具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施例的限制。

需要说明的是，当元件被称为“固定于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。

如图2所示，本申请的实施例提供了一种颅脑穿刺术前三维模型的建模方法，该方法包括：获取需要接受颅脑穿刺手术病人的影像扫描数据，在统一的框架流程下，根据影像扫描数据的类型，按照不同处理流程分支来重建处理，最终形成对应的三维模型。

需要说明的是，本发明的方法的输入可以为三类病人影像扫描数据：

第一类：病人的常规诊断影像扫描数据：CT和/或MR扫描数据；

第二类：病人的三维血管造影成像数据：CTA或MRA扫描数据；

第三类： 病人的弥散MR扫描成像数据：DWI与基线MR数据（也称b0影像）。

本申请的方法中，病人的CT和MR扫描数据可以重建出穿刺路径规划所需的基本模型元素，包括了皮肤、颅骨、病灶结构的三维表面模型。本申请的方法中，病人无论是只拍摄了CT或者MR影像数据，或两者都拍摄了，都能在同一套工作流程下重建出病人的大脑表面皮肤、颅骨以及病灶区域的参考模型对象。

进一步的是，脑动脉血管模型的重建基于CTA或MRA扫描数据，这需要打造影剂，考虑到以上第一、二类影像是在不同时间扫描的，存在头部姿态朝向和成像空间的双重差异，因此需要进行空间对齐，这样分别生成的不同解剖结构的三维模型才能在同一参考空间进行呈现。

此外，第三类弥散MR扫描成像数据包含了基线MR与DWI影像（其中的基线MR扫描成像数据参与构建DWI影像），可用于重建特定功能的脑神经纤维束三维模型。

以下结合图2具体描述本申请的实施例的方法。

具体的，如图2所示，如果所述影像扫描数据包括MR扫描数据且不包括CT扫描数据，则将MR扫描数据输入合成CT数据模块，通过合成CT数据模块来输出伪CT数据，然后将伪CT数据输入头颅颅骨区域分割模块，通过头颅颅骨区域分割模块输出颅骨三维分割掩模数据和头颅皮肤三维分割掩模数据，并且，将MR扫描数据输入病灶区域分割模块，通过病灶区域分割模块输出病灶区域三维分割掩模数据，将颅骨三维分割掩模数据、头颅皮肤三维分割掩模数据以及病灶区域三维分割掩模数据输入三维表面模型抽取模块，通过三维表面模型抽取模块输出颅骨三维表面模型、头颅皮肤三维表面模型和病灶区域三维表面模型。

具体的，如图2所示，如果所述影像扫描数据包括CT扫描数据且不包括MR扫描数据，则将CT扫描数据输入头颅颅骨区域分割模块以及病灶区域分割模块，通过头颅颅骨区域分割模块输出颅骨三维分割掩模数据、头颅皮肤三维分割掩模数据，通过病灶区域分割模块输出病灶区域三维分割掩模数据，将颅骨三维分割掩模数据、头颅皮肤三维分割掩模数据以及病灶区域三维分割掩模数据输入三维表面模型抽取模块，通过三维表面模型抽取模块输出颅骨三维表面模型、头颅皮肤三维表面模型和病灶区域三维表面模型。

具体的，如图2所示，如果所述影像扫描数据包括CT扫描数据且包括MR扫描数据，则将CT扫描数据输入头颅颅骨区域分割模块，通过头颅颅骨区域分割模块输出颅骨三维分割掩模数据和头颅皮肤三维分割掩模数据，将CT扫描数据和MR扫描数据输入多模态医学影像刚性配准模块，将配准后的MR影像与CT影像进行融合并输出融合数据，将融合数据输入病灶区域分割模块，通过病灶区域分割模块输出病灶区域三维分割掩模数据，将颅骨三维分割掩模数据、头颅皮肤三维分割掩模数据和病灶区域三维分割掩模数据输入三维表面模型抽取模块，通过三维表面模型抽取模块输出颅骨三维表面模型、头颅皮肤三维表面模型和病灶区域三维表面模型。

本实施例中，在上述基础上，所述影像扫描数据还包括CTA扫描数据或MRA扫描数据，将CTA扫描数据或MRA扫描数据输入多模态医学影像刚性配准模块，并将CT扫描数据或MR扫描数据输入多模态医学影像刚性配准模块，通过多模态医学影像刚性配准模块输出重采样到参考图像空间的三维血管造影成像数据，所述参考图像空间为CT扫描数据的图像空间或MR扫描数据的图像空间。

