CN107808387A - 一种医学图像序列中的目标跟踪方法 - Google Patents

一种医学图像序列中的目标跟踪方法 Download PDF

Info

Publication number
CN107808387A
CN107808387A CN201711116769.XA CN201711116769A CN107808387A CN 107808387 A CN107808387 A CN 107808387A CN 201711116769 A CN201711116769 A CN 201711116769A CN 107808387 A CN107808387 A CN 107808387A
Authority
CN
China
Prior art keywords
spline
multivariate
tensor product
curved surface
target
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201711116769.XA
Other languages
English (en)
Other versions
CN107808387B (zh
Inventor
刘永川
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hubei University of Technology
Original Assignee
Hubei University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hubei University of Technology filed Critical Hubei University of Technology
Priority to CN201711116769.XA priority Critical patent/CN107808387B/zh
Publication of CN107808387A publication Critical patent/CN107808387A/zh
Application granted granted Critical
Publication of CN107808387B publication Critical patent/CN107808387B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30096—Tumor; Lesion

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种医学图像序列中的目标跟踪方法，可以根据需求选择对所有图像帧进行目标跟踪，或对关注的图像帧进行目标跟踪，或通过目标轮廓线进行目标跟踪；本方法能够避免目标边界处不连续的形变场被平滑，能够联合图像序列中的所有帧作为一个有机整体进行目标跟踪，从而提高目标跟踪的精度；本方法能够避免对图像中的非轮廓区域进行优化，从而提高目标跟踪的速度。

