專利名稱：基于近紅外光譜的神經(jīng)外科導(dǎo)航穿刺路徑實時糾錯方法
技術(shù)領(lǐng)域：
發(fā)明屬醫(yī)學(xué)圖像處理、生物醫(yī)學(xué)光子學(xué)及應(yīng)用領(lǐng)域，涉及一種外科手術(shù)
導(dǎo)航系統(tǒng)精度校正方法，具體涉及一種基于近紅外光譜的神經(jīng)外科導(dǎo)航穿刺 路徑實時糾錯方法。
背景技術(shù)：
神經(jīng)外科手術(shù)導(dǎo)航系統(tǒng)中，無法校正因腦脊液的釋放，腦組織牽拉，體 位改變等引起的腦組織移位是影響神經(jīng)外科手術(shù)導(dǎo)航系統(tǒng)精度的重要因素。 如何在手術(shù)過程中實時校正腦組織移位帶來的實際穿刺路徑與手術(shù)計劃路 徑偏移的問題，是神經(jīng)外科手術(shù)導(dǎo)航系統(tǒng)長期困擾而又面臨挑戰(zhàn)的臨床醫(yī)學(xué) 問題。目前解決腦組織移位最為理想的方法是采用低場開發(fā)式核磁共振引導(dǎo) 的神經(jīng)導(dǎo)航手術(shù),但由于手術(shù)需完全屏蔽磁場，手術(shù)器械及顯微鏡均為特種 消磁材料，手術(shù)成本過高，費用昂貴，操作復(fù)雜，難以普及推廣。目前臨床 應(yīng)用的主要技術(shù)是微電極記錄細胞放電]和超聲輔助導(dǎo)航。微電極記錄細胞放 電特征，可以達到解剖上和功能上的雙重定位，有效避免損傷靶點周圍內(nèi)嚢、 視束等重要結(jié)構(gòu)，缺點是臨床醫(yī)師依靠經(jīng)驗判定信號特征，沒有定量識別參 數(shù)，依靠閃屏和聲音做出的判定缺少絕對信任度，另外該方法針道較多會引 起其他并發(fā)癥。超聲可以糾正術(shù)中移位，使導(dǎo)航系統(tǒng)的誤差減少，但超聲圖
4|^艮難識別lcm以下核團，也很難分辨聲阻抗相差很小的腦白質(zhì)和腦灰質(zhì)。

發(fā)明內(nèi)容
本發(fā)明所要解決的技術(shù)問題是針對現(xiàn)有技術(shù)存在的缺陷提供一種實施 筒單，操作靈活，實時性高，對人體無傷害，且無需更改現(xiàn)有導(dǎo)航設(shè)備的外 科手術(shù)導(dǎo)航系統(tǒng)精度校正的方法，具體為一種基于近紅外光譜的神經(jīng)外科導(dǎo) 航穿刺路徑實時糾錯方法。
本發(fā)明為實現(xiàn)上述目的，采用如下技術(shù)方案
本發(fā)明基于近紅外光譜的神經(jīng)外科導(dǎo)航穿刺路徑實時糾錯方法，其特征 在于包括下述步驟
(1) 將MRI數(shù)據(jù)經(jīng)過基于光線投影的體繪制加速算法三維重建得到三維
重建體；
(2) 采用直線參數(shù)方程算法從步驟(1)所述的三維重建體的體數(shù)據(jù)集 中提取目標路徑；
(3 )當步驟(2 )所述的目標路徑的重采樣點為體數(shù)據(jù)集中存在的體素， 則目標路徑的灰度信息即穿刺實際值RMRI根據(jù)該體素在體數(shù)據(jù)集 中的位置索引得出；否則釆用三線性插值算法獲得步驟(2)所述 的目標路徑的灰度信息即穿刺實際值RMRI;
(4) 采用圓錐體方法對步驟(2)所述的目標路徑進行圓錐化得到iv個 圓錐體，采用三線性插值算法分別提取所述7v個圓錐體的圓錐面的 路徑灰度信息得到iv條驗證穿刺軌跡，并獲得7v條驗證軌跡的灰度 信息，其中jv為小于90的自然數(shù)；
(5) 在無標注的狀態(tài)下記錄穿刺軌跡近紅外參數(shù)DfNIRS,將近紅外參數(shù)DfNIRS經(jīng)過影像灰度信息與近紅外參數(shù)DfNIRS之間的數(shù)學(xué)關(guān)聯(lián)模型
轉(zhuǎn)化得到穿刺軌跡數(shù)據(jù)DMRI;
(6) 當步驟(5 )所述的穿刺軌跡數(shù)據(jù)DMRI與步驟(3 )所述的穿刺實 際值RMRI之間的匹配誤差小于設(shè)定的誤差范圍，則完成糾錯；