然后将三维血管造影成像数据输入脑动脉血管分割模块，通过脑动脉血管分割模块输出脑动脉血管三维分割掩模数据，将脑动脉血管三维分割掩模数据输入三维表面模型抽取模块，通过三维表面模型抽取模块输出脑动脉血管三维表面模型。

本实施例中，在将脑动脉血管三维分割掩模数据、颅骨三维分割掩模数据、头颅皮肤三维分割掩模数据和病灶区域三维分割掩模数据输入三维表面模型抽取模块之前，先对各个分割掩模数据手动进行修正和确认。也就是本申请设置了临床专家对分割掩模修正和确认模块。具体的，由以上模块得到的整个头部、颅骨结构、血管、病灶区域的二值分割掩模结果，需要经过临床医生的确认才能用于生成后续规划和导航所需的三维颅脑参考模型对象。这里如果存在着一些分割不准的情况，先由医生使用交互工具（如画笔和套索工具）来进行修正，再确认。

本实施例中，所述将CT扫描数据和MR扫描数据输入多模态医学影像刚性配准模块，将配准后的MR影像与CT影像进行融合并输出融合数据，将融合数据输入病灶区域分割模块，通过病灶区域分割模块输出病灶区域三维分割掩模数据具体包括：

将配准后的CT扫描数据与MR扫描数据通过去颅骨脑区域提取算法获得CT脑区域影像数据和MR脑区域影像数据，将CT脑区域影像数据和MR脑区域影像数据通过CT与MR影像融合算法获得CT与MR融合后的影像，

获取具有特定病灶的病人的脑部CT影像数据和脑部MR影像数据，通过去颅骨脑区域提取算法对所述脑部CT影像数据和脑部MR影像数据进行处理，以获得CT训练数据集和MR训练数据集，CT训练数据集用于训练CT脑区域影像病灶分割模型，MR训练数据集用于训练MR脑区域影像病灶分割模型，

通过CT脑区域影像病灶分割模型对CT脑区域影像数据进行预测，获得脑部CT前景对象分割概率预测结果，

通过MR脑区域影像病灶分割模型对MR脑区域影像数据进行预测，获得脑部MR前景对象分割概率结果，

将CT前景对象分割概率预测结果和MR前景对象分割概率结果按Pixel-wise求平均，获得平均后的前景概率，

在CT与MR融合后的影像上，基于条件随机场等概率分布模型算法对平均后的前景概率进行后处理修正得到目标分割结果,也就是病灶区域三维分割掩模数据。

本实施例中，在上述基础上，所述影像扫描数据还包括弥散MR扫描数据，将CT扫描数据或MR扫描数据输入多模态医学影像刚性配准模块，并将弥散MR扫描数据输入多模态医学影像刚性配准模块，获得参考图像空间到弥散MR扫描空间的刚性变换，将弥散MR扫描数据输入脑神经纤维束重建模块输出三维脑神经纤维束模型（如皮质脊髓纤维束和丘脑前辐射纤维束），利用参考图像空间到弥散MR扫描空间的刚性变换的逆变换，将三维脑神经纤维束模型变换到参考图像空间，获得参考图像空间的脑神经纤维束三维模型，所述参考图像空间为CT扫描数据的图像空间或MR扫描数据的图像空间。

本实施例中，所述将CT扫描数据或MR扫描数据输入多模态医学影像刚性配准模块，并将弥散MR扫描数据输入多模态医学影像刚性配准模块，获得参考图像空间到弥散MR扫描空间的刚性变换具体包括：

利用基于脑图谱的三维脑区域分割算法从CT扫描数据或MR扫描数据分割得到CT影像脑区域的二值掩模或MR影像脑区域的二值掩模，从弥散MR扫描数据中的基线MR影像提取基线MR影像脑区域的二值掩模；

对CT影像脑区域的二值掩模或MR影像脑区域的二值掩模计算三维距离映射图，对基线MR影像脑区域的二值掩模计算三维距离映射图，以各个三维距离映射图作为输入进行刚性配准，获得刚性空间变换；

利用所述刚性空间变换作为初始变换，再对CT扫描数据或MR扫描数据与基线MR影像之间进行刚性配准，以此来进一步改善刚性空间变换的精确性，最终获得参考图像空间到弥散MR扫描空间的刚性变换。

以下对上述涉及的模块以及相关算法进行详细描述。

上述合成CT数据模块具体的实施方式包括：基于深度学习的方法可以从MR扫描数据合成伪CT数据。该应用最初是为了在只包含MR扫描数据的脑部放射治疗流程中生成对应的CT数据用于定量计算放疗剂量，采用的原理是基于比如生成对抗网络（GAN）等人工智能的方法来构建从参考影像域（MR）到目标影像域（CT）的生成模型。

MR成像可以清晰地显示脑区域各功能结构形态，可用于脑肿瘤等病灶区域的（半/全）自动分割，但在常规的MR影像序列中，骨皮质信号一般是缺失的或边界不够清晰，所以不适用于皮肤、颅骨的分割，本发明巧妙地将合成CT数据这一不同领域的方法引入颅脑穿刺手术术前三维模型重建流程之中，当缺少病人CT影像资料时，仅依赖MR影像也可以合成出对应的CT数据，进而从该CT数据重建病人皮肤、颅骨的三维表面模型。该合成的CT数据就是上述的伪CT数据。

上述的多模态医学影像刚性配准模块的实施方式包括：对于三维医学影像，相同病人在不同模态（或相同模态不同时间）的影像扫描中，头部姿势难以保证一致，且扫描空间本身定义也有差异。因此，影像数据间需要进行刚性配准（Registration）计算才能对齐，可通过公式描述。其中，为参考空间中一点，为参考影像数据的中心位置，为待对齐影像空间中的一点，而刚性变换包含了两部分（为旋转变换、为平移变换）。利用该变换可将待对齐的三维影像数据重采样到参考图像空间，而其逆变换则可用于将待对齐影像数据重建出的三维（表面点云）模型变换到参考模型空间。三维医学影像刚性配准的一般流程如图3所示，可基于迭代的方法逐渐逼近得到两者间的空间变换。实际应用开发中，常用的开源算法库包括了Elastix和NiftyReg等。

在本发明提出的工作流程中，刚性配准算法会参与到不同模态影像间的对齐过程,具体包括以下三类：

第一类:CT与MR诊断影像间配准：当病人同时进行了CT和MR诊断影像扫描，可将两者进行融合进而增强影像信息，前提是需要进行图像对齐。本发明中，一般将CT作为参考图像（层间分辨率一般更高），将MR影像对齐到CT数据空间。

第二类：CT或MR诊断影像与三维血管造影成像数据间配准（CTA或MRA扫描数据）：以CT或MR影像所在空间为参考空间，计算从参考空间到三维血管造影成像数据空间的刚性变换，而由逆变换可将脑动脉血管三维表面模型变换到参考空间。

例如，可采用图3所示的配准流程来迭代更新刚性变换参数：

1)基于Mattes互信息的相似性测度来度量参考图像与待配准图像间的差异、利用自适应随机梯度下降算法来更新参数；

2)采用4层图像金字塔从低分辨率到高分辨率渐进地优化变换参数，每一层图像金字塔配准得到的结果作为下一级更高分辨率图像配准的初始变换；

3)利用得到的刚性变换将CTA数据重采样到CT图像空间，使用基于B样条的重采样算法。

第三类：CT或MR诊断影像与弥散MR成像数据间配准：由于弥散MR成像数据中的基线MR影像一般分辨率较低并且显现的主要是脑区域部分的灰度信息，所以直接采用以上配准方法可能会有配准误差较大的问题，这里提出了一种结合脑区域距离映射图（DistanceMap）的配准流程方法，方案整体流程如图4所示，包含以下三个步骤：

步骤1：利用脑图谱（Brain Atlas）的方法从CT或MR诊断影像分割得到脑区域的二值掩模，具体的，采用ITK的StripTsImageFilter类。通过手动勾画或其它（半/全）自动方式从基线MR影像提取脑区域的分割掩模，具体的，可在医学影像工具3DSlicer中勾画提取出基线MR影像的脑区域二值掩模。

步骤2：对上述二值分割掩模数据分别计算距离映射图（在掩模图像中对每个前景像素都计算该像素与最近的背景像素的距离），以三维距离映射图作为输入进行刚性配准。

具体的，利用医学图像处理算法库ITK从以上掩模分别产生三维距离映射图，具体采用了ITK的SignedMaurerDistanceMapImageFilter方法类进行计算。

