点云处理
Parent: ai_keywords
点云处理（Point Cloud Processing）
【核心定义】
点云处理是指对由三维扫描设备（如LiDAR、结构光、MRI/CT重建）获取的大量离散三维坐标点集进行获取、滤波、配准、分割、特征提取与语义理解的技术体系。在医学影像中，点云通常源于MRI/CT体数据的表面重建或术中立体定位系统，是连接几何形态与临床决策的桥梁。
【关键技术点】
- 点云滤波与降噪：利用统计离群点剔除（SOR）、半径滤波或体素网格下采样，去除扫描噪声与冗余点，保留关键解剖结构。
- 点云配准：通过迭代最近点（ICP）或其变种（如稀疏ICP、全局配准），将不同模态（术前MRI与术中3D扫描）或不同时间点的点云对齐，实现解剖位置的精准对应。
- 点云分割：基于几何特征（曲率、法向量）或深度学习方法（PointNet++、Point Transformer），将点云划分为不同解剖区域（如脑皮质白质、灰质、血管），支撑病灶定位。
- 深度学习点云分析：采用置换不变网络处理无序点云（PointNet系列），或基于3D稀疏卷积（SparseConvNet）提取局部-全局特征，实现自动化分类、检测与回归。
【医学/神经科学应用场景：脑卒中后皮质运动区精准规划】
以首都医科大学宣武医院神经外科脑卒中后神经功能重建为例。患者术前MRI及弥散张量成像（DTI）重建出皮质脊髓束（CST）与病灶周围脑皮层点云模型。术中，利用高精度激光扫描或结构光获取暴露脑表面的实时点云。关键技术融合：
- 点云配准：将术前皮层点云与术中脑表面点云通过ICP算法对齐，补偿脑漂移；
- 点云分割：基于曲率与深度特征自动识别中央沟、额下回等关键功能区，并与术前功能影像（fMRI）点云标签融合。
- 效果：神经外科医生可在导航系统上实时避开CST及语言区，将深度电极或激光消融路径误差控制在1mm内，显著降低术后偏瘫失语风险。 该技术同样可扩展至癫痫灶切除（海马体点云与电极轨迹规划）及帕金森DBS靶点（丘脑底核点云与电刺激场叠加）的精准指导。
