[发明专利]基于超声图像的骨折远近端空间位姿实时获取与配准系统

权利要求书

1.基于超声图像的骨折远近端空间位姿实时获取与配准系统，其特征在于，包括以下子模块：术前数据采集模块、超声图像分割模块、点云获取模块、配准与定位模块、可视化模块；

所述的术前数据采集模块用于从人体骨折部位CT数据中提取近端骨、远端骨和健侧骨区域并进行三维重建，之后将结果导出为STL网络模型作为标准模型骨，用于后续的配准和可视化呈现；

所述的超声图像分割模块使用深度学习的方法获取超声图像分割模型，然后基于该模型对术中实时采集的图像进行分割，提取图像中包含的骨表面位置信息；

所述的点云获取模块用于从术前STL网络模型中提取CT点云数据以及从术中超声图像分割结果中提取超声点云数据；

所述的配准与定位模块用于将术前CT点云和术中超声点云进行配准，得到两者的转换矩阵，进而得到标准模型骨与实际患骨在空间位置上的对应关系；

所述的可视化模块用于搭建三维虚拟场景，将经过配准和定位的患骨和健侧骨实时渲染至显示设备上，为医生提供直观的参考。

2.根据权利要求1所述基于超声图像的骨折远近端空间位姿实时获取与配准系统，其特征在于，对超声探头进行改造，将带有红外标记球的十字光学坐标架分别与远端骨和近端骨固连，然后使用双目视觉跟踪系统跟踪坐标架的空间位姿，可选取一个初始位姿作为参照点，记为则对于某一时刻坐标架的位姿变换矩阵为：

式中为当前时刻对应的坐标架空间位姿；由于坐标架与患骨之间是刚性连接，因此该矩阵即对应患骨的空间位姿变化矩阵。

3.根据权利要求2所述基于超声图像的骨折远近端空间位姿实时获取与配准系统，其特征在于，所述的超声图像分割模块使用深度学习的方法获取超声图像分割模型为基于U-Net网络进行超声图像的分割，具体包括以下步骤：

(1)使用中值滤波的方式，对采集到的超声图像进行预处理，去除图像中的噪声干扰；

(2)将预处理后的超声图像分成测试集、训练集和验证集，其中训练集用于对模型进行训练；验证集用于比较不同模型间的性能，从而得到一组最优的超参数；测试集用于对最终的训练结果模型进行客观评价，从而判断模型是否符合要求；上述所有的数据集都包含原始超声图像和专业医生分割结果；

(3)将训练集和验证集进行平移和旋转变换，实现数据集的扩充；然后搭建U-Net深度神经网络，并对其进行初始化；之后将扩充后的数据集输入网络中进行迭代训练；

(4)通过调节网络中的超参数并比较每次迭代训练得到的模型在验证集上的性能优劣，得到最优的训练模型；

(5)将测试集输入至步骤(4)所得的训练模型，计算最终分割误差，若不满足误差条件则调整网络结构并增加数据量后重新执行(1)-(4)，若满足误差条件则输出训练结果模型。

4.根据权利要求2所述基于超声图像的骨折远近端空间位姿实时获取与配准系统，其特征在于，所述对术中实时采集的图像进行分割具体为：首先使用安装有光学坐标架的超声探头分别采集断骨处不同位置的图像，同时记录每次采集时获取的患骨位姿变化矩阵，分别记为ΔT₁,ΔT₂…ΔT_n；然后将术中实时采集到的超声图像输入至所得的训练结果模型中，实现对图像中的骨表面特征的提取；最后将提取结果进行离散化表示如下：

式中，m和n分别表示分割所得骨表面离散点距离图像左边缘和上边缘的像素个数；Δx和Δy为超声探头固有参数，分别表示图像坐标系中水平和竖直方向相邻像素间的实际距离。

5.根据权利要求2所述基于超声图像的骨折远近端空间位姿实时获取与配准系统，其特征在于，所述提取CT点云数据为通过直接采样的方式提取远端骨、近端骨和健侧骨对应的STL模型中的点云，得到CT坐标系下的点云位置坐标，并构成点云数据集合，记为P_CT。