CN116758127B - 股骨的模型配准方法、装置、存储介质和处理器 - Google Patents

股骨的模型配准方法、装置、存储介质和处理器 Download PDF

Info

Publication number
CN116758127B
CN116758127B CN202311034475.8A CN202311034475A CN116758127B CN 116758127 B CN116758127 B CN 116758127B CN 202311034475 A CN202311034475 A CN 202311034475A CN 116758127 B CN116758127 B CN 116758127B
Authority
CN
China
Prior art keywords
point cloud
cloud data
matrix
point
target
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202311034475.8A
Other languages
English (en)
Other versions
CN116758127A (zh
Inventor
刘兴业
陈亚刚
冯彦彰
顾席铭
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing AK Medical Co Ltd
Original Assignee
Beijing AK Medical Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing AK Medical Co Ltd filed Critical Beijing AK Medical Co Ltd
Priority to CN202311034475.8A priority Critical patent/CN116758127B/zh
Publication of CN116758127A publication Critical patent/CN116758127A/zh
Application granted granted Critical
Publication of CN116758127B publication Critical patent/CN116758127B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Processing Or Creating Images (AREA)

Abstract

本发明公开了一种股骨的模型配准方法。该方法包括：获取股骨的第一点云数据和第二点云数据；对第一点云数据执行状态转移操作，得到第一目标点云数据集合，且对第二点云数据执行状态转移操作，得到第二目标点云数据集合；对第一目标点云数据集合进行池化，得到第一点云数据的全局特征，且对第二目标点云数据集合进行池化，得到第二点云数据的全局特征；对第一点云数据的全局特征执行变形操作，得到第一点云数据的重构点云数据，且对第二点云数据的全局特征执行变形操作，得到第二点云数据的重构点云数据；对第一点云数据的重构点云数据和第二点云数据的重构点云数据进行损失计算，得到股骨的点云配准模型。本发明解决了股骨配准模型的鲁棒性较低的技术问题。

