CN109965979A - 一种无需标志点的稳健的神经导航自动注册方法 - Google Patents

一种无需标志点的稳健的神经导航自动注册方法 Download PDF

Info

Publication number
CN109965979A
CN109965979A CN201711445684.6A CN201711445684A CN109965979A CN 109965979 A CN109965979 A CN 109965979A CN 201711445684 A CN201711445684 A CN 201711445684A CN 109965979 A CN109965979 A CN 109965979A
Authority
CN
China
Prior art keywords
point
neuronavigation
point cloud
registration
registering
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
CN201711445684.6A
Other languages
English (en)
Inventor
安涌
张柏林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Fudan Digital Medical Polytron Technologies Inc
Original Assignee
Shanghai Fudan Digital Medical Polytron Technologies Inc
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Fudan Digital Medical Polytron Technologies Inc filed Critical Shanghai Fudan Digital Medical Polytron Technologies Inc
Priority to CN201711445684.6A priority Critical patent/CN109965979A/zh
Publication of CN109965979A publication Critical patent/CN109965979A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
    • A61B34/20—Surgical navigation systems; Devices for tracking or guiding surgical instruments, e.g. for frameless stereotaxis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
    • A61B34/20—Surgical navigation systems; Devices for tracking or guiding surgical instruments, e.g. for frameless stereotaxis
    • A61B2034/2046—Tracking techniques
    • A61B2034/2065—Tracking using image or pattern recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Surgery (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Public Health (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Robotics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明属医学图像处理及应用技术领域，具体涉及一种无需标志点的稳健的神经导航自动注册方法。本发明采用基于三维表面特征提取和匹配的配准方法，通过激光扫描仪获得的点云与CT/MRI获得的点云得到两个点云之间的坐标变换实现粗配准后，采用迭代最近邻点的配准方法，将粗配准的结果与神经导航中通过CT重建的代表病人空间的点云再次进行配准,实现神经导航自动注册。本发明方法较现有技术的基于面匹配的神经导航空间配准方法具有更好的稳健性和便捷性。

