本發(fā)明涉及肺部呼吸運動信息獲取領(lǐng)域，尤其是涉及一種基于先驗統(tǒng)計運動模型及自適應(yīng)配準(zhǔn)的肺部運動估計方法。

背景技術(shù)：

精確治療是當(dāng)今醫(yī)學(xué)的重要發(fā)展方向，是高速發(fā)展的計算技術(shù)、影像學(xué)技術(shù)與醫(yī)學(xué)交叉發(fā)展的產(chǎn)物，可以為病人提供有效并且附加傷害最小的治療，最大程度地降低風(fēng)險，改善病人預(yù)后。肺癌的診斷率也隨之有了一定的提高。目前，大多數(shù)的穿刺手術(shù)是基于傳統(tǒng)三維ct圖像引導(dǎo)下進(jìn)行的，也是診斷及鑒別肺癌的一種新興的有效方法，其可以實現(xiàn)微創(chuàng)下直接獲取病變標(biāo)本，并且將現(xiàn)代醫(yī)學(xué)影像學(xué)技術(shù)與病理學(xué)相結(jié)合，做出組織病理學(xué)診斷，具有診斷率高，創(chuàng)傷小等特點。但由于人體解剖結(jié)構(gòu)的動態(tài)特性，例如呼吸運動、胃腸道蠕動的變化等會導(dǎo)致病人器官和胸部、腹部等部位的腫瘤位置在治療過程中發(fā)生運動。而三維ct圖像是在呼吸周期中瞬時掃描所得，是靜態(tài)的，基本不包含運動信息。為此穿刺活檢往往需要重復(fù)多次掃描引導(dǎo)穿刺針進(jìn)入并觀察有無并發(fā)癥，輻射劑量大，一定程度上限制了應(yīng)用。因此，建立一種安全，高效，精確可靠并且實時的肺部腫瘤運動獲取技術(shù)具有重要意義。

經(jīng)過對現(xiàn)有文獻(xiàn)的檢索發(fā)現(xiàn)，現(xiàn)有的肺部運動模型按其建立方法主要分為三大類：基于圖像灰度的數(shù)學(xué)模型，生物力學(xué)模型和統(tǒng)計學(xué)模型?；趫D像的方法主要是運用圖像配準(zhǔn)的技術(shù)，通過使兩幅或多幅圖像之間達(dá)到最大相似度，從而得到一個肺部運動的流場。假定序列圖像中相鄰圖像間的時間間隔很短，同時相鄰圖像間的差異也很小，通過構(gòu)建一個包含時間和空間梯度的信息函數(shù)達(dá)到配準(zhǔn)的目的。這類方法在建立圖像與運動數(shù)學(xué)關(guān)系時，需要多個時刻肺部的ct數(shù)據(jù)，甚至需要采集患者的4dct才可以完成上述目的。這勢必對患者產(chǎn)生了大量的輻射量。并且由于圖像配準(zhǔn)要處理很大的計算量，因此，它的實時性就會收到制約?；谏锪W(xué)模型是把兩個時刻肺部的模型從ct數(shù)據(jù)中重建出，然后將其中一個時刻模型上的頂點和三角面移動到另一個時刻模型上對應(yīng)的位置實現(xiàn)呼吸模擬。基于生物力學(xué)模型的方法通過建立能量方程的形式代替相似度作為評判肺部呼吸運動的依據(jù)，然而復(fù)雜的組織間擠壓情況，軟組織的各向異性和非均一性都使得這類方法在獲取生物屬性參數(shù)及邊界條件上存在一定困難，無法快速生成各異性的力學(xué)模型。

本發(fā)明要解決的關(guān)鍵技術(shù)問題有：

1、利用不同時刻ct圖像信息，結(jié)合配準(zhǔn)方法得到多組樣本的運動信息，以此建立肺部呼吸運動模型的數(shù)據(jù)庫。

2、針對當(dāng)前運動統(tǒng)計模型無法體現(xiàn)個體差異或保留局部呼吸運動細(xì)節(jié)的不足，本研究將對統(tǒng)計模型的建立進(jìn)行探索。

3、針對個體化統(tǒng)計學(xué)模型生后存在的估計誤差，結(jié)合二次局部ct圖像信息對感興趣區(qū)域的運動進(jìn)行進(jìn)一步修正，以提高統(tǒng)計學(xué)模型在肺部運動獲取中的精度。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的就是為了克服上述現(xiàn)有技術(shù)存在的缺陷而提供一種基于先驗統(tǒng)計運動模型及自適應(yīng)配準(zhǔn)的肺部運動估計方法。

