CN116650115A - 一种基于uwb标记点的骨科手术导航注册方法 - Google Patents

Abstract

一种基于UWB标记点的骨科手术导航注册方法，在患者患部周围使用UWB模块作为标定点进行标定，通过医学影像设备扫描得到DICOM数据，采用卷积神经网络与集成学习算法Xgboost相结合对医学影像数据进行预处理，最后通过面绘制Marching Cubes方法进行三维重建，利用UWB定位算法获取标定点的空间坐标系，根据实际空间坐标系与虚拟空间坐标系下的注册点数目，寻找最优变换矩阵，使得变换后的坐标与虚拟坐标系坐标最为接近。通过SVD矩阵分解方式求解平移变换矩阵和旋转变换矩阵，四元数算法结合齐次坐标理论求解尺度变换参数，在标记点移动时，重复步骤即可完成空间实时配准以及基于UWB标记点的注册。避免了术中非主动因素的移动从而需要重新标定。

Description

一种基于UWB标记点的骨科手术导航注册方法

技术领域

本发明涉及手术导航定位技术领域，具体为一种基于UWB标记点的骨科手术导航注册方法。

背景技术

空间配准技术是手术导航系统定位技术的核心，其目的是获得患者骨骼的参考实体部位与其三维虚拟模型之间的空间转换关系，为骨科手术导航系统实现精确和高效的定位性能提供前提保障。目前，临床上应用的空间配准方法是利用骨骼实体及其三维虚拟模型上的对应基准点完成点云配准，具体可分为以下两类：

基于医学标记物的成对标记配准方法。采取该方法时，通常需要将医用标记物植入患者骨骼，以使这些标记能在图像空间中清晰显示，并在患者空间采集，从而保证较高的点云样本采集精度。

基于解剖特征结构特征的非成对标记配准方法。在患者空间和图像空间中分别获取能描述患者骨骼解剖结构的点云数据，再通过空间配准算法对这两组点云进行配准。

基于医学的标记物成对标记配准方法虽然精度较高，但是标记物的植入会增加患者痛苦和心理负担，且在术中很可能发生标记物轻微移动的情况，移动后需要重新进行标记配准，加大了手术难度，甚至在某些情况下无法顺利植入。

基于解剖特征结构特征的非成对标记配准方法由于需要找到两组空间的点云数据集再通过算法进行配准，这种方法理论性较强，但实施起来有很大的误差，ICP算法是目前解决三维点云配准问题的最常用算法，其主要思想是寻找最佳的行提变换使两组最近对应点之间的平均距离最小，当前ICP算法存在很多缺陷，例如两组点云初始位置和姿态相差较大，且没有被提供良好的初始变换值，其迭代运算次数将会增加，配准结果也容易陷入局部最优解，并造成配准失败，此外随着点云样本数量的增加，在搜索最近点的过程会增大计算量，进而造成配准效率和实时性差。

发明内容

本发明的目的在于提供一种基于UWB标记点的骨科手术导航注册方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种基于UWB标记点的骨科手术导航注册方法，包括S1，三维重建和S2，标记点注册；

三维重建是利用医学影像扫描设备对已经标定好的患部进行扫描，然后对扫描后得到的医学影像数据进行图像分割，图像分割采用卷积神经网络作为特征训练器，卷积神经网络架构由卷积层、池化层、全连接层和输出层组成，将训练好的卷积神经网络模型的最后一层——输出层，替换为集成学习xgboost分类器的特征向量输入，由xgboost分类器输出图像概率图，进行自动阈值分割和孤立区域移除，最后输出分割好的图像；

标记点注册是标记点的实际空间坐标通过UWB定位获取，在标记点的实际空间坐标向虚拟空间坐标的转换中，根据实际空间坐标系与虚拟空间坐标系下的注册点数目，寻找一个最优变换矩阵使得变换后的坐标与虚拟坐标系下的坐标最为接近，然后将标记点变换矩阵分解为彼此独立的平移变换矩阵、旋转变换矩阵和尺度变换参数，最后通过四元数算法结合齐次坐标理论求解平移变换矩阵和旋转变换矩阵，对于平移矩阵可以用平移向量表示，旋转矩阵则用欧拉角和四元数来表示，在标记点移动时，重复步骤即可完成空间实时配准以及基于UWB标记点的注册。

优选的，所述步骤S1，三维重建的具体步骤为：

S11，采用卷积神经网络训练一个特征提取器，卷积神经网络由输入层、隐含层、输出层组成；

其中隐含层包括两对特征映射层和卷积采样层；

第一个特征映射层包含了6个面，降采样率为3；

第二个特征映射层包含12个面，降采样率为3；

其中在特征层的卷积滤波核大小为5*5；

在平衡了时间和速率前提下，本文中训练模型的训练轮数为100轮，窗口大小设定为61，在此卷积神经网络框架基础上，将训练好的卷积神经网络模型的最后一层的特征作为xgboost分类器的输入，即将原始的网络结构的最后一层的输出层替换为xgboost分类器的特征向量的输入；

S12，采用xgboost作为模式识别算法，通过上一步，基于卷积神经网络的特征提取器已经训练好了，然后将测试集合输入特征提取器进行特征集合的学习，将整个框架的最后一层输出层用xgboost来代替，将学习来的108维的特征向量来训练整个xgboost分类器，随机森林分类器训练完成之后就可以对测试集合进行分割得到图像的概率分布；

S13，图像后处理；

S14，采用面绘制算法，首先确定包含等值面的体元，采用线性插值方法寻找到等值面和体元的交点，最后求等值面的法向量完成医学图像的三维重建。

优选的，步骤S13，图像后处理的具体操作为：

S131，根据xgboost算法返回的细胞膜概率图，使用Fiji提供的自动阈值方法进行了自动阈值分割；

S132，迭代执行无关孤立区域的移除，其中区域的移除准则是基于区域属性的一系列的阈值操作；

所使用到的区域属性有区域面积，欧拉函数，与区域具有相同标准二阶中心矩的椭圆的离心率，以及同时在区域和其最小凸多边形中的像素比例。

优选的，所述步骤S2，标记点注册的具体步骤为：

S21，标记点坐标获取：

TDOA测距技术是通过UWB模块得到信号在两个不同基站到定位标签的到达时间差值，乘上电磁波传播速度c获得距离差值：

r_i，j＝r_i-r_j＝c(t_i-t_j)

式中，r_i，j为标记点到第i个基站与标记点到第j个基站的距离差值，r_i为标记点到第i个基站的测距值，i≠j；i，j＝1,2，...n；n为总的基站个数；

t为信号在基站与标签之间的传播时间；

把第一个基站作为基准基站，TDOA双曲线模型可表示为：

式中，r_i，1为标记点到第i个基站与定位标签到基准基站的距离差，(x，y)表示标记点真实的位置坐标，(x_i，y_i)表示第i个基站的平面坐标；

S22，坐标转换：

令TDOA测距技术求得的标记点在实时手术空间的坐标为{P_n}，影像三维可视化后得到的标记点在计算机空间的坐标为{I_n}，n＝1,2，...，N，N为标记点总个数，W为平移变换矩阵，V为旋转变换矩阵，s为伸缩因子，则当{P_n}与{I_n}的变换矩阵S满足条件时，当前的变换矩阵S_P-1就是{P_n}与{I_n}的最优变换矩阵，采用单位四元数和齐次坐标理论可求出S_P-1。具体算法过程如下：

求出标记点组在实时空间和计算机空间下的中心坐标，其中P₀为标记点组在实时手术空间的中心坐标，I₀为标记点组在计算机空间下的中心坐标；

然后将标记点组队在两个空间下的坐标转变为关于中心坐标的相对坐标值，其中P^′ _n为第n个标记点在实时手术空间中的相对坐标值，I^′ _n为第n个标记点在计算机空间下的相对坐标值；

根据矩阵论和四元数理论，可用q(q₀,q₁,q₂,q₃)表示最优旋转变换矩阵V；

求解伸缩因子s，使最优变换矩阵由上式可得/>由于最优旋转变换矩阵V为刚体变换，则有‖V(P^′ _n)‖＝‖I^′ _n‖，将其带入最优变换矩阵S，可求得满足条件的伸缩因子s：

求解最优平移变换矩阵：

W＝P_n-sV(I_n)

有下式可解出最优变换矩阵：

利用该最优变换矩阵，可解出手术导航系统中从实时手术空间到计算机空间的空间映射关系，完成手术过程中注册过程。

优选的，在步骤S21，标记点坐标获取中，将原始TDOA值代入Chan氏算法，计算获取UWB定位标签的初步定位坐标，然后计算其残差平方和，计算公式为:

然后进行误差剔除，残差的作用是衡量一组TDOA值和对应定位结果两者间的接近程度，在UWB定位系统误差的主要来源是NLOS误差的情况下，NLOS误差对一组测量值影响越大，其计算得到的残差值越大；

因此，设置门限值为R_ws≤Δ，与残差值进行比较，剔除包含较大NLOS误差的TDOA测量值；

当残差值大于门限值时，说明Chan氏算法计算获得的估计坐标到基站的距离差值与传感器测量获得的标签到基站之间的TDOA测量值存在较大偏差，在NLOS误差作为定位系统的主要误差时，表明TDOA测量值含有较大的NLOS误差，则将对应的一组TDOA测量值剔除

当残差值小于等于门限值，则视为测量值的误差较小；

最后，定位标签位置坐标估计，将筛选出的较小误差的TDOA测量值重新带入标准EKF滤波算法中，即可得到最终手术器械的标记点真实精确的位置坐标。

与现有技术相比，本发明的有益效果是：本发明提出一种新型标记点配准方法，采用UWB模型作为标记物，由于UWB的芯片级无线定位技术，在使用UWB模块作为标记物时，术中标记物轻微移动或者患者移动，可以通过UWB的实时定位技术进行坐标纠正，不需要进行重新标定配准，并且当前UWB定位算法成熟，精确度高，可视化手段强。标点物的空间坐标系可以通过已经设置好的定位算法获得，最后通过坐标转换得到标记点的虚拟坐标系。在保证了精度的同时也消除了重新配准。

附图说明

图1为本发明的整体流程框图。

具体实施方式

下面将根据附图对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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。

本发明提出一种新型标记点配准方法，采用UWB模型作为标记物，由于UWB的芯片级无线定位技术，在使用UWB模块作为标记物时，术中标记物轻微移动或者患者移动，可以通过UWB的实时定位技术进行坐标纠正，不需要进行重新标定配准，并且当前UWB定位算法成熟，精确度高，可视化手段强。标点物的空间坐标系可以通过已经设置好的定位算法获得，最后通过坐标转换得到标记点的虚拟坐标系。在保证了精度的同时也消除了重新配准。

本发明主要分为两个方面，具体为术前的三维重建与标记点注册。其中三维重建是标记点注册的基础，精确的三维重建可以更好的展现标定点的虚拟坐标系。整体框架图见附图1，具体为：

1)三维重建

利用医学影像扫描设备对已经标定好的患部进行扫描，然后对扫描后得到的医学影像数据进行图像分割，图像分割采用卷积神经网络作为特征训练器，卷积神经网络架构由卷积层、池化层、全连接层和输出层组成，将训练好的卷积神经网络模型的最后一层——输出层，替换为集成学习xgboost分类器的特征向量输入，由xgboost分类器输出图像概率图，进行自动阈值分割和孤立区域移除，最后输出分割好的图像(即图像关键目标区域的提取和部分组织的定量表示)。由面绘制Marching Cubes方法进行三维重建。方法描述如下：

1.首先是采用卷积神经网络训练一个特征提取器，本发明的卷积神经网络由输入层、隐含层、输出层组成。其中隐含层包括两对特征映射层和卷积采样层。第一个特征映射层包含了6个面，降采样率为3。第二个特征映射层包含12个面，降采样率为3。其中在特征层的卷积滤波核大小为5*5。在平衡了时间和速率前提下，本文中训练模型的训练轮数为100轮，窗口大小设定为61.在此卷积神经网络框架基础上，将训练好的卷积神经网络模型的最后一层的特征作为xgboost分类器的输入，即，将原始的网络结构的最后一层的输出层替换为xgboost分类器的特征向量的输入。

2.其次是基于集成学习xgboost的图像分割，在现有的算法中，xgboost算法的精度是无可比拟的；对于大数据量能够保持高效的性能。并且xgboost可以有效估计数据缺失，对于那些没有删减很多的输入变量都可以直接处理并且保持精确度不变。xgboost在分类的过程中，对于每一个变量都可以给出一个评价来确定该变量的重要性。并且，xgboost在构建的过程之中可以生成一个针对泛化误差的一种无偏的内部估计。对于那些不平衡的数据集合中，可以有效的进行误差的平衡。而且训练好之后的xgboost可以保存下来，为解决其他的数据做准备。并且聚类的分析可以通过计算实例之间的相似对来实现，这样就可以明确异常点。

因此本设计采用xgboost作为模式识别算法，通过上一步，基于卷积神经网络的特征提取器已经训练好了，然后将测试集合输入特征提取器进行特征集合的学习，将整个框架的最后一层输出层用xgboost来代替，将学习来的108维的特征向量来训练整个xgboost分类器，随机森林分类器训练完成之后就可以对测试集合进行分割得到图像的概率分布。

3.最后是图像后处理，本发明图像后处理依旧分为两步：一是根据xgboost算法返回的细胞膜概率图，使用Fiji提供的自动阈值方法进行了自动阈值分割，可有效提高细胞膜的连续性；二是迭代执行无关孤立区域的移除，其中区域的移除准则是基于区域属性的一系列的阈值操作。所使用到的区域属性有区域面积，欧拉函数，与区域具有相同标准二阶中心矩的椭圆的离心率(Eccentricity),以及同时在区域和其最小凸多边形中的像素比例(Solidity)等。

4.三维重建，采用面绘制算法，首先确定包含等值面的体元，采用线性插值方法寻找到等值面和体元的交点，最后求等值面的法向量完成医学图像的三维重建。

2)标定点注册

标记点的实际空间坐标通过UWB定位(TDOA)获取，在标记点的实际空间坐标向虚拟空间坐标的转换中，根据实际空间坐标系与虚拟空间坐标系下的注册点数目，寻找一个最优变换矩阵使得变换后的坐标与虚拟坐标系下的坐标最为接近。然后将标记点变换矩阵分解为彼此独立的平移变换矩阵、旋转变换矩阵和尺度变换参数。最后通过四元数算法结合齐次坐标理论求解平移变换矩阵和旋转变换矩阵。对于平移矩阵可以用平移向量表示，旋转矩阵则用欧拉角和四元数来表示。在标记点移动时，重复步骤即可完成空间实时配准以及基于UWB标记点的注册。具体实施如下：

1.标记点坐标获取：

TDOA测距技术是通过UWB模块得到信号在两个不同基站到定位标签的到达时间差值，乘上电磁波传播速度c获得距离差值：

r_i，j＝r_i-r_j＝c(t_i-t_j)

式中，r_i，j为标记点到第i个基站与标记点到第j个基站的距离差值，r_i为标记点到第i个基站的测距值，i≠j；i，j＝1,2，...n；n为总的基站个数。t为信号在基站与标签之间的传播时间。把第一个基站作为基准基站，TDOA双曲线模型可表示为：

式中，r_i，1为标记点到第i个基站与定位标签到基准基站的距离差，(x，y)表示标记点真实的位置坐标，(x_i，y_i)表示第i个基站的平面坐标。

首先将原始TDOA值代入Chan氏算法，计算获取UWB定位标签的初步定位坐标，然后计算其残差平方和，计算公式为：

然后进行误差剔除，残差的作用是衡量一组TDOA值和对应定位结果两者间的接近程度，在UWB定位系统误差的主要来源是NLOS误差的情况下，NLOS误差对一组测量值影响越大，其计算得到的残差值越大。因此，设置门限值为R_ws≤Δ，与残差值进行比较，剔除包含较大NLOS误差的TDOA测量值。当残差值大于门限值时，说明Chan氏算法计算获得的估计坐标到基站的距离差值与传感器测量获得的标签到基站之间的TDOA测量值存在较大偏差，在NLOS误差作为定位系统的主要误差时，表明TDOA测量值含有较大的NLOS误差，则将对应的一组TDOA测量值剔除。若残差值小于等于门限值，则视为测量值的误差较小。

最后，定位标签位置坐标估计，将筛选出的较小误差的TDOA测量值重新带入标准EKF滤波算法中，即可得到最终手术器械的位置坐标。

2.坐标转换：

令TDOA测距技术求得的标记点在实时手术空间的坐标为{P_n}，影像三维可视化后得到的标记点在计算机空间的坐标为{I_n}，n＝1,2，...，N，N为标记点总个数，W为平移变换矩阵，V为旋转变换矩阵，s为伸缩因子，则当{P_n}与{I_n}的变换矩阵S满足条件时，当前的变换矩阵S_P-1就是{P_n}与{I_n}的最优变换矩阵，采用单位四元数和齐次坐标理论可求出S_P-1。具体算法过程如下：

求出标记点组在实时空间和计算机空间下的中心坐标，其中P₀为标记点组在实时手术空间的中心坐标，I₀为标记点组在计算机空间下的中心坐标。

然后将标记点组队在两个空间下的坐标转变为关于中心坐标的相对坐标值，其中P′_n为第n个标记点在实时手术空间中的相对坐标值，I′_n为第n个标记点在计算机空间下的相对坐标值。

根据矩阵论和四元数理论，可用q(q₀，q₁，q₂，q₃)表示最优旋转变换矩阵V。

求解伸缩因子s，使最优变换矩阵由上式可得/>由于最优旋转变换矩阵V为刚体变换，则有||V(P′_n)||＝||I′_n||，将其带入最优变换矩阵S，可求得满足条件的伸缩因子s：

求解最优平移变换矩阵：

W＝P_n-sV(I_n)

有下式可解出最优变换矩阵：

利用该最优变换矩阵，可解出手术导航系统中从实时手术空间到计算机空间的空间映射关系，完成手术过程中注册过程。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (5)

1.一种基于UWB标记点的骨科手术导航注册方法，其特征在于，包括S1，三维重建和S2，标记点注册；

三维重建是利用医学影像扫描设备对已经标定好的患部进行扫描，然后对扫描后得到的医学影像数据进行图像分割，图像分割采用卷积神经网络作为特征训练器，卷积神经网络架构由卷积层、池化层、全连接层和输出层组成，将训练好的卷积神经网络模型的最后一层——输出层，替换为集成学习xgboost分类器的特征向量输入，由xgboost分类器输出图像概率图，进行自动阈值分割和孤立区域移除，最后输出分割好的图像；

标记点注册是标记点的实际空间坐标通过UWB定位获取，在标记点的实际空间坐标向虚拟空间坐标的转换中，根据实际空间坐标系与虚拟空间坐标系下的注册点数目，寻找一个最优变换矩阵使得变换后的坐标与虚拟坐标系下的坐标最为接近，然后将标记点变换矩阵分解为彼此独立的平移变换矩阵、旋转变换矩阵和尺度变换参数，最后通过四元数算法结合齐次坐标理论求解平移变换矩阵和旋转变换矩阵，对于平移矩阵可以用平移向量表示，旋转矩阵则用欧拉角和四元数来表示，在标记点移动时，重复步骤即可完成空间实时配准以及基于UWB标记点的注册。

2.根据权利要求1所述的一种基于UWB标记点的骨科手术导航注册方法，其特征在于：所述步骤S1，三维重建的具体步骤为：

S11，采用卷积神经网络训练一个特征提取器，卷积神经网络由输入层、隐含层、输出层组成；

其中隐含层包括两对特征映射层和卷积采样层；

第一个特征映射层包含了6个面，降采样率为3；

第二个特征映射层包含12个面，降采样率为3；

其中在特征层的卷积滤波核大小为5*5；

在平衡了时间和速率前提下，本文中训练模型的训练轮数为100轮，窗口大小设定为61，在此卷积神经网络框架基础上，将训练好的卷积神经网络模型的最后一层的特征作为xgboost分类器的输入，即将原始的网络结构的最后一层的输出层替换为xgboost分类器的特征向量的输入；

S12，采用xgboost作为模式识别算法，通过上一步，基于卷积神经网络的特征提取器已经训练好了，然后将测试集合输入特征提取器进行特征集合的学习，将整个框架的最后一层输出层用xgboost来代替，将学习来的108维的特征向量来训练整个xgboost分类器，随机森林分类器训练完成之后就可以对测试集合进行分割得到图像的概率分布；

S13，图像后处理；

S14，采用面绘制算法，首先确定包含等值面的体元，采用线性插值方法寻找到等值面和体元的交点，最后求等值面的法向量完成医学图像的三维重建。

3.根据权利要求2所述的一种基于UWB标记点的骨科手术导航注册方法，其特征在于：步骤S13，图像后处理的具体操作为：

S131，根据xgboost算法返回的细胞膜概率图，使用Fiji提供的自动阈值方法进行了自动阈值分割；

S132，迭代执行无关孤立区域的移除，其中区域的移除准则是基于区域属性的一系列的阈值操作；

所使用到的区域属性有区域面积，欧拉函数，与区域具有相同标准二阶中心矩的椭圆的离心率,以及同时在区域和其最小凸多边形中的像素比例。

4.根据权利要求1所述的一种基于UWB标记点的骨科手术导航注册方法，其特征在于：所述步骤S2，标记点注册的具体步骤为：

S21，标记点坐标获取：

TDOA测距技术是通过UWB模块得到信号在两个不同基站到定位标签的到达时间差值，乘上电磁波传播速度c获得距离差值：

r_i,j＝r_i-r_j＝c(t_i-t_j)

式中，r_i,j为标记点到第i个基站与标记点到第j个基站的距离差值，r_i为标记点到第i个基站的测距值，i≠j；i，j＝1,2，...n；n为总的基站个数；

t为信号在基站与标签之间的传播时间；

把第一个基站作为基准基站，TDOA双曲线模型可表示为：

式中，r_i，1为标记点到第i个基站与定位标签到基准基站的距离差，(x，y)表示标记点真实的位置坐标，(x_i，y_i)表示第i个基站的平面坐标；

S22，坐标转换：

令TDOA测距技术求得的标记点在实时手术空间的坐标为{P_n}，影像三维可视化后得到的标记点在计算机空间的坐标为{I_n}，n＝1,2，...，N，N为标记点总个数，W为平移变换矩阵，V为旋转变换矩阵，s为伸缩因子，则当{P_n}与{I_n}的变换矩阵S满足条件时，当前的变换矩阵S_P-1就是{P_n}与{I_n}的最优变换矩阵，采用单位四元数和齐次坐标理论可求出S_P-1；具体算法过程如下：

求出标记点组在实时空间和计算机空间下的中心坐标，其中P₀为标记点组在实时手术空间的中心坐标，I₀为标记点组在计算机空间下的中心坐标；

然后将标记点组队在两个空间下的坐标转变为关于中心坐标的相对坐标值，其中P′_n为第n个标记点在实时手术空间中的相对坐标值，I′_n为第n个标记点在计算机空间下的相对坐标值；

根据矩阵论和四元数理论，可用q(q₀，q₁，q₂，q₃)表示最优旋转变换矩阵V；

求解伸缩因子s，使最优变换矩阵由上式可得由于最优旋转变换矩阵V为刚体变换，则有||V(P′_n)||＝||I′_n||，将其带入最优变换矩阵S，可求得满足条件的伸缩因子s：

求解最优平移变换矩阵：

W＝P_n-sV(I_n)

有下式可解出最优变换矩阵：

利用该最优变换矩阵，可解出手术导航系统中从实时手术空间到计算机空间的空间映射关系，完成手术过程中注册过程。

5.根据权利要求4所述的一种基于UWB标记点的骨科手术导航注册方法，其特征在于：在步骤S21，标记点坐标获取中，将原始TDOA值代入Chan氏算法，计算获取UWB定位标签的初步定位坐标，然后计算其残差平方和，计算公式为：

然后进行误差剔除，残差的作用是衡量一组TDOA值和对应定位结果两者间的接近程度，在UWB定位系统误差的主要来源是NLOS误差的情况下，NLOS误差对一组测量值影响越大，其计算得到的残差值越大；

因此，设置门限值为R_ws≤Δ，与残差值进行比较，剔除包含较大NLOS误差的TDOA测量值；

当残差值大于门限值时，说明Chan氏算法计算获得的估计坐标到基站的距离差值与传感器测量获得的标签到基站之间的TDOA测量值存在较大偏差，在NLOS误差作为定位系统的主要误差时，表明TDOA测量值含有较大的NLOS误差，则将对应的一组TDOA测量值剔除；

当残差值小于等于门限值，则视为测量值的误差较小；

最后，定位标签位置坐标估计，将筛选出的较小误差的TDOA测量值重新带入标准EKF滤波算法中，即可得到最终手术器械的标记点真实精确的位置坐标。