CN110969618A - 一种基于动态超声造影的肝肿瘤血管生成定量分析方法 - Google Patents

一种基于动态超声造影的肝肿瘤血管生成定量分析方法 Download PDF

Info

Publication number
CN110969618A
CN110969618A CN201911308530.1A CN201911308530A CN110969618A CN 110969618 A CN110969618 A CN 110969618A CN 201911308530 A CN201911308530 A CN 201911308530A CN 110969618 A CN110969618 A CN 110969618A
Authority
CN
China
Prior art keywords
perfusion
tumor
matching
frame
focus
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
CN201911308530.1A
Other languages
English (en)
Other versions
CN110969618B (zh
Inventor
张道强
万鹏
陈芳
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.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN201911308530.1A priority Critical patent/CN110969618B/zh
Publication of CN110969618A publication Critical patent/CN110969618A/zh
Application granted granted Critical
Publication of CN110969618B publication Critical patent/CN110969618B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G06T7/248—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving reference images or patches
    • 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
    • G06T2207/10132—Ultrasound image
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30056—Liver; Hepatic
    • 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
    • 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
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)

Abstract

本发明公开了一种基于动态超声造影的肝肿瘤血管生成定量分析方法，通过局部灌注模式差异量化，构建反映肿瘤内及周边正常组织血管分布结构的网络图，从而表征肿瘤区域功能和形态的空间异质性，为临床影像医生提供新的肿瘤血管生成定量评估方法。本发明在抑制运动干扰的基础上提取局部灌注模式，并基于灌注相位约束量化局部灌注模式差异，然后通过复杂网络表征肿瘤局部血管生成差异性，从而挖掘与临床肿瘤诊断、预后评估相关联的异质性特征。

