CN120266165A - 用于使用先验患者数据进行体积重建的系统和方法 - Google Patents

Abstract

一种根据本公开的至少一个实施方案的系统，该系统包括：处理器；和存储器，该存储器上存储有指令，这些指令在由该处理器执行时使该处理器：基于与对象相关联的第一成像数据，识别与该对象的形状相对应的边界区；识别与该对象相关联的第二成像数据中包括的至少一个体素，其中该至少一个体素位于该边界区外部；以及使用该第二成像数据生成与该对象相对应的多维图像体积，其中生成该多维图像体积是相对于与位于该边界区外部的体素相关联的一个或多个标准。

Description

用于使用先验患者数据进行体积重建的系统和方法

背景技术

本公开整体涉及外科数据模型，并且更具体地涉及体积重建过程。

成像装置可以在外科手术或外科规程的背景下使用。成像装置可以包括发射器和检测器以捕获放置在其间的对象的图像。所捕获的图像可以帮助外科医生更好地进行外科手术或外科规程。

发明内容

本公开的示例方面包括：

一种根据本公开的至少一个实施方案的系统包括：处理器；和存储器，该存储器上存储有指令，这些指令在由该处理器执行时使该处理器：基于与对象相关联的第一成像数据，识别与该对象的形状相对应的边界区；识别与该对象相关联的第二成像数据中包括的至少一个体素，其中该至少一个体素位于该边界区外部；以及使用该第二成像数据生成与该对象相对应的多维图像体积，其中生成该多维图像体积是相对于与位于该边界区外部的体素相关联的一个或多个标准。

本文的特征中的任一者，其中这些指令能够进一步由该处理器执行以：基于未能满足该一个或多个标准，重新生成与该对象相关联的该第一成像数据；基于与该对象相关联的经重新生成的第一成像数据，识别与该对象的该形状相对应的第二边界区；识别包括在第三成像数据中的至少一个第二体素，其中该至少一个第二体素位于该第二边界区外部；以及使用该第三成像数据生成与对象相对应的第二多维图像体积，其中生成该第二多维图像体积包括满足与位于该第二边界区外部的体素相关联的一个或多个标准。

本文的特征中的任一者，其中该一个或多个标准包括与位于该边界区外部的体素相关联的阈值衰减值。

本文的特征中的任一者，其中该一个或多个标准包括位于该边界区外部的体素的衰减与位于该边界区内部的体素的衰减的目标比率。

本文的特征中的任一者，其中这些指令能够进一步由该处理器执行以：基于与该对象相关联的该第二成像数据，识别位于该边界区内部的第二体素，其中该一个或多个标准包括满足该至少一个体素的第一衰减值与该第二体素的第二衰减值之间的阈值差。

本文的特征中的任一者，其中该第一成像数据包括该对象的一个或多个全景矢状图像。

本文的特征中的任一者，其中：该第一成像数据包括包含该对象的一个或多个图像；该一个或多个图像的上部包括与该对象的边界相对应的第一空气边缘；并且该一个或多个图像的下部包括与该对象的另一边界相对应的第二空气边缘。

本文的特征中的任一者，其中这些指令能够进一步由该处理器执行以：使用一个或多个基于光的测距操作来捕获与该对象相关联的一组点；以及基于该一组点生成与该对象相关联的该第一成像数据。

本文的特征中的任一者，其中该第一成像数据包括一个或多个x射线图像、一个或多个光学图像、一个或多个深度图像、一个或多个磁共振成像(MRI)图像、一个或多个计算机断层摄影(CT)图像或它们的组合。

本文的特征中的任一者，其中这些指令能够进一步由该处理器执行以捕获与该对象相关联的该第一成像数据，其中捕获该第一成像数据包括：捕获该对象的第一图像，其中捕获该第一图像与成像装置相对于该对象的第一位姿信息相关联；以及捕获该对象的第二图像，其中捕获该第二图像与该成像装置相对于该对象的第二位姿信息相关联，并且其中识别与该对象的该形状相对应的该边界区是基于该第一图像、该第一位姿信息、该第二图像、该第二位姿信息。

本文的特征中的任一者，其中该边界区的尺寸与以下中的至少一者相对应：该对象在相对于平面的第一方向上的尺寸；和该对象在相对于该平面的第二方向上的第二尺寸，其中该第二方向与该第一方向正交。

本文的特征中的任一者，其中这些指令能够进一步由该处理器执行以：使用一个或多个成像装置动态地捕获该第二成像数据。

一种根据本公开的至少一个实施方案的系统包括：一个或多个成像装置；处理器；和存储器，该存储器在其上存储数据，该数据在由该处理器处理时使该处理器：基于使用该一个或多个成像装置生成的第一成像数据，识别与对象的形状相对应的边界区；识别使用该一个或多个成像装置生成的第二成像数据中包括的至少一个体素，其中该至少一个体素位于该边界区外部；以及使用该第二成像数据生成与该对象相对应的多维图像体积，其中生成该多维图像体积是相对于与位于该边界区外部的体素相关联的一个或多个标准。

本文的特征中的任一者，其中该数据能够进一步由该处理器执行以：响应于未能满足该一个或多个标准而重新生成该第一成像数据；基于经重新生成的第一成像数据，识别与该对象的该形状相对应的第二边界区；识别包括在第三成像数据中的至少一个第二体素，其中该至少一个第二体素位于该第二边界区外部；以及使用该第三成像数据生成与对象相对应的第二多维图像体积，其中生成该第二多维图像体积包括满足与位于该第二边界区外部的体素相关联的一个或多个标准。

本文的特征中的任一者，其中该一个或多个标准包括与位于该边界区外部的体素相关联的阈值衰减值。

本文的特征中的任一者，其中该一个或多个标准包括位于该边界区外部的体素的衰减与位于该边界区内部的体素的衰减的目标比率。

本文的特征中的任一者，其中该数据能够进一步由该处理器执行以：基于与该对象相关联的该第二成像数据，识别位于该边界区内部的第二体素，其中该一个或多个标准包括该至少一个体素的第一衰减值与该第二体素的第二衰减值之间的阈值差。

本文的特征中的任一者，其中该第一成像数据包括该对象的一个或多个全景矢状图像。

本文的特征中的任一者，其中：该第一成像数据包括包含该对象的一个或多个图像；该一个或多个图像的上部包括与该对象的边界相对应的第一空气边缘；并且该一个或多个图像的下部包括与该对象的另一边界相对应的第二空气边缘。

一种根据本公开的至少一个实施方案的方法包括：基于与对象相关联的第一成像数据，识别与该对象的形状相对应的边界区；识别与该对象相关联的第二成像数据中包括的至少一个体素，其中该至少一个体素位于该边界区外部；以及使用该第二成像数据生成与该对象相对应的体积构造，其中生成该体积构造是相对于满足与位于该边界区外部的体素相关联的一个或多个标准的。

任一方面与任一个或多个其他方面组合。

本文所公开的特征中的任一个或多个特征。

本文大体上公开特征中的任一个或多个特征。

本文大体上公开的特征中的任一个或多个特征与本文大体上公开的任一个或多个其他特征组合。

方面/特征/具体实施中的任一者与任一个或多个其他方面/特征/具体实施组合。

使用本文所公开的方面或特征中的任一者或多者。

应当理解，本文所述的任何特征可与如本文所述的任何其他特征组合来要求保护，而不管特征是否来自同一描述的具体实施。

本公开的一个或多个方面的细节在以下附图和说明书中阐述。根据说明书和附图以及权利要求，本公开中描述的技术的其他特征、目的和优点将是显而易见的。

前述内容是本公开的简化概述以提供对本公开的一些方面的理解。本发明内容既不是对本公开及其各个方面、具体实施和配置的广泛性概述也不是详尽性概述。其既不意图确定本公开的关键或重要元素，也不意图划定本公开的范围，而是以简化形式呈现本公开的选择的概念，作为对下文呈现的更详细描述的介绍。如应当理解的，本公开的其他方面、具体实施和配置可能单独或组合地利用上文所阐述或下文所详细描述的特征中的一个或多个特征。

在考虑下文提供的具体实施描述之后，本公开的许多附加特征和优点对于本领域技术人员将变得显而易见。

附图说明

附图并入并形成本说明书的一部分以例示本公开的几个示例。这些附图连同描述一起解释本公开的原理。附图仅例示如何实施和使用本公开的优选和另选示例，并且这些示例不应解释为仅将本公开限制于所例示和所描述的示例。另外的特征和优点将根据以下对本公开的各个方面、具体实施和配置的更详细的描述变得显而易见，如通过以下参考的附图所例示。

