[发明专利]一种高精度自动神经导航空间配准方法

权利要求书

1.一种高精度自动神经导航空间配准方法，其特征在于，包括步骤：

(1)采用基于高斯混合模型的全局优化点集配准方法，将基于激光扫描仪获得的点云与CT获得的点云得到两个点云之间的坐标变换实现初步配准；

(2)采用无序点自动配准的方法，将初步配准的结果与神经导航中通过CT重建出来的病人空间再次进行配准。

2.根据权利要求1所述的方法，其特征在于，所述步骤(1)中，用激光扫描仪获得的点云和CT获得的点云采用基于高斯混合模型的全局优化点集配准方法实现配准。

3.根据权利要求1所述的方法，其特征在于，所述步骤(2)中，将初步配准结果与神经导航中通过CT重建出来的病人空间采用无序点自动配准的方法再次进行配准。

4.根据权利要求1所述的方法，其特征在于，所述步骤(1)中基于高斯混合模型的全局优化点集配准方法为，将进行配准的点集看作一个整体，将点集内点与点在整体空间和子空间的相关性作为点集的特征，实施配准；

高斯混合模型的概率密度函数表示为：

f(X)=Σi=1kωiφ(X|μi,Σi)---(1)]]>

其中，φ(X|μi,Σi)=exp[-12(X-μi)TΣi-1(X-μi)](2π)d|det(Σi)|---(2)]]>

根据高斯混合模型的定义，定义点集所表示的数据空间中点与点之间的相关性，表示为：

Σi=1kωiφ(X|μi,Σi)Σj=1kωjφ(X|μj,Σj)]]>(3)]]>

=Σi=1kΣj=1kωiωjφ(X|μi,Σi)φ(X|μj,Σj)]]>

对于点集P所表示的整个数据空间中所有点相关性总和，即该数据空间的全局特征表示为：

gmm_correlation(P)=Σi=1kΣj=1kωiωj∫φ(X|μi,Σi)φ(X|μj,Σj)dX---(4)]]>

对于3维点集P表示的3维数据空间经过投影变换，形成3个1维数据空间；每个1维数据空间可使用混合高斯模型进行表示，其表示形式与上述公式(4)一致；

进行配准的两个点集，分别是同一数据空间不同的采样结果，其代表了同一的数据空间，其相应的投影变换形成的子空间也是一致的，对应子空间的点与点之间相关性总和也是接近相等；刚体点集配准转变为最小化式(6)所表示的目标函数，M_l和S_l分别表示两个点集代表的对应子空间，

dRMS_l＝(gmm_correlation(M_l)-gmm_correlation(S_l))²         (6)

在进行点集配准的过程中，表示整个数据空间的高斯混合模型各个混合分量是均匀分布的，即式(4)中的同时，各个混合分量的协方差矩阵是一致的，即式(4)中的∑_i＝∑_j。

5.根据权利要求1所述的方法，其特征在于，所述步骤(2)中无序点自动匹配方法为，将待匹配的点集按照点与点之间的距离关系映射到新的点集空间，然后根据距离阈值与目标点集通过剪枝的方法获得最终的匹配关系，其包括步骤为：

①获取手术真实场景中标记点做为目标点集，获取所述步骤(1)中初步配准结果中的特征点做为待匹配点集；

②从待匹配点集中取出四个点，对其中每一个点获得与其他三个点之间的距离关系并按照一定的顺序进行排列，形成一个新的点的空间描述；

③对四个点的新的空间描述做如下处理：每两个点对应元素之间做差值并取绝对值然后求和；取所有和值中的最小值；

④对待匹配点集中所有的四个点的组合重复上述步骤②和步骤③中的操作，获得步骤③中所有最小值中的最大值对应的四个点的组合；

⑤对目标点集做四个点的排列，每一组排列分别与上述步骤④中获得的四个点的组合做剪枝，逐步排除不符合阈值判定的目标点集的排列；

⑥最后获得与待匹配点集相对应的目标点集的一组排列。