CN103325143A - 基于模型匹配的标记点自动注册方法 - Google Patents

Abstract

本发明公开了一种基于模型匹配的标记点自动注册方法，包括以下步骤：1)获取含标记点的图像数据；2)构建标记点模型；3)将获取的图像数据读入，对图像各向异性扩散滤波，自动从图像上提取皮肤三维网格；4)采用ICP算法匹配标记点模型和皮肤三维网格，获取皮肤三维网格上每个标记点中心在图像空间坐标系中的坐标；5)采用ICP算法匹配图像空间与实际空间的标记点中心，得到图像空间坐标系和实际空间坐标系之间的旋转矩阵R和平移向量T，完成标记点的注册。本发明的标记点注册方法能够快速注册多个标记点，使得到的图像坐标系和实际坐标系的旋转矩阵R和平移向量T更准确，减少了人工介入，提高了标记点注册精度，具有良好鲁棒性。

Description

基于模型匹配的标记点自动注册方法

技术领域

本发明涉及一种标记点自动注册方法，尤其是一种基于模型匹配的标记点自动注册方法，属于手术导航技术领域。

背景技术

手术导航系统能帮助医生观察人体内部结构和精确手术器械，使得复杂精细手术成为可能。手术导航系统结合医学影像，在术中对手术器械进行三维空间定位，引导手术进行，减少手术创伤，提高手术得安全性、精确性和有效性，所以术前需要注册，获取手术器械所在的实际空间和图像所在的图像空间之间的对应关系，注册精度直接决定导航精度，如果注册精度低，可能使得导航系统不能使用。

目前，常用的注册方法有基于表面和基于标记点两种方法，表面注册方法不需要标记点，采用光学方法获取实际空间表面信息与图像空间中提取的表面进行匹配，虽然此方法操作简单，但是算法过程复杂，同时注册精度低，所以很少被采用；标记点注册方法精度高，是目前使用最多的注册方法，在注册时，手术工具尖端插入标记点中间缺口，定位系统跟踪到手术器械尖端确定缺口中心，即标记点中心在实际空间坐标系中的坐标，结合对应标记点中心在图像坐标系中的坐标，就可以算得实际空间坐标系和图像空间坐标系之间的旋转矩阵R和平移向量T，完成注册过程。

目前的标记点注册方法，主要采用手工方法提取标记点中心在图像坐标系中的坐标，但是由于图像中像素的点距和图像的层厚等因素的影响，再加上手工定位的个体性差异，使用此方法提取的中心坐标进行注册会产生较大误差，而此误差将作为系统误差在跟踪定位过程中一直存在，严重影响跟踪定位精度。此外，手动提取中心坐标过程复杂，且当标记点较多时，注册速度慢，很多医生会因为这些原因而放弃使用手术导航系统。

发明内容

本发明的目的，是为了解决上述现有技术的缺陷，提供了一种可以提高精度和具有良好鲁棒性的基于模型匹配的标记点自动注册方法。

本发明的目的可以通过采取如下技术方案达到：

基于模型匹配的标记点自动注册方法，其特征在于包括以下步骤：

1)获取含标记点的图像数据：将标记点贴在患者病灶附近的皮肤表面上，对病灶部位进行计算机断层扫描或核磁共振成像扫描，得到含有标记点的图像数据；

2)构建标记点模型：根据步骤1)所述标记点的实际尺寸，以标记点中心为坐标原点，建立坐标系，搭建三角形网格，得到标记点模型；

3)将步骤1)获取的图像数据读入，对图像进行三维各向异性扩散滤波，自动从图像上提取皮肤三维网格；所述皮肤三维网格的提取方法为：a)计算皮肤的灰度阈值，对图像二值化处理；b)采用数学形态学方法处理二值图像，得到皮肤的像素级三维网格；c)还原表面像素区域的灰度值，并依据图像空间坐标系，用移动立方体算法对此灰度图像三维重建，得到精确的亚像素级皮肤三维网格；

4)采用ICP算法匹配标记点模型和步骤3)所提取的皮肤三维网格，获取皮肤三维网格上每个标记点中心在图像空间坐标系中的坐标；

5)采用ICP算法匹配图像空间中的标记点中心与实际空间中的标记点中心，得到图像空间坐标系和实际空间坐标系之间的旋转矩阵R和平移向量T，完成标记点的注册，其中实际空间为手术时患者所在的空间。

