CN110738701B - 一种肿瘤三维定位系统 - Google Patents

一种肿瘤三维定位系统 Download PDF

Info

Publication number
CN110738701B
CN110738701B CN201911011596.4A CN201911011596A CN110738701B CN 110738701 B CN110738701 B CN 110738701B CN 201911011596 A CN201911011596 A CN 201911011596A CN 110738701 B CN110738701 B CN 110738701B
Authority
CN
China
Prior art keywords
image
liver
tumor
dimensional
gray value
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.)
Active
Application number
CN201911011596.4A
Other languages
English (en)
Other versions
CN110738701A (zh
Inventor
祝守芳
左丙丽
李金鹏
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.)
Shanghai Jumu Medical Equipment Co.,Ltd.
Original Assignee
Shanghai Jumu Medical Equipment Co ltd
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 Shanghai Jumu Medical Equipment Co ltd filed Critical Shanghai Jumu Medical Equipment Co ltd
Priority to CN201911011596.4A priority Critical patent/CN110738701B/zh
Publication of CN110738701A publication Critical patent/CN110738701A/zh
Application granted granted Critical
Publication of CN110738701B publication Critical patent/CN110738701B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/70Determining position or orientation of objects or cameras
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/12Edge-based segmentation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/13Edge detection
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/30Determination of transform parameters for the alignment of images, i.e. image registration
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10004Still image; Photographic image
    • G06T2207/10012Stereo images
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10072Tomographic images
    • G06T2207/10081Computed x-ray tomography [CT]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30004Biomedical image processing
    • G06T2207/30056Liver; Hepatic
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30004Biomedical image processing
    • G06T2207/30096Tumor; Lesion

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明提供了一种肿瘤三维定位系统,包括图像采集模块、预处理模块、图像分割模块、三维重建模块、肿瘤信息获取模块和信息输出模块。对肝部CT图像依次进行预处理和图像分割后,获得肝部CT图像序列的灰度值矩阵和肿瘤所在区域的灰度值矩阵;然后利用相邻两层的灰度值信息,根据两层图像中具体坐标的灰度值的差异以及灰度关系,对肝部二维CT图像中层与层之间进行插值操作,得到新的CT图像;然后通过灰度值与像素点的转换,得到肝部及肿瘤的三维图像;最后通过肿瘤信息获取模块获得肿瘤中心坐标以及肿瘤与肝部分界面的边缘坐标,从而定性和定量的呈现出肿瘤方位。本发明对肿瘤的三维定位方法具有精度高、便于观察和诊疗定位的优点。

