把两组标志点送进配准程序界面显示“RMS 误差 0.6 mm”。点云叠加也很好看于是我们去检查远处的目标点却发现位置偏了几毫米。继续删除残差大的点训练分数下降目标位置却未必更准确。这里有一个关键区别参与配准的点之间还差多少与某个独立目标点经过变换后离真值多远回答的是不同问题。本文从 FLE、FRE、TRE 的定义出发用刚体点配准和可复现的合成实验解释为什么小残差不能独自证明目标准确。阅读范围面向三维视觉、医学影像和空间定位软件开发者。本文仅讨论已知点对应关系的三维刚体配准示例不读取患者数据不处理组织形变也不提供临床误差阈值。所有实验数值来自合成数据不代表实际设备精度。资料核对日期2026 年 10 月 15 日。一、先分清 FLE、FRE 与 TRE图 1三类误差对应三个不同问题原创教学示意图合成数据名称关注什么需要什么信息FLEFiducial Localization Error标志点的观测位置与真实位置之间的偏差真实位置或可解释的定位误差模型FREFiducial Registration Error配准后参与拟合的对应标志点之间的残差观测点与估计变换可直接计算TRETarget Registration Error目标点经估计变换后相对于真实对应位置的偏差独立目标的真实对应关系或适当参考这几个术语是点配准误差分析的基础。经典研究讨论了定位误差、标志点布局和目标位置与配准精度之间的关系相关来源包括 Fitzpatrick、West 与 Maurer 的刚体点配准研究 和 The Role of Registration in Accurate Surgical Guidance。1.1 本文明确使用的计算定义x_i_obs源空间中观测到的标志点 y_i_obs目标空间中对应的观测标志点 T_hat从源空间到目标空间的估计刚体变换 FRE_RMS sqrt(mean(||T_hat(x_i_obs) - y_i_obs||^2)) q_true未参与求解的源空间目标点真值 T_true真实的源→目标变换 TRE(q) ||T_hat(q_true) - T_true(q_true)||本文用 FRE_RMS 表示一组训练标志点上的三维欧氏距离均方根。对某个目标TRE 是一个位置误差长度后文会再对多次随机试验中的 TRE 做均方根统计。两种聚合层次必须分别写清。1.2 独立检查点的测量残差不一定是纯 TRE实际工作中我们通常没有目标真值只能在两边再次测量检查点。此时残差同时包含配准变换误差与检查点自身定位误差甚至还包含参考或时间变化。它可以成为有用的验证指标但不应不加说明地把全部差值解释为纯配准 TRE。同样整个导航或测量系统的最终偏差还可能包含工具标定、追踪、坐标变换和形变等因素。FRE、TRE 与系统总误差不能互换。二、为什么训练残差很小目标误差仍可能很大2.1 求解器只看到了观测点刚体点配准通常寻找一个旋转 R 与平移 t使已知对应的点尽量接近。它优化的是输入观测上的目标函数不知道每个点真正应该在哪里。如果观测中存在共同偏差估计变换可能很好地解释这份有偏数据。minimize sum(||R x_i_obs t - y_i_obs||^2) subject to R.T R I and det(R) 1这个问题的最优解可以通过质心、协方差矩阵与奇异值分解求得。下面实现的是不允许尺度变化、也不允许镜像反射的刚体拟合。Kabsch-Umeyama 相关代数依据可参阅 NIST 的算法研究。2.2 点布局影响旋转信息目标位置影响误差放大如果所有标志点挤在很小的范围内轻微旋转造成的点位变化也很小旋转估计更容易受到定位扰动影响。远处目标受到同样角度误差时位置变化却可能明显放大。这种放大还与方向有关绕某个轴旋转时靠近该轴的点与远离该轴的点受到的影响不同。因此“离质心越远一定越差”不是适用于每个点、每种误差的完整定律但目标位置与布局确实不能从验证中省略。图 2对比点数相同但空间分布不同的布局原创教学示意图合成数据2.3 增加点数与改善点布局不是同一件事在同一小区域反复采集可能有利于观察部分随机波动却不会自动获得更广的几何覆盖。重复定位偏差、相关噪声和共同参考漂移也可能被多次重复采样带入。评价方案时需要同时记录点数、分布、目标区域和定位条件。更大分布不意味着可以忽略参考稳定性或随意扩展采样。实际点的可见性、定位质量和刚性假设也会变化。本文比较刻意固定点数、真实变换和随机噪声样本只观察布局改变的影响。三、先明确变换方向与模型边界3.1 本文 T 把源点变成目标点p_target R p_source t # 点按行存储为 Nx3 数组时 target_points source_points R.T t数学上使用列向量与代码中按行存储 N 个点并不矛盾。矩阵乘法需要相应转置不是把变换方向反过来。求逆时也不能只把平移取负应使用完整刚体逆变换。不同库的变换方向可能不同。例如 SimpleITK 图像配准框架通常返回从 fixed 物理坐标映射到 moving 物理坐标的变换这与很多人根据“把 moving 画到 fixed 上”产生的直觉不一致。使用前应查 API而不是只看变量名字。来源SimpleITK Registration Overview。3.2 刚体、相似与仿射不能随意切换刚体只有旋转与平移相似变换增加统一尺度仿射还能表示更多线性变化。更灵活的模型可以降低某些训练残差但也可能掩盖单位错误或不适当的数据对应。不能为了“把分数压下来”而不说明地改变模型。Slicer 的标志点配准工具也区分这些变换类型见 Fiducial Registration 文档。本文拒绝重合或共线布局因为这些布局不足以唯一确定一般三维刚体变换。平面但不共线的已知三维对应点可以确定保持方向的刚体变换不能把“共面”直接等同于“必然不能配准”。接近退化时数值和噪声敏感性仍需另外检查。四、完整 Python 实验相近 FRE不同目标误差实验使用八个立方体顶点作为标志点。小布局半边长为 5 mm大布局半边长为 60 mm二者使用完全相同的 1000 组随机定位噪声。源空间与目标空间各坐标分量的独立高斯噪声标准差均为 0.30 mm。这里的 0.30 mm 是每个空间中每个坐标分量的标准差不是三维误差向量长度也不是两空间合并后的误差。目标点真值设为中心 (0,0,0) 和 (150,0,0) mm两者都不参与拟合。