雷 超，賈 于，王 宏，鄧 娟，王琳琳，沙 洪

（中國醫(yī)學(xué)科學(xué)院北京協(xié)和醫(yī)學(xué)院生物醫(yī)學(xué)工程研究所，天津 300192）

0 引言

腦部疾病嚴(yán)重危害人體健康，具有較高的致殘率和死亡率。顱腦穿刺是臨床診療腦部疾病的一種重要手段。傳統(tǒng)顱腦穿刺?；谟锌蚣艿哪X立體定向技術(shù)[1]，通過頭顱外人為安裝的框架輔助構(gòu)建腦結(jié)構(gòu)三維坐標(biāo)系，對患者的CT 或MRI 圖像進(jìn)行標(biāo)記。穿刺手術(shù)中穿刺針在腦立體定向儀的指引下到達(dá)腦內(nèi)對應(yīng)解剖位置。受限于手術(shù)適應(yīng)證以及技術(shù)操作規(guī)范，同時隨著影像設(shè)備的發(fā)展和普及，有框架的腦立體定向技術(shù)逐漸被定位精確、創(chuàng)傷小、并發(fā)癥少的無框架影像導(dǎo)航技術(shù)取代[2]。無框架影像導(dǎo)航技術(shù)在顱內(nèi)良惡性腫瘤鑒別[3]、炎性病變與囊性病變鑒別[4]、腦脊液分流手術(shù)[5]、腦室造影等方面都有應(yīng)用。

1986年Roberts 等[6]首次提出了使用聲波數(shù)字化儀跟蹤手術(shù)器械或顯微鏡的方法，開創(chuàng)了無框架立體定向神經(jīng)外科。1991年Kato 等[7]論述了三維電磁數(shù)字化儀設(shè)計(jì)原理并應(yīng)用于臨床手術(shù)。自美國圣路易斯大學(xué)醫(yī)學(xué)院1992年應(yīng)用紅外線數(shù)字化儀開展臨床實(shí)驗(yàn)，光學(xué)手術(shù)導(dǎo)航系統(tǒng)（optical surgical navigation system，OSNS）開始應(yīng)用于市場[8]。在OSNS 中用于顱腦3D 建模的技術(shù)主要有飛行時間技術(shù)、雙目立體成像技術(shù)和結(jié)構(gòu)光成像技術(shù)3 種，其中飛行時間技術(shù)在遠(yuǎn)距離下噪聲較低、幀數(shù)高，適合動態(tài)場景；雙目立體成像對環(huán)境光照很敏感，且計(jì)算復(fù)雜度高；結(jié)構(gòu)光成像精度高、分辨力高、功耗低，可快速獲取深度信息，非常適合靜態(tài)場景，在3D 建模中備受青睞。

OSNS 定位需要將光學(xué)圖像與其他圖像配準(zhǔn)，配準(zhǔn)的關(guān)鍵包括對特征面部點(diǎn)云提取、點(diǎn)云特征描述和圖像配準(zhǔn)算法。Johnson[9]于1997年引入了自旋圖像（spin images，SI），通過圖像的相關(guān)性建立2 個曲面之間點(diǎn)的對應(yīng)關(guān)系，SI 在包含雜波和有遮擋場景的目標(biāo)識別中有較高的準(zhǔn)確性。2004年Frome 等提出了3D 形狀上下文特征（3D shape context，3DSC）[10]，實(shí)驗(yàn)評估發(fā)現(xiàn)該算法對嘈雜、混亂場景中的車輛識別率較高。2008年Rusu 等[11]提出點(diǎn)特征直方圖（point feature histograms，PFH）算法，描述點(diǎn)云數(shù)據(jù)集中點(diǎn)周圍的局部幾何形狀，該算法具有位姿和密度不變性，能很好地處理噪聲數(shù)據(jù)集。2009年Rusu 等[12]又提出快速點(diǎn)特征直方圖（fast point feature histograms，F(xiàn)PFH）算法，該算法保留了PFH 的鑒別能力，通過預(yù)先計(jì)算縮減了時間，解決了重疊點(diǎn)云視圖的三維配準(zhǔn)問題。2010年Tombari 等[13]提出用于表面匹配的方位特征直方圖（signature of histograms of orientation，SHOT）算法，該算法集成了多個線索提高清晰度，在對象識別和三維重建中表現(xiàn)較優(yōu)。

