CN113313754A - 一种手术导航中骨锯标定方法及系统 - Google Patents

一种手术导航中骨锯标定方法及系统 Download PDF

Info

Publication number
CN113313754A
CN113313754A CN202011546715.9A CN202011546715A CN113313754A CN 113313754 A CN113313754 A CN 113313754A CN 202011546715 A CN202011546715 A CN 202011546715A CN 113313754 A CN113313754 A CN 113313754A
Authority
CN
China
Prior art keywords
ntip
bone saw
calibration
saw
frames
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.)
Pending
Application number
CN202011546715.9A
Other languages
English (en)
Inventor
芦颖僖
张岳
吴琼
高强
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.)
Kuanrui Intelligent Technology (Suzhou) Co.,Ltd.
Original Assignee
Nanjing Linghua Microelectronics Technology Co ltd
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 Nanjing Linghua Microelectronics Technology Co ltd filed Critical Nanjing Linghua Microelectronics Technology Co ltd
Priority to CN202011546715.9A priority Critical patent/CN113313754A/zh
Publication of CN113313754A publication Critical patent/CN113313754A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • 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
    • A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
    • 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
    • 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
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G06T2207/10021—Stereoscopic video; Stereoscopic image sequence

Abstract

本发明实施例公开了一种手术导航中骨锯标定方法及系统，将骨锯的锯片尖端点坐标固定在空间中的某一点，然后使骨锯绕所述锯片尖端点进行旋转，在旋转骨锯过程中采集N帧手术器械标定图像，根据采集的N帧手术器械标定图像，采用基于最大关联熵准则的共轭梯度算法计算锯片尖端点在骨锯坐标系下的三维坐标PNTip。通过将共轭梯度算法与关联熵相结合，共轭梯度算法具有收敛速度快的特点，而关联熵可以抑制脉冲噪声，使得该标定方法具有收敛速度快、标定精度高的特点。

Description

一种手术导航中骨锯标定方法及系统
技术领域
本发明实施例涉及手术导航技术领域，具体涉及一种手术导航中骨锯标定 方法及系统。
背景技术
骨科手术中的骨锯标定是手术导航术前重要的工作之一。为了能在手术中 精确地跟踪到骨锯，尤其是锯片的尖端点位置，骨锯标定的精度就显得尤为重 要。骨锯标定的实质就是确定骨锯在骨锯坐标系下的三维坐标，可以通过骨锯 上面设置的不共线的标志点来确定器械的坐标。
近年来，很多学者和研究人员对于骨锯在骨锯坐标系下的三维坐标PNTip的 求解采用LMS算法。但是在实际中，标记点的识别会受到光照、背景等因素 的干扰，尤其是对于本发明所研究的可见光定位，经常会出现坐标抖动的情况， 导致计算结果引入误差，进一步导致精度下降。标志点坐标的抖动可以看作是 脉冲噪声干扰，而对于标志点坐标的计算一般是通过LMS算法进行求解。但 是LMS算法求解骨锯在骨锯坐标系下的三维坐标PNTip存在精度低，收敛速度 慢的问题，代价函数并不能保证达到要求的精度的问题。
发明内容
为此，本发明实施例提供一种手术导航中骨锯标定方法及系统，以解决现 有的LMS算法求解骨锯在骨锯坐标系下的三维坐标PNTip存在精度低、收敛速 度慢的问题。
为了实现上述目的，本发明实施例提供如下技术方案：
根据本发明实施例的第一方面，提出了一种手术导航中骨锯标定方法，所 述方法包括：
将骨锯的锯片尖端点坐标固定在空间中的某一点，然后使骨锯绕所述锯片 尖端点进行旋转；
在旋转骨锯过程中采集N帧手术器械标定图像，N为大于或等于1的正 整数；
根据采集的N帧手术器械标定图像，采用基于最大关联熵准则的共轭梯 度算法计算锯片尖端点在骨锯坐标系下的三维坐标PNTip。
进一步地，根据采集的N帧手术器械标定图像，采用基于最大关联熵准 则的共轭梯度算法计算锯片尖端点在骨锯坐标系下的三维坐标PNTip，具体包 括：
假设第n帧图像(n＝1,2,…,N)所对应的锯片尖端点在摄像机坐标系下的 坐标为
Figure BDA0002855884670000021
其为三维列向量，
Figure BDA0002855884670000022
和
Figure BDA0002855884670000023
分别代表
Figure BDA0002855884670000024
在 x轴、y轴和z轴的坐标值；
骨锯坐标系和摄像机坐标系之间的旋转矩阵An和平移向量Tn分别为
Figure BDA0002855884670000025
和
Figure BDA0002855884670000026
其中，An为3×3的矩阵，Tn为三维列向 量；
锯片尖端点在骨锯坐标系下的三维坐标为PNTip＝[XNTip YNTip ZNTip]T，其为 三维列向量，则有下列公式成立：
Figure BDA0002855884670000027
其中，
Figure BDA0002855884670000028
为三维列向量，
Figure BDA0002855884670000029
表示矩阵Hn中的第i 个元素，代表由于光照、针尖抖动以及背景环境等因素引入的噪声，对上式进 行如下处理：
Figure BDA0002855884670000031
令
Figure BDA0002855884670000032
其为三维输出列向量，
Figure BDA0002855884670000033
表示第n帧图 像求出的输出列向量中的第i个元素，
Figure BDA0002855884670000034
其中，
Figure BDA0002855884670000035
表示第n帧图像求出的旋转矩阵An的第i行转置；
假设第j(0＜j≤3N)次迭代求出的权向量表示为PNTip(j)，则对于第j次迭代 有：
Figure BDA0002855884670000036
误差函数可以表示为：
Figure BDA0002855884670000037
进一步地，根据采集的N帧手术器械标定图像，采用基于最大关联熵准 则的共轭梯度算法计算锯片尖端点在骨锯坐标系下的三维坐标PNTip，具体还包 括：
对于PNTip的求解等价为最优化问题，即求解特定的PNTip使：
maxκσ(e(j))；
选取高斯核
Figure RE-RE-GDA0003115748430000034
来作为核函数，σ为核长，将上式转化 为最小化问题进行求解即
max(-κσ(e(j)))；
其中，
Figure BDA0002855884670000039
令f(PNTip(j-1))＝-κσ(e(j))，则
Figure BDA00028558846700000310
代表函数f(PNTip(j))在PNTip(j)处的梯度。
进一步地，根据采集的N帧手术器械标定图像，采用基于最大关联熵准 则的共轭梯度算法计算锯片尖端点在骨锯坐标系下的三维坐标PNTip，具体还包 括：
基于最大关联熵准则的共轭梯度算法流程具体包括：
步骤a、对PNTip(j-1)进行初始化，令j＝1(0＜j≤3N)，n＝1(n＝1,2,…,N)， i＝1(i＝1,2,3)，选取初始值PNTip(0)＝[0 0 0]T，相当于权向量w(n)＝[0 0 0]T，
Figure BDA0002855884670000041
步骤b、计算步长μj，其中步长满足强Wolfe-Powell条件即：
Figure BDA0002855884670000042
Figure BDA0002855884670000043
0＜ρ≤ψ＜1/2，取
Figure BDA0002855884670000044
步骤c、计算PNTip(j)＝PNTip(j-1)+μjdj-1，
Figure BDA0002855884670000045
其中
Figure BDA0002855884670000046
d1,…,dj代表共轭方向，βj,j-1为Fletcher-Reeves公式中的标量参数，更新i值和n值，j＝j+1；
步骤d、如果达到迭代次数或相应的精度则终止迭代，否则回到步骤b；
共轭梯度算法中共轭方向的求解为：
Figure BDA0002855884670000047
对于骨锯标定来说，基于最大关联熵准则的共轭梯度算法中的权向量更新 公式表示为以下形式：
PNTip(j)＝PNTip(j-1)+μjdj-1 (13)。
根据本发明实施例的第二方面，提出了一种手术导航中骨锯标定系统，所 述系统包括：
旋转模块，用于将骨锯的锯片尖端点坐标固定在空间中的某一点，然后使 骨锯绕所述锯片尖端点进行旋转；
图像采集模块，用于在旋转骨锯过程中采集N帧手术器械标定图像，N 为大于或等于1的正整数；
标定模块，用于根据采集的N帧手术器械标定图像，采用基于最大关联 熵准则的共轭梯度算法计算锯片尖端点在骨锯坐标系下的三维坐标PNTip。
进一步地，所述图像采集模块包括双目摄像机。
本发明实施例具有如下优点：
本发明实施例提出的一种手术导航中骨锯标定方法及系统，将骨锯的锯片 尖端点坐标固定在空间中的某一点，然后使骨锯绕所述锯片尖端点进行旋转， 在旋转骨锯过程中采集N帧手术器械标定图像，根据采集的N帧手术器械标 定图像，采用基于最大关联熵准则的共轭梯度算法计算锯片尖端点在骨锯坐标 系下的三维坐标PNTip。通过将共轭梯度算法与关联熵相结合，共轭梯度算法具 有收敛速度快的特点，而关联熵可以抑制脉冲噪声，使得该标定方法具有收敛 速度快、标定精度高的特点。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对 实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下 面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创 造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。
图1为本发明实施例1提供的一种手术导航中骨锯标定方法的流程示意 图；
图2为本发明实施例1提供的一种手术导航中骨锯标定方法中在脉冲噪声 下不同核长下的标定误差；
图3为本发明实施例1提供的一种手术导航中骨锯标定方法中不同标定图 像数量下的标定误差；
图4为本发明实施例1提供的一种手术导航中骨锯标定方法中不同信噪比 下的标定误差。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由 本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的 实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例， 本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例， 都属于本发明保护的范围。
本发明实施例1提出了一种手术导航中骨锯标定方法，如图1所示，该方 法包括以下步骤：
步骤S100、将骨锯的锯片尖端点坐标固定在空间中的某一点，然后使骨 锯绕锯片尖端点进行旋转。
步骤S200、在旋转骨锯过程中采集N帧手术器械标定图像，N为大于或 等于1的正整数。
步骤S300、根据采集的N帧手术器械标定图像，采用基于最大关联熵准 则的共轭梯度算法计算锯片尖端点在骨锯坐标系下的三维坐标PNTip。
(1)骨锯标定方案
由器械的刚体性质可知，当围绕空间中的某一点旋转骨锯时，骨锯上的标 志点将作同心圆运动，这里的球心就是器械尖端点的位置。在旋转骨锯的过程 中采集N帧图像进行标定，假设第n帧图像(n＝1,2,L,N)所对应的骨锯尖端 点在摄像机坐标系下的坐标为
Figure RE-RE-GDA0003115748430000061
其为三维列向量，
Figure RE-RE-GDA0003115748430000062
和
Figure RE-RE-GDA0003115748430000063
分别代表
Figure RE-RE-GDA0003115748430000064
在x轴、y轴和z轴的坐标值。骨锯坐标系和摄像机坐标系 之间的旋转矩阵An和平移向量Tn分别为
Figure RE-RE-GDA0003115748430000065
和
Figure RE-RE-GDA0003115748430000066
其中，An为3×3的矩阵，Tn为三维列向量。尖端点在骨锯坐标系下的三维坐 标为PNTip＝[XNTip YNTip ZNTip]Τ，其为三维列向量，则有下列公式成立：
Figure BDA0002855884670000071
其中，
Figure BDA0002855884670000072
为三维列向量，
Figure BDA0002855884670000073
表示矩阵Hn中的第i 个元素，代表由于光照、锯片抖动以及背景环境等因素引入的噪声。对上式进 行如下处理：
Figure BDA0002855884670000074
令
Figure BDA0002855884670000075
其为三维输出列向量，
Figure BDA0002855884670000076
表示第n帧图 像求出的输出列向量中的第i个元素。
Figure BDA0002855884670000077
其中，
Figure BDA0002855884670000078
表示第n帧图像求出的旋转矩阵An的第i行转置。
采用LMS优化算法进行求解尖端点在骨锯坐标系下的三维坐标PNTip的过 程如下，假设第j(0＜j≤3N)次迭代求出的权向量表示为PNTip(j)。则对于第j 次迭代有：
Figure BDA0002855884670000079
误差函数可以表示为：
Figure BDA00028558846700000710
则LMS自适应滤波的公式为：
Figure BDA00028558846700000711
其中，μ为步长因子。LMS采用最小均方误差准则进行求解，在比较信 号的相似性时具有“全局性”特点，其对于高斯噪声有很好的抑制效果，但是 对于脉冲噪声的抑制效果不够理想。在骨锯标定过程中，由锯片抖动引入的脉 冲噪声会导致LMS算法的标定精度不够理想。
2改进的骨锯标定方法
2.1共轭梯度法
共轭梯度算法(CG)是一种求解线性方程组最有效的方法之一，并且也 是解决线性优化最有效的算法之一。对于求解函数f(PNTip(j))的最小值问题即 minf(PNTip(j))，其基本形式为：
Figure BDA0002855884670000081
其中，d1,…,dj代表共轭方向，βj,j-1为FR(Fletcher-Reeves)公式中的标量 参数，
Figure BDA0002855884670000082
代表函数f(PNTip(j))在PNTip(j)处的梯度。
CG算法的优化过程如下：
(1)选取PNTip(0)＝[0 0 0]T，
Figure BDA0002855884670000083
和精度ε＞0，令j＝0；
(2)如果
Figure BDA0002855884670000084
停止；否则进行下一步；
(3)根据Wolfe原则计算步长μj：
(4)计算PNTip(j+1)PNTip(j)+μjdj，
Figure BDA0002855884670000085
j＝j+1， 回步骤2：