作为一种优选方案，步骤5)所述图像空间与实际空间的标记点中心匹配，具体如下：

a)用已标定的手术工具，通过光学定位获取标记点中心在实际空间中的坐标；

b)根据ICP算法对图像空间中的标记点中心与实际空间中的标记点中心进行匹配，获取匹配点对；

c)根据匹配点对的坐标，计算图像空间坐标系相对于实际空间坐标系的旋转矩阵R和平移向量T；

d)选取匹配点对之间的欧氏距离之差作为匹配误差，计算每个匹配点对的匹配误差e_i，获取所有匹配点对中的最大误差e_imax；

e)设定一阈值e_h≈10^-3mm，若e_imax＞e_h，则把与e_imax相对应的匹配点对除去，返回步骤c)重新计算旋转矩阵R和平移向量T，直到e_imax＜e_h。

本发明相对于现有技术具有如下的有益效果：

1、本发明的标记点注册方法为全自动方法，不需要手工介入提取图像标记点，降低了注册的时间，提高了手术导航系统注册的简便性。

2、本发明的标记点注册方法基于模型匹配，减小了注册误差，提高了手术导航系统的精度。

3、本发明的标记点注册方法的注册精度受标记点个数的影响，能够快速注册多个标记点，使得到的图像坐标系和实际坐标系的旋转矩阵R和平移向量T更准确，因此，本发明的标记点注册方法在提高手术导航系统使用效率的同时也能够提高手术导航系统的精度。

附图说明

图1为本发明的标记点注册方法流程示意图。

图2为本发明的标记点注册方法的完整流程示意图。

图3a-3b为本发明构建的标记点模型图。

图4a-4b为模拟真实的标记点形状图。

图5a-5b分别为图4a和4b模拟的标记点和标记点模型匹配效果图。

图6为实际标记点数据与标记点模型的匹配结果图。

图7a-7b为含标记点的头部MRI图像。

具体实施方式

实施例1：

如图1和图2所示，本实施例的标记点注册方法包括以下步骤：

1)获取含标记点的图像数据：将标记点贴在患者病灶附近的皮肤表面上，一般贴8～10个标记点，对病灶部位进行计算机断层扫描(CT)或核磁共振成像(MRI)扫描，得到含有标记点的图像数据；

2)构建标记点模型：根据步骤1)所述标记点的实际尺寸，以标记点中心为坐标原点，建立坐标系，搭建三角形网格，得到标记点模型，如图3a和图3b所示；

3)将步骤1)获取的图像数据读入，对其进行三维各向异性扩散滤波，自动从图像上提取：首先，计算皮肤的灰度阈值，对图像二值化处理；其次，采用数学形态学方法处理二值图像，得到皮肤的像素级三维网格；最后，还原表面像素区域的灰度值，并依据图像空间坐标系(图像采集时的坐标信息)，用移动立方体算法(MC算法)对此灰度图像三维重建，得到精确的亚像素级皮肤三维网格，皮肤三维网格所模拟真实的标记点形状如图4a和图4b所示。

该步骤中，由于图像受到硬件设备、环境和操作人员等因素的干扰，采集的图像会受到不同程度的噪声污染，所以先要对图像进行滤波处理，考虑到各向异性扩散滤波能在滤除噪声的同时保护图像的边缘信息，因此选择各向异性扩散滤波为滤波算法；因为标记点贴在皮肤表面，所以要提取标记点，就需先对皮肤三维网格进行提取。

4)采用ICP算法匹配标记点模型和步骤3)所提取的皮肤三维网格，获取皮肤三维网格上每个标记点中心在图像空间坐标系中的坐标，如图5a和图5b所示；

该步骤中，由于图像标记点(即皮肤三维网格的标记点)和模型标记点的尺寸一样，所以两者的匹配是一种刚性配准，而ICP(迭代最近点)算法是刚性配准中的经典算法，具有很高的精度和稳定性，因此选取ICP算法作为两者的配准算法；

5)采用ICP算法匹配图像空间中的标记点中心与实际空间(手术时患者所在的空间)中的标记点中心，如下：

a)用已标定的手术工具，通过光学定位获取标记点中心在实际空间中的坐标；

b)根据ICP算法对图像空间中的标记点中心与实际空间中的标记点中心进行匹配，获取匹配点对；

c)根据匹配点对的坐标，计算图像空间坐标系相对于实际空间坐标系的旋转矩阵R和平移向量T；

d)选取匹配点对之间的欧氏距离之差作为匹配误差，计算每个匹配点对的匹配误差e_i，获取所有匹配点对中的最大误差e_imax；

e)设定一阈值e_h≈10^-3mm，若e_imax＞e_h，则把与e_imax相对应的匹配点对除去，返回步骤c)重新计算旋转矩阵R和平移向量T，直到e_imax＜e_h；