图1是根据本公开的至少一个实施方案的系统的框图；

图2A描绘了根据本公开的至少一个实施方案的患者的第一成像技术；

图2B是利用根据本公开的至少一个实施方案的第一成像技术生成的第一图像；

图2C描绘了根据本公开的至少一个实施方案的患者的第二成像技术；

图2D是利用根据本公开的至少一个实施方案的第二成像技术生成的第二图像；

图2E描绘了根据本公开的至少一个实施方案的患者的第三成像技术；

图2F描绘了根据本公开的至少一个实施方案的网格；

图3A描绘了根据本公开的至少一个实施方案的重建图像中的第一组体素；

图3B描绘了根据本公开的至少一个实施方案的重建图像中的第二组体素；

图4是根据本公开的至少一个实施方案的流程图；并且

图5是根据本公开的至少一个实施方案的流程图。

具体实施方式

应当理解，本文所公开的各个方面可以与说明书和附图中具体呈现的组合不同的组合进行组合。还应当理解，取决于示例或具体实施，本文所述的任何过程或方法的某些动作或事件可以不同的顺序执行，和/或可添加、合并或完全省略(例如，根据本公开的不同具体实施，实行所公开技术可能不需要所有描述的动作或事件)。此外，虽然为了清楚起见，本公开的某些方面被描述为由单个模块或单元执行，但应当理解，本公开的技术可以由与例如计算装置和/或医疗装置相关联的单元或模块的组合执行。

在一个或多个示例中，所描述的方法、过程和技术可以在硬件、软件、固件或它们的任何组合中实现。如果在软件中实现，则功能可以作为一个或多个指令或代码存储在计算机可读介质上并且由基于硬件的处理单元执行。另选地或另外地，功能可以使用机器学习模型、神经网络、人工神经网络或它们的组合(单独地或组合指令)来实现。另选地或另外地，功能可以使用机器学习模型、神经网络、人工神经网络或它们的组合(单独地或组合指令)来实现。计算机可读介质可包括非暂态计算机可读介质，该非暂态计算机可读介质对应于有形介质，诸如数据存储介质(例如，RAM、ROM、EEPROM、闪存存储器，或可用于存储指令或数据结构形式的期望程序代码并且可由计算机访问的任何其他介质)。

指令可以由一个或多个处理器执行，诸如一个或多个数字信号处理器(DSP)、通用微处理器(例如，Intel Core i3、i5、i7或i9处理器；Intel Celeron处理器；Intel Xeon处理器；Intel Pentium处理器；AMD Ryzen处理器；AMD Athlon处理器；AMD Phenom处理器；Apple A10或10XFusion处理器；Apple A11、A12、A12X、A12Z或A13 Bionic处理器；或任何其他通用微处理器)、图形处理单元(例如，Nvidia GeForce RTX 2000系列处理器、NvidiaGeForce RTX 3000系列处理器、AMD Radeon RX 5000系列处理器、AMD Radeon RX 6000系列处理器或任何其他图形处理单元)、专用集成电路(ASIC)、现场可编程逻辑阵列(FPGA)或其他等效的集成或离散逻辑电路系统。因此，如本文所用的术语“处理器”可以指前述结构或适合于实施所描述的技术的任何其他物理结构中的任一种。另外，这些技术可在一个或多个电路或逻辑元件中完全实现。

在详细地解释本公开的任何具体实施之前，应当理解，本公开在其应用方面不限于以下描述中阐述或附图中例示的构造细节和部件布置。本公开能够具有其他具体实施并且能够以各种方式实践或实行。另外，应当理解，本文所用的措词和术语是出于描述的目的，而不应被视为是限制性的。本文中使用“包含”、“包括”或“具有”及其变化形式意在涵盖其后列出的项目及其等效物，以及附加项目。此外，本公开可以使用示例来例示其一个或多个方面。除非另有明确说明，否则使用或列出一个或多个示例(其可以由“例如”、“借助于示例”、“诸如”或类似语言指示)不意图且并不限制本公开的范围。

术语近侧和远侧在本公开中以其常规医学含义使用，近侧更靠近系统的操作员或用户并且更远离患者体内或患者身体上的外科关注区，而远侧更靠近患者体内或患者身体上的外科关注区并且更远离系统的操作员或用户。

重建过程(诸如X射线三维(3D)体积重建或单个2D图像重建)可用于生成被扫描对象或患者的准确3D模型或2D模型(例如，2D切片)。不准确的重建可能导致错误的尺寸、错误的值或其他图像变形。由于小于最佳重建参数、重建算法或条件，可能会发生不准确的重建。不准确的重建可能导致不正确的诊断和预后。

当使用调整2D单个图像或体积重建的迭代方法时，一个潜在问题是确定如何从一次迭代到下一次迭代改善重建输出(体积或2D图像)。来自迭代方法的重建输出可以包括由体素构成的3D矩阵，其中每个体素将值映射到3D空间中的3D数据的小部分(例如，“立方体”)。在单个2D图像的情况下，代替3D立方体，将2D像素作为数据的小部分。在实现X射线成像的实施方案中，这些值可以是衰减值。在一些迭代重建方法(诸如代数重建技术(ART)、最大似然期望最大化(MLEM)或有序子集期望最大化(OSEM))中，具有衰减值的体素可以被移位到不同的体素中，同时保持所有体素的总和固定。换句话说，与一个或多个体素相关联的值可以减小，而与一个或多个其他体素相关联的值可以增加，使得所有体素的总和没有总体变化。

体积重建的另一个潜在问题是使用小检测器，这可能导致关于患者的外围部分的信息较少(因为身体太大而不能被检测器完全看到)。一种潜在的补救方法是使用包括大检测器的计算机断层摄影(CT)扫描仪或用小检测器拍摄许多附加图像。然而，此种解决方案还使患者暴露于增加剂量的辐射，因为源和检测器必须足够大以捕获患者的外周部分。

体积或单个2D图像重建的另一个潜在问题是衰减值从患者的身体轮廓到周围空气的耗散。这可能导致图像中的对比度降低、灰度值缺乏一致性以及其他图像伪影。

根据本公开的至少一个实施方案，患者体积的先验体型估计可以有益地改善重建，诸如通过改善重建的质量、重建的准确性和/或执行重建所需的时间。例如，代替随机初始猜测，体型估计可以用作算法中的初始猜测。体型估计的使用可以为用于优化重建的算法提供更准确的起点。此外，使用体型估计可以产生更好质量的图像。例如，通过提供边界，算法可以受到边界的约束，以利用体型估计的相同的一般方面来重建图像，从而产生更准确的重建图像。先验体型估计将有助于保持患者周围的空气体积没有衰减，同时将衰减限制在患者(或者更一般地，限制在对象本身)。

根据本公开的至少一个实施方案，使用不同的方法和信息源来实现先验体型估计。例如，可以检索与先前的CT扫描、磁共振图像(MRI)扫描等相关联的信息。作为另一示例，一个或多个装置(例如，光学相机、深度相机、光检测和测距(LIDAR)相机或任何其他成像模态或测量装着)可以用于捕获用于生成患者周围的体积网格的信息。作为又一示例，可以基于计划扫描(例如，在术前计划阶段期间对患者进行的扫描)来生成先验体型信息，该计划扫描可以用于找到患者身体的边界(例如，通过估计患者的宽度和高度)。体型估计可以以限制身体外部的体素值的条件的形式集成到重建算法中。例如，体素值的条件可以使得位于边界外部的体素无法具有不归因于空气的值(或者更一般地，不归因于对象周围的介质的值)。边界外部的体素上的此类条件可以有益地使算法能够更好地移位体素之间的衰减值，同时通过例如对位于边界外部的体素的值进行封顶来迭代地重建体积，从而导致最终图像的质量提高。改善的最终图像还可以有益地改善规程计划，减少患者对潜在危险辐射(例如，过度X射线成像)的暴露，并且改善临床结果。

本公开的具体实施提供了对以下问题中的一者或多者的技术解决方案：(1)生成错误或不准确的重建，(2)重建图像中的衰减泄漏到周围的非患者区域中，以及(3)在迭代体积重建期间的错误或不准确的灰度值移位。

图1例示了支持本公开的各方面的系统100的示例。

系统100包括计算装置102、一个或多个成像装置112、机器人114、导航系统118、数据库130和/或云网络134(或其他网络)。根据本公开的其他具体实施的系统可包括比系统100更多或更少的部件。例如，系统100可省略和/或包括计算装置102、成像装置112、机器人114、导航系统118、数据库130和/或云网络134的一个或多个部件的附加实例。例如，系统100可以省略机器人114和导航系统118。系统100可支持本文所公开的方法中的一个或多个方法的一个或多个其他方面的具体实施。

计算装置102包括处理器104、存储器106、通信接口108和用户接口110。根据本公开的其他具体实施的计算装置可包括比计算装置102更多或更少的部件。

计算装置102的处理器104可为本文所描述的任何处理器或任何类似的处理器。处理器104可被配置为执行存储在存储器106中的指令，这些指令可使处理器104利用或基于从成像装置112、机器人114、导航系统118、数据库130和/或云网络134接收的数据来实施一个或多个计算步骤。

