CN119515942A 一种面向骨盆复位手术导航的无监督配准方法及系统 （北京工业大学）

一种面向骨盆复位手术导航的无监督配准本发明公开了一种面向骨盆复位手术导航练；将术中二维X射线影像输入三维重建网络模网络确定术前分割图像和术中分割图像的关键本发明的技术方案，提升了配准精度和泛化能2采用编码模块、跨维度连接模块和解码模块构建三维重建网络模将术中二维X射线影像输入训练完成的所述三维重建网络模型，得到相映射的三维术对术前CT图像和所述术中CT图像分别采用MedSAM分割模型进行分通过卷积神经网络确定所述术前分割图像和所述术中分割图像的关采用编码器_解码器结构构建三维重建网络模型，并通过跨维度连接模块对编码器和所述编码器采用预设数量的稠密块DenseBlock组成，所述解码器采用样模块和三维特征提取模块Basic3D组成，所述跨维度连接模块包括两个跨维度的连接模采用二维X射线影像和对应的三维CT图像对所述三维重建网络模型进行训练，并基于将所述术前CT图像和所述术中CT图像输入所述MedSAM分割模型中，得将所述术前分割图像和所述术中分割图像输入至卷积神经网络Conv_根据所述术前分割图像的关键点集合和所述术中分割图像的关键点3基于所述术前CT图像，利用关键点集合的刚性变换矩阵进行配准变根据配准结果图像与所述术中分割图像之间的dice损失，判断所6.一种面向骨盆复位手术导航的无监督配准系统，其重建模型构建模块，用于采用编码模块、跨维度连接三维图像映射模块，用于将术中二维X射线影像输入训练完成的所述三维重建网络模骨盆图像分割模块，用于对术前CT图像和所述术中CT图像分别采用M配准矩阵推导模块，用于通过卷积神经网络确定所述术前分割图骨盆图像配准模块，用于根据所述刚性变换矩阵和术前CT图像采用编码器解码器结构构建三维重建网络模型，并通过跨维度连接模块对编码器和所述编码器采用预设数量的稠密块DenseBlock组成，所述解码器采用样模块和三维特征提取模块Basic3D组成，所述跨维度连接模块包括两个跨维度的连接模采用二维X射线影像和对应的三维CT图像对所述三维重建网络模型进行训练，并基于将所述术前CT图像和所述术中CT图像输入所述MedSAM分割模型中，得4将所述术前分割图像和所述术中分割图像输入至卷积神经网络Conv_根据所述术前分割图像的关键点集合和所述术中分割图像的关键点基于所述术前CT图像，利用关键点集合的刚性变换矩阵进行配准变根据配准结果图像与所述术中分割图像之间的dice损失，判断所5[0006]手术导航的关键技术是结合术前术中的影像完成二维到三维的刚性配准。配准准用于将不同时间、不同模态或不同影像设备获取的医学图像进行对齐，以便医生可以更在手术过程中需要实时的结合术前和术中的患者位姿以辅助医生完成手术。随着人工智能6统，通过重建模型充分利用图像的深度信息将二维X射线图像转换为三维CT图像，能够将[0009]为实现上述目的，本发明提供了一种面向骨盆复位手术将术中二维X射线影像输入训练完成的所述三维重建网络模型，得到相映射的三采用编码器_解码器结构构建三维重建网络模型，并通过跨维度连接模块对编码上采样模块和三维特征提取模块Basic3D组成，所述跨维度连接模块包括两个跨维度的连采用二维X射线影像和对应的三维CT图像对所述三维重建网络模型进行训练，并[0011]在上述技术方案中，优选地，所述对术前CT图像和所述术中CT图像分别采用7三维图像映射模块，用于将术中二维X射线影像输入训练完成的所述三维重建网采用编码器_解码器结构构建三维重建网络模型，并通过跨维度连接模块对编码上采样模块和三维特征提取模块Basic3D组成，所述跨维度连接模块包括两个跨维度的连8采用二维X射线影像和对应的三维CT图像对所述三维重建网络模型进行训练，并[0020]图1为本发明一种实施例公开的面向骨盆复位手术导航的无监督配准方法的流程9将术中二维X射线影像输入训练完成的三维重建网络模型，得到相映射的三维术[0023]在该实施方式中，通过重建模型充分利用图像的深度信息将二维X射线图像转换[0025]在实施过程中，首先三维重建网络模型对于获取到的术中2DX射线影像实现稀疏学MedSAM3D分割技术将骨盆CT分割出骨盆部分，最后在分割后的骨盆CT上随机采样关键采用编码器_解码器结构构建三维重建网络模型，并通过跨维度连接模块对编码块和三维特征提取模块Basic3D组成，跨维度连接模块包括两个跨维度的连接模块采用二维X射线影像和对应的三维CT图像对三维重建网络模型进行训练，并基于模块首先通过一个二维卷积模块提取二维特征并进一步优化。Expand将二维特征扩展为[0030]ConnectionB的设计充分考虑了二维和三维特征之间的相关性，能够有效地融[0034]如图4所示，在上述实施方式中，优选地，对术前CT图像和术中CT图像分别采用将术前分割图像和术中分割图像输入至卷积神经网络Conv_COM，经过多层卷积、[0043]在实施过程中，为了得到两图像的关键点，本实施方式使用卷积神经网络Conv_置也会相应平移，这一特性确保关键点定位在输入图像的不同位置上保持一致。该网络输A可以使关键点的距离最小：;;;mf三维图像映射模块，用于将术中二维X射线影像输入训练完成的三维重建网络模[0047]在该实施方式中，通过重建模型充分利用图像的深度信息将二维X射线图像转换采用编码器_解码器结构构建三维重建网络模型，并通过跨维度连接模块对编码块和三维特征提取模块Basic3D组成，跨维度连接模块包括两个跨维度的连接模块采用二维X射线影像和对应的三维CT图像对三维重建网络模型进行训练，并基于将术前分割图像和术中分割图像输入至卷积神经网络Conv_COM，经过多层卷积、