圖像配準(zhǔn)包括粗配準(zhǔn)和精配準(zhǔn)。粗配準(zhǔn)為精配準(zhǔn)的位姿估計(jì)提供初始預(yù)估的剛性變換矩陣，常用的粗配準(zhǔn)算法包括4 共面點(diǎn)匹配（4-points congruent sets，4PCS）算法[14]和采樣一致性初始配準(zhǔn)（sample consensus initial alignment，SAC-IA）算 法[15]，其 中SAC-IA 算法可對點(diǎn)云大量采樣、查看，快速尋找較優(yōu)變換。精配準(zhǔn)算法主要包括迭代最近點(diǎn)（iterative closest point，ICP）算法[16]、廣義迭代最近點(diǎn)（generalized iterative closest point，GICP）算法[17]和正態(tài)分布變換（normal distribution transformation，NDT）算法[18]。對一組待配準(zhǔn)點(diǎn)云中的每個點(diǎn)，ICP 算法遍歷另一組點(diǎn)云尋找最近的匹配點(diǎn)，精度好，但計(jì)算量大且收斂速度受初始矩陣影響；GICP 算法先對采樣點(diǎn)進(jìn)行高斯分布的曲面建模，再將點(diǎn)云的最近點(diǎn)進(jìn)行匹配并迭代；NDT 算法是將點(diǎn)云分割為用正態(tài)分布表示的柵格再配準(zhǔn)，是對點(diǎn)集的抽象，無需逐點(diǎn)找對應(yīng)點(diǎn)，速度較快、抗噪性能強(qiáng)。

目前，基于結(jié)構(gòu)光相機(jī)點(diǎn)云圖與醫(yī)學(xué)圖像配準(zhǔn)的顱腦穿刺定位研究，國外已經(jīng)有了應(yīng)用案例，國內(nèi)還處于起步階段。考慮到多模態(tài)影像融合導(dǎo)航引導(dǎo)穿刺手術(shù)對病灶具有較高的穿刺精準(zhǔn)性[19]，本研究將結(jié)構(gòu)光相機(jī)點(diǎn)云圖與醫(yī)學(xué)影像進(jìn)行三維配準(zhǔn)，在點(diǎn)云圖上標(biāo)記醫(yī)學(xué)影像確定的穿刺點(diǎn)?；诒狙芯浚ㄟ^手眼標(biāo)定可得到定位系統(tǒng)在輔助機(jī)械臂坐標(biāo)系下的坐標(biāo)，為后續(xù)通過控制固定在機(jī)械臂末端的穿刺針順利到達(dá)穿刺指定位置提供了可能。

1 方法

本研究基于Ubuntu 18.04 系統(tǒng)對結(jié)構(gòu)光相機(jī)點(diǎn)云圖與醫(yī)學(xué)影像進(jìn)行三維配準(zhǔn)，實(shí)驗(yàn)步驟如下：

（1）相機(jī)動態(tài)標(biāo)定：選用雙目結(jié)構(gòu)光相機(jī)Inter-RealSense D415 拍攝結(jié)構(gòu)光圖像，相機(jī)的深度模塊在出廠時已初步校準(zhǔn)，但正式使用時仍須動態(tài)標(biāo)定以優(yōu)化外部參數(shù)；

（2）特征面部點(diǎn)云提?。航厝∮蒀T 圖像提取到的面部皮膚轉(zhuǎn)化而來的點(diǎn)云數(shù)據(jù)作為目標(biāo)點(diǎn)云，從結(jié)構(gòu)光相機(jī)拍攝的圖像中提取待配準(zhǔn)點(diǎn)云，采用3種方法提取特征面部點(diǎn)云；

