CN111247555B - 用于校正ct图像的方法、计算机程序产品和计算机系统 - Google Patents
用于校正ct图像的方法、计算机程序产品和计算机系统 Download PDFInfo
- Publication number
- CN111247555B CN111247555B CN201880068493.9A CN201880068493A CN111247555B CN 111247555 B CN111247555 B CN 111247555B CN 201880068493 A CN201880068493 A CN 201880068493A CN 111247555 B CN111247555 B CN 111247555B
- Authority
- CN
- China
- Prior art keywords
- image
- values
- cbct
- value
- tissue
- 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 90
- 238000004590 computer program Methods 0.000 title claims description 10
- 238000012937 correction Methods 0.000 claims abstract description 67
- 210000001519 tissue Anatomy 0.000 claims description 49
- 230000009466 transformation Effects 0.000 claims description 18
- 230000015654 memory Effects 0.000 claims description 16
- 210000000988 bone and bone Anatomy 0.000 claims description 13
- 238000001959 radiotherapy Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 4
- 239000000463 material Substances 0.000 claims description 3
- 230000037182 bone density Effects 0.000 claims description 2
- 238000003384 imaging method Methods 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000003705 background correction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000006073 displacement reaction Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000007408 cone-beam computed tomography Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 208000003149 Bone Malalignment Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- 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
- A61B6/40—Arrangements for generating radiation specially adapted for radiation diagnosis
- A61B6/4064—Arrangements for generating radiation specially adapted for radiation diagnosis specially adapted for producing a particular type of beam
- A61B6/4085—Cone-beams
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N5/00—Radiation therapy
- A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
- A61N5/103—Treatment planning systems
- A61N5/1039—Treatment planning systems using functional images, e.g. PET or MRI
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/53—Querying
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
-
- 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
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/40—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mechanical, radiation or invasive therapies, e.g. surgery, laser therapy, dialysis or acupuncture
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20224—Image subtraction
-
- 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
- G06T2207/30008—Bone
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/41—Medical
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2211/00—Image generation
- G06T2211/40—Computed tomography
- G06T2211/424—Iterative
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- General Physics & Mathematics (AREA)
- Radiology & Medical Imaging (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- High Energy & Nuclear Physics (AREA)
- Optics & Photonics (AREA)
- Heart & Thoracic Surgery (AREA)
- Databases & Information Systems (AREA)
- Pulmonology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Urology & Nephrology (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
一种使用另一CT图像作为参考来针对遮蔽伪影校正第一CT图像的方法,该方法包括以下步骤:在图像之间创建差异图像以及基于差异图像创建校正图。校正图用于校正第一CT图像。还公开了一种将CT图像转换为另一CT图像的值范围的方法。
Description
技术领域
本发明涉及一种用于改善自适应放疗的方法以及在其中可以实现这种方法的计算机程序产品和计算机系统。
背景技术
在放疗治疗中,以称为部分的多个段给出治疗。在治疗开始之前,基于通常是CT图像的高分辨率图像生成要使用的治疗计划。在每个部分之前,通常会拍摄新图像,通常是锥形束CT(CBCT)图像,以确保患者的正确定位。这些图像也可以用于自适应放疗,其中图像用于计算实际传递的剂量(给定最新的患者信息)。为了能够将新图像中的剂量与计划剂量相关联,将CBCT图像与计划CT配准(优选为可变形地)。CBCT图像通常具有明显的伪影,这会在计算出的剂量中引入误差。因此,如果要基于这些图像找到准确的剂量,则必须校正这些伪影。
本文中的术语CT图像可以理解为任何类型的CT图像,包括常规CT图像、螺旋CT图像和CBCT图像。
了解辐射穿过的不同类型组织的衰减系数对于治疗计划中的剂量演算很重要。对于常规的CT图像,可以找到所用CT协议的密度或电子密度与霍恩斯菲尔德单位(Hounsfield unit)(HU)之间的关系。这种关系是相当稳定的,并且通常在患者之间没有变化。剂量演算需要密度或电子密度值。由于CBCT密度表将取决于成像对象的大小,因此很难在CBCT图像和电子密度HU标度之间建立相似的关系。除了上述伪影之外,这使得基于CBCT图像的剂量演算更加困难。
计划CT图像和后续的CBCT图像在通过配准对它们进行比较时将同,其主要原因有三个:解剖学差异,配准误差和图像伪影。图像伪影主要存在于CBCT中。特别地,遮蔽伪影导致相同的组织类型取决于其在图像中的空间位置而被赋予不同的值。在处理CBCT图像时,应处理由遮蔽伪影引起的差异,因为它们产生相对大的剂量演算误差。在使用计划CT校正CBCT时,应忽略由实际解剖学差异(例如,气腔不匹配或骨骼未对准)或变形误差引起的差异。因此,区分这三种差异很重要。
T E Marchant等人的,放疗中用于改善锥束CT图像的遮蔽校正算法(Shadingcorrection algorithm for improvement of cone-beam CT images in radiotherapy),Phys.Med.Biol.53(2008)5719-5733公开了一种基于相同解剖学区域的CT图像将CBCT图像的值转换为HU值的方法。本文提出获得一个差异图像,并在该差异图像上应用CBCT图像之前,使用boxcar平均算法滤掉此差异图像上的高频变化。此方法对转换步骤的执行非常敏感。同样,校正有时还包括除伪影之外的其他差异。此外,该方法需要使用两个掩模,一个用于骨骼,另一个用于其他组织。
Pengwei Wu等人的,无先验信息的迭代CT遮蔽校正(Iterative CT shadingcorrection with no prior information),Phys.Med.Biol.,60(2015)8437-8455提出了一种方法,该方法使用基于关于CT图像中典型值范围的一般知识从图像生成的模板来消除包括CBCT的任何类型的CT图像中的伪影。使用模板作为参考,对CT图像进行分段和校正。这种方法需要分段算法,分段的质量直接影响输出质量。此外,该方法取决于患者组成的组织的良好近似。
Shi等人的,经由稀疏采样或计划CT对放射疗法中的锥形束CT进行快速遮蔽校正(Fast shading correction for cone beam CT in radiation therapy via sparsesampling or planning CT),Med.Phys.44(5),2017年5月,0944-2405/2017/44(5)/1796/13,提出了一种使用来自计划CT图像的信息来校正CBCT图像中的遮蔽伪影的方法。该方法基于CBCT和CT图像之间的粗映射以获得差异图像,并使用经验约束选择稀疏遮蔽样本进行校正。使用局部滤波来处理稀疏数据以获得遮蔽图,该遮蔽图用于校正CBCT以获得针对遮蔽伪影校正的CBCT图像。该方法取决于图像的标度相同的假设,但情况并非总是如此。而且,该方法对噪声和大的伪影敏感。
发明内容
本发明的目的是使得能够针对伪影,特别是遮蔽伪影校正CT图像,诸如CBCT图像。
根据第一方面,本发明涉及一种在第一CT图像中保持解剖学信息的同时,使用第二CT图像作为模板,针对伪影校正第一CT图像的方法。CT图像可以是任何类型的CT图像。通常,用作模板的图像将比被校正的图像具有更高的质量。在优选的应用中,第一CT图像可以是CBCT图像,第二CT图像可以是常规的或螺旋CT图像。该方法基于这样的见解:遮蔽伪影通常以较低的空间频率变化,而由位移或几何变化引起的差异通常以较高的空间频率变化。
如果图像不具有相同的模态,或不使用相同的值范围,则可能需要在校正之前转换图像中的一个。对于该转换,根据第二方面的转换方法是特别合适的。在使用CT图像作为参考校正CBCT图像的典型情况下,将CBCT图像转换为CT图像的值范围可能是有用的。根据第二方面,提出了一种合适的转换方法。该方法也可以用于其他目的。
根据第一方面,本发明涉及一种针对伪影校正第一CT图像的方法,包括以下步骤:
a)分别提供第一CT图像和相应的第二CT图像作为原始的第一CT图像和第二CT图像,并将原始的第一CT图像作为当前的第一CT图像,
b)提供表示图像之间的配准的数据,
c)确保第一CT图像和第二CT图像形成值匹配的图像对,其使用相同的值范围,如果有必要,可以通过将它们中的一个转换为另一个来进行匹配,
d)获得值匹配的图像对的图像之间的差异图像D,
e)定义图像掩模M,以定义要在差异图像中考虑哪些体素,
f)通过迭代地执行循环,以获得最终校正图Cf,该循环在每个迭代中至少包括以下步骤之一:
i.基于差异图像和可选地图像掩模M定义校正图C,
ii.更新最终校正图Cf,
iii.使用校正图来更新当前的第一CT图像,并将更新后的图像用作当前的第一CT图像,
iv.基于来自校正图,差异图像和/或当前的第一CT图像和第二CT图像的信息来更新图像掩模M,
v.基于当前的第一CT图像更新值匹配的图像对中的第一CT图像或第二CT图像,
vi.计算更新后的第二CT图像与当前的第一CT图像之间的差异图像,
g)将最终校正图应用于原始的第一CT图像或当前的第一CT图像,以获得校正的第一CT图像。
根据第一方面,将减少在诸如CBCT图像的较低质量的图像中出现的伪影的影响。同时,将识别由于解剖学变化或配准误差而导致的图像之间的其他差异,这些差异通常会在两个图像中的对应结构之间产生小的偏移,使得校正将不补偿此类差异,而仅补偿实际上由于伪影的差异。例如,这使得可以通过使用较早拍摄的计划CT图像作为参考来获得适合于在放疗计划中的剂量演算的CBCT图像。通常,计划的CT图像将是常规或螺旋CT图像。
原始的第一CT图像和第二CT图像通常是未修改的图像,并且由于伪影,第一图像被假定需要校正。通常,该过程包括存储这些图像,以供稍后在该过程中使用。如果图像不使用相同的值范围,则确保图像使用相同的值范围的步骤包括将图像中的一个转换为另一图像中使用的值范围。例如,第二CT图像可以被转换为第一CT图像的值范围,使得值匹配的图像对包括第一CT图像和变换后的第二CT图像tCT的值。可替代地,可以将第一CT图像转换成第二CT图像的值范围,使得值匹配的图像对包括第二CT图像和变换后的第一CT图像tCBCT的值。
在步骤iii中,可以通过将校正图应用于由每个校正图逐步更新的图像来迭代地形成当前的第一CT图像。可替代地,可以通过将多个校正图的总和或存储在最终校正图中的当前信息应用于原始的第一CT图像来形成当前的第一CT图像。
如果需要,通常借助于诸如函数、查找表(LUT)或图表之类的变换表示来执行转换,所述变换表示将第一CT图像中的值映射到第二CT图像中的值,反之亦然,并将该变换表示应用于要转换的图像。根据本发明的第二方面,下面描述一种特别合适的转换方法。在上述方法的步骤v中,可以在更新第一CT图像之后执行第一CT图像和第二CT图像之间的新转换。这可能是有利的,因为随后已经改善了第一CT图像,这将导致更好的变换结果。
在优选实施例中,用作参考的第二CT图像基于霍恩斯菲尔德单位,因为这是大多数CT图像中使用的值标度。优选地,使用可变形的配准方法,因为这将产生更正确的结果。但是,也可以使用刚性配准。
在优选实施例中,图像掩模被定义为使得其包括差异图像中的对应体素包含关于要校正的伪影的信息的体素,同时排除包含与校正无关的信息的体素。例如,图像掩模可以包括其差异低于阈值的体素,并且排除其差异高于阈值的体素。
通常适合的是执行循环i–vi的某些步骤多次以产生图像掩模M,然后多次执行步骤的其他选择,以产生最终校正图C。例如,已经发现用于产生图像掩模的步骤的合适的序列是:
步骤i、iv,可能迭代了一次或多次
步骤i、iii、iv、v、vi可能迭代了一次或多次
步骤i和iv,可能迭代了一次或多次
步骤i、iii、iv、v、vi。
已经发现找到校正图C的步骤的合适的序列是:
可选地,将第一CT图像重置为原始的第一CBCT图像,并且优选地更新差异图像,即,执行步骤vi。
步骤i、ii、iii、v、vi可能迭代了一次或多次
本发明的第二方面涉及一种创建变换表示的方法,该变换表示可用于通过包括利用对应的第二CT图像(例如,计划CT图像)的配准的方法来转换第一CT图像,该第二CT图像通常具有较高质量并且基于能够进行剂量演算的值,即反映密度或电子密度的值。
根据该第二方面的方法是一种创建对象的第一CT图像和对象的第二CT图像之间的变换的表示的方法,所述第一CT图像使用第一CT值范围,并且所述第二CT图像使用不同于第一CT值范围的第二CT值范围,所述方法包括:
a)提供第一CT图像和第二CT图像,并提供表示第一和第二CT图像之间的配准的数据。
b)基于步骤a)中提供的配准数据创建联合直方图
c)基于在步骤b)中获得的联合直方图,识别至少两个组织值对,每个对与在成像对象中找到的组织类型相对应
d)基于在步骤c)中识别出的至少一些值对,创建从第一CT图像到第二CT图像和/或反之亦然的变换的表示。
第一或第二CT图像可以是CBCT图像,而其他CT图像可以是常规或螺旋CT。
优选地,该方法包括以下步骤:创建图像中的一个中的值的出现的CT直方图,并且基于这些出现,选择要在步骤c)中找到的组织值对的数量,以及可选地限制在针对步骤c)的联合直方图中的区域。
在步骤c)中使用的体素优选地被选择为具有低于设定阈值的值的体素,该阈值优选地对应于骨骼组织的密度。为了确定骨骼的一个或多个组织值对,优选地,例如使用RANSAC方法,针对阈值以上的值来识别线。如果识别线的步骤包括迫使线穿过与具有骨密度阈值以下的最高密度的组织值对相对应的点,则可获得特别好的结果。应当注意,术语组织值对可以指代指定相同材料的任何值对,而不仅是组织,例如空气,水或假体材料。
表示配准的数据优选地基于图像的可变形配准,但是它也可以基于刚性配准。
根据本发明的第二方面,使用变换表示,可以将第一CT图像全自动地转换为可以在其上进行剂量演算的图像,同时保持如在第一CT图像中的几何形状。在这种情况下,全自动是指无需所使用的图像的手动交互或分段。
该方法特别适用于将经常用于在自适应治疗期间提供更新信息的CBCT图像转换为可用于剂量演算的值范围。与CT图像相比,转换后的CBCT图像可以是更容易的。当然,也可以或者可替代地,或者在相同对象或患者的区域的任何两个图像之间获得从CT到CBCT的转换。
本发明方法的迭代性质导致更正确的结果,并且特别地,迭代将减轻不完美校正算法的负面影响。通过逐渐创建校正图,可以更容易地消除在其中差异是由于解剖学变化的体素对校正图的贡献。在每次迭代中都包括转换和校正两者的迭代方法给出了在以后的迭代中的转换和校正步骤中校正潜在故障的可能性。
本发明还涉及一种计算机程序产品,其包括计算机可读代码装置,当在处理器中运行时,所述计算机可读代码装置将使所述处理器执行以上公开的任何一种方法。如本领域中常见的,计算机程序产品可以存储在诸如非暂时性存储装置的任何合适的存储装置上。
本发明还涉及一种计算机系统,该计算机系统包括处理装置、保留如上所述的至少一个计算机程序的至少一个程序存储器、以及至少一个数据存储器,其保留将在该方法中使用的数据。
附图说明
以下将通过示例并参考附图更详细地描述本发明,其中
图1a-1g是在本发明的实施例中使用的不同类型的图像的示例。
图2是获得用于剂量演算的校正的CBCT图像的方法的总体流程图。
图3是详细描述图2的流程图中的步骤之一的流程图。
图4是将CBCT图像转换为常规CT图像的值范围的方法的流程图。
图5a-5d是示出图4的方法的各方面的图表。
图6是其中可以实现根据本发明的任何实施例的方法的计算机系统的示意图。
具体实施方式
图1a示出了可以在本发明的各方面中使用的CT图像。通常,CT图像是在治疗前获得的,并用于治疗计划。如本领域中常见的,CT图像将每个体素中的组织的衰减系数表示为霍恩斯菲尔德单位(HU)。衰减系数与密度有关。在整个说明书中,可以使用密度或电子密度或与它们之一有关的任何合适的标度来代替霍恩斯菲尔德单位。
为了简化和清楚起见,以下描述基于CBCT和CT之间的转换。应当理解,在说明书中被称为CBCT的图像也可以是任何其他类型的CT模态的CT图像。然而,通常,与在校正和/或转换中用作参考的图像相比,要转换和/或校正的图像具有较低的质量,例如更多的遮蔽伪影。
图1b示出了同一患者的同一区域的CBCT图像,该图像已被转换为与CT图像相同的标度。图1a和1b通常是在不同的时间拍摄的,因此它们之间将可能存在解剖学差异。通常,在每个治疗部分之前拍摄CBCT图像。正常地,CBCT图像对不匹配HU标度的体素值使用不同的标度,因此需要进行转换以能够比较CT图像和CBCT图像。可替代地,可以已经以类似于HU标度的标度获得了CBCT图像,在这种情况下将不需要转换。可以看出,图1a和1b示出了基本相同的几何形状,但是CBCT图像包含遮蔽伪影,这将导致剂量演算的不准确性。存在由患者的解剖学变化和/或略有不同的定位导致细微的差异。
图1c是图1b的CBCT图像的新版本,根据图2的过程进行了校正以适合剂量演算。校正后的CBCT图像与图1b的CBCT图像具有相同的几何形状,但在体素值方面与图1a的CT图像更为相似,因为已经减少了伪影。
图1d示出了可变形配准后的差异图像,其反映了图1b中所示的CBCT图像中的每个体素与CT图像中的对应体素之间的值差异。在差异图像中,如图像右侧的标度所指示的,在图像之间的值中相似的体素以灰色显示。对于CBCT图像中的低于CT图像中的值,差异显示为越来越亮的颜色;对于CBCT图像中的高于CT图像中的值,差异显示为越来越深的颜色。与用0标记的中心灰色之间的较大的色差指示值的差异较大。可以看出,图像的很大一部分接近白色或接近黑色,这指示CT图像和CBCT图像之间的差异大。在使用差异图像中的信息校正CBCT图像之前,必须确定哪些差异是由CBCT图像中的伪影引起的,哪些差异是由实际几何变化引起的。校正CBCT图像时,仅应考虑由伪影引起的差异,并且显示此类差异的体素将被包括在图像掩模中。
图1e示出了新的差异图像,其以与图1d相同的方式创建,但示出了图1c中所示的CT图像和校正后的CBCT图像之间的差异。可以看出,新的差异图像在大部分图像上都是灰色的,这指示CT图像和校正后的CBCT图像中对应体素之间的差异通常小。
图1f是用于选择在校正中要考虑哪些体素的掩模。掩模中的白色区域属于体素,其中体素值的差异主要是由于解剖学差异,并且因此在校正中未考虑在内。图像掩模基于差异图像,并且还可以包括来自tCT和CBCT的信息以及可能来自较早获得的校正图的信息。下面将讨论如何获得和使用掩模。
图1g是基于图1f的掩模的校正图,其可以如结合图3所讨论的获得。该校正图借助于灰色标度指示应校正CBCT图像的哪些区域以及校正多少。如图像旁边的标度所示,黑色或白色区域分别指示需要在负方向或正方向上进行大的校正。区域越接近与标度上的值0匹配的颜色,则在该区域中需要的校正越小。
简而言之,基于差异图像创建校正图的过程是基于滤波方法,该方法包括识别差异图像中CT值与CBCT值之间的差异是由伪影引起的区域。该方法有效地模糊了仅包含由伪影引起的差异的掩模的差异图像,以有效消除剩余的高空间频率变化,例如未被掩模排除的噪声和解剖学变化。由于低频伪影而导致的变化被保留,并将被包括在校正图中。对于每次迭代,使用在每次迭代中演算出的校正图来校正CBCT图像。对于每次迭代,将移除越来越多的低频伪影,并且差异图像的值将越来越接近于零。将得到的校正图应用于原始CBCT图像(图1b),以获得得到的CBCT图像(图1d)。
图2是获得适合用于剂量计划的校正的CBCT图像的方法的流程图。如上所述,该方法还适合于校正其他类型的CT图像,通常是质量比在校正中用作参考的CT图像低的CT图像。
在步骤S21中,优选地可变形地提供和配准患者相同区域的CT图像和CBCT图像。配准有助于体素比较和差异图像的创建。通常,CT图像是在治疗开始之前获得的,并用于治疗计划,而CBCT图像通常是在每个治疗部分之前获得的。如上所述,CT图像通常具有已知的HU与密度关系,而CBCT图像通常不是这种情况。值通常沿相同方向变化,即,相同的组织类型在两个图像中分别具有较高的值或较低的值。
当然,可能已经预先执行了配准,在这种情况下,可以获得配准数据,并且在此步骤中无需执行配准。如果执行了刚性配准,则配准数据通常将定义图像之间的位移和旋转。如果执行了可变形的配准,则配准数据将包括定义每个体素的位移的矢量场。
在步骤S22中,获得有助于CT图像和CBCT图像之间的转换的值变换。如果图像值范围足够相似,则可以跳过此步骤。值变换可以例如是查找表的形式,该查找表使CT图像和CBCT图像中的值彼此匹配。这可以以任何合适的方式来完成。在图4中描述了创建变换的特别合适的方式。在步骤S23中,通过使用在步骤S22中获得的变换,通过将CT图像的值转换为对应的CBCT值,将CT图像变换为表示为tCT的图像。在步骤S24中,将差异图像D初始化,其中获得每对对应体素中的值之间的差异。因此,D=tCT–CBCT。
这两个图像必须使用对应的值范围,但是可以取决于所需结果选择要选择哪一个。因此,代替在步骤S23中变换CT图像,可以使用对应的CT值将CBCT图像变换为变换后的CBCT图像tCBCT。在这种情况下,在步骤S24中生成的差异图像将为D=CT–tCBCT。对于本领域技术人员显而易见的是,在图2和图3的其余流程图中必须进行对应的适应。
在步骤S25中,定义初始图像掩模M=M(D),以选择哪些体素将被包括在校正中。图像掩模基于差异图像,并且还可以包括来自tCT和CBCT的信息。M应包括体素,这些体素包含由于CBCT遮蔽伪影而引起的差异,但应排除具有由解剖学差异或变形误差引起的差异的体素。在一个实施例中,这是通过对D施加阈值,使得具有小于阈值的差值的体素被包括在掩模中,而具有更大的差值的体素被忽略来实现的。在另一实施例中,两个图像的分段可以用于识别属于相同分段类别的体素。可以包括属于相同分段类别的体素,而可以忽略不属于相同类别的体素。
在步骤S26中,执行迭代过程以获得最终校正图Cf。结合图3讨论该过程的实施例。
在步骤S27中,将在步骤S26中获得的最终校正图应用于原始CBCT,以创建校正后的CBCT-corrCBCT,其中
corrCBCT=CBCT+Cf
如果在步骤S23中转换了CT图像,则如上所述,可以将校正图直接应用于CBCT图像以产生校正后的CBCT图像。如果在步骤S23中转换了CBCT图像,则可以将校正图直接应用于转换后的CBCT图像以产生转换后的校正后的CBCT图像,其中体素值根据HU标度或具有与HU标度的定义的关系。可替代地,在后一种情况下,可以将校正图转换为CBCT值,并应用于原始CBCT图像。
在步骤S28中,基于校正后的CBCT图像来计算最终值变换。该最终值变换被应用于校正后的CBCT图像。
图3是步骤S26的迭代过程的实施例的更详细的公开。如下所讨论的,并非每次迭代都需要执行所有步骤。因此,在第一步骤S31中,从步骤S25获取输入,并确定在接下来的迭代中要运行哪些步骤。选择步骤的标准将在下面讨论。
在步骤S32中,通过平滑被掩模的差异图像(即,不包括在掩模中的体素被忽略的差异图像)而找到校正图C。这可以通过用于平滑值,并且优选地还在掩模不包括关于差异的信息的情况下插入合适的值的任何合适方法来执行。这去除了在差异图像D中发现的噪声和尖锐边缘,并且还填充了掩模M中未包括的区域。该掩模最初是在步骤S25中获得的,但是可以在步骤S35中被重复更新,因此在图3的过程的后续迭代中使用最新更新的掩模。
在步骤S33中,使用校正图来更新最终校正图,即,Cf=Cf+C。最终校正图是将在步骤S27中使用的校正图。可以理解,该值是通过图3的多次迭代获得的。
在步骤S34中,使用校正图C更新CBCT图像,即,将当前的CBCT设置为CBCT+C。
在步骤S35中,基于差异图像和校正图将掩模M更新为掩模,即,M=M(D,C)或M=M(tCT,CBCT,C)。在优选实施例中,通过掩模包括当前校正将使差值降低到某个阈值T以下的体素,即,其ABS(D-C)<T的体素。例如,基于tCT和/或CBCT图像,也可以应用更复杂的决策标准。
在步骤S36中,基于当前的CBCT图像更新值变换,并且基于更新的值变换来更新tCT。当然,仅当CBCT图像已改变时才需要这样做。在步骤S37中,基于当前的CBCT图像,计算新的差异图像D=tCT–CBCT。
步骤S38是确定是否应该重复图3的过程的决定步骤。如果否,则过程进入步骤S27。如果是,则过程返回到步骤S31,从图3的流程的最新迭代中获取输入值。例如,循环可以在最大迭代次数之后终止。可替代地,CT图像和CBCT图像之间的收敛可以用作标准。
在步骤S31中的决定可以基于不同类型的标准来做出在当前迭代中运行哪些步骤。
可行的是先运行多次循环以定义掩模,然后再多次运行循环以建立校正图。特定迭代中包括哪些步骤的决定取决于该特定迭代应得的结果。如果运行循环以创建掩模,则可以将掩模中在先前迭代中改变的体素的次数用作标准。当改变的体素的次数低于阈值时,可以停止执行用于创建掩模的迭代。如果正在运行循环以确定校正图,则可以将Cf的收敛用作停止迭代的标准。
此外,应取决于当前结果中的一个或多个、先前的迭代次数和/或是否应将任何变量重置为其原始值来确定当前迭代中要运行哪些步骤。常数的值,例如阈值,也可以根据当前状态而改变。在图3的过程的迭代期间的一个或多个点处,可行的是重置CBCT值以保留对于每次迭代都已改进的当前掩模,同时丢弃已经基于不完善的校正图被更新的已更新的CBCT图像。
可以设置预定的迭代顺序,指定在每个迭代中要执行哪些步骤。首先定义掩模,然后定义校正图的一种可能的这样的设置是:
i.多次运行步骤S32、S35,S38,例如四次
ii.运行步骤S32、S34、S35、S36、S37、S38
iii.多次运行步骤S32、S35、S38,例如四次
iv.运行步骤S32、S34、S35、S36、S37、S38
v.重置CBCT值并运行S37
vi.多次运行步骤S32、S33、S34、S36、S37、S38,例如四次
在上面的示例中,一系列序列i.–iv.被运行以确定掩模M。当已经确定掩模时,在步骤v中将CBCT值重置为原始CBCT值,并运行最后的迭代(步骤vi)以确定将被应用于CBCT图像的最终的校正图Cf。将会理解,序列和迭代次数仅是示例,并且可以按照认为合适的任何方式来设置。例如,每个序列的迭代次数将优选地由收敛标准来确定,即,所得到的掩模或校正图与期望结果的匹配程度如何。
可以以任何合适的方式获得如图1b所示的转换后的CBCT图像。在某些情况下,CBCT图像将已经具有与CT中使用的HU值相似的值,在这种情况下将不需要转换。特别地,如上所述,在此被称为CBCT的图像可以替代地是另一CT模态的图像,其使用与用于校正的CT图像的值相似的值。
下面参考图4公开了一种转换CBCT图像的方法。该方法适合于在图2的方法的上下文中使用,但是也可以在任何上下文中用于其他目的,其中需要转换的CBCT图像。转换CBCT图像的常用方法是创建值变换,例如以查找表(LUT)的形式将CBCT图像中的值映射到CT图像的对应体素中的值。这样的值变换可以以不同的方式获得。
图4公开了一种获得可用于执行从CBCT值到CT值的变换的表示的方法,反之亦然。该表示可以以函数、查找表、图表的形式或以任何其他合适的方式来呈现。
在步骤S41中,提供CT图像和CBCT图像。通常,但并非必须,CT图像是在较早的阶段已经获得的,而CBCT图像是较新的图像。在步骤S42中,优选地使用可变形配准方法配准CT图像和CBCT图像。这将允许两个图像的逐点映射。如在步骤S21中那样,配准可以已经更早地执行,在这种情况下,替代地提供配准数据。
在步骤S43中,基于CT图像、CBCT图像和配准数据创建联合直方图。配准数据用于将CT图像的每个体素的值与CBCT图像中的对应值进行匹配,以创建值对。每个值对的出现次数被存储在联合直方图中。这种联合直方图的简化示例如图5b所示。联合直方图用于查找要在CT图像和CBCT图像之间的变换中使用的一组组织值对,反之亦然。可选地,通过合适的算法对联合直方图进行平滑处理以去除噪声。
步骤S44是可选步骤,其中决定组织值对的数量和/或要在步骤S45中找到的实际值。此外,对于这些组织值对中的每一个,可以在联合直方图中找到受限区域。这可以随机地进行,但是优选地基于示出CT图像或CBCT图像的值的出现次数的直方图。这种直方图中的峰值对应于图像中不同类型的组织。峰的数量以及其间的谷的位置可以用于确定要找到的组织值对的数量或应该使用的值限制。这种直方图的示例在图5a中显示。同样,或替代地,可以设置限制,使得必须以它们之间具有一定的最小距离的方式选择组织值对。在此阶段也可以选择要与CBCT值匹配的CT图像的值,以创建值对。然而,通常,如步骤S45中所述,在联合直方图中识别CT值和CBCT值两者。
在步骤S45中,在根据步骤S44的适当的情况下,识别出用于创建变换表示的多个组织值对。可以以任何合适的方式来识别组织值对,但是优选地基于联合直方图。应该在至少图像之一中的最频繁出现的值对之中选择组织值对,例如,可以通过在联合直方图中找到峰来识别组织值对。如果执行步骤S44,则根据在步骤S44中获得的信息来识别值对,从而确定组织值对的数量及其各自的值范围限制。在通常从一个峰区域开始并继续移动到一个或多个其他区域的受限区域中搜索值对是可行的,但不是必需的。可以以任何合适的方式来确定这些限制区域,例如,基于它们与先前找到的组织值对的距离和/或在步骤S44中获得的信息。发现组织值对的顺序不是关键的,但是可以基于在步骤S44中确定的峰大小适当地决定。可以按照任何合适的顺序处理峰,例如,在图表中从左到右进行操作。一种特别可行的方式将是在步骤S44中开始搜索与最大峰相对应的组织值对,这将确保首先将考虑最常见的组织类型,因此不能基于通过较早发现的组织值对设置的限制将其排除在外。然后将考虑下一个最大峰,依此类推。也可以对随后的组织值对设置限制,以确保变换表示将单调增加。
可替代地,在步骤S45中,可以通过在一个或另一方向上使其塌陷来选择值对作为根据联合直方图或联合直方图的一部分创建的CT和CBCT直方图中的最大位置。通常,仅考虑低于对应于骨骼的特定密度阈值的值,因为应该单独考虑骨骼。
步骤S46是可选步骤,其中识别骨骼组织的线或匹配。骨骼组织的值将在联合直方图的右上方部分中。骨骼组织的匹配可以任何合适的方式获得,例如通过线性回归或通过使用RANSAC方法。通常,对于线,RANSAC方法会找到线,该线会在距该线一定距离内最大化数据点的数量。该线可能被迫连接到任何先前发现的组织值对。优选地,来自该线的多个点被保存为指示骨骼组织的组织值对。该步骤可以在过程的任何适当阶段执行。
此方法基于以下假设:尽管CT和CBCT图像中的组织类型之间可能存在一些不匹配,但大多数看起来的重叠可能是正确的,这意味着,如果一个图像中的区域看起来像是与其他图像中相应区域的组织类型相同,这对于该区域中的大多数体素可能是正确的。因此,在联合直方图中最频繁出现的值对将使CBCT图像中的值与CT图像中的值正确匹配。
在步骤S47中,在步骤S45和可选地S46中生成的组织值对之间执行内插,以创建CT图像和CBCT图像之间的变换的表示,反之亦然。该表示可以是任何合适的形式,诸如函数、查找表(LUT)或图表。这样的图表在图5c中被示为将CT图像中的每个值与CBCT图像中的对应值相关联的连续线。该表示可以适合于直线,或者适合于在步骤S45中生成的组织值对之间的直线,其可以具有不同的倾斜度,或者可以具有任何其他合适的形状。该表示还可以将有关组织分布宽度的信息并入联合直方图中,如图5b所示,例如,以将变换成形为围绕这些区域的平台,如图5d所示。同时,可以创建从CT值到CBCT值的反向转换,以用于图2的方法。
在步骤S48中,使用在步骤S47中获得的表示,将CBCT图像中的值从CT图像变换为对应的值,反之亦然。可以理解,可以在表示已经可用之后的任何适当时间执行变换。
可选地,当在步骤S45中识别组织值对时,可以识别联合直方图中的显著的峰,即,频繁出现的值对。当已经识别出峰并将其选择为组织值对时,出于进一步考虑而丢弃接近所选峰的任何峰可能是合适的。在任何这种情况下,应选择相邻峰之中的最高峰。相应地,应积极避免出现不频繁的值对和/或CT值的直方图中的低区域。
图5a示意性地示出了诸如步骤S44中所指的直方图应该看起来什么样。横轴表示HU值,纵轴表示具有每个特定HU值的体素的数量。如曲线所示,通常将有一些峰值对应于图像中最常见的组织类型,而有些低区域则没有或只有很少的体素。
图5b示出了在步骤S43中获得的简化的联合直方图,其中,CBCT值沿水平轴,而CT值沿垂直轴。遮蔽的区域对应于指示不同组织类型的值对。最左侧,最底下的遮蔽的区域对应于空气,其在这两个图像中具有最低密度值。如图所示,通常(由于伪影和噪声),较宽范围的CBCT值将与较窄范围的CT值匹配,从而导致图表中的遮蔽的区域略长。对应于最高值的遮蔽的区域表示骨骼组织。如结合步骤S46所讨论的,这些值通常将不由单个组织值对表示,而是将被特别对待。
图5c示出了所得出的变换,如图表所示,其中已经插入线以将图5b的遮蔽的区域结合在一起,以沿着图像的整个值范围近似CBCT和CT值之间的匹配。
图5d示出了图5c所示的替代图表。可以看出,该曲线具有两个平台,其中每个CT值都与CBCT值的范围匹配。这反映了常见的情况,即宽范围的CBCT值对应于较窄范围的CT值。要获得对应于任何给定CBCT值的CT值,简单地沿水平轴找到与CBCT值相对应的曲线上的点,并确定垂直轴上的匹配CT值,如图5d中的虚线所示。创建相反的方向的映射的表或图表,即启用与给定CT值相对应的CBCT值也可能会有用。值可以在表和/或图表中以任何合适的方式表示。
图6是其中可以执行根据本发明的方法的计算机系统的示意图。计算机31包括处理器33、第一和第二数据存储器34、35以及第一和第二程序存储器36、37。优选地,还存在以以下形式的一个或多个用户输入装置38、39:键盘、鼠标、操纵杆、语音识别装置或任何其他可用的用户输入装置。用户输入装置也可以被布置成从外部存储器单元接收数据。
第一数据存储器34包括至少一个CT图像和至少一个对应的CBCT图像。第二数据存储器35保留在过程期间获得的相关数据,包括校正图和掩模。第一程序存储器36保留被布置成使计算机执行结合图2和3讨论的方法步骤的计算机程序。第二程序存储器37保留被安排成使计算机执行结合图4讨论的方法步骤的计算机程序。
将理解,示意性示出并讨论了数据存储器34、35和程序存储器36、37。可能有数个数据存储器单元,每个数据存储器单元都保留一种或多种不同类型的数据,或者一个数据存储器以适当的结构化方式保留所有数据,并且对于程序存储器也一样。例如,可能存在用于不同图像模态的单独的存储器或存储器段。一个或多个存储器也可以被存储在其他计算机上。
Claims (16)
1.一种用于校正CT图像的方法,包括以下步骤:
a)分别获得第一CT图像和对应的第二CT图像作为原始的第一CT图像和第二CT图像,并将所述原始的第一CT图像作为当前的第一CT图像;
b)获得表示所述第一CT图像和所述第二CT图像之间的配准的数据;
c)获得反映在所述第一CT图像的每个体素和所述第二CT图像的对应体素的值之间的差异的差异图像D;
d)定义图像掩模M,以定义要在所述差异图像中考虑哪些体素;
e)通过包括以下步骤的迭代方法获得最终校正图Cf:
i.基于所述差异图像和可选地所述图像掩模M定义校正图C,所述校正图助于灰色标度指示应该针对伪影校正当前的第一CT图像的哪些区域以及校正多少;
ii.通过与所述校正图C相加来更新所述最终校正图Cf;
iii.使用所述校正图来更新所述当前的第一CT图像,并将更新后的图像作为所述当前的第一CT图像;
iv.基于来自所述校正图、所述差异图像和/或所述当前的第一CT图像和第二CT图像的信息来更新所述图像掩模M;
v.基于所述当前的第一CT图像更新所述值匹配的图像对中的第一CT图像或第二CT图像;
vi.计算更新后的第二CT图像和所述当前的第一CT图像之间的差异图像;
f)将所述最终校正图应用于所述原始的第一CT图像或所述当前的第一CT图像。
2.根据权利要求1所述的方法,其中,确保所述第一CT图像和所述第二CT图像使用相同的值范围的步骤包括:比较所述第一CT图像和第二CT图像的值范围,并且如果需要,则将所述第一CT图像或所述第二CT图像的值范围转换到其他图像的值范围。
3.根据权利要求2所述的方法,其中,借助于变换表示来执行所述转换,所述变换表示将所述第一CT图像中的值映射至所述第二CT图像中的值,反之亦然。
4.根据权利要求3所述的方法,其中,所述变换表示包括函数、LUT或图表。
5.根据权利要求3所述的方法,其中,通过包括以下步骤的方法来获得所述变换表示:
·提供所述第一CT图像和所述第二CT图像,并提供表示所述第一CT图像和所述第二CT图像之间的配准的数据,
·基于提供的表示配准的数据创建联合直方图,
·基于获得的所述联合直方图,识别至少两个组织值对,每个组织值对对应于在成像对象中找到的组织或材料的类型,
·基于识别的至少一些值对,创建从所述第一CT图像到所述第二CT图像和/或反之亦然的变换的表示。
6.根据权利要求5所述的方法,包括以下步骤:在所述图像中的一个中创建值的出现的CT直方图,并且基于所述出现,选择组织值对的数量,并且针对识别组织值对的步骤,可选地限制所述联合直方图中的区域。
7.根据权利要求5或6所述的方法,包括以下步骤:选择要用于识别组织值对的体素,作为具有低于阈值的值的体素,和/或通过针对高于所述阈值的值而识别线来确定骨骼的至少一个组织值对。
8.根据权利要求7所述的方法,其中,所述阈值对应于骨骼组织的密度。
9.根据权利要求7所述的方法,其中,使用RANSAC方法,通过针对高于所述阈值的值而识别线来确定骨骼的至少一个组织值对。
10.根据权利要求7所述的方法,进一步包括迫使所述线穿过与具有在骨密度以下的最高密度的所述组织值对相对应的点。
11.根据权利要求1或2所述的方法,其中,定义所述图像掩模以使所述图像掩模包括在所述差异图像中的对应体素包含关于要校正的伪影的信息的体素,同时排除包含不相关信息或误导校正的体素。
12.根据权利要求11所述的方法,其中,所述图像掩模包括绝对差在阈值以下的体素,并且排除所述差在所述阈值以上的体素。
13.根据权利要求1或2所述的方法,其中,循环步骤i.–vi.首先被选择和被迭代以产生所述图像掩模M,然后产生所述最终校正图Cf。
14.根据权利要求13所述的方法,其中,以以下方式,步骤e)的循环的步骤i.–vi.被选择和被迭代:
通过所述迭代方法更新所述图像掩模。
15.一种计算机系统,包括用于执行计算机程序的处理器和保留计算机程序产品的程序存储器,所述计算机程序产品包括计算机可读代码装置,所述计算机可读代码装置在计算机中运行时将使所述计算机执行根据权利要求1至14中任一项所述的方法。
16.一种用于计算放射疗法治疗计划的治疗计划系统,包括根据权利要求15所述的计算机系统。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP17197663.2A EP3474227B1 (en) | 2017-10-22 | 2017-10-22 | A method, computer program product and computer system for correcting a ct image |
EP17197663.2 | 2017-10-22 | ||
PCT/EP2018/078150 WO2019076846A1 (en) | 2017-10-22 | 2018-10-16 | METHOD, COMPUTER PROGRAM PRODUCT, AND COMPUTER SYSTEM FOR CT IMAGE CORRECTION |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111247555A CN111247555A (zh) | 2020-06-05 |
CN111247555B true CN111247555B (zh) | 2023-08-25 |
Family
ID=60182372
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880068493.9A Active CN111247555B (zh) | 2017-10-22 | 2018-10-16 | 用于校正ct图像的方法、计算机程序产品和计算机系统 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11055884B2 (zh) |
EP (1) | EP3474227B1 (zh) |
JP (1) | JP7263336B2 (zh) |
CN (1) | CN111247555B (zh) |
WO (1) | WO2019076846A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI704904B (zh) * | 2018-07-20 | 2020-09-21 | 台灣基督長老教會馬偕醫療財團法人馬偕紀念醫院 | 用以產生對位影像的系統及方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102327126A (zh) * | 2011-07-22 | 2012-01-25 | 李宝生 | 锥形束ct图像用于放疗剂量计算的个体化ct值校正方法 |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5359513A (en) * | 1992-11-25 | 1994-10-25 | Arch Development Corporation | Method and system for detection of interval change in temporally sequential chest images |
DE19613342A1 (de) * | 1996-04-03 | 1997-10-09 | Philips Patentverwaltung | Automatisches Bildauswertungsverfahren |
JP4447850B2 (ja) * | 2003-05-13 | 2010-04-07 | キヤノン株式会社 | 画像処理装置、画像処理方法、及びコンピュータプログラム |
CN101027693B (zh) * | 2004-08-09 | 2010-05-12 | 伯拉考国际股份公司 | 基于多个掩码的用于医学成像的像对准方法及设备 |
US7715654B2 (en) * | 2005-10-18 | 2010-05-11 | Siemens Medical Solutions Usa, Inc. | System and method for fast multimodal registration by least squares |
JP4887491B2 (ja) * | 2006-04-18 | 2012-02-29 | 国立大学法人九州工業大学 | 医用画像処理方法及びその装置、プログラム |
US8144829B2 (en) * | 2008-02-27 | 2012-03-27 | The Board Of Trustees Of The Leland Stanford Junior University | Cone-beam CT imaging scheme |
US8705827B2 (en) * | 2011-04-15 | 2014-04-22 | Georgia Tech Research Corporation | Scatter correction methods |
US8774485B2 (en) * | 2012-07-26 | 2014-07-08 | General Electric Company | Systems and methods for performing segmentation and visualization of multivariate medical images |
WO2014162911A1 (ja) * | 2013-04-05 | 2014-10-09 | 東芝メディカルシステムズ株式会社 | 医用画像処理装置及び医用画像処理方法 |
JP6716228B2 (ja) * | 2014-11-25 | 2020-07-01 | キヤノンメディカルシステムズ株式会社 | 医用画像処理装置および医用画像処理方法 |
US10430947B2 (en) * | 2014-12-16 | 2019-10-01 | Koninklijke Philips N.V. | Correspondence probability map driven visualization |
WO2016172691A1 (en) * | 2015-04-24 | 2016-10-27 | Massachusetts Insitute Of Technology | Mri characterization of placental oxygen transport |
US20180360406A1 (en) * | 2015-12-17 | 2018-12-20 | The University Of Tokyo | Image Processing Device and Image Processing Method |
JP6595362B2 (ja) * | 2016-02-09 | 2019-10-23 | キヤノンメディカルシステムズ株式会社 | 核医学診断装置 |
-
2017
- 2017-10-22 EP EP17197663.2A patent/EP3474227B1/en active Active
-
2018
- 2018-10-16 WO PCT/EP2018/078150 patent/WO2019076846A1/en active Application Filing
- 2018-10-16 US US16/757,224 patent/US11055884B2/en active Active
- 2018-10-16 CN CN201880068493.9A patent/CN111247555B/zh active Active
- 2018-10-16 JP JP2020521974A patent/JP7263336B2/ja active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102327126A (zh) * | 2011-07-22 | 2012-01-25 | 李宝生 | 锥形束ct图像用于放疗剂量计算的个体化ct值校正方法 |
Non-Patent Citations (1)
Title |
---|
A FULLY PARALLEL ALGORITHM FOR MULTIMODAL IMAGE REGISTRATION USING NORMALIZED GRADIENT FIELDS;J. Ruhaak等;《2013 IEEE 10th International Symposium on Biomedical Imaging》;第572-575页 * |
Also Published As
Publication number | Publication date |
---|---|
WO2019076846A1 (en) | 2019-04-25 |
JP7263336B2 (ja) | 2023-04-24 |
EP3474227B1 (en) | 2021-05-05 |
US20200279414A1 (en) | 2020-09-03 |
JP2021500123A (ja) | 2021-01-07 |
US11055884B2 (en) | 2021-07-06 |
CN111247555A (zh) | 2020-06-05 |
EP3474227A1 (en) | 2019-04-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106683144B (zh) | 一种图像迭代重建方法及装置 | |
KR102581685B1 (ko) | 딥 러닝을 이용한 3d 구강 악안면 구조의 분류 및 3d 모델링 | |
US20240078688A1 (en) | Device and method for automatically matching oral scan data and computed tomography image by means of crown segmentation of oral scan data | |
CN105046675B (zh) | 基于mvct图像消除kvct图像中金属伪影的方法 | |
EP2715663B1 (en) | Apparatus for generating assignments between image regions of an image and element classes | |
CN106920246A (zh) | 在存在金属伪影的情况下用于分割的不确定性图 | |
CN105225208A (zh) | 一种计算机断层成像金属伪影校正方法及装置 | |
CN106683143A (zh) | 图像金属伪影校正方法 | |
CN106462974B (zh) | 用于分割图像的参数优化 | |
US11631160B2 (en) | Image processing apparatus, image processing method, and X-ray CT apparatus | |
CN111815521A (zh) | 一种基于先验图像的锥束ct金属伪影校正算法 | |
CN111223156A (zh) | 一种用于牙科锥束ct系统的金属伪影消除方法 | |
KR102472464B1 (ko) | 영상처리방법 및 이를 이용한 영상처리장치 | |
US20220160323A1 (en) | Method of calibrating x-ray projection geometry in x-ray cone beam computed tomography | |
CN116205956A (zh) | 点云配准方法、装置以及医疗影像设备 | |
CN111247555B (zh) | 用于校正ct图像的方法、计算机程序产品和计算机系统 | |
CN113808233B (zh) | 一种金属穿刺针伪影处理方法和装置 | |
CN110524886B (zh) | 3d打印方法中三维模型形成方法以及3d打印方法 | |
CN118648025A (zh) | 一种使用计算机断层扫描图像重建三维口腔扫描数据的装置和方法 | |
CN116168097A (zh) | 构建cbct勾画模型和勾画cbct图像的方法、装置、设备及介质 | |
JP4127537B2 (ja) | 画像処理方法および装置並びにプログラム | |
JP2001118058A (ja) | 画像処理装置及び放射線治療計画システム | |
CN115564858A (zh) | 一种金属伪影的校正方法、系统和x射线图像重建方法 | |
JP6253992B2 (ja) | 臓器位置推定装置、臓器位置推定装置の制御方法および臓器位置推定装置の制御プログラム | |
US11995746B2 (en) | System for reconstructing an image of an object |
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 |