目前我国有许多人受到脊椎相关病症的困扰,手术是脊椎病最有效的治疗方式之一。传统的脊椎手术过度依赖医生的主观经验,手术风险高,医生在手术中使用影像导航技术可以降低手术风险和复杂度。但是,目前手术影像导航存在一些问题:术前规划阶段,对脊椎CT三维可视化分割过程中存在脊椎边界不明和成像噪声等问题,导致其分割准确度低;术中实施阶段,配准方法易受浮动图像初始位置影响,且其配准效率会受算法流程中数字影像重建(DRR)图像生成数量影响;此外,其准确度也会受术前和术中影像中各段椎骨间相对运动影响。基于此,本文研究如下:(1)提出通过Attention Net定位脊椎,并使用改进的Dense UNet对脊椎进行分割的方法,以提高脊椎分割准确度。先对Attention Net进行训练得到注意力图,同时改进Dense UNet用以进行预训练和分割模型的训练,预训练后生成预测图;之后将预测图、注意力图和原图像多通道拼接融合,输入至初始参数设置为预训练参数的改进Dense UNet中进行训练。由实验可得,相比于Dense UNet,本文分割模型准确度提高0.94%,所需参数减少15.8%。(2)提出一种由粗到精的配准参数求解算法,以减少术中2D-3D配准过程中生成DRR的数量,提高配准参数对初始位置的鲁棒性。本算法首先对体数据X,Y轴旋转参数以10°进行采样,相似性度量最大位置即为X,Y轴旋转参数初始位置,分别使用边缘梯度方向直方图、DRR生成原理、相位相关法更新其他配准参数;然后使用步长加速法求解X,Y轴旋转参数,并按上述方法求解其他配准参数;最后对配准参数按照顺序精细优化,当相似性度量更优时更新其后续参数。由实验可得,该配准方法保证了初始位置90°内配准结果的鲁棒性,且相较于传统粒子群(PSO)+Powell配准算法DRR数量减少近1倍。(3)提出先对脊椎CT自动分段再逐段配准的方法,以减少椎骨间相对运动对配准结果的影响。首先利用(1)中分割模型对脊椎CT预处理,使用平行投影生成DRR图像;然后对DRR图像进行角点检测,根据角点周围骨组织像素分布筛除无效角点;接着将各有效角点按纵坐标排序,根据邻域类型分布规律分段;之后根据DRR图像定位原脊椎CT中各段脊椎,并生成掩膜进行分段;最后划分参考图像的配准区域,并逐段进行配准。由实验验证了本算法在解决椎骨间相对运动影响配准结果问题中的可行性。