一种基于UWB标记点的骨科手术导航注册方法技术

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。需要重新标定。需要重新标定。

【技术实现步骤摘要】
一种基于UWB标记点的骨科手术导航注册方法


[0001]本专利技术涉及手术导航定位
，具体为一种基于UWB标记点的骨科手术导航注册方法。

技术介绍

[0002]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：
[0003]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。
[0004]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。
[0005]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。
[0006]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。

技术实现思路

[0007]本专利技术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
技术介绍
中提出的问题。
[0008]为实现上述目的，本专利技术提供如下技术方案：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；
[0009]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；
[0010]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。
[0011]优选的，所述步骤S1，三维重建的具体步骤为：
[0012]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；
[0013]其中隐含层包括两对特征映射层和卷积采样层；
[0014]第一个特征映射层包含了6个面，降采样率为3；
[0015]第二个特征映射层包含12个面，降采样率为3；
[0016]其中在特征层的卷积滤波核大小为5*5；
[0017]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；
[0018]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；
[0019]S13，图像后处理；
[0020]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。
[0021]优选的，步骤S13，图像后处理的具体操作为：
[0022]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；
[0023]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；
[0024]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。
[0025]优选的，所述步骤S2，标记点注册的具体步骤为：
[0026]S21，标记点坐标获取：
[0027]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：
[0028]r
i，j
＝r
i
‑
r
j
＝c(t
i
‑
t
j
)
[0029]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；
[0030]t为信号在基站与标签之间的传播时间；
[0031]把第一个基站作为基准基站，TDOA双曲线模型可表示为：
[0032][0033]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；
[0034]S22，坐标转换：
[0035]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<本文档来自技高网...

【技术保护点】

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：王金泉，王义君，刘广文，
申请(专利权)人：长春理工大学，
类型：发明
国别省市：