Description

一种基于动态超声造影的肝肿瘤血管生成定量分析方法
技术领域
本发明涉及超声造影分析技术领域，尤其是一种基于动态超声造影的肝肿瘤血管生成定量分析方法。
背景技术
超声造影(Contrast-enhanced Ultrasound,CEUS)作为一种分子影像技术，能够准确地显示组织中微小动静脉和血流灌注情况，相比于传统灰度超声和彩色多普勒超声成像技术，能够有效地提高诊断的敏感性和特异性。同时，超声造影具有其安全、廉价、无创等特点，近10年来在我国临床肿瘤诊断中取得了很大的发展。肿瘤血管的生成是肿瘤生长和侵袭的基础，因此，肿瘤内及周边血管生成定量分析是评估肿瘤恶性程度、转移复发的重要方向。超声造影能够以较高的时间分辨率、空间分辨率实时动态地显示肿瘤滋养血管及血流灌注情况，更客观地辅助医生判断病灶大小及周围浸润状况。超声造影的研究已有20多年的历史，主要应用于腹部肿瘤(肝脏占位性病变等)，乳腺及甲状腺结节诊断。
目前，临床影像医生应用低机械指数连续扫描技术，观察病灶及正常实质内的血供。完整的灌注相位通常可分为灌入相位和消退相位，在肝脏占位性病变中，又具体分为动脉期、门脉期、实质期和延迟期。临床上，超声造影分析分为定性和定量两种方法。超声造影的定性分析是指观察在病灶和周边正常实质像素强度相对变化，例如，“快进快退”是恶性肝肿瘤的典型特征；增强程度，增强均匀性等。定量分析是指，通过时间-强度曲线(Time-intensity Curve,TIC)描绘感兴趣区内(region of interest,ROI)血供变化，能同时获得峰值强度、达峰时间、曲线下面积等客观参数。通过测定各种灌注参数的变化，可对活体肿瘤组织的血流灌注进行判断，为肿瘤治疗术后的疗效评估提供更加丰富的病理学及病理生理学信息。然而，超声造影评价肿瘤血流灌注还有诸多问题亟待解决，包括检查的可重复性差，呼吸运动干扰，区域灌注信息丢失，肿瘤血管生成均匀性、浸润性评估的主观性强等。
发明内容
为了解决现有技术中的问题，本发明提供一种基于灌注相位约束匹配的超声造影定量分析方法，实现基于病灶跟踪的呼吸干扰抑制、稳定灌注模式提取、像素级TIC差异定量表征，为肿瘤形状不规则度、肿瘤内部血管生成不均匀性及对正常组织侵袭程度评估提供新的定量分析指标。
为了实现上述目的，本发明采用以下技术方案，
一种基于动态超声造影的肝肿瘤血管生成定量分析方法，包括如下步骤：
(1)通过基于空间特征重标定的孪生卷积网络跟踪病灶区域，从而消除呼吸运动对超声造影定量分析带来的干扰；
(2)利用步骤(1)获取的无呼吸干扰的超声造影子序列，通过稳定成分分析算法提取局部灌注模式；
(3)通过基于灌注相位约束匹配的相似性度量量化肿瘤内部及周边正常组织的局部灌注模式差异；
(4)以局部组织为网络节点，基于步骤(3)计算得灌注相似性为边生成表征肿瘤内血管生成差异性的网络图。
所述步骤(1)中，利用与超声造影模态(Contrast-enhanced ultrasound,CEUS)同步成像的灰度模式超声(B-mode ultrasound,BUS)序列跟踪肿瘤区域；给定动态BUS序列
Figure BDA0002323853930000021
t表示某一帧，T表示输入序列总帧数，将首帧
Figure BDA00023238539300000210
中包含病灶的感兴趣区域作为模板Z，在后续动态序列中，以前t-1帧的病灶跟踪结果作为初始区域，在当前t帧中确定待搜索区域Ct；通过参数共享的空间特征重标定卷积网络fθ提取模板Z和待搜索区域Ct对应的深度卷积特征张量FZ＝fθ(Z)和
Figure BDA0002323853930000022
fθ表示特征学习网络，fθ(Z)为模板Z的特征学习网络，fθ(Ct)为待搜索区域Ct的特征学习网络，并基于特征张量计算匹配响应图
Figure BDA0002323853930000023
特征学习网络fθ引入了空间特征重标定机制，该机制通过二维卷积学习对应的权重矩阵W，用于增加网络对病灶内关键组织结构的关注度，从而提高模板匹配的准确性；重标定后的模板Z的卷积特征为F′z＝fθ(z)·Wz，待搜索区域Ct的卷积特征的
Figure BDA0002323853930000024
Wz,
Figure BDA0002323853930000025
分别对应于不同尺寸的权重矩阵；然后，将模板Z的卷积特征F′z作为卷积核，与待搜索区域Ct的卷积特征
Figure BDA0002323853930000026
作二维滑动卷积，得到匹配响应图
Figure BDA0002323853930000027
考虑到BUS序列连续运动特点，融合前t-1帧的病灶跟踪结果作为初始匹配估计图It＝[l1,l2,l3,…,lt-1]，lt-1为第t-1帧的病灶跟踪结果，并将匹配响应图St与其点乘得到最终匹配响应图
Figure BDA0002323853930000028
从而消除误匹配，