Description

一种肿瘤三维定位系统
技术领域
本发明属于医疗技术领域,尤其涉及一种肿瘤三维定位系统。
背景技术
肝部恶性肿瘤作为世界上发病率和死亡率最高的疾病之一,严重威胁着人民的健康和生命。目前通过影响学检查成为肿瘤识别最直接有效的途径之一,在肿瘤早期诊断中多层螺旋CT通过重建技术能够清晰显示出横断面、矢状面和冠状面的病灶特征,中期诊断中螺旋CT诊断联合表面遮蔽和多平面重建能够清晰显示肿瘤部位、内部结构、边缘特征、血液供应、侵犯周围组织程度以及周边组织的改变,具有较高的诊断准确率。但是CT图只能提供人体内部的二维图像,诊断及切除手术更多依赖医生的经验来想象病灶及其周围组织的三维空间关系,给诊疗带来了困难。特别是在手术规划及放射治疗规划中,利用放射线杀死或抑制恶性肿瘤需要预先做出仔细地规划,包括剂量和照射点精确定位。如果辐射定位不准或剂量不当,轻则造成治疗效果不佳,重则危机周围正常组织。因此,通常利用三维重建技术对图像进行处理,构造三维几何模型,将看不见的人体器官以三维形式真实地显示出来,并能对重建模型从不同方向观察、剖切,使得医生对感兴趣部位的大小、形状和空间位置不仅有定性的认识,更能获得定量的描述。
申请号为CN201711045462.5的发明专利公开了一种用于虚拟手术术前规划的三维重建系统,通过对CT或MRI图像进行预处理,把经过去噪、平滑及增强后的图像进行图像分割,分割后引入空洞处理,保证图像完整不缺少信息;再采用改进的MC算法将分割后的完整图像进行三维重建,在原有算法15种基本拓扑构型基础上增加了9种,弥补了原有算法连接问题的不足,促使拟合曲面更加完整不易产生空洞;最后引入了光滑处理,使拟合后的曲面光滑平整。该发明重建后的模型可以用于虚拟手术切割和碰撞检测应用,便于直观明确的分析了解病情,提高手术成功几率,降低了手术风险。
然而采用MC算法对二维图像进行三维重建效果的好坏,在很大程度上依赖于图像分割效果的好坏,对于边界模糊不清的序列图像,在重建过程中往往得不到完整理想的三维重构效果。
发明内容
针对上述现有技术存在的缺陷,本发明的目的在于提供一种肿瘤三维定位系统,采用基于像素点的灰度值的插值方法,利用相邻两层的灰度信息,根据两层图像中具体坐标的灰度值的差异以及灰度关系,对肝部二维CT图像中层与层之间进行插值操作,得到新的CT图像,然后通过灰度值与像素点的转换,得到肝部及肿瘤的三维图像;最后通过肿瘤信息获取模块获得肿瘤中心坐标以及肿瘤与肝部分界面的边缘坐标,从而实现定性和定量的呈现肿瘤方位。
为实现上述目的,本发明采用以下技术方案实现:
一种肿瘤三维定位系统,图像存储模块、预处理模块、图像分割模块、三维重建模块、肿瘤信息获取模块、信息输出模块;
所述图像储存模块,用于存储人体肝部不同深度的二维CT图像以及标准肝部CT图像,得到肝部CT图像序列以及标准肝部CT图像序列;
所述预处理模块,用于对所述肝部CT图像序列进行二值化处理,得到肝部CT图像序列的灰度值矩阵;
所述图像分割模块,用于对所述肝部CT图像序列的灰度值矩阵进行分割,得到肿瘤所在区域的灰度值矩阵;
所述三维重建模块,用于对肝部及肿瘤所在区域分别进行三维重建,得到肝部三维图像和肿瘤三维图像;
所述肿瘤信息获取模块,用于根据所述肝部三维图像和肿瘤三维图像,获取肿瘤的方位信息;
所述信息输出模块,用于输出三维图像及肿瘤的方位信息。
进一步的,所述预处理模块用于对所述肝部CT图像序列依次进行降噪、增强和二值化处理,得到肝部CT图像序列的灰度值矩阵。
进一步的,所述图像分割模块通过将所述肝部CT图像序列的灰度值矩阵与所述标准肝部CT图像进行图像配准,得到所述肿瘤所在区域的灰度值矩阵。
进一步的,所述三维重建模块对肝部进行三维重建的方法包括如下步骤:
S11.建立三维坐标系,将二维CT图像所在平面作为X轴和Y轴坐标平面,将二维CT图像的深度作为Z轴坐标;
S12.将肝部CT图像序列按肝部CT图像深度进行排列,将第一张肝部CT图像的Z轴坐标记为0,则深度为D的肝部CT图像的Z轴坐标记为D;
S13.根据肝部CT图像序列的灰度值矩阵,确定深度为D的肝部CT图像的灰度值坐标集;
S14.通过插值法得到相邻两层肝部CT图像之间区域的灰度值坐标集;
S15.将所述肝部CT图像的灰度值坐标集和所述相邻两层肝部CT图像之间区域的灰度值坐标集转化为像素点,并按坐标集排列,即得到肝部三维图像。
进一步的,所述三维重建模块对肿瘤所在区域进行三维重建的方法包括如下步骤:
S21.建立三维坐标系,将二维CT图像所在平面作为X轴和Y轴坐标平面,将二维CT图像的深度作为Z轴坐标;
S22.将肝部CT图像序列按肝部CT图像深度进行排列,并将第一张肝部CT图像的Z轴坐标记为0,则深度为D的肝部CT图像的Z轴坐标记为D;
S23.根据肿瘤所在区域的灰度值矩阵,确定深度为D的肿瘤所在区域的灰度值坐标集;
S24.通过插值法得到相邻两层肿瘤所在区域CT图像之间区域的灰度值坐标集;
S25.将所述瘤所在区域的灰度值坐标集和所述相邻两层肿瘤所在区域CT图像之间区域的灰度值坐标集转化为像素点,并按坐标集排列,即得到肿瘤三维图像。
进一步的,在步骤S14或步骤S24中,所述插值法采用基于灰度值的插值方法,对第一张和最后一张CT图像采用线性插值形成新的断层CT图像,对其他位置的CT图像采用基于Z方向上的4个点的三次样条插值。
进一步的,所述肿瘤的方位信息包括肿瘤中心坐标以及肿瘤与肝部分界面的边缘坐标。
进一步的,所述肿瘤中心坐标通过确定所有包含肿瘤所在区域的肝部CT图像的中间层CT图像,然后将所述中间层CT图像的肿瘤所在区域的中心作为肿瘤中心坐标;所述肿瘤与肝部分界面的边缘坐标通过肿瘤所在区域与肝部CT图像的交点确定。
进一步的,所述肿瘤三维定位系统还包括渲染模块,用于对肿瘤三维图像进行渲染,便于观察和定位。
进一步的,所述肿瘤三维定位系统的三维定位方法包括以下步骤:
S1.所述图像储存模块储存人体肝部不同深度的二维CT图像,得到60~100张肝部CT图像序列;
S2.所述预处理模块对肝部CT图像进行降噪和增强处理后,进行二值化处理,得到肝部CT图像序列的灰度值矩阵;
S3.所述图像分割模块对所述肝部CT图像序列的灰度值矩阵进行分割,得到肿瘤所在区域的灰度值矩阵;
S4.所述三维重建模块根据所述肝部CT图像序列的灰度值矩阵和所述肿瘤所在区域的灰度值矩阵,分别对肝部及肿瘤所在区域进行三维重建,得到肝部三维图像和肿瘤三维图像;
S5.所述肿瘤信息获取模块根据所述肝部三维图像和肿瘤三维图像,得到肿瘤中心坐标以及肿瘤与肝部分界面的边缘坐标;
S6.所述信息输出模块输出所述肝部三维图像和肿瘤三维图像,以及所述肿瘤中心坐标和肿瘤与肝部分界面的边缘坐标。
有益效果
与现有技术相比,本发明提供的肿瘤三维定位系统具有如下有益效果:
(1)本发明通过对肝部CT图像依次进行图像二值化处理和图像分割处理,获得肝部CT图像序列的灰度值矩阵和肿瘤所在区域的灰度值矩阵;然后利用相邻两层的灰度值信息,根据两层图像中具体坐标的灰度值的差异以及灰度关系,对肝部二维CT图像中层与层之间进行三次样条插值操作,得到新的CT图像,与原图相比,亮度高、细节清晰、误差小;因此通过灰度值与像素点的转换,得到的肝部及肿瘤的三维图像精度高,有助于降低手术风险。
(2)采用本发明所述的三维重建方法,可以通过选择任意连续相邻的CT图像序列进行三维重建,能够获得任意切面的肝部或肿瘤三维图像,便于医护人员观察内层肿瘤与肝部的连接关系,有助于诊疗方案的设计和优化。
(3)本发明由肝部CT图像序列重建出肝部及肿瘤的三维模型,可以在手术规划中方便医生观察病灶的形状、空间位置,确定科学的手术方案,使得射线照射肿瘤时不穿过重要组织,不伤害正常组织。
(4)本发明可输出肝部三维图像及肿瘤三维图像,通过肿瘤信息获取模块获得肿瘤中心坐标以及肿瘤与肝部分界面的边缘坐标,从而能够定性和定量的确定肿瘤的位置、大小、深度等信息,使得医生对感兴趣部位的大小、形状和空间位置不仅有定性的认识,更能获得定量的描述。
附图说明
图1为本发明提供的肿瘤三维定位系统的组成框图;
图2为肝部CT图像三维重建方法流程图;
图3为本发明提供的肿瘤三维定位系统的三维定位方法流程图。
具体实施方式
以下将对本发明各实施例的技术方案进行清楚、完整的描述,显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例;基于本发明的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施例,都属于本发明所保护的范围。
请参阅图1所示,本发明提供一种肿瘤三维定位系统,包括图像存储模块、预处理模块、图像分割模块、三维重建模块、肿瘤信息获取模块、信息输出模块。
以肝部肿瘤为例,所述图像存储块,用于存储人体肝部不同深度的二维CT图像以及标准肝部CT图像,得到肝部CT图像序列以及标准肝部CT图像序列,每组CT图像序列包含60~100张CT图像。
所述预处理模块,用于对所述肝部CT图像序列中每张CT图像进行二值化处理,得到肝部CT图像序列的灰度值矩阵。
作为优选,所述预处理模块用于对所述肝部CT图像序列依次进行降噪、增强和二值化处理,得到肝部CT图像序列的灰度值矩阵,在二值化处理前对图像进行降噪和增强处理,消除干扰信息的影响,提高图像的质量和清晰度,进而提高图像二值化的精度。
所述图像分割模块,用于对所述肝部CT图像序列的灰度值矩阵进行分割,得到肿瘤所在区域的灰度值矩阵。
作为优选,所述图像分割模块通过将所述肝部CT图像序列的灰度值矩阵与所述标准肝部CT图像进行图像配准,得到所述肿瘤所在区域的灰度值矩阵。
具体地,将所述肝部CT图像序列记为X,将所述标准肝部CT图像记为Y,则所述图像分割模块通过以下步骤进行图像配准:
(1)用形态学梯度滤波算法获取两组图像轮廓,并采用K-means聚类算法提取图像边缘特征点,得到形状特征点集X和Y;
(2)初始化,Ρij=(N1N2)-1,α=αmin,λ=λ0,κ=κmin,T=0;
其中,Ρij为两组图像边缘特征点Xi和Yj的联合概率密度,如式(1)所示:
Pij(T)=exp(-αDij(T)-λ) (1)
式中,α和λ为两个拉格朗日常数,作为辅助参数分别用于约束点匹配相似测度和概率总值,;κ为一个权重参数,且κ>0,用于调整互信息和距离测度之间的比重关系,Dij(T)表示基于变换参数T,Xi和Yj的的距离测度;
(3)确定算法的搜索空间,ΔT=(Δx,Δy,Δθ),Δα,Δκ;
(4)初始化由ΔT,Δα和Δκ构成梯度优化算法的5维向量x;
(5)计算待配准图像的梯度损失函数值EMI,如式(2)和(3)所示:
Figure GDA0002526706700000081
Figure GDA0002526706700000082
(6)根据式(4)最小化能量函数和式(5)目标函数的泰勒展开式更新x:
Figure GDA0002526706700000083
Figure GDA0002526706700000084
其中,f(x)、g(x)、H(x)满足式(6)和式(7):
Figure GDA0002526706700000085
Figure GDA0002526706700000091
(7)迭代结束条件通常为全局最优解小于最小允许误差,或达到一个预设最大代数Gmax,如未达到该结束条件则返回步骤(5);
(8)达到迭代结束条件,配准完成。
通过与标准肝部CT图像进行配准,得到待测CT图像序列中的肿瘤所在区域,利用梯度下降法优化配准过程,可大幅减少互信息的计算量,大大缩短配准时间,并可有效克服局部极值问题,提高配准的效率和准确度。
所述三维重建模块,用于对肝部及肿瘤所在区域分别进行三维重建,得到肝部三维图像和肿瘤三维图像。
请参阅图2所示,所述三维重建模块对肝部进行三维重建的方法包括如下步骤:
S11.建立三维坐标系,将二维CT图像所在平面作为X轴和Y轴坐标平面,将二维CT图像的深度作为Z轴坐标;
S12.将N张肝部CT图像序列按肝部CT图像深度进行排列,将第一张肝部CT图像的Z轴坐标记为0,则深度为D的肝部CT图像的Z轴坐标记为D;
S13.根据肝部CT图像序列的灰度值矩阵,确定深度为D的肝部CT图像的灰度值坐标集;
S14.通过插值法得到相邻两层肝部CT图像之间区域的灰度值坐标集;
其中,对第一张和最后一张CT图像采用线性插值形成新的断层CT图像,则新的断层CT图像的灰度值计算方法如式(8)所示:
fc=d*f(xi,yj,zk)+(1-d)*f(xi,yj,zk+1),k=0或N-1 (8)
式中,f(xi,yj,zk)和f(xi,yj,zk+1)分别表示两个点为(xi,yj,zk)和(xi,yj,zk+1)的灰度值;
对其他位置的CT图像采用基于Z方向上的4个点的三次样条插值,其插值函数如式(9)所示:
Figure GDA0002526706700000101
式中,z表示已知像素点到插值点的距离;
S15.将所述肝部CT图像的灰度值坐标集和所述相邻两层肝部CT图像之间区域的灰度值坐标集转化为像素点,并按坐标集排列,即得到肝部三维图像。
具体的,所述三维重建模块对肿瘤所在区域进行三维重建的方法包括如下步骤:
S21.建立三维坐标系,将二维CT图像所在平面作为X轴和Y轴坐标平面,将二维CT图像的深度作为Z轴坐标;
S22.将肝部CT图像序列按肝部CT图像深度进行排列,将第一张肝部CT图像的Z轴坐标记为0,则深度为D的肝部CT图像的Z轴坐标记为D;
S23.根据肿瘤所在区域的灰度值矩阵,确定深度为D的肿瘤所在区域的灰度值坐标集;
S24.通过插值法得到相邻两层肿瘤所在区域CT图像之间区域的灰度值坐标集,所述插值法与步骤S14中所述插值操作方法基本相同;
S25.将所述瘤所在区域的灰度值坐标集和所述相邻两层肿瘤所在区域CT图像之间区域的灰度值坐标集转化为像素点,并按坐标集排列,即得到肿瘤三维图像。
根据以上所述的三维重建方法,可以通过选择任意连续相邻的CT图像序列进行三维重建,获得任意切面的三维图像,便于医护人员观察内层肿瘤与肝部的关系,有助于诊疗方案的设计和优化。
所述肿瘤信息获取模块,用于根据所述肝部三维图像和肿瘤三维图像,获取肿瘤的方位信息。
作为优选,所述肿瘤的方位信息包括肿瘤中心坐标以及肿瘤与肝部分界面的边缘坐标。
作为优选,所述肿瘤中心坐标通过确定所有包含肿瘤所在区域的肝部CT图像的中间层CT图像,然后将所述中间层CT图像的肿瘤所在区域的中心作为肿瘤中心坐标;所述肿瘤与肝部分界面的边缘坐标通过肿瘤所在区域与肝部CT图像的交点确定,通过肿瘤与肝部分界面的边缘坐标能够进一步明确肿瘤方位及肿瘤与肝部组织的连接关系,便于后续诊疗方案的设计和进行,提高诊疗成功率。
所述信息输出模块,用于输出三维图像及肿瘤的方位信息。
作为优选,所述肿瘤三维定位系统还包括渲染模块,用于对肿瘤三维图像进行渲染,便于对肿瘤进行观察和定位。
请参阅图3所示,所述肿瘤三维定位系统的三维定位方法包括以下步骤:
S1.所述图像储存模块储存人体肝部不同深度的二维CT图像,得到60~100张肝部CT图像序列;
S2.所述预处理模块对肝部CT图像进行降噪和增强处理后,进行二值化处理,得到肝部CT图像序列的灰度值矩阵;
S3.所述图像分割模块对所述肝部CT图像序列的灰度值矩阵进行分割,得到肿瘤所在区域的灰度值矩阵;
S4.所述三维重建模块根据所述肝部CT图像序列的灰度值矩阵和所述肿瘤所在区域的灰度值矩阵,分别对肝部及肿瘤所在区域进行三维重建,得到肝部三维图像和肿瘤三维图像;
S5.所述肿瘤信息获取模块根据所述肝部三维图像和肿瘤三维图像,得到肿瘤中心坐标以及肿瘤与肝部分界面的边缘坐标;
S6.所述信息输出模块输出所述肝部三维图像和肿瘤三维图像,以及所述肿瘤中心坐标和肿瘤与肝部分界面的边缘坐标。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。

Claims (5)

1.一种肿瘤三维定位系统,其特征在于,包括图像存储模块、预处理模块、图像分割模块、三维重建模块、肿瘤信息获取模块、信息输出模块;
所述图像储存模块,用于存储人体肝部不同深度的二维CT图像以及标准肝部CT图像,得到肝部CT图像序列以及标准肝部CT图像序列;
所述预处理模块用于对所述肝部CT图像序列依次进行降噪、增强和二值化处理,得到肝部CT图像序列的灰度值矩阵;
所述图像分割模块通过将所述肝部CT图像序列的灰度值矩阵与所述标准肝部CT图像进行图像配准,得到所述肿瘤所在区域的灰度值矩阵;
将所述肝部CT图像序列记为X,将所述标准肝部CT图像记为Y,则所述图像分割模块通过以下步骤进行图像配准:
步骤(1)用形态学梯度滤波算法获取两组图像轮廓,并采用K-means聚类算法提取图像边缘特征点,得到形状特征点集X和Y;
步骤(2)初始化,Ρij=(N1N2)-1,α=αmin,λ=λ0,κ=κmin,T=0;
其中,Ρij为两组图像边缘特征点Xi和Yj的联合概率密度,如式(1)所示:
Pij(T)=exp(-αDij(T)-λ) (1)
式中,α和λ为两个拉格朗日常数,作为辅助参数分别用于约束点匹配相似测度和概率总值,κ为一个权重参数,且κ>0,用于调整互信息和距离测度之间的比重关系,Dij(T)表示基于变换参数T,Xi和Yj的的距离测度;
步骤(3)确定算法的搜索空间,ΔT=(Δx,Δy,Δθ),Δα,Δκ;
步骤(4)初始化由ΔT,Δα和Δκ构成梯度优化算法的5维向量x;
步骤(5)计算待配准图像的梯度损失函数值EMI,如式(2)和(3)所示:
Figure FDA0002526706690000021
Figure FDA0002526706690000022
步骤(6)根据式(4)最小化能量函数和式(5)目标函数的泰勒展开式更新x:
Figure FDA0002526706690000023
Figure FDA0002526706690000024
其中,f(x)、g(x)、H(x)满足式(6)和式(7):
Figure FDA0002526706690000025
Figure FDA0002526706690000026
步骤(7)迭代结束条件通常为全局最优解小于最小允许误差,或达到一个预设最大代数Gmax,如未达到该结束条件则返回步骤(5);
步骤(8)达到迭代结束条件,配准完成;
所述三维重建模块,用于对肝部及肿瘤所在区域分别进行三维重建,得到肝部三维图像和肿瘤三维图像;
其中,所述三维重建模块对肝部进行三维重建的方法包括如下步骤:
S11.建立三维坐标系,将二维CT图像所在平面作为X轴和Y轴坐标平面,将二维CT图像的深度作为Z轴坐标;
S12.将肝部CT图像序列按肝部CT图像深度进行排列,并将第一张肝部CT图像的Z轴坐标记为0,则深度为D的肝部CT图像的Z轴坐标记为D;
S13.根据肝部CT图像序列的灰度值矩阵,确定深度为D的肝部CT图像的灰度值坐标集;
S14.通过插值法得到相邻两层肝部CT图像之间区域的灰度值坐标集;
S15.将所述肝部CT图像的灰度值坐标集和所述相邻两层肝部CT图像之间区域的灰度值坐标集转化为像素点,并按坐标集排列,即得到肝部三维图像;
其中,对第一张和最后一张CT图像采用线性插值形成新的断层CT图像,则新的断层CT图像的灰度值计算方法如式(8)所示:
fc=d*f(xi,yj,zk)+(1-d)*f(xi,yj,zk+1),k=0或N-1 (8)
式中,f(xi,yj,zk)和f(xi,yj,zk+1)分别表示两个点为(xi,yj,zk)和(xi,yj,zk+1)的灰度值;
对其他位置的CT图像采用基于Z方向上的4个点的三次样条插值,其插值函数如式(9)所示:
Figure FDA0002526706690000031
式中,z表示已知像素点到插值点的距离;
其中,所述三维重建模块对肿瘤所在区域进行三维重建的方法包括如下步骤:
S21.建立三维坐标系,将二维CT图像所在平面作为X轴和Y轴坐标平面,将二维CT图像的深度作为Z轴坐标;
S22.将肝部CT图像序列按肝部CT图像深度进行排列,将第一张肝部CT图像的Z轴坐标记为0,则深度为D的肝部CT图像的Z轴坐标记为D;
S23.根据肿瘤所在区域的灰度值矩阵,确定深度为D的肿瘤所在区域的灰度值坐标集;
S24.通过插值法得到相邻两层肿瘤所在区域CT图像之间区域的灰度值坐标集;
S25.将所述瘤所在区域的灰度值坐标集和所述相邻两层肿瘤所在区域CT图像之间区域的灰度值坐标集转化为像素点,并按坐标集排列,即得到肿瘤三维图像;
所述肿瘤信息获取模块,用于根据所述肝部三维图像和肿瘤三维图像,获取肿瘤的方位信息;
所述信息输出模块,用于输出三维图像及肿瘤的方位信息。
2.根据权利要求1所述的一种肿瘤三维定位系统,其特征在于,所述肿瘤的方位信息包括肿瘤中心坐标以及肿瘤与肝部分界面的边缘坐标。
3.根据权利要求2所述的一种肿瘤三维定位系统,其特征在于,所述肿瘤中心坐标通过确定所有包含肿瘤所在区域的肝部CT图像的中间层CT图像,然后将所述中间层CT图像的肿瘤所在区域的中心作为肿瘤中心坐标;所述肿瘤与肝部分界面的边缘坐标通过肿瘤所在区域与肝部CT图像的交点确定。
4.根据权利要求1所述的一种肿瘤三维定位系统,其特征在于,所述肿瘤三维定位系统还包括渲染模块,用于对肿瘤三维图像进行渲染,便于观察和定位。
5.根据权利要求1所述的一种肿瘤三维定位系统,其特征在于,所述肿瘤三维定位系统的三维定位方法包括以下步骤:
S1.所述图像储存模块储存人体肝部不同深度的二维CT图像,得到60~100张肝部CT图像序列;
S2.所述预处理模块对肝部CT图像进行降噪和增强处理后,进行二值化处理,得到肝部CT图像序列的灰度值矩阵;
S3.所述图像分割模块对所述肝部CT图像序列的灰度值矩阵进行分割,得到肿瘤所在区域的灰度值矩阵;
S4.所述三维重建模块根据所述肝部CT图像序列的灰度值矩阵和所述肿瘤所在区域的灰度值矩阵,分别对肝部及肿瘤所在区域进行三维重建,得到肝部三维图像和肿瘤三维图像;
S5.所述肿瘤信息获取模块根据所述肝部三维图像和肿瘤三维图像,得到肿瘤中心坐标以及肿瘤与肝部分界面的边缘坐标;
S6.所述信息输出模块输出所述肝部三维图像和肿瘤三维图像,以及所述肿瘤中心坐标和肿瘤与肝部分界面的边缘坐标。
CN201911011596.4A 2019-10-23 2019-10-23 一种肿瘤三维定位系统 Active CN110738701B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911011596.4A CN110738701B (zh) 2019-10-23 2019-10-23 一种肿瘤三维定位系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911011596.4A CN110738701B (zh) 2019-10-23 2019-10-23 一种肿瘤三维定位系统

Publications (2)

Publication Number Publication Date
CN110738701A CN110738701A (zh) 2020-01-31
CN110738701B true CN110738701B (zh) 2020-08-11

Family

ID=69270905

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911011596.4A Active CN110738701B (zh) 2019-10-23 2019-10-23 一种肿瘤三维定位系统

Country Status (1)

Country Link
CN (1) CN110738701B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112465802A (zh) * 2020-12-10 2021-03-09 上海联影医疗科技股份有限公司 断层图像的处理方法、系统、终端及计算机可读存储介质
CN112598682B (zh) * 2020-12-25 2024-03-29 公安部第一研究所 一种基于任意角度的三维ct图像剖切方法及装置
CN112734790B (zh) * 2020-12-30 2023-07-11 武汉联影生命科学仪器有限公司 一种肿瘤区域标注方法、系统、装置及可读存储介质
CN113160242B (zh) * 2021-03-17 2023-03-14 中南民族大学 一种基于骨盆结构的直肠癌肿瘤图像预处理方法及装置
CN115409819B (zh) * 2022-09-05 2024-03-29 苏州埃米迈德医疗科技有限公司 一种肝部图像重建方法以及重建系统
CN115919464B (zh) * 2023-03-02 2023-06-23 四川爱麓智能科技有限公司 肿瘤定位方法、系统、装置及肿瘤发展预测方法
CN115954106B (zh) * 2023-03-15 2023-05-12 吉林华瑞基因科技有限公司 基于计算机辅助模拟的肿瘤模型优化系统
CN116630326B (zh) * 2023-07-25 2023-09-19 南京诺源医疗器械有限公司 一种基于鼻颅镜系统的颅内肿瘤定位系统
CN116955681B (zh) * 2023-09-08 2024-04-26 北京触幻科技有限公司 一种三维可视化医学影像系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1801214A (zh) * 2005-11-18 2006-07-12 厦门大学 基于数字化虚拟器官的肿瘤图像信息处理装置与处理方法
CN102117378B (zh) * 2009-12-31 2012-07-25 苏州瑞派宁科技有限公司 一种基于三维多模影像的肝肿瘤综合手术规划模拟方法及其系统
CN102525660B (zh) * 2012-02-17 2014-02-05 南通爱普医疗器械有限公司 具有颅脑部病灶自动识别功能的手术导航仪
CN103020969B (zh) * 2012-12-25 2015-12-23 中国科学院深圳先进技术研究院 一种ct图像肝脏分割的处理方法及系统
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
CN206003162U (zh) * 2016-04-29 2017-03-08 青岛大学附属医院 基于大数据的肝脏三维图像动态演示装置

Also Published As

Publication number Publication date
CN110738701A (zh) 2020-01-31

Similar Documents

Publication Publication Date Title
CN110738701B (zh) 一种肿瘤三维定位系统
Wang et al. Organ at risk segmentation in head and neck CT images using a two-stage segmentation framework based on 3D U-Net
CN107230206B (zh) 一种基于多模态数据的超体素序列肺部图像的3d肺结节分割方法
Choi et al. Clinical evaluation of atlas-and deep learning-based automatic segmentation of multiple organs and clinical target volumes for breast cancer
US8942455B2 (en) 2D/3D image registration method
EP2646979B1 (en) Image registration apparatus
CN112150524B (zh) 一种基于深度学习的二维和三维医学图像配准方法和系统
US9492124B2 (en) System and method for treatment planning of organ disease at the functional and anatomical levels
Cheng et al. Airway segmentation and measurement in CT images
Alam et al. Evaluation of medical image registration techniques based on nature and domain of the transformation
Matsopoulos et al. Thoracic non-rigid registration combining self-organizing maps and radial basis functions
Lang et al. Towards model-enhanced real-time ultrasound guided cardiac interventions
Zhao et al. Research on 3D reconstruction algorithm of medical CT image based on parallel contour
Girija et al. 4D medical image registration: A survey
Erdt et al. Computer aided segmentation of kidneys using locally shape constrained deformable models on CT images
Hamarneh Towards intelligent deformable models for medical image analysis
Wodzinski et al. Application of B-splines FFD image registration in breast cancer radiotherapy planning
Zhou et al. Two stage registration-based automatic left ventricle myocardium segmentation of cardiac 4DCT images
Wodzinski et al. Usage of ICP algorithm for initial alignment in B-splines FFD image registration in breast cancer radiotherapy planning
Fakhfakh et al. Automatic registration of pre-and intraoperative data for long bones in Minimally Invasive Surgery
Manikandan et al. Lobar fissure extraction in isotropic CT lung images—an application to cancer identification
Vijayaraj et al. Small cell lung tumour differentiation using F-18 (Fluorine-18) PET and smoothing using Gaussian 3D convolution operator
Chin-Hsing et al. 3D image reconstruction of bladder by nonlinear interpolation
Thomson Automated vascular region segmentation in ultrasound to utilize surgical navigation in liver surgery
Yue et al. A new motion estimation method for long-term ultrasound free respiration sequences based on multi-scale blobness enhancement filter and level set method

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
TA01 Transfer of patent application right

Effective date of registration: 20200714

Address after: Room 2004, building 2, No. 469, Fengjin Road, Fengxian District, Shanghai, 201401

Applicant after: Shanghai Jumu Medical Equipment Co.,Ltd.

Address before: 350005 No. 20 Cha Zhong Road, Fuzhou, Fujian

Applicant before: Zuo Bingli

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant