基于DTI圖像的腦干腫瘤術(shù)前路徑自動(dòng)規(guī)劃設(shè)計(jì)

李苗，劉佳，泮長存，湯劼，張力偉，廖洪恩

1.清華大學(xué) 醫(yī)學(xué)院生物醫(yī)學(xué)工程系，北京 100084；2.首都醫(yī)科大學(xué)附屬北京天壇醫(yī)院 神經(jīng)外科，北京 100050

基于DTI圖像的腦干腫瘤術(shù)前路徑自動(dòng)規(guī)劃設(shè)計(jì)

李苗1，劉佳1，泮長存2，湯劼2，張力偉2，廖洪恩1

1.清華大學(xué) 醫(yī)學(xué)院生物醫(yī)學(xué)工程系，北京 100084；2.首都醫(yī)科大學(xué)附屬北京天壇醫(yī)院 神經(jīng)外科，北京 100050

目的本研究提出基于磁共振彌散張量成像（Diffusion Tensor Imaging，DTI）圖像的腦干腫瘤術(shù)前路徑自動(dòng)規(guī)劃設(shè)計(jì)，對重要組織結(jié)構(gòu)的有效規(guī)避和減少手術(shù)致殘率具有重要意義。方法本研究將DTI功能像與核磁共振結(jié)構(gòu)像相結(jié)合，進(jìn)行腦干腫瘤術(shù)前路徑自動(dòng)規(guī)劃。首先對DTI圖像進(jìn)行變形矯正，將DTI功能像與核磁共振結(jié)構(gòu)像進(jìn)行配準(zhǔn)，然后提取兩種圖像的關(guān)鍵區(qū)域信息，利用引力斥力模型通過樣條曲線插值對術(shù)前信息進(jìn)行路徑自動(dòng)規(guī)劃設(shè)計(jì)。結(jié)果該方法提取術(shù)前的纖維束與組織結(jié)構(gòu)信息，完成術(shù)前自動(dòng)路徑規(guī)劃，直觀的實(shí)現(xiàn)了對關(guān)鍵組織最大化規(guī)避的路徑規(guī)劃設(shè)計(jì)。結(jié)論該方法通過對術(shù)前DTI圖像的矯正配準(zhǔn)以及區(qū)域纖維束的追蹤提取，為醫(yī)生在術(shù)中規(guī)避重要組織區(qū)域提供直觀信息。

彌散張量成像；腦干腫瘤；圖像配準(zhǔn)；纖維束；路徑規(guī)劃

引言

腦干腫瘤手術(shù)難度極大，主要是因?yàn)槟X干區(qū)域結(jié)構(gòu)復(fù)雜，而且腦干是神經(jīng)系統(tǒng)的中樞，腦干病變與核團(tuán)、神經(jīng)傳導(dǎo)束關(guān)系密切。許多神經(jīng)核團(tuán)、纖維束和網(wǎng)狀結(jié)構(gòu)等都集中在一個(gè)較小的區(qū)域，在手術(shù)過程中容易誤傷這些重要組織，因而腦干腫瘤手術(shù)困難較大，易造成腦干內(nèi)的重要結(jié)構(gòu)損傷，手術(shù)致殘及手術(shù)死亡率較高，而且容易發(fā)生預(yù)后不良等狀況。

手術(shù)導(dǎo)航系統(tǒng)（Image Guided Surgery，IGS）對臨床手術(shù)作用顯著，據(jù)相關(guān)臨床數(shù)據(jù)能提高病灶切除率（86.7%），降低手術(shù)并發(fā)癥（12.1%）和死亡率（0.8%），臨床療效卓越[1-2]。手術(shù)導(dǎo)航系統(tǒng)中一個(gè)十分重要的部分就是路徑規(guī)劃，目前也有很多關(guān)于路徑規(guī)劃的研究，如常用的點(diǎn)轄域[3]規(guī)劃方法需要醫(yī)生在常規(guī)二維斷層圖像上勾畫重要組織區(qū)域建立點(diǎn)轄域，然后根據(jù)這些區(qū)域建立路徑。該方法考慮了在手術(shù)過程中部分關(guān)鍵結(jié)構(gòu)對手術(shù)路徑的影響，但是關(guān)鍵的區(qū)域還是需要通過醫(yī)生在二維斷層圖像上進(jìn)行勾畫選擇。有文獻(xiàn)提出通過機(jī)器學(xué)習(xí)[4-5]的手段根據(jù)醫(yī)生的經(jīng)驗(yàn)學(xué)習(xí)醫(yī)生的路徑規(guī)劃方式，但這個(gè)方式往往需要大量的樣本數(shù)據(jù)來保持準(zhǔn)確性。有文獻(xiàn)提出通過快速自適應(yīng)分形樹[6-7]的方式來進(jìn)行三維空間路徑規(guī)劃，該方法通過硬件加速實(shí)時(shí)性較強(qiáng)，但傳統(tǒng)的手術(shù)導(dǎo)航系統(tǒng)在進(jìn)行路徑規(guī)劃時(shí)往往僅考慮核磁共振成像（Magnetic Resonance Imaging，MRI），沒有辦法評估腦干腫瘤手術(shù)中細(xì)微結(jié)構(gòu)對手術(shù)路徑的影響。

磁共振彌散張量成像（Diffusion Tensor Imaging，DTI）通過探測人體內(nèi)部水分子彌散情況來反應(yīng)細(xì)微結(jié)構(gòu)的變化，因此能夠有效無損辨識(shí)微細(xì)結(jié)構(gòu)中的病變組織[8]。DTI一般釆用平面回波成像序列（Echo-Planar Imaging，EPI）[9]，該成像對梯度磁場要求較高，圖像容易發(fā)生畸變，因此在應(yīng)用DTI圖像前需要進(jìn)行預(yù)處理完成畸變矯正。最近研究[10-13]表明DTI能為醫(yī)生提供纖維束分布信息，有助于輔助醫(yī)生完成術(shù)前規(guī)劃，減少手術(shù)損傷。

本文提出將DTI功能像與MRI結(jié)構(gòu)像相結(jié)合，完成腦干腫瘤術(shù)前路徑自動(dòng)規(guī)劃設(shè)計(jì)，通過對術(shù)前DTI影像數(shù)據(jù)的分析處理，自動(dòng)規(guī)劃手術(shù)路徑，引導(dǎo)醫(yī)生在術(shù)中規(guī)避重要組織區(qū)域，減少手術(shù)風(fēng)險(xiǎn)。

1 方法與原理

本研究提出了基于DTI圖像的腦干腫瘤術(shù)前路徑自動(dòng)規(guī)劃設(shè)計(jì)，其主要流程見圖1，主要包括3個(gè)部分：① 術(shù)前DTI圖像畸變矯正并與MRI結(jié)構(gòu)像配準(zhǔn)；② 完成纖維束重建及組織模型分割并提取重要組織關(guān)鍵位置信息；③建立模型并利用貝塞爾曲線插值通過關(guān)鍵控制點(diǎn)完成術(shù)前路徑自動(dòng)規(guī)劃。

圖1 手術(shù)路徑自動(dòng)規(guī)劃系統(tǒng)流程

本研究通過結(jié)合術(shù)前DTI功能像以及MRI結(jié)構(gòu)像，建立引力斥力模型完成自動(dòng)路徑規(guī)劃設(shè)計(jì)，為醫(yī)生在術(shù)中規(guī)避重要組織區(qū)域提供參考。

1.1 術(shù)前DTI圖像處理

術(shù)前DTI圖像處理主要分成以下4個(gè)步驟：① DTI圖像轉(zhuǎn)變?yōu)闃?biāo)量圖像，通過提取張量信息中能反應(yīng)各向異性信息的特征值完成；② 獲取MRI圖像的標(biāo)量信息，通過最大互信息匹配找到標(biāo)量圖像間的映射關(guān)系T；③ 根據(jù)映射關(guān)系T對DTI圖像變換張量的位置；④ 張量重定向得到配準(zhǔn)結(jié)果。

張量圖像配準(zhǔn)需要提取出能反應(yīng)某種特性的相似性度量標(biāo)量，將張量圖像轉(zhuǎn)換為標(biāo)量圖像以后再進(jìn)行配準(zhǔn)。反應(yīng)擴(kuò)散各向異性的特征量主要有[14-15]：擴(kuò)散張量的跡（Trace）、部分各向異性（Fractional Anisotropy，F(xiàn)A）、相對各向異性（Relative Anisotropy，RA）。Trace反應(yīng)了總體擴(kuò)散程度，這個(gè)特征量可用于輔助腦溢血與腦外傷的診斷。FA代表的是張量的各向異性程度，RA能夠表達(dá)和描述張量的各向異性是如何分布的，是一種較好的反應(yīng)腦組織的分布圖像。本文通過提取以上3種相似性度量標(biāo)量來完成標(biāo)量圖像的匹配。