Figure BDA0002323853930000029
中最大值位置(xt,yt)，xt,yt为t帧中病灶所在的位置，即为第t帧病灶跟踪结果lt；最终，根据连续灰度超声序列中病灶位置匹配结果，提取与第一帧具有相同病灶位置的造影子序列
Figure BDA0002323853930000031
t为某一帧，K为子序列长度，从而消除呼吸运动带来的干扰。
所述步骤(2)中，采用稳定主成分分析法提取局部灌注模式，该算法将观测到的局部灌注强度变化分解为稳定的微泡浓度变化和微泡随机破裂引起的不规则震荡；将病灶及周边区域等间隔划分，得到所有的灌注模式U∈RN×K，R为实数，N为局部灌注区域个数，其中，稳定、平滑的微泡浓度变化对应于U中的低秩成分L，不规则震荡对应于U中的稀疏成分S，考虑到超声造影成像中固有噪声ε，采用不等式约束的成分分析算法：
Figure BDA0002323853930000032
s.t.||L+S-U||2≤ε
其中，||·||*，||·||1和||·||2分别表示矩阵的核范数，1范数和2范数，α为权重系数。
所述步骤(3)中，量化基于步骤(2)中提取的局部灌注模式间差异，给定任意局部灌注模式p＝[p1,p2,p3,…pt…pK]和q＝[q1,q2,q3,…qt′…qK]，其中，t为灌注模式p的某一帧，pt是灌注模式p在t帧的灌注强度，t′为灌注模式q的某一帧，qt′是灌注模式q在t′帧的灌注强度，K为灌注模式的长度，pK是灌注模式p在K帧的灌注强度，qK是灌注模式q在K帧的灌注强度，基于灌注相位约束的灌注差异度量PCD(p,q)为，
Figure BDA0002323853930000033
其中，M为匹配矩阵，Mtt′表示灌注模式p中t帧和灌注模式q中t′帧的灌注强度匹配权重，dtt′＝(pt-qt′)2表示不同帧灌注强度差异，Q为匹配范围约束，KL(M||Q)为矩阵间Kullback-Leibler散度，用于给序列间元素匹配增加相位约束，λ为灵活度约束权重参数；其中，为了给不同灌注相位赋予不同的匹配灵活度，Q分解为
Figure BDA0002323853930000034
其中，
Figure BDA0002323853930000035
和
Figure BDA0002323853930000036
分别表示造影剂灌入相位和灌出相位的匹配范围约束，π为圆周率，σwash-in和σwash-out分别表示灌入相位和灌出相位的高斯带宽，用于调节匹配灵活度大小，通常设置灌入相位更低的匹配灵活度，σwash-in<σwash-out。因此，该模块实现了像素级灌注模式差异度量。
所述步骤(4)包括以下步骤：
步骤(401)，以病灶及周边正常实质的局部灌注区域为节点E，计算任意节点Ei,Ej间灌注模式差异PCD(Ei,Ej)，得到距离矩阵D＝{Di,j|Di,j＝PCD(Ei,Ej)}，Di,j为节点Ei和节点Ej的距离；
步骤(402)，确定每个节点Ei的周边节点，并基于步骤(401)计算的距离矩阵D推算节点间测地距离，构造反映肿瘤局部区域灌注相似性的邻接矩阵A；
步骤(403)，统计病灶内所有节点的度中心性DC、聚类系数CC作为节点特征，并基于该特征对肿瘤内网络节点进行聚类分组，然后，统计每个聚类中心的度中心性DC及聚类系数CC，均值用于表征肿瘤内血管生成的异质性，并将聚类结果的彩色编码图覆盖于原造影帧，增强异质性分析的可视化效果；
步骤(404)，对病灶边界进行腐蚀膨胀，获取周边正常实质节点，统计正常实质节点的度中心性DC及聚类系数CC，均值用于表征肿瘤血管对周边的正常组织的浸润性，并将数值的彩色编码图覆盖于原造影帧肿瘤区域，增强浸润性分析的可视化效果。
与现有技术相比，本发明具有以下有益效果：
本发明在消除呼吸运动干扰基础上，提取像素级灌注模式，结合灌注相位量化像素级灌注模式差异并生成结点图，基于结点的方式表征肿瘤内灌注差异性，进一步，为医生量化肿瘤血管生成提供定量参数。
附图说明
图1为本发明的系统结构示意图。
图2为本发明的病灶跟踪示意图。
具体实施方式
下面结合实施例对本发明作更进一步的说明。
如图1和2所示，一种基于灌注相位约束匹配的超声造影定量分析方法，包括：基于病灶跟踪的呼吸干扰抑制模块，通过基于空间特征重标定的孪生卷积网络跟踪灰度模式窗口中病灶区域，根据超声造影的双模同步成像特点，我们可以根据病灶跟踪结果选择具有相同病灶位置的造影子序列，从而消除序列中呼吸运动带来的干扰；单像素灌注模式提取模块，提出基于稳定主成分分析算法提取单像素稳定灌注模式，消除由于微泡随机破裂或非线性震荡带来局部抖动干扰；基于灌注相位约束匹配的TIC差异性度量模块，提出基于灌注相位约束匹配的移土距离用于量化单像素灌注模式间差异，该度量在灌注序列差异比较中提供了灵活的局部灌注强度匹配方式，同时结合临床诊断经验，为不同的灌注相位(灌入相位和灌出相位)赋予不同的匹配自由度，从而为肿瘤及周边实质血流灌注提供像素级差异性度量。基于图的肿瘤血管生成量化模块，该模块以单像素为节点，像素级灌注模式差异为边，构造结点图表征肿瘤内局部灌注差异性或相似性大小，进一步，基于病灶内节点聚类系数向量量化肿瘤血管生成异质性，通过病灶边界腐蚀膨胀定量病灶边界与周边实质血供差异，从而量化肿瘤血管浸润性。