python -m pip install numpy python registration_demo.pySynthetic rigid point registration: training FRE is not target truth. from pathlib import Path import json import numpy as np def apply(T, points): points np.asarray(points, float) return points T[:3, :3].T T[:3, 3] def fit_rigid(source, target): source, target np.asarray(source, float), np.asarray(target, float) if source.shape ! target.shape or source.ndim ! 2 or source.shape[1] ! 3: raise ValueError(Expected corresponding Nx3 point arrays) if len(source) 3 or not np.isfinite(source).all() or not np.isfinite(target).all(): raise ValueError(Need at least 3 finite pairs) mu_s, mu_t source.mean(axis0), target.mean(axis0) x, y source - mu_s, target - mu_t for centered in [x, y]: singular np.linalg.svd(centered, compute_uvFalse) if singular[0] 0 or singular[1] 1e-8 * singular[0]: raise ValueError(Coincident or collinear layout) U, _, Vt np.linalg.svd(x.T y) R Vt.T U.T if np.linalg.det(R) 0: # exclude reflection Vt[-1] * -1 R Vt.T U.T T np.eye(4) T[:3, :3], T[:3, 3] R, mu_t - R mu_s assert np.allclose(R.T R, np.eye(3), atol1e-10) assert np.isclose(np.linalg.det(R), 1.) return T def rms_distance(a, b): return float(np.sqrt(np.mean(np.sum((a-b)**2, axis1)))) def rotation_z(degrees): r np.deg2rad(degrees) return np.array([[np.cos(r), -np.sin(r), 0.], [np.sin(r), np.cos(r), 0.], [0., 0., 1.]]) rng np.random.default_rng(20261015) T_true np.eye(4) T_true[:3, :3] rotation_z(20.) T_true[:3, 3] [40., -25., 70.] cube np.array([[x,y,z] for x in [-1.,1.] for y in [-1.,1.] for z in [-1.,1.]]) fiducials cube * 20. exact fit_rigid(fiducials, apply(T_true, fiducials)) np.testing.assert_allclose(exact, T_true, atol1e-10) np.testing.assert_allclose(apply(np.linalg.inv(exact), apply(exact, fiducials)), fiducials) # Planar but non-collinear layouts are allowed; collinear ones are rejected. plane np.array([[0.,0.,0.],[10.,0.,0.],[0.,10.,0.],[10.,10.,0.]]) np.testing.assert_allclose(fit_rigid(plane, apply(T_true, plane)), T_true, atol1e-10) try: fit_rigid(np.array([[0.,0.,0.],[1.,0.,0.],[2.,0.,0.]]), np.array([[0.,0.,0.],[1.,0.,0.],[2.,0.,0.]])) except ValueError: pass else: raise AssertionError(Collinear input should be rejected) # Compare geometry using exactly the same localization-noise draws. trials, sigma_mm 1000, 0.30 # componentwise noise SD in each space source_noise rng.normal(0., sigma_mm, (trials, 8, 3)) target_noise rng.normal(0., sigma_mm, (trials, 8, 3)) check_points np.array([[0.,0.,0.], [150.,0.,0.]]) check_truth apply(T_true, check_points) summary [] for half_extent in [5., 60.]: clean_source cube * half_extent clean_target apply(T_true, clean_source) fre_values, tre_values [], [] for e_s, e_t in zip(source_noise, target_noise): observed_source, observed_target clean_sourcee_s, clean_targete_t estimated fit_rigid(observed_source, observed_target) fre_values.append(rms_distance(apply(estimated, observed_source), observed_target)) tre_values.append(np.linalg.norm(apply(estimated, check_points)-check_truth, axis1)) fre_values, tre_values np.array(fre_values), np.array(tre_values) summary.append(dict(half_extenthalf_extent, mean_frefloat(fre_values.mean()), tre_rmsnp.sqrt(np.mean(tre_values**2, axis0)).tolist(), far_tre_p95float(np.percentile(tre_values[:,1],95)))) assert abs(summary[0][mean_fre]-summary[1][mean_fre]) .03 assert summary[0][tre_rms][1] 4*summary[1][tre_rms][1] # A correlated observation-bias counterexample: measured targets are rotated # by 2 degrees around the true fiducial centroid, with no random noise here. small_source cube * 5. clean_target apply(T_true, small_source) center clean_target.mean(axis0) bias_R rotation_z(2.) biased_target (clean_target-center) bias_R.T center biased_T fit_rigid(small_source, biased_target) bias_fre rms_distance(apply(biased_T,small_source),biased_target) far_point np.array([[300.,0.,0.]]) bias_tre float(np.linalg.norm(apply(biased_T,far_point)-apply(T_true,far_point))) expected 2*300*np.sin(np.deg2rad(1.)) assert bias_fre 1e-10 and abs(bias_tre-expected) 1e-9 result dict(trialstrials, per_space_component_sigma_mmsigma_mm, layoutssummary, correlated_bias_frebias_fre, correlated_bias_far_trebias_tre) Path(__file__).with_name(results.json).write_text(json.dumps(result,indent2)) for row in summary: print(fhalf extent {row[half_extent]:.0f} mm: mean FRE{row[mean_fre]:.4f} mm; fTRE RMS center/far{row[tre_rms][0]:.4f}/{row[tre_rms][1]:.4f} mm) print(fCorrelated bias: FRE{bias_fre:.8f} mm; far TRE{bias_tre:.4f} mm) print(PASS: exact recovery, inverse, planar layout, collinear rejection, layout effect, bias counterexample)4.1 本次实际输出布局半边长平均 FRE_RMSmm中心目标 TRE RMSmm远目标 TRE RMSmm远目标 TRE 第95百分位mm5 mm0.62990.26644.55367.990660 mm0.63000.26640.46230.7444图 31000 次合成试验的统计结果原创教学示意图合成数据两种布局的平均 FRE 都约为 0.63 mm看起来几乎没有差别。但在距离中心 150 mm 的目标处小布局的 TRE RMS 约为 4.55 mm大布局约为 0.46 mm。中心目标的两种结果则都约为 0.27 mm。这不是用单次“最好”或“最坏”结果挑出的对比。两种布局复用了相同噪声样本再对全部试验统计关键差异来自布局与目标位置而不是更换了一组更有利的随机数。4.2 如何读表中的平均值、RMS 与百分位平均 FRE_RMS 的计算方式是每次试验先对八个训练残差求 RMS再把 1000 次 RMS 求平均。目标 TRE RMS 则是固定同一个目标对 1000 次目标误差平方取平均再开方。第 95 百分位是这组误差分布中的样本分位值。这些量不是同一个统计定义。样本第 95 百分位也不是“这台设备有 95% 置信度保证不超过此值”更不是临床安全边界。报告中应保留统计层次、样本条件和单位不宜都缩写成一个“平均误差”。五、第二个反例FRE 接近零远处目标仍然明显偏5.1 在观测中加入一个共同旋转偏差第二个实验不再使用独立随机噪声而是把目标端的八个观测点绕它们的真实质心统一旋转 2°。这些有偏观测仍然能被一个刚体变换完美解释所以训练 FRE 数值上接近零。但是与真实变换相比距离质心 300 mm、垂直于旋转轴方向的目标会产生约 10.471 mm 的误差。对应几何关系为 2·300·sin(1°)。局部标志点的偏移很小并不阻止远处目标出现更大的偏差。被共同偏差改变的目标观测 y_biased R_bias (y_true - centroid) centroid 训练拟合 x_obs → y_biasedFRE 可以接近 0 验证比较 T_hat(q_true) 与 T_true(q_true)目标仍然偏移这是刻意构造的相关误差反例用来说明目标函数的边界它不是前一节独立高斯误差模型的另一组随机样本也不说明实际设备一定存在 2° 偏差。两类实验的误差假设必须分别说明。5.2 不能把反例变成“FRE 没有用”FRE 仍然有用大残差可能提示点对应错误、定位异常、模型不适用或输入问题逐点残差也能帮助追查数据。真正需要避免的是把训练 FRE 当作所有目标位置误差的充分证明。同样也不能从本文推导“FRE 与 TRE 在所有条件下完全没有统计关系”。两者关系需要结合定位误差模型与几何条件讨论。本文的可重复结论是单个低 FRE 不足以替代对独立目标的验证。六、为什么删点后分数更低结果却未必更好如果某个点发生错配或严重定位失败剔除或重新采集有合理依据。但如果只按训练残差不断删点可能删掉了提供重要空间覆盖的点也可能让模型只在更容易拟合的局部区域表现好。应保存剔除理由、原始残差与剔除后布局并在固定的独立检查点上比较结果。不能让参与选点和调参的同一批检查点最后又被称为“从未参与选择的验证集”。加权配准同样需要依据。若点的定位不确定性不同可以研究适当权重但权重本身应来自可靠的信息或可检验的模型为了得到漂亮分数随意降低困难点权重无法建立准确性证据。本文代码采用等权重。七、表面重合、图像相似与点配准残差也不能互换点配准要求明确的点对应关系表面配准可能依赖最近邻关系或其他距离强度图像配准还可能优化相关性、互信息等指标。不同方法的代价函数不一定在衡量同一种几何误差。两个表面看起来贴合不一定意味着内部目标准确两幅图像整体相似也不自动证明每个解剖位置都正确对应。检查方法应匹配任务区域和模型而不是把不同算法的单一分数拿到同一个排行榜中。SimpleITK 的配准框架区分变换、相似性度量、优化器与插值器这些组成部分各自有约定。算法收敛表示满足某种停止条件不等于找到了已知真实解。参考SimpleITK Registration Overview。八、独立验证应该怎样设计图 4从训练检查到独立物理验证原创教学示意图合成数据8.1 先明确目标区域而不是只在标志点附近检查把待验证的位置与实际工作范围对应起来记录它们相对于标志点布局的距离和方向。中心、边缘、远处或其他关键区域可能反映不同误差模式不能只在最容易通过的位置测一次。真实环境的点选择与布置受可见性、刚性、定位质量和任务要求约束。本文不提供面向患者的标志点放置操作方案工程方案应依据其设备、专业流程和验证证据确定。8.2 检查点不能参与求解但“不参与”还不够检查点不参与拟合是区分训练与验证的起点。但它们仍可能与训练数据共享图像几何错误、同一追踪参考的漂移、同一标定板的尺寸偏差或同一次变形。验证报告需要说明参考来源和可能的共同误差。要估计更接近真实的目标误差参考本身的位置、稳定性和不确定性应能够解释。NIST 的 Guidelines for the Registration of Two Coordinate Frames 提供了坐标系配准问题的工程背景具体应用仍需制定自己的测量与验收方案。8.3 区分重复性、偏差与总链路误差反复执行同一流程可以观察波动却可能稳定复现共同偏差。独立参考可以帮助揭示偏差但参考自身也有误差。如果最终任务还包括工具、追踪器、机械臂或额外变换应记录整条链不把全部结果归因于某一个配准算法。对于非刚性对象术前与术中形态变化还可能破坏刚体假设。配准时的训练误差再小也不能证明目标后来仍处于相同空间关系。需要另行观察参考状态和模型适用条件。九、一张实用排错表现象优先提出的问题验证思路FRE 小远处目标偏布局是否局限目标是否远离受约束区域按目标位置分层检查不只看总 RMS结果整体平移参考漂移、方向或单位是否有误已知点、参考稳定性与变换链复核方向异常或出现镜像左右约定、点序、反射或矩阵方向是否错误检查 det(R)1、方向标记和点对应删点后分数下降但目标变差是否损失了关键几何覆盖固定独立检查点比较保存剔除原因换一次采样差异很大定位波动、近退化布局或错误点是否存在逐点残差与布局敏感性分析开始准确之后变差参考、对象形态或工具状态是否改变检查时间相关变化和刚体假设掩膜叠加错位索引、LPS/RAS、原点与方向是否混用物理坐标验证避免只按数组形状对齐这些是排错入口不是由症状直接确认唯一原因。实际问题可能叠加多种误差一次修复后仍应在原定工作范围内重新验证。十、这份教学代码验证了什么遗漏了什么已验证已知刚体变换恢复、正逆映射、非共线平面点配准、共线输入拒绝、同噪声下的布局比较以及共同旋转偏差反例。所有计算使用 NumPy不依赖图像检测或外部标注。未覆盖真实图像几何与定位过程、外点鲁棒估计、异方差或各向异性误差、参考漂移、非刚性形变、实时同步、完整导航误差和临床安全评估。代码中的退化判据只服务于示例输入检查不是应用中的误差验收门限。反射修正用于将解约束为保持方向的旋转它不负责发现所有错配。即使输出旋转矩阵合法点对应关系仍然可能错算法结构检查与数据语义检查需要分别存在。结语配准分数要与位置、模型和验证条件一起读FRE 告诉我们观测标志点在估计变换下拟合得怎样TRE 关注独立目标相对于真实对应位置的偏差。点布局、目标位置、共同偏差和参考条件会让这两个问题得到不同答案。把训练残差、独立检查与完整任务验证分开记录比继续压低一个总分数更有价值。一个可信的结果不只是“误差很小”还应能说明在哪里、相对于什么参考、在什么条件下小。参考资料Fitzpatrick 等Predicting error in rigid-body point-based registrationThe Role of Registration in Accurate Surgical GuidanceNISTKabsch-Umeyama 算法的代数解释NISTGuidelines for the Registration of Two Coordinate Frames3D SlicerFiducial RegistrationSimpleITKRegistration Overview写在最后从熟悉的知识里发现新的问题“温故而知新可以为师矣。”—— 孔子《论语·为政》再看一次熟悉的误差指标重新检查它的定义与边界也许就能发现过去忽略的问题。把每一个结论建立在可重复的验证上学习与工程都会更扎实。