最后得到图像空间坐标系和实际空间坐标系之间匹配误差小的旋转矩阵R和平移向量T，完成标记点的注册。

根据实际标记点数据与标记点模型进行匹配，其结果如图6所示。

上述步骤4)和步骤5)中所述ICP算法的实现步骤如下：

a)定义M和S为要匹配的两个点云，其中步骤4中M为标记点模型的点云，S为图像标记点的点云，步骤5中M为实际空间中标记点中心的点云，S为图像空间中的标记点中心的点云；

b)确定M和S的重心，表达式如下：

${\mathrm{\μ}}_M=\frac{1}{N_M}\underset{i=1}{\overset{N_M}{\mathrm{\Σ}}}{m}_i,$ ${\mathrm{\μ}}_S=\frac{1}{N_S}\underset{i=1}{\overset{N_S}{\mathrm{\Σ}}}{S}_i---\left(1\right)$

c)通过式(1)构造协方差矩阵∑_M，S，表达式如下：

${\mathrm{\Σ}}_{M,S}=\frac{1}{N_M}\underset{i=1}{\overset{N_M}{\mathrm{\Σ}}}\left[(m_i-{\mathrm{\μ}}_M){(s_i-{\mathrm{\μ}}_M)}^T\right]=\frac{1}{N_M}\underset{i=1}{\overset{N_M}{\mathrm{\Σ}}}\left[m_i{s}_i^T\right]-{\mathrm{\μ}}_M{{\mathrm{\μ}}_S}^T---\left(2\right)$

d)由式(2)的协方差矩阵构造4×4对称矩阵，表达式如下：

$Q\left({\mathrm{\Σ}}_{M,S}\right)=\left[\begin{array}{cc}\mathrm{tr}\left({\mathrm{\Σ}}_{M,S}\right)& {\mathrm{\Δ}}^T\\ \mathrm{\Δ}& {\mathrm{\Σ}}_{M,S}+{\mathrm{\Σ}}_{M,S}^T-\mathrm{tr}\left({\mathrm{\Σ}}_{M,S}\right)I_3\end{array}\right]---\left(3\right)$

其中，I₃是3×3单位矩阵，tr(∑_M，S)是矩阵∑_M，S的迹，Δ＝[A₂₃ A₃₁ A₁₂]^T，A_i，j＝(∑_M，S-∑T_M，S)_i，j；

e)根据式(3)计算最佳旋转向量q_R，q_R为Q(∑_M，S)的最大特征值对应的特征向量，q_R＝[q₀ q₁ q₂ q₃]^T；

f)计算最佳平移向量q_T，表达式如下：

q_T＝μ_S-R(q_R)μ_M           (4)

其中， $R\left(q_R\right)=\left[\begin{array}{ccc}{q}_0^2+q_1^2-q_2^2-q_3^2& 2(q_1{q}_2-q_0{q}_3)& 2(q_1{q}_3+q_0{q}_2)\\ 2(q_1{q}_2+q_0{q}_3)& q_0^2-q_1^2+q_2^2-q_3^2& 2(q_2{q}_3-q_0{q}_1)\\ 2(q_1{q}_3-q_0{q}_2)& 2(q_2{q}_3+q_0{q}_1)& q_0^2-q_1^2-q_2^2+q_3^2\end{array}\right];$

g)根据q_R和q_T得到新的点云M’＝M*q_R+q_T，计算M’与S的均方根误差dm，并预设极限值ε，若dm＞ε，则令M＝M’，重复步骤b)～f)，否则q_R和q_T即构成最优旋转平移矩阵。

实施例2：

以头部MRI图像为例，步骤3)的具体过程如下：

3.1)读入含有标记点的头部MRI图像数据，如图7a和图7b所示，对图像进行三维各向异性扩散滤波；

3.2)计算皮肤的灰度阈值，对图像进行二值化处理。首先，利用医学软件BrainSuite3获得脑标记图像(B_mark)，进而得到非脑组织图像(I_nb)，取其中灰度值大于零的像素点，求其灰度值的平均值，用T₁表示，计算公式为：

$T_1=\underset{i\∈X_{\mathrm{NB}}}{\mathrm{\Σ}}{V}_i/\underset{i\∈X_{\mathrm{NV}}}{\mathrm{\Σ}}i---\left(5\right)$