Description

股骨的模型配准方法、装置、存储介质和处理器
技术领域
本发明涉及医疗领域，具体而言，涉及一种股骨的模型配准方法、装置、存储介质和处理器。
背景技术
目前，在当前的膝关节手术导航***中，通常使用采集到的关键点来指导手术导航***中预存的股骨模型进行缩放配准，但是仅通过刚性配准在每个维度上进行缩放和平移，会使得股骨上一些结构复杂且关键的部位无法完整贴合到预存模型上，从而导致股骨配准模型结果贴合度不高且模型的鲁棒性较低的技术问题。
针对上述股骨配准模型结果贴合度不高且模型的鲁棒性较低的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种股骨的模型配准方法、装置、存储介质和处理器，以至少解决股骨配准模型结果贴合度不高且模型的鲁棒性较低的技术问题。
根据本发明实施例的一个方面，提供了一种股骨的模型配准方法。该方法可以包括：获取股骨的第一点云数据和第二点云数据，其中，第一点云数据为股骨的股骨头的点云数据，第二点云数据为股骨的股骨体的点云数据；对第一点云数据执行状态转移操作，得到第一目标点云数据集合，且对第二点云数据执行状态转移操作，得到第二目标点云数据集合；对第一目标点云数据集合执行池化操作，得到第一点云数据的全局特征，且对第二目标点云数据集合执行池化操作，得到第二点云数据的全局特征；对第一点云数据的全局特征执行变形操作，得到第一点云数据的重构点云数据，且对第二点云数据的全局特征执行变形操作，得到第二点云数据的重构点云数据；对第一点云数据的重构点云数据和第二点云数据的重构点云数据进行损失计算，得到股骨的点云配准模型，其中，点云配准模型用于将股骨与股骨假体进行贴合，以使股骨假体与股骨的各部位进行配准。
可选地，对第一点云数据执行状态转移操作，得到第一目标点云数据集合，且对第二点云数据执行状态转移操作，得到第二目标点云数据集合，包括：对第一点云数据执行旋转操作，得到第一点云数据的旋转角度空间，且对第二点云数据执行旋转操作，得到第二点云数据的旋转角度空间；基于第一点云数据的旋转角度空间，确定第一目标点云数据集合，且基于第二点云数据的旋转角度空间，确定第二目标点云数据集合。
可选地，基于第一点云数据的旋转角度空间，确定第一目标点云数据集合，且基于第二点云数据的旋转角度空间，确定第二目标点云数据集合，包括：在第一点云数据的旋转角度空间中，确定第一点云数据的n个旋转矩阵，且在第二点云数据的旋转角度空间中，确定第二点云数据的n个旋转矩阵，其中，n为大于0的自然数；对第一点云数据的n个旋转矩阵进行组合，得到第一点云数据的旋转矩阵集合，且对第二点云数据的n个旋转矩阵进行组合，得到第二点云数据的旋转矩阵集合；将第一点云数据的旋转矩阵集合和第一点云数据的初始矩阵集合确定为第一目标点云数据集合，且将第二点云数据的旋转矩阵集合和第二点云数据的初始矩阵集合确定为第二目标点云数据集合。
可选地，对第一目标点云数据集合执行池化操作，得到第一点云数据的全局特征，且对第二目标点云数据集合执行池化操作，得到第二点云数据的全局特征，包括：对第一目标点云数据集合执行特征提取操作，得到第一点云数据的逐点特征，且对第二目标点云数据集合执行特征提取操作，得到第二点云数据的逐点特征；对第一点云数据的逐点特征执行池化操作，得到第一点云数据的全局特征，且通过对第二点云数据的逐点特征执行池化操作，得到第二点云数据的全局特征。
可选地，对第一点云数据的全局特征执行变形操作，得到第一点云数据的重构点云数据，且对第二点云数据的全局特征执行变形操作，得到第二点云数据的重构点云数据，包括：对第一点云数据的逐点特征和第二点云数据的逐点特征执行相似度计算，得到股骨和股骨模型中任意两点之间的相似度矩阵；对相似度矩阵中的元素执行变换操作，得到股骨和股骨模型中任意两点之间的关系矩阵；基于关系矩阵，确定第一点云数据的重构点云数据和第二点云数据的重构点云数据。
可选地，基于关系矩阵，确定第一点云数据的重构点云数据和第二点云数据的重构点云数据，包括：按照关系矩阵对第一目标点云数据集合进行排列，得到第一目标点云数据集合的中间点云数据，且按照关系矩阵对第二目标点云数据集合进行排列，得到第二目标点云数据集合的中间点云数据；基于第一目标点云数据集合的中间点云数据，确定第一点云数据的重构点云数据，且基于第二目标点云数据集合的中间点云数据，确定第二点云数据的重构点云数据。
可选地，基于第一目标点云数据集合的中间点云数据，确定第一点云数据的重构点云数据，且基于第二目标点云数据集合的中间点云数据，确定第二点云数据的重构点云数据，包括：对第二目标点云数据集合的中间点云数据和第一点云数据的全局特征进行拼接，得到第一拼接矩阵，且对第一目标点云数据集合的中间点云数据和第二点云数据的全局特征进行拼接，得到第二拼接矩阵；对第一复制矩阵和第一拼接矩阵进行拼接，得到第一目标矩阵，且通过对第二复制矩阵和第二拼接矩阵进行拼接，得到第二目标矩阵，其中，第一复制矩阵为通过对第一点云数据的逐点特征执行变形操作而得到的，第二复制矩阵为通过对第二点云数据的逐点特征执行变形操作而得到的；将第一目标矩阵输入至多层感知机中，得到第一点云数据的重构点云数据，且将第二目标矩阵输入至多层感知机中，得到第二点云数据的重构点云数据。
根据本发明实施例的一个方面，提供了一种股骨的模型配准装置，该装置可以包括：获取单元，用于获取股骨的第一点云数据和第二点云数据，其中，第一点云数据为股骨的点云数据，第二点云数据为股骨的另一点云数据；转移单元，用于对第一点云数据执行状态转移操作，得到第一目标点云数据集合，且对第二点云数据执行状态转移操作，得到第二目标点云数据集合；池化单元，用于对第一目标点云数据集合执行池化操作，得到第一点云数据的全局特征，且对第二目标点云数据集合执行池化操作，得到第二点云数据的全局特征；变形单元，用于对第一点云数据的全局特征执行变形操作，得到第一点云数据的重构点云数据，且对第二点云数据的全局特征执行变形操作，得到第二点云数据的重构点云数据；计算单元，用于对第一点云数据的重构点云数据和第二点云数据的重构点云数据进行损失计算，得到股骨的点云配准模型，其中，点云配准模型用于将股骨与股骨假体进行贴合，以使股骨假体与股骨的各部位进行配准。
根据本发明实施例的另一方面，还提供了一种计算机可读存储介质。该计算机可读存储介质包括存储的程序，其中，在程序运行时控制计算机可读存储介质所在设备执行本发明实施例的股骨的模型配准方法。
根据本发明实施例的另一方面，还提供了一种处理器。该处理器用于运行程序，其中，程序被该处理器运行时执行本发明实施例的股骨的模型配准方法。
在本发明实施例中，获取待进行手术的患者的股骨的点云数据，对点云数据中的第一点云数据执行状态转移操作，可以得到第一目标点云数据集合，且对点云数据中的第二点云数据执行状态转移操作，可以得到第二目标点云数据集合，对得到的第一目标点云数据集合执行池化操作，可以得到第一点云数据的全局特征，且对得到的第二目标点云数据集合执行池化操作，可以得到第二点云数据的全局特征，对第一点云数据的全局特征执行变形操作，可以得到第一点云数据的重构点云数据，且对第二点云数据的全局特征执行变形操作，可以得到第二点云数据的重构点云数据，对第一点云数据的重构点云数据和第二点云数据的重构点云数据进行损失计算，可以得到待进行手术的患者的股骨的点云配准模型，从而达到了可以对点云进行形变的目的，进而解决了股骨配准模型结果贴合度不高且模型的鲁棒性较低的技术问题，实现了提高股骨配准模型结果贴合度和股骨配准模型的鲁棒性的技术效果。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的一种股骨的模型配准方法的流程图；
图2是根据本发明实施例的一种点云重构方法的流程图；
图3是根据本发明实施例的一种基于马尔可夫过程构建旋转矩阵处理数据的示意图；
图4是根据本发明实施例的一种点云重构过程的示意图；
图5是根据本发明实施例的一种股骨的模型配准装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明实施例，提供了一种股骨的模型配准方法，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种股骨的模型配准方法的流程图，如图1所示，该方法可以包括如下步骤：
步骤S101，获取股骨的第一点云数据和第二点云数据。
在本发明上述步骤S101提供的技术方案中，上述第一点云数据可以为股骨的点云数据，上述第二点云数据可以为股骨的另一点云数据，上述第一点云数据和上述第二点云数据可以为通过电子设备从不同位置或角度扫描待检测物体而获取到的，其中，电子设备可以为计算机断层扫描（Computed Tomography，简称为CT）设备和核磁共振成像（NuclearMagnetic Resonance Imaging，简称为NMRI）设备等，待检测物体可以为患者的股骨和已有的股骨模型，此处仅作举例说明，不作具体限定。
可选地，通过CT设备对待进行手术的患者的股骨部位进行扫描，可以得到关于股骨部位的医学影像数据，也即，得到股骨的点云数据，通过CT设备对已有的股骨模型进行扫描，可以得到关于股骨模型的医学影像数据，也即，得到股骨的另一点云数据。
步骤S102，对第一点云数据执行状态转移操作，得到第一目标点云数据集合，且对第二点云数据执行状态转移操作，得到第二目标点云数据集合。
在本发明上述步骤S102提供的技术方案中，上述第一目标点云数据集合可以为通过对原始点云数据A进行扩展而得到的，上述第二目标点云数据集合可以为通过对另一原始点云数据B进行扩展而得到的。
可选地，在获取股骨的第一点云数据和第二点云数据之后，基于马尔可夫过程对第一点云数据执行状态转移操作，可以得到第一目标点云数据集合，且基于马尔可夫过程对第二点云数据执行状态转移操作，可以得到第二目标点云数据集合，例如，对原始点云数据A执行状态转移操作，可以得到对应于原始点云数据A的目标点云数据集合，且对另一原始点云数据B执行状态转移操作，可以得到对应于另一原始点云数据B的目标点云数据集合。
步骤S103，对第一目标点云数据集合执行池化操作，得到第一点云数据的全局特征，且对第二目标点云数据集合执行池化操作，得到第二点云数据的全局特征。
在本发明上述步骤S103提供的技术方案中，上述第一点云数据的逐点特征可以为通过对对应于原始点云数据A的目标点云数据集合进行特征提取而得到的，上述第二点云数据的逐点特征可以为通过对对应于另一原始点云数据B的目标点云数据集合进行特征提取而得到的。
可选地，在对第一点云数据执行状态转移操作，得到第一目标点云数据集合，且对第二点云数据执行状态转移操作，得到第二目标点云数据集合之后，对第一目标点云数据集合执行池化操作，可以得到第一点云数据的全局特征，且对第二目标点云数据集合执行池化操作，可以得到第二点云数据的全局特征，例如，对对应于原始点云数据A的逐点特征执行最大平均池化操作，可以得到对应于原始点云数据A的全局特征，且对对应于另一原始点云数据B的逐点特征集合执行最大平均池化操作，可以得到对应于另一原始点云数据B的全局特征。
步骤S104，对第一点云数据的全局特征执行变形操作，得到第一点云数据的重构点云数据，且对第二点云数据的全局特征执行变形操作，得到第二点云数据的重构点云数据。
在本发明上述步骤S104提供的技术方案中，上述第一点云数据的重构点云数据可以为对应于原始点云数据A的重构点云数据，上述第二点云数据的重构点云数据可以为对应于另一原始点云数据B的重构点云数据。
可选地，在对第一目标点云数据集合执行池化操作，得到第一点云数据的全局特征，且对第二目标点云数据集合执行池化操作，得到第二点云数据的全局特征之后，对第一点云数据的全局特征执行变形操作，并将经过变形操作的全局特征输入至多层感知机中，可以得到第一点云数据的重构点云数据，且对第二点云数据的全局特征执行变形操作，并将经过变形操作的全局特征输入至多层感知机中，可以得到第二点云数据的重构点云数据，例如，对对应于原始点云数据A的目标点云数据集合、逐点特征、全局特征和对应于另一原始点云数据B的目标点云数据集合、逐点特征和全局特征执行变形操作，可以得到对应于原始点云数据B的重构点云数据和另一原始点云数据B的重构点云数据。
步骤S105，对第一点云数据的重构点云数据和第二点云数据的重构点云数据进行损失计算，得到股骨的点云配准模型。
在本发明上述步骤S105提供的技术方案中，上述损失计算可以通过对CorrNet 3D网络进行改进而实现，上述点云配准模型可以用于将需要被改变的股骨与目标股骨进行贴合，以使需要被改变的股骨与目标股骨的各部位进行配准。
