随着社会的发展，越来越多的人在室内办公，这使得脊椎类疾病的发病率大大提升，有报道称脊柱类疾病在青少年中的发病率为25%，中年人为40%，老年人高达98%。当脊柱类疾病严重到一定程度就需要进行手术治疗，椎弓根螺钉植入手术是治疗脊柱类疾病的常用且有效的方法。

上图左边是脊柱侧弯患者的X-ray图片，右边是对脊柱侧弯进行椎弓根螺钉植入手术矫正的X-ray图片。但是椎弓根结构复杂，手术难度较大，手术失败率高,即使经验丰富的医生也容易发生节段位置错误、螺钉穿破椎弓根内外壁、神经根损伤等意外。下图是由于螺钉植入的角度或深度不当而导致的手术失败的X-ray图片。为了提高手术的成功率，需要精确的知道脊椎的位置和姿态。

图像引导的椎弓根手术主要有X-ray引导和CT引导。X-ray引导是实际手术中常用的方法，其成像设备简单，成像速度快，但是不能提供病人脊椎的3D信息，因此手术的失败率依然高达15%-40%。

CT引导的手术能够提供包括病人脊椎包括空间位置和姿态的3D信息，能够很好的辅助医生进行手术，但是其成像速度慢，设备复杂，仪器昂贵，在术中应用较少。

为了在术中为医生提供病人的3D信息，一个可行的方法便是将术中2D的X-ray图像与术前3D的CT图像进行配准，从而间接的在术中为医生提供病人的3D信息本研究的主要内容便是CT和X-ray的脊椎2D/3D配准

传统配准方法基于搜索，是将3D图像通过不同的投影参数投影到2D空间，通过某种相似性度量得到与X-ray最佳匹配的图像。

由于传统配准方法的缺点，基于机器学习的2D/3D配准方法得到了越来越多研究者的关注，其通过建立姿态模型，即投影参数与投影图像的关系进行配准。这种方法计算效率高，难点在于如何建立姿态模型

本方法主要包括三个部分。第一部分为建立统计形状模型，在术前使用训练集的CT图像投影生成2D的DRR（Digitally reconstructed radiograph，DRR）图像，并和X-ray图像一起建立统计形状模型AAM；第二部分为建立姿态模型，在术前对病人的CT图像进行DRR投影，使用AAM模型分割DRR图像中目标脊椎，并得到形状参数，然后建立投影参数与形状参数之间的关系；第三部分为配准，在术中，使用AAM模型对X-ray图像的目标脊椎进行分割，并得到形状参数，再使用姿态模型通过形状参数直接得到投影参数，从而完成配准。

本文将3D的CT图像投影成2D的DRR图像，并对2D的DRR图像和X-ray图像进行AAM建模。为了可以使用同一个统计形状模型来对DRR图像和X-ray进行标志点的定位，本文将DRR图像和X-ray图像放在一起建立一个统一的AAM模型。

首先对DRR图像和X-ray图像提取标志点，然后在分别建立形状模型和灰度模型，在建立统一的联合模型，最后建立分割模型。

为了避免配准搜索的过程，本节建立了姿态模型，即脊椎和投影参数之间的关系。由于DRR图像和X-ray图像属于不同的模态，其灰度信息有一定的差异，因此用DRR图像的灰度信息建立的姿态模型直接应用于X-ray图像并不合适。考虑到脊椎的形状信息不但受模态的影响小而且与投影参数也有较强的相关性，所以本文使用形状信息来建立姿态模型。

在术前，针对由CT投影生成的DRR图像，首先用AAM模型分割目标脊椎得到其形状参数，然后建立姿态模型，即形状参数与投影角度之间的关系；在术中，先对X-ray图像使用AAM模型分割目标脊椎得到形状参数，然后通过术前得到的姿态模型求取投影参数。