Description

一种医学图像序列中的目标跟踪方法
技术领域
本发明属于医学图像处理技术的应用领域，具体涉及一种医学图像序列中的目标跟踪方法。
背景技术
精确地跟踪医学图像序列中目标轮廓的形变及其运动在医学上具有重要意义。例如，在放射治疗过程中，胸部或腹部肿瘤的形状位置受呼吸运动、心脏跳动的影响很大，对胸部或腹部影像中肿瘤轮廓的形变及其运动进行精确地跟踪，能够最大程度地减小肿瘤区冗余，从而最大程度地减少放疗的毒副作用，提高患者的生存率和生存质量；又如，在心脏影像中，精确地跟踪心肌运动，有助于评估心脏功能是否存在异常并定位异常部位，从而为心脏疾病的有效预防和确诊提供科学量化的依据。
医学图像序列中的目标跟踪问题的实质是：选定医学图像序列中的一幅图像作为参考图像，且参考图像中，目标轮廓是已知的，而其余图像中，目标轮廓未知，需要求取。
现有方法一般通过配准实现医学图像序列中的目标跟踪，这些方法存在如下不足，限制了目标跟踪精度和速度的提高：
第一，由于目标组织与其周围组织的形变属性往往大不相同，这就导致目标边界处的位移场不连续，现有方法不能很好地处理不连续的位移场，对提高目标跟踪精度不利。例如Kabus等人对6种肺部4D-CT图像配准方法的评估表明，肺与胸腔分界面附近区域的配准误差比纵隔附近区域的配准误差大3倍以上。主要原因是肺与胸腔分界面处的位移场不连续(参考文献：Kabus,S.,Klinder,T.,Murphy,K.,et al.Evaluation of 4D-CT lungregistration.In International Conference on Medical Image Computing andComputer-Assisted Intervention,2009；747-754.)。
第二，大量方法一次只针对图像序列中的两幅图像进行配准，没有利用序列中所有图像之间存在的时空关联性提高目标跟踪精度。
第三，现有方法的计算复杂度普遍较高，再加上医学图像序列的数据量很大(比如肺部呼吸图像序列可能包含上千幅二维图像)，导致目标跟踪速度很慢。
发明内容
本发明的目的在于针对现有技术存在的上述缺陷，提供一种医学图像序列中的目标跟踪方法。
一种医学图像序列中的目标跟踪方法，包括以下步骤，根据需求选择对所有图像帧进行目标跟踪，或对关注的图像帧进行目标跟踪，或通过目标轮廓线进行目标跟踪。
对所有图像帧进行目标跟踪包括步骤1.1至步骤1.9：
步骤1.1：输入一组医学图像序列，选定其中一幅图像作为参考图像，并输入参考图像中的目标轮廓面。
步骤1.2：在参考图像中，采用二元B样条张量积曲面拟合目标轮廓面，并采用B样条曲线模拟目标轮廓面上一点的运动轨迹，于是，整个目标轮廓面的运动轨迹可用三元B样条张量积曲面体进行模拟，可由三元B样条张量积曲面体确定所有图像帧中的目标轮廓面。
步骤1.3：在参考图像中的二元B样条张量积曲面上选择一系列采样点；采样点的选择方法可以是随机选择，手工选择，等参数选择等等。
步骤1.4：采用坍缩法指定三元B样条张量积曲面体的控制顶点的初始值。
步骤1.5：从三元B样条张量积曲面体的控制顶点的初始值开始，通过优化三元B样条张量积曲面体的控制顶点的位置来优化三元B样条张量积曲面体的形状和位置；由三元B样条张量积曲面体确定出所有图像帧中的目标轮廓面；以所有图像帧中的目标轮廓面与参考图像中的目标轮廓面之间的灰度级相似程度尽可能高作为优化目标；通过采样点集合来实现度量所有图像帧中的目标轮廓面与参考图像中的目标轮廓面之间的灰度级相似程度。
步骤1.6：当步骤1.5所述优化过程结束时，判断所有图像帧中的目标轮廓面与参考图像中的目标轮廓面之间的灰度级相似程度是否为局部最优，若为局部最优则跳到步骤1.8执行，否则执行步骤1.7。
步骤1.7：输出优化结果曲面，即步骤1.5中所述优化过程结束时，由三元B样条张量积曲面体所确定的所有图像帧中目标轮廓面；方法结束。
步骤1.8：采用图像粗配准方法重新指定三元B样条张量积曲面体的控制顶点的初始值，并以该初始值按步骤1.5重新优化三元B样条张量积曲面体的控制顶点的位置，得到新的优化结果。
步骤1.9：从步骤1.5和步骤1.8获得的两个优化结果中，选择所有图像帧中的目标轮廓面与参考图像中的目标轮廓面之间的灰度级相似程度高的优化结果作为最终优化结果，输出最终优化结果对应的所有图像帧中的目标轮廓面；方法结束。
从步骤1.1至步骤1.9描述的技术方案可以看出，本发明通过对医学图像序列中的目标轮廓面及其运动轨迹进行B样条建模，利用控制顶点调整三元B样条张量积曲面体的形状位置来模拟目标轮廓面在图像序列中的形变，由此：
①实现了以目标轮廓的运动轨迹为形变实体，只针对图像序列中的轮廓形状位置进行优化(非轮廓区域不参与优化)，因而能够避免目标边界处不连续的形变场被平滑，从而提高目标跟踪精度，并使得优化区域最小化，从而极大地提高目标跟踪速度；而现有的针对整幅图像或图像网格进行优化的方法，不可避免地包含了对图像中非轮廓区域的优化，造成目标边界处不连续的形变场被平滑，降低了目标跟踪精度，并且非轮廓区域参与优化还会造成优化区域扩大，降低了目标跟踪速度。
②实现了联合该序列所有图像作为一个有机整体进行目标跟踪，有效地利用了序列中所有图像之间存在的时空关联信息提高目标跟踪精度。
对关注的图像帧进行目标跟踪包括步骤2.1至步骤2.9：
步骤2.1：输入参考图像和所关注的图像帧，并输入参考图像中的目标轮廓面。
步骤2.2：在参考图像中，采用二元B样条张量积曲面S拟合目标轮廓面，在关注的图像帧中，采用另一张二元B样条张量积曲面S'模拟形变了的目标轮廓面。
步骤2.3：在参考图像中的二元B样条张量积曲面S上选择一系列采样点；采样点的选择方法可以是随机选择，手工选择，等参数选择等等。
步骤2.4：在关注的图像帧中，采用拷贝法指定二元B样条张量积曲面S'的控制顶点的初始值。
步骤2.5：在关注的图像帧中，从二元B样条张量积曲面S'的控制顶点的初始值开始，通过优化二元B样条张量积曲面S'的控制顶点的位置来优化二元B样条张量积曲面S'的形状和位置；以二元B样条张量积曲面S'与二元B样条张量积曲面S之间的灰度级相似程度尽可能高作为优化目标；通过采样点集合来实现度量二元B样条张量积曲面S'与二元B样条张量积曲面S之间的灰度级相似程度。
步骤2.6：当步骤2.5所述优化过程结束时，判断二元B样条张量积曲面S'与二元B样条张量积曲面S之间的灰度级相似程度是否为局部最优，若为局部最优则跳到步骤2.8执行，否则执行步骤2.7。
步骤2.7：输出优化结果曲面，即步骤2.5中所述优化过程结束时的二元B样条张量积曲面S'；方法结束。
步骤2.8：在关注的图像帧中，采用图像粗配准方法重新指定二元B样条张量积曲面S'的控制顶点的初始值，并以该初始值按步骤2.5重新优化二元B样条张量积曲面的控制顶点的位置，得到新的优化结果。
步骤2.9：从步骤2.5和步骤2.8获得的两个优化结果中，选择二元B样条张量积曲面S'与二元B样条张量积曲面S之间的灰度级相似程度高的优化结果作为最终优化结果，输出最终优化结果对应的二元B样条张量积曲面S'；方法结束。
在医学图像中，由于目标轮廓面就是一组横断面上的闭合曲线(目标轮廓线)，因此，也可以通过独立地跟踪每一条闭合曲线的运动，然后将所有轮廓线的跟踪结果整合来实现对目标轮廓面的运动跟踪，即通过目标轮廓线进行目标跟踪。
通过目标轮廓线进行目标跟踪包括步骤3.1至步骤3.11：
步骤3.1：输入一组医学图像序列，选定其中一幅图像作为参考图像，并输入参考图像中横断面上的一条目标轮廓线。
步骤3.2：在参考图像中，采用B样条曲线p拟合目标轮廓线，并采用另一条B样条曲线T模拟目标轮廓线上一点的运动轨迹，于是，整个目标轮廓线的运动轨迹可用二元B样条张量积曲面进行模拟，可由二元B样条张量积曲面确定所有图像帧中的目标轮廓线。
步骤3.3：在参考图像中的B样条曲线p上选择一系列采样点；采样点的选择方法可以是随机选择，手工选择，等参数选择等等。
步骤3.4：采用坍缩法指定二元B样条张量积曲面的控制顶点的初始值。
步骤3.5：从二元B样条张量积曲面的控制顶点的初始值开始，通过优化二元B样条张量积曲面的控制顶点的位置来优化二元B样条张量积曲面的形状和位置；由二元B样条张量积曲面确定出所有图像帧中的目标轮廓线；以所有图像帧中的目标轮廓线与参考图像中的目标轮廓线之间的灰度级相似程度尽可能高作为优化目标；通过采样点集合来实现度量所有图像帧中的目标轮廓线与参考图像中的目标轮廓线之间的灰度级相似程度。
步骤3.6：当步骤3.5所述优化过程结束时，判断所有图像帧中的目标轮廓线与参考图像中的目标轮廓线之间的灰度级相似程度是否为局部最优，若为局部最优则跳到步骤3.8执行，否则执行步骤3.7。
步骤3.7：输出优化结果曲面，即步骤3.5中所述优化过程结束时，由二元B样条张量积曲面所确定的所有图像帧中目标轮廓线；跳到步骤3.10执行。
步骤3.8：采用图像粗配准方法重新指定二元B样条张量积曲面的控制顶点的初始值，并以该初始值按步骤3.5重新优化二元B样条张量积曲面的控制顶点的位置，得到新的优化结果。
步骤3.9：从步骤3.5和步骤3.8获得的两个优化结果中，选择所有图像帧中的目标轮廓线与参考图像中的目标轮廓线之间的灰度级相似程度高的优化结果作为最终优化结果，输出最终优化结果对应的所有图像帧中的目标轮廓线。
步骤3.10：在步骤3.1中逐条输入参考图像中各横断面上的目标轮廓线，每输入一条则重复执行一轮步骤3.1至3.9，从而实现对参考图像横断面上所有目标轮廓线的运动跟踪。
步骤3.11：将参考图像横断面上所有目标轮廓线的运动跟踪结果整合成参考图像中目标轮廓面的运动跟踪结果。
本发明方法相对于现有技术具有以下优点：
能够有效应对目标边界处的位移场不连续问题，能够有效利用所有图像之间存在的时空关联性提高目标跟踪精度，并且极大地提高目标跟踪速度。本发明还提供了实施该方法的多个实施例，已采用实施例对18例肺部4D-CT图像中的肿瘤目标进行了跟踪，并且与现有的3种目标跟踪方法进行了结果对比评估，验证了本发明的有效性。
具体实施方式
以下借助三个实施例更加详细地说明本发明，但这些实施例仅是说明性的，本发明的保护范围并不受这些实施例的限制；本领域的技术人员容易理解，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
实施例一
本实施例针对肺部四维CT(Four-Dimensional Computed Tomography,4D-CT)图像的肺癌放疗应用。放疗是治疗肺癌的最重要方法之一，全球约有40％的肺癌患者需要接受放疗。在肺癌放疗过程中，由于肿瘤随呼吸运动而难以被精确聚焦，这是困扰放疗界的一大难题。在制定放疗计划时，精确勾画出4D-CT所有时相(每个时相对应于一幅3D-CT图像，相当于图像序列中的一幅图像)中的肿瘤区(Gross Tumor Volume,GTV)能够最大程度地减小内部肿瘤区(Internal Gross Tumor Volume)冗余，从而最大程度地减少放疗的毒副作用。手工勾画所有时相中的GTV需要耗费大量人力，且手工勾画造成的观察者内差异(Intraobserver Variation)与观察者间差异(Interobserver Variation)可能对放疗计划的制定造成困扰。目前，临床上一般采用轮廓推衍方法半自动勾画所有时相中的GTV，即医生只需手工勾画一个时相中的GTV，其余时相中的GTV由计算机通过跟踪轮廓的运动自动得到。然而现有方法存在“背景技术”一节描述的三点不足，本实施例能够克服这些不足。
一种医学图像序列中的目标跟踪方法，根据需求选择对所有图像帧进行目标跟踪，包括以下步骤：
步骤1.1：输入一幅肺部4D-CT图像，它包含一组3D-CT图像序列I0,I1,…,IF-1，本实施例中，序列图像的帧数F＝10，选定图像I0作为参考图像，并输入参考图像中的肿瘤轮廓面。
步骤1.2：在参考图像中，采用式(1)所示的二元B样条张量积曲面S(u,v)拟合肿瘤轮廓面，并采用式(2)所示的B样条曲线T(t)模拟肿瘤轮廓面上一点的运动轨迹，于是，整个肿瘤轮廓面的运动轨迹可用式(3)所示的三元B样条张量积曲面体θ(u,v,t)进行模拟。
这里：u,v,t∈[0,1]；Ni,g为g次B样条的第i个基函数；Nj,h为h次B样条的第j个基函数；Nk,l为l次B样条的第k个基函数；m,n,w,i,j,k,g,h,l为自然数；dk(k＝0,1,…,w)为B样条曲线T(t)的控制顶点；di,j(i＝0,1,…,n；j＝0,1,…,m)为二元B样条张量积曲面S(u,v)的控制顶点；di,j,k(i＝0,1,…,n；j＝0,1,…,m；k＝0,1,…,w)为三元B样条张量积曲面体θ(u,v,t)的控制顶点。
在本实施例中，所有B样条均取为均匀B样条，且次数均为3次B样条，即在式(1)(2)(3)中，g＝h＝l＝3。