可选地，在对第一点云数据的全局特征执行变形操作，得到第一点云数据的重构点云数据，且对第二点云数据的全局特征执行变形操作，得到第二点云数据的重构点云数据之后，对第一点云数据和第一点云数据的重构点云数据，以及第二点云数据和第二点云数据的重构点云数据分别进行损失计算，可以得到股骨的点云配准模型，例如，对原始点云数据A的点云数据和重构点云数据，以及对应于另一原始点云数据B的点云数据和重构点云数据进行损失计算，可以得到待进行手术的患者的股骨与股骨模型之间的点云配准模型，从而实现了提高股骨配准模型的鲁棒性的技术效果。
本申请上述步骤S101至步骤S105，获取待进行手术的患者的股骨的点云数据作为第一点云数据，并基于马尔可夫过程执行状态转移操作，可以得到第一目标点云数据集合，且获取股骨模型点云数据作为第二点云数据，并基于马尔可夫过程执行状态转移操作，可以得到第二目标点云数据集合，对得到的第一目标点云数据集合执行特征提取和池化操作，可以得到第一点云数据的逐点特征和全局特征，且对得到的第二目标点云数据集合执行特征提取和池化操作，可以得到第二点云数据的逐点特征和全局特征，对第一目标点云数据集合、第一点云数据的逐点特征和全局特征、第二目标点云数据集合、第二点云数据的逐点特征和全局特征分别执行变形操作和多层感知机处理，可以得到第一点云数据的重构点云数据和第二点云数据的重构点云数据，对第一点云数据、第二点云数据和第一点云数据的重构点云数据、第二点云数据的重构点云数据进行损失计算，可以得到待进行手术的患者的股骨与股骨模型之间的点云配准模型，从而达到了可以对点云进行形变的目的，进而解决了股骨配准模型结果贴合度不高且模型的鲁棒性较低的技术问题，实现了提高股骨配准模型结果贴合度和股骨配准模型的鲁棒性的技术效果。
下面对该实施例的上述方法进行进一步介绍。
作为一种可选的实施例方式，步骤S102，对第一点云数据执行状态转移操作，得到第一目标点云数据集合，且对第二点云数据执行状态转移操作，得到第二目标点云数据集合，包括：对第一点云数据执行旋转操作，得到第一点云数据的旋转角度空间，且对第二点云数据执行旋转操作，得到第二点云数据的旋转角度空间；基于第一点云数据的旋转角度空间，确定第一目标点云数据集合，且基于第二点云数据的旋转角度空间，确定第二目标点云数据集合。
在该实施例中，上述第一点云数据的旋转角度空间可以包括原始点云数据A绕x轴旋转角度的存储空间RX、原始点云数据A绕y轴旋转角度的存储空间RY和原始点云数据A绕z轴旋转角度的存储空间RZ，上述第二点云数据的旋转角度空间可以包括原始点云数据B绕x轴旋转角度的存储空间RX、原始点云数据B绕y轴旋转角度的存储空间RY和原始点云数据B绕z轴旋转角度的存储空间RZ。
可选地，在获取股骨的第一点云数据和第二点云数据之后，基于马尔可夫过程，对第一点云数据执行旋转操作，可以得到第一点云数据的旋转角度空间，且基于马尔可夫过程，对第二点云数据执行旋转操作，可以得到第二点云数据的旋转角度空间，基于第一点云数据的旋转角度空间，可以确定第一目标点云数据集合，且基于第二点云数据的旋转角度空间，可以确定第二目标点云数据集合，例如，基于马尔可夫过程，对原始点云数据A执行旋转操作，可以得到原始点云数据A的旋转角度空间，且基于马尔可夫过程，对另一原始点云数据B执行旋转操作，可以得到另一原始点云数据B的旋转角度空间，根据原始点云数据A的旋转角度空间，可以确定对应于原始点云数据A的目标点云数据集合，且根据另一原始点云数据B的旋转角度空间，可以确定对应于另一原始点云数据B的目标点云数据集合。
可选地，基于马尔可夫过程，对原始点云数据A执行旋转操作，可以得到原始点云数据A的旋转角度空间，且基于马尔可夫过程，对另一原始点云数据B执行旋转操作，可以得到另一原始点云数据B的旋转角度空间可以通过下式来实现：
（1）
（2）
（3）
（4）
（5）
（6）
（7）
（8）
其中，Rx可以用于表示绕x轴旋转角度的集合，Angxi，i∈[1，N]可以用于表示集合Rx中第i个元素旋转的角度，SXTn可以用于表示在Tn时刻绕x轴旋转角度的状态，AngXTn，AngXTn∈Rx可以用于表示***在Tn时刻选择的绕x轴旋转数据，SXTn-1可以用于表示***在Tn-1时刻绕x轴旋转角度的状态，AngXTn-1，AngXTn-1∈Rx可以用于表示***在Tn-1时刻选择的绕x轴旋转数据，P（Angxn-1，Angxn）可以用于表示在Tn-1时刻选取到数据Angxn-1之后，在Tn时刻选取状态数据Angxn的一步转移概率，PX可以用于表示绕x轴旋转角度的集合Rx中各个元素之间的概率转移矩阵，P（Angxi，Angxj）i，j∈[1，N]可以用于表示绕x轴旋转角度的集合Rx中各个元素之间的转移概率，P(N-1) X可以用于表示绕x轴旋转角度的集合Rx中各个元素之间的N-1步转移概率矩阵，P(N-1) （Angxi，Angxj）可以用于表示绕x轴旋转角度的集合Rx中各个元素之间的N-1步转移概率，AngxT，AngxT∈Rx可以用于表示从Rx中随机选取一个数据作为选择的x轴旋转数据，RX可以用于表示绕x轴旋转角度的存储空间，S可以用于表示从Rx中随机选取绕x轴旋转数据的选取次数，AngXTt，t∈[1，S]可以用于表示从Rx中随机选取的绕x轴旋转数据。
可选地，当从Rx中随机选取一个数据作为选择的绕x轴旋转数据时，当前选取的数据不会在后续的选取过程中被重复选择。
可选地，根据选取绕x轴旋转角度的选取过程，同样可以获得绕y轴旋转角度，获得绕y轴旋转角度的过程可以通过下式来实现：
（9）
（10）
（11）
（12）
其中，Ry可以用于表示绕y轴旋转角度的集合，PY可以用于表示绕y轴旋转角度的集合Ry中各个元素之间的概率转移矩阵，P(N-1) Y可以用于表示绕y轴旋转角度的集合Ry中各个元素之间的N-1步转移概率矩阵，RY可以用于表示绕y轴旋转角度的存储空间。
可选地，根据选取绕x轴旋转角度的选取过程，同样可以获得绕z轴旋转角度，获得绕z轴旋转角度的过程可以通过下式来实现：
（13）
（14）
（15）
（16）
其中，Rz可以用于表示绕z轴旋转角度的集合，PZ可以用于表示绕z轴旋转角度的集合Rz中各个元素之间的概率转移矩阵，P(N-1) Z可以用于表示绕z轴旋转角度的集合Rz中各个元素之间的N-1步转移概率矩阵，RZ可以用于表示绕z轴旋转角度的存储空间。
作为一种可选的实施例方式，基于第一点云数据的旋转角度空间，确定第一目标点云数据集合，且基于第二点云数据的旋转角度空间，确定第二目标点云数据集合，包括：在第一点云数据的旋转角度空间中，确定第一点云数据的n个旋转矩阵，且在第二点云数据的旋转角度空间中，确定第二点云数据的n个旋转矩阵；对第一点云数据的n个旋转矩阵进行组合，得到第一点云数据的旋转矩阵集合，且对第二点云数据的n个旋转矩阵进行组合，得到第二点云数据的旋转矩阵集合；将第一点云数据的旋转矩阵集合和第一点云数据的初始矩阵集合确定为第一目标点云数据集合，且将第二点云数据的旋转矩阵集合和第二点云数据的初始矩阵集合确定为第二目标点云数据集合。
在该实施例中，上述第一点云数据的n个旋转矩阵可以为对应于原始点云数据A的n个旋转矩阵，上述第二点云数据的n个旋转矩阵可以为对应于另一原始点云数据B的n个旋转矩阵，上述第一点云数据的旋转矩阵集合可以为由通过从对应于原始点云数据A的RX、RY和RZ中分别多次（例如，S’次）随机选取一个旋转角度所构成的角度组合所构成的旋转矩阵集合，上述第二点云数据的旋转矩阵集合可以为由通过从对应于另一原始点云数据B的RX、RY和RZ中分别多次（例如，S’次）随机选取一个旋转角度所构成的角度组合所构成的旋转矩阵集合，上述第一目标点云数据集合可以为通过对原始点云数据A进行扩展而得到的，上述第二目标点云数据集合可以为通过对另一原始点云数据B进行扩展而得到的，其中，n可以为大于0的自然数。
可选地，在对第一点云数据执行旋转操作，得到第一点云数据的旋转角度空间，且对第二点云数据执行旋转操作，得到第二点云数据的旋转角度空间之后，在对应于原始点云数据A的RX、RY和RZ中，确定对应于原始点云数据A的n个旋转矩阵，且在对应于另一原始点云数据B的RX、RY和RZ中，确定对应于原始点云数据B的n个旋转矩阵；对对应于原始点云数据A的n个旋转矩阵进行组合，得到对应于原始点云数据A的旋转矩阵集合，且对对应于另一原始点云数据B的n个旋转矩阵进行组合，得到对应于另一原始点云数据B的旋转矩阵集合；将对应于原始点云数据A的旋转矩阵集合和对应于原始点云数据A的初始矩阵集合确定为对应于原始点云数据A的目标点云数据集合，将对应于另一原始点云数据B的n个旋转矩阵和对应于另一原始点云数据B的初始矩阵集合确定为对应于另一原始点云数据B的目标点云数据集合。
可选地，在第一点云数据的旋转角度空间中，确定第一点云数据的n个旋转矩阵，且在第二点云数据的旋转角度空间中，确定第二点云数据的n个旋转矩阵可以通过下式来实现：
（17）
（18）
其中，Axyz可以用于表示从RX、RY和RZ中随机选取一个元素所构成的角度组合，Rot可以用于表示通过欧拉角计算得到的Axyz中各个元素构造的旋转矩阵。
可选地，对第一点云数据的n个旋转矩阵进行组合，得到第一点云数据的旋转矩阵集合，且对第二点云数据的n个旋转矩阵进行组合，得到第二点云数据的旋转矩阵集合可以通过下式来实现：
（19）
（20）
其中，Roti，i∈[1，S’]可以用于表示通过欧拉角计算得到的Axyz中各个元素构造的旋转矩阵，Rotset可以用于表示由通过从RX、RY和RZ中分别多次（例如，S’次）随机选取一个元素所构成的角度组合所构成的旋转矩阵集合，D可以用于表示输入的训练数据，Rot<*>可以用于表示对数据*进行旋转处理，D’可以用于表示旋转后的数据。
作为一种可选的实施例方式，步骤S103，对第一目标点云数据集合执行池化操作，得到第一点云数据的全局特征，且对第二目标点云数据集合执行池化操作，得到第二点云数据的全局特征，包括：对第一目标点云数据集合执行特征提取操作，得到第一点云数据的逐点特征，且对第二目标点云数据集合执行特征提取操作，得到第二点云数据的逐点特征；对第一点云数据的逐点特征执行池化操作，得到第一点云数据的全局特征，且通过对第二点云数据的逐点特征执行池化操作，得到第二点云数据的全局特征。
在该实施例中，上述第一点云数据的逐点特征可以为通过将对应于原始点云数据A的目标点云数据集合输入至动态图边卷积神经网络（Dynamic Graph ConvolutionalNeural Network，简称为DGCNN）模型中而得到的，上述第二点云数据的逐点特征可以为通过将对应于另一原始点云数据B的目标点云数据集合输入至DGCNN模型中而得到的，上述第一点云数据的全局特征可以为通过对对应于原始点云数据A的逐点特征执行最大平均池化操作而得到的，上述第二点云数据的全局特征可以为通过对对应于另一原始点云数据B的逐点特征执行最大平均池化操作而得到的。
可选地，在对第一点云数据执行状态转移操作，得到第一目标点云数据集合，且对第二点云数据执行状态转移操作，得到第二目标点云数据集合之后，对对应于原始点云数据A的目标点云数据集合执行特征提取操作，得到对应于原始点云数据A的目标点云数据集合的逐点特征，且对对应于另一原始点云数据B的目标点云数据集合执行特征提取操作，得到对应于另一原始点云数据B的目标点云数据集合的逐点特征；对对应于原始点云数据A的目标点云数据集合的逐点特征执行最大平均池化操作，得到对应于原始点云数据A的目标点云数据集合的全局特征，且对对应于另一原始点云数据B的目标点云数据集合的逐点特征执行最大平均池化操作，得到对应于另一原始点云数据B的目标点云数据集合的全局特征。
可选地，对第一目标点云数据集合执行特征提取操作，得到第一点云数据的逐点特征，且对第二目标点云数据集合执行特征提取操作，得到第二点云数据的逐点特征可以通过下式来实现：
（21）
（22）
其中，Aset可以用于表示点云A的扩展集合，FA可以用于表示扩展后的点云A的逐点特征，Bset可以用于表示点云B的扩展集合，FB可以用于表示扩展后的点云B的逐点特征，DGCNN<*>可以用于表示使用DGCNN来提取扩展后的点云A的逐点特征和扩展后的点云B的逐点特征。
可选地，对第一点云数据的逐点特征执行池化操作，得到第一点云数据的全局特征，且通过对第二点云数据的逐点特征执行池化操作，得到第二点云数据的全局特征可以通过下式来实现：
（23）/>
（24）
其中，FGA可以用于表示扩展后的点云A的全局特征，FGB可以用于表示扩展后的点云B的全局特征，MA<*>可以用于表示使用最大平均池化操作来提取扩展后的点云A的全局特征和扩展后的点云B的全局特征。
作为一种可选的实施例方式，步骤S104，对第一点云数据的全局特征执行变形操作，得到第一点云数据的重构点云数据，且对第二点云数据的全局特征执行变形操作，得到第二点云数据的重构点云数据，包括：对第一点云数据的逐点特征和第二点云数据的逐点特征执行相似度计算，得到股骨和股骨模型中任意两点之间的相似度矩阵；对相似度矩阵中的元素执行变换操作，得到股骨和股骨模型中任意两点之间的关系矩阵；基于关系矩阵，确定第一点云数据的重构点云数据和第二点云数据的重构点云数据。
在该实施例中，上述相似度矩阵可以为通过使用皮尔逊相关系数来计算扩展后的点云A和扩展后的点云B之间的任意两点之间的相似程度而得到的，上述关系矩阵可以为通过对相似度矩阵中的元素以行为单位进行规范化和分类（softmax）处理而得到的，上述第一点云数据的重构点云数据可以为对应于原始点云数据A的重构点云数据，上述第二点云数据的重构点云数据可以为对应于另一原始点云数据B的重构点云数据。
可选地，在对第一目标点云数据集合执行池化操作，得到第一点云数据的全局特征，且对第二目标点云数据集合执行池化操作，得到第二点云数据的全局特征之后，对对应于原始点云数据A的目标点云数据集合的逐点特征和对应于另一原始点云数据B的目标点云数据集合的逐点特征利用皮尔逊相关系数执行相似度计算，可以得到股骨和股骨模型中任意两点之间的相似度矩阵；对相似度矩阵中的元素以行为单位进行规范化和softmax处理，可以得到股骨和股骨模型中任意两点之间的关系矩阵；根据得到的关系矩阵，可以确定对应于原始点云数据A的重构点云数据和对应于另一原始点云数据B的重构点云数据。
可选地，对第一点云数据的逐点特征和第二点云数据的逐点特征执行相似度计算，得到股骨和股骨模型中任意两点之间的相似度矩阵可以通过下式来实现：
（25）
（26）
（27）
（28）
（29）
（30）
（31）/>
（32）
其中，FAi可以用于表示扩展后的点云A中第i个点的所有特征的集合，FAik可以用于表示扩展后的点云A中第i个点的第k个特征值，E（FAi）可以用于表示扩展后的点云A中第i个点的所有特征的均值，FBj可以用于表示扩展后的点云B中第j个点的所有特征的集合，FBjk可以用于表示扩展后的点云B中第j个点的第k个特征值，E（FBj）可以用于表示扩展后的点云B中第j个点的所有特征的均值，Cov（FAi，FBj）可以用于表示扩展后的点云A中第i个点的所有特征的集合与扩展后的点云B中第j个点的所有特征的集合之间的协方差，σFAi可以用于表示扩展后的点云A中第i个点的所有特征的整体标准差，σFBj可以用于表示扩展后的点云B中第j个点的所有特征的整体标准差，prs（FAi，FBj）可以用于表示扩展后的点云A中第i个点与扩展后的点云B中第j个点之间的皮尔逊相关系数，abs（）可以用于表示对参数*求绝对值，PR可以用于表示扩展后的点云A和扩展后的点云B之间的任意两点之间的相似程度矩阵。
可选地，对相似度矩阵中的元素执行变换操作，得到股骨和股骨模型中任意两点之间的关系矩阵可以通过下式来实现：
（33）
（34）
其中，g可以用于表示再缩放参数，b可以用于表示再平移参数，PRrc可以用于表示PR中第r行第c列的值，μr可以用于表示PR中第r行值的均值，σr可以用于表示PR中第r行值的标准差，NPRrc可以用于表示PR中第r行第c列的值的规范化操作结果，softmaxr（*）可以用于表示对参数*以行为单位进行softmax处理，CMrc可以用于表示最终对应矩阵CM中第r行第c列的值。
作为一种可选的实施例方式，基于关系矩阵，确定第一点云数据的重构点云数据和第二点云数据的重构点云数据，包括：按照关系矩阵对第一目标点云数据集合进行排列，得到第一目标点云数据集合的中间点云数据，且按照关系矩阵对第二目标点云数据集合进行排列，得到第二目标点云数据集合的中间点云数据；基于第一目标点云数据集合的中间点云数据，确定第一点云数据的重构点云数据，且基于第二目标点云数据集合的中间点云数据，确定第二点云数据的重构点云数据。
在该实施例中，上述第一目标点云数据集合的中间点云数据可以为通过按照最终对应矩阵CM对扩展后的点云A中的点进行重新排列而得到的，上述第二目标点云数据集合的中间点云数据可以为通过按照最终对应矩阵CM对扩展后的点云B中的点进行重新排列而得到的。
可选地，在对相似度矩阵中的元素执行变换操作，得到股骨和股骨模型中任意两点之间的关系矩阵之后，按照最终对应矩阵CM对对应于原始点云数据A的目标点云数据集合进行排列，得到对应于原始点云数据A的目标点云数据集合的中间点云数据，且按照最终对应矩阵CM对对应于另一原始点云数据B的目标点云数据集合进行排列，得到对应于另一原始点云数据B的目标点云数据集合的中间点云数据；根据对应于原始点云数据A的目标点云数据集合的中间点云数据，确定对应于原始点云数据A的重构点云数据，且根据对应于另一原始点云数据B的目标点云数据集合的中间点云数据，确定对应于另一原始点云数据B的重构点云数据。
可选地，按照关系矩阵对第一目标点云数据集合进行排列，得到第一目标点云数据集合的中间点云数据，且按照关系矩阵对第二目标点云数据集合进行排列，得到第二目标点云数据集合的中间点云数据可以通过下式来实现：
（35）
（36）
其中，A*可以用于表示通过根据对应矩阵对扩展后的点云A进行重新排列而得到的中间点云，B*可以用于表示通过根据对应矩阵对扩展后的点云B进行重新排列而得到的中间点云。
作为一种可选的实施例方式，基于第一目标点云数据集合的中间点云数据，确定第一点云数据的重构点云数据，且基于第二目标点云数据集合的中间点云数据，确定第二点云数据的重构点云数据，包括：对第二目标点云数据集合的中间点云数据和第一点云数据的全局特征进行拼接，得到第一拼接矩阵，且对第一目标点云数据集合的中间点云数据和第二点云数据的全局特征进行拼接，得到第二拼接矩阵；对第一复制矩阵和第一拼接矩阵进行拼接，得到第一目标矩阵，且通过对第二复制矩阵和第二拼接矩阵进行拼接，得到第二目标矩阵；将第一目标矩阵输入至多层感知机中，得到第一点云数据的重构点云数据，且将第二目标矩阵输入至多层感知机中，得到第二点云数据的重构点云数据。
在该实施例中，上述第一拼接矩阵可以为通过对扩展后的点云A的全局特征和中间点云B*进行拼接而得到的，上述第二拼接矩阵可以为通过对扩展后的点云B的全局特征和中间点云A*进行拼接而得到的，上述第一复制矩阵可以为通过第一点云数据的逐点特征对第一点云数据的全局特征执行变形操作而得到的，上述第二复制矩阵可以为通过第二点云数据的逐点特征对第二点云数据的全局特征执行变形操作而得到的，例如，上述第一复制矩阵可以为通过扩展后的点云A的逐点特征对扩展后的点云A的全局特征执行变形操作而得到的，上述第二复制矩阵可以为通过扩展后的点云B的逐点特征对扩展后的点云B的全局特征执行变形操作而得到的，此处仅做举例说明，不做具体限定。
可选地，在按照关系矩阵对第一目标点云数据集合进行排列，得到第一目标点云数据集合的中间点云数据，且按照关系矩阵对第二目标点云数据集合进行排列，得到第二目标点云数据集合的中间点云数据之后，对扩展后的点云B的中间点云数据和扩展后的点云A的全局特征进行拼接，得到扩展后的点云A的拼接矩阵，且对扩展后的点云A的中间点云数据和扩展后的点云B的全局特征进行拼接，得到扩展后的点云B的拼接矩阵；对扩展后的点云A的复制矩阵和扩展后的点云A的拼接矩阵进行拼接，得到扩展后的点云A的目标矩阵，且对扩展后的点云B的复制矩阵和扩展后的点云B的拼接矩阵进行拼接，得到扩展后的点云B的目标矩阵；将扩展后的点云A的目标矩阵输入至多层感知机中，得到扩展后的点云A的重构点云数据，也即，得到对应于原始点云数据A的重构点云数据，且对扩展后的点云B的目标矩阵输入至多层感知机中，得到扩展后的点云B的重构点云数据，也即，得到对应于原始点云数据B的重构点云数据。
可选地，将全局特征FGA∈Rd和全局特征FGB∈Rd分别与中间点云A*∈Rn×3和中间点云B*∈Rn×3进行拼接，也即，将全局特征FGA和全局特征FGB直接复制到n×d后（假设复制后的特征分别为CopFGA∈Rn×d，CopFGB∈Rn×d）分别与中间点云B*和中间点云A*进行拼接，构成n×(3+d)维矩阵（假设拼接后的矩阵分别为ConB*CopFGA∈Rn×(3+d)，ConA*CopFGB∈Rn×(3+d)）
可选地，对通过第一点云数据的逐点特征对第一点云数据的全局特征执行变形操作，得到第一复制矩阵，且对通过第二点云数据的逐点特征对第二点云数据的全局特征执行变形操作，得到第二复制矩阵可以通过下式来实现：
（37）
（38）
（39）
（40）
其中，FArc可以用于表示FA中第r行第c列的值，μFAr可以用于表示FA中第r行值的均值，σFAr可以用于表示FA中第r行值的标准差，NFArc可以用于表示FA中第r行第c列的值的规范化处理结果，FBrc可以用于表示FB中第r行第c列的值，μFBr可以用于表示FB中第r行值的均值，σFBr可以用于表示FB中第r行值的标准差，NFBrc可以用于表示FB中第r行第c列的值的规范化处理结果，CopFGArc可以用于表示CopFGA中第r行第c列的值，CopFGBrc可以用于表示CopFGB中第r行第c列的值，可以用于表示按照元素一一对应相乘，NewCopFGA∈Rn×d可以用于表示对FGA的复制结果，NewCopFGB∈Rn×d可以用于表示对FGB的复制结果，将NewCopFGA和NewCopFGB分别与ConB*CopFGA和ConA*CopFGB进行拼接，构成了n×(3+2d)维矩阵（假设拼接后的矩阵分别为ConConB*CopFGANewCopFGA∈Rn×(3+2d)和ConConA*CopFGBNewCopFGB∈Rn×(3+2d)），将ConConB*CopFGANewCopFGA∈Rn ×(3+2d)和ConConA*CopFGBNewCopFGB∈Rn×(3+2d)输入多层感知机处理，得到点云A的重构点云数据和点云B的重构点云数据。
可选地，可以通过下式所示的损失函数来实现CorrNet 3D网络的改进，从而得到本申请所提出的非刚体配准模型：
（41）
（42）
（43）
其中，I可以用于表示n×n的单位矩阵，CMr可以用于表示CM的第r行，CMk可以用于表示CM的第k行，Ωα可以用于表示在DGCNN网络提取点云中的逐点特征时点ar的k最近邻点的索引集合，Ωb可以用于表示在DGCNN网络提取点云中的逐点特征时点br的k最近邻点的索引集合，ak可以用于表示点ar的一个近邻点，bk可以用于表示点br的一个近邻点。
在本发明实施例中，获取待进行手术的患者的股骨的点云数据作为第一点云数据，并基于马尔可夫过程执行状态转移操作，可以得到第一目标点云数据集合，且获取股骨模型点云数据作为第二点云数据，并基于马尔可夫过程执行状态转移操作，可以得到第二目标点云数据集合，对得到的第一目标点云数据集合执行特征提取和池化操作，可以得到第一点云数据的逐点特征和全局特征，且对得到的第二目标点云数据集合执行特征提取和池化操作，可以得到第二点云数据的逐点特征和全局特征，对第一目标点云数据集合、第一点云数据的逐点特征和全局特征、第二目标点云数据集合、第二点云数据的逐点特征和全局特征分别执行变形操作和多层感知机处理，可以得到第一点云数据的重构点云数据和第二点云数据的重构点云数据，对第一点云数据、第二点云数据和第一点云数据的重构点云数据、第二点云数据的重构点云数据进行损失计算，可以得到待进行手术的患者的股骨与股骨模型之间的点云配准模型，从而解决了股骨配准模型结果贴合度不高且模型的鲁棒性较低的技术问题，达到了提高股骨配准模型结果贴合度和股骨配准模型的鲁棒性的技术效果。
实施例2
下面结合优选的实施方式对本发明实施例的技术方案进行举例说明。
随着经济发展和医疗水平的不断提高，在当前的膝关节手术导航***中，通常使用采集到的关键点来指导手术导航***中预存的股骨模型进行缩放配准，但是仅通过刚性配准在每个维度上进行缩放和平移，会使得股骨上一些结构复杂且关键的部位无法完整贴合到预存模型上，从而导致股骨配准模型的鲁棒性较低的技术问题。
因此，为了克服上述问题，在一种相关技术中，公开了一种基于点云分割的股骨颈配准方法，该方法包括：将获取到的CT影像将断裂股骨颈进行分割，得到断裂股骨头A和股骨体B两个部位；将股骨头A和股骨体B的点云数据输入到pointnet神经网络中，分割分别得到股骨头相接面a和股骨体断裂相接面b；将分割得到的股骨头相接面a和股骨体断裂相接面b使用迭代程序进行配准，得到旋转矩阵Msource-＞target；将得到的旋转矩阵应用于分割出的股骨头A，得到最终拼接好的股骨模型。但是，该方法仅仅通过寻找每个点的最近邻匹配点来计算误差，从而获取最优的旋转矩阵，也并未考虑根据马尔科夫过程构建旋转矩阵来处理点云数据，以及通过改进CorrNet 3D网络得到非刚性股骨点云配准模型，因此并不能提高股骨配准模型的鲁棒性。
然而，本发明实施例提出一种股骨的模型配准方法，通过采用马尔可夫过程构建旋转矩阵来处理点云数据，然后通过使用改进的CorrNet 3D网络来得到股骨的点云配准模型，达到了可以对点云进行形变的目的，解决了股骨配准模型的鲁棒性较低的技术问题，实现了提高股骨配准模型的鲁棒性的技术效果。
图2是根据本发明实施例的一种点云重构方法的流程图，如图2所示，该点云重构方法可以包括以下步骤：
步骤S201，从1°至360°中确定绕x轴旋转角度的集合Rx。
在从1°至360°中确定绕x轴旋转角度的集合Rx之后，进入步骤S202，计算绕x轴旋转角度的一步转移概率。
在计算绕x轴旋转角度的一步转移概率之后，进入步骤S203，计算Rx各个元素之间的概率转移矩阵PX。
在计算Rx各个元素之间的概率转移矩阵PX之后，进入步骤S204，计算Rx各个元素之间的N-1步转移概率矩阵。
在计算Rx各个元素之间的N-1步转移概率矩阵之后，进入步骤S205，从Rx中随机选取一个数据。
在从Rx中随机选取一个数据之后，进入步骤S206，将选取的数据存储在绕x轴旋转角度的存储空间RX。
步骤S211，从1°至360°中确定绕y轴旋转角度的集合Ry。
在从1°至360°中确定绕y轴旋转角度的集合Ry之后，进入步骤S212，计算绕y轴旋转角度的一步转移概率。
在计算绕y轴旋转角度的一步转移概率之后，进入步骤S213，计算Ry各个元素之间的概率转移矩阵PY。
在计算Ry各个元素之间的概率转移矩阵PY之后，进入步骤S214，计算Ry各个元素之间的N-1步转移概率矩阵。
在计算Ry各个元素之间的N-1步转移概率矩阵之后，进入步骤S215，从Ry中随机选取一个数据。
在从Ry中随机选取一个数据之后，进入步骤S216，将选取的数据存储在绕y轴旋转角度的存储空间RY。
步骤S221，从1°至360°中确定绕y轴旋转角度的集合Rz。
在从1°至360°中确定绕z轴旋转角度的集合Rz之后，进入步骤S222，计算绕z轴旋转角度的一步转移概率。
在计算绕z轴旋转角度的一步转移概率之后，进入步骤S223，计算Rz各个元素之间的概率转移矩阵PZ。
在计算Rz各个元素之间的概率转移矩阵PZ之后，进入步骤S224，计算Rz各个元素之间的N-1步转移概率矩阵。
在计算Rz各个元素之间的N-1步转移概率矩阵之后，进入步骤S225，从Rz中随机选取一个数据。
在从Rz中随机选取一个数据之后，进入步骤S226，将选取的数据存储在绕z轴旋转角度的存储空间RZ。
在将选取的数据存储在绕x轴旋转角度的存储空间RX、将选取的数据存储在绕y轴旋转角度的存储空间RY和将选取的数据存储在绕z轴旋转角度的存储空间RZ之后，进入步骤S231，组成角度组合Axyz。
在组成角度组合Axyz之后，进入步骤S232，构建旋转矩阵Rot。
在构建旋转矩阵Rot之后，进入步骤S233，构建旋转矩阵集合Rotset。
在构建旋转矩阵集合Rotset之后，进入步骤S234，获得扩展后的输入数据Aset和Bset。
在获得扩展后的输入数据Aset和Bset之后，进入步骤S235，计算逐点特征FA和FB，计算全局特征FGA和FGB。
在计算逐点特征FA和FB，计算全局特征FGA和FGB之后，分别进入步骤S236、步骤S237、步骤S245、步骤S246、步骤S248和步骤S250，计算点云A中各个点的所有特征的均值，计算点云B中各个点的所有特征的均值，构造复制矩阵CopFGA，构造复制矩阵CopFGB，对FA中每一行的各个元素进行规范化，对FB中每一行的各个元素进行规范化。
在构造复制矩阵CopFGA之后，进入步骤S247，构造新的复制矩阵NewCopFGA，在构造复制矩阵CopFGB之后，进入步骤S249，构造新的复制矩阵NewCopFGB。
在计算点云A中各个点的所有特征的均值，计算点云B中各个点的所有特征的均值之后，进入步骤S238和步骤S239，计算点云A和点云B各个点的所有特征集合之间的协方差，计算点云A中各个点的所有特征的整体标准差，计算点云B中各个点的所有特征的整体标准差。
在计算点云A和点云B各个点的所有特征集合之间的协方差，计算点云A中各个点的所有特征的整体标准差，计算点云B中各个点的所有特征的整体标准差之后，进入步骤S240，计算点云A中各个点与点云B中各个点之间的皮尔逊相关系数。
在计算点云A中各个点与点云B中各个点之间的皮尔逊相关系数之后，进入步骤S241，计算点云A中各个点与点云B中各个点之间的相似程度ps。
在计算点云A中各个点与点云B中各个点之间的相似程度ps之后，进入步骤S242，计算点云A中各个点与点云B中各个点之间的相似程度矩阵PR。
在计算点云A中各个点与点云B中各个点之间的相似程度矩阵PR之后，进入步骤S243，计算点云A和点云B之间的对应矩阵CM。
在计算点云A和点云B之间的对应矩阵CM之后，进入步骤S244，计算点云A的中间点云A*和点云B的中间点云B*。
在计算点云A的中间点云A*和点云B的中间点云B*之后，进入步骤S251和步骤S252，构造拼接矩阵ConB*CopFGA，构造拼接矩阵ConA*CopFGB。
在构造拼接矩阵ConB*CopFGA之后，进入步骤S253和步骤S254，构造最终的拼接矩阵ConConB*CopFGANewCopFGA，通过MLP获取点云A的重构点云，在构造拼接矩阵ConA*CopFGB之后，进入步骤S255和步骤S256，构造最终的拼接矩阵ConConA*CopFGBNewCopFGB，通过MLP获取点云B的重构点云。
图3是根据本发明实施例的一种基于马尔可夫过程构建旋转矩阵处理数据的示意图，如图3所示，规定绕x轴的旋转范围为1°至360°，旋转方向为顺时针，旋转步长为a°，则共会产生360/a个角度，设N=360/a，即可确定绕x轴旋转角度的集合为Rx，如下式（1）所示：
（1）
其中，Rx可以用于表示绕x轴旋转角度的集合，Angxi，i∈[1，N]可以用于表示集合Rx中第i个元素旋转的角度。
可选地，在每次获取绕x轴旋转角度的过程中，集合Rx中每个元素Angx1，Angx2，Angx3，...，Angxn都可以当作选取过程中某个时刻选取结果的状态值，而集合Rx则可作为整个过程的状态空间，获取绕x轴旋转角度的过程可用下式（2）表示：
（2）
其中，SXTn可以用于表示在Tn时刻绕x轴旋转角度的状态，AngXTn，AngXTn∈Rx可以用于表示***在Tn时刻选择的绕x轴旋转数据，SXTn-1可以用于表示***在Tn-1时刻绕x轴旋转角度的状态，AngXTn-1，AngXTn-1∈Rx可以用于表示***在Tn-1时刻选择的绕x轴旋转数据。
可选地，根据上式（2）可以得到在绕x轴旋转过程中，在Tn-1时刻选取到AngXn-1后，在Tn时刻选取状态数据AngXn的一步转移概率如下式（3）所示，根据状态值之间的一步转移概率公式（3），可以得到绕x轴旋转角度的集合Rx中各个元素之间的概率转移矩阵PX，其中，概率转移矩阵PX可以如下式（4）所示，在初始阶段，为PX中的每个元素赋予一个随机初始值，该初始值满足条件如下式（5）所示，根据切普曼-科尔莫戈罗夫方程可以获得元素之间的N-1步转移概率矩阵计算式P(N-1)=PN-1，由此可以得到Rx中各个元素之间的N-1步转移概率矩阵如下式（6）所示，在确定N-1步转移概率矩阵之后，根据数据之间的N-1步转移概率确定以某个数据开始，经过N-1步转移后以某个概率选择该概率对应的数据，例如，起始数据为Angx1，经过N-1步转移后选择Rx中各个数据的概率分别为P(N-1) （Angx1，Angx1），P(N-1) （Angx1，Angx2），P(N -1) （Angx1，AngxN），根据对应的概率，从Rx中随机选取一个数据作为x轴旋转数据，用AngxT，AngxT∈Rx进行表示，在选取AngxT之后，根据下式（7）可以更新转移矩阵PX中的概率，使得不会在后续的选取过程中重复选择AngxT，经过多次重复公式（4）至公式（7）的过程，假设重复选取S次，选取多个AngxT，并将其放入指定的存储空间，存储空间的形式如下式（8）所示：
（3）
（4）
（5）
（6）
（7）
（8）
其中，P（Angxn-1，Angxn）可以用于表示在Tn-1时刻选取到数据Angxn-1之后，在Tn时刻选取状态数据Angxn的一步转移概率，PX可以用于表示绕x轴旋转角度的集合Rx中各个元素之间的概率转移矩阵，P（Angxi，Angxj）i，j∈[1，N]可以用于表示绕x轴旋转角度的集合Rx中各个元素之间的转移概率，P(N-1) X可以用于表示绕x轴旋转角度的集合Rx中各个元素之间的N-1步转移概率矩阵，P(N-1) （Angxi，Angxj）可以用于表示绕x轴旋转角度的集合Rx中各个元素之间的N-1步转移概率，AngxT，AngxT∈Rx可以用于表示从Rx中随机选取一个数据作为选择的x轴旋转数据，RX可以用于表示绕x轴旋转角度的存储空间，S可以用于表示从Rx中随机选取绕x轴旋转数据的选取次数，AngXTt，t∈[1，S]可以用于表示从Rx中随机选取的绕x轴旋转数据。
可选地，根据选取绕x轴旋转角度的选取过程，同样可以获得绕y轴旋转角度，获得绕y轴旋转角度的过程可以通过下式来实现：
（9）
（10）
（11）
（12）
其中，Ry可以用于表示绕y轴旋转角度的集合，PY可以用于表示绕y轴旋转角度的集合Ry中各个元素之间的概率转移矩阵，P(N-1) Y可以用于表示绕y轴旋转角度的集合Ry中各个元素之间的N-1步转移概率矩阵，RY可以用于表示绕y轴旋转角度的存储空间。
可选地，根据选取绕x轴旋转角度的选取过程，同样可以获得绕z轴旋转角度，获得绕z轴旋转角度的过程可以通过下式来实现：
（13）
（14）
（15）
（16）
其中，Rz可以用于表示绕z轴旋转角度的集合，PZ可以用于表示绕z轴旋转角度的集合Rz中各个元素之间的概率转移矩阵，P(N-1) Z可以用于表示绕z轴旋转角度的集合Rz中各个元素之间的N-1步转移概率矩阵，RZ可以用于表示绕z轴旋转角度的存储空间。
可选地，在得到RX、RY和RZ之后，分别从RX、RY和RZ中随机选取一个元素，组成一个角度组合Axyz，如下式（17）所示，根据Z-Y-X欧拉角旋转计算后，可以得到Axyz中各个元素构造的旋转矩阵，如下式（18）所示，经过多次公式（17）的过程，假设为S’次，构成不同的角度组合Axyz，每次构成新的Axyz后，根据公式（18）可以构成旋转矩阵集合Rotset，如下式（19）所示，在构造旋转矩阵集合Rotset后，用Rotset中的旋转矩阵对数据进行处理，如下式（20）所示：
（17）
（18）
（19）
（20）
其中，Axyz可以用于表示从RX、RY和RZ中随机选取一个元素所构成的角度组合，Rot可以用于表示通过欧拉角计算得到的Axyz中各个元素构造的旋转矩阵，Roti，i∈[1，S’]可以用于表示通过欧拉角计算得到的Axyz中各个元素构造的旋转矩阵，Rotset可以用于表示由通过从RX、RY和RZ中分别多次（例如，S’次）随机选取一个元素所构成的角度组合所构成的旋转矩阵集合，D可以用于表示输入的训练数据，Rot<*>可以用于表示对数据*进行旋转处理，D’可以用于表示旋转后的数据。
可选地，将处理后的数据与原始数据一起传输到模型网络中，也即，点云A最终扩展为A和A’的集合（用Aset表示），点云B最终扩展为B和B’的集合（用Bset表示）。
图4是根据本发明实施例的一种点云重构过程的示意图，如图4所示，该点云重构过程可以通过以下步骤来实现：
步骤一，特征编码：在输入训练数据Aset∈Rn×3和Bset∈Rn×3后，使用DGCNN网络模型获取点云Aset的逐点特征FA∈Rn×d和点云Bset的逐点特征FB∈Rn×d，使用最大平均池化操作，从FA和FB中提取点云Aset的全局特征FGA∈Rd和点云Bset的全局特征FGB∈Rd，其中，n可以用于表示点云中点的数量，3可以用于表示每个点具有三维坐标（x，y，z），d可以用于表示特征的维度，上述特征编码过程可以通过下式来实现：
（21）
（22）
（23）
（24）
其中，Aset可以用于表示点云A的扩展集合，FA可以用于表示扩展后的点云A的逐点特征，Bset可以用于表示点云B的扩展集合，FB可以用于表示扩展后的点云B的逐点特征，DGCNN<*>可以用于表示使用DGCNN来提取扩展后的点云A的逐点特征和扩展后的点云B的逐点特征，FGA可以用于表示扩展后的点云A的全局特征，FGB可以用于表示扩展后的点云B的全局特征，MA<*>可以用于表示使用最大平均池化操作来提取扩展后的点云A的全局特征和扩展后的点云B的全局特征。
步骤二，计算匹配关系：在得到FA和FB之后，使用皮尔逊相关系数来计算点云A和点云B中任意两点之间的相似程度，将使用皮尔逊相关系数计算得到的结果取绝对值并求倒数作为两点之间的相似程度，并由此可以得到点云A和点云B之间的任意两点之间的相似程度矩阵PR，在得到相似程度矩阵PR之后，对PR中的元素以行为单位进行规范化和softmax处理，得到点云A和点云B之间的最终对应矩阵CM∈Rn×n，上述计算匹配关系的过程可以通过下式来实现：
（25）
（26）
（27）
（28）
（29）
（30）
（31）
（32）
（33）
（34）
其中，FAi可以用于表示扩展后的点云A中第i个点的所有特征的集合，FAik可以用于表示扩展后的点云A中第i个点的第k个特征值，E（FAi）可以用于表示扩展后的点云A中第i个点的所有特征的均值，FBj可以用于表示扩展后的点云B中第j个点的所有特征的集合，FBjk可以用于表示扩展后的点云B中第j个点的第k个特征值，E（FBj）可以用于表示扩展后的点云B中第j个点的所有特征的均值，Cov（FAi，FBj）可以用于表示扩展后的点云A中第i个点的所有特征的集合与扩展后的点云B中第j个点的所有特征的集合之间的协方差，σFAi可以用于表示扩展后的点云A中第i个点的所有特征的整体标准差，σFBj可以用于表示扩展后的点云B中第j个点的所有特征的整体标准差，prs（FAi，FBj）可以用于表示扩展后的点云A中第i个点与扩展后的点云B中第j个点之间的皮尔逊相关系数，abs（*）可以用于表示对参数*求绝对值，PR可以用于表示扩展后的点云A和扩展后的点云B之间的任意两点之间的相似程度矩阵，g可以用于表示再缩放参数，b可以用于表示再平移参数，PRrc可以用于表示PR中第r行第c列的值，μr可以用于表示PR中第r行值的均值，σr可以用于表示PR中第r行值的标准差，NPRrc可以用于表示PR中第r行第c列的值的规范化操作结果，softmaxr（*）可以用于表示对参数*以行为单位进行softmax处理，CMrc可以用于表示最终对应矩阵CM中第r行第c列的值。
步骤三，确定非刚体配准模型：在计算得到最终对应矩阵CM∈Rn×n之后，根据对应矩阵对点云A和点云B中的点进行重新排列，得到中间点云A*∈Rn×3和中间点云B*∈Rn×3，如下式（35）至（36）所示；将计算得到的全局特征FGA∈Rd和全局特征FGB∈Rd分别与中间点云A*∈Rn×3和中间点云B*∈Rn×3进行拼接，也即，将全局特征FGA和全局特征FGB直接复制到n×d后（假设复制后的特征分别为CopFGA∈Rn×d，CopFGB∈Rn×d）分别与中间点云B*和中间点云A*进行拼接，构成n×(3+d)维矩阵（假设拼接后的矩阵分别为ConB*CopFGA∈Rn×(3+d)，ConA*CopFGB∈Rn ×(3+d)）；以行为单位，对计算得到的逐点特征FA和逐点特征FB中每一行的各个元素进行规范化，再将规范化结果中的数值与CopFGA和CopFGB中的数值一一对应相乘，得到NewCopFGA与NewCopFGB，如下式（37）至（40）所示；将获得的NewCopFGA与NewCopFGB分别与ConB*CopFGA和ConA*CopFGB进行拼接，构成了n×(3+2d)维矩阵（假设拼接后的矩阵分别为ConConB*CopFGANewCopFGA∈Rn×(3+2d)和ConConA*CopFGBNewCopFGB∈Rn×(3+2d)），将ConConA*CopFGBNewCopFGB和ConConA*CopFGBNewCopFGB分别输入至MLP中，得到点云A的重构点云和点云B的重构点云/>，其中，通过下式（41）至（43）所示的损失函数来实现CorrNet 3D网络的改进，从而得到本申请所提出的非刚体配准模型：
（35）
（36）
（37）
（38）
（39）
（40）
（41）
（42）
（43）
其中，A*可以用于表示通过根据对应矩阵对扩展后的点云A进行重新排列而得到的中间点云，B*可以用于表示通过根据对应矩阵对扩展后的点云B进行重新排列而得到的中间点云，FArc可以用于表示FA中第r行第c列的值，μFAr可以用于表示FA中第r行值的均值，σFAr可以用于表示FA中第r行值的标准差，NFArc可以用于表示FA中第r行第c列的值的规范化处理结果，FBrc可以用于表示FB中第r行第c列的值，μFBr可以用于表示FB中第r行值的均值，σFBr可以用于表示FB中第r行值的标准差，NFBrc可以用于表示FB中第r行第c列的值的规范化处理结果，CopFGArc可以用于表示CopFGA中第r行第c列的值，CopFGBrc可以用于表示CopFGB中第r行第c列的值，可以用于表示按照元素一一对应相乘，NewCopFGA∈Rn×d可以用于表示对FGA的复制结果，NewCopFGB∈Rn×d可以用于表示对FGB的复制结果，将NewCopFGA和NewCopFGB分别与ConB*CopFGA和ConA*CopFGB进行拼接，构成了n×(3+2d)维矩阵（假设拼接后的矩阵分别为ConConB*CopFGANewCopFGA∈Rn×(3+2d)和ConConA*CopFGBNewCopFGB∈Rn×(3+2d)），I可以用于表示n×n的单位矩阵，CMr可以用于表示CM的第r行，CMk可以用于表示CM的第k行，Ωα可以用于表示在DGCNN网络提取点云中的逐点特征时点ar的k最近邻点的索引集合，Ωb可以用于表示在DGCNN网络提取点云中的逐点特征时点br的k最近邻点的索引集合，ak可以用于表示点ar的一个近邻点，bk可以用于表示点br的一个近邻点。
在该实施例中，首先从1°至360°中确定绕x轴旋转角度的集合Rx，计算绕x轴旋转角度的一步转移概率和Rx各个元素之间的N-1步转移概率矩阵，从Rx中随机选取一个数据，将选取的数据存储在绕x轴旋转角度的存储空间RX，按照上述绕x轴旋转角度的选取过程，同样选取绕y轴旋转角度和绕z轴旋转角度，并组成角度组合Axyz，构建旋转矩阵Rot和旋转矩阵集合Rotset，由此获得获得扩展后的输入数据Aset和Bset，计算逐点特征FA、FB和全局特征FGA和FGB，根据计算得到的逐点特征FA、FB和全局特征FGA和FGB而确定点云A和点云B之间的对应矩阵CM，按照对应矩阵CM对点云A和点云B中的点进行重新排列，得到中间点云A*和中间点云B*，再对得到的中间点云A*和中间点云B*分别进行两次矩阵拼接，将拼接后的矩阵输入至MLP中，由此得到点云A的重构点云和点云B的重构点云/>，再对重构点云/>和重构点云/>进行损失计算，可以得到非刚体配准模型，从而解决了股骨配准模型结果贴合度不高且模型的鲁棒性较低的技术问题，达到了提高股骨配准模型结果贴合度和股骨配准模型的鲁棒性的技术效果。
实施例3
根据本发明实施例，还提供了一种股骨的模型配准装置。需要说明的是，该股骨的模型配准装置可以用于执行实施例1中的一种股骨的模型配准方法。
图5是根据本发明实施例的一种股骨的模型配准装置的示意图。如图5所示，一种股骨的模型配准装置500可以包括：获取单元501、转移单元502、池化单元503、变形单元504和计算单元505。
获取单元501，用于获取股骨的第一点云数据和第二点云数据，其中，第一点云数据为股骨的点云数据，第二点云数据为股骨的另一点云数据。
转移单元502，用于用于对第一点云数据执行状态转移操作，得到第一目标点云数据集合，且对第二点云数据执行状态转移操作，得到第二目标点云数据集合。
池化单元503，用于对第一目标点云数据集合执行池化操作，得到第一点云数据的全局特征，且对第二目标点云数据集合执行池化操作，得到第二点云数据的全局特征。
变形单元504，用于对第一点云数据的全局特征执行变形操作，得到第一点云数据的重构点云数据，且对第二点云数据的全局特征执行变形操作，得到第二点云数据的重构点云数据。
计算单元505，用于对第一点云数据的重构点云数据和第二点云数据的重构点云数据进行损失计算，得到股骨的点云配准模型，其中，点云配准模型用于将股骨与股骨假体进行贴合，以使股骨假体与股骨的各部位进行配准。
可选地，转移单元502可以包括：转移模块，用于对第一点云数据执行旋转操作，得到第一点云数据的旋转角度空间，且对第二点云数据执行旋转操作，得到第二点云数据的旋转角度空间；第一确定模块，用于基于第一点云数据的旋转角度空间，确定第一目标点云数据集合，且基于第二点云数据的旋转角度空间，确定第二目标点云数据集合。
可选地，第一确定模块可以包括：第一确定子模块，用于在第一点云数据的旋转角度空间中，确定第一点云数据的n个旋转矩阵，且在第二点云数据的旋转角度空间中，确定第二点云数据的n个旋转矩阵，其中，n为大于0的自然数；组合子模块，用于对第一点云数据的n个旋转矩阵进行组合，得到第一点云数据的旋转矩阵集合，且对第二点云数据的n个旋转矩阵进行组合，得到第二点云数据的旋转矩阵集合；第二确定子模块，用于将第一点云数据的旋转矩阵集合和第一点云数据的初始矩阵集合确定为第一目标点云数据集合，且将第二点云数据的旋转矩阵集合和第二点云数据的初始矩阵集合确定为第二目标点云数据集合。
可选地，池化单元503可以包括：提取模块，用于对第一目标点云数据集合执行特征提取操作，得到第一点云数据的逐点特征，且对第二目标点云数据集合执行特征提取操作，得到第二点云数据的逐点特征；池化模块，用于对第一点云数据的逐点特征执行池化操作，得到第一点云数据的全局特征，且通过对第二点云数据的逐点特征执行池化操作，得到第二点云数据的全局特征。
可选地，变形单元504可以包括：计算模块，用于对第一点云数据的逐点特征和第二点云数据的逐点特征执行相似度计算，得到股骨和股骨模型中任意两点之间的相似度矩阵；变换模块，用于对相似度矩阵中的元素执行变换操作，得到股骨和股骨模型中任意两点之间的关系矩阵；第二确定模块，用于基于关系矩阵，确定第一点云数据的重构点云数据和第二点云数据的重构点云数据。
可选地，第二确定模块可以包括：排列子模块，用于按照关系矩阵对第一目标点云数据集合进行排列，得到第一目标点云数据集合的中间点云数据，且按照关系矩阵对第二目标点云数据集合进行排列，得到第二目标点云数据集合的中间点云数据；第三确定子模块，用于基于第一目标点云数据集合的中间点云数据，确定第一点云数据的重构点云数据，且基于第二目标点云数据集合的中间点云数据，确定第二点云数据的重构点云数据。
可选地，第三确定子模块还可以用于：对第二目标点云数据集合的中间点云数据和第一点云数据的全局特征进行拼接，得到第一拼接矩阵，且对第一目标点云数据集合的中间点云数据和第二点云数据的全局特征进行拼接，得到第二拼接矩阵；对第一复制矩阵和第一拼接矩阵进行拼接，得到第一目标矩阵，且通过对第二复制矩阵和第二拼接矩阵进行拼接，得到第二目标矩阵，其中，第一复制矩阵为通过对第一点云数据的逐点特征执行变形操作而得到的，第二复制矩阵为通过对第二点云数据的逐点特征执行变形操作而得到的；将第一目标矩阵输入至多层感知机中，得到第一点云数据的重构点云数据，且将第二目标矩阵输入至多层感知机中，得到第二点云数据的重构点云数据。
在该实施例中，获取单元，用于获取股骨的第一点云数据和第二点云数据，其中，第一点云数据为股骨的点云数据，第二点云数据为股骨的另一点云数据；转移单元，用于对第一点云数据执行状态转移操作，得到第一目标点云数据集合，且对第二点云数据执行状态转移操作，得到第二目标点云数据集合；池化单元，用于对第一目标点云数据集合执行池化操作，得到第一点云数据的全局特征，且对第二目标点云数据集合执行池化操作，得到第二点云数据的全局特征；变形单元，用于对第一点云数据的全局特征执行变形操作，得到第一点云数据的重构点云数据，且对第二点云数据的全局特征执行变形操作，得到第二点云数据的重构点云数据；计算单元，用于对第一点云数据的重构点云数据和第二点云数据的重构点云数据进行损失计算，得到股骨的点云配准模型，其中，点云配准模型用于将股骨与股骨假体进行贴合，以使股骨假体与股骨的各部位进行配准，解决了股骨配准模型结果贴合度不高且模型的鲁棒性较低的技术问题，达到了提高股骨配准模型结果贴合度和股骨配准模型的鲁棒性的技术效果。
实施例4
根据本发明实施例，还提供了一种计算机可读存储介质。该计算机可读存储介质包括存储的程序，其中，在程序运行时控制计算机可读存储介质所在设备执行实施例1中的股骨的模型配准方法。
实施例5
根据本发明实施例，还提供了一种处理器。该处理器用于运行程序，其中，程序被该处理器运行时执行实施例1中的股骨的模型配准方法。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其它实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可为个人计算机、服务器或者网络设备等）执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (7)

1.一种股骨的模型配准方法，其特征在于，包括：
获取股骨的第一点云数据和第二点云数据，其中，所述第一点云数据为所述股骨的点云数据，所述第二点云数据为所述股骨的另一点云数据；
对所述第一点云数据执行状态转移操作，得到第一目标点云数据集合，且对所述第二点云数据执行状态转移操作，得到第二目标点云数据集合；
对所述第一目标点云数据集合执行池化操作，得到所述第一点云数据的全局特征，且对所述第二目标点云数据集合执行池化操作，得到所述第二点云数据的全局特征；
对所述第一点云数据的全局特征执行变形操作，得到所述第一点云数据的重构点云数据，且对所述第二点云数据的全局特征执行变形操作，得到所述第二点云数据的重构点云数据；
对所述第一点云数据的重构点云数据和所述第二点云数据的重构点云数据进行损失计算，得到所述股骨的点云配准模型，其中，所述点云配准模型用于将所述股骨与股骨假体进行贴合，以使所述股骨假体与所述股骨的各部位进行配准；
其中，对所述第一点云数据的全局特征执行变形操作，得到所述第一点云数据的重构点云数据，且对所述第二点云数据的全局特征执行变形操作，得到所述第二点云数据的重构点云数据，包括：对所述第一点云数据的逐点特征和所述第二点云数据的逐点特征利用皮尔逊相关系数执行相似度计算，得到所述股骨和所述股骨模型中任意两点之间的相似度矩阵，其中，所述皮尔逊相关系数用于表示所述第一点云数据中第i个点与所述第二点云数据中第j个点之间的相关系数；对所述相似度矩阵中的元素以行为单位进行规范化和分类处理，得到所述股骨和所述股骨模型中任意两点之间的关系矩阵；按照所述关系矩阵对所述第一目标点云数据集合进行排列，得到所述第一目标点云数据集合的中间点云数据，且按照所述关系矩阵对所述第二目标点云数据集合进行排列，得到所述第二目标点云数据集合的中间点云数据；对所述第二目标点云数据集合的中间点云数据和所述第一点云数据的全局特征进行拼接，得到第一拼接矩阵，且对所述第一目标点云数据集合的中间点云数据和所述第二点云数据的全局特征进行拼接，得到第二拼接矩阵；对第一复制矩阵和所述第一拼接矩阵进行拼接，得到第一目标矩阵，且通过对第二复制矩阵和所述第二拼接矩阵进行拼接，得到第二目标矩阵，其中，所述第一复制矩阵为通过对所述第一点云数据的逐点特征执行变形操作而得到的，所述第二复制矩阵为通过对所述第二点云数据的逐点特征执行变形操作而得到的；将所述第一目标矩阵输入至多层感知机中，得到所述第一点云数据的重构点云数据，且将所述第二目标矩阵输入至所述多层感知机中，得到所述第二点云数据的重构点云数据。
2.根据权利要求1所述的方法，其特征在于，对所述第一点云数据执行状态转移操作，得到第一目标点云数据集合，且对所述第二点云数据执行状态转移操作，得到第二目标点云数据集合，包括：
对所述第一点云数据执行旋转操作，得到所述第一点云数据的旋转角度空间，且对所述第二点云数据执行旋转操作，得到所述第二点云数据的旋转角度空间；
基于所述第一点云数据的旋转角度空间，确定所述第一目标点云数据集合，且基于所述第二点云数据的旋转角度空间，确定所述第二目标点云数据集合。
3.根据权利要求2所述的方法，其特征在于，基于所述第一点云数据的旋转角度空间，确定所述第一目标点云数据集合，且基于所述第二点云数据的旋转角度空间，确定所述第二目标点云数据集合，包括：
在所述第一点云数据的旋转角度空间中，确定所述第一点云数据的n个旋转矩阵，且在所述第二点云数据的旋转角度空间中，确定所述第二点云数据的n个旋转矩阵，其中，n为大于0的自然数；
对所述第一点云数据的所述n个旋转矩阵进行组合，得到所述第一点云数据的旋转矩阵集合，且对所述第二点云数据的所述n个旋转矩阵进行组合，得到所述第二点云数据的旋转矩阵集合；
将所述第一点云数据的旋转矩阵集合和所述第一点云数据的初始矩阵集合确定为所述第一目标点云数据集合，且将所述第二点云数据的旋转矩阵集合和所述第二点云数据的初始矩阵集合确定为所述第二目标点云数据集合。
4.根据权利要求1所述的方法，其特征在于，对所述第一目标点云数据集合执行池化操作，得到所述第一点云数据的全局特征，且对所述第二目标点云数据集合执行池化操作，得到所述第二点云数据的全局特征，包括：
对所述第一目标点云数据集合执行特征提取操作，得到所述第一点云数据的逐点特征，且对所述第二目标点云数据集合执行特征提取操作，得到所述第二点云数据的逐点特征；
对所述第一点云数据的逐点特征执行池化操作，得到所述第一点云数据的全局特征，且通过对所述第二点云数据的逐点特征执行池化操作，得到所述第二点云数据的全局特征。
5.一种股骨的模型配准装置，其特征在于，包括：
获取单元，用于获取股骨的第一点云数据和第二点云数据，其中，所述第一点云数据为所述股骨的点云数据，所述第二点云数据为所述股骨的另一点云数据；
转移单元，用于对所述第一点云数据执行状态转移操作，得到第一目标点云数据集合，且对所述第二点云数据执行状态转移操作，得到第二目标点云数据集合；
池化单元，用于对所述第一目标点云数据集合执行池化操作，得到所述第一点云数据的全局特征，且对所述第二目标点云数据集合执行池化操作，得到所述第二点云数据的全局特征；
变形单元，用于对所述第一点云数据的全局特征执行变形操作，得到所述第一点云数据的重构点云数据，且对所述第二点云数据的全局特征执行变形操作，得到所述第二点云数据的重构点云数据；
计算单元，用于对所述第一点云数据的重构点云数据和所述第二点云数据的重构点云数据进行损失计算，得到所述股骨的点云配准模型，其中，所述点云配准模型用于将所述股骨与股骨假体进行贴合，以使所述股骨假体与所述股骨的各部位进行配准；
其中，所述变形单元还用于通过执行以下步骤，来对所述第一点云数据的全局特征执行变形操作，得到所述第一点云数据的重构点云数据，且对所述第二点云数据的全局特征执行变形操作，得到所述第二点云数据的重构点云数据：对所述第一点云数据的逐点特征和所述第二点云数据的逐点特征利用皮尔逊相关系数执行相似度计算，得到所述股骨和所述股骨模型中任意两点之间的相似度矩阵，其中，所述皮尔逊相关系数用于表示所述第一点云数据中第i个点与所述第二点云数据中第j个点之间的相关系数；对所述相似度矩阵中的元素以行为单位进行规范化和分类处理，得到所述股骨和所述股骨模型中任意两点之间的关系矩阵；按照所述关系矩阵对所述第一目标点云数据集合进行排列，得到所述第一目标点云数据集合的中间点云数据，且按照所述关系矩阵对所述第二目标点云数据集合进行排列，得到所述第二目标点云数据集合的中间点云数据；对所述第二目标点云数据集合的中间点云数据和所述第一点云数据的全局特征进行拼接，得到第一拼接矩阵，且对所述第一目标点云数据集合的中间点云数据和所述第二点云数据的全局特征进行拼接，得到第二拼接矩阵；对第一复制矩阵和所述第一拼接矩阵进行拼接，得到第一目标矩阵，且通过对第二复制矩阵和所述第二拼接矩阵进行拼接，得到第二目标矩阵，其中，所述第一复制矩阵为通过对所述第一点云数据的逐点特征执行变形操作而得到的，所述第二复制矩阵为通过对所述第二点云数据的逐点特征执行变形操作而得到的；将所述第一目标矩阵输入至多层感知机中，得到所述第一点云数据的重构点云数据，且将所述第二目标矩阵输入至所述多层感知机中，得到所述第二点云数据的重构点云数据。
6.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至4中任意一项所述股骨的模型配准方法。
7.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序被所述处理器运行时执行权利要求1至4中任意一项所述股骨的模型配准方法。
CN202311034475.8A 2023-08-16 2023-08-16 股骨的模型配准方法、装置、存储介质和处理器 Active CN116758127B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311034475.8A CN116758127B (zh) 2023-08-16 2023-08-16 股骨的模型配准方法、装置、存储介质和处理器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311034475.8A CN116758127B (zh) 2023-08-16 2023-08-16 股骨的模型配准方法、装置、存储介质和处理器

Publications (2)

Publication Number Publication Date
CN116758127A CN116758127A (zh) 2023-09-15
CN116758127B true CN116758127B (zh) 2023-12-19

Family

ID=87950017

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311034475.8A Active CN116758127B (zh) 2023-08-16 2023-08-16 股骨的模型配准方法、装置、存储介质和处理器

Country Status (1)

Country Link
CN (1) CN116758127B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106264731A (zh) * 2016-10-11 2017-01-04 昆明医科大学第附属医院 一种基于点对点配准技术虚拟膝关节单髁置换术模型构建的方法
CN113077498A (zh) * 2021-05-06 2021-07-06 北京爱康宜诚医疗器材有限公司 骨盆配准方法、骨盆配准装置和骨盆配准***
CN113409301A (zh) * 2021-07-12 2021-09-17 上海精劢医疗科技有限公司 一种基于点云分割的股骨颈配准方法、***及介质
CN113450294A (zh) * 2021-06-07 2021-09-28 刘星宇 多模态医学图像配准融合方法、装置及电子设备
CN115511960A (zh) * 2022-09-05 2022-12-23 重庆博仕康科技有限公司 股骨中轴线定位的方法、装置、计算机设备和存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106264731A (zh) * 2016-10-11 2017-01-04 昆明医科大学第附属医院 一种基于点对点配准技术虚拟膝关节单髁置换术模型构建的方法
CN113077498A (zh) * 2021-05-06 2021-07-06 北京爱康宜诚医疗器材有限公司 骨盆配准方法、骨盆配准装置和骨盆配准***
CN113450294A (zh) * 2021-06-07 2021-09-28 刘星宇 多模态医学图像配准融合方法、装置及电子设备
WO2022257344A1 (zh) * 2021-06-07 2022-12-15 刘星宇 图像配准融合方法及装置、模型训练方法及电子设备
CN113409301A (zh) * 2021-07-12 2021-09-17 上海精劢医疗科技有限公司 一种基于点云分割的股骨颈配准方法、***及介质
CN115511960A (zh) * 2022-09-05 2022-12-23 重庆博仕康科技有限公司 股骨中轴线定位的方法、装置、计算机设备和存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
取点数目对基于CT导航股骨配准精度影响的研究;曹延祥;赵燕鹏;徐晓军;张立海;王国旗;李建涛;周坚锋;陈宇翔;娄盛涵;唐佩福;;中国数字医学(第09期);全文 *

Also Published As

Publication number Publication date
CN116758127A (zh) 2023-09-15

Similar Documents

Publication Publication Date Title
Zhang et al. Improved deep hashing with soft pairwise similarity for multi-label image retrieval
De Silva et al. Persistent cohomology and circular coordinates
Wang et al. Laplacian pyramid adversarial network for face completion
CN113436211B (zh) 一种基于深度学习的医学图像活动轮廓分割方法
CN113139996B (zh) 一种基于三维点云几何特征学习的点云配准方法及***
Li et al. Object matching using a locally affine invariant and linear programming techniques
CN113593001A (zh) 目标对象三维重建方法、装置、计算机设备和存储介质
CN111091010A (zh) 相似度确定、网络训练、查找方法及装置和存储介质
CN114091628A (zh) 基于双分支网络的三维点云上采样方法及***
CN114240954A (zh) 网络模型的训练方法及装置、图像分割方法及装置
CN114612902A (zh) 图像语义分割方法、装置、设备、存储介质及程序产品
CN114373224B (zh) 基于自监督学习的模糊3d骨架动作识别方法及装置
CN116758127B (zh) 股骨的模型配准方法、装置、存储介质和处理器
CN111209946B (zh) 三维图像处理方法、图像处理模型训练方法及介质
CN116797726B (zh) 器官三维重建方法、装置、电子设备和存储介质
CN113327221B (zh) 融合roi区域的图像合成方法、装置、电子设备及介质
Hudagi et al. Bayes-probabilistic-based fusion method for image inpainting
CN115564915A (zh) 变电站环境数字化区域的地图构建方法及装置
CN115239740A (zh) 基于GT-UNet的全心分割算法
CN114693873A (zh) 一种基于动态图卷积和注意力机制的点云补全方法
CN113723417A (zh) 基于单视图的影像匹配方法、装置、设备及存储介质
CN112837420A (zh) 基于多尺度和折叠结构的兵马俑点云的形状补全方法及***
Bergamasco et al. A bipartite graph approach to retrieve similar 3D models with different resolution and types of cardiomyopathies
CN117974693B (zh) 图像分割方法、装置、计算机设备和存储介质
Schmid Knowledge-based deformable models for medical image analysis

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant