一种术中无钢珠定位的导航定位方法及导航定位系统

技术领域

本发明属于导航定位技术领域，更具体地，涉及一种应用于骨折闭合复位手术的导航定位方法及导航定位系统。

背景技术

骨折手术通常利用术前影像(通常为CT影像)与术中影像配准，达到实时获取骨位置的目的。在骨折复位手术中，通常存在多个骨碎块，且位置不稳定，因此每个骨块都需要扫描术中影像并与术前影像配准以实现术中实时导航。

以最复杂的骨盆骨折手术为例，骨盆骨折常导致骨盆环稳定性的丧失。对于此类患者，由于骨折骨盆结构不稳定，术前CT图像与术中实际骨折情况不相符。为了保证外科医生通过软件观察到的术中骨折位置是真实的，有必要建立每个骨盆碎片的空间位置相关性，实时观察其位置变化。

当前的方法分为两类：术前影像与术中二维影像配准、术前影像与术中三维影像配准。对于较为简单的结构(如四肢骨)可以采用二维影像配准的方式进行导航。对于几何形状复杂的结构(如髂骨、骶骨)，二维图像重叠严重，传统的二维图像配准难以应用于临床。CBCT是术中三维影像常用的成像方式。在当前通用的利用三维术中影像与术前影像进行配准实现的三维导航的方法中存在以下问题：

1.CBCT的成像范围较小，经常会受限于人体的结构。而且，通过配准进行导航的方法通常要求在CBCT图像中，人体的结构(如需要配准的某块骨头)与用于建立光学追踪器和术中影像联系的钢珠出现在同一个视野内，所以一定存在局限性。

2.CBCT存在大量的伪影，处理是比较困难的，影响配准精度和效率。

3.术前-术中配准的自动化程度低，人工配准精度不够高，常用的ICP(IterativeClosest Point,迭代最近邻点)配准算法可能需要多次人工调整初始位置试错，才可能达到理想效果。

公开于本发明背景技术部分的信息仅仅旨在加深对本发明的一般背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。

发明内容

本发明的目的是提出一种术中无钢珠定位的导航定位方法及导航定位系统，实现在骨折闭合复位手术中自动导航定位。

为实现上述目的，本发明提出了一种术中无钢珠定位的导航定位方法及导航定位系统。

根据本发明的第一方面，提出了一种术中无钢珠定位的导航定位方法，包括：

通过术前标定计算影像设备坐标系到图像坐标系的第一位置转换矩阵；

分别对术前图像和术中图像进行分割以获取术前模型和术中模型；

对所述术中模型和所述术前模型进行配准，获取所述术中模型到所述术前模型的第二位置转换矩阵；

计算患者坐标系到所述影像设备坐标系的第三位置转换矩阵；

根据所述第一转换矩阵、所述第二转换矩阵和所述第三位置转换矩阵计算所述患者坐标系到所述术前模型的第四位置转换矩阵；

根据所述第四位置转换矩阵进行术中实时导航定位。

可选地，所述术前标定具体包括：

S101、对标定工具上的所有钢珠和第一光学追踪器的位置进行标定，基于所述第一光学追踪器建立标定工具坐标系，获取所述所有钢珠在所述标定工具坐标系的第一坐标集；

S102、通过固定于影像设备的第二光学追踪器建立所述影像设备坐标系，通过光学定位系统获取所述第二光学追踪器在所述影像设备处于复位初始位置时的第一位置数据；

S103、在所述复位初始位置通过所述影像设备对放置于所述影像设备扫描区域的所述标定工具进行扫描，获取所述标定工具的图像，并通过所述光学定位系统获取所述第一光学追踪器的第二位置数据；

S104、在所述图像中标记出所有所述钢珠在所述图像坐标系的第二坐标集；

S105、根据所述第一坐标集和所述第二坐标集并通过最小二乘法计算所述标定工具坐标系到所述图像坐标系的第五位置转换矩阵；

S106、根据所述第一位置数据和所述第二位置数据获取所述影像设备坐标系到所述标定工具坐标系的第六位置转换矩阵；

S107、根据所述第五位置转换矩阵和所述第六位置转换矩阵并通过齐次变换计算所述第一位置转换矩阵。

可选地，所述术前标定还包括：

S108、重复执行所述S103-所述S107，获取多个所述第一位置转换矩阵；

S109、对多个所述第一位置转换矩阵进行交叉验证，判断是否存在异常的所述第一位置转换矩阵，若是，则执行S110，若否则执行S111；

S110、剔除异常的所述第一位置转换矩阵，并执行所述S103-所述S107补充新的所述第一位置转换矩阵，执行所述S109；

S111、计算所有所述第一位置转换矩阵的平均值，并对所述平均值进行标准化处理，获取最终标定的所述第一位置转换矩阵。

可选地，所述分别对术前图像和术中图像进行分割以获取术前模型和术中模型的方法包括：

基于三维卷积神经网络的影像分割方法。

可选地，所述对所述术中模型与所述术前模型进行配准具体包括：

S201、建立术前术中骨骼模型配准数据库；

S202、通过所述配准数据库训练配准网络；

S203、通过完成训练的所述配准网络对所述术中模型和所述术前模型进行初步配准；

S204、对完成所述初步配准的所述术中模型和所述术前模型进行精确配准，获取所述第二位置转换矩阵。

可选地，所述配准网络包括：

点云配准网络。

可选地，在所述S204中，通过迭代最邻近点配准算法对完成所述初步配准的所述术中模型和所述术前模型进行精确配准。

可选地，通过患者携带的导航追踪器建立所述患者坐标系。

可选地，通过光学定位系统进行术中实时导航定位。

根据本发明的第二方面，提出了一种术中无钢珠定位的导航定位系统，用于执行第一方面任一项所述的导航定位方法，包括：

第一计算模块，用于通过术前标定计算影像设备坐标系到图像坐标系的第一位置转换矩阵；

图像分割模块，用于分别对术前图像和术中图像进行分割以获取术前模型和术中模型；

配准模块，用于对所述术中模型和所述术前模型进行配准，获取所述术中模型到所述术前模型的第二位置转换矩阵；

第二计算模块，用于计算患者坐标系到所述影像设备坐标系的第三位置转换矩阵；

第三计算模块，用于根据所述第一转换矩阵、所述第二转换矩阵和所述第三位置转换矩阵计算所述患者坐标系到所述术前模型的第四位置转换矩阵；

导航模块，用于根据所述第四位置转换矩阵进行术中实时导航定位。

本发明的有益效果在于：通过术前标定计算影像设备坐标系到图像坐标系的第一位置转换矩阵，实现术中无钢珠标定，避免了在术中因使用带有钢珠的标定工具导致图像产生大量的伪影影响配准精度和效率，分别分割术前图像和术中图像以获取术前模型和术中模型，进而对术中模型和术前模型进行初步配准和精配准以获取术中模型到术前模型的第二位置转换矩阵，实现了术前图像和术中图像的自动分割以及术前术中模型的自动配准，采用两次配准的方法能够提高配准精度和效率；再自动计算出患者坐标系到影像设备坐标系的第三位置转换矩阵，并根据第一位置转换矩阵、第二位置转换矩阵和第二位置转换矩自动计算出患者坐标系到术前模型的第四位置转换矩阵，并根据第四位置转换矩阵进行术中实时导航定位；通过本发明实现了术中自动实时导航，提高了配准精度和效率，缩短了手术时长。

本发明的系统具有其它的特性和优点，这些特性和优点从并入本文中的附图和随后的具体实施方式中将是显而易见的，或者将在并入本文中的附图和随后的具体实施方式中进行详细陈述，这些附图和具体实施方式共同用于解释本发明的特定原理。

附图说明

通过结合附图对本发明示例性实施例进行更详细的描述，本发明的上述以及其它目的、特征和优势将变得更加明显，在本发明示例性实施例中，相同的参考标号通常代表相同部件。

图1示出了根据本发明的一种术中无钢珠定位的导航定位方法的步骤的流程图。

图2示出了根据本发明的实施例1的一种术中无钢珠定位的导航定位方法的步骤的流程图。

图3示出了根据本发明的实施例1的一种术中无钢珠定位的导航定位方法的术前标定的步骤的流程图。

图4示出了根据本发明的实施例1的一种用于术前标定的标定工具的示意图。

图5示出了根据本发明的实施例1的一种术中无钢珠定位的导航定位方法的C型臂的示意图。

图6示出了根据本发明的实施例1的一种术中无钢珠定位的导航定位方法的分割配准的步骤的流程图。

图7示出了根据本发明的实施例2的一种术中无钢珠定位的导航定位系统的示意图。

具体实施方式

下面将参照附图更详细地描述本发明。虽然附图中显示了本发明的优选实施例，然而应该理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了使本发明更加透彻和完整，并且能够将本发明的范围完整地传达给本领域的技术人员。

如图1所示，根据本发明的一种术中无钢珠定位的导航定位方法，包括：

通过术前标定计算影像设备坐标系到图像坐标系的第一位置转换矩阵；

分别对术前图像和术中图像进行分割以获取术前模型和术中模型；

对术中模型和术前模型进行配准，获取术中模型到术前模型的第二位置转换矩阵；

计算患者坐标系到影像设备坐标系的第三位置转换矩阵；

根据第一转换矩阵、第二转换矩阵和第三位置转换矩阵计算患者坐标系到术前模型的第四位置转换矩阵；

根据第四位置转换矩阵进行术中实时导航定位。

具体地，本发明通过术前标定计算影像设备坐标系到图像坐标系的第一位置转换矩阵，即在术前通过带有钢珠的标定工具进行标定，通过标定工具上钢珠与光学追踪器的固定位置关系和钢珠在图像的位置，计算出标定工具坐标系到图像坐标系的转换关系，再根据标定工具上光学追踪器的位置和影像设备上光学追踪器的位置计算出影像设备坐标系到标定工具坐标系的转换关系，进而计算得到影像设备坐标系到图像坐标系的转换关系的转换关系，即第一位置转换矩阵，实现在术中通过第一位置转换矩阵进行定位和配准，无需使用带有钢珠的标定工具在术中进行定位和配准，避免在术中因使用带有钢珠的标定工具导致图像产生大量的伪影影响配准精度和效率；然后分别对术前图像和术中图像进行分割以获取术前模型和术中模型，输出三维的术前模型和术中模型，例如，通过基于三维卷积神经网络的影像分割方法分别对术前图像和术中图像进行分割以获取术前模型和术中模型，能够实现全自动对图像进行分割，提高了分割的速度和精度，并且能够去除术中手术器械和金属伪影的影响，缩短了图像处理时长进而缩短了手术时长；再通过完成训练的配准网络对术前模型和术中模型进行自动初步配准，然后通过配准算法对完成初步配准的术前模型和术中模型进行自动精配准，实现了术前术中模型的自动配准，采用两次配准的方法能够提高配准精度和效率；通过术前术中模型自动配准得到术中模型到术前模型的第二位置转换矩阵，再自动计算出患者坐标系到影像设备坐标系的第三位置转换矩阵，根据第一转换矩阵、第二转换矩阵和第三位置转换矩阵就可以自动计算出患者坐标系到术前模型的第四位置转换矩阵，在手术过程中，根据第四位置转换矩阵自动进行实时导航定位，能够提高手术精度，减少手术时长。

在一个示例中，术前标定具体包括：

S101、对标定工具上的所有钢珠和第一光学追踪器的位置进行标定，基于第一光学追踪器建立标定工具坐标系，获取所有钢珠在标定工具坐标系的第一坐标集；

S102、通过固定于影像设备的第二光学追踪器建立影像设备坐标系，通过光学定位系统获取第二光学追踪器在影像设备处于复位初始位置时的第一位置数据；

S103、在复位初始位置通过影像设备对放置于影像设备扫描区域的标定工具进行扫描，获取标定工具的图像，并通过光学定位系统获取第一光学追踪器的第二位置数据；

S104、在图像中标记出所有钢珠在图像坐标系的第二坐标集；

S105、根据第一坐标集和第二坐标集并通过最小二乘法计算标定工具坐标系到图像坐标系的第五位置转换矩阵；

S106、根据第一位置数据和第二位置数据获取影像设备坐标系到标定工具坐标系的第六位置转换矩阵；

S107、根据第五位置转换矩阵和第六位置转换矩阵并通过齐次变换计算第一位置转换矩阵。

具体地，本发明在术前通过术前标定计算出第一位置转换矩阵，在术中通过第一位置转换矩阵进行无钢珠定位和配准，代替术中使用带有钢珠的标定工具进行定位，则术中就不需要通过钢珠进行标定，避免在术中因使用带有钢珠的标定工具导致图像产生大量的伪影影响配准精度和效率；术前标定采用固定有钢珠和第一光学追踪器的标定工具，首先对标定工具上所有的钢珠和与所有钢珠固定连接的第一光学追踪器的位置关系进行标定，通过第一光学追踪器建立标定工具坐标系，获取所有钢珠在标定工具坐标系的坐标，组成第一坐标集；然后将第二光学追踪器固定在影像设备上，通过第二光学追踪器建立影像设备坐标系，通过光学定位系统获取第二光学追踪器在影像设备处于复位初始位置时的第一位置数据，即影像设备处于扫描位置时的第一位置数据；再将标定工具放置在扫描区域对其进行扫描，获取钢珠的图像，同时通过光学定位系统获取第一光学追踪器在扫描区域的第二位置数据；再图像中标记出所有的钢珠的坐标，获取所有钢珠在图像坐标系的第二坐标集；根据第一坐标集和第二坐标集，通过最小二乘法，计算出标定工具坐标系到图像坐标系的第五位置转换矩阵；根据第一位置数据和第二位置数据计算出影像设备坐标系到标定工具坐标系的第六位置转换矩阵；根据第五位置转换矩阵和第六位置转换矩阵再通过齐次变换，就可以计算出影像设备坐标系到图像坐标系的第一位置转换矩阵；在手术过程中，可通过第一位置转换矩阵实现影像设备坐标系到图像坐标系的标定，无需通过钢珠定位法进行标定，避免在术中因使用带有钢珠的标定工具导致图像产生大量的伪影影响配准精度和效率。

例如，首先在手术前用三坐标测量仪将标定工具上10个钢珠和与10个钢珠固定连接的1个光学追踪器的位置光系标定出来，通过该光学追踪器建立标定工具坐标系，标定出10个钢珠在标定工具坐标系的坐标；然后在C型臂的机头位置固定一个光学追踪器，用于建立C型臂的坐标系，通过光学定位系统获得C型臂复位的初始位置，即C型臂处于扫描时的位置；将标定工具放置在C型臂的扫描区域进行扫描，获取10个钢珠的CBCT图像数据，该扫描过程可以重复多次，获取多个CBCT图像数据，同时通过光学定位系统记录标定工具上的光学追踪器的位置；从图像上标记出10个钢珠在图像坐标系下的坐标，在已知10个钢珠在标定工具坐标系的坐标和在图像坐标系下的坐标，通过最小二乘法可以计算出标定工具坐标系到图像坐标系的位置转换矩阵

在一个示例中，术前标定还包括：

S108、重复执行S103-S107，获取多个第一位置转换矩阵；

S109、对多个第一位置转换矩阵进行交叉验证，判断是否存在异常的第一位置转换矩阵，若是，则执行S110，若否则执行S111；

S110、剔除异常的第一位置转换矩阵，并执行S103-S107补充新的第一位置转换矩阵，执行S109；

S111、计算所有第一位置转换矩阵的平均值，并对平均值进行标准化处理，获取最终标定的第一位置转换矩阵。

具体地，术前标定还可以对多个第一位置转换矩阵进行验证，即将标定工具放在扫描区域后，进行多次扫描，根据每次的扫描结果计算出一个第一位置转换矩阵；将多个第一位置转换矩阵进行交叉验证，是否存在异常的第一位置转换矩阵，即计算每个第一位置转换矩阵与其它的第一位置转换矩阵的平均值标准化的误差，若某个第一位置转换矩阵与其它的第一位置转换矩阵的平均值标准化的误差大于等于设定的误差阈值，则判断存在异常的第一位置转换矩阵；若是存在，则剔除异常的第一位置转换矩阵，并重复执行S103-S107，获取新的第一位置转换矩阵，将新的第一位置转换矩阵与剩下的；

例如，计算出6个第一位置转换矩阵，对这6个第一位置转换矩阵进行交叉验证，即用其中五次的第一位置转换矩阵取平均值并做标准化计算第六次的误差，需要计算六次，若某次计算的误差大于等于0.5mm，则判断存在异常的第一位置转换矩阵，剔除该次计算中被计算误差的第一位置转换矩阵，然后通过执行S103-S107再获取一个第一位置转换矩阵，与剩余的5个第一位置转换矩阵进行交叉验证，直到每次误差计算的结果都小于0.5mm，然后计算这6个第一位置转换矩阵的平均值后对平均值做标准化，计算结果为最终标定结果。

在一个示例中分别对术前图像和术中图像进行分割以获取术前模型和术中模型的方法包括：

基于三维卷积神经网络的影像分割方法。

具体地，本发明采用基于三维卷积神经网络的影像分割方法分别对术前图像和术中图像进行分割以获取术前模型和术中模型；通过术前数据库训练三维卷积神经网络模型后对术前图像进行自动分割，获取术前骨模型；通过术中数据库训练三维卷积神经网络模型后对术中图像进行自动分割，获取术中骨模型；采用基于三维卷积神经网络的影像分割方法能够提高分割的速度和精度，并且能够去除术中手术器械和金属伪影的影响，缩短了图像处理时长进而缩短了手术时长。

在一个示例中，对术中模型与术前模型进行配准具体包括：

S201、建立术前术中骨骼模型配准数据库；

S202、通过配准数据库训练配准网络；

S203、通过完成训练的配准网络对术中模型和术前模型进行初步配准；

S204、对完成初步配准的术中模型和术前模型进行精确配准，获取第二位置转换矩阵。

具体地，本发明对术中模型与术前模型进行配准分为两步，第一步为初步配准，即粗配准，首先建立术前术中骨骼模型配准数据库，然后通过该配准数据库训练配准网络，最后通过完成训练的配准网络对术中模型和术前模型进行初步配准；第二步为精确配准，即对完成初步配准的术中模型和术前模型进行精确配准，获取第二位置转换矩阵。

在一个示例中，配准网络包括：

点云配准网络。

在一个示例中，在S204中，通过迭代最邻近点配准算法对完成初步配准的术中模型和术前模型进行精确配准。

在一个示例中，通过患者携带的导航追踪器建立患者坐标系。

在一个示例中，通过光学定位系统进行术中实时导航定位。

下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

实施例1

如图2所示，本实施例提供了一种术中无钢珠定位的导航定位方法。

如图3所示，通过术前标定计算影像设备坐标系到图像坐标系的第一位置转换矩阵

如图6所示，采用基于U-Net的术前影像分割方法对术前CT图像进行分割，得到术前CT分割结果，即术前骨模型；采用基于U-Net的术中影像分割方法对术中CBCT图像进行分割，得到术中影响分割结果，即术中骨模型；然后通过完成训练的点云配准网络对术前骨模型和术中骨模型进行初步配准，再采用迭代最邻近点配准算法对完成初步配准的术前骨模型和术中骨模型进行精细配准，得到术中模型到术前模型的第二位置转换矩阵

根据光学定位系统读取的C型臂的位置和患者的导航追踪器的位置，计算出患者坐标系到C型臂坐标系的第三位置转换矩阵

再根据第一位置转换矩阵

实施例2

如图7所示，本实施例提供了一种术中无钢珠定位的导航定位系统，用于执行实施例1所述的导航定位方法，包括：

第一计算模块，用于通过术前标定计算影像设备坐标系到图像坐标系的第一位置转换矩阵

图像分割模块，用于基于U-Net的术前影像分割方法对术前图像进行分割以获取术前骨模型，基于U-Net的术中影像分割方法对术中图像进行分割以获取术中骨模型；

配准模块，用于通过点云配准网络对术中骨模型和术前骨模型进行初步配准，再通过迭代最邻近点配准算法对完成初步配准的术中骨模型和术前骨模型进行精确配准，得到术中模型到术前模型的第二位置转换矩阵

第二计算模块，用于光学定位系统读取的C型臂的位置和患者的导航追踪器的位置，计算出患者坐标系到C型臂坐标系的第三位置转换矩阵

第三计算模块，用于根据第一位置转换矩阵

导航模块，即光学定位系统，用于根据第四位置转换矩阵

以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。