CN111640143B - 一种基于PointNet的神经导航快速面配准方法及系统 - Google Patents

一种基于PointNet的神经导航快速面配准方法及系统 Download PDF

Info

Publication number
CN111640143B
CN111640143B CN202010282569.7A CN202010282569A CN111640143B CN 111640143 B CN111640143 B CN 111640143B CN 202010282569 A CN202010282569 A CN 202010282569A CN 111640143 B CN111640143 B CN 111640143B
Authority
CN
China
Prior art keywords
registration
point set
patient
head
space
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.)
Active
Application number
CN202010282569.7A
Other languages
English (en)
Other versions
CN111640143A (zh
Inventor
宋志坚
董源
章琛曦
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.)
Fudan University
Original Assignee
Fudan University
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 Fudan University filed Critical Fudan University
Priority to CN202010282569.7A priority Critical patent/CN111640143B/zh
Publication of CN111640143A publication Critical patent/CN111640143A/zh
Application granted granted Critical
Publication of CN111640143B publication Critical patent/CN111640143B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30016—Brain
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Radiology & Medical Imaging (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Processing Or Creating Images (AREA)

Abstract

本发明属医学图像处理技术领域，具体为一种基于PointNet的神经导航快速面配准方法及系统。本发明方法包括：使用阈值分割算法以及形态学操作等对术前图像进行头部分割并重建得到三维的表面点集；采用GO！SCAN三维手持式扫描仪获得真实物理空间下的头部表面点集；运用奇异值分解的方法配准病人的解剖标记点得到粗配准变换；通过基于PointNet的表面点集快速配准方法获得两组点集最终的精配准变换。本发明系统包括相应四个模块：头部表面重建模块、手持式三维激光扫描仪模块、粗配准模块和精配准模块。本发明的方法运算效率高，配准精度可靠，可集成在现有的神经导航系统当中，实现图像空间和真实物理空间的快速配准，提高手术导航的定位精度。

