CN110123451B - 应用于无标记点光学手术导航系统的病人表面注册方法 - Google Patents

Abstract

本发明公开了一种应用于无标记点光学手术导航系统的病人表面注册方法，包括步骤：1)获取病人图像空间表面数据：原始点集与简化点集；2)获取病人实际空间表面数据：激光点集与简化点集；3)通过网格化和八方位匹配的方法筛选出最优匹配的粗匹配变换矩阵集合；4)在上一步的基础上求取精匹配的匹配矩阵集合和对应的匹配误差。根据误差筛选出精匹配步骤的最佳变换矩阵。5)根据3)和4)可求取总的最佳变换矩阵，完成空间注册。本发明使用红外激光灯照射病人表面获取实际空间的数据空间注册，采用网格化进行寻优，并将待匹配点集以八种不同的方位与目标点集进行匹配，这两步操作避免了匹配结果陷入局部最优的情况，实现了自动注册的功能。

Description

应用于无标记点光学手术导航系统的病人表面注册方法

技术领域

本发明涉及光学手术导航的技术领域，尤其是指一种应用于无标记点光学手术导航系统的病人表面注册方法。

背景技术

手术导航系统在临床上越来越广泛的使用，成为外科手术治疗精准化和微创化的重要发展方向。在手术精度、手术消耗时间、手术创伤、术后疗效等方面与对应的传统外科手术相比有长足的改进。在术中导航时，系统可以通过可视化手术工具和患者特征结构的在实际空间中的位置来帮助医生进行手术，从而提高手术精度和减少对病人的伤害。导航系统的关键步骤是实际空间与图像空间的变换关系，这一步被称为注册。注册方法的优劣直接影响手术导航精度和导航的方便性。

目前手术导航中注册方法多采用标记点注册方法。标记点的种类主要包括骨植入螺钉标记点、解剖标记点和粘贴于皮肤表面的标记点。骨植入螺钉的标记点精度最高，但是需要术前植入器械，会对患者造成额外的创伤和疼痛。解剖标记点利用人体比较显著的解剖特征作为标记点，需要医生在术前提取图像空间的解剖标记点，以及在术中提取患者空间的解剖标记点，存在一定的人为操作误差。粘贴于皮肤表面的标记点精度较高并且操作简单，是最常用的一种标记点。但是在使用过程中存在标记点光线易被遮挡、标记点易掉落以及会由于皮肤的位移形变产生移动等问题，从而影响到导航精度。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提出了一种应用于无标记点光学手术导航系统的病人表面注册方法，该方法有效解决标记点光线易被遮挡，标记点易掉落以及标记点粘贴部位受限等问题，避免了手动提取标记点产生误差的情况，同时，注册过程操作简单，注册时间短并且注册精度可达到临床要求。

为实现上述目的，本发明所提供的技术方案为：应用于无标记点光学手术导航系统的病人表面注册方法，包括以下步骤：

1)导入病人CT图像序列，对CT图像序列提取外表面轮廓，记为点集P，将点集P简化为点集P'；

2)用红外激光笔扫描病人表面，光学导航仪实时记录病人表面反射的红外光点的三维坐标，将这些坐标保存为原始激光点集Q，将点集Q简化得到点集Q'；

3)分别将点集P'作为目标点集，点集Q'作为原始点集进行分网格初始化粗匹配，得到的候选粗匹配变换矩阵的集合M＝{M_i|i＝1,…,k}，其中k为网格的个数；

4)结合步骤3)中粗匹配求得的k种粗匹配变换矩阵结果，将点集P作为匹配的目标点集，将点集Q作为匹配的原始点集进行精匹配，求得精匹配中的最佳匹配矩阵M1_s和对应的粗匹配变换矩阵M_s，0<s<k+1；

5)根据步骤4)中的结果得到表面注册的实际空间和图像空间的变换矩阵为Mat＝M1_s*M_s。

在步骤1)、步骤2)中，点集简化方法是：设原始点集为S，简化后的点集为S'，简化边长为l，将点集S用边长为l的正方体进行划分，对于每个正方体，求取其中心点坐标，若在该正方体内部有属于点集S的点，则找到这些点中距离正方体中心点坐标最近的点并保存得到简化后的点集S'。

在步骤2)中，使用的红外激光笔包含两束激光，一束是波长为650nm的可见光，用于指示红外光的位置；另一束是波长为980nm的不可见红外光，将其照射到人体表面，红外光学定位仪获取实际空间人体表面信息。

在步骤3)中，将点集P'作为目标点集和点集Q'作为原始点集进行分网格初始化粗匹配求取候选初始位置对应的变换矩阵的集合，包括以下步骤：

3.1)将点集P'用边长为50mm的正方体网格进行划分，得到n个正方体网格，网格中心点保存为点集C＝{c_i|i＝1,…,n}，求取点集Q'的中心点c_q，对点集C中每一个点c_i，分别设c_i为点集C的中心点，将点集Q'和点集C进行八方位匹配，当c_i为点集C的中心点时，点集C和点集Q'的最佳变换矩阵为M_i，将矩阵M_i保存到集合M＝{M_i|i＝1,…,k}；

3.2)对于步骤3.1)中提到的设置两点集的八方位匹配，设A为原始点集，B为目标点集，其方式是：平移点集A和点集B，使平移后的点集A'和点集B'的中心点都与坐标系原点重合；旋转点集A'和点集B'，使旋转后的点集A₁”和点集B”的拟平面法向量与坐标系z轴平行，点集B”为目标点集B的匹配初始位置，点集A₁”为原始点集A的第一种匹配初始位置；分别将点集A₁”绕z轴旋转90°、180°和270°得到点集A₂”、A₃”、A₄”作为第二、三、四种初始位置；将点集A₁”绕y轴旋转180°得到点集A₅”作为第五种匹配初始位置；分别将点集A₅”绕z轴旋转90°、180°和270°得到点集A₆”、A₇”、A₈”作为第六、七、八种初始位置；分别将点集A₁”～A₈”与点集B”进行ICP匹配，得到八组变换矩阵和对应的误差，比较误差值，最小的误差对应的变换矩阵则为该八方位匹配步骤的最佳变换矩阵；

在步骤4)中，分别用步骤3.1)中求出来的变换矩阵集合M＝{M_i|i＝1,…,k}中的每一个矩阵M_i对点集P中的坐标进行变换得到点集P_i，将变换后的点集P_i分别与点集Q进行匹配，求得k个匹配误差e＝{e_i|i＝1,…,k}和变换矩阵M1＝{M1_i|i＝1,…,k}，找到最小误差值对应的序号s，0<s<k+1，则精匹配结果求得的变换矩阵为M1_s。

本发明与现有技术相比，具有如下优点与有益效果：

1、本发明首次提出了通过将目标点集网格化初始位置匹配和八方位匹配的方式进行匹配寻优，避免在匹配过程中陷入局部最优的情况，从而得到全局最优匹配的结果。

2、本发明通过将患者在图像空间和实际空间的表面信息匹配起来，从而完成空间注册，这一过程中，不需要通过医生手动确定图像空间和实际空间的特征点来完成粗匹配，简化空间注册的操作。

附图说明

图1为本发明方法的流程示意图。

图2为简化的患者图像空间表面点集。

图3为患者实际空间表面激光点集。

图4为将患者图像空间表面点集进行正方体网格化。

图5为八方位匹配中激光点集的八种位置情况。

图6为图像空间点集和实际空间激光点集的最终匹配结果。

具体实施方式

下面结合具体实施例对本发明作进一步说明。

如图1所示，本实施例所提供的应用于无标记点光学手术导航系统的病人表面注册方法，包括以下步骤：

步骤S101，患者术前三维医学图像表面数据的获取。首先是获得CT扫描医学影像序列，然后根据影响序列重建出患者三维解剖结构。用移动立方体算法(MC)从三维解剖结构中提取患者表面数据得到患者原始表面点集P。然后再将P均匀网格简化为点集P'。

步骤S102，患者实际空间表面数据的获取。首先用红外激光笔扫描人体表面，光学定位仪记录患者表面反射的激光点坐标保存为原始激光点集。对记录到的原始激光点集进行去噪得到患者表面激光点集Q。此处使用的红外激光笔包含两束激光，一束是波长为650nm的可见光，用于指示红外光的位置；另一束是波长为980nm的不可见红外光，将其照射到人体表面，红外光学定位仪获取实际空间人体表面信息。然后再将点集Q进行均匀网格简化得到点集Q'。

步骤S103，粗匹配。首先以特定边长的正方体将点集P'进行网格化(参见图4所示)，保存这些网格的中心点C＝{c_i|i＝1,…,n}，作为下一步粗匹配中点集P'的初始位置中心点。根据这n种初始位置中心点，设置点集P'的n种匹配初始位置与点集Q'进行八方位匹配(参见图5所示)，从而求得候选的最佳变换矩阵的集合。其中，将点集P'作为目标点集和点集Q'作为原始点集进行分网格初始化粗匹配求取候选初始位置对应的变换矩阵的集合，包括以下步骤：

步骤S1031，将点集P'用边长为50mm的正方体网格进行划分，得到n个正方体网格，网格中心点保存为点集C＝{c_i|i＝1,…,n}，求取点集Q'的中心点c_q，对点集C中每一个点c_i，分别设c_i为点集C的中心点，将点集Q'和点集C进行八方位匹配，当c_i为点集C的中心点时，点集C和点集Q'的最佳变换矩阵为M_i，将矩阵M_i保存到集合M＝{M_i|i＝1,…,k}；

步骤S1032，对于步骤S1031中提到的设置两点集的八方位匹配，设A为原始点集，B为目标点集，其方式是：平移点集A和点集B，使平移后的点集A'和点集B'的中心点都与坐标系原点重合；旋转点集A'和点集B'，使旋转后的点集A₁”和点集B”的拟平面法向量与坐标系z轴平行，点集B”为目标点集B的匹配初始位置，点集A₁”为原始点集A的第一种匹配初始位置；分别将点集A₁”绕z轴旋转90°、180°和270°得到点集A₂”、A₃”、A₄”作为第二、三、四种初始位置；将点集A₁”绕y轴旋转180°得到点集A₅”作为第五种匹配初始位置；分别将点集A₅”绕z轴旋转90°、180°和270°得到点集A₆”、A₇”、A₈”作为第六、七、八种初始位置；分别将点集A₁”～A₈”与点集B”进行ICP匹配，得到八组变换矩阵和对应的误差，比较误差值，最小的误差对应的变换矩阵则为该八方位匹配步骤的最佳变换矩阵。

步骤S104，精匹配。分别用步骤S1031中求出来的变换矩阵集合M＝{M_i|i＝1,…,k}中的每一个矩阵M_i对点集P中的坐标进行变换得到点集P_i，将变换后的点集P_i分别与点集Q进行匹配，求得k个匹配误差e＝{e_i|i＝1,…,k}和变换矩阵M1＝{M1_i|i＝1,…,k}，找到最小误差值对应的序号s，0<s<k+1，则精匹配结果求得的变换矩阵为M1_s。

步骤S105，求取总的变换矩阵。根据S103和S104求得的最佳匹配结果对应的粗匹配步骤和精匹配步骤的变换矩阵，可以求得最终总的最佳变换矩阵为Mat＝M1_s*M_s。将激光点集P用最佳变换矩阵Mat进行变换，可以得到点集P对应到图像空间中的位置。如图6所示，为最终匹配结果，其中灰度较暗，范围较大的是头部在图像空间中形成的点集，在该点集表面的灰度较亮，范围较小的是激光点集。

以上所述实施例只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。

Claims (3)

1.应用于无标记点光学手术导航系统的病人表面注册方法，其特征在于，包括以下步骤：

1)导入病人CT图像序列，对CT图像序列提取外表面轮廓，记为点集P，将点集P简化为点集P'；

2)用红外激光笔扫描病人表面，光学导航仪实时记录病人表面反射的红外光点的三维坐标，将这些坐标保存为原始激光点集Q，将点集Q简化得到点集Q'；

3)分别将点集P'作为目标点集，点集Q'作为原始点集进行分网格初始化粗匹配，得到的候选粗匹配变换矩阵的集合M＝{M_i|i＝1,…,k}，其中k为网格的个数，包括以下步骤：

3.1)将点集P'用边长为50mm的正方体网格进行划分，得到n个正方体网格，网格中心点保存为点集C＝{c_i|i＝1,…,n}，求取点集Q'的中心点c_q，对点集C中每一个点c_i，分别设c_i为点集C的中心点，将点集Q'和点集C进行八方位匹配，当c_i为点集C的中心点时，点集C和点集Q'的最佳变换矩阵为M_i，将矩阵M_i保存到集合M＝{M_i|i＝1,…,k}；

3.2)对于步骤3.1)中提到的设置两点集的八方位匹配，设A为原始点集，B为目标点集，其方式是：平移点集A和点集B，使平移后的点集A'和点集B'的中心点都与坐标系原点重合；旋转点集A'和点集B'，使旋转后的点集A₁”和点集B”的拟平面法向量与坐标系z轴平行，点集B”为目标点集B的匹配初始位置，点集A₁”为原始点集A的第一种匹配初始位置；分别将点集A₁”绕z轴旋转90°、180°和270°得到点集A₂”、A₃”、A₄”作为第二、三、四种初始位置；将点集A₁”绕y轴旋转180°得到点集A₅”作为第五种匹配初始位置；分别将点集A₅”绕z轴旋转90°、180°和270°得到点集A₆”、A₇”、A₈”作为第六、七、八种初始位置；分别将点集A₁”～A₈”与点集B”进行ICP匹配，得到八组变换矩阵和对应的误差，比较误差值，最小的误差对应的变换矩阵则为该八方位匹配步骤的最佳变换矩阵；

4)结合步骤3)中粗匹配求得的k种粗匹配变换矩阵结果，将点集P作为匹配的目标点集，将点集Q作为匹配的原始点集进行精匹配，求得精匹配中的最佳匹配矩阵M1_s和对应的粗匹配变换矩阵M_s，0<s<k+1，具体如下：

分别用步骤3.1)中求出来的变换矩阵集合M＝{M_i|i＝1,…,k}中的每一个矩阵M_i对点集P中的坐标进行变换得到点集P_i，将变换后的点集P_i分别与点集Q进行匹配，求得k个匹配误差e＝{e_i|i＝1,…,k}和变换矩阵M1＝{M1_i|i＝1,…,k}，找到最小误差值对应的序号s，0<s<k+1，则精匹配步骤求得的变换矩阵为M1_s；

5)根据步骤4)中的结果得到表面注册的实际空间和图像空间的变换矩阵为Mat＝M1_s*M_s。

2.根据权利要求1所述的应用于无标记点光学手术导航系统的病人表面注册方法，其特征在于：在步骤1)、步骤2)中，点集简化方法是：设原始点集为S，简化后的点集为S'，简化边长为l，将点集S用边长为l的正方体进行划分，对于每个正方体，求取其中心点坐标，若在该正方体内部有属于点集S的点，则找到这些点中距离正方体中心点坐标最近的点并保存得到简化后的点集S'。

3.根据权利要求1所述的应用于无标记点光学手术导航系统的病人表面注册方法，其特征在于：在步骤2)中，使用的红外激光笔包含两束激光，一束是波长为650nm的可见光，用于指示红外光的位置；另一束是波长为980nm的不可见红外光，将其照射到人体表面，红外光学定位仪获取实际空间人体表面信息。

Images