把两组标志点送进配准程序界面显示“RMS 误差 0.6 mm”。点云叠加也很好看于是我们去检查远处的目标点却发现位置偏了几毫米。继续删除残差大的点训练分数下降目标位置却未必更准确。这里有一个关键区别参与配准的点之间还差多少与某个独立目标点经过变换后离真值多远回答的是不同问题。本文从 FLE、FRE、TRE 的定义出发用刚体点配准和可复现的合成实验解释为什么小残差不能独自证明目标准确。阅读范围面向三维视觉、医学影像和空间定位软件开发者。本文仅讨论已知点对应关系的三维刚体配准示例不读取患者数据不处理组织形变也不提供临床误差阈值。所有实验数值来自合成数据不代表实际设备精度。资料核对日期2026 年 10 月 15 日。一、先分清 FLE、FRE 与 TRE图 1三类误差对应三个不同问题原创教学示意图合成数据名称关注什么需要什么信息FLEFiducial Localization Error标志点的观测位置与真实位置之间的偏差真实位置或可解释的定位误差模型FREFiducial Registration Error配准后参与拟合的对应标志点之间的残差观测点与估计变换可直接计算TRETarget Registration Error目标点经估计变换后相对于真实对应位置的偏差独立目标的真实对应关系或适当参考这几个术语是点配准误差分析的基础。经典研究讨论了定位误差、标志点布局和目标位置与配准精度之间的关系相关来源包括 Fitzpatrick、West 与 Maurer 的刚体点配准研究 和 The Role of Registration in Accurate Surgical Guidance。1.1 本文明确使用的计算定义x_i_obs源空间中观测到的标志点 y_i_obs目标空间中对应的观测标志点 T_hat从源空间到目标空间的估计刚体变换 FRE_RMS sqrt(mean(||T_hat(x_i_obs) - y_i_obs||^2)) q_true未参与求解的源空间目标点真值 T_true真实的源→目标变换 TRE(q) ||T_hat(q_true) - T_true(q_true)||本文用 FRE_RMS 表示一组训练标志点上的三维欧氏距离均方根。对某个目标TRE 是一个位置误差长度后文会再对多次随机试验中的 TRE 做均方根统计。两种聚合层次必须分别写清。1.2 独立检查点的测量残差不一定是纯 TRE实际工作中我们通常没有目标真值只能在两边再次测量检查点。此时残差同时包含配准变换误差与检查点自身定位误差甚至还包含参考或时间变化。它可以成为有用的验证指标但不应不加说明地把全部差值解释为纯配准 TRE。同样整个导航或测量系统的最终偏差还可能包含工具标定、追踪、坐标变换和形变等因素。FRE、TRE 与系统总误差不能互换。二、为什么训练残差很小目标误差仍可能很大2.1 求解器只看到了观测点刚体点配准通常寻找一个旋转 R 与平移 t使已知对应的点尽量接近。它优化的是输入观测上的目标函数不知道每个点真正应该在哪里。如果观测中存在共同偏差估计变换可能很好地解释这份有偏数据。minimize sum(||R x_i_obs t - y_i_obs||^2) subject to R.T R I and det(R) 1这个问题的最优解可以通过质心、协方差矩阵与奇异值分解求得。下面实现的是不允许尺度变化、也不允许镜像反射的刚体拟合。Kabsch-Umeyama 相关代数依据可参阅 NIST 的算法研究。2.2 点布局影响旋转信息目标位置影响误差放大如果所有标志点挤在很小的范围内轻微旋转造成的点位变化也很小旋转估计更容易受到定位扰动影响。远处目标受到同样角度误差时位置变化却可能明显放大。这种放大还与方向有关绕某个轴旋转时靠近该轴的点与远离该轴的点受到的影响不同。因此“离质心越远一定越差”不是适用于每个点、每种误差的完整定律但目标位置与布局确实不能从验证中省略。图 2对比点数相同但空间分布不同的布局原创教学示意图合成数据2.3 增加点数与改善点布局不是同一件事在同一小区域反复采集可能有利于观察部分随机波动却不会自动获得更广的几何覆盖。重复定位偏差、相关噪声和共同参考漂移也可能被多次重复采样带入。评价方案时需要同时记录点数、分布、目标区域和定位条件。更大分布不意味着可以忽略参考稳定性或随意扩展采样。实际点的可见性、定位质量和刚性假设也会变化。本文比较刻意固定点数、真实变换和随机噪声样本只观察布局改变的影响。三、先明确变换方向与模型边界3.1 本文 T 把源点变成目标点p_target R p_source t # 点按行存储为 Nx3 数组时 target_points source_points R.T t数学上使用列向量与代码中按行存储 N 个点并不矛盾。矩阵乘法需要相应转置不是把变换方向反过来。求逆时也不能只把平移取负应使用完整刚体逆变换。不同库的变换方向可能不同。例如 SimpleITK 图像配准框架通常返回从 fixed 物理坐标映射到 moving 物理坐标的变换这与很多人根据“把 moving 画到 fixed 上”产生的直觉不一致。使用前应查 API而不是只看变量名字。来源SimpleITK Registration Overview。3.2 刚体、相似与仿射不能随意切换刚体只有旋转与平移相似变换增加统一尺度仿射还能表示更多线性变化。更灵活的模型可以降低某些训练残差但也可能掩盖单位错误或不适当的数据对应。不能为了“把分数压下来”而不说明地改变模型。Slicer 的标志点配准工具也区分这些变换类型见 Fiducial Registration 文档。本文拒绝重合或共线布局因为这些布局不足以唯一确定一般三维刚体变换。平面但不共线的已知三维对应点可以确定保持方向的刚体变换不能把“共面”直接等同于“必然不能配准”。接近退化时数值和噪声敏感性仍需另外检查。四、完整 Python 实验相近 FRE不同目标误差实验使用八个立方体顶点作为标志点。小布局半边长为 5 mm大布局半边长为 60 mm二者使用完全相同的 1000 组随机定位噪声。源空间与目标空间各坐标分量的独立高斯噪声标准差均为 0.30 mm。这里的 0.30 mm 是每个空间中每个坐标分量的标准差不是三维误差向量长度也不是两空间合并后的误差。目标点真值设为中心 (0,0,0) 和 (150,0,0) mm两者都不参与拟合。