具体的，实施两个距离映射图间的刚性配准，得到的变换作为CT与弥散MR影像间刚性配准操作的初始变换，考虑到是对局部的参数调整，这里采用了两层高斯金字塔策略，且将梯度下降的更新步长减小，经过配准得到最终的空间变换。

步骤3：利用以上步骤得到的刚性空间变换作为初始变换，再实施CT或MR诊断影像与基线MR图像间刚性图像配准来进一步改善空间变换的精确性。

本申请通过研究发现，将病人脑部CT与MR扫描数据进行影像融合可提高肿瘤区域的分割精度，基于此本申请提出将CT与MR影像融合并与病灶区域分割模块结合来达到改善分割精度的目的。

具体的，本申请提出了一种对多模态影像进行融合、同时将独立预测得到的前景概率平均，再作为后处理模块的输入进一步改进分割结果的新方法。方案流程如图5至图8所示，分为五个步骤：

步骤1：分别收集一组具有特定病灶的病人脑部CT和MR影像数据（做过脱敏处理），使用去颅骨算法提取脑区域作为训练数据集。去颅骨算法主流的有基于脑图谱的方法和基于深度学习的方法，而本发明使用的去颅骨算法包括但不限于以上提到的方法。

步骤2：针对收集处理后的CT和MR脑区域数据集各训练一个针对该病灶的深度学习三维医学影像自动分割模型，常用的医学图像分割网络架构有U-Net及其一些改进性方法，效果较好的有nnU-Net和U-Net++等。

步骤3：术前三维建模阶段，先用去颅骨算法从已（配准）对齐的病人CT和MR影像数据中提取出脑区域，分别使用以上训练得到的网络模型对脑区域影像进行预测得到两组三维前景目标（病灶区域）的概率预测结果，将两个概率按Pixel-wise计算平均。

步骤4：将CT与MR图像进行多模态融合以加强目标边缘相对于背景的对比度差异，CT与MR的图像融合可基于不同技术方案，比如基于稀疏表示的重建方法，其融合的效果参见图7。

步骤5：在融合的三维影像上基于条件随机场（CRF）等概率分布模型算法对平均后的前景概率进行后处理修正得到更准确的目标分割结果，其中基于CRF的方法采用的是一种基于底层图像像素强度进行“平滑”分割的图模型。它的工作原理是灰度相近的像素易被标注为同一类别。

实际操作时，通过手动选定包含实际三维前景目标的局部区域来进行图像融合和后续分割修正，可以很大程度提高计算效率和节省计算资源。

针对本申请的上述病灶区域分割模块，其实施方式描述如下：

除了以上多模态情景下结合了深度学习前景目标概率预测、多模态影像融合以及后处理修正的病灶分割流程方法外，本申请中图2所示的流程更多情况是基于单模态诊断影像的病灶区域分割，可分为半自动和全自动的方法。

半自动分割方法需要交互输入，典型的如基于图切割（Graph-Cut）的算法和基于标记的形态学分水岭分割算法，需要用户在三维影像资料的不同二维视图切面上简单勾画前景和背景的标记，再与三维影像资料一同作为算法输入对前景目标区域进行预测。

而本发明中描述的全自动病灶区域分割方法包括但不限于以下方法：

基于传统机器学习的分割算法，如随机森林、支持向量机等算法模型。

基于深度学习的三维医学影像分割算法，根据输入数据的维度可分为：

2D：对CT或MR数据的每一层图像分别进行前景目标预测，优点是占用资源少，但缺乏上下层图像作为参考信息；

2.5D：输入连续几层的图像，但只对中间层进行预测，其余层仅提供图像上下文信息，弥补了2D模式的缺陷，相应的分割精度也会更高；

3D：需要把待分割的三维影像数据划分成若干个如大小的三维数据块来分别进行预测，分割精度高，但相应的计算资源开销最大。

基于Graph-Cut方法进行病灶（如血肿）区域分割，具体实施步骤为：

步骤1：将CT影像的脑区域二值分割掩模与CT影像相乘从CT影像中切出脑区域的三维数据，在此数据上勾画病灶的前、背景标记；

步骤2：使用Graph-Cut开源算法库对血肿区域进行分割，标记和脑区域的影像数据作为算法输入计算得到病灶的二值分割掩模，再利用脑区域边界框的偏移信息，将分割得到的二值掩模结果还原到原CT空间。

