调整，直到所获得的穿刺轨迹数据D_MRI(由实时D_fNIRS数据转化得到)与穿刺实际值R_MRI之间的匹配误差在系统误差范围之内，便完成手术导航过程的实时路径纠错。

Claims (5)

1、一种基于近红外光谱的神经外科导航穿刺路径实时纠错方法，其特征在于包括下述步骤：

(1)将MRI数据经过基于光线投影的体绘制加速算法三维重建得到三维重建体；

(2)采用直线参数方程算法从步骤(1)所述的三维重建体的体数据集中提取目标路径；

(3)当步骤(2)所述的目标路径的重采样点为体数据集中存在的体素，则目标路径的灰度信息即穿刺实际值R_MRI根据该体素在体数据集中的位置索引得出；否则采用三线性插值算法获得步骤(2)所述的目标路径的灰度信息即穿刺实际值R_MRI；

(4)采用圆锥体方法对步骤(2)所述的目标路径进行圆锥化得到N个圆锥体，采用三线性插值算法分别提取所述N个圆锥体的圆锥面的路径灰度信息得到N条验证穿刺轨迹，并获得N条验证轨迹的灰度信息，其中N为小于90的自然数；

(5)在无标注的状态下记录穿刺轨迹近红外参数D_fNIRS，将近红外参数D_fNIRS经过影像灰度信息与近红外参数D_fNIRS之间的数学关联模型转化得到穿刺轨迹数据D_MRI；

(6)当步骤(5)所述的穿刺轨迹数据D_MRI与步骤(3)所述的穿刺实际值R_MRI之间的匹配误差小于设定的误差范围，则完成纠错；

(7)当步骤(5)所述的穿刺轨迹数据D_MRI与步骤(3)所述的穿刺实际值R_MRI之间的匹配误差大于设定的误差范围，则采用基于Hausdorff距离和曲率的曲线趋势匹配算法将步骤(5)所述的穿刺轨迹数据D_MRI与步骤(4)所述的N条验证轨迹的灰度信息进行匹配得到与穿刺轨迹数据D_MRI变化趋势相同的验证轨迹，并将所述与穿刺轨迹数据D_MRI变化趋势相同的验证轨迹经过三维空间坐标偏移度实时调整穿刺轨迹数据D_MRI，将调整后的穿刺轨迹数据D_MRI与步骤(3)所述的穿刺实际值R_MRI重新匹配。

2、根据权利要求1所述的基于近红外光谱的神经外科导航穿刺路径实时纠错方法，其特征在于步骤(1)所述的基于光线投影的体绘制加速算法为：MRI数据从成像平面上的每一个像素根据设定的观察方向发出一条射线，将所述射线穿过三维数据场的体素矩阵后经过包围盒方法和基于片段的融合绘制方法设定采样空间，对采样空间内的射线进行重采样得到射线上所有采样点的不透明度及颜色值，将不透明度及颜色值经过基于光线吸收和发射模型对重采样点进行由前向后的图像合成得到三维重建体的体数据集：

$C_{\mathrm{out}}=C_{\mathrm{now}}(1-{\mathrm{\α}}_{\mathrm{in}})\underset{k=0}{\overset{n_i-1}{\mathrm{\Σ}}}{(1-{\mathrm{\α}}_{\mathrm{now}})}^k+C_{\mathrm{in}},$

${\mathrm{\α}}_{\mathrm{out}}={\mathrm{\α}}_{\mathrm{now}}(1-{\mathrm{\α}}_{\mathrm{in}})\underset{k=0}{\overset{n_i-1}{\mathrm{\Σ}}}{(1-{\mathrm{\α}}_{\mathrm{now}})}^k+{\mathrm{\α}}_{\mathrm{in}}$

其中，C_nowMRI数据片段最后一个交点的颜色值，α_now为MRI数据片段最后一个交点的不透明度值，C_in为MRI数据片段的起始交点的颜色值，α_in为MRI数据片段的起始交点的不透明度值，C_outMRI数据片段两个交点之间的重采样点的颜色值，α_out为MRI数据片段两个交点之间的重采样点的不透明度值，n_i为片段的长度，k为加权值，n_i和k都为正整数。