在参考图像中，肿瘤轮廓面就是一组横断面上的闭合曲线，即在式(1)中，二元B样条张量积曲面S(u,v)在u参数方向是闭合的；肺部呼吸运动具有循环周期性，尤其是受过呼吸训练的放疗患者，其呼吸运动轨迹可以近似为闭合的，即式(2)中，T(t)为闭合曲线；因此，式(3)所示的三元B样条张量积曲面体θ(u,v,t)在u、t参数方向是闭合的。
参考Les Piegl等人描述的方法(Les Piegl，Wayne Tiller(著)，赵罡，穆国旺，王拉柱(译)，《非均匀有理B样条》，第2版，第293-304页第9.4.3节和第9.4.4节)实现用二元B样条张量积曲面S(u,v)拟合肿瘤轮廓面；参数w取值5，参数m和n取值在按Les Piegl等人描述的方法实现用二元B样条张量积曲面S(u,v)拟合肿瘤轮廓面的过程中确定。
步骤1.3：在参考图像中的二元B样条张量积曲面S(u,v)上，采用等参数法选择一系列采样点ai',j'＝S(ui',vj')(i'＝0,1,…,n'；j'＝0,1,…,m'；n'＝50，m'取为参考图像中肿瘤所占据的横断面层数；u-1＝0,ui'＝ui'-1+i'/n'；v-1＝0,vj'＝vj'-1+j/m')。
当目标发生运动和形变时，二元B样条张量积曲面S(u,v)将发生位置和形状变化，采样点ai',j'将发生位置变化，且第f帧图像中的目标轮廓面即二元B样条张量积曲面Sf(u,v)满足式(4)，其中，将式(3)中三元B样条张量积曲面体θ(u,v,t)的参数t取值tf即为式(4)中的θ(u,v,tf)；在第f帧图像中，二元B样条张量积曲面Sf(u,v)由参考图像中的二元B样条张量积曲面S(u,v)发生位置和形状变化而来，点ai',j',f由采样点ai',j'发生位置变化而来，即点ai',j',f是采样点ai',j'在第f帧图像中的位置，且满足式(5)。
ai',j',f＝Sf(ui',vj')＝θ(ui',vj',f/F) (5)
步骤1.4：采用坍缩法指定三元B样条张量积曲面体θ(u,v,t)的控制顶点di,j,k的初始值，即指定式(3)中控制顶点di,j,k(i＝0,1,…,n；j＝0,1,…,m；k＝0,1,…,w)的初始值为di,j,k＝di,j；控制顶点di,j在步骤1.2中实现二元B样条张量积曲面S(u,v)拟合目标轮廓面时已经确定。
步骤1.5：从控制顶点di,j,k的初始值开始，采用L-BFGS算法优化控制顶点di,j,k的位置来优化三元B样条张量积曲面体θ(u,v,t)的形状和位置；在优化控制顶点di,j,k的过程中，控制顶点di,j,k的值被多次更新，每次更新控制顶点di,j,k的值，三元B样条张量积曲面体θ(u,v,t)的形状和位置会发生相应的改变，由式(4)可知，第f帧图像中的二元B样条张量积曲面Sf(u,v)的形状和位置也会发生相应的改变；以二元B样条张量积曲面集合{Sf(u,v)|f＝0,1,…,F-1}中的所有二元B样条张量积曲面与参考图像中的二元B样条张量积曲面S(u,v)之间的灰度级相似程度尽可能高作为优化控制顶点di,j,k的目标；通过采样点集合{ai',j'|i'＝0,1,…,n'；j'＝0,1,…,m'}来度量二元B样条张量积曲面集合{Sf(u,v)|f＝0,1,…,F-1}中的所有二元B样条张量积曲面与参考图像中的二元B样条张量积曲面S(u,v)之间的灰度级相似程度：
令点ai',j',f与采样点ai',j'之间的归一化的减均值相关系数(NormalizedCorrelation Coefficient with Subtracting Means)为λi',j',f(两个图像点之间的归一化的减均值相关系数求取方法可参考文献：Xiong G,Chen C,Chen J,Xie Y,XingL.Tracking the motion trajectories of junction structures in 4D CT images ofthe lung.Physics in Medicine and Biology 2012；57:4905.)，λi,j,f越大则点ai',j',f与采样点ai',j'之间的灰度级相似程度越高；采用式(6)所示的λf表示第f帧图像中的二元B样条张量积曲面Sf(u,v)与参考图像中的二元B样条张量积曲面S(u,v)之间的灰度级相似程度，λf越大则第f帧图像中的二元B样条张量积曲面Sf(u,v)与参考图像中的二元B样条张量积曲面S(u,v)之间的灰度级相似程度越高；采用式(7)所示的λ表示二元B样条张量积曲面集合{Sf(u,v)|f＝0,1,…,F-1}中的所有二元B样条张量积曲面与参考图像中的二元B样条张量积曲面S(u,v)之间的灰度级相似程度，λ越大则二元B样条张量积曲面集合{Sf(u,v)|f＝0,1,…,F-1}中的所有二元B样条张量积曲面与参考图像中的二元B样条张量积曲面S(u,v)之间的灰度级相似程度越高。
优化结果：当优化过程结束时，控制顶点di,j,k停止更新(控制顶点di,j,k的值得以确定)，三元B样条张量积曲面体θ(u,v,t)的形状和位置也停止更新(三元B样条张量积曲面体θ(u,v,t)得以确定，由式(4)可知，二元B样条张量积曲面Sf(u,v)也得以确定)，此时λ的值也就确定下来。
步骤1.6：设定阈值δ＝0.8，当步骤1.5所述优化过程结束时，若λ<δ，则λ为局部最优，跳到步骤1.8执行，否则执行步骤1.7。
步骤1.7：输出优化结果曲面，即步骤1.5所述优化结果中所确定下来的二元B样条张量积曲面Sf(u,v)(f＝1,2,…,F-1)；方法结束。
步骤1.8：采用仿射变换(图像粗配准方法之一)得到I0与If之间的位移场Ef，将位移场Ef叠加到二元B样条张量积曲面S(u,v)上即可得到曲面Θf，构造如式(8)所示的三元B样条张量积曲面体θ'(u,v,t)，它确定了二元B样条张量积曲面S'f(u,v)，通过调整三元B样条张量积曲面体θ'(u,v,t)的控制顶点d'i,j,k，使得二元B样条张量积曲面S'f(u,v)拟合曲面Θf(f＝0,1,…,F-1)，当拟合过程结束时，控制顶点d'i,j,k的值也就确定了，令di,j,k＝d'i,j,k即可实现重新指定控制顶点di,j,k(i＝0,1,…,n；j＝0,1,…,m；k＝0,1,…,w)的初始值，以新的初始值按步骤1.5重新优化控制顶点di,j,k的位置，可得到新的优化结果。
步骤1.9：从步骤1.5和步骤1.8获得的两个优化结果中，选择λ值较大的优化结果作为最终优化结果，输出最终优化结果所对应的二元B样条张量积曲面Sf(u,v)(f＝1,2,…,F-1)，即得所有图像帧中的目标轮廓面；方法结束。
实施例二