针对本申请的头颅、颅骨区域分割模块，其实施方式描述如下：

CT成像基于X射线穿过不同物质时能量会被不同程度地吸收这一物理原理，而物质的吸收系数则反映到CT数据每个体素的灰度值，单位为Hounsfield Unit（HU）。两者的关系可由公式定义，其中为水的吸收系数。

对于常规CT扫描，骨头相比各种软组织结构对X射线的吸收性通常更强，因此在脑部CT成像数据的灰度直方图分布上颅骨区域相比于其它结构如灰白质、血管、颅内病灶等会分布在一个较高的灰度值区段，所以一般选择合适的阈值范围就能较为准确的分割出颅骨区域。

而对于整个颅脑区域的分割，由于脑部CT扫描包含的对象除了病人头部外只有CT背板和空气，同样可采用调节灰度直方图上下区间进行阈值分割得到准确的二值掩模。注意一点，分割得到的头颅区域（体素掩模值为1）中可能会包含空洞结构（体素掩模值为0），造成后续生成的皮肤三维表面模型会存在一些孤立的封闭小区域，因此需要对分割得到的二值掩模数据进行空洞填充操作。

采用阈值分割的方法从CT影像提取颅骨和颅脑的二值分割掩模，具体实施方式为：

颅骨区域：对于CT灰度值小于120HU或大于2000HU的体素掩模设为0，其余的设为1；

颅脑区域：选取-400HU到2400HU的阈值区间，体素灰度值在此之间的掩模填1，之外的填0；

对颅脑区域的二值分割掩模分别进行二维各层和三维整体的空洞填充，基于ITK来实现：1）对二维各层基于BinaryFillhole2DImageFilter类；2）对三维整体则基于BinaryFillhole3DImageFilter类。

针对本申请的脑动脉血管分割模块，其实施方式描述如下：

脑动脉血管的结构很难在普通的CT或MR影像中显现，临床上需要借助CTA或MRA扫描成像实现分割与建模。脑动脉血管的二值掩模提取可以基于阈值分割方法，如Otsu，也可以采用基于深度学习的三维脑动脉血管分割方法。

在本发明中，脑动脉血管的分割包括但不限于基于手动或自动阈值分割的方法和基于深度学习的脑动脉血管分割方法。无论选用哪种方法，为了避免不相干信息如皮肤颅骨的干扰，首先需要去颅骨提取出大脑区域，本发明采用了和前述相同的脑图谱方法，包含了三个步骤：

步骤1：选择一个图像质量较高、典型的CT或MR脑部扫描影像数据，手动将脑部区域精确勾画分割出来，构成脑图谱模板，该模板包含了两部分：影像数据、脑区域二值分割掩模。

步骤2：实施仿射（Affine）配准计算该图谱中的模板影像数据与实际病人脑部扫描影像之间的仿射变换，用该变换将脑图谱中的模板二值掩模数据重采样到病人CT或MR扫描空间。

步骤3：对重采样后的模板脑区域二值分割掩模进行形态学腐蚀操作（Erosion），再利用Level-Set方法自动膨胀分割出精确的脑部区域。

从已对齐的病人CTA影像分割提取脑动脉血管结构，具体实施步骤包括：

步骤1：在多模态医学影像刚性配准模块中，已利用ITK的脑图集方法类StripTsImageFilter得到了CT影像的脑区域二值分割掩模，利用ITK的BinaryErodeImageFilter方法类对得到的掩模进行形态学腐蚀操作，所用结构元素是半径为5的圆，得到一个略缩小的二值掩模数据；

步骤2：将该二值掩模与已对齐的病人CTA影像数据相乘，再利用自动阈值分割方法Otsu进行脑动脉血管分割，使用了ITK的OtsuThresholdImageFilter方法类，最后对结果提取最大联通区域去除噪声点，使用了ITK的ConnectedComponentImageFilter方法类，得到血管结构的二值分割掩模。

针对本申请的上述脑神经纤维束重建模块，具体实施方式描述如下：

基于弥散MR影像的脑神经纤维束三维重建是以探测水分子在脑实质空间的弥散方向为基础来对纤维束的三维走向进行估计的技术，可概括为有模型和无模型两类研究方向。相比无模型方法，有模型方法只需要对较少（最少六个）的非共线方向进行采集得到敏感梯度图像就可以估计整个纤维束的走向分布，但也会受到假设模型自身特定的扩散结构带来的约束限制，并且可能存在过拟合的情况。