实施例1
一种基于动态超声造影的肝肿瘤血管生成定量分析方法，包括如下步骤：
(1)通过基于空间特征重标定的孪生卷积网络跟踪病灶区域，从而消除呼吸运动对超声造影定量分析带来的干扰；
(2)利用步骤(1)获取的无呼吸干扰的超声造影子序列，通过稳定成分分析算法提取局部灌注模式；
(3)通过基于灌注相位约束匹配的相似性度量量化肿瘤内部及周边正常组织的局部灌注模式差异；
(4)以局部组织为网络节点，基于步骤(3)计算得灌注相似性为边生成表征肿瘤内血管生成差异性的网络图。
所述步骤(1)中，提出基于空间特征重标定的孪生卷积网络对病灶区域进行跟踪，并基于跟踪结果选择具有相同病灶区域的造影子序列。一方面，由于超声造影成像是双模态同步成像，即病灶在传统灰度模式视图中和造影视图中的运动完全同步。另一方面，在造影视图中，由于基波抑制作用，窗口仅显示造影增强部分的灰阶图像，而在造影起始阶段病灶特征不明显。因此，该模块病灶跟踪是在与造影同步成像的灰度模式序列中完成的。连续超声序列中病灶跟踪可以简化为，在相邻图像帧中，以像素为单位在搜索区域内匹配病灶目标，得到与搜索区域相同尺寸的相似度响应图，相似图中得分最高的区域即为病灶位置。该模块中，我们采用结合空间特征重标定机制的孪生卷积网络实现病灶跟踪，通过端到端的层次化灰度超声图像特征提取和相似性度量学习，确定与目标帧有相同病灶位置的造影子序列。相较于一般目标跟踪场景，灰度模式超声图像具有空间分辨率低，对比度低和结构特征不明显等特点，病灶跟踪中特征提取难度大，误匹配可能性高。因此，区别于已有的基于孪生网络的目标跟踪算法，我们考虑到病灶位置在超声序列中连续性特点，将连续帧病灶检测信息融合作为当前帧病灶位置的初始估计，而不是独立地在每帧图像上匹配模板，最终位置估计应该在初始估计点的指定范围内，从而减少无匹配的可能性。同时，为了增加模型对目标区域关键特征的关注度的和模型的可解释性，我们在全卷积网络中引入空间特征重标定机制，调整目标区域内不同位置语义特征权重。具体地讲，利用与超声造影模态(Contrast-enhanced ultrasound,CEUS)同步成像的灰度模式超声(B-mode ultrasound,BUS)序列跟踪肿瘤区域；给定动态BUS序列
Figure BDA0002323853930000061
t表示某一帧，T表示输入序列总帧数，将首帧
Figure BDA00023238539300000611
中包含病灶的感兴趣区域作为模板Z，在后续动态序列中，以前t-1帧的病灶跟踪结果作为初始区域，在当前t帧中确定待搜索区域Ct；通过参数共享的空间特征重标定卷积网络fθ提取模板Z和待搜索区域Ct对应的深度卷积特征张量Fz＝fθ(Z)和
Figure BDA00023238539300000612
fθ表示特征学习网络，fθ(Z)为模板Z的特征学习网络，fθ(Ct)为待搜索区域Ct的特征学习网络，并基于特征张量计算匹配响应图
Figure BDA0002323853930000062
特征学习网络fθ引入了空间特征重标定机制，该机制通过二维卷积学习对应的权重矩阵W调整局部特征权重，增加网络对病灶内关键组织结构的关注度，从而提高模板匹配的准确性；重标定后的模板Z的卷积特征为F′z＝fθ(z)·Wz，待搜索区域Ct的卷积特征的
Figure BDA0002323853930000063
Wz,
Figure BDA0002323853930000064
分别对应于不同尺寸的权重矩阵；Wz,
Figure BDA0002323853930000065
分别对应于不同尺寸的权重矩阵；然后，将模板Z的卷积特征F′z作为卷积核，与待搜索区域Ct的卷积特征
Figure BDA0002323853930000066
作二维滑动卷积，得到匹配响应图
Figure BDA0002323853930000067
考虑到BUS序列连续运动特点，融合前t-1帧的病灶跟踪结果作为初始匹配估计图It＝[l1,l2,l3,…,lt-1]，lt-1为第t-1帧的病灶跟踪结果，并将匹配响应图St与其对应位置元素点乘得到最终匹配响应图
Figure BDA0002323853930000068
从而消除误匹配，
Figure BDA0002323853930000069
中最大值位置(xt,yt)，xt,yt为t帧中病灶所在的位置，即为第t帧病灶跟踪结果lt；最终，根据连续灰度超声序列中病灶位置匹配结果，提取与第一帧具有相同病灶位置的造影子序列
Figure BDA00023238539300000610
t为某一帧，K为子序列长度，从而消除呼吸运动带来的干扰。
