[发明专利]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

权利要求书

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图像中的孤立点包括：对腰椎CT图像进行形态学开运算和闭运算，所述开运算和闭运算的模板尺寸根据需要分割的孤立点大小进行调节。

6.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，所述转换为相应的腰椎三维点云集合包括：通过Marching Cubes算法对消除孤立点后的术前和术中的腰椎CT图像进行面绘制，遍历面绘制结果顶点坐标并转换为点云坐标，获取术前和术中的腰椎三维点云集合。