Description

一种基于PointNet的神经导航快速面配准方法及系统
技术领域
本发明属于医学图像处理技术领域，具体涉及基于PointNet的神经导航快速面配准方法及系统。
背景技术
神经外科手术导航在建立了图像空间和病人所在物理空间的对应关系后，可以将术中手术器械与其周围的解剖结构的相对位置关系实时地显示在术前图像上，以辅助医生施行外科手术。其中最为关键的技术在于建立两个空间之间的对应关系，即神经导航空间配准技术。配准的精度越高，由此形成的导航系统提供给医生的信息就越准确。此外，快速的配准过程是手术顺利进行的基础。当前神经导航空间配准方法可分为3类：(1)基于点的配准技术；(2)基于线的配准技术；(3)基于面的配准技术。
基于点的配准方法需在术前病人的头部表面粘贴6-8个人工标记点，通过最小化标记点之间的欧式距离获得变换关系。其缺点在于：(1)需要在术前额外增加扫描一个带着标记点的图像，这增加了操作的复杂度及病人的支出。(2)粘贴的标记点容易发生移动而引入误差造成导航精度下降。基于线的配准方法虽然不需要额外进行图像扫描，但参与配准的线点集较为稀疏、数量少，易受到噪声、离群点的影响从而导致导航定位精度不稳定。
基于面的配准方法通过三维激光扫描仪、三维立体视觉相机等获得病人头部表面密集点集，然后将采集获得的点集与术前图像重建的点集进行刚性配准获得空间变换。但由于参与配准的点集数量较多，当前使用的精配准算法，例如迭代最近邻(IterativeClosest Point，ICP)算法、点漂移一致算法(Coherent Point Drift，CPD)、基于高斯混合模型(Gaussian Mixture Model，GMM)的配准算法，这些算法的迭代优化的过程较为耗时，运算效率较低，难以实现神经导航的实时配准。
因此，本发明拟提供一种基于PointNet的神经导航快速面配准方法，能够实现快速且准确的空间配准，在保证高配准精度的同时大幅提升运算效率。
参考文献
[1]M.Wang,Z Song,“Distribution Templates of the Fiducial Points inImage-Guided,”Neurosurgery.Operative Neurosurgery,vol.6,pp.143-151,2010.
[2]A Raabe,Krishnan R,Wolff R,et al.Laser surface scanning forpatient registration in intracranial image-guided surgery[J].Neurosurgery,vol.50,no.4,pp.797-803,2002.
[3]Y Fan,D Jiang,M Wang,et al,“A new markerless patient-to-imageregistration method using a portable 3D scanner,”Med Phys,vol.41,no.10,pp.101910,2014.
[4]S Shin,Lee D,Kim Y,et al,“Markerless registration forintracerebral hemorrhage surgical system using weighted Iterative ClosestPoint(ICP),”Conf Proc IEEE Eng Med Biol Soc,pp.5306-5309,2012.
[5]A Myronenko,Song X,“Point set registration:coherent point drift,”IEEE Trans Pattern Anal Mach Intell,vol.32,no.12,pp.2262-2275,2010.
[6]B Jian,Vemuri B-C,“Robust Point Set Registration Using GaussianMixture Model,”IEEE Trans Pattern Anal Mach Intell,vol.33,no.8,pp.1633-1645.2011。
发明内容
本发明的目的在于提供一种基于PointNet的神经导航快速面配准方法及系统，以实现快速且准确的空间配准，在保证配准精度较高的同时大幅提升运算效率。
本发明提供的基于PointNet的神经导航快速面配准方法，具体步骤为：
(1)头部表面重建：运用分割算法从术前图像中提取病人头部，并进行三维重建，得到图像空间下的头部表面点集；
(2)术中扫描：在开颅前通过手持式三维激光扫描仪扫描病人的头部，获取病人物理空间下的头部表面点集；
(3)粗配准：在图像空间和病人物理空间下分别选取4对解剖标记点，运用奇异值分解方法对解剖点进行配准，获得粗配准变换；
(4)精配准：运用基于PointNet的快速点集配准方法，对图像空间和病人物理空间的表面点集进行精配准，得到最终的空间变换矩阵。
本发明步骤(1)中，所述分割算法，实施例中采用全自动的分割方法，首先通过基于阈值分割的分割方法得到粗分割结果，然后通过基于最大连通域的方法去除异常值，再运用形态学运算对图像进行平滑去除噪声，最后对得到的图像进行重建，得到表面点集。
本发明步骤(2)中，所述三维激光扫描仪使用GO！SCAN手持式三维扫描仪，扫描仪分辨率为1mm。
本发明步骤(3)中，所述选取4对解剖标记点，依据病人的体位，分别为：在仰卧位和侧卧位时选取鼻尖、双眦中点，左眉弓中心和右眉弓中心；在俯卧位时选取枕外隆突、枕外隆突与右乳突连线交点，以及两侧顶结节连线中点。
本发明步骤(4)中，所述运用PointNet的快速点集配准方法，对图像空间和病人物理空间的表面点集进行精配准，具体步骤为：
(4.1)将图像空间和物理空间下的头部表面点集分别表示为PT和PS；然后将点集PT和PS分别输入到由多个多层感知器和最大池化对称函数构成的PointNet特征提取网络中，得到一维的全局特征向量φ(PT)和φ(PS)，PointNet网络如图1所示；
(4.2)将得到特征向量φ(PT)和φ(PS)经过整合后分别输入到旋转网络和平移网络中，得到3D的平移向量ρ和3D旋转向量
Figure BDA00024472732400000313
其中，旋转网络和平移网络结构相同但独立参数不同，都分别由4个大小为1024、512、128、64的多层感知器，和4个大小为128、64、32、3的全卷积层组成，该网络结构如图2所示；
(4.3)将旋转向量
Figure BDA00024472732400000314
和平移向量ρ经过串联后得到刚体变换的6D表示/>
Figure BDA00024472732400000315
经过指数映射exp(·)，得到估计的刚体变换矩阵：
Figure BDA0002447273240000031
/>
Figure BDA0002447273240000032
其中，
Figure BDA0002447273240000033
等于θa，a为单位向量，ξ^表示ξ的反对称矩阵：
Figure BDA0002447273240000034
其中，
Figure BDA0002447273240000035
为：
Figure BDA0002447273240000036
Figure BDA0002447273240000037
为三D旋转向量/>
Figure BDA0002447273240000038
的3个分量/>
Figure BDA0002447273240000039
a^为单位向量a的反对称矩阵；
(4.4)将经过步骤4.1～4.3后，估计得到的单次刚体变换T1作用于输入的点集PS，得到变换后的点集
Figure BDA00024472732400000310
将新的一组点集/>
Figure BDA00024472732400000311
和PT再次作为输入执行步骤4.1～4.3，得到刚体变换T2；以此类推，经过n次迭代后，原始点集PS和PT之间的最终变换T为每次迭代输出变换的乘积组合：
Figure BDA00024472732400000312
其中，T0为单位阵；以上迭代的结构可如图3所示。
本发明方法可以用于神经导航的术前面配准，继而建立起术前图像空间和病人所在物理空间之间的对应关系，在保证高定位精度的同时可大幅提升运算速度。
本发明还包括基于上述方法的基于PointNet的神经导航快速面配准系统，该系统包括四个模块：头部表面重建模块、手持式三维激光扫描仪模块、粗配准模块和精配准模块。其中，
所述头部表面重建模块，用于从术前图像中提取病人头部，并进行三维重建，得到图像空间下的头部表面点集；从术前图像中提取病人头部，采用分割算法。即执行步骤(1)的操作。
所述手持式三维激光扫描仪模块，用于扫描病人的头部，获取病人物理空间下的头部表面点集；即执行步骤(2)的操作。
所述粗配准模块，用于对图像空间和物理空间的粗配准，包括在图像空间和物理空间下分别选取4对解剖标记点，运用奇异值分解方法对解剖点进行配准，获得粗配准变换；即执行步骤(3)的操作。
所述精配准模块模块，用于对图像空间和病人物理空间进行精配准，包括运用基于PointNet的快速点集配准方法，对图像空间和病人物理空间的表面点集进行精配准，得到最终的空间变换矩阵。即执行步骤(3)的操作。
本发明的神经导航快速配准方法与现有技术相比，具有以下优点：
(1)采用GO！SCAN手持式扫描仪获得病人头部表面点集，精度高、扫描范围大和操作灵活；
(2)配准速度快，配准速度与点集数量呈O(n)的关系，当参与配准的头部表面点集数量庞大时，也能进行快速的配准；
(3)配准精度高，收敛范围大，对噪声和异常点较为鲁棒。
附图说明
图1是PointNet特征提取网络结构示意图。
图2是单次刚体变换估计的网络结构示意图。
图3是迭代求解网络框架的示意图。
图4实验所使用头模。
图5图像空间重建得到的三维表面点集(a)和扫描仪采集得到的表面点集(b)。
图6头部表面点集粗配准(a)和精配准(b)后结果。
具体实施方式
实施例1，试用于体模头部表面的空间配准
使用计算机断层影像对开颅前的头模(如图4所示)进行术前扫描，扫描结果为512×512×492，每个体素大小为0.55mm*0.55mm*0.60mm的数据场。对该数据进行阈值分割并进行形态学操作后重建得到头部表面点集(如图5(a)所示)，该表面点集共包含33003个数据点。
通过GO！SCAN 50TM手持式三维激光扫描仪采集物理空间下的头模表面点集，采集过程中所使用的扫描分辨率为1mm。采集得到的头部表面点集如图5(b)所示，共包含31070个数据点。
采集图像空间和真实物理空间下鼻尖、双眦中点，左眉弓中心和右眉弓中心解剖标记点的坐标值，并通过奇异值分解的方法对两组头部表面点集进行粗配准。获得的粗配准变换矩阵为[0.98-0.0930.16137.60；-0.18-0.170.97-175.18；-0.061-0.98-0.19460.77；0001]，经过粗配准矩阵变换后的头部点集如图6(a)所示。
通过基于PointNet的神经导航空间配准网络对经过粗配准变换后的表面点集进行精配准，从而得到最终的空间变换矩阵，建立起两个空间的对应关系。网络中所使用的PointNet特征提取网络如图1所示：其中多层感知器(64,128,1024)表示感知器网络输出层大小分别为64、128和1024，所有层经过批归一化后使用ReLU激活函数；最后使用的最大池化层即为每一维取最大值。在提取得到点集特征后，将其输入到平移网络和旋转网络(如图2所示)中得到平移向量和旋转向量，其中点集特征分别经过输出层大小为1024、512、128、64的多层感知器得到大小为2*64的向量，将该向量展开输入到大小为128、64、32和3的全连接层得到三维的输出。为了定量的评估配准误差，我们使用了表面拟合误差作为评价指标，该指标通过计算真实物理空间下的表面点集与图像空间下点集最近邻点的距离得到。配准前的表面拟合误差为6.98mm，经过配准后基于PointNet的配准方法得到的误差下降至1.79mm，配准时间仅需要0.91s，精配准后的结果如图6(b)所示。而传统的ICP算法、GMM算法的表面拟合误差分别为3.29mm和2.71mm，配准时间分别为102.37s和123.39s。

Claims (5)

1.一种基于PointNet的神经导航快速面配准方法，其特征在于，具体步骤为：
(1)头部表面重建：运用分割算法从术前图像中提取病人头部，并进行三维重建，得到图像空间下的头部表面点集；
(2)术中扫描：在开颅前通过手持式三维激光扫描仪扫描病人的头部，获取病人物理空间下的头部表面点集；
(3)粗配准：在图像空间和物理空间下分别选取4对解剖标记点，运用奇异值分解方法对解剖点进行配准，获得粗配准变换；
(4)精配准：运用基于PointNet的快速点集配准方法，对图像空间和病人物理空间的表面点集进行精配准，得到最终的空间变换矩阵；具体步骤为：
(4.1)将图像空间和物理空间下的头部表面点集分别表示为PT和PS；然后将点集PT和PS分别输入到由多个多层感知器和最大池化对称函数构成的PointNet特征提取网络中，得到一维的全局特征向量φ(PT)和φ(PS)；
(4.2)将得到特征向量φ(PT)和φ(PS)经过整合后分别输入到旋转网络和平移网络中，得到3D的平移向量ρ和3D旋转向量
Figure FDA0004179657290000011
其中，旋转网络和平移网络结构相同但相互独立参数不同，都分别由4个大小为1024、512、128、64的多层感知器，和4个大小为128、64、32、3的全卷积层组成；
(4.3)将旋转向量
Figure FDA0004179657290000012
和平移向量ρ经过串联后得到刚体变换的6D表示/>
Figure FDA0004179657290000013
经过指数映射exp(·)，得到估计的刚体变换矩阵：
Figure FDA0004179657290000014
Figure FDA0004179657290000015
其中，
Figure FDA0004179657290000016
等于θa，a为单位向量，ξ^表示ξ的反对称矩阵：
Figure FDA0004179657290000017
其中，
Figure FDA0004179657290000018
为：
Figure FDA0004179657290000019
Figure FDA00041796572900000110
为三D旋转向量/>
Figure FDA00041796572900000111
的3个分量；a^为单位向量a的反对称矩阵；
(4.4)将经过步骤4.1～4.3后，估计得到的单次刚体变换T1作用于输入的点集PS，得到变换后的点集
Figure FDA00041796572900000112
将新的一组点集/>
Figure FDA00041796572900000113
和PT再次作为输入执行步骤4.1～4.3，得到刚体变换T2；以此类推，经过n次迭代后，原始点集PS和PT之间的最终变换T为每次迭代输出变换的乘积组合：
Figure FDA0004179657290000021
其中，T0为单位阵。
2.根据权利要求1所述的面配准方法，其特征在于，步骤(1)中所述分割算法采用全自动的分割方法，首先通过基于阈值分割的分割方法得到粗分割结果，然后通过基于最大连通域的方法去除异常值，再运用形态学运算对图像进行平滑去除噪声，最后对得到的图像进行重建，得到表面点集。
3.根据权利要求2所述的面配准方法，其特征在于，步骤(2)中所述三维激光扫描仪使用GO！SCAN手持式三维扫描仪，扫描仪分辨率为1mm。
4.根据权利要求3所述的面配准方法，其特征在于，步骤(3)中所述选取4对解剖标记点，依据病人的体位，分别为：在仰卧位和侧卧位时选取鼻尖、双眦中点，以及左眉弓中心和右眉弓中心；在俯卧位时选取枕外隆突、枕外隆突与右乳突连线交点，以及两侧顶结节连线中点。
5.基于权利要求1-4之一所述面配准方法的基于PointNet的神经导航快速面配准系统，其特征在于，包括四个模块：头部表面重建模块、手持式三维激光扫描仪模块、粗配准模块和精配准模块；其中，
所述头部表面重建模块，用于从术前图像中提取病人头部，并进行三维重建，得到图像空间下的头部表面点集；从术前图像中提取病人头部，采用分割算法，即执行步骤(1)的操作；
所述手持式三维激光扫描仪模块，用于扫描病人的头部，获取病人物理空间下的头部表面点集；即执行步骤(2)的操作；
所述粗配准模块，用于对图像空间和物理空间的粗配准，包括在图像空间和物理空间下分别选取4对解剖标记点，运用奇异值分解方法对解剖点进行配准，获得粗配准变换；即执行步骤(3)的操作；
所述精配准模块，用于对图像空间和病人物理空间进行精配准，包括运用基于PointNet的快速点集配准方法，对图像空间和病人物理空间的表面点集进行精配准，得到最终的空间变换矩阵；即执行步骤(3)的操作。
CN202010282569.7A 2020-04-12 2020-04-12 一种基于PointNet的神经导航快速面配准方法及系统 Active CN111640143B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010282569.7A CN111640143B (zh) 2020-04-12 2020-04-12 一种基于PointNet的神经导航快速面配准方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010282569.7A CN111640143B (zh) 2020-04-12 2020-04-12 一种基于PointNet的神经导航快速面配准方法及系统

Publications (2)

Publication Number Publication Date
CN111640143A CN111640143A (zh) 2020-09-08
CN111640143B true CN111640143B (zh) 2023-05-30

Family

ID=72328521

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010282569.7A Active CN111640143B (zh) 2020-04-12 2020-04-12 一种基于PointNet的神经导航快速面配准方法及系统

Country Status (1)

Country Link
CN (1) CN111640143B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112826590A (zh) * 2021-02-02 2021-05-25 复旦大学 基于多模态融合和点云配准的膝关节置换术空间注册系统
KR102475727B1 (ko) * 2021-03-23 2022-12-09 성균관대학교산학협력단 신경망 모델을 이용한 표면 정합 방법 및 장치
CN113116523B (zh) * 2021-04-09 2022-02-11 骨圣元化机器人(深圳)有限公司 骨科手术配准装置、终端设备和存储介质
CN113298854B (zh) * 2021-05-27 2022-02-01 广州柏视医疗科技有限公司 基于标记点的图像配准方法
CN113450395B (zh) * 2021-06-16 2022-12-02 北京理工大学 基于光学跟踪探针划取点的手术导航空间配准方法及装置
KR102644469B1 (ko) * 2021-12-14 2024-03-08 가톨릭관동대학교산학협력단 내시경 증강현실 정밀도 향상 및 심부 병변 오차 감소를 위한 의료 영상 정합 장치 및 그 방법

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN110223345A (zh) * 2019-05-14 2019-09-10 南京理工大学 基于点云的配电线路作业对象位姿估计方法
JP2020042447A (ja) * 2018-09-07 2020-03-19 Kddi株式会社 不動物体情報から端末位置を推定する装置、プログラム及び方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
JP2020042447A (ja) * 2018-09-07 2020-03-19 Kddi株式会社 不動物体情報から端末位置を推定する装置、プログラム及び方法
CN110223345A (zh) * 2019-05-14 2019-09-10 南京理工大学 基于点云的配电线路作业对象位姿估计方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于多尺度特征和PointNet的LiDAR点云地物分类方法;赵中阳;程英蕾;释小松;秦先祥;李鑫;;激光与光电子学进展;第56卷(第05期);243-250 *

Also Published As

Publication number Publication date
CN111640143A (zh) 2020-09-08

Similar Documents

Publication Publication Date Title
CN111640143B (zh) 一种基于PointNet的神经导航快速面配准方法及系统
CN110946654B (zh) 一种基于多模影像融合的骨科手术导航系统
Ferrante et al. Slice-to-volume medical image registration: A survey
Davies et al. Building 3-D statistical shape models by direct optimization
Fitzpatrick et al. Image registration
EP3309749B1 (en) Registration of a magnetic tracking system with an imaging device
Chevrefils et al. Watershed segmentation of intervertebral disk and spinal canal from MRI images
WO2001043070A2 (en) Method and apparatus for cross modality image registration
Deng et al. A novel skull registration based on global and local deformations for craniofacial reconstruction
Wu et al. Three-dimensional modeling from endoscopic video using geometric constraints via feature positioning
Khallaghi et al. Statistical biomechanical surface registration: application to MR-TRUS fusion for prostate interventions
Dai et al. Locating anatomical landmarks on 2D lateral cephalograms through adversarial encoder-decoder networks
Mohammadi et al. Estimation of intraoperative brain shift by combination of stereovision and doppler ultrasound: phantom and animal model study
CN115578320A (zh) 一种骨科手术机器人全自动空间注册方法及系统
Niri et al. Multi-view data augmentation to improve wound segmentation on 3D surface model by deep learning
Fatemizadeh et al. Automatic landmark extraction from image data using modified growing neural gas network
Tosun et al. A geometry-driven optical flow warping for spatial normalization of cortical surfaces
Jiang et al. Skeleton graph-based ultrasound-ct non-rigid registration
Corouge et al. A statistical shape model of individual fiber tracts extracted from diffusion tensor MRI
CN116612166A (zh) 一种多模态影像的配准融合算法
CN116485850A (zh) 基于深度学习的手术导航影像的实时非刚性配准方法及系统
Pei et al. Superimposition of cone-beam computed tomography images by joint embedding
CN115116113A (zh) 一种光学导航方法
Zagorchev et al. Patient-specific sensor registration for electrical source imaging using a deformable head model
Saha et al. Tensor scale-based image registration

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
GR01 Patent grant
GR01 Patent grant