（3）點(diǎn)云特征描述：采用5 種特征描述算法對點(diǎn)云局部特征進(jìn)行描述；

（4）點(diǎn)云配準(zhǔn)：粗配準(zhǔn)基于SAC-IA 算法得到初始變換矩陣，精配準(zhǔn)采用ICP、GICP、NDT 3 種算法；

（5）配準(zhǔn)結(jié)果評價：采用倒角距離作為評價指標(biāo)，對比研究3 種精配準(zhǔn)算法。

1.1 相機(jī)動態(tài)標(biāo)定

Inter-RealSense D415 相機(jī)在室內(nèi)環(huán)境下可以測量深度信息，在室外環(huán)境下，光照會導(dǎo)致結(jié)構(gòu)光失效，這種情況下相機(jī)可采用純雙目成像方式進(jìn)行成像，抗環(huán)境干擾能力和可靠性強(qiáng)。同時，相機(jī)的卷簾快門感應(yīng)器和窄視野小鏡頭可在狹窄視野下提供較高的深度分辨力。相機(jī)動態(tài)標(biāo)定基于相機(jī)自帶的標(biāo)定軟件，使相機(jī)圖像相對于主軸系統(tǒng)（豎直軸）平移和旋轉(zhuǎn)來進(jìn)行標(biāo)定。

1.2 特征面部點(diǎn)云提取

人臉數(shù)據(jù)配準(zhǔn)常以鼻尖為中心[20]，在做穿刺手術(shù)時人臉正視相機(jī)，相機(jī)坐標(biāo)系Z 軸最大值點(diǎn)可作為鼻尖點(diǎn)（最大值法）。此外，也可以將整個面部高斯曲率最大的點(diǎn)作為鼻尖[21]（曲率法），以鼻尖為中心截取半徑為6 cm 的圓形區(qū)域?yàn)槌跏济娌奎c(diǎn)云區(qū)[20]。本研究通過Intel-RealSense Viewer 軟件讀取D415相機(jī)的圖像數(shù)據(jù)，通過Mimics 軟件提取CT 圖像人臉數(shù)據(jù)，再通過C++程序中的點(diǎn)云庫（point cloud library，PCL）裁剪點(diǎn)云數(shù)據(jù)、提取鼻尖，獲取面部感興趣區(qū)點(diǎn)云。

在不失代表性與描述性的前提下，壓縮初始面部點(diǎn)云獲取特征面部點(diǎn)云后再配準(zhǔn)，可縮短數(shù)據(jù)識別和追蹤的時長，提高配準(zhǔn)速度。特征面部點(diǎn)云應(yīng)具備以下特征：（1）包含邊緣和曲面結(jié)構(gòu)信息；（2）可重復(fù)；（3）位于較穩(wěn)定區(qū)域，方便提取法線。本研究中采用了3 種算法：基于局部坐標(biāo)系建模特征值分析的內(nèi)部形狀描述子（intrinsic shape signatures，ISS）[22]、局部特征描述子尺度不變特征變換（scale invariant feature transform，SIFT）[23]和利用點(diǎn)云三維空間的表面法線向量來檢測特征點(diǎn)的Harris 算法[24]。

1.3 特征描述

特征描述是點(diǎn)云信息處理中的關(guān)鍵一環(huán)。點(diǎn)云的識別、分割、重采樣、配準(zhǔn)、曲面重建等處理都基于特征描述。特征描述包括局部和全局特征描述。本實(shí)驗(yàn)對比了PFH、FPFH、SHOT、3DSC 和SI 5 種特征描述方法用以比較不同特征描述方法對配準(zhǔn)的影響。

1.4 點(diǎn)云配準(zhǔn)

