CN105701788A - 一种基于全局优化的神经导航自动空间配准方法 - Google Patents

Abstract

本发明属于医学图像处理及应用领域,涉及一种基于全局优化的神经导航自动空间配准方法。本方法中包括，首先扫描获取患者整个头部表面点云并将其转换到患者空间，再将该空间中的点云与影像设备重建的图像空间中的点云进行归一化，将它们的坐标统一到[-1,1]³，然后采用基于Go-ICP算法的全局优化空间配准方法，对所述两个点云进行自动配准，最后将两个点云进行融合，将它们统一到同一个空间下。经临床实践使用结果表明，本发明方法实施简单，使用方便，精度可靠，便于临床应用，可集成在现有导航系统中，提高导航系统的配准精度，减少配准时间。

Description

一种基于全局优化的神经导航自动空间配准方法

技术领域

本发明属医学图像处理及应用领域，涉及一种基于全局优化的神经导航自动空间配准方法，使配准过程更加简单方便。该方法能使手术导航在临床应用中更精确、实用和方便。

背景技术

据报道显示，神经导航系统能够帮助医务人员确定病灶位置和边界，减小医源性创伤，降低手术难度与手术风险。神经导航系统对术前病人CT或MR影像资料进行三维重建和可视化，获得虚拟模型，把手术部位与虚拟模型进行配准，使用高精度的定位系统跟踪病人和手术器械的空间位置，使医生能在虚拟模型上看到手术器械相对于手术部位的位置，从而指导医生对肿瘤进行准确切除。

现有技术中，神经导航系统使用的空间配准方法主要有点配准和面配准。计算点匹配的算法主要有奇异值分解法、标准正交矩阵法、单四元数法和双四元数法，它们的效率是一样的。面匹配方法使用ICP(IterativeClosestPoint)算法或其变体进行配准。与点配准方法相比，ICP算法不需要知道两个点云中点之间的对应关系，所以能够选取大量的点参与配准，从而提高了配准精度。使用ICP算法进行配准，虽然精度很高，但存在一些局限:①算法对点云的初始位置要求较高，点云初始位置不能相差太大，否则会产生局部最优解；②算法在求解最近点对集的过程中因迭代次数太多而导致计算量大大增加。为了提高配准的精度与速度，有研究对ICP算法作了改进，如，Lee等提出一个自适应ICP(Adaptive-ICP)算法，它使用自适应对偶近邻搜索树方法(ADAK-DTree)搜索最近点，比经典ICP算法速度要快，精度要高，但并没有解决局部最优解问题。为了解决局部最优解问题，Lee等提出M-ICP(Maker-addedICP)算法，这种算法需要人工介入，先用几个人工标记点或解剖标记点进行粗配准，再用ICP算法做精配准，虽然加入标记点使M-ICP算法取得了较好的初始位置，增加了取得全局最优解的可能性，但是取得较好的初始位置需要人工取点。M-ICP算法中两个点云中的点的数量很多，计算量仍旧很大，为了加快运算速度，Lee等提出了Fast-MICP算法，这种算法使用Harris角点探测器在病人空间提取有意义的特征点，在配准时只使用这些特征点进行配准，从而减少了运算量，但人工取点获取初始位置的缺点仍旧没有改变；SangkyunShin等提出一种加权的ICP(Weighted-ICP)算法，该算法将面部不易变形的区域定义为权重区域，将投影到此区域的点对的权重设为一个大于1的值，如果点对没有投影到这个权重区域，将权重设为1；该方法虽然提高了配准精度，但是仍需要人工选定权重区域；Chung-Hung等提出一种加权和扰动ICP(WAP-ICP)算法，使用加权的策略去除噪声点，使用随机扰动技术处理ICP算法的局部最优解问题，它的配准精度比自适应ICP要高。综上，所述的改进均基于ICP算法，需要一个粗配准来获取初始位置，然后用ICP算法或改进的ICP算法做精配准。一些基于概率的算法,虽然能提高算法的鲁棒性，但是所采用的优化过程仍旧是基于局部搜索的；一些基于启发式的算法，如粒子群]算法，粒子滤波算法等,虽然能跳出局部最小值，但是它们不能稳定地达到一个最优解，而且算法复杂度很高，不适合处理神经导航配准中处理大量点云的情况。JiaolongYang等提出了GO-ICP(GloballyOptimalICP)算法，这种算法将ICP算法植入BnB(branch-and-bound)算法，不需要提供初始位置就能保证达到确定的全局最优解，GO-ICP算法仅在兔子模型和手模型的配准中取得了较好的效果。