所述步骤(2)中，尽管通过呼吸运动校正，像素级灌注模式仅包含固位置造影剂的反射信号，但信号强度仍然受到微泡的不规则震荡和破裂的影响，导致造影帧序列中同一像素位置的强度存在不规则抖动，给后续像素级灌注模式的差异定量带来误差。因此，采用稳定主成分分析法提取局部灌注模式，该方法将观测到的局部灌注强度变化分解为稳定的微泡浓度变化和微泡随机破裂引起的不规则震荡；将病灶及周边区域等间隔划分，得到所有的灌注模式U∈RN×K，R为实数，N为局部灌注区域个数，其中，稳定、平滑的微泡浓度变化对应于U中的低秩成分L，不规则震荡对应于U中的稀疏成分S，考虑到超声造影成像中固有噪声ε，采用不等式约束的成分分析算法：
Figure BDA0002323853930000071
s.t.||L+S-U||2≤ε
其中，||·||*，||·||1和||·||2分别表示矩阵的核范数，1范数和2范数，α为权重系数。
所述步骤(3)中，提出灌注相位约束的移土距离用于量化像素级灌注模式差异。单像素灌注模式差异比较本质上是一种时间序列距离度量，该度量能够刻画造影剂在灌入期，达峰期和消退期不同像素位置灌注强度差异。时间序列距离度量是基于不同时间点元素对齐匹配实现的，灌注模式距离即不同时间点灌注强度在对齐匹配后差异的和。不同时间点的强度匹配是必要的，以相邻像素的灌注达峰值比较为例，即使对于相邻像素，其灌注强度序列的达峰时间点也不会完全对应于同一时刻，点对点的像素差异比较显然不符合临床灌注模式差异比较需求，局部时间范围内灌注强度匹配具有重要的临床意义。同时，为了保证差异性刻画，一定时间范围内匹配灵活度是有限制的，结合临床医生病灶诊断经验，我们在不同的灌注相位设置不同的匹配灵活度，从而使得距离度量更符合超声造影临床诊断实践。具体地讲，量化基于步骤(2)中提取的局部灌注模式间差异，给定任意局部灌注模式p＝[p1,p2,p3,…pt…pk]和q＝[q1,q2,q3,…qt，…qk]，其中，t为灌注模式p的某一帧，pt是灌注模式p在t帧的灌注强度，t’为灌注模式q的的某一帧，qt是灌注模式q在t’帧的灌注强度，k为灌注模式的长度，pk是灌注模式p在k帧的灌注强度，qk是灌注模式q在k帧的灌注强度，基于灌注相位约束的灌注差异度量PCD(p,q)为，
Figure BDA0002323853930000081
其中，M为匹配矩阵，Mtt’表示灌注模式p中t帧和灌注模式q中t’帧的灌注强度匹配权重，dtt’＝(pt-qt’)2表示不同帧灌注强度差异，Q为匹配范围约束，KL(M||Q)为矩阵间Kullback-Leibler散度，用于给序列间元素匹配增加相位约束，λ为灵活度约束权重参数；其中，为了给不同灌注相位赋予不同的匹配灵活度，Q分解为
Figure BDA0002323853930000082
其中，
Figure BDA0002323853930000083
和
Figure BDA0002323853930000084
分别表示造影剂灌入相位和灌出相位的匹配范围约束，π为圆周率，σwash-in和σwash-out分别表示灌入相位和灌出相位的高斯带宽，用于调节匹配灵活度大小，通常设置灌入相位更低的匹配灵活度，σwash-in<σwash-out。因此，该模块实现了像素级灌注模式差异度量。
所述步骤(4)中，提出了基于复杂网络的肿瘤血管生成量化方法。超声造影序列中像素强度大小反映了肿瘤及周边实质实时的血流灌注量，临床上，为肿瘤血管生成提供了定性分析工具。基于以上模块获取到的像素级灌注模式差异，生成表征局部灌注差异的肿瘤网络，从而提取反映肿瘤内血管生成异质性和浸润性的定量特征。相比较传统基于纹理特征的异质性分析方法，基于复杂网络的表征方法对肿瘤内微环境刻画具有更好的解释性和可视化效果，不同时间点的复杂网络变化为肿瘤治疗、预后提供了新的评估方法。具体地讲，包括以下步骤：
步骤(401)，以病灶及周边正常实质的局部灌注区域为节点E，计算任意节点Ei,Ej间灌注模式差异PCD(Ei,Ej)，得到距离矩阵D＝{Di,j|Di,j＝PCD(Ei,Ej)}，Di,j为节点Ei和节点Ej的距离；
步骤(402)，确定每个节点Ei的周边节点，并基于步骤(401)计算的距离矩阵D推算节点间测地距离，构造反映肿瘤局部区域灌注相似性的邻接矩阵A；
步骤(403)，统计病灶内所有节点的度中心性DC、聚类系数CC作为节点特征，并基于该特征对肿瘤内网络节点进行聚类分组，然后，统计每个聚类中心的度中心性DC及聚类系数CC，均值用于表征肿瘤内血管生成的异质性，并将聚类结果的彩色编码图覆盖于原造影帧，增强异质性分析的可视化效果；
步骤(404)，对病灶边界进行腐蚀膨胀，获取周边正常实质节点，统计正常实质节点的度中心性DC及聚类系数CC，均值用于表征肿瘤血管对周边的正常组织的浸润性，并将数值的彩色编码图覆盖于原造影帧肿瘤区域，增强浸润性分析的可视化效果。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (5)

1.一种基于动态超声造影的肝肿瘤血管生成定量分析方法，其特征在于，包括如下步骤：
(1)通过基于空间特征重标定的孪生卷积网络跟踪病灶区域，从而消除呼吸运动对超声造影定量分析带来的干扰；
(2)利用步骤(1)获取的无呼吸干扰的超声造影子序列，通过稳定成分分析算法提取局部灌注模式；
(3)通过基于灌注相位约束匹配的相似性度量量化肿瘤内部及周边正常组织的局部灌注模式差异；
(4)以局部组织为网络节点，基于步骤(3)计算得灌注相似性为边生成表征肿瘤内血管生成差异性的网络图。
2.根据权利要求1所述的基于动态超声造影的肝肿瘤血管生成定量分析方法，其特征在于，所述步骤(1)中，利用与超声造影模态CEUS同步成像的灰度模式超声BUS序列跟踪肿瘤区域；给定动态BUS序列
Figure FDA0002323853920000011
t表示某一帧，T表示输入序列总帧数，将首帧
Figure FDA0002323853920000012
中包含病灶的感兴趣区域作为模板Z，在后续动态序列中，以前t-1帧的病灶跟踪结果作为初始区域，在当前t帧中确定待搜索区域Ct；通过参数共享的空间特征重标定卷积网络fθ提取模板Z和待搜索区域Ct对应的深度卷积特征张量FZ＝fθ(Z)和
Figure FDA0002323853920000013
fθ表示特征学习网络，fθ(Z)为模板Z的特征学习网络，fθ(Ct)为待搜索区域Ct的特征学习网络，并基于特征张量计算匹配响应图
Figure FDA0002323853920000014
特征学习网络fθ引入了空间特征重标定机制，空间特征重标定机制通过二维卷积学习对应的权重矩阵W调整局部特征权重；重标定后的模板Z的卷积特征为F′z＝fθ(z)·Wz，待搜索区域Ct的卷积特征的
Figure FDA0002323853920000015
Wz，
Figure FDA0002323853920000016
分别对应于不同尺寸的权重矩阵；然后，将模板Z的卷积特征F′z作为卷积核，与待搜索区域Ct的卷积特征
Figure FDA0002323853920000017
作二维滑动卷积，得到匹配响应图
Figure FDA0002323853920000018
融合前t-1帧的病灶跟踪结果作为初始匹配估计图It＝[l1，l2，l3，...，lt-1]，lt-1为第t-1帧的病灶跟踪结果，并将匹配响应图St与其对应位置元素点乘得到最终匹配响应图
Figure FDA0002323853920000019
Figure FDA00023238539200000110
中最大值位置(xt，yt)，xt，yt为t帧中病灶所在的位置，即为第t帧病灶跟踪结果lt；最终，根据连续灰度超声序列中病灶位置匹配结果，提取与第一帧具有相同病灶位置的造影子序列
Figure FDA00023238539200000111
1＜t＜K，t为某一帧，K为子序列长度。
3.根据权利要求1所述的基于动态超声造影的肝肿瘤血管生成定量分析方法，其特征在于，所述步骤(2)中，在步骤(1)获取的运动校正子序列基础上，采用稳定主成分分析法提取局部灌注模式，将观测到的局部灌注强度变化分解为稳定的微泡浓度变化和微泡随机破裂引起的不规则震荡；将病灶及周边区域等间隔划分，得到所有的灌注模式U∈RN×K，R为实数，N为局部灌注区域个数，其中，稳定、平滑的微泡浓度变化对应于U中的低秩成分L，不规则震荡对应于U中的稀疏成分S，考虑到超声造影成像中固有噪声ε，采用不等式约束的成分分析算法：
Figure FDA0002323853920000021
s.t.||L+S-U||2≤ε
其中，||·||*，||·||1和||·||2分别表示矩阵的核范数，l范数和2范数，α为权重系数。
4.根据权利要求1所述的基于动态超声造影的肝肿瘤血管生成定量分析方法，其特征在于，所述步骤(3)中，量化基于步骤(2)中提取的局部灌注模式间差异，给定任意局部灌注模式p＝[p1，p2，p3，…pt…pk]和q＝[q1，q2，q3，…qt，…qk]，其中，t为灌注模式p的某一帧，pt是灌注模式p在t帧的灌注强度，t’为灌注模式q的的某一帧，qt是灌注模式q在t’帧的灌注强度，k为灌注模式的长度，pk是灌注模式p在k帧的灌注强度，qk是灌注模式q在k帧的灌注强度，基于灌注相位约束的灌注差异度量PCD(p，q)为，
Figure FDA0002323853920000022
其中，M为匹配矩阵，Mtt’表示灌注模式p中t帧和灌注模式q中t’帧的灌注强度匹配权重，dtt’＝(pt-qt’)2表示不同帧灌注强度差异，Q为匹配范围约束，KL(M||Q)为矩阵间Kullback-Leibler散度，用于给序列间元素匹配增加相位约束，λ为灵活度约束权重参数；其中，为了给不同灌注相位赋予不同的匹配灵活度，Q分解为
Figure FDA0002323853920000023
其中，
Figure FDA0002323853920000031
和
Figure FDA0002323853920000032
分别表示造影剂灌入相位和灌出相位的匹配范围约束，π为圆周率，σwash-in和σwash-out分别表示灌入相位和灌出相位的高斯带宽，用于调节匹配灵活度大小，通常设置灌入相位更低的匹配灵活度，σwash-in＜σwash-out。
5.根据权利要求1所述的基于动态超声造影的肝肿瘤血管生成定量分析方法，其特征在于，所述步骤(4)包括以下步骤：
步骤(401)，以病灶及周边正常实质的局部灌注区域为节点E，计算任意节点Ei，Ej间灌注模式差异PCD(Ei，Ej)，得到距离矩阵D＝{Di，j|Di，j＝PCD(Ei，Ej)}，Di，j为节点Ei和节点Ej的距离；
步骤(402)，确定每个节点Ei的周边节点，并基于步骤(401)计算的距离矩阵D推算节点间测地距离，构造反映肿瘤局部区域灌注相似性的邻接矩阵A；
步骤(403)，统计病灶内所有节点的度中心性DC、聚类系数CC作为节点特征，并基于该特征对肿瘤内网络节点进行聚类分组，然后，统计每个聚类中心的度中心性DC及聚类系数CC，均值用于表征肿瘤内血管生成的异质性，并将聚类结果的彩色编码图覆盖于原造影帧，增强异质性分析的可视化效果；
步骤(404)，对病灶边界进行腐蚀膨胀，获取周边正常实质节点，统计正常实质节点的度中心性DC及聚类系数CC，均值用于表征肿瘤血管对周边的正常组织的浸润性，并将数值的彩色编码图覆盖于原造影帧肿瘤区域，增强浸润性分析的可视化效果。
CN201911308530.1A 2019-12-18 2019-12-18 一种基于动态超声造影的肝肿瘤血管生成定量分析方法 Active CN110969618B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911308530.1A CN110969618B (zh) 2019-12-18 2019-12-18 一种基于动态超声造影的肝肿瘤血管生成定量分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911308530.1A CN110969618B (zh) 2019-12-18 2019-12-18 一种基于动态超声造影的肝肿瘤血管生成定量分析方法

Publications (2)

Publication Number Publication Date
CN110969618A true CN110969618A (zh) 2020-04-07
CN110969618B CN110969618B (zh) 2023-05-12

Family

ID=70034776

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911308530.1A Active CN110969618B (zh) 2019-12-18 2019-12-18 一种基于动态超声造影的肝肿瘤血管生成定量分析方法

Country Status (1)

Country Link
CN (1) CN110969618B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112790741A (zh) * 2021-01-27 2021-05-14 复旦大学 脑血管形态特征定量分析方法
WO2023035459A1 (zh) * 2021-09-08 2023-03-16 中国科学院深圳先进技术研究院 一种磁共振图像处理方法、终端设备及计算机存储介质
CN116612193A (zh) * 2023-07-20 2023-08-18 北京大学第三医院（北京大学第三临床医学院） 一种基于深度学习的血管造影图像的处理及标定方法
CN116993628A (zh) * 2023-09-27 2023-11-03 四川大学华西医院 一种用于肿瘤射频消融引导的ct图像增强系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101756713A (zh) * 2009-09-09 2010-06-30 西安交通大学 超声造影成像、灌注参量估计和灌注参量功能成像及其集成方法
US20140071125A1 (en) * 2012-09-11 2014-03-13 The Johns Hopkins University Patient-Specific Segmentation, Analysis, and Modeling from 3-Dimensional Ultrasound Image Data
CN104688272A (zh) * 2015-03-06 2015-06-10 西安交通大学 一种基于单像素tic源的超声造影灌注参量成像方法
CN106056589A (zh) * 2016-05-24 2016-10-26 西安交通大学 一种呼吸运动补偿的超声造影灌注参量成像方法
US20190053780A1 (en) * 2016-02-23 2019-02-21 Mayo Foundation For Medical Education And Research Ultrasound blood flow imaging
US20190365344A1 (en) * 2016-11-14 2019-12-05 Koninklijke Philips N.V. System and method for characterizing liver perfusion of contrast agent flow

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101756713A (zh) * 2009-09-09 2010-06-30 西安交通大学 超声造影成像、灌注参量估计和灌注参量功能成像及其集成方法
US20140071125A1 (en) * 2012-09-11 2014-03-13 The Johns Hopkins University Patient-Specific Segmentation, Analysis, and Modeling from 3-Dimensional Ultrasound Image Data
CN104688272A (zh) * 2015-03-06 2015-06-10 西安交通大学 一种基于单像素tic源的超声造影灌注参量成像方法
US20190053780A1 (en) * 2016-02-23 2019-02-21 Mayo Foundation For Medical Education And Research Ultrasound blood flow imaging
CN106056589A (zh) * 2016-05-24 2016-10-26 西安交通大学 一种呼吸运动补偿的超声造影灌注参量成像方法
US20190365344A1 (en) * 2016-11-14 2019-12-05 Koninklijke Philips N.V. System and method for characterizing liver perfusion of contrast agent flow

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
吴玉泉 等: "《感兴趣区的描绘对肝细胞肝癌超声造影灌注参数的影响》" *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112790741A (zh) * 2021-01-27 2021-05-14 复旦大学 脑血管形态特征定量分析方法
WO2023035459A1 (zh) * 2021-09-08 2023-03-16 中国科学院深圳先进技术研究院 一种磁共振图像处理方法、终端设备及计算机存储介质
CN116612193A (zh) * 2023-07-20 2023-08-18 北京大学第三医院（北京大学第三临床医学院） 一种基于深度学习的血管造影图像的处理及标定方法
CN116612193B (zh) * 2023-07-20 2023-09-15 北京大学第三医院（北京大学第三临床医学院） 一种基于深度学习的血管造影图像的处理及标定方法
CN116993628A (zh) * 2023-09-27 2023-11-03 四川大学华西医院 一种用于肿瘤射频消融引导的ct图像增强系统
CN116993628B (zh) * 2023-09-27 2023-12-08 四川大学华西医院 一种用于肿瘤射频消融引导的ct图像增强系统

Also Published As

Publication number Publication date
CN110969618B (zh) 2023-05-12

Similar Documents

Publication Publication Date Title
CN110969618B (zh) 一种基于动态超声造影的肝肿瘤血管生成定量分析方法
EP1690230B1 (en) Automatic multi-dimensional intravascular ultrasound image segmentation method
CN105719324B (zh) 图像处理装置以及图像处理方法
Smeets et al. Semi-automatic level set segmentation of liver tumors combining a spiral-scanning technique with supervised fuzzy pixel classification
De Craene et al. 3D strain assessment in ultrasound (straus): A synthetic comparison of five tracking methodologies
US20120302880A1 (en) System and method for specificity-based multimodality three- dimensional optical tomography imaging
Boas et al. Classification of hypervascular liver lesions based on hepatic artery and portal vein blood supply coefficients calculated from triphasic CT scans
WO2023273336A1 (zh) 基于多任务学习约束的pet图像感兴趣区域增强重建方法
WO2017148332A1 (zh) 一种灌注分析方法与设备
WO2011123772A2 (en) Method and system for plaque lesion characterization
WO2021169695A1 (zh) 一种用于pet图像衰减校正的ct图像生成方法
Virga et al. Use the force: deformation correction in robotic 3D ultrasound
KR20210121062A (ko) 형태학적 및 혈관주위 질환 표지자의 조합 평가
Tiago et al. A data augmentation pipeline to generate synthetic labeled datasets of 3D echocardiography images using a GAN
CN113420826A (zh) 一种肝脏病灶图像处理系统及图像处理方法
CN111312373A (zh) 一种pet/ct图像融合自动标注方法
CN109377481A (zh) 图像质量评价方法、装置、计算机设备和存储介质
Balocco et al. Combining growcut and temporal correlation for ivus lumen segmentation
Bajaj et al. A deep learning methodology for the automated detection of end-diastolic frames in intravascular ultrasound images
Wen et al. Convolutional neural network-based speckle tracking for ultrasound strain elastography: an unsupervised learning approach
Feng et al. Multi-stage fully convolutional network for precise prostate segmentation in ultrasound images
Smeets et al. Segmentation of liver metastases using a level set method with spiral-scanning technique and supervised fuzzy pixel classification
Li et al. Clinical study of diffusion-weighted imaging in the diagnosis of liver focal lesion
CN102426702A (zh) Ct图像与mr图像的融合方法
Babin et al. Robust segmentation methods with an application to aortic pulse wave velocity calculation

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