3、根据权利要求1所述的基于近红外光谱的神经外科导航穿刺路径实时纠错方法，其特征在于步骤(2)所述的直线参数方程算法为：已知入刺点A(x₀，y₀，z₀)与靶点B(x₁，y₁，z₁)得到入刺点与靶点的方向向量l＝{m，n，p}，则直线参数方程为：

$\left\{\begin{array}{c}X=x_0+\mathrm{mt}\\ Y=y_0+\mathrm{nt}\\ Z=z_0+\mathrm{pt}\end{array}\right.,$

其中t为任意参数且不为0，x₀，y₀，z₀分别为入刺点A(x₀，y₀，z₀)在x，y，z三维坐标轴上的值，x₁，y₁，z₁分别为靶点B(x₁，y₁，z₁)分别在x，y，z三维坐标轴上的分量，m，n，p为方向向量l分别在x，y，z三维坐标轴上的分量，连接靶点到入刺点的直线参数方程的点X，Y，Z得到目标路径。

4、根据权利要求1所述的基于近红外光谱的神经外科导航穿刺路径实时纠错方法，其特征是在于步骤(3)和步骤(4)所述的三线性插值算法如下：

设定重采样参数和体元编号的初始值，确定其余重采样点参数和投射光线经过的体元编号，重采样点沿x、y、z轴方向参数和投射光线经过的体元编号的获取方法相同，其中重采样点沿x轴方向参数的获取如下：

当 $d_x^{k+1}=d_x^k+{\mathrm{\δ}}_x>l$ 且δ·V沿x轴方向，则：更新d_x ^k+1为d_x ^k+δ_x-l、i+1；

当 $d_x^{k+1}=d_x^k+{\mathrm{\δ}}_x>l$ 且δ·V沿x轴反方向，则：更新d_x ^k+1为d_x ^k+δ_x-l、i-1；

当 $d_x^{k+1}=d_x^k+{\mathrm{\δ}}_x\≤l,$ 则：d_x ^k+1不变，i不变；

其中体元编号为(i，j，m)，i，j，m分别为体元的中心点在三维坐标中x，y，z三个方向的坐标值，体元的长、宽、高分别为l，w，h，δ·V为采样间隔向量，δ≤min(l，w，h)为采样步长，δ_x，δ_y，δ_z为采样间隔向量δ·V在物体坐标系中沿三个坐标轴的分解量，d_x ^k表示本采样点即第k点沿x轴方向到所在体元的外表面距离，更新后的d_x ^k+1表示下一采样点即k+1点沿x轴到自己所在体元外表面的距离；

采用重采样点沿x、y、z轴方向参数和投射光线经过的体元编号得到目标路径的的灰度值f(i，j，m)：重采样点即体元(i，j，m)最近的8个相邻点数据即第一点数据f₀₀₀至第八点数据f₁₁₁，d_x，d_y，d_z分别表示重采样点相对于第一点在三个坐标方向的距离，则重采样点的的灰度值f(i，j，m)为：

f(i，j，m)＝(1-d_x)×(1-d_y)×(1-d_z)×f₀₀₀+d_x×(1-d_y)×(1-d_z)×f₀₀₁

              +(1-d_x)×d_y×(1-d_z)×f₀₁₀+d_x×d_y×(1-d_z)×f₀₁₁+

                                                                   ，所有重采样

              (1-d_x)×(1-d_y)×d_z×f₁₀₀+d_x×(1-d_y)×d_z×f₁₀₁+

              (1-d_x)×d_y×d_z×f₁₁₀+d_x×d_y×d_z×f₁₁₁

点的灰度值即构成目标路径的灰度信息。

5、根据权利要求1所述的基于近红外光谱的神经外科导航穿刺路径实时纠错方法，其特征在于步骤(4)所述的目标路径进行圆锥化的方法为：以目标路径为中垂线，以入刺点为圆锥体顶点，圆锥顶角以间隔为1度按照1～N度连续变化绘制圆锥体得到N个圆锥形区域，其中N为小于90的自然数。

Images