本实施例针对肺部4D-CT图像的肺癌放疗应用。
一种医学图像序列中的目标跟踪方法，根据需求选择对关注的图像帧进行目标跟踪，包括以下步骤：
步骤2.1：一幅肺部4D-CT图像，它包含一组3D-CT图像序列I0,I1,…,IF-1(F为序列图像的帧数)，选定图像I0作为参考图像，选定图像If作为关注的图像帧，1≤f≤F-1，输入参考图像和关注的图像帧，并输入参考图像中的目标轮廓面。
步骤2.2：在参考图像中，采用式(1)所示的二元B样条张量积曲面S(u,v)拟合目标轮廓面，在关注的图像帧中，采用式(9)所示的二元B样条张量积曲面S'(u,v)模拟形变了的目标轮廓面。
这里：u,v∈[0,1]；Ni,g为g次B样条的第i个基函数；Nj,h为h次B样条的第j个基函数；Nk,l为l次B样条的第k个基函数；m,n,i,j,g,h为自然数；d'i,j(i＝0,1,…,n；j＝0,1,…,m)为二元B样条张量积曲面S'(u,v)的控制顶点。
本实施例中，所有B样条均取为均匀B样条，且次数均为3次B样条，即在式(1)(9)中，g＝h＝3。
在参考图像中，肿瘤轮廓面就是一组横断面上的闭合曲线，即在式(1)(9)中，二元B样条张量积曲面S(u,v)和S'(u,v)在u参数方向是闭合的。
参考Les Piegl等人描述的方法(Les Piegl，Wayne Tiller(著)，赵罡，穆国旺，王拉柱(译)，《非均匀有理B样条》，第2版，第293-304页第9.4.3节和第9.4.4节)实现二元B样条张量积曲面S(u,v)拟合目标轮廓面；参数m和n的取值在按Les Piegl等人描述的方法实现拟合的过程中确定。
步骤2.3：在参考图像中的二元B样条张量积曲面S(u,v)上，采用等参数法选择一系列采样点ai',j'＝S(ui',vj')(i'＝0,1,…,n'；j'＝0,1,…,m'；n'＝50，m'取为参考图像中肿瘤所占据的横断面层数；u-1＝0,ui'＝ui'-1+i'/n'；v-1＝0,vj'＝vj'-1+j/m')。
当目标发生运动和形变时，二元B样条张量积曲面S(u,v)将发生位置和形状变化，采样点ai',j'将发生位置变化；在关注的图像帧中，二元B样条张量积曲面S'(u,v)由参考图像中的二元B样条张量积曲面S(u,v)发生位置和形状变化而来，点a'i'j'由采样点ai',j'发生位置变化而来，即点a'i',j'是采样点ai',j'在关注的图像帧中的位置，且满足式(10)。
a'i',j'＝S'(ui',vj') (10)
步骤2.4：指定式(9)中控制顶点d'i,j(i＝0,1,…,n；j＝0,1,…,m)的初始值为d'i,j＝di,j；控制顶点di,j在步骤2.2中实现二元B样条张量积曲面S(u,v)拟合目标轮廓面时已经确定。
步骤2.5：从控制顶点d'i,j的初始值开始，采用L-BFGS算法优化控制顶点d'i,j的位置来优化二元B样条张量积曲面S'(u,v)的形状和位置；在优化控制顶点d'i,j的过程中，控制顶点d'i,j的值被多次更新，每次更新控制顶点d'i,j的值，二元B样条张量积曲面S'(u,v)的形状和位置会发生相应的改变；以关注的图像帧中的二元B样条张量积曲面S'(u,v)与参考图像中的二元B样条张量积曲面S(u,v)之间的灰度级相似程度尽可能高作为优化控制顶点d'i,j的目标；通过采样点集合{ai',j'|i'＝0,1,…,n'；j'＝0,1,…,m'}来度量关注的图像帧中的二元B样条张量积曲面S'(u,v)与参考图像中的二元B样条张量积曲面S(u,v)之间的灰度级相似程度：
令点a'i',j'与采样点ai',j'之间的归一化的减均值相关系数(NormalizedCorrelation Coefficient with Subtracting Means)为λi',j'(两个图像点之间的归一化的减均值相关系数求取方法可参考文献：Xiong G,Chen C,Chen J,Xie Y,XingL.Tracking the motion trajectories of junction structures in 4D CT images ofthe lung.Physics in Medicine and Biology 2012；57:4905.)，λi',j'越大则点a'i',j'与采样点ai',j'之间的灰度级相似程度越高；采用式(11)所示的λ'表示关注的图像帧中的二元B样条张量积曲面S'(u,v)与参考图像中的二元B样条张量积曲面S(u,v)之间的灰度级相似程度，λ'越大则关注的图像帧中的二元B样条张量积曲面S'(u,v)与参考图像中的二元B样条张量积曲面S(u,v)之间的灰度级相似程度越高。
优化结果：当优化过程结束时，控制顶点d'i,j停止更新(控制顶点d'i,j的值得以确定)，二元B样条张量积曲面S'(u,v)的形状和位置也停止更新(二元B样条张量积曲面S'(u,v)得以确定)，此时λ'的值也就确定下来。
步骤2.6：设定阈值δ＝0.8，当步骤2.5所述优化过程结束时，若λ'<δ，则λ'为局部最优，跳到步骤2.8执行，否则执行步骤2.7。
步骤2.7：输出优化结果曲面，即步骤2.5所述优化结果中所确定下来的关注的图像帧中的二元B样条张量积曲面S'(u,v)；方法结束。
步骤2.8：采用仿射变换(图像粗配准方法之一)得到参考图像与关注的图像帧之间的位移场E，将位移场E叠加到参考图像中的目标轮廓面上，得到曲面Θ，构造如式(12)所示的二元B样条张量积曲面S”(u,v)以拟合曲面Θ，即可得到控制顶点ei,j，令d'i,j＝ei,j即可实现重新指定控制顶点d'i,j(i＝0,1,…,n；j＝0,1,…,m)的初始值，以新的初始值按步骤2.5重新优化控制顶点d'i,j的位置，可得到新的优化结果。
步骤2.9：从步骤2.5和步骤2.8中获得的两个优化结果中选择λ'值较大的优化结果作为最终优化结果，输出最终优化结果所对应的二元B样条张量积曲面S'(u,v)，即得关注的图像帧中的目标轮廓面；方法结束。
实施例三
本实施例针对肺部4D-CT图像的肺癌放疗应用。
一种医学图像序列中的目标跟踪方法，根据需求选择通过目标轮廓线进行目标跟踪，包括以下步骤：
步骤3.1：输入一幅肺部4D-CT图像，它包含一组3D-CT图像序列I0,I1,…,IF-1，本实施例中，序列图像的帧数F＝10，选定图像I0作为参考图像，并输入参考图像中横断面上的一条目标轮廓线。
