脊柱外科c臂图像辅助导航系统中2D c臂和3D CT图像的配准

抽象的

C-ARM图像辅助手术导航系统已广泛应用于脊柱手术。但是，C形臂AP视图图像上的准确路径规划很难。该研究研究了2D-3D图像配准方法，以获得C形臂和CT图像帧之间的最佳变换矩阵。通过变换矩阵，可以在术前CT图像上进行的外科手术路径转换并显示在C形臂图像上以进行外科手术引导。外科手术器械的位置也将在CT和C臂上实时显示。Five similarity measure methods of 2D-3D image registration including Normalized Cross-Correlation, Gradient Correlation, Pattern Intensity, Gradient Difference Correlation, and Mutual Information combined with three optimization methods including Powell’s method, Downhill simplex algorithm, and genetic algorithm are applied to evaluate their performance in converge range, efficiency, and accuracy. Experimental results show that the combination of Normalized Cross-Correlation measure method with Downhill simplex algorithm obtains maximum correlation and similarity in C-Arm and Digital Reconstructed Radiograph (DRR) images. Spine saw bones are used in the experiment to evaluate 2D-3D image registration accuracy. The average error in displacement is 0.22 mm. The success rate is approximately 90% and average registration time takes 16 seconds.

1.介绍

通常，脊柱手术，尤其是微创脊柱手术，通常需要采用多种C-ARM图像来证实外科手术器械的定位是正确的，这导致医疗人员的高风险辐射曝光1］．C形臂图像辅助手术导航系统已广泛应用于整形外科手术，因为C形臂机通常可用于矫形外科手术和C形臂图像之间的登记，并且患者是​​自动的。此外，C形臂图像辅助手术导航系统仅需要两种以不同角度拍摄的C臂图像以确定空间目标位置，这显着减少了X射线暴露剂量[2-5.］．近年来，在脊柱外科手术中使用图像辅助导航系统已成为一种趋势[3.那6.那7.］．

然而，2D c臂图像缺乏三维空间信息。c臂ap视图图像上的精确路径规划比较困难[6.］．相反，三维CT图像提供了三维解剖信息，使得脊柱手术路径规划简单、安全。因此，在正确配准C-Arm图像的前提下，利用C-Arm图像对CT图像进行路径规划和引导手术工具是一种很好的方法。本研究通过评估多种2D-3D图像配准方法的性能，获得C-Arm与CT图像帧之间的最优变换矩阵，从而将CT图像上规划的手术路径映射到C-Arm图像上。

在已知的2D-3D图像配准方法中，Markelj等[6.根据图像特征的数据量，将2D和3D医学图像的现有刚性注册方法分为三种类型，这是基于特征的[8.-10.]，基于梯度的[2那11.]和基于强度的[1那12.-14.］．另外，基于图像的尺寸和空间连接，对2D C-Arm和3D CT图像有三种配准方法:投影算法，将三维图像转换为二维空间进行2D-2D配准;背投算法;和3D重建算法，将2D图像转换为3D空间进行3D-3D配准[6.］．通过最大化图像轮廓、图像梯度或图像灰度的相似性，配准结果可以协调两幅图像上对应点的空间位置。

2D-3D图像登记旨在在短时间内完成准确的注册过程，以提高临床操作中的实用性。基于特征的配准的准确性直接依赖于分割的准确性，因此很难实现全自动配准。基于梯度的登记通常计算复杂且困难的收敛，而基于强度的登记直接操作像素强度，而无需分割目标图像以寻找相应的特征点。该研究评估了各种方法的精度和时间消耗，并提出了用于快速准确地登记CT和C臂图像的最佳2D-3D图像配准方法。该研究的目的是使自行开发的C臂图像辅助导航系统能够可行，可用于微创脊柱手术。

2.材料和方法

2.1。C形臂图像辅助手术导航系统

数字1展示了自主研发的C-Arm图像辅助手术导航系统，该系统集成了北极星光谱无源光学跟踪器(Northern Digital Inc.)、英特尔CPU笔记本和额外的显示器，以提供导航状态的实时显示。光学跟踪器通过动态参考框架(DRF)检测手术工具、脊柱和附在c臂上的图像校准器的位置和方向。设计了上、下两层带有特征标记物(不同尺寸钢球)的双层图像校正器，用于校正x射线图像畸变，确定成像时x射线发射源的空间位置。数字2说明了由x射线发射源位置和c臂像面定义的x射线投影模型。x射线发射源的位置可以通过寻找通过图像校准器上甲板钢架的投影线和它们相应的投影图像的交点来确定。

数字3.显示了c臂AP和la视图图像的示例。理想情况下，C-Arm图像辅助手术导航系统使用AP和la视图图像来计算目标点的空间位置。通过求出两条c臂图像上经过特征点投影点的x射线投影线的交点，可以计算出脊柱任意特征(目标)点的空间位置。此外，外科医生可以通过选择路径的起点和终点在每个c臂图像上的投影点来规划手术路径。导航系统将自动计算手术路径的空间位置和方向。在导航系统的实时定位引导下，外科医生可以将由光学跟踪器跟踪的手术器械移动到计划的手术路径。由于手术规划和指导只需要2张C-Arm图像，与常规手术相比，辐射暴露的风险显著降低。同时，术者对手术器械和椎弓根螺钉进入椎弓根的位置更有信心，从而提高手术质量[3.］．

由于C-Arm图像是投影的，缺乏空间位置信息，在C-Arm图像上规划手术路径比较困难。相反，三维CT重建模型的路径规划简单、准确。因此，建议在三维CT模型上进行路径规划，然后将规划的路径转换为C-Arm图像。这使得CT图像上的路径规划和C-Arm图像引导手术工具变得简单和安全。

2.2。2D C-ARM和3D CT注册

为了将计划在CT图像上计划的手术路径转换为C臂图像，需要2D C-ARM和3D CT注册。注册是迭代地定位3D CT模型，使其数字重建的射线照片（DRR）图像和C形臂AP和LA-View图像具有最高的图像相似性。数字4.显示包括以下内容的注册过程的流程图：重建3D CT模型;校准C形臂图像并产生C形臂的X射线投影模型;C-Arm与CT图像的初始配准;利用CUDA加速DRR (Digital reconstruction radigraph)图像的构建;计算C形臂和DRR图像的相似性并执行注册优化方法。

如图所示5.，采用步进立方体算法重建三维CT脊柱模型[15.］．还为外科路径规划产生了轴向，矢状和冠状图像。在操作期间捕获，捕获和校准C形臂和绘制图像，并且C形臂X射线投影模型由X射线发射源和图像平面构成，以及空间几何形状构成使用Biplanar方法构造图像，如图所示3.．3D CT模型和2D C形臂图像上的三个相应特征点被选择并用于CT模型和C臂图像之间的初始登记。然后，通过优化DRR和C-ARM图像的相似性来执行精确的注册。本研究使用了基于强度的2D-3D图像配准方法，其中包括以下三个步骤：根据CT模型的当前姿势和感兴趣的区域来生成DRR图像以节省计算时间;测量C-Arm和DRR图像之间的相似性;采用优化方法迭代调整CT模型的位姿，以获得C-Arm和DRR图像的最优相似度;和确定CT和C臂图像帧之间的变换矩阵。

２.３.数字重建x线照片(DRR)

图像灰度级与接收的X射线强度的对数成比例。根据X射线原理，可以通过突出到图像平面上的X射线强度 在哪里是初始的X射线强度，是在位置接收的X射线强度（）C形臂图像平面，和是位置的组织的X射线衰减系数（)．

对于CT图像的体素，其衰减系数与其CT号或Hounsfield单元（HU）正相关。因此，基于通过X射线的CT体素的CT数的求和来确定DRR图像像素的灰度级。在本研究中，选择光线铸造方法以产生DRR图像。光线由X射线发射源和C臂X射线图像平面的像素确定。光线还必须通过3D CT脊柱模型的ROI边界框，以节省计算机存储器和计算时间，如图所示6.．通过X射线通过的所有体素的Hounsfield单元的累积与DRR图像灰度级具有线性关系，并分配到0〜255的范围。

DRR图像的生成需要耗费大量的时间，因此相关的配准优化过程也很耗时。加速DRR重建过程,Nvidia CUDA并行程序开发环境的应用(与480 CUDA核GTX570)的预测造成脊椎CT模型可以有效地优化修改迅速c臂和DRR图像的相似度,以提高临床实用性(16.那17.］．已经完成了测试CUDA加速器的性能的示例，在从一组200CT图像中完成了生成DRR图像。每个CT图像的分辨率具有512×512像素的尺寸，而DRR图像尺寸被设置为470×470像素。使用NVIDIA GTX570 CUDA Accelerator的计算时间为0.051秒，而仅使用英特尔CPU@2.4 GHz是106.7秒。CUDA加速器的性能显着。

