一種基于全局優(yōu)化的神經(jīng)導航自動空間配準方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬醫(yī)學圖像處理及應用領(lǐng)域，設(shè)及一種基于全局優(yōu)化的神經(jīng)導航自動空間 配準方法，使配準過程更加簡單方便。該方法能使手術(shù)導航在臨床應用中更精確、實用和方 便。
【背景技術(shù)】
[0002] 據(jù)報道顯示，神經(jīng)導航系統(tǒng)能夠幫助醫(yī)務(wù)人員確定病灶位置和邊界，減小醫(yī)源性 創(chuàng)傷，降低手術(shù)難度與手術(shù)風險。神經(jīng)導航系統(tǒng)對術(shù)前病人CT或MR影像資料進行=維重建 和可視化，獲得虛擬模型，把手術(shù)部位與虛擬模型進行配準，使用高精度的定位系統(tǒng)跟蹤病 人和手術(shù)器械的空間位置，使醫(yī)生能在虛擬模型上看到手術(shù)器械相對于手術(shù)部位的位置， 從而指導醫(yī)生對腫瘤進行準確切除。
[0003] 現(xiàn)有技術(shù)中，神經(jīng)導航系統(tǒng)使用的空間配準方法主要有點配準和面配準。計算 點匹配的算法主要有奇異值分解法、標準正交矩陣法、單四元數(shù)法和雙四元數(shù)法，它們的 效率是一樣的。面匹配方法使用ICPQterative Closest化int)算法或其變體進行配 準。與點配準方法相比，ICP算法不需要知道兩個點云中點之間的對應關(guān)系，所W能夠選 取大量的點參與配準，從而提高了配準精度。使用ICP算法進行配準，雖然精度很高，但存 在一些局限：①算法對點云的初始位置要求較高，點云初始位置不能相差太大，否則會產(chǎn) 生局部最優(yōu)解；②算法在求解最近點對集的過程中因迭代次數(shù)太多而導致計算量大大增 加。為了提高配準的精度與速度，有研究對ICP算法作了改進，如，Lee等提出一個自適應 ICP(Adaptive-ICP)算法，它使用自適應對偶近鄰捜索樹方法（ADAK-D Tree)捜索最近點， 比經(jīng)典ICP算法速度要快，精度要高，但并沒有解決局部最優(yōu)解問題。為了解決局部最優(yōu) 解問題，Lee等提出M-ICP(Maker-added ICP)算法，運種算法需要人工介入，先用幾個人 工標記點或解剖標記點進行粗配準，再用ICP算法做精配準，雖然加入標記點使M-ICP算 法取得了較好的初始位置，增加了取得全局最優(yōu)解的可能性，但是取得較好的初始位置需 要人工取點。M-ICP算法中兩個點云中的點的數(shù)量很多，計算量仍舊很大，為了加快運算 速度，Lee等提出了化St-MICP算法，運種算法使用Harris角點探測器在病人空間提取有 意義的特征點，在配準時只使用運些特征點進行配準，從而減少了運算量，但人工取點獲取 初始位置的缺點仍舊沒有改變；San址yun化in等提出一種加權(quán)的ICP (Wei曲ted-ICP)算 法，該算法將面部不易變形的區(qū)域定義為權(quán)重區(qū)域，將投影到此區(qū)域的點對的權(quán)重設(shè)為一 個大于1的值，如果點對沒有投影到運個權(quán)重區(qū)域，將權(quán)重設(shè)為1 ;該方法雖然提高了配準 精度，但是仍需要人工選定權(quán)重區(qū)域；化ung-Hung等提出一種加權(quán)和擾動ICP(WAP-ICP) 算法，使用加權(quán)的策略去除噪聲點，使用隨機擾動技術(shù)處理ICP算法的局部最優(yōu)解問題，它 的配準精度比自適應ICP要高。綜上，所述的改進均基于ICP算法，需要一個粗配準來獲 取初始位置，然后用ICP算法或改進的ICP算法做精配準。一些基于概率的算法，雖然能 提高算法的魯棒性，但是所采用的優(yōu)化過程仍舊是基于局部捜索的；一些基于啟發(fā)式的算 法，如粒子群]算法，粒子濾波算法等，雖然能跳出局部最小值，但是它們不能穩(wěn)定地達 到一個最優(yōu)解，而且算法復雜度很高，不適合處理神經(jīng)導航配準中處理大量點云的情況。 Jiaolong Yang 等提出了 G〇-ICP(Globally Optimal ICP)算法，運種算法將 ICP 算法植 入化B (branch-and-bound)算法，不需要提供初始位置就能保證達到確定的全局最優(yōu)解， GO-ICP算法僅在兔子模型和手模型的配準中取得了較好的效果。
[0004] 鑒于現(xiàn)狀，目前臨床實踐中需要一種新的神經(jīng)導航自動空間配準方法，該方法能 在不提供初始位置的情況下求得全局最優(yōu)解，使手術(shù)導航在臨床應用中更精確、實用和方 便。 陽0化]與本發(fā)明有關(guān)的參考文獻有：
[0006] [1]G. Eggers, J. Muhling and R. Marmulla, Image-to-patient registration techniques in head surgery, International Journal of Oral&MaxiIIofacial Implants, 2006, 35:1081-1095
[0007] [2] Eggert D W, Lorusso A, Fisher R B. Estimating 3-D rigid body transformations:a comparison of four major algorithms[J]. Machine Vision and Ap plications, 1997, 9巧）：272-290.