特征面部點(diǎn)云經(jīng)特征描述后，可先粗配準(zhǔn)再精配準(zhǔn)，粗配準(zhǔn)算法采用SAC-IA 算法，精配準(zhǔn)算法選擇ICP、GICP 和NDT 算法。本研究將3 種特征面部點(diǎn)云提取方法、5 種特征描述方法以及3 種精配準(zhǔn)算法分別進(jìn)行組合（每種算法15 組，共45 組），對比配準(zhǔn)效果。

1.5 配準(zhǔn)結(jié)果評價

配準(zhǔn)結(jié)果評價可采用均方誤差、最大公共點(diǎn)集、豪斯多夫距離、倒角距離等指標(biāo)，本研究選擇倒角距離作為評價指標(biāo)。給定2 個點(diǎn)集S1和S2，它們之間的倒角距離[25]（chamfer distance，CD）為

式中，S1和S2為2 組待配準(zhǔn)的點(diǎn)云；x、y 分別為S1和S2中任意一點(diǎn)表示遍歷S1中所有點(diǎn)，求它們到S2的最小距離之和則是遍歷S2中所有點(diǎn)，求它們與S1的最小距離之和。倒角距離大小與點(diǎn)云的相似度有關(guān)，距離越小說明配準(zhǔn)效果越好。

2 實(shí)驗(yàn)研究

2.1 相機(jī)標(biāo)定實(shí)驗(yàn)

在A 處放置待標(biāo)定相機(jī)，當(dāng)已知尺寸的待測目標(biāo)T 的中心與相機(jī)XY 平面的距離d 分別為30、40、50 mm 時，測量相機(jī)在640×360、848×480、1280×7203 種分辨力下T 的尺寸，計(jì)算X、Y、Z 軸3 個方向上的測量誤差。改變相機(jī)位置至B 和C，重復(fù)上述過程。相機(jī)標(biāo)定示意圖如圖1 所示。

圖1 相機(jī)標(biāo)定示意圖

結(jié)果顯示：在分辨力為1280×720 且d=30 mm 時，相機(jī)X 和Y 軸方向上未獲得有效測量數(shù)據(jù)，在分辨力為640×360 且d=50 mm 時測量誤差稍大（2 mm內(nèi)）。在其他條件下，相機(jī)X、Y、Z 軸3 個方向的測量誤差均小于1 mm，此誤差滿足本研究要求。本研究選擇848×480 的分辨力對相機(jī)動態(tài)標(biāo)定，拍攝的人臉照片如圖2 所示，人臉輪廓清晰可見。

圖2 標(biāo)定后相機(jī)拍攝的3D 人臉點(diǎn)云圖

2.2 特征面部點(diǎn)云提取

首先，采用最大值法和曲率法提取到鼻尖點(diǎn)，再以提取到的鼻尖點(diǎn)為圓心，做半徑為6 cm、垂直于相機(jī)Z 軸（即面部）的圓柱，對原始面部點(diǎn)云進(jìn)行截取，最后得到特征面部點(diǎn)云。圖3（a）中紅色點(diǎn)和藍(lán)色點(diǎn)分別為最大值法和曲率法獲取的鼻尖點(diǎn)，二者幾乎重合。本研究后續(xù)配準(zhǔn)均基于最大值法提取鼻尖點(diǎn)。圖3（b）中藍(lán)色點(diǎn)云為特征面部點(diǎn)云，黑色點(diǎn)云為原始面部點(diǎn)云。一計(jì)算概率密度函數(shù)，耗時多。從描述子方面來看，用PFH、FPFH、SI、SHOT 4 種特征描述子進(jìn)行粗配準(zhǔn)及精配準(zhǔn)，用時幾乎相等，而用3DSC 描述子進(jìn)行特征描述的粗配準(zhǔn)算法耗時約3.1 s，遠(yuǎn)高于其他算法。

圖3 面部感興趣區(qū)域點(diǎn)及區(qū)域的識別效果

圖4 為采用不同方法提取的特征面部點(diǎn)云。提取5 組結(jié)構(gòu)光圖像，采用ISS 算法、SIFT 算法和Harris算法提取特征面部點(diǎn)云平均時間分別為0.710、1.093、0.492 s，提取一幅對應(yīng)CT 圖像特征面部點(diǎn)云的時間分別為0.712、0.895、0.400 s。

圖4 3 種壓縮算法面部點(diǎn)云提取效果圖

2.3 配準(zhǔn)實(shí)驗(yàn)

2.3.1 配準(zhǔn)時間

由于3 種算法（ISS、SIFT、Harris）的提取時間與對3 種關(guān)鍵點(diǎn)分別用5 種特征描述子改進(jìn)的3 種精配準(zhǔn)算法的配準(zhǔn)時間幾乎相同，因此對3 種關(guān)鍵點(diǎn)提取算法（ISS、SIFT、Harris）提取的關(guān)鍵點(diǎn)分別進(jìn)行10 組實(shí)驗(yàn)，共30 組實(shí)驗(yàn)，平均配準(zhǔn)時間對比如圖5 所示。

由圖5 可以看出，精配準(zhǔn)速度快于粗配準(zhǔn)速度，這是因?yàn)榇峙錅?zhǔn)為精配準(zhǔn)提供了初始變化矩陣，提高了精配準(zhǔn)速度。其中，使用同一特征描述子改進(jìn)的算法，ICP 算法最快，GICP 算法次之，NDT 算法最慢，這是因?yàn)镹DT 算法需要對點(diǎn)云進(jìn)行柵格劃分，并逐

圖5 基于不同特征描述方法粗配準(zhǔn)和精配準(zhǔn)時間對比

2.3.2 點(diǎn)云配準(zhǔn)實(shí)驗(yàn)

CT 圖像與結(jié)構(gòu)光面部圖像點(diǎn)云經(jīng)3 種方法（ISS、SIFT、Harris）提取到特征面部點(diǎn)云后，分別采用5 種算法（PFH、FPFH、SHOT、SI、3DSC）進(jìn)行特征描述（15 組特征提取和描述組合），再分別與3 種精配準(zhǔn)算法（ICP、GICP、NDT）組合（45 組特征提取、描述和配準(zhǔn)算法組合），配準(zhǔn)結(jié)果如圖6 所示。從圖6 中可以看出，改進(jìn)后的ICP 算法配準(zhǔn)成功率高，效果最佳。用倒角距離評價各組合算法的配準(zhǔn)效果，如圖7 所示。

圖6 不同特征描述和精配準(zhǔn)算法組合條件下的CT 與結(jié)構(gòu)光圖像配準(zhǔn)結(jié)果

圖7 點(diǎn)云配準(zhǔn)倒角距離對比圖

2.4 結(jié)果分析

在本研究的45 種特征提取、描述和配準(zhǔn)算法組合中，共有28 種組合可實(shí)現(xiàn)配準(zhǔn)，且都在數(shù)秒內(nèi)完成，最快的僅需0.06 s?；诰錅?zhǔn)算法的配準(zhǔn)耗時明顯短于粗配準(zhǔn)算法。

配準(zhǔn)實(shí)驗(yàn)結(jié)果表明，Harris 法在3 種特征面部點(diǎn)云提取中表現(xiàn)較優(yōu)。Harris 法經(jīng)5 種特征描述方法描述后，分別組合ICP、GICP 和NDT 精配準(zhǔn)算法，可實(shí)現(xiàn)配準(zhǔn)的組合分別為4 組、3 組和4 組；而將Harris法替換為ISS 法，可實(shí)現(xiàn)配準(zhǔn)的組合是3 組、3 組和2 組；替換為SIFT 法，可實(shí)現(xiàn)配準(zhǔn)的組合是5 組、2組和2 組。