步骤3.2：在参考图像中，采用式(13)所示的B样条曲线p(u)拟合目标轮廓线，并采用式(2)所示的B样条曲线模拟目标轮廓线上一点的运动轨迹，于是，整个目标轮廓线的运动轨迹可用式(14)所示的二元B样条张量积曲面Φ(u,t)进行模拟；
这里：u,t∈[0,1]；Ni,g为g次B样条的第i个基函数；Nk,l为l次B样条的第k个基函数；n,w,i,k,g,l为自然数；d'i(i＝0,1,…,n)为B样条曲线p(u)的控制顶点；d”i,k(i＝0,1,…,n；k＝0,1,…,w)为二元B样条张量积曲面Φ(u,t)的控制顶点。
在本实施例中，所有B样条均取为均匀B样条，且次数均为3次B样条，即在式(2)(13)(14)中，g＝l＝3；B样条曲线p(u)是闭合曲线；二元B样条张量积曲面Φ(u,t)在u、t参数方向是闭合的。
参考Les Piegl等人描述的方法(Les Piegl，Wayne Tiller(著)，赵罡，穆国旺，王拉柱(译)，《非均匀有理B样条》，第2版，第284-293页)实现B样条曲线p(u)拟合目标轮廓线；参数w取值5，参数n取值在按Les Piegl等人描述的方法实现拟合的过程中确定。
步骤3.3：在参考图像中的B样条曲线p(u)上，采用等参数法选择一系列采样点ai”＝p(ui”)(i”＝0,1,…,n”；u-1＝0,ui”＝ui”-1+i”/n”；n”＝50)。
当目标发生运动和形变时，B样条曲线p(u)将发生位置和形状变化，采样点ai”将发生位置变化，且第f帧图像中的目标轮廓线即B样条曲线pf(u)满足式(15)，其中，将式(14)中二元B样条张量积曲面Φ(u,t)的参数t取值tf即为式(15)中的Φ(u,tf)；在第f帧图像中，B样条曲线pf(u)由参考图像中的B样条曲线p(u)发生位置和形状变化而来，点ai”,f由采样点ai”发生位置变化而来，即点ai”,f是采样点ai”在第f帧图像中的位置，且满足式(16)。
ai”,f＝pf(ui”)＝Φ(ui”,f/F) (16)
步骤3.4：采用坍缩法指定二元B样条张量积曲面Φ(u,t)的控制顶点d”i,k的初始值，即指定式(14)中控制顶点d”i,k(i＝0,1,…,n；k＝0,1,…,w)的初始值为d”i,k＝d'i；控制顶点di'在步骤3.2中实现B样条曲线p(u)拟合目标轮廓线时已经确定。
步骤3.5：从控制顶点d”i,k的初始值开始，采用L-BFGS算法优化控制顶点d”i,k的位置来优化二元B样条张量积曲面Φ(u,t)的形状和位置；在优化控制顶点d”i,k的过程中，控制顶点d”i,k的值被多次更新，每次更新控制顶点d”i,k的值，二元B样条张量积曲面Φ(u,t)的形状和位置会发生相应的改变，由式(15)可知，第f帧图像中的B样条曲线pf(u)的形状和位置也会发生相应的改变；以B样条曲线集合{pf(u)|f＝0,1,…,F-1}中的所有B样条曲线与参考图像中的B样条曲线p(u)之间的灰度级相似程度尽可能高作为优化控制顶点d”i,k的目标；通过采样点集合{ai”|i”＝0,1,…,n”}来度量B样条曲线集合{pf(u)|f＝0,1,…,F-1}中的所有B样条曲线与参考图像中的B样条曲线p(u)之间的灰度级相似程度：
令点ai”,f与采样点ai”之间的归一化的减均值相关系数(Normalized CorrelationCoefficient with Subtracting Means)为λ”i”,f(两个图像点之间的归一化的减均值相关系数求取方法可参考文献：Xiong G,Chen C,Chen J,Xie Y,Xing L.Tracking the motiontrajectories of junction structures in 4D CT images of the lung.Physics inMedicine and Biology 2012；57:4905.)，λ”i”,f越大则点ai”,f与采样点ai”之间的灰度级相似程度越高；采用式(17)所示的λ”f表示第f帧图像中的B样条曲线pf(u)与参考图像中的B样条曲线p(u)之间的灰度级相似程度，λ”f越大则第f帧图像中的B样条曲线pf(u)与参考图像中的B样条曲线p(u)之间的灰度级相似程度越高；采用式(18)所示的λ”’表示B样条曲线集合{pf(u)|f＝0,1,…,F-1}中的所有B样条曲线与参考图像中的参考图像中的B样条曲线p(u)之间的灰度级相似程度，λ”'越大则B样条曲线集合{pf(u)|f＝0,1,…,F-1}中的所有B样条曲线与参考图像中的参考图像中的B样条曲线p(u)之间的灰度级相似程度越高。
优化结果：当优化过程结束时，控制顶点d”i,k停止更新(控制顶点d”i,k的值得以确定)，二元B样条张量积曲面Φ(u,t)的形状和位置也停止更新(二元B样条张量积曲面Φ(u,t)得以确定，由式(15)可知，B样条曲线pf(u)也得以确定)，此时λ”'的值也就确定下来。
步骤3.6：设定阈值δ＝0.8，当步骤3.5所述优化过程结束时，若λ”'<δ，则λ”'为局部最优，跳到步骤3.8执行，否则执行步骤3.7。
步骤3.7：输出优化结果曲线，即步骤3.5所述优化结果中所确定下来的B样条曲线pf(u)(f＝1,2,…,F-1)；跳到步骤3.10执行。
步骤3.8：采用仿射变换(图像粗配准方法之一)得到I0与If之间的位移场Ef，将位移场Ef叠加到B样条曲线p(u)上即可得到曲线Cf，构造如式(19)所示的二元B样条张量积曲面Φ'(u,t)，它确定了B样条曲线p'f(u)，通过调整二元B样条张量积曲面Φ'(u,t)的控制顶点e'i,k，使得B样条曲线p'f(u)拟合曲线Cf(f＝0,1,…,F-1)，当拟合过程结束时，控制顶点e'i,k的值也就确定了，令d”i,k＝e'i,k即可实现重新指定控制顶点d”i,k(i＝0,1,…,n；k＝0,1,…,w)的初始值，以新的初始值按步骤3.5重新优化控制顶点d”i,k的位置，可得到新的优化结果。
步骤3.9：从步骤3.5和步骤3.8获得的两个优化结果中，选择λ”'值较大的优化结果作为最终优化结果，输出最终优化结果所对应的B样条曲线pf(u)(f＝1,2,…,F-1)。
步骤3.10：在步骤3.1中逐条输入参考图像中各横断面上的目标轮廓线，每输入一条则重复执行一轮步骤3.1至3.9，从而实现对参考图像横断面上所有目标轮廓线的运动跟踪。
步骤3.11：将参考图像横断面上所有目标轮廓线的运动跟踪结果整合成参考图像中目标轮廓面的运动跟踪结果。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (1)