当前主流的脑神经纤维束三维模型重建技术包括但不限于弥散张量成像（DTI）、神经突取向分散与密度成像（NODDI）、弥散谱成像（DSI）、Q空间球面成像和广义Q采样成像等，其中基于DTI重建的方法最为经典和常用，已被证明广泛适应于不同强度的弥散MR数据。

本发明中的神经纤维束三维模型重建流程可无缝嵌入到图2所示的影像链工作流程框架中。其包含下述四个步骤：

步骤1：从弥散MR影像数据的基线MR图像手动勾画提取脑区域二值掩膜，即确定了DWI脑区域。具体的，在多模态医学影像刚性配准模块中，已提取出基线MR影像的脑区域二值分割掩模，因为与DWI影像具有相同的成像空间，通过与DWI影像相乘可得到只包含脑区域的DWI数据。

步骤2：基于Stejskal-Tanner（ST）公式对病人脑区域的DWI影像数据实施DTI重建计算。具体的，基于栅格数据处理及可视化算法库Teem从脑区域DWI数据计算出DTI图像（采用了Stejskal-Tanner公式进行计算），接着通过DTI图像中的特征值计算得到非等向性指标（Fractional Anisotropy，FA）图像。

步骤3：手动或自动的方式在DTI影像上选择待追踪的特定神经纤维的起始区域，并从起始区域生成种子点，再基于种子点在DTI数据空间进行纤维束走向追踪，得到脑神经纤维束三维模型。具体的，利用3DSlicer工具中的二维掩模勾勒工具在FA图像上对神经束起始追踪区域进行ROI勾勒以形成种子点，再利用vtkDMRI算法库的vtkSeedTracts方法对DTI数据进行跟踪，形成三维脑神经纤维束模型（如图9所示例的皮质脊髓纤维束和丘脑前辐射纤维束）。

步骤4：根据多模态医学影像刚性配准模块所述，计算病人CT或MR扫描影像（参考）空间与弥散MR成像空间的刚性变换，由其逆变换将脑神经纤维束三维模型变换到参考图像空间。

针对本申请的上述三维表面模型抽取模块，其具体实施方式描述如下：

可采用经典的Marching Cubes方法从三维分割掩模数据抽取等值面生成对应的三维表面网格模型。

在三维表面模型抽取模块中，抽取皮肤、颅骨、脑动脉血管和血肿的三维表面模型，具体实施步骤包括：

步骤1：ITK中的BinaryMask3DMeshSource方法类实现了基于二值图像的MarchingCubes方法，利用它抽取出表面网格，将其存储在数据结构ITK::Mesh中；

步骤2：将ITK::Mesh数据转换为三维可视化算法库VTK的数据结构vtkPolyData对象进行三维可视化交互、保存；

步骤3：考虑到生成的脑动脉血管结构的三维表面模型通常较为粗糙，可能会有毛刺和锯齿，利用VTK的vtkSmoothPolyDataFilter方法类实现一定程度的光滑。

本申请的上述方法可基于不同类型的影像扫描数据的输入来创建全三维场景，这些全三维场景可用于术前规划和术中导航。上述方法对病人获取的不同种类的影像扫描数据进行了分类处理，充分合理的利用了每种影像扫描数据，且每种处理方式都可以充分利用病人的影像扫描数据来建立相关的三维模型，这些三模型充分利用了三维医学影像的立体特性。这样使得后续的导航和规划更加精确。

本申请的实施例还提供了一种颅脑穿刺术前三维模型的建模系统，该系统包括：数据获取单元和数据处理单元。

所述数据获取单元用于获取需要颅脑穿刺手术病人的影像扫描数据。

所述数据处理单元用于根据影像扫描数据的类型按照不同处理流程来处理，最终重建形成对应的三维模型。

具体的，所述数据处理单元的工作原理可参考上述对颅脑穿刺术前三维模型的建模方法的描述。也就是该数据处理单元就是为了实现上述方法而设置。

本申请的实施例还提供了一种计算机装置，包括：处理器、存储器、通信接口和通信总线，所述处理器、存储器和通信接口通过所述通信总线完成相互间的通信，所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行所述的颅脑穿刺术前三维模型的建模方法对应的操作。

本申请的实施例还提供了一种计算机存储介质，所述计算机存储介质中存储有至少一个可执行指令，所述可执行指令使处理器执行所述的颅脑穿刺术前三维模型的建模方法对应的操作。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。