由于DRF将被夹在脊柱突上或在脊柱手术中使用其他器械，如牵引器，它们的金属特性将在c臂图像上产生暗图像，从而影响图像相似性度量的鲁棒性和准确性。在这里，我们建议将DRF或仪器的相同图像复制到DRR图像中，这样C-Arm和DRR图像都将具有相同的噪声图像。图中显示了一个例子7.．数字7（a）和7 (d)是C形臂图像区域内的DRF夹具分别是AP和LA-View图像。通过使用区域生长算法进行仪器图像，如图所示7（b）和7 (e)．分段图像被添加到C形臂图像区域以产生图的掩模7 (c)和7 (f)，添加到对应的C-Arm和DRR图像中，如图所示8.以准确的图像相似度量产生具有相同噪声图像的有效图像。

2.4。最佳注册实验

为了获得C-Arm与CT图像之间的最佳配准或变换矩阵，采用优化方法迭代估计CT模型的位姿(三平移三旋转)，使DRR与C-Arm图像的图像相似度达到最佳。本研究采用了三种优化方法，分别是基于梯度的Powell法、基于几何的下坡单纯形算法和基于概率的遗传算法[6.那18.］．优化的目标函数被定义为C形臂和DRR图像的相似度测量。六个相似度测量方法[14.]，即归一化互相关(NCC)、梯度相关(GC)、模式强度(PI)、梯度差相关(GD)和互信息(MI)。由于C-Arm图像辅助导航系统需要AP和la视图的图像来确定目标的空间位置，因此将图像相似性度量定义为AP和la视图图像对应的两个度量的平均值。

本实验旨在用五种相似度度量方法评价三种优化方法的十五种组合的配准效率和精度。实验使用的椎体模型为锯齿骨模型，附以球形基准标记物，如图所示9(一个)．它被西门子SOMATOM感觉16的多层CT扫描，分辨率为0.46mm×0.46mm×0.7mm（像素尺寸512×512,400切片），并由带有9''图像平面的GE OEC 7700 C形臂进行拍摄如图所示1．数字9 (b)显示其重建的CT模型。由于其更好的图像质量，DRR图像由射线铸造算法构成。由于椎骨幻影是可变形的，因此仅选择单体作为ROI进行配准。使用CUDA Accelerator在DRR图像构造上花费的平均时间约为0.01秒。

通过光学跟踪器测量基准标记点的空间坐标，通过图像处理从CT图像中提取基准标记点的图像坐标。采用交互最近点(ICP)算法确定两个坐标集之间的变换矩阵，ICP算法为地面真值，定义为．然后，CT模型的姿势估计下降到C形臂和DRR图像之间具有最佳的图像相似性。该2D-3D注册的转换矩阵定义为．两个转换矩阵用于定义目标登记误差（TRE）为 在哪里是通过2D-3D配准和得到的变换矩阵吗是基准标记的CT图像坐标。

7个基准标记在同一个体上的ICP登记均方根误差为 mm,毫米,mm，如图所示10.．

在最佳的开始注册过程中,三个视觉上相同的特征点在同一个身体被选c臂的图像和CT模型,和c臂的初始登记(或变换矩阵)和CT图像帧可以确定使用的三个特征点的坐标。目的是控制六个平移和旋转参数的搜索范围(那那那那， 和)，相对于初始配准得到的参数，位移在5 mm以内，角度在5度以内。

3.结果

采用五种相似度度量方法，对三种优化方法的15种组合，随机给出了9组6个初始位置和姿态参数。数字11.通过与原始C-ARM图像重叠的DRR图像轮廓的视觉验证来示出登记结果的示例。位移误差和注册时间如图所示12.和13.．Powell方法在位移误差(或配准精度)和遗传算法在配准时间方面的性能较差。采用NCC相似性度量方法的下坡单纯形算法表明，平均位移误差为mm，平均角误差为°。结果表明，三种优化方法中的任何一种都能使NCC的位移误差和角误差小于1 mm和1°，配准时间在10 ~ 21秒。可以观察到，在本研究中，基于非梯度的图像相似性度量方法NCC的效果要好得多，而梯度度量方法GC由于图像边缘差异和背景噪声的影响，效果较差。然而，NCC和GC方法都优于其他三种方法，因为C-Arm和DRR图像的灰度级是线性相关的。该图像特征符合NCC和GC的相似性度量特征，即C-Arm和DRR图像的线性亮度和对比度变化不会影响度量结果。