在精配準(zhǔn)算法中，ICP 較其他2 種算法有一定優(yōu)勢。首先，ICP 算法可與15 種特征提取和描述方法組合中的12 種組合實(shí)現(xiàn)配準(zhǔn)，與GICP 和NDT 算法僅在8 種組合條件下可配準(zhǔn)相比，ICP 的普適性更強(qiáng)。其次，在2 種以上精配準(zhǔn)算法可實(shí)現(xiàn)配準(zhǔn)的組合中，基于ICP 算法的倒角距離總是最小的，性能指標(biāo)更優(yōu)。再者，SIFT 提取特征面部點(diǎn)云經(jīng)5 種算法特征描述后，以及對Harris 算法提取特征面部點(diǎn)云且采用除SHOT 算法之外的特征描述方法，ICP 算法均可配準(zhǔn)?；贖arris 提取算法和ICP 算法的可配準(zhǔn)圖像組合的倒角距離都很小，范圍為1.22～1.32 mm，其中Harris+SI 和ICP 的組合、Harris+3DSC 和ICP 的組合，配準(zhǔn)效果最佳。所有包含GICP 的組合中，最優(yōu)配準(zhǔn)方案的倒角距離為1.31 mm。NDT 算法與PFH、SI 2 種特征描述方法組合時均可配準(zhǔn)，倒角距離約為3 mm。

3 討論

點(diǎn)云在醫(yī)學(xué)圖像中的應(yīng)用和發(fā)展是當(dāng)前的熱門話題，多用來輔助醫(yī)生完成相關(guān)診斷任務(wù)。隨著超分辨算法和點(diǎn)云上采樣網(wǎng)絡(luò)的出現(xiàn)，醫(yī)學(xué)點(diǎn)云配準(zhǔn)在實(shí)時手術(shù)指導(dǎo)中也有著重要應(yīng)用。醫(yī)學(xué)點(diǎn)云的配準(zhǔn)研究主要是對同一數(shù)據(jù)源所得的數(shù)據(jù)進(jìn)行配準(zhǔn)，如顱骨、心臟等器官的CT 影像重建后的點(diǎn)云數(shù)據(jù)，且算法多是對ICP 算法的改進(jìn)。王君臣等[26]針對術(shù)前CT圖像與術(shù)中實(shí)際空間的配準(zhǔn)問題，提出一種基于ICP 的特征點(diǎn)云配準(zhǔn)技術(shù)，該研究以塑料脊柱模型骨為對象進(jìn)行脊柱手術(shù)導(dǎo)航配準(zhǔn)實(shí)驗(yàn)，結(jié)果表明該方法在模型骨情況下配準(zhǔn)精度達(dá)到1 mm 以內(nèi)。石征錦等[27]對比了多種通用配準(zhǔn)算法，研究顯示在點(diǎn)云低重疊率的情況下，超4 共面點(diǎn)匹配（Super 4-points congruent sets，Super-4pcs）算法能夠達(dá)到毫米級的高精度配準(zhǔn)效果，為醫(yī)生更有效地將點(diǎn)云配準(zhǔn)算法應(yīng)用于醫(yī)療診斷及手術(shù)規(guī)劃中提供了一定的理論指導(dǎo)。楊穩(wěn)等[28]引入幾何特征約束的ICP 算法，通過距離函數(shù)計(jì)算特征相似性來建立匹配點(diǎn)對，實(shí)現(xiàn)顱骨的精確配準(zhǔn)，誤差約為1 mm，與經(jīng)典ICP 算法相比，匹配率和配準(zhǔn)精度分別提高了約17%和51%。Sinko等[29]用ICP 與SIFT 相結(jié)合的點(diǎn)云配準(zhǔn)方法實(shí)現(xiàn)了CT/MRI 圖像與標(biāo)準(zhǔn)人類頭骨的3D模型關(guān)鍵點(diǎn)配準(zhǔn)。王賓等[30]針對具有較大初始位置差異、較大形狀和局部殘缺差異的心臟點(diǎn)云數(shù)據(jù)，在主成分分析法實(shí)現(xiàn)粗配準(zhǔn)的基礎(chǔ)上，提出了基于雙向距離比例的ICP 算法，結(jié)果較經(jīng)典ICP 算法的平均誤差減少約21%。

目前關(guān)于面部CT 數(shù)據(jù)與面部結(jié)構(gòu)光相機(jī)點(diǎn)云的配準(zhǔn)研究較少。深度相機(jī)有一定精度誤差，且在CT數(shù)據(jù)提取皮膚時，會將鼻孔內(nèi)部的皮膚也轉(zhuǎn)化為點(diǎn)云數(shù)據(jù)，導(dǎo)致待配準(zhǔn)點(diǎn)云和目標(biāo)點(diǎn)云原始數(shù)據(jù)會有差異。針對這一問題，本研究首先對面部點(diǎn)云數(shù)據(jù)進(jìn)行統(tǒng)計(jì)濾波和體素濾波，去除離群點(diǎn)；其次采用KD-tree 進(jìn)行最近鄰搜索以提高對應(yīng)點(diǎn)對的搜索速度。在對原始ICP、NDT、GICP 算法改進(jìn)的過程中，嘗試了多種關(guān)鍵點(diǎn)檢測算法與多種局部特征描述子相結(jié)合的方法來初步估計(jì)變換矩陣，結(jié)果顯示用Harris 算法提取關(guān)鍵點(diǎn)相較SIFT、ISS 算法配準(zhǔn)效果更好，且改進(jìn)后的ICP算法較改進(jìn)后的GICP、NDT 算法配準(zhǔn)效果更好，最佳的組合為采用Harris+SI、Harris+3DSC 改進(jìn)的ICP算法，配準(zhǔn)后的2 幅點(diǎn)云倒角距離均約為1.22 mm。

4 結(jié)論

近年來，光學(xué)導(dǎo)引示蹤及實(shí)時顯示技術(shù)的成熟，使臨床診斷顱腦病變的穿刺活檢不再依賴有框架的顱腦立體定向技術(shù)。術(shù)中通過光學(xué)設(shè)備對人臉實(shí)時拍攝，將術(shù)前CT 圖像與拍攝結(jié)構(gòu)光圖像進(jìn)行配準(zhǔn)，通過影像和機(jī)器人引導(dǎo)穿刺針到達(dá)指定位置，可以更安全、精確地抵達(dá)病灶，提高穿刺活檢的準(zhǔn)確性及安全性。本研究采用了多種結(jié)構(gòu)光圖像特征點(diǎn)云提取方法和點(diǎn)云特征描述方法來獲取和描述結(jié)構(gòu)光圖像點(diǎn)云，再將一些其他領(lǐng)域應(yīng)用的圖像配準(zhǔn)算法引入到結(jié)構(gòu)光面部三維點(diǎn)云與人臉CT 圖像的配準(zhǔn)中。本研究從不同組合條件下的配準(zhǔn)耗時、配準(zhǔn)算法的適用性、配準(zhǔn)效果等幾個層面進(jìn)行了對比研究，配準(zhǔn)結(jié)果可為穿刺手術(shù)中人臉和顱腦的相關(guān)位置提供三維空間定位，搭配穿刺輔助機(jī)械臂可快速、精準(zhǔn)定位穿刺進(jìn)針點(diǎn)，對輔助顱腦病變穿刺活檢具有積極意義。

本研究將結(jié)構(gòu)光面部三維點(diǎn)云與人臉CT 圖像配準(zhǔn)，受D415 相機(jī)本身性能所限，在不同特征面部點(diǎn)云提取算法、不同特征描述算法和不同精配準(zhǔn)算法組合條件下，配準(zhǔn)圖像倒角距離最小為1.22 mm。今后可以選擇更高性能的相機(jī)、匹配更好的配準(zhǔn)算法，進(jìn)一步降低配準(zhǔn)誤差，推進(jìn)結(jié)構(gòu)光相機(jī)在顱腦穿刺手術(shù)的臨床應(yīng)用進(jìn)程。