CN110880195B - 4dct的影像组学特征提取图像重建方法、介质和装置 - Google Patents
4dct的影像组学特征提取图像重建方法、介质和装置 Download PDFInfo
- Publication number
- CN110880195B CN110880195B CN201911009081.0A CN201911009081A CN110880195B CN 110880195 B CN110880195 B CN 110880195B CN 201911009081 A CN201911009081 A CN 201911009081A CN 110880195 B CN110880195 B CN 110880195B
- Authority
- CN
- China
- Prior art keywords
- image
- 4dct
- tumor
- motion
- head
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000000605 extraction Methods 0.000 title claims abstract description 24
- 206010028980 Neoplasm Diseases 0.000 claims abstract description 75
- 239000011159 matrix material Substances 0.000 claims abstract description 65
- 208000020816 lung neoplasm Diseases 0.000 claims abstract description 22
- 208000037841 lung tumor Diseases 0.000 claims abstract description 22
- 230000000241 respiratory effect Effects 0.000 claims description 87
- 238000012545 processing Methods 0.000 claims description 31
- 230000006870 function Effects 0.000 claims description 22
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000009795 derivation Methods 0.000 claims description 4
- 230000014509 gene expression Effects 0.000 claims description 2
- 230000003068 static effect Effects 0.000 abstract description 29
- 208000002154 non-small cell lung carcinoma Diseases 0.000 abstract description 13
- 208000029729 tumor suppressor gene on chromosome 11 Diseases 0.000 abstract description 12
- 238000013178 mathematical model Methods 0.000 abstract description 2
- 238000002591 computed tomography Methods 0.000 description 65
- 238000010586 diagram Methods 0.000 description 9
- 238000003384 imaging method Methods 0.000 description 9
- 206010027476 Metastases Diseases 0.000 description 8
- 230000009401 metastasis Effects 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000012216 screening Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 239000008188 pellet Substances 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000001959 radiotherapy Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000001154 acute effect Effects 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000001574 biopsy Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000002512 chemotherapy Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 238000002331 protein detection Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011127 radiochemotherapy Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000036387 respiratory rate Effects 0.000 description 1
- 238000012106 screening analysis Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5258—Devices using data or image processing specially adapted for radiation diagnosis involving detection or reduction of artifacts or noise
- A61B6/5264—Devices using data or image processing specially adapted for radiation diagnosis involving detection or reduction of artifacts or noise due to motion
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Optics & Photonics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Radiology & Medical Imaging (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- High Energy & Nuclear Physics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及4DCT图像重建技术领域,具体地说,涉及一种基于肺部肿瘤4DCT图像进行影像组学特征提取的专用图像的重建方法、介质和装置。其针对如何从4DCT图像的重建图像中提取接近于静态CT图像的影像组学特征参数以及这些影像组学特征参数对预测模型建模的影响的问题,通过对肿瘤质心运动曲线时域梯度分析提出了基于最小梯度密度投影矩阵重建图像的概念和数学模型(Minimum gradient density projection matrix,MGDPM),并验证了该方法相对于目前传统的平均密度投影(Average intensity projection,AIP)、最大密度投影(Maximum intensity projection,MIP)图像提取特征在非小细胞肺癌NSCLC早期转移中的预测能力。
Description
技术领域
本发明涉及4DCT图像重建技术领域,具体地说,涉及一种基于肺部肿瘤4DCT图像进行影像组学特征提取的专用图像的重建方法、介质和装置。
背景技术
影像组学概念最早在2012年由荷兰马斯特里赫特大学医疗中心的PhilippeLambina等教授提出并发表在欧洲肿瘤学杂志上,该技术是一种新的基于多模态医学影像的处理分析技术。它基于高性能计算机及算法,从目前普遍使用的计算机断层图像CT、磁共振图像MRI和正电子发射/断层图像PET/CT中自动提取海量数据进行分析,能够为疾病的早期诊断、良恶性肿瘤鉴别、疾病治疗管理、个体化精准治疗等需求提供更多有价值信息。
影像组学技术得以在肿瘤治疗中应用的前提是:以特定的成像介质为基础的医学影像数据的定量分析,能够为医生提供比常规影像更多维和更有效的信息。影像组学技术基于其无创特性,因此理论上可以进行重复多次的信息提取和分析,能够为医生提供比常规基因检测、蛋白检测、病理活检等更多频度和维度的信息,使得肿瘤治疗的全程管理变成可能。同时,影像组学技术可以与全基因测序等基因组学和蛋白组学等技术手段结合起来,以更少的时间、更低的经济成本分析不同肿瘤、同种肿瘤的不同表型、同种表型的不同患者间异质性。同时,影像组学分析技术可以用于定量追踪不同治疗手段对肿瘤治疗的影响,在肿瘤产生肉眼可见的解剖或者代谢活性改变之前发现端倪。影像组学技术的出现为有效利用医学大数据和人工智能技术提供了可能,具有较大的临床应用前景。
基于4DCT图像的影像组学研究的难点是如何从4DCT图像中提取接近于静态CT图像的影像组学特征参数,以及这些影像组学特征参数对预测模型建模的影响。基于目前的研究结果,一般而言肺部肿瘤在一个呼吸周期内,在每个呼吸时相中运动速率差异很大,在呼气末肿瘤运动速率相对较慢,因此我们平常说的肿瘤运动幅度大其本质是患者呼吸导致的肿瘤运动速率太快,肿瘤运动幅度=肿瘤运动速率*采样时间,因此在相同的采样时间内肿瘤运动速率越快,肿瘤运动幅度越大。这个通过照相机快门原理来解释可能会更加便于理解,在4DCT成像中,快门时间相当于CT机架旋转时间,而螺距选择类似于相机的光圈。如果被拍摄对象肿瘤的运动速率很快而照相机快门又不够快,在同样曝光时间内造成了过采样,最终导致图像拖沓模糊;或者相机快门速度设置又太快了,进光量太少而不能充分显像而导致的欠采样。现有的对肺部肿瘤4DCT图像的重建方法包括如AIP、MIP等方法,在对肺部肿瘤4DCT图像的处理上,均存在较大的失真。
发明内容
本发明提供了一种基于肺部肿瘤4DCT图像进行影像组学特征提取的专用图像的重建方法,其能够克服现有技术的某种或某些缺陷。
根据本发明的基于肺部肿瘤4DCT图像进行影像组学特征提取的专用图像的重建方法,其包括如下步骤:
步骤S1,对一个呼吸周期内的每个呼吸时相的4DCT图像进行处理,获取肿瘤质心在一个呼吸周期内的三维运动轨迹;
步骤S2,根据获取的三维运动轨迹,获取一个呼吸周期内肿瘤质心在头脚CC方向、左右LR方向和前后AP方向上的二维投影平面运动轨迹;
步骤S3,对在头脚CC方向、左右LR方向和前后AP方向上的二维投影平面运动轨迹分别进行拟合,进而获取一个呼吸周期内肿瘤质心在头脚CC方向、左右LR方向和前后AP方向上的运动方程YCC(t)、XLR(t)和ZAP(t);
步骤S4、对运动方程YCC(t)、XLR(t)和ZAP(t)进行求导,进而获取一个呼吸周期内肿瘤质心在头脚CC方向、左右LR方向和前后AP方向上的运动速率函数VCC(t)、VLR(t)和VAP(t);
步骤S5、根据运动速率函数VCC(t)、VLR(t)和VAP(t),获取在头脚CC方向、左右LR方向和前后AP方向上每个呼吸时相的运动速率倒数并构建速率倒数矩阵P、M和Q,通过对速率倒数矩阵P、M和Q进行标准化处理获取与矩阵P对应的权重矩阵VCC,与矩阵M对应的权重矩阵VLR和与矩阵Q对应的权重矩阵VAP;
步骤S6、根据对应的权重矩阵VCC、VLR和VAP对肿瘤质心在一个呼吸周期内在头脚CC方向、左右LR方向和前后AP方向上4DCT图像中的CT值进行加权计算,并根据加权计算后的CT值进行图像重建。
作为优选,步骤S1中,三维运动轨迹的任一点的坐标为[X(t),Y(t),Z(t)];X(t)、Y(t)和Z(t)分别表示肿瘤质心在头脚CC方向、左右LR方向和前后AP方向的运动幅度,t=1、2、3、4、5、6、7、8、9、10,t表示一个呼吸周期内的10个呼吸时相,即0、10%、20%、30%、40%、50%、60%、70%、80%、90%。
作为优选,步骤S2中,一个呼吸周期内肿瘤质心在头脚CC方向、左右LR方向和前后AP方向上的二维投影平面运动轨迹的表达式分别为X(t)、Y(t)和Z(t)。
作为优选,步骤S3中,采用多项式拟合的方法对X(t)、Y(t)和Z(t)分别进行拟合。
作为优选,对X(t)、Y(t)和Z(t)的拟合次数不超过6次且拟合系数达到0.85以上即可。
作为优选,步骤S5中,通过分别在运动速率函数VCC(t)、VLR(t)和VAP(t)中依次代入x=t=1、2、3、4、5、6、7、8、9、10,获取肿瘤质心在0、10%、20%、30%、40%、50%、60%、70%、80%和90%呼吸时相处时在头脚CC方向、左右LR方向和前后AP方向上的运动速率,其中,P=[1/VCC(1) 1/VCC(2) 1/VCC(3) 1/VCC(4) 1/VCC(5) 1/VCC(6) 1/VCC(7) 1/VCC(8) 1/VCC(9) 1/VCC(10)],M=[1/VLR(1) 1/VLR(2) 1/VLR(3) 1/VLR(4) 1/VLR(5) 1/VLR(6) 1/VLR(7) 1/VLR(8) 1/VLR(9) 1/VLR(10)],Q=[1/VAP(1) 1/VAP(2) 1/VAP(3) 1/VAP(4) 1/VAP(5)1/VAP(6) 1/VAP(7) 1/VAP(8) 1/VAP(9) 1/VAP(10)]。
作为优选,步骤S6中,对于同一点,获取其在每个呼吸时相下4DCT图像中的CT值并构建相应数列与对应的权重矩阵进行加权计算,通过逐点与对应权重矩阵进行加权计算,获取重建图像在头脚CC方向、左右LR方向和前后AP方向上的每个点的重建CT值,进而实现对4DCT图像在头脚CC方向、左右LR方向和前后AP方向中的至少之一方向上的重建。
本发明还提供了一种介质,其上记载有任一上述的重建方法。
本发明还提供了一种基于肺部肿瘤4DCT图像进行影像组学特征提取的专用图像的重建装置,其包括:
第一处理模块,其用于对一个呼吸周期内的每个呼吸时相的4DCT图像进行处理,进而获取肿瘤质心在一个呼吸周期内的三维运动轨迹;
第二处理模块,其用于根据第一处理模块获取的三维运动轨迹,获取一个呼吸周期内肿瘤质心在头脚CC方向、左右LR方向和前后AP方向上的二维投影平面运动轨迹;
第三处理模块,其用于对在头脚CC方向、左右LR方向和前后AP方向上的二维投影平面运动轨迹进行拟合进而获取依次对应的运动方程YCC(t)、XLR(t)和ZAP(t);
第四处理模块,其用于对运动方程YCC(t)、XLR(t)和ZAP(t)进行求导,进而获取依次对应的运动速率函数VCC(t)、VLR(t)和VAP(t);
第五处理模块,其用于根据运动速率函数VCC(t)、VLR(t)和VAP(t),获取,获取在头脚CC方向、左右LR方向和前后AP方向上每个呼吸时相的运动速率倒数并构建速率倒数矩阵P、M和Q,同时用于对速率倒数矩阵P、M和Q进行标准化处理以获取与矩阵P对应的权重矩阵VCC,与矩阵M对应的权重矩阵VLR和与矩阵Q对应的权重矩阵VAP;
第六处理模块,其用于根据对应的权重矩阵VCC、VLR和VAP对肿瘤质心在一个呼吸周期内在头脚CC方向、左右LR方向和前后AP方向上4DCT图像中的CT值进行加权计算,并根据加权计算后的CT值进行图像重建。
本发明具备如下技术效果:
1、通过本发明的重建方法,能够较佳地对现有的4DCT图像进行重建,相较于现有采用MIP和AIP方法对4DCT图像进行重建,本发明的重建方法能够更加接近于静态CT图像,进而能够较佳地便于后续对影像组学特征的提取;
2、采用本发明的重建方法所重建的图像,在运用于影像组学特征提取和分析时,能够具备较佳提升的对非小细胞肺癌NSCLC早期转移中的预测能力;
3、通过提供一种介质,能够较佳地对本发明的方法进行记载;
4、通过提供一种装置,能够较佳地实现本发明的方法的完成,进而使得能够较佳地自动完成本发明中的方法。
附图说明
图1为实施例1中从某一经过呼吸训练的患者肺部肿瘤的4DCT图像中提取的肿瘤质心在一个呼吸周期里的三维运动轨迹;
图2为图1中的三维运动轨迹在头脚CC方向上的二维投影平面运动轨迹及运动方程的坐标图;
图3为图1中的三维运动轨迹在左右LR方向上的二维投影平面运动轨迹及运动方程的坐标图;
图4为图1中的三维运动轨迹在前后AP方向上的二维投影平面运动轨迹及运动方程的坐标图;
图5实施例1中的运动速率函数VCC(t)的坐标图;
图6实施例1中的运动速率函数VLR(t)的坐标图;
图7实施例1中的运动速率函数VAP(t)的坐标图;
图8为分别采用现有的AIP重建方法、现有的MIP重建方法和在头脚CC方向上采用实施例1中的重建方法(MGDPM)对同一组4DCT图像进行重建后获取的重建图像的对比示意图;
图9为在QUSAR的模体试验中,QUSAR模体的静态CT图像(STATIC)示意图以及通过AIP重建方法、MIP重建方法和在头脚CC方向上采用实施例1中的重建方法(MGDPM)对QUSAR模体在运动状态下的CT图像进行重建后的图像的示意图;
图10为实施例1中的实验扫描模型的示意图;
图11为实施例1中在二维运动平台保持静态下对实验对象进行三维静态扫描获取的静态CT图像;
图12为实施例1中在二维运动平台保持动态下对实验对象进行三维自由呼吸扫描获取的动态CT图像;
图13为实施例1中在二维运动平台保持静态和动态下对实验对象进行三维静态扫描和自由呼吸扫描时获取的静态CT图像的横断位图像(图中标注为ST-SCAN)和动态CT图像的横断位图像(图中标注为FB-SCAN)的对比示意图;
图14为实施例1中在二维运动平台保持动态下对实验对象进行4DCT扫描获取的10个呼吸时相下的扫描图像、采用MIP重建方法重建的图像和采用实施例1中的重建方法(MGDPM)获取的重建图像的比较图;
图15为实施例1中基于AIP、MIP和MGDPM图像提取的影像组学特征的标识预测NSCLC远处转移的受试者工作特征曲线(ROC)示意图。
具体实施方式
为进一步了解本发明的内容,结合附图和实施例对本发明作详细描述。应当理解的是,实施例仅仅是对本发明进行解释而并非限定。
实施例1
本实施例提供了一种基于肺部肿瘤4DCT图像进行影像组学特征提取的专用图像的重建方法,其针对如何从4DCT图像的重建图像中提取接近于静态CT图像的影像组学特征参数以及这些影像组学特征参数对预测模型建模的影响的问题,通过对肿瘤质心运动曲线时域梯度分析提出了基于最小梯度密度投影矩阵重建图像的概念和数学模型(Minimumgradient density projection matrix,MGDPM),并验证了该方法相对于目前传统的AIP、MIP图像提取特征在非小细胞肺癌NSCLC早期转移中的预测能力。
通过本实施例的方法,能够首先将每个患者的肿瘤质心运动的三维轨迹通过4DCT解析出来,通过这个三维轨迹可以求出肿瘤在任意二维投影平面上的运动投影函数,对此函数求导就能得到肿瘤在某个方向运动的速度,那么问题就转变成为求解“头脚CC-左右LR-前后AP”和时间t构成的二维平面的运动曲线,通过拟合后求取的运动方程计算每个时相位置的导数,将该导数的倒数进行标准化后作为新的权重因子重新合成用于影像组学特征提取的MGDPM重建图像,这样可以最大程度而且高效利用4DCT的所有图像信息,得到最接近于静止状态下的重建CT序列,为基于4DCT图像的影像组学信息提取提供创新解决思路,这也是本实施例的创新所在。
本实施例中的方法具体包括如下步骤。
步骤S1,对患者的4DCT图像进行处理,获取肿瘤质心在一个呼吸周期内的三维运动轨迹,该三维运动轨迹的任一点的坐标为[X(t),Y(t),Z(t)];X(t)、Y(t)和Z(t)分别表示肿瘤质心在头脚CC方向、左右LR方向和前后AP方向的运动幅度,t=1、2、3、4、5、6、7、8、9、10,t表示一个呼吸周期内的10个呼吸时相,即0、10%、20%、30%、40%、50%、60%、70%、80%、90%。
如图1所示,为从某一经过呼吸训练的患者肺部肿瘤的4DCT图像中提取的肿瘤质心在一个呼吸周期里的三维运动轨迹。
图1中,X轴为Cranior-caudal方向,本文中简写为头脚CC方向,其单位为cm;Y轴为Left-right方向,本文中简写为左右LR方向,其单位为cm;Z轴为Anterior-posterior方向,本文中简写为前后AP方向,其单位为cm。
步骤S2,根据获取的三维运动轨迹,获取一个呼吸周期内肿瘤质心在头脚CC方向、左右LR方向和前后AP方向上的二维投影平面运动轨迹,表达式分别为X(t)、Y(t)和Z(t)。
本实施例中,根据图1中的三维运动轨迹获取的肿瘤质心在头脚CC方向上的一个呼吸周期内的二维投影平面运动轨迹如图2所示。
本实施例中,根据图1中的三维运动轨迹获取的肿瘤质心在左右LR方向上的一个呼吸周期内的二维投影平面运动轨迹如图3所示。
本实施例中,根据图1中的三维运动轨迹获取的肿瘤质心在前后AP方向上的一个呼吸周期内的二维投影平面运动轨迹如图4所示。
步骤S3,对X(t)、Y(t)和Z(t)分别进行拟合,进而获取一个呼吸周期内肿瘤质心在头脚CC方向、左右LR方向和前后AP方向上的运动方程YCC(t)、XLR(t)和ZAP(t)。
本实施例中,采用多项式拟合的方法对X(t)、Y(t)和Z(t)分别进行拟合,为了避免过拟合,对X(t)、Y(t)和Z(t)的拟合次数不超过6次,且拟合函数和原二维投影平面运动轨迹的拟合系数达到0.85以上即可。
结合图2所示,经过拟合获取的肿瘤质心在头脚CC方向上的运动方程YCC(t)为:YCC=[0.0012 -0.0393 0.5058 -3.1435 9.7432 -14.225 89.917][x6 x5 x4 x3 x2 x 1]T。
结合图3所示,经过拟合获取的肿瘤质心在左右LR方向上的运动方程XLR(t)为:XLR=[1*10-14 -4*10-4 0.0108 -0.1026 0.4087 -0.6639 8.044][x6 x5 x4 x3 x2 x 1]T。
结合图4所示,经过拟合获取的肿瘤质心在前后AP方向上的运动方程ZAP(t)为:ZAP=[-0.0005 0.0129 -0.1265 0.5379 -1.0347 -11.261][x5 x4 x3 x2 x 1]T
上述中,x=t=1、2、3、4、5、6、7、8、9、10。
步骤S4、对运动方程YCC(t)、XLR(t)和ZAP(t)进行求导,进而获取一个呼吸周期内肿瘤质心在头脚CC方向、左右LR方向和前后AP方向上的运动速率函数VCC(t)、VLR(t)和VAP(t)。
本实施例中,对运动方程YCC(t)、XLR(t)和ZAP(t)分别进行求导后,获取的运动速率函数VCC(t)、VLR(t)和VAP(t)分别为:
VCC(t)=0.0012*6*x5-0.0393*5*x4+0.5058*4*x3-3.1435*3*x2+9.7432*2*x-14.225;
VLR(t)=1*10-14*6*x5-4*10-4*5*x4+0.0108*4*x3-0.1026*3*x2+0.4087*2*x-0.6639;
VAP(t)=-0.0005*5*x4+0.0129*4*x3-0.1265*3*x2+0.5379*2*x-1.0347。
上述中,x=t=1、2、3、4、5、6、7、8、9、10。
其中,VCC(t)、VLR(t)和VAP(t)的图形分别如图5-7所示。图5-7中,横坐标表示呼吸时相,纵坐标表示肿瘤质心速率,速度前符号代表运动方向。
本实施例中,VCC(t)、VLR(t)和VAP(t)的图形能够通过如R语言获取。
其中,获取VCC(t)图形的R语言代码为:
“>f<-function(x,a,b,c,d,e,f){return(a*x^5+b*x^4+c*x^3+d*x^2+e*x+f)}
>x<-seq(-1,12,by=1)
>
y<-f(x,a=0.0012*6,b=-0.0393*5,c=0.5058*4,d=-3.1435*3,e=9.7432*2,f=-14.225)
>plot(x,y,type="l",col=2)
>abline(h=0,v=0,lty=2,col="gray")”。
其中,获取VLR(t)图形的R语言代码为:
“>f<-function(x,a,b,c,d,e,f){return(a*x^5+b*x^4+c*x^3+d*x^2+e*x+f)}
>x<-seq(-1,10,by=1)
>
y<-f(x,a=1*10^-14*6,b=-4*10^-4*5,c=0.0108*4,d=-0.1026*3,e=0.4087*2,f=-0.6639)
>plot(x,y,type="l",col=2)
>abline(h=0,v=0,lty=2,col="gray")”。
其中,获取VAP(t)图形的R语言代码为:
“>f<-function(x,a,b,c,d,e){return(a*x^4+b*x^3+c*x^2+d*x^1+e)}
>x<-seq(-1,12,by=1)
>y<-f(x,a=-5e-04*5,b=0.0129*4,c=-0.1265*3,d=0.5379*2,e=-1.0347)
>plot(x,y,type="l",col=2)
>abline(h=0,v=0,lty=2,col="gray")”。
步骤S5、根据运动速率函数VCC(t)、VLR(t)和VAP(t),分别代入x=t=1、2、3、4、5、6、7、8、9、10,进而获取肿瘤质心在0、10%、20%、30%、40%、50%、60%、70%、80%和90%呼吸时相处时在头脚CC方向、左右LR方向和前后AP方向上的运动速率,之后求取每个运动速率的倒数并构建速率倒数矩阵P、M和Q;
其中:
P=[1/VCC(1) 1/VCC(2) 1/VCC(3) 1/VCC(4) 1/VCC(5) 1/VCC(6) 1/VCC(7) 1/VCC(8) 1/VCC(9) 1/VCC(10)],
M=[1/VLR(1) 1/VLR(2) 1/VLR(3) 1/VLR(4) 1/VLR(5) 1/VLR(6) 1/VLR(7) 1/VLR(8) 1/VLR(9) 1/VLR(10)],
Q=[1/VAP(1) 1/VAP(2) 1/VAP(3) 1/VAP(4) 1/VAP(5) 1/VAP(6) 1/VAP(7) 1/VAP(8) 1/VAP(9) 1/VAP(10)];
之后,通过对速率倒数矩阵P、M和Q进行标准化处理即可获取与矩阵P对应的权重矩阵VCC,与矩阵M对应的权重矩阵VLR和与矩阵Q对应的权重矩阵VAP。
本实施例中,P=[0.07029877 0.42822885 3.35795836 5.53097345 1.6291951831.25000000 0.65368022 0.30704986 0.19769879 0.12328632]
本实施例中,能够采用R语言对运动速率函数VCC(t)在不同呼吸时相处的倒数进行求取,其采用的R语言代码及运行结果如下:
“f<-function(x,a,b,c,d,e,f){return(a*x^5+b*x^4+c*x^3+d*x^2+e*x+f)}
>x<-seq(0,9,by=1)
>
y<-f(x,a=0.0012*6,b=-0.0393*5,c=0.5058*4,d=-3.1435*3,e=9.7432*2,f=-14.225)
>abs(1/y)
[1]0.07029877
[2]0.42822885
[3]3.35795836
[4]5.53097345
[5]1.62919518
[6]31.25000000
[7]0.65368022
[8]0.30704986
[9]0.19769879
[10]0.12328632”。
其中,对矩阵P进行标准化处理即可获取权重矩阵VCC,VCC=[0.0065974440.040188696 0.315139835 0.519074352 0.152897756 2.932770086 0.0613470010.028816213 0.018553763 0.011570254]。
本实施例中,能够采用R语言对矩阵P中的数值进行处理,进而获取权重矩阵VCC中的数值,其采用的R语言代码及运行结果如下:
“>z=abs(1/y)
>scale(z,center=FALSE,scale=TRUE)
[,1]
[1,]0.006597444
[2,]0.040188696
[3,]0.315139835
[4,]0.519074352
[5,]0.152897756
[6,]2.932770086
[7,]0.061347001
[8,]0.028816213
[9,]0.018553763
[10,]0.011570254
attr(,"scaled:scale")
[1]10.65546
>order(z)
[1]1 10 9 8 2 7 5 3 4 6”。
结合图5可知,在头脚CC方向上,肿瘤质心运动在每个呼吸时相的速率从大到小排序为:x=1(0%呼吸时相)、x=10(90%呼吸时相)、x=9(80%呼吸时相)、x=8(70%呼吸时相)、x=2(10%呼吸时相)、x=7(60%呼吸时相)、x=5(40%呼吸时相)、x=3(20%呼吸时相)、x=4(30%呼吸时相)和x=6(50%呼吸时相)。也即,在头脚CC方向上肿瘤质心的运动在30%和50%时相处的运动速率较小,通过求倒数处理,能够使得权重矩阵VCC中与30%和50%时相对应的权重因子较大。
本实施例中,M=[0.663900000 0.113100000 0.053300000 0.0225000000.066300000 0.121900000 0.101100000 0.008699999 0.102500002 0.131700004]。
本实施例中,能够采用R语言对运动速率函数VLR(t)在不同呼吸时相处的倒数进行求取,其采用的R语言代码及运行结果如下:
“>f<-function(x,a,b,c,d,e,f){return(a*x^5+b*x^4+c*x^3+d*x^2+e*x+f)}
>x<-seq(0,9,by=1)
>
y<-f(x,a=1*10^-14*6,b=-4*10^-4*5,c=0.0108*4,d=-0.1026*3,e=0.4087*2,f=-0.6639)
>abs(y)
[1]0.663900000
[2]0.113100000
[3]0.053300000
[4]0.022500000
[5]0.066300000
[6]0.121900000
[7]0.101100000
[8]0.008699999
[9]0.102500002
[10]0.131700004”。
其中,对矩阵M进行标准化处理即可获取权重矩阵VLR,VLR=[0.035541080.20862709 0.44269651 1.04869883 0.35589327 0.19356623.23338995 2.712152470.23020218 0.17916267]。
本实施例中,能够采用R语言对矩阵M中的数值进行处理,进而获取权重矩阵VLR中的数值,其采用的R语言代码及运行结果如下:
“>z=abs(1/y)
>scale(z,center=FALSE,scale=TRUE)
[,1]
[1,]0.03554108
[2,]0.20862709
[3,]0.44269651
[4,]1.04869883
[5,]0.35589327
[6,]0.19356623
[7,]0.23338995
[8,]2.71215247
[9,]0.23020218
[10,]0.17916267
attr(,"scaled:scale")
[1]42.38056
>order(z)
[1]1 10 6 2 9 7 5 3 4 8”。
结合图6可知,在左右LR方向上,肿瘤质心运动在每个呼吸时相的速率从大到小排序为:x=1(0%呼吸时相)、x=10(90%呼吸时相)、x=6(50%呼吸时相)、x=2(10%呼吸时相)、x=9(80%呼吸时相)、x=7(60%呼吸时相)、x=5(40%呼吸时相)、x=3(20%呼吸时相)、x=4(30%呼吸时相)和x=8(70%呼吸时相);也即,在左右LR方向上肿瘤质心的运动在70%和30%时相处的运动速率较小,通过求倒数及标准化处理,能够使得在权重矩阵VLR中与70%和30%时相对应的权重因子较大。
本实施例中,Q=[0.9664637 3.4566194 35.3356890 31.1526480 7.08717223.9108330 2.9735355 2.4795438 1.8618507 1.1388225]。
本实施例中,能够采用R语言对运动速率函数VAP(t)在不同呼吸时相处的倒数进行求取,其采用的R语言代码及运行结果如下:
“>f<-function(x,a,b,c,d,e){return(a*x^4+b*x^3+c*x^2+d*x^1+e)}
>x<-seq(0,9,by=1)
>y<-f(x,a=-5e-04*5,b=0.0129*4,c=-0.1265*3,d=0.5379*2,e=-1.0347)
>abs(1/y)
[1]0.9664637
[2]3.4566194
[3]35.3356890
[4]31.1526480
[5]7.0871722
[6]3.9108330
[7]2.9735355
[8]2.4795438
[9]1.8618507
[10]1.1388225”。
其中,对矩阵Q进行标准化处理即可获取权重矩阵VAP,VAP=[0.060230950.21541986 2.20215428 1.94146312 0.44167942 0.24372689 0.18531361 0.154527560.11603233 0.07097252]。
本实施例中,能够采用R语言对矩阵Q中的数值进行处理,进而获取权重矩阵VAP中的数值,其采用的R语言代码及运行结果如下:
“>z=abs(1/y)
>scale(z,center=FALSE,scale=TRUE)
[,1]
[1,]0.06023095
[2,]0.21541986
[3,]2.20215428
[4,]1.94146312
[5,]0.44167942
[6,]0.24372689
[7,]0.18531361
[8,]0.15452756
[9,]0.11603233
[10,]0.07097252
attr(,"scaled:scale")
[1]16.04596
>order(z)
[1]1 10 9 8 7 2 6 5 4 3”。
结合图7所示,在前后AP方向上,肿瘤质心运动在每个呼吸时相的速率从大到小排序为:x=1(0%呼吸时相)、x=10(90%呼吸时相)、x=9(80%呼吸时相)、x=8(70%呼吸时相)、x=7(60%呼吸时相)、x=2(10%呼吸时相)、x=6(50%呼吸时相)、x=5(40%呼吸时相)、x=4(30%呼吸时相)和x=3(20%呼吸时相);也即,在前后AP方向上肿瘤质心的运动在30%和20%时相处的运动速率最小,通过求倒数及标准化处理,能够使得在权重矩阵VAP中与30%和20%时相对应的权重因子较大。
步骤S6、根据对应的权重矩阵VCC、VLR和VAP对肿瘤质心在一个呼吸周期内在头脚CC方向、左右LR方向和前后AP方向上4DCT图像中的CT值进行加权计算,并根据加权计算后的CT值进行图像重建。
本实施例中,对4DCT图像的重建包括在头脚CC方向、左右LR方向和前后AP方向上的CT值的重建。
其中,在头脚CC方向上,对第N层图像的(i,j)点的CT值的重建算法公式为:
H_(P=MGDPM)S=N(i,j)=VCC T·[H_(P=1)S=N(i,j),H_(P=2)S=N(i,j),......,H_(P=10)S=N(i,j)]。
上式中,P=t=1、2、3、4、5、6、7、8、9、10,H_(P=MGDPM)s=N(i,j)表示重建图像对应第N层第(i,j)点的重建CT值,H_(P=1)s=N(i,j)表示在t=1时相的4DCT图像中的第N层图像的第(i,j)点的CT值;下同。
从而能够获取头脚CC方向上,第N层图像上的所有点的CT值矩阵为:
从能够获取头脚CC方向上,整个P层的所有点的CT值矩阵为:
其中,在左右LR方向上,对第N层图像的(i,j)点的CT值的重建算法公式为:
H_(P=MGDPM)S=N(i,j)=VLR T·[H_(P=1)S=N(i,j),H_(P=2)S=N(i,j),......,H_(P=10)S=N(i,j)]。
从而能够获取在左右LR方向上,第N层面的所有点的CT值矩阵为:
从而能够获取在左右LR方向上,整个P层的所有点的CT值矩阵为:
其中,在前后AP方向上,对第N层图像的(i,j)点的CT值的重建算法公式为:
H_(P=MGDPM)S=N(i,j)=VAP T·[H_(P=1)S=N(i,j),H_(P=2)S=N(i,j),......,H_(P=10)S=N(i,j)]。
从而能够获取在前后AP方向上,第N层面的所有点的CT值矩阵为:
从而能够获取在前后AP方向上,整个P层的所有点的CT值矩阵为:
通过上述能够较佳地在头脚CC方向、左右LR方向和前后AP方向上完成对既有对4DCT图像的CT值的重建,根据重建后的CT值能够较佳地实现4DCT图像的重建。虽然对于已经完成的4DCT图像,我们无法对已经完成扫描的CT机架旋转时间和螺距进行调整(这毫无意义也无法做到);但是通过本实施例中的方法,能够根据一个呼吸周期的4DCT图像的10个呼吸时相的分时相图像,按照瞬时呼吸速率越大则分配越多权重的方式,对4DCT图像的每个分时相图像的CT值进行加权计算,从而根据获取加权计算后的CT值并根据该CT值完成对4DCT图像的重建,从而能够使得重建后的4DCT图像能够更加接近于静止状态的CT图像,进而能够较佳地便于后续的影像组学特征的提取。
如图8所示,为分别采用现有的AIP重建方法、现有的MIP重建方法和在头脚CC方向上采用本实施例中的重建方法(MGDPM)对同一组4DCT图像进行重建后,获取的重建图像的对比示意图。从图8中可以明显发现,对于靠近膈肌的右下肺叶肿瘤,AIP图像和MIP图像的肿瘤边缘都不清晰,而采用头脚CC方向的MGDPM重建图像,肿瘤边缘清晰锐利。
如图9所示,分别为在QUSAR的模体试验中,QUSAR模体的静态CT图像(STATIC)示意图以及通过AIP重建方法、MIP重建方法和在头脚CC方向上采用本实施例中的重建方法(MGDPM)对QUSAR模体在运动状态下的CT图像进行重建后的图像的示意图。
通过图9可以发现,通过本实施例中的重建方法(MGDPM)获取的重建图像,能够更加接近重建对象静态情况下的CT图像,故本实施例中的重建方法运用于对肺部肿瘤进行CT图像重建时,能够获取更加接近肿瘤静态情况下的CT图像。
为对本实施例中的重建方法与现有重建方法对4DCT图像重建的影响进行比较,本实施例中特设如下实验例。
如图10所示,在实验例中,设计实验扫描模型1000,实验扫描模型1000包括用以模拟肺部肿瘤的6个相同的小球模体1100,该6个相同的小球模体1100固定设于一二维运动平台1200处,通过二维运动平台1200的运动模拟人体的自由呼吸。
本实施例中,在二维运动平台1200保持静态下对实验对象进行三维静态扫描获取的静态CT图像如图11所示。
本实施例中,在二维运动平台1200保持动态下对实验对象进行三维自由呼吸扫描获取的动态CT图像如图12所示。
本实施例中,在二维运动平台1200保持静态和动态下对实验对象进行三维静态扫描和自由呼吸扫描时获取的静态CT图像的横断位图像(图中标注为ST-SCAN)和动态CT图像的横断位图像(图中标注为FB-SCAN)的对比如图13所示。
结合图10-13可以发现,在静态CT扫描条件下,被扫描对象的三维重建体积图像和横断位图像相对比较清晰,边缘锐利,体积没有畸变。而自由呼吸状态FBCT的三维重建体积图像和横断位图像都存在较大失真。
本实施例中,在二维运动平台1200保持动态下对实验对象进行4DCT扫描获取的10个呼吸时相下的扫描图像、采用MIP重建方法重建的图像和采用本实施例中的重建方法(MGDPM)获取的重建图像的比较图如图14所示。
通过图14可以发现,通过4DCT扫描能够较大程度地控制运动产生的物体几何尺寸和体积的畸变,但是由于自由呼吸状态(运动状态)下的4DCT的慢快门效应,运动造成的伪影和畸变不能被彻底消除,每个呼吸时相中不同位置的小球模体1100及同个小球模体1100在不同呼吸时相中的重建形态也有所不同。
为了更加直观的对采用现有MIP重建方法和本实施例中的方法对4DCT扫描图像处理的差异进行比较分析,本实施例中,剔除实验扫描模型1000中的上下边界的2个小球模体1100,之后对剩余4个小球模体1100在不同重建方法下获取的重建图像中的体积和长径的均值进行分析,分析结果如表1所示。
表1不同重建方法下小球模体的体积及长度均值的差异
体积均值(cm<sup>3</sup>) | 体积偏差(%) | 长度(cm) | 长度偏差(%) | |
0%时相 | 1.22 | 7.96 | 2.25 | 12.5 |
10%时相 | 1.06 | -6.19 | 2.12 | 6 |
20%时相 | 1.18 | 4.42 | 2.15 | 7.5 |
30%时相 | 1.15 | 1.77 | 2.21 | 10.5 |
40%时相 | 1.28 | 13.27 | 2.15 | 7.5 |
50%时相 | 1.06 | -6.19 | 2.13 | 6.5 |
60%时相 | 1.08 | -4.42 | 2.15 | 7.5 |
70%时相 | 1.06 | -6.19 | 2.12 | 6 |
80%时相 | 1.13 | 0 | 2.22 | 11 |
90%时相 | 1.18 | 4.42 | 2.14 | 7 |
平均值 | 1.14 | 0.88 | 2.16 | 8 |
中间值 | 1.14 | 0.88 | 2.15 | 7.5 |
标准差 | 0.08 | // | 0.05 | // |
静态CT图像 | 1.13 | 0 | 2 | 0 |
动态CT图像 | 1.38 | 22.12 | 2.37 | 18.5 |
MIP图像 | 1.27 | 12.39 | 2.27 | 13.5 |
MGDPM图像 | 1.12 | -0.88 | 2.03 | 1.5 |
表1中:第2行至第11行分别表示现有4DCT图像中的0%时相至90%时相的相关数据,第12行至第14行分别表示现有4DCT图像中10个时相相关数据的平均值、中间值和标准差,第15行表示静态CT图像中的相关数据,第16行表示动态CT图像中的相关数据,第17行表示采用MIP重建方法对4DCT图像进行处理后的MIP图像中的相关数据,第18行表示采用本实施例中的方法对4DCT图像进行重建后的MGDPM图像中的相关数据。
表1中:第二列表示,相关4个小球模体1100在相应图像上的体积参数(包含体积均值、标准差、中间值、平均值等);第三列表示,不同图像上的体积与静态CT图像中的偏差,其计算公式为:(对应图像中的体积均值-静态CT图像中体积均值)/静态CT图像中体积均值*100%;第四列表示,相关4个小球模体1100在相应图像上的一维长度参数(包含长度均值、标准差、中间值、平均值等);第五列表示,不同图像上的长度与静态CT图像中的偏差,其计算公式为:对应图像中的长度均值-静态CT图像中长度均值)/静态CT图像中长度均值*100%。
结合表1中的数据可以发现,采用本实施例中的方法(MGDPM)重建的图像的体积和长径相对静态CT图像的偏差分别只有0.88%和1.5%,远小于4DCT图像的不同时相及MIP图像中的体积和长径的偏差,且具有统计学意义(P=0.001)。故,通过本实施例中的方法对4DCT图像进行重建后,能够较大限度地使得肿瘤的三维体积和二维尺寸上接近静态CT图像,从而能够较佳地保证自重建图像中提取的与肿瘤密度分布相关的影像组学特征的鲁棒性。
为对自采用本实施例中的方法(MGDPM)对4DCT图像进行重建的图像中提取的影像组学特征,与自采用现有的MIP(最大投影密度)方法和AIP(平均投影密度)方法对4DCT图像进行重建的图像中提取的影像组学特征,在用于预测NSCLC(非小细胞肺癌)患者放射治疗后远处转移(Distant Metastases,DM)的优势进行验证。本实施例中,对自采用本实施例中的方法重建的图像、基于AIP方法重建的图像和基于MIP方法重建的图像中提取的影像组学特征进行对比分析,如下文所述。
本实施例中,将50个接受同步放化疗的NSCLC患者作为样本,该50个患者在接受治疗之前经过简单的呼吸训练后进行4DCT图像采集,采集的4DCT图像由两个放射肿瘤学专家勾画GTV边界。勾画GTV边界后的图像采用本实施例中的方法(MGDPM)、AIP方法和MIP方法分别进行4DCT图像的重建,并从基于3种方法重建的图像中分别进行影像组学特征提取;在对4DCT图像进行重建的同时,每个患者GTV质心的三维运动核被提取和重建,每个患者的GTV质心在左右LR、前后AP和头脚CC方向的运动方程被确定,每个患者的GTV质心的三维运动总幅度R3D被计算并能够用于对后续影像组学特征的筛选。基于AIP、MIP和MGDPM图像提取的影像组学特征结合该患者的肿瘤质心运动R3D,并且参考QUSAR试验结果中和静态CT特征差异在±5%以内的特征被纳入后续统计分析。通过M-W-U方法筛选临床因素和影像组学特征中对远处转移有区分能力的因素和特征,并将差异有统计学意义的临床因素和组学特征纳入后续统计分析。
其中,临床因素中肿瘤的T分期和肿瘤是否会发生远处转移有统计学差异,而年龄、性别、肿瘤所在位置、总放疗剂量、化疗情况等在有无发生远处转移组间差异没有统计学意义。
本实施例的样本中,患者肿瘤三维质心运动幅度R3D基本符合正态分布,最小值2.46mm、中位值为10.34mm。大部分患者R3D幅度在7.5mm-14.5mm之间,只有极少数患者R3D小于5mm或者大于25mm。
本实施例的样本中,随访发现30例患者在一年内远处转移,占入组患者的60%,高于文献报道的40%的比例。12名患者在随访期内死亡,43例患者在1年内局部复发。
本实施例中,为了保证勾画GTV边界的效率,能够采用随机在某个时相勾画后通过商用的形变配准软件投射到另外时相合成内靶区ITV,采用冠状位、矢状位的电影模式确保ITV能够包绕4DCT所有10个时相的肿瘤运动边界,最后由另外一个放射肿瘤专家在横断位图像上逐个时相、逐层确认GTV边界,对有疑问的层面只有经过两位专家都确认后才被接受。
通过对所提取影像组学特征的上述筛选,10个影像组学特征从AIP图像中被筛选出来,分别是:LLL_GLSZM_ZSV、LHL_GLCM_axpr、LHL_GLCM_sosvh、LHL_GLCM_sAIPh、HLH_GLRLM_GLN、HHH_GLSZM_ZSV、HHH_GLSZM_LZE、HHL_GLRLM_RLV、HHH_GLSZM_GLN、HHH_GLCM_cshad。
通过对所提取影像组学特征的上述筛选,10个影像组学特征从基于MIP图像中被筛选出来,分别是:LLL_GLRLM_LRCGE、LLL_GLSZM_ZSN、LLL_GLSZM_SZLGE、LLL_GLSZM_ZSV、HLL_GLSZM_LZLGE、HLH_GLCM_cshad、HHL_GLCM_corrm、HHL_GLCM_homom、HHL_GLCM_dvarh、HHL_GLCM_cshad。
通过对所提取影像组学特征的上述筛选,18个影像组学特征从MGDPM重建图像的中被筛选出来,分别是:HISTOMGRAM_ZSV、LLL_GLRLM_LGRE、LLL_GLRLM_SRLGE、LLL_GLSZM_ZSN、LLL_GLSZM_SZLGE、LLH_GLSZM_HGZE、LHH_GLCM_svarh、LHH_GLRLM_LGRE、LHH_GLRLM_SRLGE、LHH_GLSZM_LGZE、LHH_GLSZM_SZHGE、HLL_ENERGY、HHL_GLCM_sosvh、HHL_GLCM_sAIPh、HHL_GLCM_svarh、HHL_GLRLM_HGRE、HHL_GLSZM_HGZE、HHL_GLSZM_SZHGE。
经过上一步筛选后的特征采用最小绝对收缩选择算子(Least AbsoluteShrinkage and Selection Operator,LASSO)进行特征筛选和回归分析,最后将LASSO回归系数不为零对应的特征单独构建放射组学标签,并分别计算基于AIP、MIP和MGDPM图像的受试者工作特征曲线(Receiver Operating Characteristic Curve,ROC)的曲线下面积(Area Under the Curve,AUC)的方法评估不同重建图像的组学模型在预测1年内NSCLC患者DM中的效果差异。
LASSO回归后,基于AIP重建图像提取的特征及AUC值如表2所示。
表2
LASSO回归后,基于MIP重建图像提取的特征及AUC值如表3所示。
表3
特征名称 | 系数 | AUC |
HLL_GLSZM_LZLGE | -3.36e+02 | 0.69 |
LHH_GLSZM_LGZE | 7.344e-02 | 0.65 |
HLH_GLCM_cshad | 1.063e-03 | 0.66 |
HHL_GLCM_corrm | -2.85e-01 | 0.67 |
常数项 | 3.37649 |
LASSO回归后,基于MGDPM重建图像提取的特征及AUC值如表4所示。
表4
特征名称 | 系数 | AUC |
LHH_GLRLM_SRLGE | 3.368390e+03 | 0.69 |
LHH_GLSZM_LGZE | -7.344588e-02 | 0.72 |
LHH_GLSZM_SZHGE | -1.063797e-02 | 0.68 |
HLL_ENERGY | -2.855920e-01 | 0.69 |
HHL_GLSZM_SZHGE | -3.345518e-02 | 0.67 |
常数项 | 1.374523 |
其中,表2至表4第一列中的特征为采用LASSO回归后进入回归方程的影像组学特征,表2至表4的第二列为对应的系数。
如图15所示,为基于AIP、MIP和MGDPM图像提取的影像组学特征的标识预测NSCLC远处转移的受试者工作特征曲线(ROC)。
通过对受试者工作特征曲线(ROC)的曲线下面积(Area Under the Curve,AUC)进行计算可知,基于MGDPM、MIP和AIP重建图像的影像组学特征的标识的AUC对比如表5所示。
表5
表5中,MGDPM_Signature表示基于MGDPM图像提取的影像组学特征的标志,MIP_Signature表示基于MIP图像提取的影像组学特征的标志,AIP_Signature表示基于AIP图像提取的影像组学特征的标志。
通过表5可以看出,基于MGDPM重建图像的影像组学特征构建的标志能够较好地预测NSCLC患者的远处转移,由于AUCMGDPM_Signature>AUCMIP_Signature>AUCAIP_Signature,故其预测能力比基于AIP和MIP图像的能力强。
实施例2
本实施例提供了一种介质,其上记载有实施例1中所述的重建方法。
实施例3
本实施例提供了一种基于肺部肿瘤4DCT图像进行影像组学特征提取的专用图像的重建装置,其包括用于完成实施例1中的步骤S1的第一处理模块,用于完成步骤S2的第二处理模块,用于完成步骤S3的第三处理模块,用于完成步骤S4的第四处理模块,用于完成步骤S5的第五处理模块,以及用于完成步骤S6的第六处理模块。
以上示意性的对本发明及其实施方式进行了描述,该描述没有限制性,附图中所示的也只是本发明的实施方式之一,实际的结构并不局限于此。所以,如果本领域的普通技术人员受其启示,在不脱离本发明创造宗旨的情况下,不经创造性的设计出与该技术方案相似的结构方式及实施例,均应属于本发明的保护范围。
Claims (9)
1.基于肺部肿瘤4DCT图像进行影像组学特征提取的专用图像的重建方法,其包括如下步骤:
步骤S1,对一个呼吸周期内的每个呼吸时相的4DCT图像进行处理,获取肿瘤质心在一个呼吸周期内的三维运动轨迹;
步骤S2,根据获取的三维运动轨迹,获取一个呼吸周期内肿瘤质心在头脚CC方向、左右LR方向和前后AP方向上的二维投影平面运动轨迹;头脚CC方向为4DCT图像中的X轴方向,左右LR方向为4DCT图像中的Y轴方向,前后AP方向为4DCT图像中的Z轴方向;
步骤S3,对在头脚CC方向、左右LR方向和前后AP方向上的二维投影平面运动轨迹分别进行拟合,进而获取一个呼吸周期内肿瘤质心在头脚CC方向、左右LR方向和前后AP方向上的运动方程YCC(t)、XLR(t)和ZAP(t);
步骤S4、对运动方程YCC(t)、XLR(t)和ZAP(t)进行求导,进而获取一个呼吸周期内肿瘤质心在头脚CC方向、左右LR方向和前后AP方向上的运动速率函数VCC(t)、VLR(t)和VAP(t);
步骤S5、根据运动速率函数VCC(t)、VLR(t)和VAP(t),获取在头脚CC方向、左右LR方向和前后AP方向上每个呼吸时相的运动速率倒数并构建速率倒数矩阵P、M和Q,通过对速率倒数矩阵P、M和Q进行标准化处理获取与矩阵P对应的权重矩阵VCC,与矩阵M对应的权重矩阵VLR和与矩阵Q对应的权重矩阵VAP;
步骤S6、根据对应的权重矩阵VCC、VLR和VAP对肿瘤质心在一个呼吸周期内在头脚CC方向、左右LR方向和前后AP方向上4DCT图像中的CT值进行加权计算,并根据加权计算后的CT值进行图像重建。
2.根据权利要求1所述的基于肺部肿瘤4DCT图像进行影像组学特征提取的专用图像的重建方法,其特征在于:步骤S1中,三维运动轨迹的任一点的坐标为[X(t),Y(t),Z(t)];X(t)、Y(t)和Z(t)分别表示肿瘤质心在头脚CC方向、左右LR方向和前后AP方向的运动幅度,t=1、2、3、4、5、6、7、8、9、10,t表示一个呼吸周期内的10个呼吸时相,即0、10%、20%、30%、40%、50%、60%、70%、80%、90%。
3.根据权利要求2所述的基于肺部肿瘤4DCT图像进行影像组学特征提取的专用图像的重建方法,其特征在于:步骤S2中,一个呼吸周期内肿瘤质心在头脚CC方向、左右LR方向和前后AP方向上的二维投影平面运动轨迹的表达式分别为X(t)、Y(t)和Z(t)。
4.根据权利要求3所述的基于肺部肿瘤4DCT图像进行影像组学特征提取的专用图像的重建方法,其特征在于:步骤S3中,采用多项式拟合的方法对X(t)、Y(t)和Z(t)分别进行拟合。
5.根据权利要求4所述的基于肺部肿瘤4DCT图像进行影像组学特征提取的专用图像的重建方法,其特征在于:对X(t)、Y(t)和Z(t)的拟合次数不超过6次且拟合系数达到0.85以上即可。
6.根据权利要求4所述的基于肺部肿瘤4DCT图像进行影像组学特征提取的专用图像的重建方法,其特征在于:步骤S5中,通过分别在运动速率函数VCC(t)、VLR(t)和VAP(t)中依次代入x=t=1、2、3、4、5、6、7、8、9、10,获取肿瘤质心在0、10%、20%、30%、40%、50%、60%、70%、80%和90%呼吸时相处时在头脚CC方向、左右LR方向和前后AP方向上的运动速率,其中,P=[1/VCC(1) 1/VCC(2) 1/VCC(3) 1/VCC(4) 1/VCC(5) 1/VCC(6) 1/VCC(7) 1/VCC(8) 1/VCC(9) 1/VCC(10)],M=[1/VLR(1) 1/VLR(2) 1/VLR(3) 1/VLR(4) 1/VLR(5) 1/VLR(6)1/VLR(7) 1/VLR(8) 1/VLR(9) 1/VLR(10)],Q=[1/VAP(1) 1/VAP(2) 1/VAP(3) 1/VAP(4) 1/VAP(5) 1/VAP(6) 1/VAP(7) 1/VAP(8) 1/VAP(9) 1/VAP(10)]。
7.根据权利要求6所述的基于肺部肿瘤4DCT图像进行影像组学特征提取的专用图像的重建方法,其特征在于:步骤S6中,对于同一点,获取其在每个呼吸时相下4DCT图像中的CT值并构建相应数列与对应的权重矩阵进行加权计算,通过逐点与对应权重矩阵进行加权计算,获取重建图像在头脚CC方向、左右LR方向和前后AP方向上的每个点的重建CT值,进而实现对4DCT图像在头脚CC方向、左右LR方向和前后AP方向中的至少之一方向上的重建。
8.一种介质,其特征在于:其上记载有权利要求1-7中任一所述的重建方法。
9.基于肺部肿瘤4DCT图像进行影像组学特征提取的专用图像的重建装置,其包括:
第一处理模块,其用于对一个呼吸周期内的每个呼吸时相的4DCT图像进行处理,进而获取肿瘤质心在一个呼吸周期内的三维运动轨迹;
第二处理模块,其用于根据第一处理模块获取的三维运动轨迹,获取一个呼吸周期内肿瘤质心在头脚CC方向、左右LR方向和前后AP方向上的二维投影平面运动轨迹;
第三处理模块,其用于对在头脚CC方向、左右LR方向和前后AP方向上的二维投影平面运动轨迹进行拟合进而获取依次对应的运动方程YCC(t)、XLR(t)和ZAP(t);
第四处理模块,其用于对运动方程YCC(t)、XLR(t)和ZAP(t)进行求导,进而获取依次对应的运动速率函数VCC(t)、VLR(t)和VAP(t);
第五处理模块,其用于根据运动速率函数VCC(t)、VLR(t)和VAP(t),获取,获取在头脚CC方向、左右LR方向和前后AP方向上每个呼吸时相的运动速率倒数并构建速率倒数矩阵P、M和Q,同时用于对速率倒数矩阵P、M和Q进行标准化处理以获取与矩阵P对应的权重矩阵VCC,与矩阵M对应的权重矩阵VLR和与矩阵Q对应的权重矩阵VAP;以及
第六处理模块,其用于根据对应的权重矩阵VCC、VLR和VAP对肿瘤质心在一个呼吸周期内在头脚CC方向、左右LR方向和前后AP方向上4DCT图像中的CT值进行加权计算,并根据加权计算后的CT值进行图像重建。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911009081.0A CN110880195B (zh) | 2019-10-23 | 2019-10-23 | 4dct的影像组学特征提取图像重建方法、介质和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911009081.0A CN110880195B (zh) | 2019-10-23 | 2019-10-23 | 4dct的影像组学特征提取图像重建方法、介质和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110880195A CN110880195A (zh) | 2020-03-13 |
CN110880195B true CN110880195B (zh) | 2020-09-15 |
Family
ID=69727887
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911009081.0A Active CN110880195B (zh) | 2019-10-23 | 2019-10-23 | 4dct的影像组学特征提取图像重建方法、介质和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110880195B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111583217A (zh) * | 2020-04-30 | 2020-08-25 | 深圳开立生物医疗科技股份有限公司 | 一种肿瘤消融疗效预测方法、装置、设备及计算机介质 |
CN113101546B (zh) * | 2021-04-14 | 2022-03-25 | 李夏东 | 基于肿瘤运动追踪和放射治疗的剂量重建方法 |
CN113499091B (zh) * | 2021-08-19 | 2023-08-15 | 四川大学华西医院 | 一种患者体表和体内肿瘤运动相关性及肿瘤内部动度的预测方法和系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104268914B (zh) * | 2014-10-24 | 2017-01-18 | 山东师范大学 | 一种4d‑ct不同时相序列图像的重建方法 |
CN108283505A (zh) * | 2017-01-10 | 2018-07-17 | 佳能医疗系统株式会社 | 超声波诊断装置、图像处理装置及图像处理方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8009887B2 (en) * | 2007-11-02 | 2011-08-30 | Siemens Corporation | Method and system for automatic quantification of aortic valve function from 4D computed tomography data using a physiological model |
CN104851080B (zh) * | 2015-05-08 | 2017-11-17 | 浙江大学 | 一种基于tv的三维pet图像重建方法 |
US10360677B2 (en) * | 2016-10-07 | 2019-07-23 | Toshiba Medical Systems Corporation | Apparatus and method for joint-edge-preserving regularization to reduce noise in four-dimensional computed tomography images |
US11010630B2 (en) * | 2017-04-27 | 2021-05-18 | Washington University | Systems and methods for detecting landmark pairs in images |
-
2019
- 2019-10-23 CN CN201911009081.0A patent/CN110880195B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104268914B (zh) * | 2014-10-24 | 2017-01-18 | 山东师范大学 | 一种4d‑ct不同时相序列图像的重建方法 |
CN108283505A (zh) * | 2017-01-10 | 2018-07-17 | 佳能医疗系统株式会社 | 超声波诊断装置、图像处理装置及图像处理方法 |
Non-Patent Citations (3)
Title |
---|
4D Cone-beam CT reconstruction using a motion model based on principal component analysis;David staub等;《Medical Physics》;20111130;第38卷(第12期);6697–6709 * |
hybrid reconstruction algorithm for fast and accurate 4D cone-beam CT imaging,;Hao Yan等;《Medical Physics》;20140731;第41卷(第7期);1-12 * |
头颈部肿瘤放射治疗不同解剖区域位置精度分析;李夏东等;《浙江医学》;20180710;第40卷(第13期);1469-1474 * |
Also Published As
Publication number | Publication date |
---|---|
CN110880195A (zh) | 2020-03-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7039153B2 (ja) | 敵対的生成ネットワークを使用した画像強調 | |
CN109741284B (zh) | 用于校正pet成像中由呼吸运动引起的失配的系统和方法 | |
AU2019449137B2 (en) | sCT image generation using cyclegan with deformable layers | |
Cusumano et al. | Artificial Intelligence in magnetic Resonance guided Radiotherapy: Medical and physical considerations on state of art and future perspectives | |
CN109009200B (zh) | 用于正电子发射断层成像图像重建的系统和方法 | |
JP6676655B2 (ja) | 二重エネルギーx線冠動脈カルシウムのグレード付け | |
CN110880195B (zh) | 4dct的影像组学特征提取图像重建方法、介质和装置 | |
Harris et al. | A technique for generating volumetric cine-magnetic resonance imaging | |
CN113168688A (zh) | 使用磁共振线性加速器(mr线性加速器)的实时患者运动监测 | |
CN113168689A (zh) | 用于实时患者运动监测的机器学习方法 | |
Isgum et al. | Multi-atlas-based segmentation with local decision fusion—application to cardiac and aortic segmentation in CT scans | |
CN113240719A (zh) | 用于表征医学图像中的解剖特征的方法和系统 | |
Chou et al. | 2D/3D image registration using regression learning | |
El-Baz et al. | Appearance analysis for diagnosing malignant lung nodules | |
CN107038728A (zh) | 基于迭代重建的轮廓自动化确定 | |
CN109069859A (zh) | 图像引导式放射治疗中的三维呼吸运动管理 | |
Riblett et al. | Data‐driven respiratory motion compensation for four‐dimensional cone‐beam computed tomography (4D‐CBCT) using groupwise deformable registration | |
Wei et al. | Convolutional neural network (CNN) based three dimensional tumor localization using single X-ray projection | |
Han et al. | Deep‐learning‐based image registration and automatic segmentation of organs‐at‐risk in cone‐beam CT scans from high‐dose radiation treatment of pancreatic cancer | |
EP4312780A2 (en) | Artificial intelligence training with multiple pulsed x-ray source-in-motion tomosynthesis imaging system | |
Teng et al. | Respiratory deformation registration in 4D-CT/cone beam CT using deep learning | |
Chang et al. | Development of realistic multi-contrast textured XCAT (MT-XCAT) phantoms using a dual-discriminator conditional-generative adversarial network (D-CGAN) | |
Meschini et al. | A clustering approach to 4D MRI retrospective sorting for the investigation of different surrogates | |
Liang et al. | Artificial intelligence‐based framework in evaluating intrafraction motion for liver cancer robotic stereotactic body radiation therapy with fiducial tracking | |
US20160045115A1 (en) | System for Reconstructing Surface Motion in an Optical Elastography System |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
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 |