为了找出与NCC目标函数的下坡单纯形优化方法的组合的改编范围，通过（±5mm，±5°）给出四个收敛间隔;（±10 mm，±10°）;（±10 mm，±15°）;（±15 mm，±10°）。对于每个间隔，总共40个数据集随机进行采样。桌子1列出不同收敛范围内的小位移误差(不含失效)和大位移误差(含失效)，以便选择合适的收敛区间。很明显，收敛精度和收敛时间与收敛区间成正比。收敛区间越大，收敛误差越大，收敛时间越长。对于合理的收敛区间(±10 mm，±10°)，平均位移误差为，则平均收敛时间为秒，成功率为90％。

4。讨论

C-Arm图像辅助手术导航系统已广泛应用于骨科手术。在脊柱手术中，由于缺乏椎体轴位信息，难以在C-Arm AP图像上进行准确的路径规划，而椎体轴位信息是放置椎弓根螺钉的关键。因此，c臂导航系统的适用性受到限制。二维c臂/三维CT图像配准是解决导航系统c臂导航不足的一种解决方法。良好的变换矩阵依赖于C-Arm与CT图像坐标系之间快速有效的2D C-Arm/3D CT图像配准方法。通过变换矩阵，将术前CT图像上规划好的手术路径或种植体模型进行变换，并实时显示在C-Arm图像上，用于手术指导。在手术过程中，手术器械的位置也将显示在CT和C-Arm图像上，以帮助外科医生精确和安全的定位手术器械。

图像辅助手术导航系统的关键是在手术过程中建立患者与术前CT图像的准确配准关系，实现无创的2D-3D配准。在众多的图像配准方法中，Markelj等[6.[根据图像特征的数据量，将2D图像和3D医学图像的现有刚性登记方法分为三种类型：特征基[8.-10.]，基于梯度的[2那11.]和基于强度的[1那12.-14.］．在2D-3D配准中，2D c臂图像和3D CT图像必须在同一坐标系下进行比对。根据图像尺寸和位置连接，有三种配准方法:投影算法，通过坐标系将3D图像转换为2D空间进行2D-2D配准;背投算法;和3D重建算法，将2D图像转换为3D空间进行3D-3D配准。通过匹配目标的图像轮廓、图像梯度或图像灰度，使相似度最大化。配准结果可以协调两幅图像上对应点的空间位置。二维和三维配准方法的主要区别在于图像的尺寸和图像的特征。

2D-3D注册旨在在短时间内完成准确的注册流程，以提高临床操作的实用性。基于特征的配准的准确性直接依赖于分割的准确性，因此很难实现全自动配准。

我们的研究比较了几种方法来找到更好的2D-3D注册方法。我们发现，在位移误差（或登记精度）和注册时间中的遗传算法的鲍威尔方法的性能差。具有NCC相似度测量方法的下坡单纯x算法显示出更好的结果。该方法的平均位移误差是mm，平均角误差为°。结果表明，三种优化方法中的任何一种都能使NCC的位移误差和角误差小于1 mm和1°，配准时间在10 ~ 21秒。我们的研究结果表明，NCC测量方法与下坡单纯x算法的组合获得了C形臂和数字重建射线照片（DRR）图像中的最大相关性和相似性。

结论

本研究研究了用于脊柱外科手术的图像辅助导航系统中2D C-Arm和3D CT图像的配准。对三种优化方法与五种图像相似度度量方法的15种组合的配准效率和配准精度进行了评价。根据我们的研究结果，利用光线投射算法和CUDA并行程序开发环境快速生成DRR图像。在15种配准组合中，下坡单纯形优化配准方法与NCC图像相似性度量方法在收敛精度和时间上表现最佳，说明了3D CT与2D C-Arm结合在图像辅助脊柱手术中的临床适用性。在3D CT模型上规划手术路径，转化为c臂图像，由c臂辅助导航系统引导，将3D CT图像的空间信息添加到2D c臂图像中。

利益冲突

作者声明本文的发表不存在利益冲突。

参考文献

1. D.Škerl，D.Tomaževič，B.Ippikar和F.Pernuš，“重建的重建注册在图像引导放射治疗和手术中的相似性措施的评估”国际放射肿瘤学生物学物理杂志，卷。65，不。3，pp。943-953，2006。查看在：出版商网站|谷歌学术搜索
2. L. Joskowicz和D. Knaan，“如何在透视x射线和CT图像之间实现快速、准确和健壮的刚性配准”，国际国会系列，卷。1268，pp.147-152,2004。查看在：出版商网站|谷歌学术搜索
3. J. Y. Dai，注册C形臂图像和CT图像[M.S.论文]2007年中大学机械工程研究院研究生院。
4. 光盘。杨，y. -w。陈，C.S.Tseng，H.-J.何，C.-c。吴，和k.-w。王，“非侵入性，透视，图像引导手术减少了椎体压缩骨折的辐射暴露：初步调查，”台湾外科杂志第45卷第5期1，页12-19,2012。查看在：出版商网站|谷歌学术搜索
5. M. Avanzo和P. Romanelli，《脊柱放射外科:技术和临床结果》，神经外科检查，卷。32，不。1，pp。1-12,2009。查看在：出版商网站|谷歌学术搜索
6. P. Markelj, D. Tomaževič， B. Likar，和F. Pernuš，“图像引导干预的3D/2D注册方法综述，”医学图像分析，卷。16，不。3，pp。642-661,2012。查看在：出版商网站|谷歌学术搜索
7. P. J. Besl和N. D. McKay，《一种三维形状的注册方法》，模式分析与机器智能学报第14卷第2期2，第239-256页，1992。查看在：出版商网站|谷歌学术搜索
8. M. R. Mahfouz, W. A. Hoff, R. D. komisstek和D. A. Dennis，“分割误差对x射线图像中种植体模型3d - 2d配准的影响”，中国生物力学杂志，卷。38，不。2，pp。229-239,2005。查看在：出版商网站|谷歌学术搜索
9. H. Livyyatan，Z. Yaniv和L.Joskowicz，“基于梯度的2-D / 3-D刚性注册荧光透视X射线至CT”，IEEE医学影像汇刊，卷。22，没有。11，PP。1395-1406,2003。查看在：出版商网站|谷歌学术搜索
10. g .郑L.-P。Nolte和S. J. Ferguson，“基于2D横向透视的比例缩放的患者特异性3D椎体模型重建”，国际计算机辅助放射学与手术，卷。6，不。3，pp。351-366，2011。查看在：出版商网站|谷歌学术搜索
11. P. Markelj, D. Tomaževič， F. Pernuš，和B. Likar，“基于稳健梯度的CT和MR对x射线图像的3d / 2d配准”，IEEE医学影像汇刊，卷。27，不。12，pp。1704-1714,2008。查看在：出版商网站|谷歌学术搜索
12. G. Zheng，J. Kowal，M.A.G. Breshester，M. Caversaccio和L.-P。nolte，“（i）计算机导航的注册技术”目前骨科第21卷第2期3，页170-179,2007。查看在：出版商网站|谷歌学术搜索
13. P. Markelj, D. Tomaževič， B. Likar，和F. Pernuš，“介入前3D到介入内2D医学图像的注册，”医疗物理与生物医学工程，第25卷，1924-1927页，2009。查看在：谷歌学术搜索
14. G. P. Pinney，J. Weese，J.A.Teply，P. Desmedt，D. L.G. Hill和D. J. Hawkes，“2-D-3-D医学形象登记使用的相似性措施的比较”，“IEEE医学影像汇刊，卷。17，不。4，pp。586-595,1998。查看在：出版商网站|谷歌学术搜索
15. W. E. Lorensen和H. E. Cline，“移动立方体:高分辨率3D表面构建算法”，电脑图像第21卷第2期4，pp。163-169,1987。查看在：出版商网站|谷歌学术搜索
16. F. Ino, J. Gomita, Y. Kawasaki, K. Hagihara，“一种加速二维/三维医学图像刚性配准的GPGPU方法”，并行和分布式处理和应用，第4330卷，第939-950页，2006。查看在：谷歌学术搜索
17. J. Sanders和E. Kandrot，CUDA以例：编程一般目的介绍， Addison-Wesley，纽约，纽约，美国，2010。
18. Y. Kim，K .-Kim，J.H. Choi和K. Lee，“使用2D-3D图像配准，”李·李，“三维术后膝关节形成术术后分析”，“临床生物力学第26卷第2期4, pp. 384-391, 2011。查看在：出版商网站|谷歌学术搜索

版权

版权所有©2015 Chih-Ju Chang et al。这是一篇发布在创意公共归因许可证，允许在任何媒介上不受限制地使用、传播和复制，但必须正确引用原作。