鉴于现状，目前临床实践中需要一种新的神经导航自动空间配准方法，该方法能在不提供初始位置的情况下求得全局最优解，使手术导航在临床应用中更精确、实用和方便。

与本发明有关的参考文献有：

[1]G.Eggers,J.MuhlingandR.Marmulla,Image-to-patientregistrationtechniquesinheadsurgery,InternationalJournalofOral&MaxillofacialImplants,2006,35:1081-1095

[2]EggertDW,LorussoA,FisherRB.Estimating3-Drigidbodytransformations:acomparisonoffourmajoralgorithms[J].MachineVisionandApplications,1997,9(5):272-290.

[3]LeeJD,HsiehSS,HuangCH,etal.AnadaptiveICPregistrationforfacialpointdata[C].InternationalConferenceonPatternRecognition,2006,4:703-706.

[4]LeeJD,LanTY,HuangCH,etal.Acoarse-to-finesurfaceregistrationalgorithmforframelessbrainsurgery[C].InternationalConferenceonEngineeringinMedicineandBiologySociety,2007,836-839.

[5]LeeJD,HuangCH,WangST,etal.Fast-MICPforframelessimage-guidedsurgery[J].MedicalPhysics,2010,37(9):4551-4559.

[6]ShinS,LeeD,KimY,etal.MarkerlessregistrationforintracerebralhemorrhagesurgicalsystemusingweightedIterativeClosestPoint(ICP)[C].InternationalConferenceonEngineeringinMedicineandBiologySociety,2012,5306-5309.

[7]HsiehCH,HuangCH,LeeJD.ANon-contactImage-to-PatientRegistrationMethodUsingKinectSensorandWAP-ICP[M].SoftwareEngineering,ArtificialIntelligence,NetworkingandParallel/DistributedComputing,2013,95-102.

[8]TsinY,KanadeT.Acorrelation-basedapproachtorobustpointsetregistration[M].InternationalConferenceonComputerVision,2004,558-569.

[9]JianB,VemuriBC.ArobustalgorithmforpointsetregistrationusingmixtureofGaussians[C].InternationalConferenceonComputerVision,2005,2:1246-1251.

[10]MyronenkoA,SongX.Pointsetregistration:Coherentpointdrift[J].IEEETransactionsonPatternAnalysisandMachineIntelligence,2010,32(12):2262-2275.

[11]BreitenreicherD,C.Model-basedmultiplerigidobjectdetectionandregistrationinunstructuredrangedata[J].InternationalJournalofComputerVision,2011,92(1):32-52.

[12]WachowiakMP,SmolíkováR,ZhengY,etal.Anapproachtomultimodalbiomedicalimageregistrationutilizingparticleswarmoptimization[J].IEEETransactionsonEvolutionaryComputation,2004,8(3):289-301.

[13]SandhuR,DambrevilleS,TannenbaumA.Pointsetregistrationviaparticlefilteringandstochasticdynamics[J].IEEETransactionsonPatternAnalysisandMachineIntelligence,2010,32(8):1459-1473.

[14]JiaolongYang,HongdongLi,YundeJia.Go-ICP:Solving3DRegistrationEfficientlyandGloballyOptimally[C].InternationalConferenceonComputerVision,2013,1457-1464.。

发明内容

本发明的目的在于提供一种基于全局优化的神经导航自动空间配准方法，无需提供初始位置就能得到全局最优解。该方法能使手术导航在临床应用中更精确、实用和方便。

本发明使用基于全局优化的神经导航自动空间配准方法，不需要使用粗配准，即无需提供初始位置就能得到全局优化最优解，先将患者空间中的点云坐标和图像空间中的点云坐标统一到[-1,1]³，再使用Go-ICP算法对归一化后的点云进行自动配准，最后将两个点云转换到图像空间下并进行融合。

本发明所述的方法中，通过光学定位仪使患者空间(手术真实场景)与图像空间(影像数据)处于同一空间，使用手持式三维扫描仪获取患者整个头部表面的点云，并将其从设备空间转换到病人空间；首先将两个空间中的点云的坐标归一化到[-1,1]³，再使用基于Go-ICP算法的全局优化空间配准方法对归一化后的病人空间中的点云和图像空间中的点云进行自动配准；配准后将两个点云转换到图像空间并进行融合；

其中，

所述将患者空间中点云的坐标和图像空间中点云的坐标统一到[-1,1]³，是对这两个点云进行归一化完成的，首先分别对两个点云进行平移处理，然后求出两个点云坐标最大的值，最后分别将两个点云的坐标除以这个最大值。

本发明所述基于Go-ICP算法的全局优化空间配准方法，是不需要提供初始位置就能取得全局最优解的自动空间配准方法，该方法结合了BnB(分枝定界法)算法和ICP(迭代最近点)算法，将ICP算法当作BnB算法的一个子程序，通过BnB，不但使ICP免于陷入局部最优解，还能指导ICP向误差小的方向搜索。ICP加快了BnB求解，提高了整个算法的效率。

本发明所述配准后将两个点云转换到图像空间并进行融合，是在完成配准后，将病人空间中的点云，转换到图像空间中，并与图像空间中的影像数据进行融合。

具体而言，本发明的一种基于全局优化的神经导航自动空间配准方法，其特征在于，包括以下步骤：

1.点云的归一化

本方法能够将两个点云归一化到[-1,1]³，求出一个点云的最大坐标max和最小坐标min，取这两个坐标的中值center,center＝(min+max)/2，首先将患者空间的点云和图像空间的点云分别平移-center个位置，然后分别求出两个点云中坐标最大的值，取大的值作为最大值，最后分别将两个点云的坐标除以这个最大值；

2.自动空间配准

在使用手持式扫描仪扫描患者整个头部表面后，使用神经导航自动空间配准方法完成病人空间到图像空间的配准，选择分支定界法(Branchandbound,BnB)求解全局最优问题，使用ICP算法求解最佳的旋转矩阵R和平移矩阵T；整个过程中：使用BnB算法搜索SE(3)空间，每当找到一个更好的解，调用ICP算法求解目标函数，求得的结果作为BnB的上界继续BnB搜索，重复上述过程，直到收敛为止。

以下对本方法做进一步的描述：

(1)范围参数。

使用R_r表示旋转矩阵，角-轴r表示旋转，那么整个由三维旋转形成的空间可由一个半径为π的球来表示，为了便于操作，本发明使用装入半径为π的球的[-π,π]³，的立方体来表示旋转范围，对于平移范围，假定最佳的平移存在于[-ε,ε]³之间，在BnB搜索时，初始立方体被分成更小的子立方体C_r，C_t，该过程不断重复；

(2)边界函数

Go-ICP算法需要找到C_r×C_t范围内ICP算法中L2范式误差函数的边界；

①旋转不确定半径

给出一个三维点X，对于一个边长为2σ_r，中心点在r₀的旋转立方体C_r，R_rX到R_r0X的最大距离为γ_r，则

$\left|\right|R_{r}X-R_{r0}X\left|\right|\≤2\sin \left(\min (\sqrt{3}{\mathrm{\σ}}_r/2,\mathrm{\π}/2)\right)\left|\right|X\left|\right|={\mathrm{\γ}}_r$

其中γ_r是旋转不确定半径，如图1所示；

②平移不确定半径

对于一个边长为2σ_t，中心在t₀的平移立方体C_t，

$\left|\right|(X+t)-(X+t_0)\left|\right|=\left|\right|t-t_0\left|\right|\≤\sqrt{3}\mathrm{\σ}={\mathrm{\γ}}_t$

其中γ_t是平移不确定半径，如图2所示；

③L2误差函数

对于一个中心在(r₀，t₀)，半径为γ_r，γ_t的3D运动范围C_r×C_t，

上边界为：

$\stackrel{\‾}{E}\stackrel{\·}{=}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{\stackrel{\‾}{e_i}}^2=\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{e}_i{(R_{r_0},t_0)}^2$

下边界为：

$\underset{\‾}{E}\stackrel{.}{=}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{\underset{\‾}{e_i}}^2=\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\max {(e_i(R_{r_0},t_0)-({\mathrm{\γ}}_{r_i}+{\mathrm{\γ}}_t),0)}^2$

