腰椎配准先验模型的构建方法以及腰椎配准方法与流程

本发明涉及图像处理领域，具体涉及一种腰椎配准先验模型的构建方法以及腰椎配准方法。

背景技术：

医生在进行脊椎手术过程中，需要图像引导，以便能够清楚脊椎的位置姿态和手术置入物(如螺钉)的具体位置。然而由于术中电子计算机断层扫描(Computed Tomography，CT)设备昂贵，仅有少数医院配置，因此常用术前CT和术中X光(X-ray)图像来辅助医生手术。术中X-ray能提供二维影像，若要得到三维信息，需要将术中X-ray和术前CT进行配准，因此3D/2D的图像配准是图像引导手术中的关键问题。

目前的3D/2D配准一般是将3D的数据投影到2D平面，然后进行2D/2D配准，最终在投影参数空间中找到一个最佳的投影参数使得投影图像与目标图像能够最佳配准。然而由于投影参数空间复杂度较高，所以这种基于搜索策略的3D/2D配准方法计算量巨大。也有的处理方法需要较多的人工干预，同样导致效率低下。

技术实现要素：

为了解决现有技术中的上述问题，本发明提出了一种腰椎配准先验模型的构建方法以及腰椎配准方法，在保证精度的同时，大大提高了配准的效率，达到术中实时配准的要求。

本发明提出一种腰椎配准先验模型的构建方法以及腰椎配准方法，包括以下步骤：

步骤A1，对预设数量的腰椎CT图像样本进行数字重建放射影像(Digitally Reconstructured Radiograph，DRR)投影，得到投影图像样本，并对投影图像样本提取特征点；

步骤A2，根据步骤A1提取的特征点建立统计形状模型；

步骤A3，建立统计灰度模型；

步骤A4，将形状模型参数和灰度模型参数串联起来建立联合模型。

优选地，步骤A2具体为：

使用普氏分析法将提取的特征点映射到一个共同的二维坐标系下，使得各投影图像样本特征点的重心与坐标原点重合，并消除平移、缩放、旋转对不同投影图像样本特征点的影响；对映射到共同二维坐标系下的特征点利用主成分分析法(principal components analysis，PCA)得到形状模型的标准正交基P_s，则各投影图像样本的特征点形状模型为：

其中，为平均形状，所述平均形状为每个特征点的平均位置，b_s为形状模型参数。

优选地，步骤A3具体为：

对各投影图像样本进行形状标准化，使得其特征点变形到平均形状上；把经过形状标准化的图像，在其形状模型所覆盖的区域进行采样，并对采样点进行归一化使其灰度均值为0，方差为1；利用主成分分析法得到表观模型P_g，则各投影图像样本特征点灰度模型g为：

其中，为平均灰度，P_g为灰度模型的标准正交基，b_g为灰度模型参数。

优选地，步骤A4具体为：

步骤A41，将形状模型参数b_s和灰度模型参数b_g串联起来，

其中，W_s为一个对角阵，用来平衡形状模型和灰度模型参数的量纲；

步骤A42，对串联的形状模型和灰度模型参数利用主成分分析法得到联合模型:

由于形状模型参数和灰度模型参数的均值为0，所以均值为0，则有：

b＝Qc，

其中，c为联合模型的参数，Q为联合模型的正交基，Q_s为形状模型的正交基，Q_g为灰度模型的正交基；

步骤A43，用联合模型参数c来表达形状x和灰度g：

其中，为平均形状，P_s为形状模型的标准正交基，为平均灰度，P_g为灰度模型的标准正交基。

优选地，对各投影图像样本进行形状标准化时，采用三角形变形算法。

本发明同时提出一种腰椎配准方法，包括以下步骤：

步骤B1，手术前获取目标腰椎CT图像，对CT图像进行DRR投影生成预设数量的DRR图像；

步骤B2，对毎幅DRR图像，根据预设的初始位置和腰椎配准先验模型，对目标腰椎进行分割并提取形状参数。

步骤B3，根据DRR图像的投影参数和其对应的形状参数，建立姿态模型；

步骤B4，手术过程中获取X-ray图像，在X-ray图像上，根据腰椎配准先验模型，对目标腰椎进行分割，并提取形状参数；

步骤B5，根据在X-ray图像上得到的目标腰椎的形状参数和步骤B3中得到的姿态模型，得到对应的投影参数，从而完成配准。

优选地，步骤B3所述建立姿态模型，具体为：

使用线性模型R＝MB，得到姿态模型：

M＝RB^T(BB^T)^-1。

其中，R为投影参数，B为形状参数，M为姿态模型。

优选地，步骤B5具体为：

根据所述姿态模型和步骤B4中获取的形状参数，计算出X-ray图像对应的投影参数：

R_X-ray＝MB_X-ray，

其中B_X-ray为步骤B4中提取的X-ray图像的形状参数，M为姿态模型。

优选地，步骤B2和步骤B4中，用AAM算法对目标腰椎进行分割并提取形状参数。

本发明建立腰椎的二维统计模型，并利用形状模型和投影参数之间高度的相关性，学习出一个姿态模型。在手术中获得了腰椎的形状参数之后，能够直接通过姿态模型得到其投影参数，从而避免了传统方法中在大量的投影图像中搜索一个最佳匹配度的投影图像，使得本发明能够高效地进行腰椎的3D/2D配准，在保证精度的同时，满足术中高实时性的要求。