1.一种医学图像序列中的目标跟踪方法，其特征在于，包括以下步骤，根据需求选择对所有图像帧进行目标跟踪，或对关注的图像帧进行目标跟踪，或通过目标轮廓线进行目标跟踪，
对所有图像帧进行目标跟踪包括步骤1.1至步骤1.9：
步骤1.1：输入一组医学图像序列，选定其中一幅图像作为参考图像，并输入参考图像中的目标轮廓面；
步骤1.2：在参考图像中，采用二元B样条张量积曲面拟合目标轮廓面，采用B样条曲线模拟目标轮廓面上一点的运动轨迹，采用三元B样条张量积曲面体模拟整个目标轮廓面的运动轨迹；
步骤1.3：在参考图像中的二元B样条张量积曲面上选择一系列采样点；
步骤1.4：指定三元B样条张量积曲面体的控制顶点的初始值；
步骤1.5：从三元B样条张量积曲面体的控制顶点的初始值开始，通过优化三元B样条张量积曲面体的控制顶点的位置来优化三元B样条张量积曲面体的形状和位置；由三元B样条张量积曲面体确定出所有图像帧中的目标轮廓面；以所有图像帧中的目标轮廓面与参考图像中的目标轮廓面之间的灰度级相似程度尽可能高作为优化目标；通过采样点集合来实现度量所有图像帧中的目标轮廓面与参考图像中的目标轮廓面之间的灰度级相似程度；
步骤1.6：判断所有图像帧中的目标轮廓面与参考图像中的目标轮廓面之间的灰度级相似程度是否为局部最优，若为局部最优则跳到步骤1.8执行，否则执行步骤1.7；
步骤1.7：输出优化结果曲面，即步骤1.5中所述优化过程结束时，由三元B样条张量积曲面体所确定的所有图像帧中目标轮廓面；方法结束；
步骤1.8：重新指定三元B样条张量积曲面体的控制顶点的初始值，并以该初始值按步骤1.5重新优化三元B样条张量积曲面体的控制顶点的位置，得到新的优化结果；
步骤1.9：从步骤1.5和步骤1.8获得的两个优化结果中，选择所有图像帧中的目标轮廓面与参考图像中的目标轮廓面之间的灰度级相似程度高的优化结果作为最终优化结果，输出最终优化结果对应的所有图像帧中的目标轮廓面；方法结束；
对关注的图像帧进行目标跟踪包括步骤2.1至步骤2.9：
步骤2.1：输入参考图像和所关注的图像帧，并输入参考图像中的目标轮廓面；
步骤2.2：在参考图像中，采用二元B样条张量积曲面S拟合目标轮廓面，在关注的图像帧中，采用另一张二元B样条张量积曲面S'模拟形变了的目标轮廓面；
步骤2.3：在参考图像中的二元B样条张量积曲面S上选择一系列采样点；
步骤2.4：指定二元B样条张量积曲面S'的控制顶点的初始值；
步骤2.5：从二元B样条张量积曲面S'的控制顶点的初始值开始，通过优化二元B样条张量积曲面S'的控制顶点的位置来优化二元B样条张量积曲面S'的形状和位置；以二元B样条张量积曲面S'与二元B样条张量积曲面S之间的灰度级相似程度尽可能高作为优化目标；通过采样点集合来实现度量二元B样条张量积曲面S'与二元B样条张量积曲面S之间的灰度级相似程度；
步骤2.6：判断二元B样条张量积曲面S'与二元B样条张量积曲面S之间的灰度级相似程度是否为局部最优，若为局部最优则跳到步骤2.8执行，否则执行步骤2.7；
步骤2.7：输出优化结果曲面，即步骤2.5中所述优化过程结束时的二元B样条张量积曲面S'；方法结束；
步骤2.8：重新指定二元B样条张量积曲面S'的控制顶点的初始值，并以该初始值按步骤2.5重新优化二元B样条张量积曲面的控制顶点的位置，得到新的优化结果；
步骤2.9：从步骤2.5和步骤2.8获得的两个优化结果中，选择二元B样条张量积曲面S'与二元B样条张量积曲面S之间的灰度级相似程度高的优化结果作为最终优化结果，输出最终优化结果对应的二元B样条张量积曲面S'；方法结束；
通过目标轮廓线进行目标跟踪包括步骤3.1至步骤3.11：
步骤3.1：输入一组医学图像序列，选定其中一幅图像作为参考图像，并输入参考图像中横断面上的一条目标轮廓线；
步骤3.2：在参考图像中，采用B样条曲线p拟合目标轮廓线，采用另一条B样条曲线T模拟目标轮廓线上一点的运动轨迹，采用二元B样条张量积曲面模拟整个目标轮廓线的运动轨迹；
步骤3.3：在参考图像中的B样条曲线p上选择一系列采样点；
步骤3.4：指定二元B样条张量积曲面的控制顶点的初始值；
步骤3.5：从二元B样条张量积曲面的控制顶点的初始值开始，通过优化二元B样条张量积曲面的控制顶点的位置来优化二元B样条张量积曲面的形状和位置；由二元B样条张量积曲面确定出所有图像帧中的目标轮廓线；以所有图像帧中的目标轮廓线与参考图像中的目标轮廓线之间的灰度级相似程度尽可能高作为优化目标；通过采样点集合来实现度量所有图像帧中的目标轮廓线与参考图像中的目标轮廓线之间的灰度级相似程度；
步骤3.6：判断所有图像帧中的目标轮廓线与参考图像中的目标轮廓线之间的灰度级相似程度是否为局部最优，若为局部最优则跳到步骤3.8执行，否则执行步骤3.7；
步骤3.7：输出优化结果曲面，即步骤3.5中所述优化过程结束时，由二元B样条张量积曲面所确定的所有图像帧中目标轮廓线；跳到步骤3.10执行；
步骤3.8：重新指定二元B样条张量积曲面的控制顶点的初始值，并以该初始值按步骤3.5重新优化二元B样条张量积曲面的控制顶点的位置，得到新的优化结果；
步骤3.9：从步骤3.5和步骤3.8获得的两个优化结果中，选择所有图像帧中的目标轮廓线与参考图像中的目标轮廓线之间的灰度级相似程度高的优化结果作为最终优化结果，输出最终优化结果对应的所有图像帧中的目标轮廓线；
步骤3.10：在步骤3.1中逐条输入参考图像中各横断面上的目标轮廓线，每输入一条则重复执行一轮步骤3.1至3.9；
步骤3.11：将参考图像横断面上所有目标轮廓线的运动跟踪结果整合成参考图像中目标轮廓面的运动跟踪结果。
CN201711116769.XA 2017-11-13 2017-11-13 一种医学图像序列中的目标跟踪方法 Active CN107808387B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711116769.XA CN107808387B (zh) 2017-11-13 2017-11-13 一种医学图像序列中的目标跟踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711116769.XA CN107808387B (zh) 2017-11-13 2017-11-13 一种医学图像序列中的目标跟踪方法