对于一般函数而言，这是个迭代的过程，并且在迭代过程中需要记录收敛 误差。第j次迭代方向通过对二次函数进行局部二次估计来求出，误差收敛的 速度取决于在迭代过程中局部二次估计的改变。CG算法对于PNTip(0)的选取、 对下一步PNTip(j+1)的线搜索、整体的收敛情况以及最后的收敛准则都要注意。
CG算法仅仅利用一阶导数信息，但是却克服了最速下降法收敛比较慢的 缺点，而又避免了牛顿法中需要存储、计算Hessian矩阵并且求逆的缺点，具 有存储量小、收敛快、稳定性高等优势。
2.2关联熵及最大关联熵准则
关联熵作为局部相似性的度量，其对于脉冲噪声有很好的抑制作用，关联 熵的定义如下：
Vσ(X,Y)＝E[κσ(X-Y)] (7)
X和Y为两个随机变量，σ为核长，E[·]为数学期望，κσ(·)代表核函数。 对于数据
Figure BDA0002855884670000086
来说，一般通过以下表达式来估计变量X和Y之间的关联 熵：
Figure BDA0002855884670000091
通常情况下选取高斯核
Figure RE-RE-GDA0003115748430000092
来作为核函数。
对于数据x(m)和y(m)而言，它们之间误差的关联熵可作为自适应系统的 代价函数，求解其最大值就是最大关联熵准则(MCC)，数学表达式为：
Figure BDA0002855884670000093
其中，e(m)＝x(m)-y(m)。
MCC是衡量局部相似性的准则，对于非零均值以及存在较大离散值的非 高斯噪声有很强的鲁棒性，其在生物医学信号处理、盲均衡、时延估计等领域 有着广泛的应用。
2.3基于最大关联熵准则的共轭梯度算法
本发明中对于PNTip的求解也可以等价为最优化问题，即求解特定的PNTip使：
maxκσ(e(j)) (10)
对于本发明研究的实数运算，将式(10)转化为最小化问题进行求解即
max(-κσ(e(j))) (11)
其中，
Figure BDA0002855884670000094
令f(PNTip(j-1))＝-κσ(e(j))，则
Figure BDA0002855884670000095
基本流程可以概括如下(采集N帧图像 进行标定)；
(1)对PNTip(j-1)进行初始化，令j＝1(0＜j≤3N)，n＝1(n＝1,2,…,N)， i＝1(i＝1,2,3)。选取初始值PNTip(0)＝[0 0 0]T(相当于权向量w(n)＝[0 0 0]T)，
Figure BDA0002855884670000101
(2)计算步长μj，其中步长满足强Wolfe-Powell条件即：
Figure BDA0002855884670000102
Figure BDA0002855884670000103
0＜ρ≤ψ＜1/2，本实验取
Figure BDA0002855884670000104
(3)计算PNTip(j)＝PNTip(j-1)+μjdj-1，
Figure BDA0002855884670000105
其中
Figure BDA0002855884670000106
更新i值和n值， j＝j+1。
(4)如果达到迭代次数或相应的精度则终止迭代，否则回到步骤(2)；
共轭梯度法中共轭方向的求解为：
Figure BDA0002855884670000107
从上面的流程不难发现，对于骨锯标定来说，基于最大关联熵准则的共轭 梯度算法中的权向量更新公式可以表示为以下形式：
PNTip(j)＝PNTip(j-1)+μjdj-1 (13)
本发明算法结合CG算法和关联熵的优点，在抑制脉冲噪声的同时，也加 快了算法的收敛速度。
具体标定时，首先需要将骨锯的锯片尖端点坐标固定在空间中的某一点， 然后使骨锯开始绕着该锯片尖端点进行旋转，双目视觉跟踪系统同时开始采集 图像，通过从图像中获取标定的尖端点的坐标进行计算。采集标定图像的过程 中可以获得一系列权向量
Figure BDA0002855884670000111
和帧图像的输出列向量
Figure BDA0002855884670000112
然后根据 MCC-CG算法流程进行迭代求解。
本实施例中，采集了100帧双目摄像机拍摄的骨锯标定图像，双目摄像机 的分辨率为1280×960，帧率为24Hz。硬件配置如下：CoreTM CPU8.00GHz、 64G内存以及256G固态。软件数据分析工具使用的为Matlab2018。对采集的 100帧骨锯标定图像，通过MCC-CG算法求解骨锯尖端点在骨锯坐标系下的 三维坐标PNTip，并与LMS算法、MCC算法以及CG算法进行了比较。接下来 的仿真实验均进行100次蒙特卡罗仿真来减少偶然性，使实验结果更加可靠。
在本次仿真实验中，设定骨锯尖端点坐标为
Figure BDA0002855884670000113
采集100帧 图像进行标定，分别在高斯噪声和脉冲噪声环境下进行标定误差随着信噪比变 化的实验仿真，将得到的PNTip与已知的骨锯尖端点坐标进行比较，计算标定误 差。噪声环境的设置如下：高斯噪声下，设置信噪比为10dB；脉冲噪声下， 设置其特征指数α＝1.5、广义信噪比为10dB。广义信噪比的公式为：
GSNR＝10log10(Ps/γ) (14)
其中，Ps代表信号的功率，γ代表α稳定分布的离散系数。
实验中，关联熵的核长的选取会对标定精度产生影响。首先，讨论不同核 长下本发明算法的性能表现。固定其它条件不变，脉冲噪声环境下核长均从1 到15.1，步长为0.2。标定图像为60帧时，不同核长下本发明算法的标定结果 如图2所示。从图2可以看出，为了实现本发明算法的最佳性能，σ∈[4.0 8.0] 是较理想的取值区间。所以，本发明在接下来的实验设置核长σ＝5.0。
实验条件保持不变，高斯噪声和脉冲噪声环境下，随着标定图像帧数增加 的标定误差实验结果对比如图3所示，图3(a)是高斯噪声环境下的标定误 差，图3(b)是脉冲噪声环境下的标定误差。从图3中可以看出，在高斯噪 声环境下，本发明算法在收敛效率上要好于其它三种算法。在脉冲噪声环境下， 由于关联熵可以有效的抑制脉冲噪声，所以本发明算法和MCC算法的标定精 度要好于CG算法和LMS算法。在脉冲噪声环境下，本发明算法和MCC算 法在标定精度方面性能相当，但是本发明算法在收敛效率方面要优于MCC算 法。
为了验证不同信噪比条件下本发明算法的标定精度，本发明将对4种算法 在不同信噪比下进行仿真实验，并对4种算法的标定精度进行分析与比较，图 4(a)是高斯噪声环境下的标定误差，图4(b)是脉冲噪声环境下的标定误 差。固定其它实验条件不变，在高斯噪声环境下的信噪比从5dB到15dB，脉 冲噪声环境下的广义信噪比从5dB到15dB，步长均为1dB。固定标定图像为 60帧，不同信噪比下4种算法的标定误差如图4所示。
从图4中可以看出，随着信噪比的增加，4种算法的标定误差均在减小。 在高斯噪声环境下，本发明算法在标定精度上要好于其它三种算法。在脉冲噪 声环境下，由于相关篇可以有效的抑制脉冲噪声，所以本发明算法和MCC算 法的标定精度要好于CG算法和LMS算法。
本发明实施例针对双目视觉下的可见光定位系统，提出新的骨锯尖端点标 定算法。在骨锯标定过程中，锯片抖动会引入脉冲噪声，而LMS算法对于脉 冲噪声的抑制效果不够理想，导致标定精度较低。针对以上问题，本发明将关 联熵和共梯度法相结合，提出基于最大关联熵准则的共轭梯度算法即MCC-CG 算法，该算法在抑制脉冲噪声的同时，加快了算法的收敛速度。实验结果表明 在脉冲噪声环境下，MCC-CG算法相比较MCC算法而言，收敛效率有所提高， 而标定精度上要好于LMS和CG算法。同时，本发明也研究了核长大小对算 法收敛结果的影响以及不同信噪比下的标定误差，实验结果表明固定标定图像 的帧数，4种算法的标定误差均会随着信噪比的增大而减小，并且MCC-CG 算法在不同信噪比下的性能均为最优，这进一步验证了本发明算法的鲁棒性。
与上述实施例1相对应的，本发明实施例2提出了一种手术导航中骨锯标 定系统，该系统包括：
旋转模块，用于将骨锯的锯片尖端点坐标固定在空间中的某一点，然后使 骨锯绕所述锯片尖端点进行旋转；
图像采集模块，用于在旋转骨锯过程中采集N帧手术器械标定图像，N 为大于或等于1的正整数；
标定模块，用于根据采集的N帧手术器械标定图像，采用基于最大关联 熵准则的共轭梯度算法计算锯片尖端点在骨锯坐标系下的三维坐标PNTip。
进一步地，所述图像采集模块包括双目摄像机。
本发明实施例提供的一种手术导航中骨锯标定系统中各部件所执行的功 能均已在上述实施例1中做了详细介绍，因此这里不做过多赘述。
虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述， 但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是 显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均 属于本发明要求保护的范围。