python -m pip install numpy python registration_demo.pySynthetic rigid point registration: training FRE is not target truth. from pathlib import Path import json import numpy as np def apply(T, points): points np.asarray(points, float) return points T[:3, :3].T T[:3, 3] def fit_rigid(source, target): source, target np.asarray(source, float), np.asarray(target, float) if source.shape ! target.shape or source.ndim ! 2 or source.shape[1] ! 3: raise ValueError(Expected corresponding Nx3 point arrays) if len(source) 3 or not np.isfinite(source).all() or not np.isfinite(target).all(): raise ValueError(Need at least 3 finite pairs) mu_s, mu_t source.mean(axis0), target.mean(axis0) x, y source - mu_s, target - mu_t for centered in [x, y]: singular np.linalg.svd(centered, compute_uvFalse) if singular[0] 0 or singular[1] 1e-8 * singular[0]: raise ValueError(Coincident or collinear layout) U, _, Vt np.linalg.svd(x.T y) R Vt.T U.T if np.linalg.det(R) 0: # exclude reflection Vt[-1] * -1 R Vt.T U.T T np.eye(4) T[:3, :3], T[:3, 3] R, mu_t - R mu_s assert np.allclose(R.T R, np.eye(3), atol1e-10) assert np.isclose(np.linalg.det(R), 1.) return T def rms_distance(a, b): return float(np.sqrt(np.mean(np.sum((a-b)**2, axis1)))) def rotation_z(degrees): r np.deg2rad(degrees) return np.array([[np.cos(r), -np.sin(r), 0.], [np.sin(r), np.cos(r), 0.], [0., 0., 1.]]) rng np.random.default_rng(20261015) T_true np.eye(4) T_true[:3, :3] rotation_z(20.) T_true[:3, 3] [40., -25., 70.] cube np.array([[x,y,z] for x in [-1.,1.] for y in [-1.,1.] for z in [-1.,1.]]) fiducials cube * 20. exact fit_rigid(fiducials, apply(T_true, fiducials)) np.testing.assert_allclose(exact, T_true, atol1e-10) np.testing.assert_allclose(apply(np.linalg.inv(exact), apply(exact, fiducials)), fiducials) # Planar but non-collinear layouts are allowed; collinear ones are rejected. plane np.array([[0.,0.,0.],[10.,0.,0.],[0.,10.,0.],[10.,10.,0.]]) np.testing.assert_allclose(fit_rigid(plane, apply(T_true, plane)), T_true, atol1e-10) try: fit_rigid(np.array([[0.,0.,0.],[1.,0.,0.],[2.,0.,0.]]), np.array([[0.,0.,0.],[1.,0.,0.],[2.,0.,0.]])) except ValueError: pass else: raise AssertionError(Collinear input should be rejected) # Compare geometry using exactly the same localization-noise draws. trials, sigma_mm 1000, 0.30 # componentwise noise SD in each space source_noise rng.normal(0., sigma_mm, (trials, 8, 3)) target_noise rng.normal(0., sigma_mm, (trials, 8, 3)) check_points np.array([[0.,0.,0.], [150.,0.,0.]]) check_truth apply(T_true, check_points) summary [] for half_extent in [5., 60.]: clean_source cube * half_extent clean_target apply(T_true, clean_source) fre_values, tre_values [], [] for e_s, e_t in zip(source_noise, target_noise): observed_source, observed_target clean_sourcee_s, clean_targete_t estimated fit_rigid(observed_source, observed_target) fre_values.append(rms_distance(apply(estimated, observed_source), observed_target)) tre_values.append(np.linalg.norm(apply(estimated, check_points)-check_truth, axis1)) fre_values, tre_values np.array(fre_values), np.array(tre_values) summary.append(dict(half_extenthalf_extent, mean_frefloat(fre_values.mean()), tre_rmsnp.sqrt(np.mean(tre_values**2, axis0)).tolist(), far_tre_p95float(np.percentile(tre_values[:,1],95)))) assert abs(summary[0][mean_fre]-summary[1][mean_fre]) .03 assert summary[0][tre_rms][1] 4*summary[1][tre_rms][1] # A correlated observation-bias counterexample: measured targets are rotated # by 2 degrees around the true fiducial centroid, with no random noise here. small_source cube * 5. clean_target apply(T_true, small_source) center clean_target.mean(axis0) bias_R rotation_z(2.) biased_target (clean_target-center) bias_R.T center biased_T fit_rigid(small_source, biased_target) bias_fre rms_distance(apply(biased_T,small_source),biased_target) far_point np.array([[300.,0.,0.]]) bias_tre float(np.linalg.norm(apply(biased_T,far_point)-apply(T_true,far_point))) expected 2*300*np.sin(np.deg2rad(1.)) assert bias_fre 1e-10 and abs(bias_tre-expected) 1e-9 result dict(trialstrials, per_space_component_sigma_mmsigma_mm, layoutssummary, correlated_bias_frebias_fre, correlated_bias_far_trebias_tre) Path(__file__).with_name(results.json).write_text(json.dumps(result,indent2)) for row in summary: print(fhalf extent {row[half_extent]:.0f} mm: mean FRE{row[mean_fre]:.4f} mm; fTRE RMS center/far{row[tre_rms][0]:.4f}/{row[tre_rms][1]:.4f} mm) print(fCorrelated bias: FRE{bias_fre:.8f} mm; far TRE{bias_tre:.4f} mm) print(PASS: exact recovery, inverse, planar layout, collinear rejection, layout effect, bias counterexample)4.1 本次实际输出布局半边长平均 FRE_RMSmm中心目标 TRE RMSmm远目标 TRE RMSmm远目标 TRE 第95百分位mm5 mm0.62990.26644.55367.990660 mm0.63000.26640.46230.7444图 31000 次合成试验的统计结果原创教学示意图合成数据两种布局的平均 FRE 都约为 0.63 mm看起来几乎没有差别。但在距离中心 150 mm 的目标处小布局的 TRE RMS 约为 4.55 mm大布局约为 0.46 mm。中心目标的两种结果则都约为 0.27 mm。这不是用单次“最好”或“最坏”结果挑出的对比。两种布局复用了相同噪声样本再对全部试验统计关键差异来自布局与目标位置而不是更换了一组更有利的随机数。4.2 如何读表中的平均值、RMS 与百分位平均 FRE_RMS 的计算方式是每次试验先对八个训练残差求 RMS再把 1000 次 RMS 求平均。目标 TRE RMS 则是固定同一个目标对 1000 次目标误差平方取平均再开方。第 95 百分位是这组误差分布中的样本分位值。这些量不是同一个统计定义。样本第 95 百分位也不是“这台设备有 95% 置信度保证不超过此值”更不是临床安全边界。报告中应保留统计层次、样本条件和单位不宜都缩写成一个“平均误差”。五、第二个反例FRE 接近零远处目标仍然明显偏5.1 在观测中加入一个共同旋转偏差第二个实验不再使用独立随机噪声而是把目标端的八个观测点绕它们的真实质心统一旋转 2°。这些有偏观测仍然能被一个刚体变换完美解释所以训练 FRE 数值上接近零。但是与真实变换相比距离质心 300 mm、垂直于旋转轴方向的目标会产生约 10.471 mm 的误差。对应几何关系为 2·300·sin(1°)。局部标志点的偏移很小并不阻止远处目标出现更大的偏差。被共同偏差改变的目标观测 y_biased R_bias (y_true - centroid) centroid 训练拟合 x_obs → y_biasedFRE 可以接近 0 验证比较 T_hat(q_true) 与 T_true(q_true)目标仍然偏移这是刻意构造的相关误差反例用来说明目标函数的边界它不是前一节独立高斯误差模型的另一组随机样本也不说明实际设备一定存在 2° 偏差。两类实验的误差假设必须分别说明。5.2 不能把反例变成“FRE 没有用”FRE 仍然有用大残差可能提示点对应错误、定位异常、模型不适用或输入问题逐点残差也能帮助追查数据。真正需要避免的是把训练 FRE 当作所有目标位置误差的充分证明。同样也不能从本文推导“FRE 与 TRE 在所有条件下完全没有统计关系”。两者关系需要结合定位误差模型与几何条件讨论。本文的可重复结论是单个低 FRE 不足以替代对独立目标的验证。六、为什么删点后分数更低结果却未必更好如果某个点发生错配或严重定位失败剔除或重新采集有合理依据。但如果只按训练残差不断删点可能删掉了提供重要空间覆盖的点也可能让模型只在更容易拟合的局部区域表现好。应保存剔除理由、原始残差与剔除后布局并在固定的独立检查点上比较结果。不能让参与选点和调参的同一批检查点最后又被称为“从未参与选择的验证集”。加权配准同样需要依据。若点的定位不确定性不同可以研究适当权重但权重本身应来自可靠的信息或可检验的模型为了得到漂亮分数随意降低困难点权重无法建立准确性证据。本文代码采用等权重。七、表面重合、图像相似与点配准残差也不能互换点配准要求明确的点对应关系表面配准可能依赖最近邻关系或其他距离强度图像配准还可能优化相关性、互信息等指标。不同方法的代价函数不一定在衡量同一种几何误差。两个表面看起来贴合不一定意味着内部目标准确两幅图像整体相似也不自动证明每个解剖位置都正确对应。检查方法应匹配任务区域和模型而不是把不同算法的单一分数拿到同一个排行榜中。SimpleITK 的配准框架区分变换、相似性度量、优化器与插值器这些组成部分各自有约定。算法收敛表示满足某种停止条件不等于找到了已知真实解。参考SimpleITK Registration Overview。八、独立验证应该怎样设计图 4从训练检查到独立物理验证原创教学示意图合成数据8.1 先明确目标区域而不是只在标志点附近检查把待验证的位置与实际工作范围对应起来记录它们相对于标志点布局的距离和方向。中心、边缘、远处或其他关键区域可能反映不同误差模式不能只在最容易通过的位置测一次。真实环境的点选择与布置受可见性、刚性、定位质量和任务要求约束。本文不提供面向患者的标志点放置操作方案工程方案应依据其设备、专业流程和验证证据确定。8.2 检查点不能参与求解但“不参与”还不够检查点不参与拟合是区分训练与验证的起点。但它们仍可能与训练数据共享图像几何错误、同一追踪参考的漂移、同一标定板的尺寸偏差或同一次变形。验证报告需要说明参考来源和可能的共同误差。要估计更接近真实的目标误差参考本身的位置、稳定性和不确定性应能够解释。NIST 的 Guidelines for the Registration of Two Coordinate Frames 提供了坐标系配准问题的工程背景具体应用仍需制定自己的测量与验收方案。8.3 区分重复性、偏差与总链路误差反复执行同一流程可以观察波动却可能稳定复现共同偏差。独立参考可以帮助揭示偏差但参考自身也有误差。如果最终任务还包括工具、追踪器、机械臂或额外变换应记录整条链不把全部结果归因于某一个配准算法。对于非刚性对象术前与术中形态变化还可能破坏刚体假设。配准时的训练误差再小也不能证明目标后来仍处于相同空间关系。需要另行观察参考状态和模型适用条件。九、一张实用排错表现象优先提出的问题验证思路FRE 小远处目标偏布局是否局限目标是否远离受约束区域按目标位置分层检查不只看总 RMS结果整体平移参考漂移、方向或单位是否有误已知点、参考稳定性与变换链复核方向异常或出现镜像左右约定、点序、反射或矩阵方向是否错误检查 det(R)1、方向标记和点对应删点后分数下降但目标变差是否损失了关键几何覆盖固定独立检查点比较保存剔除原因换一次采样差异很大定位波动、近退化布局或错误点是否存在逐点残差与布局敏感性分析开始准确之后变差参考、对象形态或工具状态是否改变检查时间相关变化和刚体假设掩膜叠加错位索引、LPS/RAS、原点与方向是否混用物理坐标验证避免只按数组形状对齐这些是排错入口不是由症状直接确认唯一原因。实际问题可能叠加多种误差一次修复后仍应在原定工作范围内重新验证。十、这份教学代码验证了什么遗漏了什么已验证已知刚体变换恢复、正逆映射、非共线平面点配准、共线输入拒绝、同噪声下的布局比较以及共同旋转偏差反例。所有计算使用 NumPy不依赖图像检测或外部标注。未覆盖真实图像几何与定位过程、外点鲁棒估计、异方差或各向异性误差、参考漂移、非刚性形变、实时同步、完整导航误差和临床安全评估。代码中的退化判据只服务于示例输入检查不是应用中的误差验收门限。反射修正用于将解约束为保持方向的旋转它不负责发现所有错配。即使输出旋转矩阵合法点对应关系仍然可能错算法结构检查与数据语义检查需要分别存在。结语配准分数要与位置、模型和验证条件一起读FRE 告诉我们观测标志点在估计变换下拟合得怎样TRE 关注独立目标相对于真实对应位置的偏差。点布局、目标位置、共同偏差和参考条件会让这两个问题得到不同答案。把训练残差、独立检查与完整任务验证分开记录比继续压低一个总分数更有价值。一个可信的结果不只是“误差很小”还应能说明在哪里、相对于什么参考、在什么条件下小。参考资料Fitzpatrick 等Predicting error in rigid-body point-based registrationThe Role of Registration in Accurate Surgical GuidanceNISTKabsch-Umeyama 算法的代数解释NISTGuidelines for the Registration of Two Coordinate Frames3D SlicerFiducial RegistrationSimpleITKRegistration Overview写在最后从熟悉的知识里发现新的问题“温故而知新可以为师矣。”—— 孔子《论语·为政》再看一次熟悉的误差指标重新检查它的定义与边界也许就能发现过去忽略的问题。把每一个结论建立在可重复的验证上学习与工程都会更扎实。