Description

一种无需标志点的稳健的神经导航自动注册方法
技术领域
本发明属于医学图像处理及应用技术领域，涉及神经导航注册方法，具体涉及一种无需标志点的稳健的神经导航自动注册方法。
背景技术
现有技术公开了神经导航系统作为一种医学辅助定位设备，能够为医生提供实时的术中信息，能有效弥补传统神经外科手术方式的不足，提高手术质量。临床实际应用结果显示，神经导航系统的核心功能是使用图像对手术器械进行定位和引导，因此，手术真实场景与图像引导空间的定位和配准的精度，稳健性和便捷性直接影响神经导航系统的性能。
目前，神经导航系统中使用的注册方法主要基于点匹配和面匹配的空间配准方法。其中，点匹配方法使用较多，但其存在一些固有缺陷，例如，需要专门为导航进行一次影像扫描；由于粘贴在被测对象身体表面的人工标记物容易发生移位，从而引起较大的注册误差，以及标记点识别过程消耗时间较长等。为了解决点匹配的空间配准方法存在的问题，基于面匹配的空间配准方法得到业内技术人员的关注，面配准使用被测对象固有特征进行空间配准，可以直接使用已有的图像进行导航，克服了点配准存在的缺陷，使用基于面匹配的空间配准方法时，操作者首先在图像空间提取一个代表被测对象面部轮廓的表面点云，然后在被测对象空间使用激光扫描仪获取相同表面的另一点云，然后基于两个点云之间的相关性得到两个空间之间的坐标变换。
有研究公开了点云配准的主流方法是迭代最近邻点(Iterative Closest Point,ICP)算法及其各种改进算法。该类方法直观、简单且具有较高的匹配精度，但对点云初始位置很敏感，所以，目前多数应用于临床的基于面匹配的神经空间导航方法需要一个人工粗配准的步骤，以便为接下来的精细配准提供一个较好的初始点云位置，该步骤增加了配准的时间并带给操作者一些不便。
基于现有技术的现状，本申请的发明人拟提供一种新的无需标志点的神经导航自动注册方法，首先采用基于三维表面特征提取和匹配的配准方法，通过激光扫描仪获得的点云与CT/MRI获得的点云得到两个点云之间的坐标变换实现粗配准；然后采用迭代最近邻点的方法，将粗配准的结果与神经导航中通过CT/MRI重建出来的代表病人空间的点云再次进行配准，最终实现神经导航自动注册。
与本发明相关的现有技术有：
1 G.Eggers,J.Muhling and R.Marmulla,Image-to-patient registrationtechniques in head surgery,Int.J.Oral.Max.Surg.,2006,35:1081-1095
2 P.J.Besl and N.D.McKay,A method for registration of 3-D shapes,IEEETransactions on Pattern Analysis and Machine Intelligence,1992,14(2):239-256
3朱德海.点云库PCL学习教程[M].北京航空航天大学出版社,2012.
4 Buch A G,Kraft D,Kamarainen J K,et al.Pose estimation using localstructure-specific shape and appearance context[C]//IEEE InternationalConference on Robotics and Automation.IEEE,2013:2080-2087.。
发明内容
本发明的目的在于提供一种新的无需标志点的神经导航自动注册方法，尤其是一种无需标志点的稳健的神经导航自动注册方法。本发明采用基于三维表面特征提取和匹配的配准方法，并结合迭代最近邻点的方法能进一步在临床应用中提高配准精度、实用和方便。
本发明的一种无需标志点的稳健的神经导航自动注册方法：通过空间定位仪使手术真实场景与图像引导空间处于同一空间，并使用激光扫描仪获取病人头部表面的点云；然后通过激光扫描仪获得的点云与CT/MRI获得的点云之间三维表面特征的相关性得到两个点云之间的坐标变换实现粗配准；在神经导航过程中，使用迭代最近邻点的方法将粗配准的结果再次进行匹配，提高配准精度。
具体的，本发明方法通过下述步骤实现：
1.基于三维表面特征提取和匹配的配准方法
该方法中：首先将激光扫描仪获得的点云与CT/MRI获得的点云进行预处理以获得相同空间分辨率的点云；然后分别提取关键点并计算每个关键点的局部特征描述符，通过特征匹配计算关键点的对应关系，并利用几何约束除去错误的匹配；当关键点的对应关系确定后，得到了一个点云间的粗配准。
本方法中：
(1)获得CT/MRI图像的点云及通过手提式激光扫描仪获得患者真实世界的点云；
(2)通过对CT/MRI图像预处理去除外部值，然后进行减采样使两组点云保持相同的网格分辨率；减采样的具体方法为将整个点云分为个数符合分辨率要求的若干个立方体区域并在每个区域只保留一个点，由此，减少两个点云中点的个数以提高后续步骤的处理速度，并且获得相同的网格分辨率有助于提高特征匹配的健壮性；
(3)使用内在形状特征(Intrinsic Shape Signatures,ISS)算法提取点云的关键点；该方法在表面仅提取那些主要方向上有较大变化率的点，首先利用特征值分解算法获取每个点周围的加权离散矩阵的特征值λ1＞λ2＞λ3，其满足公式
其次，对剩下的点进行非极大值抑制，只包括沿每个主方向有较大变化的点；
(4)继而，通过快速点特征直方图(Fast Point Feature Histogram,FPFH)描述这些关键点的特征，具体为：
①对于每一个查询点，计算这个点和它的邻域点之间的一个点特征直方图元组的值，结果称为简化的点特征直方图(Simple Point Feature Histograms,SPFH)；
②重新确定每个点的k邻域，使用邻近的SPFH值来计算pq的最终直方图FPFH，公式如下：
其中权重wk表示查询点pq和其邻近点pk之间的距离3；
(5)完成两组点云的特征计算后，通过特征向量的欧氏距离匹配得到一系列点到点之间的对应关系；该步骤中用到一个k维树(k-d tree)来完成最近邻搜索以提高匹配的速度，特征匹配将会得到一列对应关系，此时还需利用一个几何约束的分组方法去除不正确的对应关系，最终得到粗配准结果；具体的实现是一个迭代的过程：
①在对应关系中首先选取n≥3组对应点，记源点云中的点为pi，目标点云中的点为qi，0≤i≤n；
②定义源点云中第i个点的边缘距离为
dp，i＝||p(i+1)mod n-pi|| (3)
类似地，目标点云中第i个点的边缘距离为
则相对差异向量δ的计算公式为
在理想情况下，如果两个点云完美匹配，则δ为零。在实践中我们可确定一个特定的阈值tpoly使得δ满足
||δ||∞≤tpoly (6)
对步骤①的结果，若不满足上述条件，则回到步骤①重新开始4；
③根据选择的n组对应关系估计一个假定的变换T，并应用到源点云P上；
④根据欧氏距离阈值，通过空间最近邻搜索寻找变换后的点云和目标点云Q之间的内点，若内点个数过少，则回到步骤①重新开始；
⑤根据内点的对应关系重新估计一个假定的变换
⑥计算该变换的目标配准误差TRE：
若其TRE达到了目前的最小值，则将作为结果的变换；
2.迭代最近邻点
该方法中：首先确定对应点云和对应点的数量，然后通过最小二乘法迭代计算最优的坐标变换，使得误差函数最小，该种方法能显著提高导航配准精度；
以下对本方法做进一步的描述：
(1)利用随机样本一致性(Random Sample Consensus,RANSAC)算法对步骤1中获得的点云对应关系进行进一步筛选，得到一个更适合接下来运用迭代最近点算法进行进一步配准的粗配准；
(2)通过之前的工作，迭代最近点算法有了一个较好的初始位置和收敛速度，此时再利用迭代最近点算法得到坐标变换关系，具体步骤为：
①搜索最近点：取源点云P中一点pi，在目标点云Q中找出距离pi最近的一点qi，则(pi，qi)构成了一组对应点集，且pi和qi之间存在着某种旋转和平移关系(R,T)；
②确定n组对应点对，并求得使上述对应点对平均距离最小的刚体变换，求出平移参数和旋转参数(R,T)；
③对P使用上一步求得的平移和旋转参数，得到新的变换点云；
④定义函数E：
如果(R,T)满足E小于某一给定阈值，则停止迭代计算，否则将新的变换点云作为P继续迭代，直到达到阈值的要求。
本发明提供了一种无需标志点的稳健的神经导航自动注册方法，其包括：采用基于三维表面特征提取和匹配的配准方法，通过激光扫描仪获得的点云与CT/MRI获得的点云得到两个点云之间的坐标变换实现粗配准，本发明的实施例中，得到两个点云采用基于三维表面特征提取和匹配的配准方法实现配准；然后采用迭代最近邻点的配准方法，将粗配准的结果与神经导航中通过CT/MRI重建出来的代表病人空间的点云再次进行配准，本发明的实施例中，采用迭代最近邻点的配准方法再次进行配准，实现神经导航自动注册。经试验检测，本发明方法较现有技术的基于面匹配的神经导航空间配准方法具有更好的稳健性和便捷性。
具体实施方式
实施例1无需标志点的稳健的神经导航自动注册试验
通过下述步骤实现本发明：
1.基于三维表面特征提取和匹配的配准方法
(1)将病人的CT/MRI图像通过图像处理形成点云，并通过高精度手提式激光扫描仪获得患者真实世界的实时点云；
(2)对两组点云进行去除外部值和减采样使其保持相同的网格分辨率。将整个点云分为个数符合分辨率要求的若干个立方体区域并在每个区域只保留一个点；
(3)使用内在形状特征(Intrinsic Shape Signatures,ISS)算法提取点云的关键点。首先利用特征值分解算法获取每个点周围的加权离散矩阵的特征值λ1＞λ2＞λ3，其满足公式
其次，对剩下的点进行非极大值抑制，只包括沿每个主方向有较大变化的点；
(4)接下来通过快速点特征直方图(Fast Point Feature Histogram,FPFH)描述这些关键点的特征；具体包括：
①对于每一个查询点，计算这个点和它的邻域点之间的一个点特征直方图元组的值，结果称为简化的点特征直方图(Simple Point Feature Histograms,SPFH)；
②重新确定每个点的k邻域，使用邻近的SPFH值来计算pq的最终直方图FPFH，公式如下：
其中权重wk表示查询点pq和其邻近点pk之间的距离3；
(5)完成两组点云的特征计算后，通过特征向量的欧氏距离来匹配得到一系列点到点之间的对应关系。利用一个几何约束的分组方法去除不正确的对应关系，最终得到粗配准结果；具体的实现是一个迭代的过程：
①在对应关系中首先选取n≥3组对应点，记源点云中的点为pi，目标点云中的点为qi，0≤i≤n；
②定义源点云中第i个点的边缘距离为
dp，i＝||p(i+1)mod n-pi|| (3)
类似地，目标点云中第i个点的边缘距离为
dq，i＝||q(i+1)mod n-qi|| (4)
则相对差异向量δ的计算公式为
确定一个特定的阈值tpoly使得δ满足
||δ||∞≤tpoly (6)
对步骤①的结果，若不满足上述条件，则回到步骤①重新开始4；
③根据选择的n组对应关系估计一个假定的变换T，并应用到源点云P上；
④根据欧氏距离阈值，通过空间最近邻搜索寻找变换后的点云和目标点云Q之间的内点，若内点个数过少，则回到步骤①重新开始；
⑤根据内点的对应关系重新估计一个假定的变换
⑥计算该变换的目标配准误差TRE：
若其TRE达到了目前的最小值，则将作为结果的变换；
2.迭代最近邻点
(1)利用随机样本一致性(Random Sample Consensus,RANSAC)算法对步骤1中获得的点云对应关系进行进一步筛选，得到一个更适合接下来运用迭代最近点算法进行进一步配准的粗配准；
(2)通过之前的工作，迭代最近点算法有了一个较好的初始位置和收敛速度。此时再利用迭代最近点算法得到坐标变换关系；具体步骤为：
①搜索最近点：取源点云P中一点pi，在目标点云Q中找出距离pi最近的一点qi，则(pi，qi)就构成了一组对应点集，且pi和qi之间存在着某种旋转和平移关系(R,T)；
②确定n组对应点对，并求得使上述对应点对平均距离最小的刚体变换，求出平移参数和旋转参数(R,T)；
③对P使用上一步求得的平移和旋转参数，得到新的变换点云；
④定义函数E：
如果(R,T)满足E小于某一给定阈值，则停止迭代计算，否则将新的变换点云作为P继续迭代，直到达到阈值的要求。

Claims (3)

1.一种无需标志点的稳健的神经导航自动注册方法，其特征是，采用基于三维表面特征提取和匹配的配准方法，通过激光扫描仪获得的点云与CT/MRI获得的点云得到两个点云之间的坐标变换实现粗配准后，采用迭代最近邻点的配准方法，将粗配准的结果与神经导航中通过CT/MRI重建的代表病人空间的点云再次进行配准。
2.根据权利要求1所述的方法，其特征是，所述的用激光扫描仪获得的点云和CT/MRI获得的点云采用基于三维表面特征提取和匹配的配准方法实现配准。
3.根据权利要求1所述的方法，其特征是，所述的将粗配准结果与神经导航中通过CT/MRI重建出来的病人空间采用迭代最近邻点的配准方法再次进行配准，实现神经导航自动注册。
CN201711445684.6A 2017-12-27 2017-12-27 一种无需标志点的稳健的神经导航自动注册方法 Withdrawn CN109965979A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711445684.6A CN109965979A (zh) 2017-12-27 2017-12-27 一种无需标志点的稳健的神经导航自动注册方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711445684.6A CN109965979A (zh) 2017-12-27 2017-12-27 一种无需标志点的稳健的神经导航自动注册方法

Publications (1)

Publication Number Publication Date
CN109965979A true CN109965979A (zh) 2019-07-05

Family

ID=67071719

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711445684.6A Withdrawn CN109965979A (zh) 2017-12-27 2017-12-27 一种无需标志点的稳健的神经导航自动注册方法

Country Status (1)

Country Link
CN (1) CN109965979A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110946659A (zh) * 2019-12-25 2020-04-03 武汉中科医疗科技工业技术研究院有限公司 影像空间与实际空间的注册方法及系统
CN112190332A (zh) * 2020-10-22 2021-01-08 苏州微创畅行机器人有限公司 手术操作工具的校验方法及校验系统
CN112258494A (zh) * 2020-10-30 2021-01-22 北京柏惠维康科技有限公司 一种病灶位置确定方法、装置及电子设备
CN113223067A (zh) * 2021-05-08 2021-08-06 东莞市三姆森光电科技有限公司 针对具有平面基准但不完整的三维扫描点云的在线实时配准方法
CN113274130A (zh) * 2021-05-14 2021-08-20 上海大学 用于光学手术导航系统的无标记手术注册方法
CN114587593A (zh) * 2022-03-18 2022-06-07 华科精准（北京）医疗科技有限公司 一种手术导航定位系统及其使用方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103445863A (zh) * 2012-06-02 2013-12-18 复旦大学 基于平板电脑的手术导航和增强现实系统
CN103908346A (zh) * 2012-12-31 2014-07-09 复旦大学 一种高精度自动神经导航空间配准方法
CN103955939A (zh) * 2014-05-16 2014-07-30 重庆理工大学 三维扫描系统中点云拼接用边界特征点配准方法
CN104463894A (zh) * 2014-12-26 2015-03-25 山东理工大学 一种多视角三维激光点云全局优化整体配准方法
CN105078573A (zh) * 2014-05-11 2015-11-25 复旦大学 基于手持式扫描仪的神经导航空间配准方法
CN105701788A (zh) * 2014-11-24 2016-06-22 复旦大学 一种基于全局优化的神经导航自动空间配准方法
CN106529188A (zh) * 2016-11-25 2017-03-22 苏州国科康成医疗科技有限公司 应用于手术导航的图像处理方法
CN107049489A (zh) * 2017-03-29 2017-08-18 中国科学院苏州生物医学工程技术研究所 一种手术导航方法及系统
CN107330926A (zh) * 2017-08-25 2017-11-07 上海嘉奥信息科技发展有限公司 一种术中导航系统中的非标记医学图像配准系统及方法
CN107392995A (zh) * 2017-07-05 2017-11-24 天津大学 机械轴导航系统中的人体下肢配准方法
CN107451983A (zh) * 2017-07-18 2017-12-08 中山大学附属第六医院 Ct图像的三维融合方法和系统

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103445863A (zh) * 2012-06-02 2013-12-18 复旦大学 基于平板电脑的手术导航和增强现实系统
CN103908346A (zh) * 2012-12-31 2014-07-09 复旦大学 一种高精度自动神经导航空间配准方法
CN105078573A (zh) * 2014-05-11 2015-11-25 复旦大学 基于手持式扫描仪的神经导航空间配准方法
CN103955939A (zh) * 2014-05-16 2014-07-30 重庆理工大学 三维扫描系统中点云拼接用边界特征点配准方法
CN105701788A (zh) * 2014-11-24 2016-06-22 复旦大学 一种基于全局优化的神经导航自动空间配准方法
CN104463894A (zh) * 2014-12-26 2015-03-25 山东理工大学 一种多视角三维激光点云全局优化整体配准方法
CN106529188A (zh) * 2016-11-25 2017-03-22 苏州国科康成医疗科技有限公司 应用于手术导航的图像处理方法
CN107049489A (zh) * 2017-03-29 2017-08-18 中国科学院苏州生物医学工程技术研究所 一种手术导航方法及系统
CN107392995A (zh) * 2017-07-05 2017-11-24 天津大学 机械轴导航系统中的人体下肢配准方法
CN107451983A (zh) * 2017-07-18 2017-12-08 中山大学附属第六医院 Ct图像的三维融合方法和系统
CN107330926A (zh) * 2017-08-25 2017-11-07 上海嘉奥信息科技发展有限公司 一种术中导航系统中的非标记医学图像配准系统及方法

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110946659A (zh) * 2019-12-25 2020-04-03 武汉中科医疗科技工业技术研究院有限公司 影像空间与实际空间的注册方法及系统
CN112190332A (zh) * 2020-10-22 2021-01-08 苏州微创畅行机器人有限公司 手术操作工具的校验方法及校验系统
CN112190332B (zh) * 2020-10-22 2022-02-15 苏州微创畅行机器人有限公司 手术操作工具的校验方法及校验系统
CN112258494A (zh) * 2020-10-30 2021-01-22 北京柏惠维康科技有限公司 一种病灶位置确定方法、装置及电子设备
CN113223067A (zh) * 2021-05-08 2021-08-06 东莞市三姆森光电科技有限公司 针对具有平面基准但不完整的三维扫描点云的在线实时配准方法
CN113223067B (zh) * 2021-05-08 2021-11-19 广东三姆森科技股份有限公司 针对具有平面基准的非完整三维扫描点云的在线配准方法
WO2022237225A1 (zh) * 2021-05-08 2022-11-17 广东三姆森科技股份有限公司 针对具有平面基准但不完整的三维扫描点云的在线实时配准方法
CN113274130A (zh) * 2021-05-14 2021-08-20 上海大学 用于光学手术导航系统的无标记手术注册方法
CN114587593A (zh) * 2022-03-18 2022-06-07 华科精准（北京）医疗科技有限公司 一种手术导航定位系统及其使用方法

Similar Documents

Publication Publication Date Title
CN109965979A (zh) 一种无需标志点的稳健的神经导航自动注册方法
CN109544612B (zh) 基于特征点几何表面描述的点云配准方法
CN106934821B (zh) 一种基于icp算法和b样条的锥形束ct和ct图像配准方法
JP6216508B2 (ja) ３ｄシーンにおける３ｄ物体の認識および姿勢決定のための方法
EP3255609B1 (en) A method of automatically identifying a sequence of marking points in 3d medical image
CN113112609A (zh) 一种面向肺部活检支气管镜的导航方法和系统
CN111179321B (zh) 一种基于模板匹配的点云配准方法
WO2013094441A1 (en) Method for estimating pose of object
CN108830888B (zh) 基于改进的多尺度协方差矩阵特征描述子的粗匹配方法
CN114972459B (zh) 一种基于低维点云局部特征描述符的点云配准方法
CN111145232A (zh) 一种基于特征信息变化度的三维点云自动配准方法
CN107918925A (zh) 磁跟踪系统与成像装置的配准
CN111640143A (zh) 一种基于PointNet的神经导航快速面配准方法及系统
CN115578320A (zh) 一种骨科手术机器人全自动空间注册方法及系统
CN113706514B (zh) 基于模板图像的病灶定位方法、装置、设备及存储介质
CN117274339A (zh) 一种基于改进的iss-3dsc特征结合icp的点云配准方法
CN116650115A (zh) 一种基于uwb标记点的骨科手术导航注册方法
CN116363181A (zh) 一种基于特征的ct图像和超声图像肝脏配准方法
CN111259788A (zh) 头颈拐点的检测方法、装置以及计算机设备
CN117689697A (zh) 一种基于点云配准和图像特征配准的us和ct图像配准方法
Müller et al. Automatic multi-modal ToF/CT organ surface registration
CN116327362A (zh) 磁探头辅助支气管术中导航方法、装置、介质及电子设备
CN114862969A (zh) 一种智能巡检机器人的机载云台像机角度自适应调整方法及装置
CN114782504A (zh) 一种组织器官图像空间配准方法
Sun et al. Medical image registration using thin-Plate spline for automatically detecting and matching of point sets

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20190705