(7) 當步驟(5)所述的穿刺軌跡數(shù)據(jù)Dmr!與歩驟(3)所述的穿刺實
際值RMRj之間的匹配誤差大于設(shè)定的誤差范圍，則釆用基于
Hausdorff距離和曲率的曲線趨勢匹配算法將步驟(5)所述的穿 刺軌跡凄t據(jù)DMw與步驟(4)所述的]V條驗證軌跡的灰度信息進行 匹配得到與穿刺軌跡數(shù)據(jù)DMRI變化趨勢相同的驗證軌跡，并將所 述與穿刺軌跡數(shù)據(jù)DMRI變化趨勢相同的驗證軌跡經(jīng)過三維空間坐 標偏移度實時調(diào)整穿刺軌跡數(shù)據(jù)DMRI,將調(diào)整后的穿刺軌跡數(shù)據(jù) DMRI與步驟(3 )所述的穿刺實際值RMRI重新匹配。 本發(fā)明將fMRI(含有MRI信息和BOLD信息)與功能近紅外光語技術(shù) (fNIRS)相結(jié)合，建立神經(jīng)外科手術(shù)導(dǎo)航與靶點識別的最佳數(shù)學(xué)模型，達 到實時導(dǎo)航、靶點識別與實時糾錯的目的。近紅外光譜分析技術(shù)作為一種對 人體無損、無創(chuàng)、無電離輻射的測量手段，其光學(xué)參數(shù)和醫(yī)學(xué)影像數(shù)據(jù)存在 密切的關(guān)聯(lián)，為實時采集探頭前方的腦組織特性、識別靶點提供了可靠的依 據(jù)，為神經(jīng)外科手術(shù)導(dǎo)航中路徑的實時跟蹤糾錯和靶點位置的識別提供了可 能。路徑信息提取采用直線參數(shù)方程算法，同時為了準確快速的找到匹配路 徑信息，采用Hausdorff距離和曲率算法得到與穿刺軌跡的匹配信息，由獲 得的驗證曲線所在的方位確定近紅外光學(xué)信號Z偏離目標的方位，計算坐標 偏移，進行路徑校正。將匹配算法與目標路徑灰度信息相結(jié)合，可以有效的
9對術(shù)中的穿刺軌跡偏移進行實時的校正。本發(fā)明方法實施筒單，操作靈活， 無需更改現(xiàn)有的導(dǎo)航設(shè)備，便于臨床應(yīng)用。


圖1為近紅外在位監(jiān)測儀的原理示意圖。
圖2為腦外科導(dǎo)航系統(tǒng)的近紅外光譜斜率曲線和MRI影《象的對應(yīng)關(guān) 系，說明可以采用近紅外光學(xué)參數(shù)的斜率法初步完成導(dǎo)航任務(wù)。
圖3為5只大鼠腦皮層的光學(xué)參數(shù)、血氧參數(shù)和血流動力學(xué)參數(shù)分布。 圖3(a)和圖3(b)分別為5只大鼠腦皮層頭骨下隨著深度的改變，其優(yōu)化散 射系數(shù)和吸收系數(shù)(波長834nm)的變化曲線，NO.l為第1只老鼠，NO.2 為第2只老鼠...，依次類推；圖3(c)和圖3(d)分別為5只大鼠腦皮層頭骨 下隨著深度的改變，其總血紅蛋白濃度和血氧飽和度的變化曲線；圖3(e) 和圖3(f)分別為5只大鼠腦皮層頭骨下隨著深度的改變，其血流量和血容 量的變化曲線。所測量得到的各項指標均處于文獻所提供數(shù)據(jù)的覆蓋范圍 內(nèi)，在每個測量深度點，測量參數(shù)值的波動十分有限，為實現(xiàn)腦內(nèi)光學(xué)解 剖定位提供了依據(jù)。
圖4為近紅外光譜(fNIRS )與MRI影像數(shù)據(jù)相融合的導(dǎo)航示意圖。 圖4(a)為fNIRs與MRI進行數(shù)據(jù)融合的解剖結(jié)構(gòu)圖，其中A為手術(shù)穿刺點， B為手術(shù)靶點，所選擇的圖像是MRI和MRI圖像的融合結(jié)果，通過MRI 圖像灰度數(shù)據(jù)提取穿刺路徑的信息，通過的BOLD信息(血氧信息)， 在穿刺路徑上避開重要功能區(qū)。圖4(b)為fNIRs穿刺路徑糾錯示意圖，中 間的虛線為實際的fNIRs穿刺軌跡，AB AC的錐形區(qū)域，為導(dǎo)航穿刺可能的偏移區(qū)域。
