脊柱减压手术是外科手术中最为危险的手术之一,而手术入路规划是术前准备的核心内容,规划的结果将对手术效果产生着直接影响。与后路手术相比,前路手术对脊椎的减压效果更为彻底而且由于侧面入路对美观影响较小,因而成为许多特定脊柱疾病的重要治疗术式。基于手术导航技术进行脊柱前路手术术前路径规划的意义重大,因为目前的骨科手术基本都是外科医生凭借自己丰富的操作经验和熟练的操作技巧进行术中路径的确定。在手术实施过程中,需要借助仪器不断地对患者进行扫描,外科医生通过观察术中影像数据,不断对手术器械的位姿进行调整,人为规划手术路径,最终使其到达患者的病灶位置实施手术。由于辐射量的累积和手术器械长时间在患者体内的停留,这样的手术方式对人体的损伤较大。所以研究新的方式去规划出一条最优且安全的手术路径进而降低人体损伤度、提高手术精确度,对于脊柱外科手术的发展意义重大。基于强化学习技术,本文提出了一种脊柱手术机器人前路手术路径规划系统。由于目前的骨科手术都是基于手术导航系统进行的,所以首先要对CT图像进行相关处理。本文采用区域生长算法、水平集方法对胸腔增强CT影像进行多任务分割,并提出了一种改进的自适应水平集方法实现对CT图像的快速准确的批量分割,得到的真值图即为构建的数据集标签。为了实现医学图像的自动分割,本文采用优化的U-Net网络对胸腔部位的CT图像以及相应的标签图进行训练学习,针对医学图像数据集比较少的缺点,进行了数据集的扩充以提高网络模型的性能,并进行了验证集的测试验证以及测试样本的预测,最终计算得出的IOU(Intersection over Union)值达到了0.924左右,该值证明了优化后的U-Net网络可以实现对胸腔部位CT图像快速精准的自动分割。根据分割结果对骨骼、血管等重要器官进行三维重建,在此环境模型上基于扩展到三维空间的Q-learning算法进行术前三维路径规划,并通过ε-greedy策略保证其收敛性。为了解决规划过程易陷入维度灾难的问题,本文提出了圆锥优化和圆柱优化两种曲面约束优化方案对Agent搜索范围进行限制,进而提高搜索效率。通过仿真实验验证,该系统无需环境的先验知识,即可以为脊柱手术机器人末端执行器规划出一条从手术入口到病灶位置且避开人体重要器官的最优手术路径。