基于视频图像处理的神经导航空间配准方法研究

Currently, most neuronavigation systems use point matching approach to register image space and patient space, which is inaccurate, complicated and expensive due to the inherent characteristics of the point matching algorithm and the use of artificial fiducial markers. The developing trend of spatial registration of neuronavigation is to replace the point matching approach with surface matching approach. There are several surface matching techniques that use Laser Range Scanner (LRS) to obtain a point cloud of the patient's head surface in the patient space, but they are not accurate enough because of the limitation of the number and the distribution of the points obtained. Therefore, LRS based surface matching apporach is not widely used. In this project, we introduce the srereo reconstruction technique in the computer vision area into the spatial registration research of neuronavigation, and propose a new accurate, low-cost and easy-to-use surface matching approach using a video camera. First, we use the traditional spatial registration framework (which first reconstructs featured structures in the two spaces to be registered and then registers the two spaces by matching corresponding structures) and study new methods to obtain the point cloud of the patient's head surface in the patient space using stereo recontruction with epipolar constraint and the constraint of a prior structural model. Then, we break the traditional framework of spatial registration with theoretical and technical innovation to register the two spaces without reconstructing the surface of the patient's head in the patient space. In our new spatial registration framework, we use more structual information of the patient's head surface to improve the registration accuracy.

目前神经导航系统主要使用点匹配方法进行病人空间与图像空间的配准，但由于点匹配的固有特点及需要使用人工标记物，其配准精度越来越不能满足临床需求，且应用成本较高、操作复杂。面匹配是神经导航空间配准技术的发展趋势，现有的几种面匹配方法使用激光扫描仪在病人空间获取头部表面点云，但所获点云仅代表部分表面结构，故配准精度不高，临床应用很少。本项目基于计算机视觉领域的三维立体重建技术，使用摄像机通过视频图像处理实现一种高精度、低成本、操作方便的神经导航空间配准新方法。我们首先基于传统的空间配准技术框架（即先提取两个空间中的特征结构，再通过匹配对应结构实现空间配准），研究新的从视频帧中利用极线约束和头部先验结构模型约束重建头部表面点云的方法，并进行初始面匹配；然后突破传统技术框架，提出新的理论和方法，在不显式地提取病人空间表面结构的情况下直接进行配准，利用头部表面整体结构信息进一步提高空间配准精度。

空间配准是手术导航系统的核心技术，是决定导航定位精度的重要因素。传统神经导航系统的面匹配空间配准方法存在配准精度不高、稳定性不好以及需要人工干预等问题。造成这些问题的原因主要有两个，其中，理论方面的原因是，传统面匹配方法只能在一定初始条件下进行局部优化，因此需要由人工干预获取初始条件，且无法得到最优的配准结果；技术方面的原因是，传统神经导航系统面匹配技术只能在真实空间采集局部、稀疏的表面点云，进一步影响了配准的精度和稳定性。.面匹配空间配准与点云刚体配准是等价问题，本项目针对这类问题开展了如下研究工作：. 1）提出了点云刚体配准的空间变换分解理论，并在此基础上实现了快速、全局最优的点云配准方法。为了解决以Iterative Closest Point（ICP）为代表的传统点云配准方法存在的局部收敛问题，近年来的研究趋势是，使用分支定界优化框架实现全局优化的点云配准。但分支定界算法的计算复杂度随着其求解问题的维度呈指数增长，点云刚体配准问题需要求解一个6维的刚体变换，已有全局优化方法的计算速度非常慢，其实用性受到极大限制。为此，我们提出了空间变换分解理论，将求解6维刚体变换的问题转化为一个求解3维旋转和一个求解3维平移的问题，降低了分支定界算法求解问题的维度，大幅提升了全局优化点云刚体配准的速度。. 2）脑血管性疾病导航中经常需要使用的2D Digital Subtraction Angiography（DSA）图像，此时需要将其与3D CTA图像进行配准。我们首先从2D DSA图像和3D CTA图像中提取出脑血管中心线，将其转化为2D和3D点云的配准问题。我们提出了一种全局优化的旋转搜索算法和快速同步平移搜索策略，实现2D-3D点云全局优化空间配准。. 3）提出了一种基于特征匹配的神经导航自动面匹配空间配准方法。该方法从真实空间和图像空间中的头部表面密集点云中提取特征点，并在特征点处计算局部表面描述子，通过描述子匹配和随机采样一致集算法实现自动化点云配准。. 上述研究成果发表在IEEE TIP，ECCV以及Computer Aided Surgery等期刊和会议上。