圖5為基于近紅外光譜導(dǎo)航的穿刺路徑規(guī)劃圖。其中，圖5(a)為基于三 維體的路徑規(guī)劃圖，錐形的頂點為入刺點，沿著錐形面的路徑為規(guī)劃路徑， 顯然規(guī)劃路徑越多，匹配精度越高，由于顯示的局限性，圖中只給出有限的 幾個規(guī)劃路徑，每一個規(guī)劃路徑同時具有上下、左右、前后的偏移信息；圖 5(b)為實際穿刺鴻4圣的灰度信息；圖5(c)為手術(shù)過程中可能偏移;洛徑信息 之一(計劃路徑)；圖5(d)為實際穿刺路徑和可能偏移路徑的對比，通過路 徑匹配，可以得到偏移路徑偏離實際路徑的角度和方向，用于引導(dǎo)手術(shù)穿刺 過程的糾錯。
圖6為本發(fā)明流程圖。
具體實施例方式
下面結(jié)合附圖對發(fā)明的技術(shù)方案進行詳細說明
如圖l所示，為近紅外在位監(jiān)測儀的原理示意圖。入射源為多波長的 射頻信號源(RF Source),經(jīng)分頻器(Spliter)調(diào)制后的近紅外激光通過發(fā) 送光纖(Delivery fiber)投射到生物組織(Tissue),各路光源按照設(shè)定的邏 輯時序(Switch)工作，LD為激光二極管；由於近紅外光具有4交強的組織 穿透能力，該光ii7v組織，經(jīng)過組織的吸收及散射后，由接受光纖收集并 傳送到光電倍增管(PMT)、經(jīng)過放大器(Amplifier)、帶通濾波器(BP Filter)、 解調(diào)器(Demodulator)、低通濾波器(LPFilter)等器件后，輸出電信號由模 數(shù)轉(zhuǎn)換器(ADC)轉(zhuǎn)換成數(shù)字信號，通過計算機數(shù)據(jù)采集和處理，待測信號 可實時顯示于計算機屏幕。該電路設(shè)計采用了高頻調(diào)制解調(diào)技術(shù)，使光信號的振幅及位相與組織的光學(xué)特性(吸收及散射系數(shù))相聯(lián)系，因而可推算 出組織的生物特性(血氧、血量、血流等)。
如圖2所示，為腦外科導(dǎo)航系統(tǒng)的近紅外光譜斜率曲線和MRI影像的 對應(yīng)關(guān)系，說明可以釆用近紅外光學(xué)參數(shù)的斜率法初步完成導(dǎo)航任務(wù)。
如圖6所示，完整的數(shù)據(jù)融合與導(dǎo)航路徑實時糾錯過程為MRI術(shù)前掃 描數(shù)據(jù)—提取穿刺軌跡MRI圖像灰度數(shù)據(jù)，為了在系統(tǒng)誤差的情況下引導(dǎo) 穿刺軌跡的偏移糾正可以將錐形擴大(iV條計劃穿刺軌跡，作為穿刺規(guī)劃的 可能值)—實時fNIRs采集數(shù)據(jù)—fNIRs穿刺軌跡實時數(shù)據(jù)測量值與7V條計 劃軌跡融合可能值匹配)—數(shù)據(jù)融合結(jié)果(計算fNIRs軌跡與圖像路徑的吻 合度，找出統(tǒng)計學(xué)意義上最匹配的可能值，并應(yīng)用影像數(shù)據(jù)所存儲的三維空 間坐標偏移值引導(dǎo)手術(shù)路徑的實時糾錯)—得出穿刺過程處理意見，進行實 時三維糾錯。
本發(fā)明通過下列步驟實現(xiàn) 基于光線投影的體繪制加速算法
手術(shù)前入刺點和耙點路徑信息的提取是手術(shù)路徑實時糾錯的依據(jù)， MRI序列圖像的三維重建是體數(shù)據(jù)路徑信息提取的關(guān)鍵。本發(fā)明采用 一種 基于片段融合的光線投影體繪制加速算法，算法利用投射光線與平面簇求 交，快速確定融合片段，采用基于片段的融合繪制技術(shù)，加快融合速度， 并且利用包圍盒技術(shù)減少對無效平面的求交，提高了光線投影的效率。由 于片段內(nèi)的像素點具有相似的光學(xué)屬性，基于對體數(shù)據(jù)的數(shù)據(jù)一致性分析， 由基于像素點的繪制方程，可推導(dǎo)得到基于片段的繪制方程，用迭代的方 法，依照從前向后的順序繪制方程表達為<formula>formula see original document page 13</formula>
其中c 。w和"_為片段最后一個交點的光學(xué)屬性(顏色值和不透明度
值)，c,"和 為片段的起始交點的光學(xué)屬性，c^和"。w為片段兩個交點之
間的重采樣點的光學(xué)屬性，",為片段的長度。 提糾徑狄信息
在已知入刺點j(x。,y。,z。)與靶點的情況下，可以采用直線^lt
方法表達出手術(shù)穿刺-各徑的方程表達式x = x。+w,;r = j;。+^，z = z。+/^,其
中，/ = 為直線方程的方向向量， 附,w，；？為/分另'j在x,少,z三個坐才示專由
上的分量，f為任意參數(shù)且不為0, x。，y。,z。分別為入刺點j(x。,;;。，z。)在x,;;,z三
個方向的坐標值，x,y,z為靶點到入刺點的直線方程的所有點。然后采用 重采樣的方法提取該穿刺路徑灰度信息，穿刺路徑L的重采樣點若為體數(shù) 據(jù)集中存在的體素，其灰度信息根據(jù)該體素在體數(shù)據(jù)集中的位置索引得出， 無法索引得到的重采樣點的灰度值由三線性插值算法求出。在確定重采樣 參數(shù)和體元編號的初始值的情況下，可以用以下的遞推關(guān)系確定其余重采 樣點參數(shù)和投射光線經(jīng)過的體元編號
如果《+1=《+&>/且37沿1軸方向，貝寸+ 如果《"1=《+&>/且^7沿1軸反方向，貝'h《+1 《"11; 如果《+1=《+&《/,貝'J:《+1不變，/不變；
其中體元編號為(/j,m), /,/，附分別為體元的中心點在三維坐標中 x,少,z三個方向的坐標值，體元的長、寬、高分別為/, w, A;采才羊間隔向 量為&r，3Smin(/,w,/0為釆樣步長，&， A，《為采樣間隔向量&r在物體坐標系中沿三個坐標軸的分解量，《，A，《為采樣點沿三個坐標軸方 向到體元的外表面的距離，《表示本采樣點沿;c軸方向到所在體元的外表 面距離，—表示賦值關(guān)系，賦值后的《w表示下一采樣點沿x軸到自己所在 體元外表面的距離；重采樣點沿；;和z軸方向的參數(shù)可依此類推。
/(/J,m)為體元(/，,m)的灰度值，該值由三線性插值算法求出。算法為 設(shè)重采樣點0',y,m)最近的 8個相鄰點的數(shù)據(jù)分別為
/0。。,/。。1,/,,/。11,乂。。，/。1"11"1。，《,《，《分別表示采樣點相對于ooo點在
三個坐標方向的距離，則該采樣點的值/(/，,w)為
/(/, y, w) = (1 -《)x (l -《)x (l -《)x /000 +《x (l -《)x (l -《)x /001
+(l-《)x《x(l-《)x/010+《x《x(l-《)x/011 +
(1-《)x(l-《)x《x,oo+《x(1-A)x《x/ioi+ ° (1 _《)x《x《x +《x《x《x yju
圖像數(shù)據(jù)和近紅外光學(xué)數(shù)據(jù)融合的數(shù)學(xué)關(guān)聯(lián)模型
最新研究成果表明，近紅外測試結(jié)果和醫(yī)學(xué)影像的結(jié)果存在密切的關(guān)
聯(lián)，近紅外測量結(jié)果對生物組織信息的反映和MRI的結(jié)果具有同樣的可靠
性，而近紅外測量參數(shù)的實時性和"可見性"可以彌補影像導(dǎo)航系統(tǒng)應(yīng)用的
局限性。近紅外吸收系數(shù)、散射系數(shù)組織形態(tài)分布和MRI影像的解剖信息 基本對應(yīng)，MRI圖像的解剖信息反映了不同腦組織的H核密度分布(對應(yīng)
組織密度分布)，近紅外光學(xué)參凄復(fù)映了組織光子彈性散射系數(shù)分布(也和
組織密度分布有關(guān))，顯然，如果能找到MRI數(shù)據(jù)和近紅外光學(xué)參數(shù)融合
的數(shù)學(xué)關(guān)聯(lián)模型，通過術(shù)中近紅外參數(shù)便可準確記錄探頭前方腦組織密度 分布，從而引導(dǎo)手術(shù)路徑和實時糾錯，進一步提高定位精度。
具體方法是利用大鼠腦立體定向儀，用近紅外微創(chuàng)在位連續(xù)監(jiān)測系統(tǒng)
14和特制微創(chuàng)探頭對大鼠腦組織的多個軌跡的光學(xué)參數(shù)進行測試，再對大鼠進行MRI掃描，獲取近紅外針道軌跡上的MRI數(shù)據(jù)。將MRI數(shù)據(jù)和近紅 外光學(xué)參數(shù)歸一化處理后再進行光學(xué)參it的偽影消除，尋找二者之間的相 關(guān)性，并建立相關(guān)性lt學(xué)才莫型?；贖ausdorff距離和曲率的曲線趨勢匹配算法采用基于Hausdorff距離和曲率的曲線趨勢匹配算法來引導(dǎo)手術(shù)過程 中的穿刺路徑的實時糾錯。為了在手術(shù)過程中，實時給出穿刺路徑的偏移 角度和偏移方向，從而實時引導(dǎo)設(shè)任意一段曲線L為近紅外光學(xué)信號，將 L與灰度曲線進行趨勢對比，若在一定的容差s范圍內(nèi)，則近紅外穿刺庫九 跡L與目標路徑相吻合；若超過容差s，則將L與iV條驗證曲線進行變化 趨勢對比，獲得在容差s范圍內(nèi)與曲線L具有相同變化趨勢的一^i正穿刺軌 跡AT。其中曲率算法是設(shè)曲線方程為s-s(O,f為曲線參數(shù)，曲率的計算公式為雄)=「 ，"、13 ，其中S'(O ， S"(O為曲線方程的一階導(dǎo)數(shù)和二階導(dǎo)數(shù)。險Hausdorff距離定義為設(shè)有兩組有限集合」={"1,"2,.", }和"={61,62，'",~},其中，為集合^的所有元素，v、…，^為集合^的所有元素，貝"、5間Hausdorff5巨離定義為(A A) = max(max "s eylmin夂e —6,||,max6, e5mina^ ￡ j||6,_as||)， 式中,||"』表示某種定義的距離范式，括號內(nèi)兩項分別稱為J-B和S-j的有向距離。 Hausdorffi 巨離度量的是兩個集合間的最大不匹配程度，且計算簡便，也不苛求 兩個集合中點與點之間的——對應(yīng)關(guān)系，因此^艮適于圖像的匹配。設(shè)兩曲線的 曲率集合為q—^ls-l，2,…—，C2={^* = 1,2,.."}，其中&和^分別是兩個曲線多邊形近似后各頂點處的曲率值，這里m和w為任意正整數(shù)，m和"不一 定相等。在路徑匹配時，按上式計算兩個曲率集的Hausdorf0巨離，其中值最小 的一對即對應(yīng)為可能匹配的輪廓對。這里的距離范式是曲率值的簡單比較， 可大大提高算法的效率，得到驗證曲線。由獲得的-瞼證曲線所在的方位確定近紅外光學(xué)信號L偏離目標的方 位，計算坐標偏移，進行路徑校正。本發(fā)明引入基于Hausdorff距離和曲率的曲線趨勢匹配算法，結(jié)合提取 的灰度信息，既保證了路徑偏移的預(yù)測精度，又解決了路徑校正這一難題， 從而可以在臨床上實施，大幅度提高手術(shù)導(dǎo)航的精度。實施例結(jié)合附圖3至圖5敘述本發(fā)明實施如下如圖3所示。為5只大鼠腦皮層的光學(xué)參數(shù)、血氧參數(shù)和血流動力學(xué) 參數(shù)分布。圖3(a)和圖3(b)分別為5只大鼠腦皮層頭骨下隨著深度的改變， 其優(yōu)化散射系數(shù)和吸收系數(shù)(波長834nm)的變化曲線，NO.l為第1只老 鼠，N0.2為第2只老鼠...，依次類推；圖3(c)和圖3(d)分別為5只大鼠腦 皮層頭骨下隨著深度的改變，其總血紅蛋白濃度和血氧飽和度的變化曲 線；，圖3(e)和圖3(f)分別為5只大鼠腦皮層頭骨下隨著深度的改變，其血 流量和血容量的變化曲線。所測量得到的各項指標均處于文獻所纟是供數(shù)據(jù) 的覆蓋范圍內(nèi)，在每個測量深度點，測量參數(shù)值的波動十分有限，為實現(xiàn) 腦內(nèi)光學(xué)解剖定位提供了依據(jù)。1.首先進行大鼠功能近紅外光譜(fNIRS )參數(shù)和MRI影像數(shù)據(jù)的融 合處理，建立關(guān)聯(lián)數(shù)學(xué)模型。