骨科手术导航技术的现状与未来

证。
操作简便，能达到光学导航系统同等的胫骨和股骨测量效果。
据报道该系统膝关节置换对准精度接近91%，而传统外科手术设备仅有68%。
KneeAlign 2系统所采用的ADI i Sensor IMU内置三个加速计和三个陀螺仪，能分别感
应出直线运动和角向运动，从而完成六自由度测量。i Sensor IMU能够准确跟踪所有轴上
开发平台。
目前已能实现图像的分割，三维建模，图像的配准功能，虚拟手术和手术器械路径规
划功能正在开发中。
技术路线
OrthAlign采用ADI iSensor® IMU (惯性
测量单元) 。可以在数秒时间内测定病人
胫骨旋转中心，并精密计算出切骨角度
。
OrthAlign公司的KneeAlign 2系统已经得到FDA（美国食品及药物管理局）510(k)许可
精度达到0.1mm RMS，则至少要使用2048×2048 的分辨率，最大更新频率为60赫兹，每秒钟需要传 输和计算的数据量为：2048×2048×8×60=2.013 Gbps，最大更新频率如达到100赫兹，每秒钟需要 传输和计算的数据量将达到3.355 Gbps。
光学定位的精度和图像的分辨率成正比，和距离的平方成反比。
基于可见光的定位和跟踪技术比基于红 外线的技术有许多优越性，但其技术更复杂 ，运算量也更大，要想达到实时性的要求也更难。
0, x, y A h(x, y) 1, x, y A
000000000000000000000 000000000000000000000 000010000000000000000 000011110000000000000 0000111111110000000000 0000111111111110000000 0000111111111111100000 000000000000000000000 00000000000000000000
基于模板 化，即图像亮度的变化，将与
邻点亮度对比足够大的点定义 为角点。
基于模板 梯度组合
基于轮廓曲线 的角点检测
OpenCV
Matlab的图像处理工具箱
编程语言 开发实时系统
开源
脚本语言 测试算法 非开源
ห้องสมุดไป่ตู้ 工作基础、可行性
MITK (Medical Imaging Interaction Toolkit) 是一款开源的交互式医学图像处理软件
角点（corner points）：
局部窗口沿各方向移动，均产生明显变化的点 图像局部曲率突变的点
典型的角点检测算法：
Harris角点检测 CSS角点检测
视频图像构成原理
O
m
Y
像素
nX
分辨率 m × n 如：480 ×640
灰度图像 I = f ( x, y )
彩色图像 IR = fR ( x, y ) IG = fG ( x, y ) IB = fB ( x, y )
单阈值分割
g(x,
y)
1 0
f (x, y) T f (x, y) T
确定阈值
以NDI公司的Polaris Spectra红外光学追踪为例， 分辨率为1024×768，最大更新率60赫兹，最多同时 跟踪15个目标，最远探测范围2.4m，精度0.25mm RMS。
以8位黑白灰度图像计算，每秒钟需要传输和计算 的数据量为：1024×768×8×60=377.487Mbps。
的仪器运动。
制式 PAL / NTSC
视频图像 数字图像
什么是角点？
目前关于角点的具体定义和描述主要有如下几种：
1．角点是一阶导数(即灰度的梯度)的局部最大所对应的像素点；
2．角点是两条及两条以上边缘的交点；
3．角点指示了物体边缘变化不连续的方向； 4．角点处的一阶导数最大，二阶导数为零； 5．角点是指图像中梯度值和梯度方向的变化速率都很高的点。
新疆医科大学第五附属医院 数字骨科实验室 刘大鹏
li
通过导航系统提高手术精度已是手术 微创和数字化时代的必然趋势。
开放手术
微创
透视 导航
出血，创伤 视野受限 辐射
1. 基于双目视觉的光学导航技术 2.基于3D打印导向板的导航技术 3.基于陀螺仪的导航技术
基于红外线的导航技术
基于可见光的导航技术
1. 光学定位跟踪技术 2. 图像配准技术
图像配准技术发展现状
技术特点
缺点
点配准 需要在患者骨骼安装金属标志。
增加了创伤且不易自动识 别
面配准 需要使用激光或光学三维扫描仪获取骨骼 易受术中骨表面上血迹和
表面点云，进行配准，
软组织的干扰，产生误差。
DRR投 精度高，完全自动配准 影法
DRR产生环节要消耗大 量时间
如果同时跟踪多个目标，又将增加运算量，要想满足实时性对技术的要求将更高。
USB2.0
480Mbp/S
USB3.0
5.0Gbps。
Camera Link Full
5.4Gbps
计算机图像处理算法是研究的重点
基于梯度
基于灰度图像的 角点检测
目前的角点 检测算法可 归纳为3类
基于二值图像 的角点检测
主要考虑像素领域点的灰度变