(3)Go-ICP算法

①嵌套的BnB算法

使用外层的BnB算法搜索旋转空间，使用内层的BnB算法搜索平移空间，外层BnB算法调用内层BnB算法；

②BnB算法与ICP算法结合

当外层BnB算法找到一个上界值低于当前最好值的立方体C_r，则调用ICP算法，一旦ICP算法收敛，它将得到一个新的局部最优解，这个局部最优解用来更新上边界，ICP算法只搜索未被BnB算法丢弃的拥有更小边界的立方体；

3.点云融合

完成配准后，根据求出的最优的旋转矩阵R和平移矩阵T，将患者空间的点云转换到图像空间中，并与图像空间中的影像数据进行融合，方便操作者可视化观察配准效果。

本发明的基于全局优化的神经导航自动空间配准方法与现有技术相比，具有以下优点：

(1)不需要粗配准阶段就能完成空间配准，并取得全局最优解。

(2)可自动完成配准，无需人共介入，减少了医生的工作量。

(3)加快了配准速度，提高了配准精度。

(4)解决了基于点匹配的的空间配准弊端。

附图说明

图1是旋转不确定半径示意图。

图2是平移不确定半径示意图。

图3归一化前的点云示意图。

图4是归一化后的点云示意图。

图5是融合后的点云示意图。

具体实施方式

实施例1采用本发明的方法临床实践

1.扫描病人整个头部获取头部表面点云

使用手持式扫描仪扫描患者整个头部，获取整个头部表面点云，并将其转换到患者空间；患者空间和图像空间的点云如图3所示；

2.点云的归一化

求出一个点云的最大坐标max和最小坐标min，取这两个坐标的中值center,center＝(min+max)/2，首先将患者空间的点云和图像空间的点云分别平移-center个位置，然后分别求出两个点云中坐标最大的值，取大的值作为最大值，最后分别将两个点云的坐标除以这个最大值(如图4所示)；

3.自动空间配准

使用基于Go-ICP算法的全局优化空间配准方法对归一化后的病人空间中的点云和图像空间中的点云进行自动配准，选择BnB算法求解全局最优问题，使用ICP算法求解最佳的旋转矩阵R和平移矩阵T，整个过程包括：使用BnB算法搜索SE(3)空间，每当找到一个更好的解，调用ICP算法求解目标函数，求得的结果作为BnB的上界继续BnB搜索，重复上述过程，直到收敛为止；

4.点云融合

配准后将扫描点云转换到图像空间并进行融合，融合后的结果如图5所示。

上述实施例的结果表明，本发明解决了现有面配准方法需要手动取点完成粗配准的弊端；所述方法为一种基于全局优化的神经导航自动空间配准方法，能够在不提供初始位置的情况下取得全局最优解；该方法无需人工介入的粗配准过程，能够自动完成配准；本发明提高了配准精度，减少了配准时间；此外，所述方法实施简单，精度可靠，便于临床应用，可集成到现有的导航系统中。

Claims (5)

1.一种基于全局优化的神经导航自动空间配准方法，其特征在于，其包括步骤：

(1)将扫描获得的患者空间中的点云与影像设备重建的图像空间中的点云进行归一化，将它们的坐标统一到[-1,1]³；

(2)使用基于Go-ICP算法的全局优化空间配准方法，对所述两个点云进行自动配准；

(3)将两个点云进行融合，统一到同一个空间下。

2.根据权利要求1所述的方法，，其特征在于，所述步骤(1)中，将患者空间的点云和图像空间的点云分别平移-center个位置，然后分别求出两个点云中坐标最大的值，取大的值作为最大值，最后分别将两个点云的坐标除以这个最大值。

3.根据权利要求1所述的方法，其特征在于，所述步骤(2)中，选择分支定界法求解全局最优问题，使用ICP算法求解最佳的旋转矩阵R和平移矩阵T；该过程中：使用BnB算法搜索SE(3)空间，每当找到一个更好的解，调用ICP算法求解目标函数，求得的结果作为BnB的上界继续BnB搜索，重复上述过程，直到收敛为止。

4.根据权利要求1或3所述的方法，其特征在于，所述步骤(2)中使用装入半径为π的球的[-π,π]³的立方体表示旋转范围，对于平移范围，假定最佳的平移存在于[-ε,ε]³之间，在BnB搜索时，初始立方体被分成更小的子立方体C_r，C_t，该过程不断重复。

5.根据权利要求1所述的方法，其特征在于，所述步骤(3)中，配准后将扫描到的点云转换到图像空间，与影像数据进行融合。