利用已開發(fā)的fNIRS近紅外微創(chuàng)在位連續(xù)監(jiān)測系統(tǒng)和特制微創(chuàng)探頭，采集大鼠腦組織測量穿刺軌道上各點光學(xué)參數(shù)(Sc024ia，叫Hb與他02濃度)，獲得手術(shù)計劃穿刺軌跡的近紅外數(shù)據(jù) Dmrs;同時沿穿刺軌跡方向?qū)Υ笫筮M行MRI影像掃描，獲得近紅外針道 軌跡上的MRI灰度信號DMRI,將Dmw和DfMRs數(shù)據(jù)歸一化處理后分析二 者的相關(guān)性，尋找二者之間的數(shù)學(xué)關(guān)聯(lián)模型。在建立路徑關(guān)聯(lián)數(shù)學(xué)模型時， 實驗擬采用設(shè)計一個可以放入核^茲共振系統(tǒng)的腦立體定位框架，固定好動 物，并進4于定位標注。如圖4所示，為近紅外光譜(fNIRS )與MRI影像數(shù)據(jù)相融合的導(dǎo)航 示意圖。圖4(a)為fNIRs與MRI進行數(shù)據(jù)融合的解剖結(jié)構(gòu)圖，其中A為手 術(shù)穿刺點，B為手術(shù)耙點，所選擇的圖像是MRI和fMRI圖像的融合結(jié)果， 通過MRI圖像灰度數(shù)據(jù)提取穿刺路徑的信息，通過fMRI的BOLD信息(血 氧信息)，在穿刺路徑上避開重要功能區(qū)。圖4(b)為fNIRs穿刺路徑糾錯示 意圖，中間的虛線為實際的fNIRs穿刺軌跡，AB AC的錐形區(qū)域，為導(dǎo) 航穿刺可能的偏移區(qū)域。2.針對256x256x84的序列MRI影像采用基于片斷融合的快速體繪制 算法，獲得腦組織數(shù)據(jù)的三維重建體，對三維重建體進行任意角度旋轉(zhuǎn)、 任意方向的平移；為了得到更真實的顯示效果，提供對三維模型進行修改 的參數(shù)接口，包括物體顏色，背景顏色，材質(zhì)、漫反射，環(huán)境反射，及 燈光選4奪，去鋸齒效應(yīng)等；在三維體中可以對靶區(qū)進行選取、測量、切割 和分離，從穿刺方向重建人體組織器官透^L圖。通過腦功能分析軟件在三 維重建體上反映重要功能區(qū)的BOLD信息。如圖5所示，為基于近紅外光譜導(dǎo)航的穿刺路徑規(guī)劃圖。其中，圖5(a)為基于三維體的路徑規(guī)劃圖，錐形的頂點為入刺點，沿著錐形面的路徑為 規(guī)劃路徑，顯然規(guī)劃路徑越多，匹配精度越高，由于顯示的局限性，圖中 只給出有限的幾個規(guī)劃路徑，每一個規(guī)劃路徑同時具有上下、左右、前后的偏移信息；圖5(b)為實際穿刺路徑的灰度信息；圖5(c)為手術(shù)過程中 可能偏移路徑信息之一(計劃路徑)；圖5(d)為實際穿刺路徑和可能偏移路 徑的對比，通過路徑匹配，可以得到偏移路徑偏離實際路徑的角度和方向， 用于引導(dǎo)手術(shù)穿刺過程的糾錯。3. 在三維重建體上提取規(guī)劃穿刺路徑(選擇最便捷、安全的手術(shù)入路， 回避功能區(qū))以及尋找最佳穿刺點，最大程度地毀損病灶的同時減少功能 損害，增加手術(shù)安全性。利用8鄰域的點進行釆用三線性插值算法提:^又穿 刺路徑上的灰度信息。將提取的最佳穿刺軌跡的圖像信息作為穿刺實際值 Rmri,并以該路徑為中心軸進行錐形擴大，提取7V條計劃穿刺軌跡作為可 能的偏差路徑，求出可能值和實際值的三維空間坐標偏移度(偏移角度和 方位)。4. 在無定位標注的情況下，記錄穿刺軌跡fNIRS參數(shù)DfNIRS,通過 DMRI和DWIRS之間的數(shù)學(xué)關(guān)聯(lián)模型，將近紅外參數(shù)DWIRS轉(zhuǎn)化為影像的灰 度信息DMRI，采用基于Hausdorff距離和曲率的曲線趨勢匹配算法將轉(zhuǎn)化得到的dmr!信息與穿刺實際值Rmr!和TV條計劃穿刺軌跡圖像數(shù)據(jù)進行匹配，同時按照三維空間坐標偏移度(偏移角度和方位)進行實時微小調(diào)整， 直到所獲得的穿刺軌跡數(shù)據(jù)DMRI (由實時D加Rs數(shù)據(jù)轉(zhuǎn)化得到)與穿刺實 際值RMRI之間的匹配誤差在系統(tǒng)誤差范圍之內(nèi)，便完成手術(shù)導(dǎo)航過程的實 時路徑糾錯。