接著根據(jù)提取得到的標(biāo)量信息值通過最大互信息配準(zhǔn)[16]，將DTI圖像與MRI結(jié)構(gòu)像進(jìn)行配準(zhǔn)，其主要方法如下：圖像DA和DB的互信息值定義為：

其中A、B分別代表DTI以及MRI，p (ak，bj)為兩種圖像的聯(lián)合灰度概率分布，我們?nèi)煞N圖像的互信息最大值時(shí)的映射關(guān)系T為最佳配準(zhǔn)關(guān)系。

得到映射關(guān)系T后我們將矩陣相乘就可以得到變換后的圖像。最后，本研究通過有限張力法（Finite Stain，F(xiàn)S）[17]完成張量重定向。

這部分我們建立了DTI圖像與MRI結(jié)構(gòu)像的對應(yīng)關(guān)系，然后我們需要根據(jù)這兩種圖像提取關(guān)鍵位置信息。

1.2 術(shù)前重要組織區(qū)域關(guān)鍵位置信息提取

重要組織區(qū)域的關(guān)鍵信息提取主要針對腦干區(qū)域組織結(jié)構(gòu)模型以及纖維束兩個(gè)部分。本研究通過對上述兩個(gè)部分提取關(guān)鍵位置信息數(shù)據(jù)來完成下文的自動(dòng)路徑規(guī)劃研究。層次包圍盒方法[18-20]是碰撞檢測算法中常用的一種方法，該方法主要是將對象以包圍盒的形式建立相對簡單的模型數(shù)據(jù)，根據(jù)包圍盒之間的相交檢測實(shí)現(xiàn)快速精準(zhǔn)碰撞檢測。由于組織結(jié)構(gòu)點(diǎn)云數(shù)據(jù)龐大，而且分布不具備規(guī)律性，實(shí)時(shí)追蹤比較困難，因此本文采用構(gòu)建包圍盒模型，通過包圍盒來控制模型范圍，提取模型的邊界位置，然后通過這些位置信息實(shí)現(xiàn)實(shí)時(shí)檢測手術(shù)路徑與重要區(qū)域的碰撞情況，避免對重要區(qū)域的損傷。

本研究通過對腦干分割組織進(jìn)行包圍盒構(gòu)建以及對追蹤得到的纖維束信息進(jìn)行邊緣信息提取獲取重要區(qū)域的關(guān)鍵信息位置，其主要流程，見圖2。該方法主要利用VTK工具包編程實(shí)現(xiàn)，對纖維束的追蹤過程則主要通過開源軟件3D Slicer輔助完成。

1.3 手術(shù)導(dǎo)航路徑自動(dòng)規(guī)劃設(shè)計(jì)

在路徑規(guī)劃的設(shè)計(jì)過程中，主要有兩個(gè)重要的因素：一是路徑的距離；二是路徑經(jīng)過的重要結(jié)構(gòu)組織。因此，我們根據(jù)以上兩點(diǎn)自動(dòng)設(shè)計(jì)手術(shù)路徑，當(dāng)然醫(yī)生也可以根據(jù)實(shí)際情況對自動(dòng)設(shè)計(jì)的路徑進(jìn)行再次調(diào)整，兩者結(jié)合完成最終的路徑規(guī)劃設(shè)計(jì)。

圖2 模型關(guān)鍵信息提取

我們采用傳統(tǒng)物理學(xué)中的引力和斥力代表手術(shù)路徑的距離和手術(shù)路徑經(jīng)過的重要結(jié)構(gòu)組織[21]，其中引力的大小代表距離風(fēng)險(xiǎn)的大小，斥力的大小代表腦干區(qū)域重要組織帶來的風(fēng)險(xiǎn)大小。其具體的模型為：

（1）引力模型：

其中d為手術(shù)入路到目標(biāo)區(qū)域的距離，當(dāng)距離越短時(shí)，相對應(yīng)的引力越大，對腦干結(jié)構(gòu)組織傷害越?。环粗?，當(dāng)距離越遠(yuǎn)時(shí)，引力也越小，傷害也就越大。這里面的k設(shè)置為系數(shù)，k用來調(diào)整曲線的形狀。當(dāng)k越大，曲線越陡，所代表的意思為手術(shù)入路與目標(biāo)區(qū)域之間的距離與引力大小的變化關(guān)聯(lián)程度上升。醫(yī)生可根據(jù)實(shí)際情況對k的值進(jìn)行相應(yīng)的調(diào)整。

（2）斥力模型：

其中s為手術(shù)路徑到腦干附近重要組織結(jié)構(gòu)的距離，當(dāng)s越小，相對應(yīng)的斥力越大，對腦干附近重要組織結(jié)構(gòu)傷害也越大。λ1和λ2為兩種不同重要組織對受力的影響系數(shù)，代表腦干附近組織模型以及纖維束區(qū)域?qū)κ中g(shù)路徑的影響程度。因此整體的路徑設(shè)計(jì)就是：

代表引力與斥力之差求極值的過程。式中hg和hr分別代表兩種力對于路徑設(shè)計(jì)的影響程度。

令hr=0，則上式對于路徑設(shè)計(jì)僅考慮距離影響，而在腦干腫瘤手術(shù)過程中手術(shù)進(jìn)入點(diǎn)以及目標(biāo)靶區(qū)域可以認(rèn)為是已知，那么可以計(jì)算求取得到引力最小值fg0，此時(shí)所得到的路徑為手術(shù)入路到目標(biāo)區(qū)域的直線，中間會(huì)與重要組織發(fā)生碰撞。

令hg=0，則上式對于路徑設(shè)計(jì)僅考慮組織因素影響，通過樣條曲線插值可以計(jì)算求取得到斥力最小值fr0，此時(shí)所得到的路徑為能避開重要組織的樣條曲線，但路徑整體距離較大。

因此對兩種互斥力極值求解可以轉(zhuǎn)化為系數(shù)h對力f對的影響關(guān)系。根據(jù)一種改進(jìn)的粒子群算法，可建立如下的模型：

式中hmin和hmax分別為系數(shù)的最小值和最大值，fmin和favg分別為當(dāng)前力的最小值與平均值。

通過對系數(shù)值h的估計(jì)以及對引斥力的求解，我們可以得到手術(shù)路徑的兩個(gè)核心構(gòu)成部分：手術(shù)入路到目標(biāo)區(qū)域的距離以及手術(shù)路徑與重要組織結(jié)構(gòu)距離的最優(yōu)解。我們通過這兩個(gè)部分構(gòu)建3次貝塞爾曲線插值完成路徑規(guī)劃設(shè)計(jì)：

本研究通過對腦干區(qū)域重要組織提取關(guān)鍵位置信息并構(gòu)建模型完成自動(dòng)路徑規(guī)劃，有助于醫(yī)生在術(shù)中規(guī)避重要區(qū)域，減少組織損傷。

2 實(shí)驗(yàn)結(jié)果

本研究數(shù)據(jù)來源為首都醫(yī)科大學(xué)附屬北京天壇醫(yī)院，針對20例腦干腫瘤患者進(jìn)行了掃描。掃描設(shè)備為Philips Achieva 3.0T TX磁共振成像系統(tǒng)。T1序列主要掃描 參 數(shù)：TR=7.6 ms，TE=3.7 ms，Matrix=256×256，Thickness=2 mm，PixelSpacing=0.9×0.9 mm；DTI序 列 主 要 掃 描 參 數(shù)：TR=8464.6 ms，TE=70.1 ms，Matrix=256×256，Thickness=2.2 mm，b=1000 s/mm2。

本研究從3個(gè)方面對結(jié)果進(jìn)行評估，首先對術(shù)前DTI圖像進(jìn)行處理，實(shí)現(xiàn)DTI功能像與MRI結(jié)構(gòu)像融合，接著提取術(shù)前重要組織關(guān)鍵位置信息，最后根據(jù)這些關(guān)鍵位置信息建立模型實(shí)現(xiàn)自動(dòng)路徑規(guī)劃。

2.1 術(shù)前DTI圖像處理

我們通過對DTI圖像進(jìn)行張量分解，提取得到特征標(biāo)量圖見圖3，然后將分解得到的圖像與同為標(biāo)量數(shù)據(jù)圖像的MRI結(jié)構(gòu)像進(jìn)行去畸變配準(zhǔn)。

通過對DTI圖像的張量分解，我們提取出可以代表張量數(shù)據(jù)信息的特征標(biāo)量值，為下一步標(biāo)量圖像的配準(zhǔn)做好準(zhǔn)備。在張量分解之后，我們通過對標(biāo)量數(shù)據(jù)完成基于最大互信息的標(biāo)量圖像配準(zhǔn)，我們得到兩種序列之間的轉(zhuǎn)換矩陣。利用該轉(zhuǎn)換矩陣，我們將DTI圖像與MRI結(jié)構(gòu)像進(jìn)行了結(jié)合，其結(jié)果見圖4。醫(yī)生能在獲取MRI結(jié)構(gòu)像的同時(shí)獲取DTI圖像的信息，在規(guī)避重要組織時(shí)醫(yī)生可以同時(shí)考慮兩種圖像所提供的信息，減少手術(shù)損傷。

圖3 DTI張量分解

圖4 DTI功能像與MRI結(jié)構(gòu)像融合

2.2 術(shù)前重要組織區(qū)域關(guān)鍵位置信息提取

我們通過對DTI圖像進(jìn)行腦干附近纖維束追蹤，追蹤結(jié)果見圖5。通過纖維束追蹤，醫(yī)生可以直觀的從DTI圖像中觀察到三維立體的纖維束數(shù)據(jù)。纖維束作為腦干腫瘤手術(shù)中容易發(fā)生損傷的重要組織，我們將其三維立體可視化，并且在手術(shù)路徑的自動(dòng)規(guī)劃中考慮纖維束對路徑的阻擋因素，便于醫(yī)生規(guī)避手術(shù)風(fēng)險(xiǎn)。

圖5 纖維束追蹤

通過對模型進(jìn)行包圍盒構(gòu)建，我們可以實(shí)時(shí)快速的提取模型數(shù)據(jù)的邊緣信息，將復(fù)雜的體數(shù)據(jù)簡化為包圍盒模型，加入到自動(dòng)路徑規(guī)劃算法之中，使得自動(dòng)路徑規(guī)劃快速有效，其結(jié)果見圖6。

圖6 組織結(jié)構(gòu)包圍盒模型構(gòu)建

2.3 手術(shù)導(dǎo)航路徑自動(dòng)規(guī)劃設(shè)計(jì)

本方法基于vs2010與VTK、ITK混合編程，采用Qt作為界面設(shè)計(jì)的工具，實(shí)現(xiàn)了導(dǎo)航界面的初步開發(fā)，主要按照導(dǎo)航的基本流程完成了相關(guān)的功能設(shè)計(jì)，結(jié)合術(shù)前的DTI圖像，追蹤感興趣區(qū)區(qū)域的纖維束結(jié)構(gòu)，實(shí)現(xiàn)多序列信息的術(shù)前融合，根據(jù)術(shù)前多序列影像智能設(shè)計(jì)手術(shù)路徑以及在術(shù)中對危險(xiǎn)區(qū)域進(jìn)行預(yù)警，減少手術(shù)風(fēng)險(xiǎn)。其主要界面見圖7。

圖7 手術(shù)導(dǎo)航程序界面

根據(jù)術(shù)前分割得到的組織結(jié)構(gòu)以及纖維束信息，實(shí)現(xiàn)手術(shù)路徑自動(dòng)設(shè)計(jì)，醫(yī)生可以根據(jù)自動(dòng)路徑引導(dǎo)來有效規(guī)避重要組織。

2.4 結(jié)果評估

本方法根據(jù)術(shù)前MRI結(jié)構(gòu)像以及DTI圖像，分割得到腦干組織結(jié)構(gòu)信息以及纖維束信息，通過對組織結(jié)構(gòu)建立包圍盒以及對纖維束提取邊緣信息的方式，通過引斥力模型自動(dòng)設(shè)計(jì)手術(shù)路徑，為醫(yī)生在術(shù)中規(guī)避重要組織區(qū)域提供參考。傳統(tǒng)的手術(shù)路徑設(shè)計(jì)方法往往僅考慮手術(shù)入路的選擇，需要醫(yī)生在手術(shù)中借助自身經(jīng)驗(yàn)，根據(jù)實(shí)際情況調(diào)整手術(shù)路徑來完成手術(shù)。兩個(gè)不同患者在傳統(tǒng)手術(shù)路徑與本文提出的根據(jù)術(shù)前DTI圖像自動(dòng)規(guī)劃路徑進(jìn)行的對比，見圖8，圖中白色直線為傳統(tǒng)手術(shù)路徑，淡紅色曲線為本文提出的參考手術(shù)路徑。從圖中可以看出本文提出的自動(dòng)路徑規(guī)劃設(shè)計(jì)對重要組織進(jìn)行了規(guī)避。

圖8 傳統(tǒng)手術(shù)路徑與自動(dòng)設(shè)計(jì)路徑對比

本文通過將手術(shù)路徑投射到二維平面，以手術(shù)路徑與組織信息以及纖維束結(jié)構(gòu)發(fā)生碰撞所占用的二維切面數(shù)作為本方法的定量評估，具體見表1，可以看出本方法提出的自動(dòng)路徑規(guī)劃設(shè)計(jì)對重要組織區(qū)域的碰撞層數(shù)在3個(gè)方向下降都較為明顯，因此本方法有助于醫(yī)生規(guī)避重要組織區(qū)域。

表1 傳統(tǒng)手術(shù)路徑與自動(dòng)設(shè)計(jì)路徑組織碰撞層數(shù)

3 討論

本文針對腦干腫瘤手術(shù)臨床問題，提出基于DTI圖像的自動(dòng)路徑規(guī)劃設(shè)計(jì)通過對術(shù)前影像數(shù)據(jù)的分析處理，為醫(yī)生在腦干腫瘤手術(shù)中規(guī)避腦干區(qū)域重要組織區(qū)域提供引導(dǎo)。但本文提出的方法仍存在局限性，首先該方法采用的均是術(shù)前圖像，并沒有考慮到術(shù)中變形問題；另外由于算法的實(shí)時(shí)性問題，在自動(dòng)設(shè)計(jì)路徑時(shí)對邊緣設(shè)計(jì)包圍盒時(shí)仍不夠精確，在對纖維束追蹤過程中使用了開源軟件可能也引入了誤差。而且自動(dòng)設(shè)計(jì)的路徑在臨床實(shí)用性上需要進(jìn)一步考慮，后續(xù)研究可以考慮引入術(shù)中變形配準(zhǔn)，自動(dòng)路徑算法的實(shí)時(shí)精確設(shè)計(jì)以及在臨床操作中的可行性分析。

4 結(jié)論

本研究通過對DTI圖像進(jìn)行畸變矯正，將其與MRI結(jié)構(gòu)像相配準(zhǔn)，然后根據(jù)從DTI圖像追蹤得到的纖維束信息與MRI結(jié)構(gòu)像分割得到的結(jié)構(gòu)信息完成基于包圍盒理論、引力斥力模型與貝塞爾曲線插值的術(shù)前路徑自動(dòng)規(guī)劃設(shè)計(jì)。下一步的研究任務(wù)可以在本研究的基礎(chǔ)上設(shè)計(jì)術(shù)前手術(shù)模擬，根據(jù)自動(dòng)規(guī)劃路徑設(shè)計(jì)模擬手術(shù)，提高醫(yī)生手術(shù)完成質(zhì)量。

[1] 周良輔.神經(jīng)外科導(dǎo)航學(xué)[M].上海:上?？萍冀逃霭嫔?2008.

[2] 劉偉,樊寬章.手術(shù)導(dǎo)航技術(shù)[J].中國醫(yī)療設(shè)備,2003,18(7):5-7.

[3] 李修往.一種顱腦外科手術(shù)路徑規(guī)劃系統(tǒng)的研制[J].中國醫(yī)療器械雜志,2000,24(1):1-5.

[4] Liu Y, Dawant BM,Pallavaram S,et al.A surgeon specific automatic path planning algorithm for deep brain stimulation[A]. Medical Imaging 2012 Image-Guided Procedures, Robotic Interventions, and Modeling[C].San Diego,California,USA:IEE E,2012:83161D-83161D-10.

[5] Liu Y,Li S,Xia Z.Path planning efficiency maximization for ball-picking robot using machine learning algorithm[A]. ICITBS 15 Proceedings of the 2015 International Conference on Intelligent Transportation,Big Data & Smart City (ICITBS)[C]. Seattle,WA,USA:IEEE,2015:551-555.

[6] éderson D,Albakri A,Zemiti N,et al.Simplified adaptive path planning for percutaneous needle insertions[A].2015 IEEE International Conference on Robotics and Automation (ICRA)[C]. Seattle,WA,USA:IEEE,2015:1782-1788.

[7] Liu F,Garriga-Casanovas A,Secoli R,et al.Fast and adaptive fractal tree-based path planning for programmable bevel tip steerable needles[J].IEEE Robot & Auton Letters,2016,1(2): 601-608.

[8] 林濤.基于k-medoids聚類的人腦DTI圖像分割算法及其纖維追蹤的研究[D].上海:上海師范大學(xué),2016.

[9] Le BD,Poupon C,Amadon A,et al.Artifacts and pitfalls in diffusion MRI[J].JMRI,2006,24(3):478.

[10] Pujol S,Wells W,Pierpaoli C,et al.The DTI challenge: toward standardized evaluation of diffusion tensor imaging tractography for neurosurgery[J].J Neuroimaging,2015,25(6): 875-882.

[11] Asato MR,Terwilliger R,Woo J,et al.White matter development in adolescence: a DTI study[J].Cereb cortex,2010,20(9):2122-2131.

[12] Engwer C,Hillen T,Knappitsch M,et al. Glioma follow white matter tracts: a multiscale DTI-based model[J].J Math Biol,2015,71(3):551.

[13] Anthofer JM,Steib K,Fellner C,et al.DTI-based deterministic fibre tracking of the medial forebrain bundle[J].Acta Neurochir,2015,157(3):469-477.

[14] 姚旭峰.神經(jīng)導(dǎo)航中磁共振彌散張量圖像處理技術(shù)的研究[D].北京:復(fù)旦大學(xué),2011.

[15] 韋芳芳.基于擴(kuò)散張量圖像的配準(zhǔn)算法研究[D].上海:上海師范大學(xué),2013.

[16] Savadjier P,Kindlmann G,Bouix S,et al.Local white mattergeometry indices from diffusion tensor gradients[J].Neuro Image,2010,49(4):3175-3186.

[17] Takao H,Hayashi N.White matter asymmetry in healthy individuals: a diffusion tensor imaging study using tract-based spatial statistics[J].Neuroscience,2011,193(10):291-299.

[18] Adelson SJ,Hodges LF.Generating exact ray-traced animation frames by reprojection[J].IEEE Comput Graph Appl,1995, 15(3):43-52.

[19] 王曉榮.基于AABB包圍盒的碰撞檢測算法的研究[D].武漢:華中師范大學(xué),2007.

[20] Liu J,Chen J.3D Collision detection algorithm based on composite balanced binary bounding box Tree[J].Comput Med,2016:646-650.

[21] 陳宇.基于肺穿刺手術(shù)導(dǎo)航的精度提升與路徑規(guī)劃研究[D].秦皇島:東北大學(xué),2014.

本文編輯 王靜

Design of Automatic Preoperative Path Planning of Brain Stem Tumor Surgery Based on DTI

LI Miao1, LIU Jia1, PAN Changcun2, TANG Jie2, ZHANG Liwei2, LIAO Hongen1

1.Department of Biomedical Engineering, School of Medicine, Tsinghua University, Beijing 100084, China;2.Department of Neurosurgery, Beijing Tian Tan Hospital, Capital Medical University, Beijing 100050, China

ObjectiveWe proposed an automatic preoperative path planning method based on diffusion tensor imaging (DTI) for brain stem tumor surgery to effectively circumvent the important organizations and reduce the disability rate.MethodsIn this paper, DTI and magnetic resonance imaging (MRI) were combined effectively for the automatic preoperative path planning of brain stem tumor surgery. Firstly, DTI was corrected and registered with MRI. Then, the key region information of these two modal images was extracted for automatically designing the surgical path with gravity repulsion model and spline interpolation.ResultsOur method could complete automatic preoperative path planning through extracting the information of preoperative fiber bundle and tissue structure. In additional, it could realize the path planning intuitively and maximize avoid important tissue damage.ConclusionThe proposed automatic preoperative path planning method based on the preoperative DTI can provide intuitive information for the doctors to avoid important tissue damage.

diffusion tensor imaging; brainstem tumor; image registration; fiber bundle; path planning

R445.2

A

10.3969/j.issn.1674-1633.2017.08.014

1674-1633(2017)08-0055-05

2017-05-02；

2017-05-26

國家自然科學(xué)基金（81427803）；北京市科委生命科學(xué)領(lǐng)域前沿技術(shù)專項(xiàng)（Z151100003915079）；北京市自然科學(xué)基金資助項(xiàng)目（7172122）。

廖洪恩，教授，博士研究生導(dǎo)師。

通訊作者郵箱：liao@tsinghua.edu.cn