基于图割的肺4d-ct肿瘤自动分割方法
【技术领域】
[0001] 本发明涉及医学图像处理技术领域，具体是指一种基于图割的肺4d-ct肿瘤自动 分割方法。
【背景技术】
[0002] 4d-ct在传统3d-ct的基础上加入了时间轴，动态采集患者呼吸时的ct图像，而后 通过图像重建和重新排序得到患者在不同呼吸相位的3d-ct图像。4d-ct不仅能够明显消 除呼吸运动伪影，而且能够真实准确地反映肺部随呼吸运动的变化规律，为实现个体化精 确放疗奠定了有力基础。
[0003] 精确放疗的关键在于靶区的准确定位，靶区的精度会直接影响最终的放疗结果， 确定靶区可以采用图像分割技术。然而，目前肺4d-ct肿瘤分割存在着两大主要问题：其 一，4d-ct生成的图像数量巨大，通常有1000到2000张，甚至更多，如果仅靠放疗科医生手 工分割每幅图像中的肿瘤来获得靶区，显然费时费力，也不现实；其二，肺部肿瘤经常与周 围肺壁、膈肌、血管等正常器官组织发生黏连，若采用区域生长、边缘提取等自动分割技术， 误分割的概率很大，直接影响靶区精度。因此，研究出一种自动化程度高，分割准确，鲁棒性 强的肺肿瘤分割算法十分必要。
【发明内容】
[0004] 本发明的目的在于提供一种基于图割的肺4d-ct肿瘤自动分割方法，该方法不仅 自动化程度高，而且能够确保分割准确。
[0005] 本发明的目的可通过下述技术措施来实现：基于图割的肺4d-ct肿瘤自动分割方 法，包括以下步骤：
[0006] (1)读取肺部4d-ct图像，该图像由多幅不同相位的肺部3d-ct图像组成；
[0007] (2)获取初始相位3d-ct图像上肿瘤的几何中心点，即初始相位的目标种子点，所 述的初始相位3d-ct图像是指多幅不同相位的肺部3d-ct图像中第一幅3d-ct图像；
[0008] (3)根据步骤⑵获取的肿瘤的几何中心点以及肿瘤的大小，得到初始相位目标 块；
[0009] (4)在4d-ct图像除去该初始相位3d-ct图像后所剩下的其余各相位的3d-ct图 像上，分别选取与步骤（3)获得的初始相位目标块最相似的目标块；
[0010] (5)计算各相邻相位目标块之间的运动位移；
[0011] (6)将步骤（2)得到的初始相位的目标种子点与步骤（5)得到的运动位移相加，获 得其他相位的目标种子点的位置；
[0012] (7)在步骤（3)和步骤（4)得到的各相位目标块上，利用步骤（2)和步骤（6)得到 的各相位的目标种子点，获得肿瘤分割结果。
[0013] 本发明中，所述步骤（3)中的初始相位目标块是nxnxn大小的立方体，立方体的 中心是肿瘤的几何中心点，n的大小由肿瘤大小决定。
[0014] 本发明中，所述步骤（4)利用完全搜索块匹配算法选取与步骤（3)获得的初始相 位目标块最相似的目标块，具体包括：
[0015] (4. 1)采用完全搜索块匹配算法中常用的平均绝对误差匹配准则，定义如下：
[0016]
[0017] 式中，（i, j, k)为位移矢量，fp(x, y, z)和fp jx i, y j, z k)分别为当前相位 (x, y, z)在和上一相位在（x i, y j, z k)的灰度值，nxnxn为块的大小；
[0018] (4. 2)在整幅图像的范围内，逐个像素计算md值，从所有点中找出md最小值的 点，该点对应的块即为我们要找的匹配块。
[0019] 本发明中，所述步骤（5)中的各相邻相位目标块之间的运动位移是指步骤（4. 2) 中md最小值的点处对应的运动矢量。
[0020] 本发明中，所述步骤（7)采用结合星形先验的图割算法进行分割肿瘤，具体包括：
[0021] (7. 1)将步骤⑵和步骤（6)得到的各相位的目标种子点记作0,目标块的顶点记 作背景种子点b ;
[0022] (7. 2)将图像映射成网络图，图像中的像素点对应图中的节点，并添加两个额外的 顶点，一个为源点s，一个为汇点t，图像中相邻像素点p和q之间的关系对应图中节点之间 的边。
[0023] (7. 3)给图中每一条边赋予权值，设定权值的原则为：像素间的差异越小则权值 越大，像素间差异越大则权值越小，具体如下：
[0024] 若f6u及且s..运及，贝丨jp和q之间的边权值记为b{p,q}。若p e p，夕茫ou ^， 贝1j p和s之间的边权值记为λ · rp (〃bkg〃）；若p e 〇,则p和s之间的边权值记为k ;若 p e b，则p和s之间的边权值记为0。若p e p, z? 则p和t之间的边权值记为 λ · rp (〃〇b j〃）；若p e 〇,则p和t之间的边权值记为0 ;若p e b，则p和t之间的边权值 记为k。
[0025] 其中：
[0034] (7. 5)在式（6)中加入星形先验，能量函数变为如下形式：
[0036]
[0035] e ⑷=λ · r ⑷ b ⑷ s (a)式（9)
[0037]
[0038] (7. 6)求解得到e㈧的最小值，对应于原始图像的最终分割结果。
[0039] 与现有技术相比，本发明具有如下有益效果：
[0040] (1)本发明的分割是在目标块上进行，而非整幅三维图像，从而去掉了尽可能多的 干扰信息，背景种子点设置为目标块顶点和加入的星形先验，给分割提供了特定的约束条 件，提尚了分割精度；
[0041] (2)本发明提出的方法只需医生在初始相位上选取目标种子点，即可获得同一呼 吸周期内所有相位的肿瘤分割结果，提高了算法的自动化程度。
【附图说明】
[0042] 下面结合附图和【具体实施方式】对本发明做进一步的详细说明。
[0043] 图1是本发明基于图割的肺4d-ct肿瘤自动分割方法的流程图；
[0044] 图2是本发明实施例1中选取的0相位的肿瘤几何中心点以及初始目标块，初始 目标块为右侧所显示的方形框，肿瘤几何中心点为方形框中的中心黑点，以冠状面为例；
[0045] 图3是本发明实施例1中利用完全搜索块匹配算法依次得到从1至9其他9个相 位的目标块以及目标种子点，以冠状面为例；
[0046] 图4是本发明实施例1中相位4传统图割算法和本发明分割结果的对比图；从上 至下分别为：冠状面；横断面；矢状面；从左至右分别为：待分割原始图像；传统图割算法 分割结果；本发明分割结果；
[0047] 图5是本发明实施例2中利用完全搜索块匹配算法依次得到从1至9其他9个相 位的目标块以及目标种子点，以冠状面为例；
[0048] 图6是本发明实施例2中相位2传统图割算法和本发明分割结果的对比图，从上 至下分别为：冠状面；横断面；矢状面。从左至右分别为：待分割原始图像；传统图割算法分 割结果；本发明分割结果。
【具体实施方式】
[0049] 实施例1
[0050] 本发明基于图割的肺4d-ct肿瘤自动分割方法的具体流程如图1所示，具体步骤 如下：
[0051] (1)读取肺部4d-ct图像，该图像由10个不同相位的肺部3d-ct图像组成，各相位 3d图像大小为320 x 224 x 92像素；
[0052] (2)获取初始相位3d-ct图像上肿瘤的中心点，即初始相位的目标种子点；
[0053] (3)得到初始目标块；
[0054] (4)选取与初始相位目标块最相似的其他相位目标块；
[0055] (5)估计出各相邻相位目标块之间的运动位移；
[0056] (6)以步骤（2)得到的初始相位目标种子点和步骤（5)得到的运动位移为基础，获 得其他相位的目标种子点；
[0057] (7)在步骤（3)和步骤（4)得到的各相位目标块上，利用步骤（2)和步骤（6)得到 的各相位目标种子点，获得肿瘤分割结果。
[0058] 本发明中，所述步骤（2)中的肿瘤中心点为肿瘤的几何中心点。
[0059] 本发明中，所述步骤（3)中的初始目标块是nxnxn大小的立方体，立方体的中心 是肿瘤中心点，n的大小由医生决定，此例中n = 45。
[0060] 本发明中，所述步骤（4)具体利用完全搜索块匹配算法选取。
[0061] 上述步骤（4)具体包括：
[0062] (4. 1)采用完全搜索块匹配算法中常用的平均绝对误差匹配准则，定义如下：
[0063]
[0064] 式中，（i, j, k)为位移矢量，fp(x, y, z)和fp !(x i, y j, z k)分别为当前相位 (x, y, z)在和上一相位在（x i, y j, z k)的灰度值，nxnxn为块的大小；
[0065] (4. 2)在整幅图像的范围内，逐个像素计算md值，从所有点中找出md最小值的 点，该点对应的块即为我们要找的匹配块。
[0066] 本发明中，所述步骤（5)中的运动位移是（4. 2)中md最小值的点处对应的运动 矢量。
[0067] 本发明中，所述步骤（7)具体采用结合星形先验的图割算法分割肿瘤。
[0068] 上述步骤（7)具体包括：
[0069] (7. 1)将步骤⑵和步骤（6)得到的各相位目标种子点记作0,目标块的顶点记作 背景种子点b ;
[0070] (7. 2)将图像映射成网络图，图像中的像素点对应图中的节点，并添加两个额外的 顶点，一个为源点s，一个为汇点t，图像中相邻像素点p和q之间的关系对应图中