附图说明

图1是本实施例中腰椎配准先验模型构建方法的流程示意图；

图2是本实施例中对DRR投影图像进行特征点提取的示意图；

图3是本实施例中腰椎配准方法的流程示意图。

具体实施方式

下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非旨在限制本发明的保护范围。

本实施例中，在一台配置为Intel(R)Core(TM)i5-2400CPU@3.10GHz，4G内存的PC机上，运行算法平台Matlab R2014b。

本发明提出一种腰椎配准先验模型的构建方法以及腰椎配准方法，如图1所示，包括以下步骤：

步骤A1，对预设数量的腰椎CT图像样本进行DRR投影，得到投影图像样本，并对投影图像样本提取特征点；

步骤A2，根据步骤A1提取的特征点建立统计形状模型；

步骤A3，建立统计灰度模型；

步骤A4，将形状模型参数和灰度模型参数串联起来建立联合模型。

本实施例中，在建立统计形状模型时，选择建立二维图像上的模型，因为二维图像的特征点更容易标记和获取。如图2所示，在毎幅DRR图像上提取93个特征点，整体形状如子图a所示，主要分为6个部分，分别是：椎体轮廓(如子图b所示)、中央灰度凹陷(如子图c所示)、接近于生理结构的椎弓根(如子图d和e所示)和椎体左右下切角(如子图f和g所示)。

本实施例中，步骤A2具体为：

使用普氏分析法将提取的特征点映射到一个共同的二维坐标系下，使得各投影图像样本特征点的重心与坐标原点重合，并消除平移、缩放、旋转对不同投影图像样本特征点的影响；对映射到共同二维坐标系下的特征点利用主成分分析法得到形状模型的标准正交基P_s，则各投影图像样本的特征点形状模型，如公式(1)所示：

其中，为平均形状，所述平均形状为每个特征点的平均位置，b_s为形状模型参数。

本实施例中，步骤A3具体为：

对各投影图像样本进行形状标准化，使得其特征点变形到平均形状上；把经过形状标准化的图像，在其形状模型所覆盖的区域进行采样，并对采样点进行归一化使其灰度均值为0，方差为1；利用主成分分析法得到表观模型P_g，则各投影图像样本特征点灰度模型g,如公式(2)所示：

其中，为平均灰度，P_g为灰度模型的标准正交基，b_g为灰度模型参数。

本实施例中，步骤A4具体为：

步骤A41，将形状模型参数b_s和灰度模型参数b_g串联起来，如公式(3)所示：

其中，W_s为一个对角阵，用来平衡形状模型和灰度模型参数的量纲；

步骤A42，对串联的形状模型和灰度模型参数利用主成分分析法得到联合模型，如公式(4)所示：

由于形状模型参数和灰度模型参数的均值为0，所以均值为0，则如公式(5)所示：

b＝Qc (5)

其中，Q为联合模型的正交基，Q值如公式(6)所示：

Q_s为形状模型的正交基，Q_g为灰度模型的正交基，c为联合模型的参数；

步骤A43，用联合模型参数c来表达形状x和灰度g，分别如公式(7)和(8)所示：

其中，为平均形状，P_s为形状模型的标准正交基，为平均灰度，P_g为灰度模型的标准正交基。

本实施例中，对各投影图像样本进行形状标准化时，采用三角形变形算法。

本发明同时提出一种腰椎配准方法，本方法在术前获取待手术病人的腰椎CT图像，并对CT图像进行处理，对术中的分割和配准提供信息。这样使得更多的计算工作在术前进行，使得术中能够以更高效的方式进行分割和配准，从而达到实时性要求。

如图3所示，包括以下步骤：

步骤B1，手术前获取目标腰椎CT图像，对CT图像进行DRR投影生成预设数量的DRR图像；

步骤B2，对毎幅DRR图像，根据预设的初始位置和腰椎配准先验模型，对目标腰椎进行分割并提取形状参数。

步骤B3，根据DRR图像的投影参数和其对应的形状参数，建立姿态模型；

步骤B4，手术过程中获取X-ray图像，在X-ray图像上，根据腰椎配准先验模型，对目标腰椎进行分割，并提取形状参数；

步骤B5，根据在X-ray图像上得到的目标腰椎的形状参数和步骤B3中得到的姿态模型，得到对应的投影参数，从而完成配准。

本实施例中，步骤B3所述建立姿态模型，具体为：

使用线性模型R＝MB，得到姿态模型，如公式(9)所示：

M＝RB^T(BB^T)^-1(9)

其中，R为投影参数，B为形状参数，M为姿态模型。

本实施例中，步骤B5具体为：

根据所述姿态模型和步骤B4中获取的形状参数，计算出X-ray图像对应的投影参数，这个投影参数即为需要的配准结果；计算方法如公式(10)所示：

R_X-ray＝MB_X-ray(10)

其中B_X-ray为步骤B4中提取的X-ray图像的形状参数，M为姿态模型。

本实施例中，步骤B2和步骤B4中，用AAM(Active Appearance Model)算法对目标腰椎进行分割并提取形状参数。

本领域技术人员应该能够意识到，结合本文中所公开的实施例描述的各示例的方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明电子硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。