【技術實現步驟摘要】
本專利技術涉及手術導航系統，尤其涉及一種面向骨盆復位手術導航的無監督配準方法以及一種面向骨盆復位手術導航的無監督配準系統。
技術介紹
1、骨盆是人體骨骼中最重要的結構之一，連接著脊椎、髖關節和下肢，對身體的穩定性和運動功能至關重要。骨盆骨折是創傷骨科中常見的損傷，其損傷機制復雜。骨盆周圍富有血管神經等重要軟組織，一旦發生嚴重的骨盆骨折，如不及時選擇正確的治療方案，將會嚴重危及生命。
2、修復骨塊需要進行骨折骨塊復位、固定等一系列步驟來恢復骨盆的正常解剖結構和功能。在骨折復位之前，醫生會在術前規劃步驟中計算骨折塊復位的參數，包括骨折塊復位過程需要的平移大小和角度。骨盆復位手術較為復雜，為了保證手術成功率，需要獲取精準的骨盆位置和骨盆姿態，合適的醫學影像可以為醫生手術過程中提供大量有效信息，手術導航可以將術前的與術中的信息結合，輔助醫生進行手術。骨折復位手術配準能夠輔助醫生判斷手術復位進程，將術前與術中影像結合，得到當前骨折塊復位的空間位置和參數，與術前規劃得到的進行比較，從而為下一步手術計劃做準備。
3、臨床中，通常會在術前獲得高分辨率的三維ct影像，從而獲得患者術前的位置和姿態（位姿），但是由于拍攝ct影像時輻射較高、成像時間長，為了在術中獲取患者的位姿，通常會在術中選擇成像時間較短、輻射較少的二維x光圖片，通過對比患者術前和術中的醫學影像，能夠實時反應患者的位姿信息。
4、手術導航是一種輔助醫生手術的自動化工具，對患者骨盆以及手術器械進行實時導航，結合術前和術中患者骨折復位情況輔助醫生完成手
5、手術導航的關鍵技術是結合術前術中的影像完成二維到三維的剛性配準。配準（registration）通常指將多個數據或圖像對齊以實現一致性或可比性的過程。這個概念廣泛應用于多個領域，包括計算機視覺、醫學影像、遙感圖像處理等。在醫學影像領域，圖像配準用于將不同時間、不同模態或不同影像設備獲取的醫學圖像進行對齊，以便醫生可以更好地觀察和比較。剛性配準的過程物體不會發生形變，配準的精度直接影響手術成功率，且在手術過程中需要實時的結合術前和術中的患者位姿以輔助醫生完成手術。隨著人工智能的不斷發展，基于深度學習的2d/3d配準方法已經逐步取締傳統算法，許多研究者已經在機器學習應用于醫學圖像配準方面做了大量的研究，提出了很多實用的方法。
6、現有技術中大多基于學習的方法是將空間姿態的預測理解為回歸問題，即對于一張圖像輸出其6自由度的位姿參數，該方法雖然在推理過程中具備實時性，但是需要對每個患者訓練網絡，不具備強泛化性。且現有基于學習的方法都是已知配準位姿變換范圍并用于訓練回歸網絡，把配準理解成一個白盒問題，而對于不在空間范圍的位姿無法精準學習。從配準解決問題角度來看，現有的方法大多是將2d-3d配準理解成2d-2d配準，因此在深度層面缺乏信息，即在z軸方向的預測精度較差，無法充分利用術前ct的空間信息。而對于骨盆ct影像大部分都存在空氣、軟組織等干擾信息，對于骨盆信息提取存在干擾。
技術實現思路
1、針對上述問題，本專利技術提供了一種面向骨盆復位手術導航的無監督配準方法及系統，通過重建模型充分利用圖像的深度信息將二維x射線圖像轉換為三維ct圖像，能夠將2d/3d問題轉換成3d/3d配準問題，對后續配準過程起到了橋梁作用，采用medsam分割模型進行圖像分割，用作數據擴充以及分割網絡，提升了配準精度，且該無監督配準框架有效結合了術前ct的關鍵信息，具備泛化能力，不需對每個患者訓練網絡即可預測所有患者的位置姿態，且位姿姿態的預測范圍更廣，對手術導航的快捷性和便捷性提供了良好的技術支持。
2、為實現上述目的，本專利技術提供了一種面向骨盆復位手術導航的無監督配準方法，包括：
3、采用編碼模塊、跨維度連接模塊和解碼模塊構建三維重建網絡模型，并基于生成對抗損失函數完成訓練；
4、將術中二維x射線影像輸入訓練完成的所述三維重建網絡模型，得到相映射的三維術中ct圖像；
5、對術前ct圖像和所述術中ct圖像分別采用medsam分割模型進行分割，得到骨盆區域的術前分割圖像和術中分割圖像；
6、通過卷積神經網絡確定所述術前分割圖像和所述術中分割圖像的關鍵點，并根據閉式函數對所述關鍵點的距離進行最小化計算，推導得到剛性變換矩陣；
7、根據所述剛性變換矩陣和術前ct圖像，對術中ct圖像進行配準。
8、在上述技術方案中，優選地，所述采用編碼模塊、跨維度連接模塊和解碼模塊構建三維重建網絡模型，并基于生成對抗損失函數完成訓練，具體過程包括：
9、采用編碼器-解碼器結構構建三維重建網絡模型，并通過跨維度連接模塊對編碼器和解碼器進行連接；