其中X_NB＝{k∶k∈V\B，V_k＞0}，V为原始三维体数据(I_original)，为脑标记图像的三维体数据(B_mark)，V\B为原始三维体数据除去脑组织剩余的三维体数据(I_nb)，V_k为像素点的灰度值；其次，以T₁为阈值，对I_nb进行处理，取其中灰度值大于T₁的像素点，求其灰度值的平均值(即头皮的分割阈值)，用T_scalp表示，计算公式为：

$T_{\mathrm{scalp}}=\underset{i\∈X_{\mathrm{NS}}}{\mathrm{\Σ}}{V}_i/\underset{i\∈X_{\mathrm{NS}}}{\mathrm{\Σ}}i---\left(6\right)$

其中X_NS＝{k∈X_NB∶V_k≥T₁}，根据T_scalp对I_nb进行阈值处理，得到二值图像(I_bw)。

3.3)采用数学形态学方法处理二值图像得到皮肤的像素级三维网格。其中形态学处理中，先对图像进行三维膨胀操作，为了填充其中的空洞，使提取的皮肤重建后不包含其他组织，所以在对图像腐蚀之前，要进行“填洞”操作；最后，为了便利之后的表面重建，需要把二值图像中值为1的变换为255。

3.4)还原表面像素区域的灰度值，并用MC算法对此灰度图像进行三维重建，得到精确的亚像素级皮肤三维网格；

其中，还原表面像素区域的灰度值算法为二十六邻域方法，具体步骤为：

3.4.1)建立＝个大小为26，数值为0的数组A和存储结果的体数据Iscalp，初始值I_scalp等于I_original；

3.4.2)求I_bw中一个像素点的26邻域，并求出这26个像素点的灰度值，依次存入数组A中；

3.4.3)求出A中26个元素的和A_sum，如果A_sum等于26，则对应的I_scalp中该像素点的值为255，如果A_sum等于0，则对应的I_scalp中该像素点的值为0；

3.4.4)重复步骤3.4.2)～3.4.3)步骤的操作，遍历I_bw中具有26邻域的所有点；

3.4.5)得到包含表面像素区域灰度值的三维结构体I_original。

其余步骤同实施例1。

以上所述，仅为本发明优选的实施例，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明所公开的范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都属于本发明的保护范围。

Claims (2)

1.基于模型匹配的标记点自动注册方法，其特征在于包括以下步骤：

1)获取含标记点的图像数据：将标记点贴在患者病灶附近的皮肤表面上，对病灶部位进行计算机断层扫描或核磁共振成像扫描，得到含有标记点的图像数据；

2)构建标记点模型：根据步骤1)所述标记点的实际尺寸，以标记点中心为坐标原点，建立坐标系，搭建三角形网格，得到标记点模型；

3)将步骤1)获取的图像数据读入，对图像进行三维各向异性扩散滤波，自动从图像上提取皮肤三维网格；所述皮肤三维网格的提取方法为：a)计算皮肤的灰度阈值，对图像二值化处理；b)采用数学形态学方法处理二值图像，得到皮肤的像素级三维网格；c)还原表面像素区域的灰度值，并依据图像空间坐标系，用移动立方体算法对此灰度图像三维重建，得到精确的亚像素级皮肤三维网格；

4)采用ICP算法匹配标记点模型和步骤3)所提取的皮肤三维网格，获取皮肤三维网格上每个标记点中心在图像空间坐标系中的坐标；

5)采用ICP算法匹配图像空间中的标记点中心与实际空间中的标记点中心，得到图像空间坐标系和实际空间坐标系之间的旋转矩阵R和平移向量T，完成标记点的注册，其中实际空间为手术时患者所在的空间。

2.根据权利要求1所述的基于模型匹配的标记点自动注册方法，其特征在于：步骤5)所述图像空间与实际空间的标记点中心匹配，具体如下：

a)用已标定的手术工具，通过光学定位获取标记点中心在实际空间中的坐标；

b)根据ICP算法对图像空间中的标记点中心与实际空间中的标记点中心进行匹配，获取匹配点对；

c)根据匹配点对的坐标，计算图像空间坐标系相对于实际空间坐标系的旋转矩阵R和平移向量T；

d)选取匹配点对之间的欧氏距离之差作为匹配误差，计算每个匹配点对的匹配误差e_i，获取所有匹配点对中的最大误差e_imax；

e)设定一阈值e_h≈10^-3mm，若e_imax＞e_h，则把与e_imax相对应的匹配点对除去，返回步骤c)重新计算旋转矩阵R和平移向量T，直到e_imax＜e_h。

Images