存储器106可以为或包括RAM、DRAM、SDRAM、其他固态存储器、本文中描述的任何存储器或用于存储计算机可读数据和/或指令的任何其他有形的非暂态存储器。存储器106可存储与完成例如本文所述的方法400和500或任何其他方法的任何步骤相关联的信息或数据。存储器106可存储例如支持成像装置112、机器人114和导航系统118的一个或多个功能的指令和/或机器学习模型。例如，存储器106可存储内容(例如，指令和/或机器学习模型)，该内容在由处理器104执行时，启用图像处理120、分割122、变换124、配准128和/或滤波136。在一些具体实施中，如果作为指令提供，则这种内容可被组织成一个或多个应用程序、模块、包、层或引擎。

另选地或另外地，存储器106可以存储可由处理器104处理以执行本文所述的各种方法和特征的其他类型的内容或数据(例如，机器学习模型、人工神经网络、深度神经网络等)。因此，尽管可以将存储器106的各种内容描述为指令，但应当理解，可以通过使用指令、算法和/或机器学习模型来实现本文所述的功能。数据、算法和/或指令可使处理器104操纵存储在存储器106中的以及/或者从或经由成像装置112、机器人114、导航系统118、数据库130和/或云网络134接收的数据。

计算装置102也可包括通信接口108。通信接口108可用于从外部源(例如，成像装置112、机器人114、导航系统118、数据库130、云网络134和/或与系统100分开的任何其他系统或部件)接收数据或其他信息，并且/或者用于将指令、数据(例如，图像数据、测量结果等)或其他信息发送到外部系统或装置(例如，另一计算装置102、成像装置112、机器人114、导航系统118、数据库130、云网络134、和/或不是系统100的一部分的任何其他系统或部件)。通信接口108可包括一个或多个有线接口(例如，USB端口、以太网端口、火线端口)和/或一个或多个无线收发器或接口(被配置为例如经由诸如802.11a/b/g/n、蓝牙、NFC、ZigBee等一个或多个无线通信协议发送和/或接收信息)。在一些具体实施中，通信接口108可支持装置102与一个或多个其他处理器104或计算装置102之间的通信，无论是减少完成计算密集型任务所需的时间还是出于任何其他原因。

计算装置102也可包括一个或多个用户接口110。用户接口110可以是或包括键盘、鼠标、轨迹球、监测器、电视、屏幕、触摸屏和/或用于从用户接收信息和/或用于向用户提供信息的任何其他装置。用户接口110可用于例如接收关于本文所述的任何方法的任何步骤的用户选择或其他用户输入。尽管如此，本文所描述的任何方法的任何步骤的任何所需输入可由系统100(例如，由处理器104或系统100的另一部件)自动生成或由系统100从系统100外部的源接收。在一些具体实施中，用户接口110可支持根据本公开的一个或多个具体实施的对待由处理器104执行的指令的用户修改(例如，由外科医生、医务人员、患者等)，和/或支持对显示在用户接口110上或与其相对应的其他信息的设置的用户修改或调整。

在一些具体实施中，计算装置102可利用与计算装置102的一个或多个剩余部件分开容纳的用户接口110。在一些具体实施中，用户接口110可位于计算装置102的一个或多个其他部件附近，而在其他具体实施中，用户接口110可位于远离计算机装置102的一个或多个其他部件之处。

成像装置112可用于对解剖特征(例如，骨骼、静脉、组织等)和/或患者解剖结构的其他方面进行成像以产生图像数据(例如，描绘或对应于骨骼、静脉、组织等的图像数据)。如本文所用的“图像数据”或“成像数据”是指由成像装置112生成或捕获的数据，包含呈机器可读形式、图形/视觉形式、和呈任何其他形式的数据。在各种示例中，图像数据可包括对应于患者的解剖特征部或其一部分的数据。图像数据可以是或包括术前图像、术中图像、术后图像、或独立于任何外科规程拍摄的图像。在一些具体实施中，第一成像装置112可用于在第一时间获得第一图像数据(例如，第一图像)，并且第二成像装置112可用于在该第一时间之后的第二时间获得第二图像数据(例如，第二图像)。成像装置112可能够拍摄2D图像或3D图像以产生图像数据。成像装置112可为或包括例如超声扫描仪(其可包括例如物理分开的换能器和接收器，或单个超声收发器)、O形臂、C形臂、G形臂或利用基于X射线的成像的任何其他装置(例如，荧光镜、CT扫描仪或其他X射线机)、磁共振成像(MRI)扫描仪、光学相干断层扫描(OCT)扫描仪、内窥镜、显微镜、光学相机、热成像相机(例如，红外相机)、雷达系统(其可包括例如发送器、接收器、处理器和一个或多个天线)，或任何其他适合于获得患者解剖特征部的图像的成像装置112。成像装置112可完全包含在单个外壳内，或者可包括在单独外壳中或以其他方式物理分离的发送器/发射器和接收器/检测器。

在一些具体实施中，成像装置112可包括多于一个成像装置112。例如，第一成像装置可以提供第一图像数据和/或第一图像，并且第二成像装置可以提供第二图像数据和/或第二图像。在又其他具体实施中，同一成像装置可用于提供第一图像数据和第二图像数据两者和/或本文所述的任何其他图像数据。成像装置112可用于生成图像数据流。例如，成像装置112可被配置为使用打开的快门操作，或者使用在打开与关闭之间连续交替的快门操作，以便捕获连续的图像。出于本公开的目的，除非另有指明，否则如果图像数据表示每秒两个或更多个帧，则可以将图像数据视为连续的并且/或者提供为图像数据流。

机器人114可以是任何外科机器人或外科机器人系统。机器人114可为或包括例如Mazor X^TM隐形版机器人引导系统。机器人114可被配置为将成像装置112定位在一个或多个精确位置和取向，和/或将成像装置112返回到稍后时间点的同一位置和取向。机器人114可另外地或另选地被配置为操纵外科工具(无论是否基于来自导航系统118的引导)以完成或辅助外科任务。在一些具体实施中，机器人114可被配置为在外科规程期间或结合外科规程来保持和/或操纵解剖元件。机器人114可包括一个或多个机器人臂116。在一些具体实施中，机器人臂116可包括第一机器人臂和第二机器人臂，但机器人114可包括多于两个机器人臂。在一些具体实施中，机器人臂116中的一个或多个机器人臂可用于保持并且/或者操控成像装置112。在成像装置112包括两个或更多个物理分开的部件(例如，发送器和接收器)的具体实施中，一个机器人臂116可保持一个此类部件，并且另一机器人臂116可保持另一此类部件。每个机器人臂116可以独立于其他机器人臂定位。可以在单个共享坐标空间中或在单独的坐标空间中控制机器人臂116。

机器人114连同机器人臂116可以具有例如一个、两个、三个、四个、五个、六个、七个或更多个自由度。另外，机器人臂116可以是以任何位姿、平面和/或焦点定位的或可定位的。该位姿包括位置和取向。因此，由机器人114(或更具体地说，由机器人臂116)保持的成像装置112、外科工具或其他对象可能够精确定位在一个或多个所需且特定的位置和取向上。

机器人臂116可包括一个或多个传感器，该一个或多个传感器使得处理器104(或机器人114的处理器)能够确定机器人臂(以及由机器人臂保持或固定到机器人臂的任何对象或元件)在空间中的精确位姿。

在一些具体实施中，参考标记物(即，导航标记物)可放置在机器人114(包括例如在机器人臂116上)、成像装置112或外科空间中的任何其他对象上。参考标记可由导航系统118跟踪，并且跟踪的结果可由机器人114和/或由系统100或其任何部件的操作员使用。在一些具体实施中，导航系统118可用于跟踪系统的其他部件(例如，成像装置112)，并且系统可在不使用机器人114的情况下操作(例如，外科医生例如基于由导航系统118生成的信息和/或指令来手动操控成像装置112和/或一个或多个外科工具)。

在操作期间，导航系统118可为外科医生和/或外科机器人提供导航。导航系统118可以是任何已知的或未来开发的导航系统，包括例如美敦力公司(Medtronic)StealthStation^TM S8外科导航系统或其任何后续产品。导航系统118可包括一个或多个相机或其他传感器，用于跟踪操作室或系统100的部分或全部所在的其他房间内的一个或多个参考标记、导航跟踪器或其他对象。一个或多个相机可以是光学相机、红外相机或其他相机。在一些具体实施中，导航系统118可包括一个或多个电磁传感器。在各种具体实施中，导航系统118可用于跟踪成像装置112、机器人114和/或机器人臂116和/或一个或多个外科工具的位置和取向(例如，位姿)(或更具体地说，用于跟踪直接或间接以固定关系附接到前述中的一者或多者的导航跟踪器的位姿)。导航系统118可包括显示器，该显示器用于显示来自外部源(例如，计算装置102、成像装置112、或其他源)的一个或多个图像或用于显示来自导航系统118的一个或多个相机或其他传感器的图像和/或视频流。在一些具体实施中，系统100可在不使用导航系统118的情况下操作。导航系统118可被配置为向外科医生或系统100或其部件的其他用户、向机器人114、或向系统100的任何其他元件提供关于例如一个或多个解剖元件的位姿、工具是否处于恰当轨迹中、和/或如何根据术前或其他外科计划将工具移动到恰当轨迹中以实行外科任务的引导。

处理器104可利用存储在存储器106中的数据作为神经网络。神经网络可包括机器学习架构。在一些方面，神经网络可以是或包括一个或多个分类器。在一些其他方面，神经网络可以是或包括任何机器学习网络，诸如例如深度学习网络、卷积神经网络、重建神经网络、生成式对抗神经网络、或能够实现本文所述的计算装置102的功能的任何其他神经网络。存储在存储器106中的一些元素可被描述为或被称为指令或指令集，并且计算装置102的一些功能可使用机器学习技术来实现。

例如，处理器104可支持呈重建形式136的机器学习模型，该机器学习模型可基于由计算装置102、成像装置112、机器人114、导航系统118、数据库130和/或云网络134中的任一者提供或访问的训练数据来训练和/或更新。

在一些实施方案中，可以利用训练数据146中包括的一个或多个训练集来训练重建。在一些方面，训练数据146可包括多个训练集。在示例中，训练数据146可以包括第一训练集，该第一训练集包括与本文描述的一个或多个医学状况相关联的深度数据和/或运动数据。在示例中，训练集中包括的深度数据和/或运动数据可以指示呼吸或身体运动的变化，该变化指示一个或多个医学状况。在一些方面，训练集中包括的深度数据和/或运动数据可以与一个或多个医学状况的确认实例(例如，由医疗保健提供者、患者等)相关联。

在其他实施方案中，重建136可以提供一种或多种算法，诸如ART、MLEM、OSEM、滤波反投影(FBP)、它们的组合等，用于重建表示患者的多维图像(例如，表示患者的体积的3D图像)。在此类实施方案中，并且如下文进一步讨论的，算法可利用先验患者体型估计数据(例如，基于从数据库130检索的先前扫描、基于从初步扫描确定的边界、基于网格等)来为重建算法提供标准。在一些实施方案中，标准可以用作约束，该约束用于影响算法对多维图像的优化。例如，基于患者体型估计，算法可以与由算法分类为在患者体内的体素(例如，与患者组织相关联的体素)不同地评估和优化由算法分类为在患者体外的体素(例如，与患者周围的空气相关联的体素)。在一些实施方案中，重建136可接收多个不同的图像数据类型，并且在生成多维图像时使用这些图像类型作为患者体型估计。例如，重建136可以接收LIDAR数据和CT扫描，并且可以将LIDAR图像数据和CT扫描转换为可以由重建136处理的格式(例如，3D坐标、3D网格等)。在一些实施方案中，图像数据类型可以在被传递到重建136之前被转换到公共成像平面中(例如，使用配准128)。

数据库130可以存储将一个坐标系关联到另一坐标系(例如，将一个或多个机器人坐标系关联到患者坐标系和/或导航坐标系)的信息。数据库130可以另外地或另选地存储例如一个或多个外科计划(包括例如关于目标的位姿信息和/或关于外科部位处和/或附近的患者的解剖结构的图像信息，以供机器人114、导航系统118和/或计算装置102或系统100的用户使用)；可以用于结合由系统100的一个或多个其他部件完成的或在该一个或多个其他部件的辅助下完成的外科手术的一个或多个图像；和/或任何其他有用的信息。在一些实施方案中，数据库130可以包括可以用于估计患者体型的患者信息。例如，数据库130可以存储患者数据(例如，患者身高、患者体重等)和/或与患者相关联的成像数据(例如，患者的先前扫描或图像)，该患者数据和/或与患者相关联的成像数据可以用于估计患者的体型。

数据库130可被配置为将任何此类信息提供到计算装置102或系统100的任何其他装置或系统100外部的任何其他装置，无论直接地或经由云网络134。在一些具体实施中，数据库130可以是或包括医院图像存储系统的一部分，诸如图片存档与通信系统(PACS)、健康信息系统(HIS)和/或用于收集、存储、管理和/或传输包括图像数据的电子医疗记录的另一系统。

在一些方面，计算装置102可直接地或通过通信网络(例如，云网络134)间接地与服务器和/或数据库(例如，数据库130)通信。通信网络可包括任何类型的已知通信介质或通信介质的集合，并且可使用任何类型的协议来在端点之间传送数据。通信网络可包括有线通信技术、无线通信技术或它们的任何组合。

有线通信技术可包括例如使用物理传输介质(例如，同轴电缆、铜电缆/电线、光纤电缆等)的基于以太网的有线局域网(LAN)连接。无线通信技术可包括例如蜂窝或蜂窝数据连接和协议(例如，数字蜂窝、个人通信服务(PCS)、蜂窝数字分组数据(CDPD)、通用分组无线电服务(GPRS)、增强型数据速率全球移动通信系统(GSM)演进(EDGE)、码分多址(CDMA)、单载波无线电传输技术(1×RTT)、演进数据优化(EVDO)、高速分组接入(HSPA)、通用移动电信服务(UMTS)、3G、长期演进(LTE)、4G和/或5G等)、低功耗、Wi-Fi、无线电、卫星、红外线连接和/或通信协议。

互联网是构成互联网协议(IP)网络的通信网络的示例，该互联网协议网络由位于多个位置的多个计算机、计算网络和其他通信装置组成，并且通信网络中的部件(例如，计算机、计算网络、通信装置)可通过一个或多个电话系统和其他手段连接。通信网络的其他示例可包括但不限于标准普通老式电话系统(POTS)、综合业务数字网络(ISDN)、公共交换电话网络(PSTN)、局域网(LAN)、广域网(WAN)、无线LAN(WLAN)、会话发起协议(SIP)网络、互联网协议语音(VoIP)网络、蜂窝网络以及本领域已知的任何其他类型的分组交换或电路交换网络。在一些情况下，通信网络可包括网络或网络类型的任何组合。在一些方面，通信网络可包括通信介质的任何组合，诸如同轴电缆、铜缆/电线、光纤电缆或用于传达数据(例如，发送/接收数据)的天线。

计算装置102可经由通信接口108使用有线连接、无线连接或两者连接到云网络134。在一些具体实施中，计算装置102可经由云网络134与数据库130和/或外部装置(例如，计算装置)通信。

系统100或类似系统可例如用于执行本文所描述的方法400和500中的任一种的一个或多个方面。系统100或类似系统还可用于其他目的。

在一些实施方案中，系统100可以用于生成患者体型估计，以提高患者的重建体积模型的质量。重建体积模型(在本文中也被称为重建图像、重建多维图像或重建体积)可以是至少部分地基于捕获的图像(例如，由成像装置112生成的图像)的2D或3D模型，并且可以提供与患者占据的体积、患者的位姿(例如，位置和/或取向)、它们的组合等相关联的信息。重建体积模型可以由计算装置102使用捕获的图像来生成。重建体积模型可以对患者的整体进行建模，或者在一些情况下，对患者的一部分(例如，患者的一个或多个椎骨、患者的其他解剖元素或组织等)进行建模。在一些实施方案中，重建体积模型可以是2D模型(例如，区域)和/或可以描绘总体重建体积模型的2D切片。计算装置102可以在基于与患者的捕获图像相关联的信息重建多维图像时从存储器106访问一个或多个算法或数据模型(例如，ART、FBP、经训练的数据模型等)。

在一些具体实施中，与患者的体型、形状、体积和/或与患者相关联的边界的估计相关的先验数据可以被传递到算法或数据模型中，以提供重建必须满足的一个或多个标准(例如，约束)。例如，与患者的身体相关联的边界可以被传递到算法或数据模型中，并且用于重建的标准可以是位于患者的边界外部的体素无法增加其衰减值。作为另一示例，位于边界外部的体素无法具有高于阈值的衰减值。患者体型估计可基于患者的先前图像(例如，先前捕获的CT扫描、MRI扫描等)、基于患者解剖结构的网格和/或基于在术前扫描规程期间捕获的图像来生成，如参考图2A至图2E进一步讨论的。

首先转向图2A至图2B，示出了根据本公开的至少一个实施方案的第一成像技术的各方面。图2A例示了一个或多个成像装置112，该一个或多个成像装置被设置为接近患者208(例如，在其任一侧、紧挨着等)，并且该一个或多个成像装置各自被配置为发射可以由检测器204收集的能量(例如，X射线、非电离辐射等)。虽然例示了三个成像装置112和三个检测器204，但是可以使用附加或另选数量的成像装置112和/或检测器204。另外，患者208可以以各种不同的取向定位，并且患者不需要处于如图2A所示的仰卧位置。例如，患者208可以处于腹卧位置，其中成像装置112在患者的第一侧上，并且检测器204在患者的与第一侧相对的第二侧上。作为另一示例，患者可以是站立的，其中成像装置112在患者的第一侧上，并且检测器204在患者的与第一侧相对的第二侧上。由检测器204测量的能量可以由处理器104使用(例如，使用图像处理120)以生成患者208的图像212，如图2B所例示。图像212可以描绘患者208的一个或多个解剖元素(例如，椎骨)。基于在捕获图像212时使用的成像装置的类型，图像212可以是或包括各种类型的图像。图像212可以是或包括例如CT图像(例如，当成像装置112包括X射线发射器时)、光学图像(例如，当成像装置112发射非电离辐射时)、深度图像(例如，当成像装置112包括LIDAR相机时)和/或MRI图像(例如，当成像装置112生成磁场时)。

处理器104可使用一个或多个算法或数据模型(例如，图像处理120、分割122)来识别患者(或其部分，诸如患者解剖结构)与如图像212中所描绘的患者周围的环境之间的边界216A、216B。例如，分割122可以是或包括边缘检测算法，该边缘检测算法识别高于阈值的像素值的变化，以识别患者解剖结构与患者解剖结构周围的环境之间的边界。如图2B所例示，边界216A和216B可以是由边缘检测算法识别的边界。在其他实施方案中，分割122可以是或包括神经网络或其他数据模型，该神经网络或其他数据模型在与图像212类似的图像上训练并且被配置为接收图像212并且识别患者与患者环境(例如，患者周围的空气)之间的边界216A和216B。

处理器104还可以基于边界216A、216B之间的距离来计算患者208的厚度220。虽然本文使用了术语“厚度”，但是应当理解，厚度是患者的一侧与患者的另一侧之间在任何空间方向上的一般距离，并且可以另选地被描述为高度、宽度、深度等。在一些实施方案中，处理器104可以使用变换124来将与边界216A、216B相关联的图像数据(例如，像素值)之间的相对距离映射到患者208的相对厚度220。换句话说，变换124可以将图像212中的像素值之间的距离转换为与厚度220相对应的真实世界距离测量值。当计算装置102生成患者的重建体积模型时，所确定的厚度220可以用于一个或多个标准中。

图2C至图2D例示了根据本公开的至少一个实施方案的第二成像技术的各个方面。第二成像技术可包括放置成像装置112，使得从成像装置112发射的能量(例如，X射线、非电离辐射等)沿着患者208的长度发射并且由检测器(未示出)捕获。在一些实施方案中，当成像装置以不同位姿定位时，可以捕获患者的多个图像。由检测器测量的能量可以由处理器104使用(例如，使用图像处理120)以生成患者208的图像224，如图2D所描绘。图像224可以描绘患者208的一个或多个解剖元素(例如，椎骨)。在一些实施方案中，图像224可以类似于图像212，但是可以从与图像212不同的角度或方向描绘患者208的解剖元素。在一些实施方案中，成像装置112可以垂直于定位在图2A中的成像装置112对准，使得图像212沿着或相对于第一方向描绘患者，而图像224沿着垂直于第一方向的第二方向描绘患者。图像224可以是或包括CT图像(例如，当成像装置112包括X射线发射器时)、光学图像(例如，当成像装置112发射非电离辐射时)、深度图像(例如，当成像装置112包括LIDAR相机时)和/或MRI图像(例如，当成像装置112生成磁场时)。

处理器104可使用一个或多个算法或数据模型(例如，图像处理120、分割122)来识别患者(或其部分，诸如患者解剖结构)与图像224中描绘的患者周围的环境之间的边界228A、228B。例如，分割122可以是或包括边缘检测算法，该边缘检测算法识别高于阈值的像素值的变化，以识别患者解剖结构与患者解剖结构周围的环境之间的边界。如图2D所示，边界228A和228B可以是由边缘检测算法识别的边界。在其他实施方案中，分割122可以是或包括神经网络或其他数据模型，该神经网络或其他数据模型在与图像224类似的图像上训练并且被配置为接收图像224并且识别患者与患者环境(例如，患者周围的空气)之间的边界228A和228B。

处理器104还可以基于边界228A、228B之间的距离来计算患者208的宽度232。虽然本文使用了术语“宽度”，但是应当理解，术语“宽度”用于指代患者的一侧与患者的另一侧之间在任何空间方向上的物理距离或尺寸，并且可以另选地被描述为高度、厚度、深度等。在一些实施方案中，处理器104可以使用变换124来将与边界228A、228B相关联的图像数据之间的相对距离(例如，像素值之间的距离)映射到患者208的相对宽度232。换句话说，变换124可以将图像224中的像素值之间的距离转换为与宽度232相对应的真实世界距离测量值。在患者以多个不同位姿成像的实施方案中(或者，类似地，当患者保持固定但成像装置112在相对于患者处于不同位姿时捕获图像数据时)，处理器104可以在确定宽度232之前使用配准128将来自不同位姿的图像数据映射到公共坐标系中。配准128可以是或包括算法，该算法接收与成像装置相关的针对图像224中的每个描绘角度的位姿信息，并且使用位姿信息将像素值映射到公共坐标系，使得边界228A、228B两者均反映公共坐标系中的像素值。当计算装置102生成患者的重建体积模型时，所确定的宽度232可以用于一个或多个标准中。

在一些实施方案中，厚度220和宽度232两者均可以用于确定重建体积中的患者的边界条件。例如，厚度220可以提供患者相对于平面的第一尺寸，并且宽度232可以提供患者相对于平面的第二正交(例如，垂直)尺寸，从而创建可以用于表示患者所占据的空间的估计的形状(例如，矩形、正方形、立方体、长方体等)。另外地或另选地，厚度220和/或宽度232可各自分别包括多个单独的厚度和/或宽度测量值，使得基于厚度220和宽度232创建的形状形成表示患者208的外边界的壳体。形成形状的边界可以用作患者的重建体积模型的一个或多个标准，如下面进一步详细讨论的。

图2E至图2F例示了根据本公开的至少一个实施方案的用于生成患者解剖结构的网格236的技术的各个方面。网格236可以描绘患者208的总体形状和/或外边界。如图2E所示，成像装置112可以相对于患者208移动，以捕获患者在不同角度或位姿下的图像数据。成像装置112可以围绕患者208平移和/或环绕，并且可以基于捕获的图像数据生成患者208的全景图像、全景矢状图像等。在一个实施方案中，成像装置112可以使用LIDAR扫描，其中成像装置112充当发射器和检测器两者，以捕获与患者相关联的一组点。处理器104可以使用捕获的数据以及一个或多个算法或数据模型(例如，图像处理120)来生成网格236。例如，成像处理120可以是基于数据(例如，基于所捕获的一组点)计算在所捕获的一组点的每个点处患者与成像装置112之间的相对距离以构建网格236的算法。在另一示例中，处理器104可以使用在类似图像数据上训练的神经网络或其他数据模型来生成网格236。

当重建患者的多维体积时，网格236可以用作患者体型估计。在一些实施方案中，与网格相关联的数据(例如，与网格的边界相关联的数据)可以与用于执行多维图像的重建的外科扫描数据覆盖或以其他方式组合，其中网格数据用作重建的一个或多个标准。例如，由网格236形成的外边界可用于确定应对体积重建的体素施加何种约束(如果有的话)。

图3A至图3B例示了根据本公开的至少一个实施方案的重建图像300的各个方面。重建图像300可以是患者、患者解剖结构等的多维图像(例如，2D图像、3D图像等)的重建。在一些实施方案中，重建图像300可以基于患者208的术前和/或术中扫描或图像。例如，患者208可以经历外科手术或外科规程，其中捕获患者的术前图像并且创建患者208的体积重建。在一些实施方案中，患者的图像可以由机器人臂116动态地捕获，其中一个机器人臂保持成像装置112的发射器，而另一个机器人臂保持成像装置112的检测器。体积重建可以基于患者的图像，并且可以用于外科导航的目的(例如，利用导航系统118导航机器人114)，以帮助外科医生计划和/或执行外科手术，或用于任何其他原因。在一些实施方案中，重建图像300可以由处理器104使用一个或多个算法或数据模型(例如，重建136)来发起。重建136可使用ART、FBP、它们的组合等来生成重建图像300。在一些实施方案中，重建136可以根据一个或多个标准迭代地改变(例如，增加或减少)形成多维图像的一个或多个体素的值(例如，3D空间中的值)。图3A描绘了在重建136的第一次迭代之后(例如，在对体素的任何迭代改变之前)的重建图像300，而图3B示出了在重建136已经迭代地改变一个或多个体素的值之后(例如，在一次迭代之后、在两次迭代之后、在三次迭代之后等)的重建图像300。

重建图像300包括多个体素308A至308J，包括设置在边界304(本文也被称为边界区)内部的多个内部体素308A至308E和设置在边界304外部的多个外部体素308A至308E。应当理解，虽然重建图像300在图中被描绘为2D，但是在多维图像是三维的实施方案中，重建图像300提供了总体体积重建的2D切片的视图。

边界304可表示如基于例如厚度220、宽度232和/或网格236确定的估计的患者体型。在一些实施方案中，边界304的尺寸可以对应于患者208的估计体型。例如，图3A中的边界304的高度可以具有与厚度220相同的值，并且图3A中的边界304的长度可以具有与宽度232相同的值。作为另一示例，边界304的尺寸可以对应于网格236的尺寸。换句话说，图3A描绘了覆盖有多个体素308A至308J的估计的患者体型，这些体素的值可以在重建多维图像的过程中改变。虽然边界304在图3A至图3B中被描绘为四边形，但是应当理解，用于估计患者体型的形状决不是限制性的，并且基于估计的患者体型的边界304可以采用任何尺寸、形状或形式。在一些实施方案中，估计的患者体型可基于其他患者记录(例如，先前记录的患者测量值、患者208的先前图像和/或扫描、它们的组合等)，其中与患者记录相关联的数据被输入到重建136中。

体素中的每一者可包括衰减值。衰减值可以反映由体素表示的区域(或体积)被能量(例如，来自X射线的辐射)穿透的倾向。在一些实施方案中，衰减值可以基于亨氏菲尔德单位(HU)。亨斯菲尔德单位是在CT扫描中普遍用于以标准化和方便的形式表达CT数的无量纲单位。亨斯菲尔德单位是通过所测量的衰减系数的线性变换获得的。该变换基于空气和纯水的任意指定的密度。例如，在零摄氏度的标准温度和105帕斯卡的压力(STP)下蒸馏水的辐射密度是0HU；在STP下空气的辐射密度为-1000HU。虽然本文中定性地(例如，低衰减、中等衰减、高衰减等)和/或定量地(例如，基于HU中的值)讨论了体素的衰减值，但是应当理解，本文中讨论的体素的值决不是限制性的。

在图3A至图3B中，体素的暗度增加指示衰减较小(这也可以指示能量穿透的倾向较大)；换句话说，白色体素可具有高衰减值(例如，HU大于700的衰减值)，灰色体素可具有中等衰减值(例如，HU在100与700之间的衰减值)，并且黑色体素可具有低衰减值(例如，HU低于0HU的衰减值)。

第一体素308A、第二体素308B、第三体素308C、第四体素308D和第五体素308E可以位于边界304内；而第六体素308F、第七体素308G、第八体素308H、第九体素308I和第十体素308J可以位于边界304外部。虽然体素308A至308J被例示为不接触边界304，但是在一些情况下，体素的一个或多个边缘可以邻接边界304。在一些实施方案中，重建136可以能够识别哪些体素位于边界304内以及哪些体素位于边界304外部，并且可以相应地标记体素。在此类实施方案中，重建136可以在生成重建图像300的第一次迭代之前对动态捕获的图像数据中的体素进行此类识别。

第二体素308B、第五体素308E、第七体素308G和第八体素308H可各自具有高衰减值；第一体素308A、第三体素308C、第四体素308D和第十体素308J可以各自具有中等衰减值；并且第六体素308F和第九体素308I可各自具有低衰减值。

如图3B所示，可以在重建136的一次或多次迭代期间根据一个或多个标准来调整体素308A至308J中的一者或多者的衰减值。例如，重建136可以将第二体素308B的衰减值从高衰减减小到中等衰减，并且还可以将第一体素308A的衰减值从中等衰减增加到高衰减。在一些实施方案中，重建136可以在减小或增加体素的衰减值的同时保持所有衰减值的总和相同(例如，固定)。

在一些实施方案中，一个或多个体素可以位于边界304上(例如，体素位于边界304的内部和外部)，诸如第十一体素308K。在此类实施方案中，算法可以根据与算法相关联的一个或多个参数或其他设置将第十一体素308K分类为在边界304内部或分类为在边界304外部。例如，算法可以被配置为使得边界304上的所有体素被分类为被包括在边界304内。在其他情况下，算法可以将边界上的所有体素分类为在边界304外部。在一些实施方案中，可以执行亚体素(或当正在重建的多维图像是2D时的子像素)分辨率插值以估计体素(或像素)的多少百分比位于边界304内。当超过一半的体素在边界304内(例如，百分比高于50％)时，算法可以将体素分类为在边界304内，并且当超过一半的体素在边界304外部时，算法可以将体素分类为在边界304外部。

一个或多个标准可以基于患者体型估计、一个或多个体素的衰减值、它们的组合等。在一个实施方案中，一个或多个标准可以基于边界304。例如，一个标准可以包括位于边界304外部的体素无法具有增加超过阈值(例如，与皮肤的衰减值相关联的阈值)的衰减值。作为另一示例，一个标准可以包括边界304外部的体素的衰减值与边界304内部的体素的衰减值之间的差必须高于阈值。作为又一示例，一个标准可以包括必须朝向边界304外部的体素的衰减相对于边界304内部的体素的衰减的目标比率来调整边界304外部的体素(反之亦然)。

在一些实施方案中，重建136可能无法满足一个或多个标准，或者可能无法生成重建图像300。例如，标准可以对边界304外部的体素施加约束，这导致没有可能的解决方案来调整体素的衰减值，同时还保持衰减值的总和恒定。在另一示例中，由重建136使用的图像数据可能包含不足以供重建136生成重建图像300的图像数据(例如，由于损坏的图像数据)。作为又一示例，边界304(基于患者体型估计)可能不准确(例如，边界太大、边界太小等)，从而导致边界304外部或内部的体素太少。在此类情况下，重建136可以返回错误消息或无法满足一个或多个标准的其他指示符。因此，可拍摄患者的附加图像和/或可检索与患者相关联的附加信息(例如，从数据库130检索)并且用于创建新患者体型估计。在其他实施方案中，可重复使用用于生成初始患者体型估计的原始图像数据，但是可改变、调整或以其他方式调谐用于生成体型估计的算法和/或数据模型(例如，网格生成算法/数据模型、边缘检测算法/数据模型等)的参数以产生新患者体型估计。然后可以在重建136中使用新患者体型估计(例如，以新边界304的形式)来创建多维图像。

如图3B所例示，一个或多个标准可以导致边界304外部的体素的衰减值减小。换句话说，重建136可以将边界304外部的体素视为与患者208不相关联，或者换句话说，与患者208周围的环境相关联。环境(例如，空气)具有与患者解剖结构不同的衰减值。通过引入边界304(该边界与估计的患者体型相对应)，重建136可以更有效和准确地重建患者体积。换句话说，通过将一个或多个标准应用于边界304外部的体素(和/或在一些实施方案中，应用于边界304内部的体素)，与患者解剖结构不相关联的体素的衰减值被减小或以其他方式与患者解剖结构区分开。这允许重建136，并且当重建图像300被渲染到显示器时，外科医生更容易区分患者解剖结构和非患者解剖结构。类似地，与重建图像300是在没有边界304(并且通过扩展与患者体型相关的先验数据)的情况下重建的情况相比，重建图像300可以提供由患者208占据的空间的更准确的表示，从而实现机器人114和/或机器人臂116相对于患者208的改善的导航。

图4描绘了方法400，该方法可以用于例如重建包含先验患者体型估计的图像体积。

方法400(和/或其一个或多个步骤)可例如由至少一个处理器实行或者以其他方式执行。至少一个处理器可与上文所述的计算装置102的处理器104相同或相似。该至少一个处理器可以是机器人(诸如机器人114)的一部分或导航系统(诸如导航系统118)的一部分。也可以使用除了本文所述的任何处理器之外的处理器来执行方法400。该至少一个处理器可以通过执行存储在存储器(诸如存储器106)中的元素来执行方法400。存储在存储器中并且由处理器执行的元素可使该处理器执行如方法400中所示的功能的一个或多个步骤。方法400的一个或多个部分可由执行存储器的内容中的任一内容(诸如图像处理120、分割122、变换124、配准128和/或重建136)的处理器来执行。

方法400包括基于与对象相关联的第一成像数据来识别与对象的形状相对应的边界区(步骤404)。第一成像数据可以从使用一个或多个成像装置(例如，成像装置112)捕获的一个或多个图像获得。在一个实施方案中，可以从一个或多个CT扫描、MRI扫描、荧光透视扫描、LIDAR扫描、它们的组合等中识别成像数据。对象可以是或包括患者或患者的一个或多个部分(例如，解剖元素)。可以基于例如基于成像数据生成的网格、患者的估计厚度和宽度(其可以基于如一个或多个图像中描绘的患者的宽度和厚度)、它们的组合等来确定边界区。在一些实施方案中，可以基于使用例如边缘检测来识别第一成像数据中的边界区的一个或多个算法和/或数据模型来确定边界区。边缘检测可以识别第一成像数据的不同部分(例如，上部和下部)，并且可以确定空气边缘(例如，图像从描绘患者解剖结构改变为描绘患者周围的空气或其他环境的边缘)。在一些实施方案中，空气边缘可用于限定患者的边界。

方法400还包括识别与对象相关联的第二成像数据中包括的至少一个体素，其中至少一个体素位于边界区外部(步骤408)。第二成像数据可以与在外科手术或外科规程的过程期间由一个或多个成像装置生成的扫描或其他图像相关联。第二成像数据可以基于例如由附连到在患者周围动态导航的机器人臂的发射器和检测器生成的数据。第二成像数据可以在迭代算法或数据模型中使用(例如，作为基础或初始猜测)以生成表示由患者占据的体积的体积重建。第二成像数据可以包括多个体素，该多个体素包括衰减值(例如，HU值)，并且边界区可以与第二成像数据组合(例如，边界可以覆盖在第二成像数据上)，使得体素被分成两组体素：位于边界区内的体素和位于边界区外部的体素。步骤408可以识别多个体素中的每个体素，该多个体素包括边界区内部的体素和边界区外部的体素。在一些实施方案中，组合成像数据(例如，第二成像数据和覆盖的边界区)以及所识别的体素可以被渲染到显示器。

方法400还包括使用第二成像数据生成与对象相对应的多维图像体积，其中相对于与位于边界区外部的体素相关联的一个或多个标准生成多维图像体积(步骤412)。在一些实施方案中，多维图像体积可与重建图像300类似或相同。多维图像体积可以描绘由对象(例如，患者)占据的体积的3D模型。步骤412可以使用例如一个或多个迭代算法和/或数据模型(例如，ART、MLEM、OSEM、FBP、它们的组合等)基于一个或多个标准来生成多维图像体积。

在一些实施方案中，一个或多个标准可以包括与位于边界区外部的一个或多个体素相关联的阈值衰减值。例如，一个或多个标准可以包括将位于边界区外部的所有体素的衰减值的总和限制为阈值。作为另一示例，一个或多个标准可以包括位于边界区外部的体素无法具有增加到超过阈值(例如，与皮肤的衰减值相关联的阈值)的衰减值。

在一些实施方案中，一个或多个标准可以基于边界区外部的体素的衰减值相对于边界区内部的体素的衰减值。例如，一个或多个标准可以包括边界区外部的体素的衰减值与边界区内部的体素的衰减值之间的差必须高于阈值。作为另一示例，一个或多个标准可以包括必须朝向边界区外部的体素的衰减相对于边界区内部的体素的衰减的目标比率来调整边界区外部的体素(反之亦然)。换句话说，当对边界区外部的体素的衰减值求和并且除以边界区内部的体素的衰减值的总和(或者另选地，这样的值的倒数)时，边界区外部的体素的衰减值必须低于(或者另选地高于)阈值。

在一些实施方案中，方法400可以不包括步骤504。在一些实施方案中，方法400可以不包括步骤412。

本公开涵盖方法400的实施方案，该实施方案包括比上文描述的那些步骤多或少的步骤和/或与上文描述的步骤不同的一个或多个步骤。

图5描绘了可以用于例如在生成多维图像体积时调整边界区的方法500。

方法500(和/或其一个或多个步骤)可例如由至少一个处理器实行或者以其他方式执行。至少一个处理器可与上文所述的计算装置102的处理器104相同或相似。该至少一个处理器可以是机器人(诸如机器人114)的一部分或导航系统(诸如导航系统118)的一部分。也可以使用除了本文所述的任何处理器之外的处理器来执行方法500。该至少一个处理器可以通过执行存储在存储器(诸如存储器106)中的元素来执行方法500。存储在存储器中并且由处理器执行的元素可使该处理器执行如方法500中所示的功能的一个或多个步骤。方法500的一个或多个部分可由执行存储器的内容中的任一内容(诸如图像处理120、分割122、变换124、配准128和/或重建136)的处理器来执行。

方法500包括基于未能满足一个或多个标准来重新生成与对象相关联的第一图像数据(步骤504)。步骤504可以从步骤412开始，其中确定对象的边界区，并且基于一个或多个标准生成多维图像体积。

在步骤504中，当生成多维图像体积时，可能不满足一个或多个标准。例如，标准可以对边界区外部的体素施加约束，这导致没有可能的解决方案来调整体素的衰减值，同时还保持衰减值的总和恒定。在另一示例中，图像数据可能包含不足以准确地生成多维图像体积的图像数据(例如，由于损坏的图像数据)。作为又一示例，边界区(基于患者体型估计)可能不准确(例如，边界区太大、边界区太小等)，导致边界区外部或内部的体素太少。

步骤504可以通过使得患者的附加图像被拍摄和/或与患者相关联的附加信息被检索(例如，从数据库130检索)并且用于创建新的患者体型估计来重新生成第一成像数据。在其他实施方案中，可重复使用用于生成初始患者体型估计的原始图像数据，但是可改变、调整或以其他方式调谐用于生成体型估计的算法和/或数据模型(例如，网格生成算法/数据模型、边缘检测算法/数据模型等)的参数以产生新患者体型估计。然后，可以将新的患者体型估计用作第二边界区以创建多维图像。

方法500还包括基于与对象相关联的经重新生成的第一成像数据来识别与对象的形状相对应的第二边界区(步骤508)。在一些实施方案中，步骤508可与步骤404类似或相同。步骤508可以使用一个或多个算法和/或数据模型(例如，重建136)来识别经重新生成的第一成像数据中的第二边界区。

方法500还包括识别包括在第三成像数据中的至少一个第二体素，其中至少一个第二体素位于第二边界区外部(步骤512)。在一些实施方案中，步骤512可与步骤408类似。当第二边界区与第三成像数据组合时，步骤512可以使用一个或多个算法和/或数据模型(例如，重建136)来识别第二边界区内部和外部的体素。在一些实施方案中，第三成像数据可以是或包括第一成像数据，而在其他实施方案中，第三成像数据可以基于术前和/或术中拍摄的患者的动态捕获的图像和/或扫描。

方法500还包括使用第三成像数据生成与对象相对应的第二多维图像体积，其中生成第二多维图像体积包括满足与位于第二边界区外部的体素相关联的一个或多个标准(步骤516)。在一些实施方案中，步骤516可与步骤412类似或相同。步骤516可以使用一个或多个算法和/或数据模型(例如，重建136)来生成第二多维图像体积。在一些实施方案中，第二边界区可以不同于初始边界区，从而使得重建136能够在生成第二多维图像体积时满足一个或多个标准。

本公开涵盖方法500的实施方案，该实施方案包括比上文描述的那些步骤多或少的步骤和/或与上文描述的步骤不同的一个或多个步骤。

如上所述，本公开涵盖具有比图4和图5(以及方法400和500的对应描述)中标识的所有步骤更少的步骤的方法，以及包括超出图4和图5(以及方法400和500的对应描述)中标识的步骤的附加步骤的方法。本公开还涵盖包括来自本文所述的一种方法的一个或多个步骤和来自本文所述的另一种方法的一个或多个步骤的方法。本文所述的任何相关性可以是或包括配准或任何其他相关性。

前述内容并不意图将本公开限于本文所公开的一种或多种形式。在前述的具体实施方式中，例如，出于简化本公开的目的，将本公开的各种特征一起分组在一个或多个方面、具体实施和/或配置中。本公开的方面、具体实施和/或配置的特征可以组合在除了上文所论述的那些之外的另选方面、具体实施和/或配置中。本公开的方法不应被解释为反映以下意图：权利要求需要比每项权利要求中明确叙述的特征更多的特征。相反，如以下权利要求书所反映，本发明方面在于少于单个前述公开的方面、具体实施和/或配置的全部特征。因此，以下权利要求特此并入这个具体实施方式中，其中每项权利要求作为本公开的单独的优选具体实施而独立存在。

此外，尽管前述已经包含对一个或多个方面、具体实施和/或配置以及某些变化和修改的描述，但在理解了本公开之后，其他变化、组合和修改在本公开的范围内，例如，可在本领域技术人员的技能和知识范围内。意图在准许的范围内获得包括替代方面、具体实施和/或配置的权利，包括所要求保护的那些的替代、可互换和/或等效的结构、功能、范围或步骤，而不管这些替代、可互换和/或等效的结构、功能、范围或步骤是否在本文中公开，并且不意图公开专用于任何可获专利的主题。

应当理解，本文所述的任何特征可与如本文所述的任何其他特征组合来要求保护，而不管特征是否来自同一描述的具体实施。

短语“至少一个”、“一个或多个”以及“和/或”是在操作中具有连接性和分离性两者的开放式表述。例如，表述“A、B和C中的至少一者”、“A、B或C中的至少一者”、“A、B和C中的一者或多者”、“A、B或C中的一者或多者”、“A、B和/或C”以及“A、B或C”中的每一者意指仅A、仅B、仅C、A和B一起、A和C一起、B和C一起，或A、B和C一起。

术语“一”实体是指一个或多个该实体。因此，术语“一”、“一个或多个”和“至少一个”在本文中可以可互换地使用。还应当注意，术语“包括”、“包含”和“具有”可以可互换地使用。

如本文所用，术语“自动”及其变型是指任何流程或操作，其通常是连续的或半连续的，当执行该流程或操作时无需实质性的人工输入即可完成。然而，即使流程或操作的执行使用实质性或实质性的人工输入，如果在流程或操作的执行之前接收到输入，则流程或操作也可以是自动的。如果人工输入影响流程或操作的执行方式，则该输入被视为实质性输入。同意执行流程或操作的人工输入不被视为“实质性的”。

本公开的各方面可采取完全是硬件的具体实施、完全是软件的具体实施(包括固件、驻留软件、微代码等)、或组合软件和硬件方面的具体实施的形式，这些具体实施在本文中可全部被一般地称为“电路”、“模块”或“系统”。可利用一个或多个计算机可读介质的任何组合。计算机可读介质可以是计算机可读信号介质或计算机可读存储介质。

计算机可读存储介质可以是例如但不限于电子、磁、光、电磁、红外或半导体系统、设备或装置、或者前述的任何合适的组合。计算机可读存储介质的更具体示例(非穷尽列表)将包括以下项：具有一根或多根导线的电连接件、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或闪速存储器)、光纤、便携式压缩盘只读存储器(CD-ROM)、光存储装置、磁存储装置、或者前述的任何合适的组合。在本文档的上下文中，计算机可读存储介质可以是可包含或存储程序以供由指令执行系统、设备或装置使用或结合指令执行系统、设备或装置使用的任何有形介质。

计算机可读信号介质可包括例如在基带中或作为载波的一部分的传播数据信号，该传播数据信号具有体现在其中的计算机可读程序代码。这种传播信号可采用多种形式中的任一种，包括但不限于电磁、光学或其任何合适的组合。计算机可读信号介质可以是任何计算机可读介质，其并非计算机可读存储介质并且可传达、传播或传送程序以供由指令执行系统、设备或装置使用或结合指令执行系统、设备或装置使用。体现在计算机可读介质上的程序代码可使用任何适当的介质来传输，包括但不限于无线、有线、光纤电缆、RF等、或者上述的任何适当组合。

如本文所使用的术语“确定”、“计算”、“估算”及其变型可互换使用并且包括任何类型的方法、过程、数学运算或技术。

Claims (20)

1.一种系统，所述系统包括：

处理器；和

存储器，所述存储器上存储有指令，所述指令在由所述处理器执行时使所述处理器：

基于与对象相关联的第一成像数据，识别对应于所述对象的形状的边界区；

识别与所述对象相关联的第二成像数据中包括的至少一个体素，其中所述至少一个体素位于所述边界区外部；以及

使用所述第二成像数据生成对应于所述对象的多维图像体积，其中生成所述多维图像体积是相对于与位于所述边界区外部的体素相关联的一个或多个标准。

2.根据权利要求1所述的系统，其中所述指令能够进一步由所述处理器执行以：

基于未能满足所述一个或多个标准，重新生成与所述对象相关联的所述第一成像数据；

基于与所述对象相关联的经重新生成的第一成像数据，识别与所述对象的所述形状相对应的第二边界区；

识别包括在第三成像数据中的至少一个第二体素，其中所述至少一个第二体素位于所述第二边界区外部；以及

使用所述第三成像数据生成与所述对象相对应的第二多维图像体积，其中生成所述第二多维图像体积包括：满足与位于所述第二边界区外部的体素相关联的一个或多个标准。

3.根据权利要求1所述的系统，其中所述一个或多个标准包括与位于所述边界区外部的体素相关联的阈值衰减值。

4.根据权利要求1所述的系统，其中所述一个或多个标准包括位于所述边界区外部的体素的衰减与位于所述边界区内部的体素的衰减的目标比率。

5.根据权利要求1所述的系统，其中所述指令能够进一步由所述处理器执行以：

基于与所述对象相关联的所述第二成像数据，识别位于所述边界区内部的第二体素，

其中所述一个或多个标准包括满足所述至少一个体素的第一衰减值与所述第二体素的第二衰减值之间的阈值差。

6.根据权利要求1所述的系统，其中所述第一成像数据包括所述对象的一个或多个全景矢状图像。

7.根据权利要求1所述的系统，其中：

所述第一成像数据包括包含所述对象的一个或多个图像；

所述一个或多个图像的上部包括与所述对象的边界相对应的第一空气边缘；并且

所述一个或多个图像的下部包括与所述对象的另一边界相对应的第二空气边缘。

8.根据权利要求1所述的系统，其中所述指令能够进一步由所述处理器执行以：

使用一个或多个基于光的测距操作来捕获与所述对象相关联的一组点；以及

基于所述一组点生成与所述对象相关联的所述第一成像数据。

9.根据权利要求1所述的系统，其中所述第一成像数据包括一个或多个x射线图像、一个或多个光学图像、一个或多个深度图像、一个或多个磁共振成像(MRI)图像、一个或多个计算机断层摄影(CT)图像或它们的组合。

10.根据权利要求1所述的系统，其中所述指令能够进一步由所述处理器执行以捕获与所述对象相关联的所述第一成像数据，

其中捕获所述第一成像数据包括：

捕获所述对象的第一图像，其中捕获所述第一图像与成像装置相对于所述对象的第一位姿信息相关联；以及

捕获所述对象的第二图像，其中捕获所述第二图像与所述成像装置相对于所述对象的第二位姿信息相关联，并且

其中识别与所述对象的形状相对应的所述边界区是基于所述第一图像、所述第一位姿信息、所述第二图像、所述第二位姿信息。

11.根据权利要求1所述的系统，其中所述边界区的尺寸与以下中的至少一者相对应：

所述对象在相对于平面的第一方向上的尺寸；和

所述对象在相对于所述平面的第二方向上的第二尺寸，其中所述第二方向与所述第一方向正交。

12.根据权利要求1所述的系统，其中所述指令能够进一步由所述处理器执行以：

使用一个或多个成像装置动态地捕获所述第二成像数据。

13.一种系统，所述系统包括：

一个或多个成像装置；

处理器；和

存储器，所述存储器上存储有数据，所述数据在由所述处理器处理时使所述处理器：

基于使用所述一个或多个成像装置生成的第一成像数据，识别与对象的形状相对应的边界区；

识别使用所述一个或多个成像装置生成的第二成像数据中包括的至少一个体素，其中所述至少一个体素位于所述边界区外部；以及

使用所述第二成像数据生成对应于所述对象的多维图像体积，其中生成所述多维图像体积是相对于与位于所述边界区外部的体素相关联的一个或多个标准。

14.根据权利要求13所述的系统，其中所述数据能够进一步由所述处理器执行以：

响应于未能满足所述一个或多个标准而重新生成所述第一成像数据；

基于经重新生成的第一成像数据，识别与所述对象的所述形状相对应的第二边界区；

识别包括在第三成像数据中的至少一个第二体素，其中所述至少一个第二体素位于所述第二边界区外部；以及

使用所述第三成像数据生成与所述对象相对应的第二多维图像体积，其中生成所述第二多维图像体积包括：满足与位于所述第二边界区外部的体素相关联的一个或多个标准。

15.根据权利要求13所述的系统，其中所述一个或多个标准包括与位于所述边界区外部的体素相关联的阈值衰减值。

16.根据权利要求13所述的系统，其中所述一个或多个标准包括位于所述边界区外部的体素的衰减与位于所述边界区内部的体素的衰减的目标比率。

17.根据权利要求13所述的系统，其中所述数据能够进一步由所述处理器执行以：

基于与所述对象相关联的所述第二成像数据，识别位于所述边界区内部的第二体素，

其中所述一个或多个标准包括所述至少一个体素的第一衰减值与所述第二体素的第二衰减值之间的阈值差。

18.根据权利要求13所述的系统，其中所述第一成像数据包括所述对象的一个或多个全景矢状图像。

19.根据权利要求13所述的系统，其中：

所述第一成像数据包括包含所述对象的一个或多个图像；

所述一个或多个图像的上部包括与所述对象的边界相对应的第一空气边缘；并且

所述一个或多个图像的下部包括与所述对象的另一边界相对应的第二空气边缘。

20.一种方法，所述方法包括：

基于与对象相关联的第一成像数据，识别与所述对象的形状相对应的边界区；

识别与所述对象相关联的第二成像数据中包括的至少一个体素，其中所述至少一个体素位于所述边界区外部；以及

使用所述第二成像数据生成与所述对象相对应的体积构造，其中生成所述体积构造是相对于满足与位于所述边界区外部的体素相关联的一个或多个标准的。