10、所述編碼器采用預設數量的稠密塊denseblock組成，所述解碼器采用預設數量的上采樣模塊和三維特征提取模塊basic3d組成，所述跨維度連接模塊包括兩個跨維度的連接模塊connection?a和connection?b，所述connection?a用于將所述編碼器的二維特征映射至三維特征空間，所述connection?b用于在編碼和解碼階段融合二維特征和三維特征；
11、采用二維x射線影像和對應的三維ct圖像對所述三維重建網絡模型進行訓練，并基于生成對抗損失函數，在所述三維重建網絡模型能夠達到預設損失值時完成訓練。
12、在上述技術方案中，優選地，所述對術前ct圖像和所述術中ct圖像分別采用medsam分割模型進行分割，得到骨盆區域的術前分割圖像和術中分割圖像，具體過程包括：
13、采用圖像編碼器、提示編碼器和掩碼解碼器構建medsam分割模型，其中，所述圖像編碼器用于提取ct圖像的全局特征并生成圖像嵌入，所述提示編碼器用于根據用戶輸入的提示框信息生成對應的特征向量，所述掩碼解碼器用于融合所述圖像編碼器和所述提示編碼器的輸出特征，并通過解碼操作生成目標區域的分割結果；
14、將所述術前ct圖像和所述術中ct圖像輸入所述medsam分割模型中，得到針對骨盆區域的術前分割圖像掩碼和術中分割圖像掩碼。
15、在上述技術方案中，優選地，所述通過卷積神經網絡確定所述術前分割圖像和所述術中分割圖像的關鍵點，并根據閉式函數對所述關鍵點的距離進行最小化計算，推導得到剛性變換矩陣，具體過程包括：
16、將所述術前分割圖像和所述術中分割圖像輸入至卷積神經網絡conv-com，經過多層卷積、歸一化、relu激活和下采樣操作，將特征輸出至質心層；
17、計算本文檔來自技高網...
【技術保護點】
1.一種面向骨盆復位手術導航的無監督配準方法，其特征在于，包括：
2.根據權利要求1所述的面向骨盆復位手術導航的無監督配準方法，其特征在于，所述采用編碼模塊、跨維度連接模塊和解碼模塊構建三維重建網絡模型，并基于生成對抗損失函數完成訓練，具體過程包括：
3.根據權利要求2所述的面向骨盆復位手術導航的無監督配準方法，其特征在于，所述對術前CT圖像和所述術中CT圖像分別采用MedSAM分割模型進行分割，得到骨盆區域的術前分割圖像和術中分割圖像，具體過程包括：
4.根據權利要求3所述的面向骨盆復位手術導航的無監督配準方法，其特征在于，所述通過卷積神經網絡確定所述術前分割圖像和所述術中分割圖像的關鍵點，并根據閉式函數對所述關鍵點的距離進行最小化計算，推導得到剛性變換矩陣，具體過程包括：
5.根據權利要求4所述的面向骨盆復位手術導航的無監督配準方法，其特征在于，根據所述剛性變換矩陣和術前CT圖像，對術中CT圖像進行配準，具體過程包括：
6.一種面向骨盆復位手術導航的無監督配準系統，其特征在于，應用如權利要求1至5中任一項所述的面向骨
7.根據權利要求6所述的面向骨盆復位手術導航的無監督配準系統，其特征在于，所述重建模型構建模塊具體用于：
8.根據權利要求7所述的面向骨盆復位手術導航的無監督配準系統，其特征在于，所述三維圖像映射模塊具體用于：
9.根據權利要求8所述的面向骨盆復位手術導航的無監督配準系統，其特征在于，所述配準矩陣推導模塊具體用于：
10.根據權利要求9所述的面向骨盆復位手術導航的無監督配準系統，其特征在于，所述骨盆圖像配準模塊具體用于：
...【技術特征摘要】
1.一種面向骨盆復位手術導航的無監督配準方法，其特征在于，包括：
2.根據權利要求1所述的面向骨盆復位手術導航的無監督配準方法，其特征在于，所述采用編碼模塊、跨維度連接模塊和解碼模塊構建三維重建網絡模型，并基于生成對抗損失函數完成訓練，具體過程包括：
3.根據權利要求2所述的面向骨盆復位手術導航的無監督配準方法，其特征在于，所述對術前ct圖像和所述術中ct圖像分別采用medsam分割模型進行分割，得到骨盆區域的術前分割圖像和術中分割圖像，具體過程包括：
4.根據權利要求3所述的面向骨盆復位手術導航的無監督配準方法，其特征在于，所述通過卷積神經網絡確定所述術前分割圖像和所述術中分割圖像的關鍵點，并根據閉式函數對所述關鍵點的距離進行最小化計算，推導得到剛性變換矩陣，具體過程包括：
5.根據權利要求4所...
【專利技術屬性】
技術研發人員：句福嬌，李原，朱紹濤，趙晶鑫，
申請(專利權)人：北京工業大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。