[0008] [3]Lee J D, Hsieh S S, Huang C H, et al. An adaptive ICP registration for f過ci過I point d過t過[C]. Intern過tion過I Conference on Pattern Recognition, 2006, 4:703-706.
[0009] [4] Lee J D, Lan T Y, Huang C H, et al. A coarse-to-f ine su:rface registration algorithm for frameless brain surgery[C]. International Conference on Engineering in Medicine and Biology Society,2007,836-839.
[0010] [5] Lee J D, Huang C H, Wang S T, et al. Fast-MICP for frameless image-guided surgery[J]. Medical Physics,2010,37巧）：4551-4559.
[0011] [6]Shin S,Lee D, Kim Y,et al. Markerless registration for intracerebral hemorrhage surgical system using weighted Iterative Closest Point (ICP) [C].International Conference on Engineering in Medicine and Biology Society,2012, 5306-5309.
[0012] [7]Hsieh C H,加 ang C H, Lee J D. A Non-contact Image-t〇-Patient Registration Method Using Kinect Sensor and WAP-ICP[M]. Software Engineering, Artificial Intelligence, Networking and Parallel/Distributed Computing, 2013, 95-102.
[0013] [8]Tsin Y, Kanade T. A correlation-based approach to robust point set registration[M]. International Conference on Computer Vision,2004,558-569.
[0014] [9]Jian B, Vemuri B C. A robust algorithm for point set registration using mixture of Gaussians [C]. International Conference on Computer Vision, 2005,2:1246-1251.
[001 己] [10]Myronenko A,Song X.Point set registration:Coherent point drift [J]. IEEE Transactions on Pattern Analysis and Machine Intelligen ce，2010, 32 (12) :2262-2275.
[0016] [11]Breitenreicher D, Schnorr C. Model-based multiple rigid object detection 曰nd registration in unstructured range d曰t曰[J]. Internstionsl Journ曰I of Computer Vision, 2011, 92(I):32-52.
[0017] [12]Wachowiak M P, Smollkov掃 R, Zheng Y, et al. An approach to multimodal biomedical image registration utilizing particle swarm optimization[J]. IEEE Transactions on Evolutionary Computation, 2004, 8(3):289-301.
[0018] [13]Sandhu R, Dambreville S, Tannenbaum A. Point set registration via particle filtering and stochastic dyn曰mics[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2010, 32(8):1459-1473.
[0019] [14]Jiaolong Yang, Hongdong Li, Yunde Jia. Go-ICP:Solving 3D Registration Efficiently and Globally Optimally[C]. International Conference on Computer Vision,2013, 1457-1464.。

【發(fā)明內(nèi)容】

[0020] 本發(fā)明的目的在于提供一種基于全局優(yōu)化的神經(jīng)導航自動空間配準方法，無需提