Publications (2)

Publication Number Publication Date
CN107808387A true CN107808387A (zh) 2018-03-16
CN107808387B CN107808387B (zh) 2021-04-06

Family

ID=61583907

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711116769.XA Active CN107808387B (zh) 2017-11-13 2017-11-13 一种医学图像序列中的目标跟踪方法

Country Status (1)

Country Link
CN (1) CN107808387B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110262250A (zh) * 2019-07-08 2019-09-20 济南大学 一种基于粒子群算法的b样条曲线拟合方法及系统
CN111091125A (zh) * 2019-09-24 2020-05-01 上海联影智能医疗科技有限公司 基于相似性提供用于调整对象的引导的方法和系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101926648A (zh) * 2009-08-03 2010-12-29 浙江工业大学 基于四维医学图像的心壁应力应变测量方法
US20110279475A1 (en) * 2008-12-24 2011-11-17 Sony Computer Entertainment Inc. Image processing device and image processing method
CN102554938A (zh) * 2010-12-31 2012-07-11 中国科学院计算技术研究所 机器人的机械手末端轨迹跟踪方法
CN103700136A (zh) * 2013-12-01 2014-04-02 北京航空航天大学 一种利用三变量双调和B-spline函数进行医学体数据矢量化的方法
CN104392212A (zh) * 2014-11-14 2015-03-04 北京工业大学 一种基于视觉的道路信息检测及前方车辆识别方法
CN105160294A (zh) * 2015-07-09 2015-12-16 山东大学 实时mce序列图像心肌组织感兴趣区域的自动跟踪方法
CN105844693A (zh) * 2016-04-29 2016-08-10 青岛大学附属医院 肝脏三维ct重建数据信息处理系统
CN106097422A (zh) * 2016-04-29 2016-11-09 青岛大学附属医院 基于大数据的肝脏三维图像动态演示系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110279475A1 (en) * 2008-12-24 2011-11-17 Sony Computer Entertainment Inc. Image processing device and image processing method
CN101926648A (zh) * 2009-08-03 2010-12-29 浙江工业大学 基于四维医学图像的心壁应力应变测量方法
CN102554938A (zh) * 2010-12-31 2012-07-11 中国科学院计算技术研究所 机器人的机械手末端轨迹跟踪方法
CN103700136A (zh) * 2013-12-01 2014-04-02 北京航空航天大学 一种利用三变量双调和B-spline函数进行医学体数据矢量化的方法
CN104392212A (zh) * 2014-11-14 2015-03-04 北京工业大学 一种基于视觉的道路信息检测及前方车辆识别方法
CN105160294A (zh) * 2015-07-09 2015-12-16 山东大学 实时mce序列图像心肌组织感兴趣区域的自动跟踪方法
CN105844693A (zh) * 2016-04-29 2016-08-10 青岛大学附属医院 肝脏三维ct重建数据信息处理系统
CN106097422A (zh) * 2016-04-29 2016-11-09 青岛大学附属医院 基于大数据的肝脏三维图像动态演示系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
D. BARBOSA ET AL.: "B-spline Explicit Active Tracking of Surfaces (BEATS): Application to real-time 3D segmentation and tracking of the left ventricle in 3D echocardiography", 《IEEE》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110262250A (zh) * 2019-07-08 2019-09-20 济南大学 一种基于粒子群算法的b样条曲线拟合方法及系统
CN110262250B (zh) * 2019-07-08 2020-04-21 济南大学 一种基于粒子群算法的b样条曲线拟合方法及系统
CN111091125A (zh) * 2019-09-24 2020-05-01 上海联影智能医疗科技有限公司 基于相似性提供用于调整对象的引导的方法和系统
CN111091125B (zh) * 2019-09-24 2024-03-22 上海联影智能医疗科技有限公司 基于相似性提供用于调整对象的引导的方法和系统

Also Published As

Publication number Publication date
CN107808387B (zh) 2021-04-06

Similar Documents

Publication Publication Date Title
Feng et al. Segmenting CT prostate images using population and patient‐specific statistics for radiotherapy
CN106920234B (zh) 一种复合式自动放疗计划的方法
Li et al. Integrating spatial fuzzy clustering with level set methods for automated medical image segmentation
Anders et al. Performance of an atlas-based autosegmentation software for delineation of target volumes for radiotherapy of breast and anorectal cancer
CN109035160A (zh) 医学影像的融合方法及基于融合医学影像学习的图像检测方法
Schreibmann et al. Multiatlas segmentation of thoracic and abdominal anatomy with level set‐based local search
Zhang et al. A biomechanical modeling guided CBCT estimation technique
JP2005078176A (ja) 複数画像間の非剛体レジストレーション方法
CN106846330A (zh) 人体肝脏特征建模及血管模型空间归一方法
Peng et al. H-SegMed: a hybrid method for prostate segmentation in TRUS images via improved closed principal curve and improved enhanced machine learning
Vandewinckele et al. Segmentation of head-and-neck organs-at-risk in longitudinal CT scans combining deformable registrations and convolutional neural networks
Zhu et al. Preliminary clinical study of the differences between interobserver evaluation and deep convolutional neural network-based segmentation of multiple organs at risk in CT images of lung cancer
Cui et al. Automatic coronary centerline extraction using gradient vector flow field and fast marching method from CT images
Micallef et al. A nested U-net approach for brain tumour segmentation
Kawahara et al. Stepwise deep neural network (stepwise-net) for head and neck auto-segmentation on CT images
CN107808387A (zh) 一种医学图像序列中的目标跟踪方法
Johnston et al. Dose-volume-based evaluation of convolutional neural network-based auto-segmentation of thoracic organs at risk
Peng et al. Interpretable mathematical model-guided ultrasound prostate contour extraction using data mining techniques
Gong et al. Locally adaptive total p-variation regularization for non-rigid image registration with sliding motion
Mejía-Rodríguez et al. Elastic registration based on particle filter in radiotherapy images with brain deformations
Mambo et al. A review on medical image registration techniques
CN116258732A (zh) 一种基于pet/ct图像跨模态特征融合的食管癌肿瘤靶区分割方法
WO2022183851A1 (zh) 一种基于数字人技术的肺叶分割方法
CN116563402A (zh) 跨模态mri-ct图像合成方法、系统、设备和介质
Chen et al. Motion-compensated mega-voltage cone beam CT using the deformation derived directly from 2D projection images

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant