一种基于特征的手术导航自动配准方法技术

本申请提出了一种基于特征的手术导航自动配准方法

【技术实现步骤摘要】
一种基于特征的手术导航自动配准方法、存储介质


[0001]本专利技术属于医疗器械这一
，具体涉及一种基于特征的手术导航自动配准方法
、
存储介质
。

技术介绍

[0002]目前，手术导航系统已在许多外科手术中得到应用，特别是在神经外科手术中，实现在病变位置的准确定位下选择最佳手术路径，减少手术创伤
。
[0003]手术导航的基本原理是通过空间配准建立图像空间
(
术前医学影像重建的虚拟解剖模型
)
与患者空间
(
患者真实解剖结构
)
的位姿变换映射关系后，将手术器械实际位姿实时映射到图像空间，实现可视化图像引导下的器械操作
。
因此，实现图像空间与患者空间配准的方法是手术导航系统的重点与难点，直接影响着整个导航系统的精度
。
[0004]现有的手术导航系统中的空间配准可以分为两大类型：
[0005]第一，基于点匹配的方法
。
基于点匹配的方法
(
如：
CN115363753A、CN115887003A、CN113349930A)
包括：骨锚标记点
、
解剖标记点及粘贴于皮肤表面的标记点
。
通过将基于术前医学影像重建的三维模型中获取的标记点与通过定位跟踪设备捕捉探针位置所获得的患者术中标记点相匹配完成空间配准
。
其中，骨锚标记点的精度最高，但需术前进行标记点的植入，给患者带来了额外的创伤；解剖标记点与粘贴标记点虽然减少了创伤，但容易受到表面皮肤变形的影响，精度较差
。
[0006]第二，基于表面匹配的方法
。
基于表面匹配的方法
(
如
CN105658167A)
采用的
ICP
算法对待配准点云间的初始位姿有较高要求，需要基于解剖标记点通过基于点匹配的方法进行手动的粗配准，导致配准无法自动完成，对配准速度有较大影响，且可能造成配准失败
。
[0007]上述几种方式的导航精度不足，还无法满足如神经外科手术这样精细化要求较高的手术需求
。
因此，需要研发一种精度较高的手术导航自动配准方法
。

技术实现思路

[0008]本专利技术的目的是为了解决上述现有技术存在的问题，提供一种基于特征的手术导航自动配准方法
、
存储介质
。
[0009]本申请的技术方案如下：
[0010]一种基于特征的手术导航自动配准方法，其包括如下步骤：
[0011]S100
，获取术前皮肤表面三维数据；
[0012]S200
，获得术前兴趣区域三维数据；
[0013]S300
，获取术中兴趣区域三维数据：对
S200
所获取的三维数据进行处理，以获得术中兴趣区域三维数据；
[0014]S400
，对所述术前兴趣区域三维数据
、
术中兴趣区域三维数据进行处理，以获得术前单尺度特征独特
、
多尺度特征持续区域三维数据以及术中单尺度特征独特和多尺度特征持续区域三维数据；
[0015]S500
，获得第一空间变换矩阵
TR
A
：通过基于特征的自动配准方法对所述术前单尺度特征独特
、
多尺度特征持续区域三维数据和所述术中单尺度特征独特
、
多尺度特征持续区域三维数据进行粗配准，以获得第一空间变换矩阵；
[0016]S600
，获得第二空间变换矩阵
TR
B
：基于所述第一空间变换矩阵对所述术前兴趣区域三维数据和所述术中兴趣区域三维数据进行基于所述术中稳定区域三维数据加权的精配准，以获得第二空间变换矩阵；
[0017]S700
，获得术中真实空间到术前医学影像空间的空间映射关系
TR
c
；
[0018]TR
c
＝
TR
B
·
TR
A
。
[0019]进一步，
S100
包括如下子步骤：
[0020]S101
，对获取的术前医学影像进行预处理，以获得预处理后的术前医学影像；
[0021]S102
，采用阈值分割对预处理后的术前医学影像进行分割，以获取术前皮肤表面的影像数据；
[0022]S103
，根据所述术前皮肤表面的影像数据进行重建，以获得术前皮肤表面三维数据
。
[0023]进一步，
S200
还包括：对所述术前皮肤表面三维数据进行处理，以获得术前兴趣区域三维数据
。
[0024]进一步，
S400
包括如下子步骤：
[0025]S401
，基于所述术前
、
术中兴趣区域三维数据的尺度，获得一组连续区间内离散的特征描述符尺度，使用基于全局度量的特征描述符邻域半径计算方法，获得一组连续
、
离散的特征描述符尺度；
[0026]S402
，基于
S401
得到的特征描述符尺度的半径分别计算所述术前和术中兴趣区域三维数据的各个单尺度特征描述符；
[0027]S403
，基于距离度量计算所述术前兴趣区域三维数据各个单尺度特征描述符法特征描述符的均值
μ
和标准差
σ
；
[0028]S404
，根据所述各个单尺度特征描述符的均值
μ
和标准差
σ
，获得区间
μ
±
α
·
σ
以外的单尺度特征独特的特征描述符及其所对应的单尺度特征独特区域三维数据；
[0029]S405
，对各个单尺度特征独特的特征描述符进行交集处理，以获得单尺度特征独特
、
多尺度特征持续的特征描述符及其所对应的术前和术中单尺度特征独特
、
多尺度特征持续区域三维数据
。
[0030]进一步，
S500
包括如下子步骤：
[0031]S501
，对所述术前单尺度特征独特
、
多尺度特征持续区域三维数据和所述术中单尺度特征独特
、
多尺度特征持续区域三维数据进行特征检测，以获得术前单尺度特征独特
、
多尺度特征持续区域关键三维数据和术中单尺度特征独特
、
多尺度特征持续区域关键三维点云数据；
[0032]S502
，对所述术前单尺度特征独特
、
多尺度特征持续区域关键三维数据和术中单尺度特征独特
、
多尺度特征持续区域本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于特征的手术导航自动配准方法，其特征在于，包括如下步骤：
S100
，获取术前皮肤表面三维数据；
S200
，获得术前兴趣区域三维数据；
S300
，获取术中兴趣区域三维数据：对
S200
所获取的三维数据进行处理，以获得术中兴趣区域三维数据；
S400
，对所述术前兴趣区域三维数据
、
术中兴趣区域三维数据进行处理，以获得术前单尺度特征独特
、
多尺度特征持续区域三维数据以及术中单尺度特征独特和多尺度特征持续区域三维数据；
S500
，获得第一空间变换矩阵
TR
A
：通过基于特征的自动配准方法对所述术前单尺度特征独特
、
多尺度特征持续区域三维数据和所述术中单尺度特征独特
、
多尺度特征持续区域三维数据进行粗配准，以获得第一空间变换矩阵；
S600
，获得第二空间变换矩阵
TR
B
：基于所述第一空间变换矩阵对所述术前兴趣区域三维数据和所述术中兴趣区域三维数据进行基于所述术中稳定区域三维数据加权的精配准，以获得第二空间变换矩阵；
S700
，获得术中真实空间到术前医学影像空间的空间映射关系
TR
c
；
TR
c
＝
TR
B
·
TR
A
。2.
根据权利要求1所述的一种基于特征的手术导航自动配准方法，其特征在于，
S100
包括如下子步骤：
S101
，对获取的术前医学影像进行预处理，以获得预处理后的术前医学影像；
S102
，采用阈值分割对预处理后的术前医学影像进行分割，以获取术前皮肤表面的影像数据；
S103
，根据所述术前皮肤表面的影像数据进行重建，以获得术前皮肤表面三维数据
。3.
根据权利要求1所述的一种基于特征的手术导航自动配准方法，其特征在于，
S200
还包括：对所述术前皮肤表面三维数据进行处理，以获得术前兴趣区域三维数据
。4.
根据权利要求1所述的一种基于特征的手术导航自动配准方法，其特征在于，
S400
包括如下子步骤：
S401
，基于所述术前
、
术中兴趣区域三维数据的尺度，获得一组连续区间内离散的特征描述符尺度，使用基于全局度量的特征描述符邻域半径计算方法，获得一组连续
、
离散的特征描述符尺度；
S402
，基于
S401
得到的特征描述符尺度的半径分别计算所述术前和术中兴趣区域三维数据的各个单尺度特征描述符；
S403
，基于距离度量计算所述术前兴趣区域三维数据各个单尺度特征描述符法特征描述符的均值
μ
和标准差
σ
；
S404
，根据所述各个单尺度特征描述...

【专利技术属性】
技术研发人员：陈柏，曹嘉楷，邵龙，刘珂铭，蒋素荣，鞠锋，丁力平，王灵禺，吴栋堂，
申请(专利权)人：宁波锐康智能科技有限公司，
类型：发明
国别省市：