本發(fā)明的目的可以通過以下技術(shù)方案來實現(xiàn)：

一種基于先驗統(tǒng)計運動模型及自適應(yīng)配準(zhǔn)的肺部運動估計方法，包括依次執(zhí)行的以下步驟：

s1：事先獲取多組病人呼吸始末兩個相位的胸部ct圖像，其中兩個相位分別為吸氣末ei、呼氣末ee；

s2：處理從步驟s1中獲取的胸部ct圖像，對其進(jìn)行肺部組織的圖像分割，得到肺實質(zhì)；

s3：將每組病人兩個不同呼吸相位的胸部ct圖像進(jìn)行配準(zhǔn)；

s4：根據(jù)配準(zhǔn)后的序列圖像信息，提取肺實質(zhì)的運動信息，并以此建立肺部呼吸運動樣本庫，每組樣本的ei時刻ct圖像都與第一組樣本的ei時刻ct圖像做配準(zhǔn)，獲取樣本間的轉(zhuǎn)換矩陣；

s5：采集一組新增肺部運動模型ei時刻的全局肺區(qū)ct及一組ee時刻的肺部病灶區(qū)域ct；

s6：在新增的兩種ct中選取十組的特征點對，獲取這些特征點對的運動信息作為步驟s7的輸入；

s7：稀疏先驗運動模型的生成：將步驟s5中ei時刻的ct與運動樣本庫中的第一組ct數(shù)據(jù)進(jìn)行配準(zhǔn)，得到兩者之間的轉(zhuǎn)換矩陣，結(jié)合步驟s6中的特征點對運動信息獲取其在運動樣本庫中各個樣本中的各異性表達(dá)，計算獲得步驟s6提供的運動信息在運動樣本庫中的稀疏線性表達(dá)，并以此生成肺實質(zhì)的運動信息；

s8：病灶區(qū)域的精確運動信息獲?。航y(tǒng)計運動模型提供的先驗運動信息作為依據(jù)，結(jié)合步驟s5中的兩組圖像利用配準(zhǔn)算法得到病灶區(qū)域的精確運動信息。

優(yōu)選地，所述的步驟s3中配準(zhǔn)公式為：

式中，ω為圖像區(qū)域；ip,ee和ip,ei為樣本庫中每個病例在呼氣末和吸氣末的ct圖像；xi為圖像像素的位置；d為像素的運動向量；|δd|為運動向量的梯度，α為正則化系數(shù)。

優(yōu)選地，所述的步驟s4中樣本間的對應(yīng)關(guān)系獲取描述為：

采用s3中的配準(zhǔn)方法對每組樣本的ei時刻ct圖像都與第一組樣本的ei時刻ct圖像進(jìn)行配準(zhǔn)，獲取樣本間的轉(zhuǎn)換矩陣得到運動樣本庫中每組樣本ip,ei對應(yīng)第一組樣本ei時刻ct圖像i1,ei的關(guān)系為：

優(yōu)選地，所述的步驟s7中稀疏先驗運動模型的生成表示為：

其中yj為步驟s6中特征點對的運動信息；m為這些特征點在樣本庫每組樣本中對應(yīng)位置的運動信息，其中k為特征點對數(shù)量，n為樣本數(shù)量；x為一組樣本線性表達(dá)的系數(shù)；e為輸入yj的誤差；λ1和λ2控制x和e的稀疏量。

優(yōu)選地，所述的步驟s8中病灶區(qū)域的精確運動信息獲取表示為：

其中，ω為圖像區(qū)域；為b樣條配準(zhǔn)中控制點影響系數(shù)；ij,ee和ij,ei為當(dāng)前病例在呼氣末和吸氣末的ct圖像；gprior為步驟s7提供的先驗統(tǒng)計運動信息；g(x)為b樣條控制點的運動量，gn+1(x)和gn(x)為第n+1次和第n次配準(zhǔn)時控制點的運動量；λ為控制點運動量正則化系數(shù)。

優(yōu)選地，所述的步驟s8中b樣條配準(zhǔn)中控制點影響系數(shù)的表達(dá)公式為：

其中，ri,j,k為第ijk個控制點在ei時刻圖像上所影響的區(qū)域；為其在ee時刻圖像上所影響的區(qū)域，為ξi,j,k的集合。

與現(xiàn)有技術(shù)相比，本發(fā)明具有以下優(yōu)點：

1、采用配準(zhǔn)多組病例不同時刻ct圖像的方法獲取肺部呼吸運動信息，從而建立運動數(shù)據(jù)庫。該運動數(shù)據(jù)庫能夠較好的描述不同呼吸模式下肺部運動信息，解決了肺部運動的各向異性及非均一性問題所引起的問題；

2、稀疏先驗運動模型有效地反映了新增病例的肺部局部呼吸運動細(xì)節(jié)；

3、針對稀疏先驗運動模型不能提供足夠精確的運動信息，本發(fā)明基于先驗統(tǒng)計運動模型及自適應(yīng)配準(zhǔn)的肺部運動估計方法實現(xiàn)了對肺實質(zhì)病灶組織運動的精確計算方法。

附圖說明

圖1為本發(fā)明的流程圖。

具體實施方式

下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實施例是本發(fā)明的一部分實施例，而不是全部實施例?；诒景l(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動的前提下所獲得的所有其他實施例，都應(yīng)屬于本發(fā)明保護(hù)的范圍。

在一個具體實施中，采用cpu為xeone54052.0ghz，顯卡為nvidiaquadrovx200,內(nèi)存為4.0gb的計算機(jī)配置，實現(xiàn)方式為matlab，

一種基于先驗統(tǒng)計運動模型及自適應(yīng)配準(zhǔn)的肺部運動估計方法，包括依次執(zhí)行的以下步驟：

s1：事先獲取多組病人呼吸始末兩個相位(吸氣末ei、呼氣末ee)的胸部ct圖像；

s2：處理從步驟s1中獲取的胸部ct圖像，對其進(jìn)行肺部組織的圖像分割，得到肺實質(zhì)；

s3：將每組病人兩個不同呼吸相位的胸部ct圖像進(jìn)行配準(zhǔn)；

s4：根據(jù)配準(zhǔn)后的序列圖像信息，提取肺實質(zhì)的運動信息，并以此建立肺部呼吸運動樣本庫。每組樣本的ei時刻ct圖像都與第一組樣本的ei時刻ct圖像做配準(zhǔn)，獲取樣本間的轉(zhuǎn)換矩陣；

s5：采集一組新增肺部運動模型ei時刻的全局肺區(qū)ct及一組ee時刻的肺部病灶區(qū)域ct；

s6：在新增的兩種ct中選取約十組的特征點對，獲取這些特征點對的運動信息作為步驟s7的輸入；

s7：稀疏先驗運動模型的生成：將步驟s5中ei時刻的ct與運動樣本庫中的第一組ct數(shù)據(jù)進(jìn)行配準(zhǔn)，得到兩者之間的轉(zhuǎn)換矩陣。結(jié)合步驟s6中的特征點對運動信息獲取其在運動樣本庫中各個樣本中的各異性表達(dá)。計算獲得步驟s6提供的運動信息在運動樣本庫中的稀疏線性表達(dá)，并以此生成肺實質(zhì)的運動信息；

s8：病灶區(qū)域的精確運動信息獲?。航y(tǒng)計運動模型提供的先驗運動信息作為依據(jù)，結(jié)合第五步中的兩組圖像利用配準(zhǔn)算法得到病灶區(qū)域的精確運動信息。

在一個優(yōu)選實施例中，步驟s3中配準(zhǔn)公式為：

式中，ω為圖像區(qū)域；ip,ee和ip,ei為樣本庫中每個病例在呼氣末和吸氣末的ct圖像；xi為圖像像素的位置；d為像素的運動向量；|δd|為運動向量的梯度，α為正則化系數(shù)。

在一個優(yōu)選實施例中，步驟s4中樣本間的對應(yīng)關(guān)系獲取可描述為：

采用s3中的配準(zhǔn)方法對每組樣本的ei時刻ct圖像都與第一組樣本的ei時刻ct圖像進(jìn)行配準(zhǔn)，獲取樣本間的轉(zhuǎn)換矩陣得到運動樣本庫中每組樣本對應(yīng)第一組樣本ei時刻ct圖像的關(guān)系為：

在一個優(yōu)選實施例中，步驟s7中稀疏先驗運動模型的生成可表示為：

其中,yj為步驟s6中特征點對的運動信息；m為這些特征點在樣本庫每組樣本中對應(yīng)位置的運動信息，其中k為特征點對數(shù)量，n為樣本數(shù)量；x為一組樣本線性表達(dá)的系數(shù)；e為輸入yj的誤差；λ1和λ2控制x和e的稀疏量。

在一個優(yōu)選實施例中，步驟s8中病灶區(qū)域的精確運動信息獲取可表示為：

其中，ω為圖像區(qū)域；為b樣條配準(zhǔn)中控制點影響系數(shù)；ij,ee和ij,ei為當(dāng)前病例在呼氣末和吸氣末的ct圖像；gprior為步驟s7提供的先驗統(tǒng)計運動信息；g(x)為b樣條控制點的運動量，gn+1(x)和gn(x)為第n+1次和第n次配準(zhǔn)時控制點的運動量；λ為控制點運動量正則化系數(shù)。

在一個優(yōu)選實施例中，步驟s8中病灶區(qū)域的精確運動信息獲取可表示為：步驟s8中b樣條配準(zhǔn)中控制點影響系數(shù)的表達(dá)公式為：

其中，ri，j，k為第ijk個控制點在ei時刻圖像上所影響的區(qū)域；為其在ee時刻圖像上所影響的區(qū)域。為ξi,j,k的集合。

上述所有的公式或方程僅屬于本發(fā)明實施中的一部分例子，本領(lǐng)域技術(shù)人員也可以采用其他現(xiàn)有的公式或方程進(jìn)行計算，但均應(yīng)落入本發(fā)明保護(hù)的范圍之內(nèi)。

上述列舉的各種實施例，在不矛盾的前提下，可以相互組合實施，本領(lǐng)域技術(shù)人員可結(jié)合附圖和上文對實施例的解釋，作為對不同實施例中的技術(shù)特征進(jìn)行組合的依據(jù)。

以上所述，僅為本發(fā)明的具體實施方式，但本發(fā)明的保護(hù)范圍并不局限于此，任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，可輕易想到各種等效的修改或替換，這些修改或替換都應(yīng)涵蓋在本發(fā)明的保護(hù)范圍之內(nèi)。因此，本發(fā)明的保護(hù)范圍應(yīng)以權(quán)利要求的保護(hù)范圍為準(zhǔn)。