權(quán)利要求
1、一種基于近紅外光譜的神經(jīng)外科導(dǎo)航穿刺路徑實時糾錯方法，其特征在于包括下述步驟(1)將MRI數(shù)據(jù)經(jīng)過基于光線投影的體繪制加速算法三維重建得到三維重建體；(2)采用直線參數(shù)方程算法從步驟(1)所述的三維重建體的體數(shù)據(jù)集中提取目標路徑；(3)當步驟(2)所述的目標路徑的重采樣點為體數(shù)據(jù)集中存在的體素，則目標路徑的灰度信息即穿刺實際值RMRI根據(jù)該體素在體數(shù)據(jù)集中的位置索引得出；否則采用三線性插值算法獲得步驟(2)所述的目標路徑的灰度信息即穿刺實際值RMRI；(4)采用圓錐體方法對步驟(2)所述的目標路徑進行圓錐化得到N個圓錐體，采用三線性插值算法分別提取所述N個圓錐體的圓錐面的路徑灰度信息得到N條驗證穿刺軌跡，并獲得N條驗證軌跡的灰度信息，其中N為小于90的自然數(shù)；(5)在無標注的狀態(tài)下記錄穿刺軌跡近紅外參數(shù)DfNIRS，將近紅外參數(shù)DfNIRS經(jīng)過影像灰度信息與近紅外參數(shù)DfNIRS之間的數(shù)學(xué)關(guān)聯(lián)模型轉(zhuǎn)化得到穿刺軌跡數(shù)據(jù)DMRI；(6)當步驟(5)所述的穿刺軌跡數(shù)據(jù)DMRI與步驟(3)所述的穿刺實際值RMRI之間的匹配誤差小于設(shè)定的誤差范圍，則完成糾錯；(7)當步驟(5)所述的穿刺軌跡數(shù)據(jù)DMRI與步驟(3)所述的穿刺實際值RMRI之間的匹配誤差大于設(shè)定的誤差范圍，則采用基于Hausdorff距離和曲率的曲線趨勢匹配算法將步驟(5)所述的穿刺軌跡數(shù)據(jù)DMRI與步驟(4)所述的N條驗證軌跡的灰度信息進行匹配得到與穿刺軌跡數(shù)據(jù)DMRI變化趨勢相同的驗證軌跡，并將所述與穿刺軌跡數(shù)據(jù)DMRI變化趨勢相同的驗證軌跡經(jīng)過三維空間坐標偏移度實時調(diào)整穿刺軌跡數(shù)據(jù)DMRI，將調(diào)整后的穿刺軌跡數(shù)據(jù)DMRI與步驟(3)所述的穿刺實際值RMRI重新匹配。
2、 根據(jù)權(quán)利要求1所述的基于近紅外光譜的神經(jīng)外科導(dǎo)航穿刺路徑 實時糾錯方法，其特征在于步驟(1)所述的基于光線投影的體繪制加速算 法為MRI數(shù)據(jù)從成像平面上的每一個像素根據(jù)設(shè)定的觀察方向發(fā)出一條 射線，將所述射線穿過三維數(shù)據(jù)場的體素矩陣后經(jīng)過包圍盒方法和基于片 段的融合繪制方法設(shè)定采樣空間，對采樣空間內(nèi)的射線進行重采樣得到射 線上所有采樣點的不透明度及顏色值，將不透明度及顏色值經(jīng)過基于光線 吸收和發(fā)射模型對重采樣點進行由前向后的圖像合成得到三維重建體的體 數(shù)據(jù)集<formula>formula see original document page 3</formula>其中，c，MRI數(shù)據(jù)片段最后一個交點的顏色值，"^為MRI數(shù)據(jù)片段 最后一個交點的不透明度值，q為MRI數(shù)據(jù)片段的起始交點的顏色值，^ 為MRI數(shù)據(jù)片段的起始交點的不透明度值，c。U(MRI數(shù)據(jù)片段兩個交點之間 的重采樣點的顏色值，"。 ,為MRI數(shù)據(jù)片段兩個交點之間的重采樣點的不透 明度值，^為片段的長度，A為加權(quán)值，",和&都為正整數(shù)。
3、 根據(jù)權(quán)利要求1所述的基于近紅外光譜的神經(jīng)外科導(dǎo)航穿刺路徑實時糾錯方法，其特征在于步驟(2)所述的直線參數(shù)方程算法為已知入刺點v4(x。，少。,z。)與靶點丑(X,x,a)得到入刺點與靶點的方向向量/ = ,則直線參數(shù)方程為 Jf = x0 +附fz = z。 +其中f為任意參數(shù)且不為0, x。，;;。，z。分別為入刺點J(x。j。,-。)在x，;^三 維坐標軸上的值，A,^,^分別為靶點5(;^:^^)分別在x，;^三維坐標軸上 的分量，m,",p為方向向量/分別在x，;;,z三維坐標軸上的分量，連4妄靶點到入刺點的直線參數(shù)方程的點z,;r,z得到目標鴻4圣。
4、 根據(jù)權(quán)利要求1所述的基于近紅外光譜的神經(jīng)外科導(dǎo)航穿刺路徑 實時糾錯方法，其特征是在于步驟(3)和步驟(4)所述的三線性插值算法如下設(shè)定重釆樣參數(shù)和體元編號的初始值，確定其余重采樣點參數(shù)和投射 光線經(jīng)過的體元編號，重采樣點沿x、 y、 z軸方向參^t和投射光線經(jīng)過的體元編號的獲取方法相同，其中重采樣點沿x軸方向參數(shù)的獲取如下 當《+1=《+ &>/且37沿1軸方向，則更新《+1為《+《—/、 / + 當《+1=《+《>/且57沿1軸反方向，則更新《+1為《+《—/、 /一1; 當《"1 則《+1不變，/不變；其中體元編號為(/, _/， w) ， /，, w分別為體元的中心點在三維坐標中x, _y, z三個 方向的坐標值，體元的長、寬、高分別為/, w, A, ^r為釆樣間隔向量， 5Smin(/,w,/0為采樣步長，《，《，《為采樣間隔向量&r在物體坐標系中 沿三個坐標軸的分解量，《表示本采樣點即第A:點沿x軸方向到所在體元 的外表面距離，更新后的《+1表示下一采樣點即點沿x軸到自己所在體 元外表面的距離；采用重采樣點沿x、 _y、 z軸方向參數(shù)和投射光線經(jīng)過的體元編號得到 目標^各徑的的灰度值/(ij，m):重采樣點即體元(/j，附)最近的8個相鄰點數(shù)據(jù)即第一點數(shù)據(jù)/。。。至第八點數(shù)據(jù)/;u,《，《，《分別表示重采樣點相對于第一點在三個坐標方向的距離，則重采樣點的的灰度值/(/,力m)為/0》.，w) = (l-《)x(l —A)x(l-《)x/,+《x(l-^)x(1 —《)x/001+(l_《)x^x(l —《)x/01。+《xjyx(l_《)x/011+ 所有重采樣(i-《)x(i-《)x《xy;。。 +《x(i—《)x《xy^十(l-《)x《x《x乂,o+《x《x《><_/;,點的灰度值即構(gòu)成目標路徑的灰度信息。
5、 根據(jù)權(quán)利要求1所述的基于近紅外光譜的神經(jīng)外科導(dǎo)航穿刺路徑 實時糾錯方法，其特征在于步驟(4 )所述的目標路徑進行圓錐化的方法為以目標路徑為中垂線，以入刺點為圓錐體頂點，圓錐頂角以間隔為l度按照工 7V度連續(xù)變化繪制圓錐體得到W個圓錐形區(qū)域，其中W為小于90的 自然數(shù)。
全文摘要
本發(fā)明公布了一種基于近紅外光譜的神經(jīng)外科導(dǎo)航穿刺路徑實時糾錯方法，屬于外科手術(shù)導(dǎo)航系統(tǒng)精度校正方法。本發(fā)明首先采用基于三維重建體的體數(shù)據(jù)，提取目標路徑灰度信息。隨后對目標路徑圓錐化，并在錐面上提取N條驗證穿刺軌跡的灰度信息。由光學(xué)參數(shù)和影像數(shù)據(jù)的數(shù)學(xué)關(guān)聯(lián)模型，得到目標路徑和N條驗證軌跡的光學(xué)曲線，借助Hausdorff距離和曲率的曲線趨勢匹配算法，獲得在容差范圍內(nèi)與實時近紅外光學(xué)信號具有相同變化趨勢的穿刺軌跡曲線，確定偏離目標路徑的方位，計算坐標偏移，進行路徑實時校正，引導(dǎo)手術(shù)。該方法實施簡單，速度快，可實時進行，便于臨床應(yīng)用，可集成在手術(shù)導(dǎo)航系統(tǒng)中，從而較大幅度提高導(dǎo)航系統(tǒng)的精度。
文檔編號G06F19/00GK101564289SQ20091003297
公開日2009年10月28日 申請日期2009年6月3日 優(yōu)先權(quán)日2009年6月3日
發(fā)明者翁曉光, 錢志余, 玲 陶 申請人:南京航空航天大學(xué)