【技术实现步骤摘要】
一种面向脊柱微创手术导航的深度学习点云腰椎配准方法
[0001]本专利技术涉及一种面向脊柱微创手术导航的深度学习点云腰椎配准装置,属于医学图像处理
技术介绍
[0002]图像引导手术(Image
‑
Guided Surgery,IGS)图像引导手术系统结合了医学图像处理、空间定位和计算机视觉等技术,通过对手术区域解剖结构的三维重建、目标识别和图像配准获取手术器械与患者手术区域解剖结构的相对位置和姿态关系,同时利用增强现实显示技术将导航结果实时显示用于引导微创脊柱手术的实施。图像引导手术系统能够解决微创脊柱手术尤其是经皮穿刺实施过程中不可视问题,对手术器械植入、椎骨退行性病变等临床手术操作具有重要的现实意义。Hwang等人利用术中获取的多幅二维图像重建三维模型,实现与术前三维图像的配准。但是,术中多幅X线图像的拍摄过程增加了医生和患者的辐射暴露,特别是长期实施手术的外科医生,X线辐射的积累会导致潜在的致病危险。Moura等人提出一种双平面重建技术,其采用可变形铰链模型作为统计学先验知识,通过提取腰椎中线并利用正位和侧位两幅X线图像重建出腰椎的三维模型,实现了2D
‑
3D腰椎图像的配准,但是不同维度的配准算法较为复杂。
技术实现思路
[0003]本专利技术的目的在于克服现有技术中的不足,提供一种面向脊柱微创手术导航的深度学习点云腰椎配准方法,能够减少图像拍摄次数同时实现腰椎图像的快速配准。
[0004]为达到上述目的,本专利技术是采用下述技术方案实现的 ...
【技术保护点】
【技术特征摘要】
1.一种面向脊柱微创手术导航的深度学习点云腰椎配准方法,其特征在于,包括:采集术前和术中的脊柱CT图像;将脊柱CT图像输入训练好的三维V型深度分割网络模型进行分割,获取术前和术中的腰椎CT图像;通过形态学方法消除腰椎CT图像中的孤立点;通过点云转换方法将消除孤立点后的术前和术中的腰椎CT图像转换为相应的腰椎三维点云集合;对术前和术中的腰椎三维点云集合进行最近邻点迭代获取最优旋转矩阵和平移向量;通过最优旋转矩阵和平移向量对三维点云集合进行变换处理,完成术前与术中的脊柱CT图像中的腰椎配准。2.根据权利要求1所述的一种面向脊柱微创手术导航的深度学习点云腰椎配准方法,其特征在于,所述三维V型深度分割网络模型的训练包括:获取脊柱CT图像并添加腰椎轮廓标注生成样本图像,并根据样本图像构建训练集;基于训练集利用Adam算法训练三维V型深度分割网络模型,调整模型参数直至损失函数最小。3.根据权利要求2所述的一种面向脊柱微创手术导航的深度学习点云腰椎配准方法,其特征在于,所述添加腰椎轮廓标注包括将脊柱CT图像中属于腰椎的体素标注为1,不属于腰椎的体素标注为0;所述损失函数L
dice
为:式中,G
i
为脊柱CT图像中体素i的标注信息,P
i
为脊柱CT图像中体素i标注为1的概率;N为脊柱CT图像中体素数量。4.根据权利要求1所述的一种面向脊柱微创手术导航的深度学习点云腰椎配准方法,其特征在于,所述三维V型深度分割网络模型包括对称的编码器和解码器;所述编码器包括依次连接的一个输入层和四个下采样层,所述输入层通过残差操作与输入图像进行单位加法,然后通过四个所述下采样层逐层进行下采样输出特征图;所述输入层的图像输入维度为64
×
64
×
64,并使用5
×5×
5的卷积核将通道数提升为16;首个所述下采样层进行两次卷积后,通过残差操作与输入层的输出进行单位加法,然后使用步长为2的2
×2×
2的卷积核进行下采样;后三个所述下采样层进行三次卷积后,通过残差操作与上一个下采样层的输出进行单位加法,然后使用步长为2的2
×2×
2的卷积核进行下采样;所述解码器包括依次连接的四个上采样层和一个输出层,四个所述上采样层对末个下采样层输出的特征图逐层进行上采样输出特征图,然后通过输出层通过残差操作与末个上采样层输出的特征图进行单位加法输出分割结果;前三个所述上采样层进行三次卷积后,通过残差操作与上一个上采样层的输出进行单位加法,然后使用步长为2的2
×2×
2的卷积核进行上采样;末个所述上采样层进行两次卷积后,通过残差操作与输出层的输出进行单位加法,然后使用步长为2的2
×2×
2的卷积核进行上采样;所述输出层的图像输出维度为64
×
64
×
64,并使用5
×5×
5的卷积核将通道数减少为1。
5.根据权利要求1所述的一种面向脊柱微创手术导航的深度学习点云腰椎配准方法,其特征在于,所述通过形态学方法消除腰椎CT...
【专利技术属性】
技术研发人员:戴修斌,陈思恩,朱书进,冒添逸,刘天亮,
申请(专利权)人:南京邮电大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。