Claims (6)

1.一种手术导航中骨锯标定方法，其特征在于，所述方法包括：
将骨锯的锯片尖端点坐标固定在空间中的某一点，然后使骨锯绕所述锯片尖端点进行旋转；
在旋转骨锯过程中采集N帧手术器械标定图像，N为大于或等于1的正整数；
根据采集的N帧手术器械标定图像，采用基于最大关联熵准则的共轭梯度算法计算锯片尖端点在骨锯坐标系下的三维坐标PNTip。
2.根据权利要求1所述的一种手术导航中骨锯标定方法，其特征在于，根据采集的N帧手术器械标定图像，采用基于最大关联熵准则的共轭梯度算法计算锯片尖端点在骨锯坐标系下的三维坐标PNTip，具体包括：
假设第n帧图像(n＝1,2,…,N)所对应的锯片尖端点在摄像机坐标系下的坐标为
Figure FDA0002855884660000011
其为三维列向量，
Figure FDA0002855884660000012
和
Figure FDA0002855884660000013
分别代表
Figure FDA0002855884660000014
在x轴、y轴和z轴的坐标值；
骨锯坐标系和摄像机坐标系之间的旋转矩阵An和平移向量Tn分别为
Figure FDA0002855884660000015
和
Figure FDA0002855884660000016
其中，An为3×3的矩阵，Tn为三维列向量；
锯片尖端点在骨锯坐标系下的三维坐标为PNTip＝[XNTip YNTip ZNTip]T，其为三维列向量，则有下列公式成立：
Figure FDA0002855884660000017
其中，
Figure FDA0002855884660000018
为三维列向量，
Figure FDA0002855884660000019
表示矩阵Hn中的第i个元素，代表由于光照、针尖抖动以及背景环境等因素引入的噪声，对上式进行如下处理：
Figure FDA00028558846600000110
令
Figure FDA00028558846600000111
其为三维输出列向量，
Figure FDA00028558846600000112
表示第n帧图像求出的输出列向量中的第i个元素，
Figure FDA00028558846600000113
其中，
Figure FDA0002855884660000021
表示第n帧图像求出的旋转矩阵An的第i行转置；
假设第j(0＜j≤3N)次迭代求出的权向量表示为PNTip(j)，则对于第j次迭代有：
Figure FDA0002855884660000022
误差函数可以表示为：
Figure FDA0002855884660000023
3.根据权利要求2所述的一种手术导航中骨锯标定方法，其特征在于，根据采集的N帧手术器械标定图像，采用基于最大关联熵准则的共轭梯度算法计算锯片尖端点在骨锯坐标系下的三维坐标PNTip，具体还包括：
对于PNTip的求解等价为最优化问题，即求解特定的PNTip使：
maxκσ(e(j))；
选取高斯核
Figure DEST_PATH_GDA0003115748430000034
来作为核函数，σ为核长，将上式转化为最小化问题进行求解即
max(-κσ(e(j)))；
其中，
Figure FDA0002855884660000025
令f(PNTip(j-1))＝-κσ(e(j))，则
Figure FDA0002855884660000026
Figure FDA0002855884660000027
代表函数f(PNTip(j))在PNTip(j)处的梯度。
4.根据权利要求3所述的一种手术导航中骨锯标定方法，其特征在于，根据采集的N帧手术器械标定图像，采用基于最大关联熵准则的共轭梯度算法计算锯片尖端点在骨锯坐标系下的三维坐标PNTip，具体还包括：
基于最大关联熵准则的共轭梯度算法流程具体包括：
步骤a、对PNTip(j-1)进行初始化，令j＝1(0＜j≤3N)，n＝1(n＝1,2,…,N)，i＝1(i＝1,2,3)，选取初始值PNTip(0)＝[0 0 0]T，相当于权向量w(n)＝[0 0 0]T，
Figure FDA0002855884660000031
步骤b、计算步长μj，其中步长满足强Wolfe-Powell条件即：
Figure FDA0002855884660000032
Figure FDA0002855884660000033
0＜ρ≤ψ＜1/2，取
Figure FDA0002855884660000034
步骤c、计算PNTip(j)＝PNTip(j-1)+μjdj-1，
Figure FDA0002855884660000035
其中
Figure FDA0002855884660000036
d1,…,dj代表共轭方向，βj,j-1为Fletcher-Reeves公式中的标量参数，更新i值和n值，j＝j+1；
步骤d、如果达到迭代次数或相应的精度则终止迭代，否则回到步骤b；
共轭梯度算法中共轭方向的求解为：
Figure FDA0002855884660000037
对于骨锯标定来说，基于最大关联熵准则的共轭梯度算法中的权向量更新公式表示为以下形式：
PNTip(j)＝PNTip(j-1)+μjdj-1 (13)。
5.一种手术导航中骨锯标定系统，其特征在于，所述系统包括：
旋转模块，用于将骨锯的锯片尖端点坐标固定在空间中的某一点，然后使骨锯绕所述锯片尖端点进行旋转；
图像采集模块，用于在旋转骨锯过程中采集N帧手术器械标定图像，N 为大于或等于1的正整数；
标定模块，用于根据采集的N帧手术器械标定图像，采用基于最大关联熵准则的共轭梯度算法计算锯片尖端点在骨锯坐标系下的三维坐标PNTip。
6.根据权利要求5所述的一种手术导航中骨锯标定系统，其特征在于，所述图像采集模块包括双目摄像机。
CN202011546715.9A 2020-12-23 2020-12-23 一种手术导航中骨锯标定方法及系统 Pending CN113313754A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011546715.9A CN113313754A (zh) 2020-12-23 2020-12-23 一种手术导航中骨锯标定方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011546715.9A CN113313754A (zh) 2020-12-23 2020-12-23 一种手术导航中骨锯标定方法及系统

Publications (1)

Publication Number Publication Date
CN113313754A true CN113313754A (zh) 2021-08-27

Family

ID=77370567

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011546715.9A Pending CN113313754A (zh) 2020-12-23 2020-12-23 一种手术导航中骨锯标定方法及系统

Country Status (1)

Country Link
CN (1) CN113313754A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106344154A (zh) * 2016-09-14 2017-01-25 大连理工大学 一种基于最大相关熵的手术器械尖端点的标定方法
CN106580473A (zh) * 2016-12-29 2017-04-26 中国科学院合肥物质科学研究院 一种应用于手术导航系统的手术器械标定方法
CN106679648A (zh) * 2016-12-08 2017-05-17 东南大学 一种基于遗传算法的视觉惯性组合的slam方法
CN106952347A (zh) * 2017-03-28 2017-07-14 华中科技大学 一种基于双目视觉的超声手术辅助导航系统
CN110946654A (zh) * 2019-12-23 2020-04-03 中国科学院合肥物质科学研究院 一种基于多模影像融合的骨科手术导航系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106344154A (zh) * 2016-09-14 2017-01-25 大连理工大学 一种基于最大相关熵的手术器械尖端点的标定方法
CN106679648A (zh) * 2016-12-08 2017-05-17 东南大学 一种基于遗传算法的视觉惯性组合的slam方法
CN106580473A (zh) * 2016-12-29 2017-04-26 中国科学院合肥物质科学研究院 一种应用于手术导航系统的手术器械标定方法
CN106952347A (zh) * 2017-03-28 2017-07-14 华中科技大学 一种基于双目视觉的超声手术辅助导航系统
CN110946654A (zh) * 2019-12-23 2020-04-03 中国科学院合肥物质科学研究院 一种基于多模影像融合的骨科手术导航系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
宋省伟: "双目视觉手术导航系统关键技术研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, pages 12 - 35 *

Similar Documents

Publication Publication Date Title
US7747307B2 (en) Method and system for marker localization
CN106683122B (zh) 一种基于高斯混合模型和变分贝叶斯的粒子滤波方法
Geers et al. Computing strain fields from discrete displacement fields in 2D-solids
CN110542406B (zh) 基于emd-mpf改进的陀螺仪信号去噪方法
Hao et al. Comparison of unscented kalman filters
CN111722214B (zh) 雷达多目标跟踪phd实现方法
CN111623703A (zh) 一种基于新型卡尔曼滤波的北斗变形监测实时处理方法
CN108801131B (zh) 北斗高频变形监测数据的滤波方法及系统
CN111221123B (zh) 一种基于模型的无波前传感器自适应光学校正方法
Barcons Confusion noise and source clustering
CN110311652A (zh) 一种欠观测条件下的增量求积分卡尔曼滤波方法
CN108469609B (zh) 一种用于雷达目标跟踪的检测信息滤波方法
CN113313754A (zh) 一种手术导航中骨锯标定方法及系统
JP5361008B2 (ja) パーティクルフィルターに基づく音響センサーを利用した３次元空間での客体追跡方法
Davis et al. Predicting accuracy in pose estimation for marker-based tracking
CN111553954B (zh) 一种基于直接法单目slam的在线光度标定方法
Xu et al. Rao-Blackwellised particle filter for tracking with application in visual surveillance
Jorgensen et al. Charge exchange contribution to the decay of the ring current, measured by energetic neutral atoms (ENAs)
CN110716219A (zh) 一种提高定位解算精度的方法
CN108871320A (zh) 基于概率数据关联的地磁匹配方法
CN113569393A (zh) 一种稳健的绝对定向算法
CN113008235A (zh) 基于矩阵k-l散度的多源导航信息融合方法
Wang et al. A fast onboard star-extraction algorithm optimized for the SVOM Visible Telescope
Jolissaint et al. Exploring the impact of PSF reconstruction errors on the reduction of astronomical adaptive optics based data
JPH05259811A (ja) フィルタ

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20220120

Address after: 215000 office area, 4th floor, No. 6, Yuping Road, science and Technology City, high tech Zone, Huqiu District, Suzhou City, Jiangsu Province

Applicant after: Kuanrui Intelligent Technology (Suzhou) Co.,Ltd.

Address before: 211800 no.22-23, Dangui Road, Pukou District, Nanjing City, Jiangsu Province

Applicant before: Nanjing Linghua Microelectronics Technology Co.,Ltd.