CN111699021B - 对身体中的目标的三维跟踪 - Google Patents

对身体中的目标的三维跟踪 Download PDF

Info

Publication number
CN111699021B
CN111699021B CN201780098171.4A CN201780098171A CN111699021B CN 111699021 B CN111699021 B CN 111699021B CN 201780098171 A CN201780098171 A CN 201780098171A CN 111699021 B CN111699021 B CN 111699021B
Authority
CN
China
Prior art keywords
target
dimensional
image
data set
current
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
CN201780098171.4A
Other languages
English (en)
Other versions
CN111699021A (zh
Inventor
I.菲因
C-C.谢
M.邓巴
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.)
Leo Cancer Treatment Co
Original Assignee
Leo Cancer Treatment Co
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
Priority claimed from AU2016904747A external-priority patent/AU2016904747A0/en
Application filed by Leo Cancer Treatment Co filed Critical Leo Cancer Treatment Co
Publication of CN111699021A publication Critical patent/CN111699021A/zh
Application granted granted Critical
Publication of CN111699021B publication Critical patent/CN111699021B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • A61N5/1037—Treatment planning systems taking into account the movement of the target, e.g. 4D-image based planning
    • 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
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/48—Diagnostic techniques
    • A61B6/486—Diagnostic techniques involving generating temporal series of image 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
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from 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
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5229—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image
    • A61B6/5235—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image combining images from the same or different ionising radiation imaging techniques, e.g. PET and CT
    • A61B6/5241—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image combining images from the same or different ionising radiation imaging techniques, e.g. PET and CT combining overlapping images of the same imaging modality, e.g. by stitching
    • 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
    • A61N5/1048—Monitoring, verifying, controlling systems and methods
    • A61N5/1049—Monitoring, verifying, controlling systems and methods for verifying the position of the patient with respect to the radiation beam
    • 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
    • A61N5/1048—Monitoring, verifying, controlling systems and methods
    • A61N5/1064—Monitoring, verifying, controlling systems and methods for adjusting radiation treatment in response to monitoring
    • A61N5/1065—Beam adjustment
    • A61N5/1067—Beam adjustment in real time, i.e. during treatment
    • 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
    • A61N5/1048—Monitoring, verifying, controlling systems and methods
    • A61N5/1064—Monitoring, verifying, controlling systems and methods for adjusting radiation treatment in response to monitoring
    • A61N5/1069—Target adjustment, e.g. moving the patient support
    • A61N5/107—Target adjustment, e.g. moving the patient support in real time, i.e. during treatment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • 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
    • G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G06T7/75—Determining position or orientation of objects or cameras using feature-based methods involving models
    • 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
    • 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
    • A61N5/1048—Monitoring, verifying, controlling systems and methods
    • A61N5/1049—Monitoring, verifying, controlling systems and methods for verifying the position of the patient with respect to the radiation beam
    • A61N2005/1061—Monitoring, verifying, controlling systems and methods for verifying the position of the patient with respect to the radiation beam using an x-ray imaging system having a separate imaging source
    • 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
    • G06T2207/10076—4D tomography; Time-sequential 3D tomography
    • 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
    • G06T2207/10116—X-ray 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30061—Lung
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30096—Tumor; Lesion

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Medical Informatics (AREA)
  • Pathology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Optics & Photonics (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Multimedia (AREA)
  • Physiology (AREA)
  • Pulmonology (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

公开了一种用于对位于身体中的目标的三维跟踪的方法和系统，该方法使用至少一个处理系统来执行。处理包括目标的身体的二维扫描图像以获得目标的二维图像。使用目标的先前数据集和状态转换模型来预测目标的第一当前数据集，第一当前数据集包括目标的三维当前位置值。通过将目标的二维图像与目标的模型进行模板匹配来测量目标的第二当前数据集。通过使用第一当前数据集和第二当前数据集的统计推断来估计目标的第三当前数据集。更新目标的先前数据集以匹配第三当前数据集。

Description

对身体中的目标的三维跟踪
技术领域
本发明一般地涉及用于跟踪目标的系统和/或方法或过程，并且更具体地涉及用于对位于身体中的目标的三维跟踪的系统和/或方法或过程。在进一步的具体示例中，使用目标的二维图像形成或提供用于在三维中对目标的无标记跟踪的系统和/或方法或过程。
背景技术
肺部肿瘤运动在临床上是重要且不可预测的。在肺癌放射疗法期间，肿瘤运动是对肿瘤的准确束靶向的主要挑战。当前没有能够在治疗期间直接跟踪三维中的肿瘤运动的技术。
当前的运动管理技术依赖于治疗前（pre-treatment）成像技术，诸如四维计算断层摄影术（four-dimensional computed tomography）（4D-CT）和四维锥束计算断层摄影术（4D-CBCT），其可能实际上不表示治疗期间的实际肿瘤运动。已经知道基于4D-CT的裕度（margin）低估了肺部肿瘤运动，并导致肺部质子疗法的显著肿瘤剂量不足（underdose）。
当前的实时肿瘤跟踪技术依赖于不透射线的基准标记或电磁应答器信标的植入。然而，标记或信标植入是侵入性且昂贵的过程，其不是广泛可用的。标记诱导的毒性和surrogacy error也是常见的问题。
已经提议了使用千伏（kV）和兆伏（MV）成像的无标记肿瘤跟踪方法。无标记肿瘤跟踪的主要挑战是，由于周围解剖结构的遮断（obstruction）以及由于构台（gantry）旋转导致的放射深度中的变化，肿瘤很少在kV或MV投影上是始终可见的。对于基于MV的方法，强度调制放射疗法（IMRT）治疗中的治疗束孔径的遮断也是常见的问题。
当前，没有足够的肿瘤可见性以使用前后（AP）视图跟踪患者中的肿瘤。其他视图具有更大的放射深度，并且对于跟踪而言通常比AP视图更具挑战性。因此，在构台旋转期间，预期更多的患者对于无标记跟踪而言是不合格的（ineligible）。另一个限制是缺乏用于根据临床数据评估无标记肿瘤跟踪的准确性的地面实情（ground truth）。大多数发表的研究通过将跟踪轨迹与替代信号（例如腹部或膈膜运动）相关联或与肿瘤位置的主观测量值（例如视觉检查和手动分割）进行比较来验证它们的跟踪结果。
X射线成像技术的附加的限制包括X射线成像仅提供二维（2D）成像信息的事实。平行于X射线束路径的运动信息是不可用的。由于这个原因，使用X射线成像的肿瘤跟踪遭受大的跟踪不确定性。
存在对用于跟踪肿瘤运动的新的或改进的系统和/或跟踪肿瘤运动的方法或过程的需要。
本说明书中对任何先前出版物（或从先前出版物导出的信息）或对已知的任何事项的引用不是并且不应被视为先前出版物（或从先前出版物导出的信息）或已知事项形成本说明书所涉及的努力（endeavour）的领域中的公知常识的部分的确认或承认或任何形式的建议。
发明内容
提供本发明内容以便以简化的形式来介绍下面在优选实施例中进一步描述的构思的选择。本发明内容不旨在标识要求保护的主题的关键特征或必要特征，也不旨在被用于限制要求保护的主题的范围。
根据一个示例方面，提供了一种用于对位于身体中的目标的三维跟踪的方法，该方法由至少一个处理系统执行，并且包括以下步骤：处理包括目标的身体的二维扫描图像以获得目标的二维图像，其中二维扫描图像从扫描设备获取；通过使用目标的先前数据集和状态转换模型来预测目标的第一当前数据集，其中第一当前数据集至少包括目标的三维当前位置值，并且其中先前数据集至少包括目标的三维先前位置值；通过将目标的二维图像与目标的模型进行模板匹配来测量目标的第二当前数据集，其中第二当前数据集至少包括目标的二维当前位置值；通过使用第一当前数据集和第二当前数据集的统计推断来估计目标的第三当前数据集，其中第三当前数据集至少包括目标的三维当前位置值；以及更新目标的先前数据集以匹配第三当前数据集。
根据另一示例方面，提供了一种用于对位于身体中的目标的三维跟踪的系统，包括：扫描设备，其被配置成获取包括目标的身体的二维扫描图像；以及处理系统，其被配置成：接收并处理包括目标的身体的二维扫描图像，以获得目标的二维图像；通过使用目标的先前数据集和状态转换模型来预测目标的第一当前数据集，其中第一当前数据集至少包括目标的三维当前位置值，并且其中先前数据集至少包括目标的三维先前位置值；通过将目标的二维图像与目标的模型进行模板匹配来测量目标的第二当前数据集，其中第二当前数据集至少包括目标的二维当前位置值；通过使用第一当前数据集和第二当前数据集的统计推断来估计目标的第三当前数据集，其中第三当前数据集至少包括目标的三维当前位置值；以及更新目标的先前数据集以匹配第三当前数据集。
附图说明
根据结合附图描述的至少一个优选但非限制性实施例的以下描述，示例实施例是显而易见的，该以下描述仅作为示例给出。
图1图示了用于对位于身体中的目标的三维跟踪的示例方法。
图2图示了图1的方法的示例实现，其中目标是肺部肿瘤。
图3图示了用于提供目标的模型和身体解剖结构的模型的示例方法。
图4图示了用于获取目标的二维图像的示例方法。
图5图示了用于对位于身体中的目标的三维跟踪的示例系统。
图6图示了用于在图5的系统中使用的示例处理系统。
图7图示了用于跟踪位于身体中的目标并与之交互的示例系统。
图8图示了用于跟踪和治疗位于身体中的肿瘤的示例放射疗法系统。
图9图示了使用图1的方法跟踪的示例肿瘤轨迹。还图示了使用常规的基于标记的方法跟踪的示例肿瘤轨迹，以用于比较。
图10图示了使用图1的方法跟踪的进一步的示例肿瘤轨迹。还图示了使用常规的基于标记的方法跟踪的示例肿瘤轨迹，以用于比较。
图11图示了使用图1的方法研究的针对13个示例病例在左-右（LR）、上-下（SI）和前-后（AP）方向上的平均跟踪误差。
图12图示了在涵盖针对使用图1的方法研究的13个示例病例相对于LR、AP和SI方向上的第5至第95运动范围绘制的肿瘤运动的95%所需的裕度方面中的无标记肿瘤跟踪方法和护理的标准之间的比较。
优选实施例
描述仅作为示例给出的以下模式，以便提供对一个或多个优选实施例的主题的更精确的理解。在合并以说明示例实施例的特征的附图中，相同的参考标号贯穿附图被用于标识相同的部分。
在一个广泛的形式中，提供了一种用于跟踪位于身体中的目标的方法。该方法包括获取目标的模型和排除目标之外的身体解剖结构的模型。然后，获取目标的投影图像。然后，通过使用目标的先前数据集和状态转换模型来预测目标的第一当前数据集。该方法进一步包括通过将投影图像与目标的模型进行模板匹配来测量目标的第二当前数据集。然后，通过使用第一当前数据集和第二当前数据集的统计推断来估计目标的第三当前数据集。然后，更新先前数据集。目标的每个数据集（即第一、第二和第三数据集）包括位置值和目标的位置值的不确定性的度量。
参考图1，图示了用于位于身体内的目标的三维跟踪的示例方法100，方法100由至少一个处理系统执行。方法100包括处理包括目标的身体的二维扫描图像以获得目标的二维图像的步骤110，其中从扫描设备获取二维扫描图像。在步骤120处，通过使用目标的先前数据集和状态转换模型来预测目标的第一当前数据集，其中第一当前数据集至少包括目标的三维当前位置值，并且其中先前数据集至少包括目标的三维先前位置值。在步骤130处，通过将目标的二维图像与目标的模型进行模板匹配来测量目标的第二当前数据集，其中第二当前数据集至少包括目标的二维当前位置值。在步骤140处，通过使用第一当前数据集和第二当前数据集的统计推断来估计目标的第三当前数据集，其中第三当前数据集至少包括目标的三维当前位置值。然后，在步骤150处，更新目标的先前数据集以匹配第三当前数据集。
目标的示例是肿瘤。目标的其他示例包括组织、生物器官或生物组织的异常生长。身体的示例是人体。身体的另一示例是动物的身体。
在一些示例中，方法100的步骤被顺序执行。在一些示例中，方法100的至少一些步骤被并行执行。
目标的数据集描述了目标的状态，其可以包括关于目标的位置的信息，并且可以进一步包括关于目标的位置的统计信息。例如，数据集可以包括位置值和协方差值，作为位置值的不确定性的度量。统计信息可以从当前或过去的跟踪信息、当前或过去的测量和/或关于目标的和跟踪过程/测量系统的性质的任何其他知识（例如，测量系统的随机和/或系统误差）中获得。
在一些示例中，每个数据集（即，第一、第二和第三数据集）进一步包括目标的相应位置值（即，包括在数据集中的二维或三维位置值）中的不确定性的度量。
优选地，尽管不是必须的，目标的数据集中的位置值指的是目标的质心位置。位置值可以是相对于身体、或者相对于身体的一部分、或者相对于参考身体的内部或外部的任何点定义的某个其他坐标系。
在一些示例中，统计推断利用贝叶斯概率或贝叶斯概率方法。在一些示例中，统计推断利用扩展的卡尔曼滤波器或扩展的卡尔曼滤波器方法。
优选地，尽管不是必须的，方法100基于扩展的卡尔曼滤波器实现贝叶斯框架。卡尔曼滤波器以及其扩展版本是统计推断方法，用于通过组合状态变量的预测和测量来更新状态变量及其分布的协方差矩阵。状态变量的测量包含一些固有的不确定性（例如，由于噪声或由于物理限制）。
在方法100的一些示例实施例中，在三维（3D）空间中跟踪目标。在这样的示例中，状态变量x表示目标质心的3D位置，而协方差矩阵P描述目标位置在3D空间中的分布。由于步骤130从目标的二维图像有效地测量目标的二维位置，因此方法100需要从2D图像外推目标在3D空间中的位置。在步骤140中，用于统计推断的卡尔曼滤波器的能力（power）是协方差矩阵P利用每个运动分量的不确定性和相关性两者，使得基于2D测量来估计目标的3D位置是可能的。
在一些示例中，目标是替代物体，诸如植入人体中的不透射线的标记或信标。在其他示例中，目标是软组织目标。在一些示例中，目标是肿瘤。在一些示例中，目标是肺部肿瘤，其由于患者的呼吸模式而移动。
移动目标（诸如肺部肿瘤）的跟踪可能需要方法100的某些步骤的重复执行。在一些示例中，在多个时间点处重复或连续执行二维扫描图像的获取，并且在每次获取二维扫描图像之后执行步骤110、120、130、140和150，以连续跟踪目标的位置。在一些示例中，跟踪实时发生，例如，在诸如放射疗法会话的治疗期间发生。
方法100可以进一步包括响应于第三当前数据集而调整在目标上操作或与目标交互的装置的步骤。在其中目标是肿瘤的一些示例中，该装置可以是治疗装置，诸如用于放射疗法的放射源，或者患者台（patient table）。该装置应响应于肿瘤的运动而被调整（例如，通过改变放射束的方向）。由方法100估计的第三当前数据集提供了关于这样的运动的信息。因此，随着目标的位置被跟踪，在每次执行方法100之后，该装置可以被调整（手动或自动）。
参考图2，图示了方法100的示例实施例，其中目标是肺部肿瘤。图2进一步图示了获取目标的模型和排除目标之外的身体解剖结构的模型的附加步骤105。在一些示例中，步骤105可能是计算密集的，并且因此，在方法100的每次迭代之前不重复步骤105是有利的。在一些示例中，在开始治疗之前，对每个患者执行一次步骤105。获取的目标的模型和身体解剖结构的模型然后可以被存储在处理系统或任何存储器设备上。方法100的执行然后可以开始，其中在方法100的执行期间，根据需要访问目标的模型和身体解剖结构的模型。
目标的模型和/或身体解剖结构的模型提供在一个或多个时间点处或在时间段中的一个或多个实例处目标和身体解剖结构的空间分布或位置的信息。该时间段可以跨越生理过程的一个或多个周期，诸如呼吸周期。优选地，尽管不是必须的，由模型提供的空间分布信息是3D空间分布信息。身体解剖结构的模型可以提供关于包含目标的身体的内部结构和组成部分的信息（例如，位置、分布、布置和运动信息）。
在一些示例中，目标的模型和/或身体解剖结构的模型是以下各项中的任何一个或其组合：物理模型、科学模型、3D模型和计算机模型。目标的模型和/或身体解剖结构的模型可以包括一个或多个矢量、矩阵和/或数据结构。
在一个示例中，从一个或多个图像中导出或构建目标的模型和/或身体解剖结构的模型。这些图像可以在治疗（例如放射治疗）之前获取，并且因此被称为“先前图像”。
在一些示例中，从先前图像以及从替代信号中导出目标的模型。替代信号可以指示身体和/或目标的运动。替代信号可以被用于通过提供关于目标的运动的进一步信息来增大（augment）或增强目标的模型。可以从位于身体的内部或外部的信标或探针提供或发射替代信号。在一些示例中，替代信号跟踪身体的外部运动。在一些示例中，从投影图像中估计、检测或测量替代信号。可以由替代物体发射替代信号，所述替代物体诸如植入身体中的不透射线的标记或信标。在一些示例中，方法100进一步包括在获取2D扫描图像之前（即，在步骤110之前）将替代物体植入身体中的步骤。
在一个示例中，先前图像是3D图像。在另一个示例中，先前图像是患者的3D诊断图像。在另一个示例中，先前图像跨越不同的时间点，使得它们的受验者（subject）在每个先前图像中在不同的时间点处被图示。在优选的示例中，先前的图像是四维锥束计算断层摄影术（4D-CBCT）图像。
在一些示例中，先前的图像是X射线图像。先前的图像优选地图示了目标及其在身体中的相邻区域（包括在身体中的相邻区域的解剖特征）。高质量的先前的图像是重要的，因为它提供如何可以将目标与周围物体区分开的知识。
参考图3，图示了用于获取目标的模型和身体解剖结构的模型的示例方法300。方法300包括获取包括目标的身体解剖结构的一个或多个先前图像的步骤310。然后，在步骤320处，标识先前图像中与目标相关的部分。然后，在步骤330处，用标识的部分形成目标的模型。然后，在步骤340处，修改先前的图像以使标识的部分透明。然后，在步骤350处，用修改的先前图像形成排除目标之外的身体解剖结构的模型。
参考图2，图示了步骤105的示例实施例，其中从治疗前4D-CBCT图像210构建患者的肺部肿瘤（即目标）模型220和身体解剖结构模型230。这是通过从4D-CBCT图像中分离或提取肿瘤图像来完成的。得到的4D肿瘤图像是肿瘤模型220，而4D解剖身体图像（没有肿瘤）是解剖身体模型210。
在一个示例中，通过使用可变形图像恢复首先将总肿瘤体积（GTV）轮廓扭曲（warp）到4D-CBCT图像上来完成从4D-CBCT图像中分离肿瘤图像的过程。GTV轮廓可以通过在计划的CT上对肿瘤进行轮廓化来获取。对于4D-CBCT的每个相位（phase），扭曲轮廓内的图像像素被导出或提取，以形成肿瘤图像。类似地，对于4D-CBCT的每个相位，扭曲轮廓内的图像像素的值被设置为零衰减，以形成“去除肿瘤”的身体解剖结构图像。肿瘤图像和身体解剖结构图像形式的多个相位被用于生成4D肿瘤图像和4D解剖身体图像，并因此分别生成肿瘤模型和身体解剖结构模型。
两种模型的质量都高度依赖于4D-CBCT先前图像的质量。可以利用不同的方法来获取先前的图像。例如，4D-CBCT先前图像可以使用Shieh等人（Shieh C C、Kipritidis J、O'Brien R T、Cooper B J、Kuncic Z和Keall P J，2015年，Improving thoracic four-dimensional cone-beam CT reconstruction with anatomical-adaptive imageregularization (AAIR) Phys. Med. Biol.60(2), 841）的解剖自适应图像正则化技术来构建，以减少噪声和条纹伪影（streaking artifacts），同时保持图像清晰度（sharpness）。先前图像约束压缩感测（PICCS）算法，诸如由Chen等人（Chen G H、Tang J和Leng S，2008年，Prior image constrained compressed sensing (PICCS): A method to accuratelyreconstruct dynamic CT images from highly undersampled projection data setsMed. Phys. 35(2), 660–663）的算法，可以进一步被用于改善骨骼解剖结构的对比度。
在另一个示例中，通常在放射疗法治疗前立即针对患者设置获取的患者的断层摄影图像的集合是适合的先前图像，因为它们非常接近地表示治疗期间的患者解剖结构。
下面提供关于如图2中所示的方法100的步骤的更多细节。
步骤110
参考图4，图示了用于处理包括目标的身体的二维扫描图像以获得目标的二维图像的示例方法。方法400包括获取包括目标的身体的二维扫描图像的步骤410。包括目标的身体的二维扫描图像优选地图示在目标的附近的身体的解剖特征（即，身体解剖结构）。然后，在步骤420处，投影身体解剖结构的模型以与二维扫描图像的身体解剖结构对准。然后，在步骤430处，从二维扫描图像中减去身体解剖结构的投影模型。
在一些示例中，通过诊断医疗成像模态获取包括目标的身体的二维扫描图像。在一些示例中，扫描设备是诊断医疗成像设备。在一些示例中，二维扫描图像进一步包括替代信号。在一些示例中，二维扫描图像是X射线图像投影。在更具体的示例中，二维扫描图像是kV X射线图像投影。
短成像弧可以被用于获取二维扫描图像的kV投影。在一些示例中，可以选择九度的弧度大小。实验已经发现，九度是使成功跟踪的最小的弧度大小。与使用单个投影相比，九度弧利用多个视图中的肿瘤的3D信息，使得跟踪否则将具有挑战性的病例（例如附着到相邻结构的肿瘤）是可能的。此外，可以以1-6度/秒的典型构台速度在1.5-9秒内获取九度成像弧，对于治疗指导所需的时间分辨率而言，这通常是足够短的时间间隔。测试了三十度的较大弧，并且发现其稍微改善了肿瘤定位，但同时进一步使时间分辨率降级，导致总体类似的跟踪性能。在实践中，最佳弧大小可能取决于多个因素，诸如肿瘤的可见性、大小和位置以及构台速度。
在一些示例中，方法400至少部分地通过图形处理单元（GPU）来实现或运行。
参考图2，图示了步骤110的示例实施例，其示出了是包括肺部肿瘤（即目标）的身体解剖结构的kV投影240的二维扫描图像。还示出了身体解剖结构的模型的投影或前向投影250，以与kV投影240中的身体解剖结构对准。
为了获取模型投影250，首先确定kV投影240中的呼吸相位，例如，通过使用Kavanagh等人（Kavanagh A、Evans P M、Hansen V N和Webb S，2009年，Obtainingbreathing patterns from any sequential thoracic x-ray image set Phys. Med. Biol.54(16), 4879）的投影强度分析方法来确定。在其他示例中，可以使用由Ruan等人（Ruan D、Fessler J A、Balter J M和Keall P J，2009年，Real-time profiling ofrespiratory motion: baseline drift, frequency variation and fundamentalpattern change Phys. Med. Biol.54(15), 4777–4792）提议的方法来计算实时相位。优选地，所使用的身体解剖结构模型具有与kV投影240的相位相同的相位。例如，在使用4D-CBCT生成身体解剖结构模型的情况下，与kV投影240具有相同相位的图像可以被选择用于产生模型投影250。在图2的示例实施例中，这是通过前向投影与kV投影240相同相位的去除肿瘤的4D-CBCT图像以在用于获取kV投影240的构台角度处生成去除肿瘤的数字重建射线照片（DRR）来完成的。
最后，通过从kV投影240中减去模型投影250（即DRR图像）来生成肿瘤的二维或投影图像260。假定由此获取的差异投影仅包含由肿瘤造成（contribute）的衰减，因此可以通过将肿瘤模型与二维图像260匹配来测量肿瘤位置。然而，在实践中，由于治疗期间身体解剖结构中的变化以及由于来自重建的4D-CBCT图像和DRR的近似误差，从投影中精确地减去解剖结构可能是不可能的，或者可能是困难的。
步骤120
预测步骤120使用状态转换模型在测量之前估计可能的肿瘤位置。状态转换模型描述了基于对要跟踪的运动的性质的一些先前知识，肿瘤位置可能如何从先前帧（k-1）演变到当前帧k。可以从目标的模型、从身体解剖结构的模型和/或从关于目标和身体的可用的任何其他信息（例如，来自替代信号的信息）中导出状态转换模型。
在关于目标的运动的信息是可用的情况下（例如，通过先前图像和/或替代信号），预测步骤120可以考虑该信息，以提供目标的第一当前数据集的更准确的估计。因此，运动信息可以被合并在目标的模型中或状态转换模型中。
在目标是肺部肿瘤的情况下，在一些示例中，目标的模型考虑了肺部肿瘤运动的周期性（或准周期性）性质（例如，由于呼吸）。在一些示例中，预测目标的第一当前数据集进一步包括考虑肺部肿瘤运动的周期性性质。
参考图2，图示了预测步骤120的示例实施例。对于由于呼吸而是周期性或准周期性的肺部肿瘤运动，可以使用4D-CBCT先前图像和第（k-1）'和第k'帧的呼吸相位来构建状态转换模型。目标的模型和/或身体解剖结构的模型可以被用于计算从一个相仓（phasebin）l到另一个相仓m的肿瘤位置中的位移
Figure DEST_PATH_IMAGE001
。在一些示例中，诸如4D-CBCT图像的先前图像可以被用于计算
Figure 335964DEST_PATH_IMAGE001
。
然后，当前帧
Figure DEST_PATH_IMAGE002
的预测肿瘤位置可以被估计为在先前跟踪的肿瘤位置
Figure DEST_PATH_IMAGE003
之上加上的先前和当前相仓之间的先前位移矢量：
Figure DEST_PATH_IMAGE004
（1）
Figure DEST_PATH_IMAGE005
项将呼吸运动的周期性性质合并到预测中，而
Figure DEST_PATH_IMAGE006
项考虑基线移位（shift）。对于图2中所示的示例，可以通过投影强度分析方法回顾性地（retrospectively）计算针对每个帧的呼吸相仓。在一个示例中，投影强度分析方法是Kavanagh等人（KavanaghA、Evans P M、Hansen V N和Webb S，2009年，Obtaining breathing patterns from anysequential thoracic x-ray image set Phys. Med. Biol. 54(16), 4879）的方法。
优选地，尽管不是必须的，第一当前数据集的不确定性的度量是目标的位置的分布的预测协方差矩阵。在一些示例中，预测协方差矩阵是状态转换模型（即下面的矩阵Q k ）的不确定性的函数。状态转换模型的不确定性可归因于呼吸相关预测模型。在一些示例中，使用在过去的时间帧中跟踪的目标的位置来计算状态转换模型的不确定性。在一些示例中，过去的时间帧从现在跨越到过去的十秒。在其他示例中，可以选择其他时间帧长度（例如，1、2、3或更多秒）。
使用有限的时间帧来计算或估计状态转换模型的不确定性不同于使用所有先前跟踪的位置的过去的方法。对于其中运动模式不断变化的情况，有限或更短的时间帧是重要的。
通过下式根据先前的协方差更新
Figure DEST_PATH_IMAGE007
来预测预测的协方差矩阵
Figure DEST_PATH_IMAGE008
：
Figure DEST_PATH_IMAGE009
（2）
Q k 是描述状态转换模型的不确定性的预测协方差矩阵，其可以通过先前跟踪的肿瘤位置的分布的协方差矩阵来估计。在一些示例中，根据经验选择过去十秒内跟踪的肿瘤位置以估计Q k 。在其他示例中，可以使用任何数量的过去跟踪的目标位置来估计预测协方差矩阵Q k 。F k-1是等式1的右手边的雅可比。由于
Figure DEST_PATH_IMAGE010
位移矢量是在治疗前计算的并且与跟踪无关，因此F k-1对于所有k简化为单位矩阵I。因此，等式2简化为：
Figure DEST_PATH_IMAGE011
（3）
为了针对第一个跟踪帧初始化等式1和3，
Figure DEST_PATH_IMAGE012
可以在4D-CBCT的任何任意相位处设置为肿瘤位置。Q 0可以被设置为等于从4D-CBCT的所有相位观察到的肿瘤位置的分布的协方差矩阵。
在一些示例中，状态转换模型将目标位置预测为过去10-140秒内相同运动相位内的平均位置，并且状态转换模型的不确定性被估计为过去10-140秒内相同运动相位内的目标位置的协方差矩阵。也就是说，在一些示例中，目标在第一当前数据集中的当前位置值等于目标在过去10秒至140秒内的目标的相同运动相位内的平均位置，并且其中状态转换模型的不确定性被估计为等于目标在过去10秒至140秒内的相同运动相位内的位置的协方差矩阵。
步骤130
对目标的二维图像执行第二当前数据集的测量。通过将目标的二维图像与目标的模型进行模板匹配来完成测量。在一些示例中，二维图像在模板匹配之前被处理。优选地，尽管不是必须的，在模板匹配已经发生期间或之后，在测量步骤130中计算或估计模板匹配度量。在一些示例中，模板匹配度量是Mattes等人（Mattes D、Haynor D、Vesselle H、Lewellen T和Eubank W，2001年，Nonrigid multimodality image registration MEDICALIMAGING: 2001: IMAGE PROCESSING, PTS 1-3 4322, 1609–1620. Medical Imaging2001 Conference，加利福尼亚圣地亚哥，2001年2月18-22日）的Mattes互信息（MMI）度量。在其他示例中，模板匹配度量是归一化互相关（NCC）度量。在一些示例中，第二当前数据集的不确定性的度量是模板匹配度量的函数。
在一些示例中，步骤130涉及采取某种形式的测量
Figure DEST_PATH_IMAGE013
，其可以通过
Figure DEST_PATH_IMAGE014
与状态变量相关，其中
Figure DEST_PATH_IMAGE015
是测量响应函数，并且
Figure DEST_PATH_IMAGE016
是测量噪声。对于基于kV的肿瘤跟踪，
Figure 751640DEST_PATH_IMAGE013
是在扫描设备的kV检测器平面上或成像平面上测量的2D肿瘤位置。
Figure 469060DEST_PATH_IMAGE015
是3D到2D的前向投影变换，其将患者坐标空间中的3D位置转换为当前kV角度的kV检测器坐标空间中的其相应2D位置。
为了测量
Figure 864269DEST_PATH_IMAGE013
，当前相仓的肿瘤模型被前向投影，并通过模板匹配来与减去解剖结构的二维图像对准。使用Mattes等人（Mattes D、Haynor D、Vesselle H、Lewellen T和EubankW，2001年，Nonrigid multimodality image registration MEDICAL IMAGING: 2001:IMAGE PROCESSING, PTS 1-3 4322, 1609–1620. Medical Imaging 2001 Conference，加利福尼亚圣地亚哥，2001年2月18-22日）的Mattes互信息（MMI）度量来执行模板匹配，其中较高的MMI值指示较好的匹配。在一些示例中，使用以预测的3D肿瘤质心的前向投影位置为中心的20 mm×20 mm搜索窗口。在其他示例中，可以使用其他搜索窗口大小。
优选地，第二当前数据集进一步包括目标的二维当前位置值的不确定性的度量。在一些示例中，目标的二维当前位置值的不确定性的度量是模板匹配度量的函数。
测量过程的不确定性的度量，即2D模板匹配由2×2测量协方差矩阵
Figure DEST_PATH_IMAGE017
来描述。在该工作中，
Figure 367057DEST_PATH_IMAGE017
被估计为对角矩阵，因为在kV横向和kV垂直方向上的模板匹配误差通常是彼此独立的。对于高于固定阈值的MMI值，两个对角线条目都被设置为kV投影像素大小的平方。对于低于给定阈值的MMI值，两个对角线条目都被设置为搜索窗口的大小的平方（例如20mm）。在一些示例中，根据经验将MMI阈值的值设置为0.4。在其他示例中，MMI阈值可以被设置为任何其他值，诸如0.1、0.2或0.3。
测量过程的不确定性的度量考虑或合并了模板匹配度量（例如，MMI值）的事实对于无标记肿瘤跟踪是有利的，因为无标记跟踪中的模板匹配由于肿瘤在2D图像（例如，kV投影）上的差的可见性而遭受比标记跟踪显著更大的不确定性。
在一些示例中，通过GPU来实现或运行模板匹配。
步骤140和150
步骤140分别组合步骤120和130的预测和测量，以根据以下等式来估计
Figure DEST_PATH_IMAGE018
和
Figure DEST_PATH_IMAGE019
两者：
Figure DEST_PATH_IMAGE020
（4）
Figure DEST_PATH_IMAGE021
（5）
在步骤150处，等式4和5进一步更新先前数据集的值，由此方法100的下一次迭代（k+1）将依赖于
Figure DEST_PATH_IMAGE022
和
Figure DEST_PATH_IMAGE023
作为预测步骤130中的先前数据集。
等式4中的
Figure DEST_PATH_IMAGE024
项表示预测和测量之间的差异。卡尔曼增益
Figure DEST_PATH_IMAGE025
描述了预测状态的每个分量需要朝向测量值校正多少，并且通过下式计算：
Figure DEST_PATH_IMAGE026
（6）
其中
Figure DEST_PATH_IMAGE027
是
Figure 85394DEST_PATH_IMAGE015
的雅可比。从等式6可以看出，卡尔曼增益经由
Figure 352427DEST_PATH_IMAGE027
考虑角度相关的3D到2D几何形状、经由
Figure DEST_PATH_IMAGE028
考虑肿瘤3D位置的分布以及经由
Figure 489010DEST_PATH_IMAGE017
考虑模板匹配结果的可靠性。
Figure 846305DEST_PATH_IMAGE028
的包括利用不同方向上的运动分量之间的相关性，使得即使测量矢量
Figure 839668DEST_PATH_IMAGE013
仅包含kV检测器平面上的信息（即，投影在kV检测器平面上的肿瘤位置的2D信息）3D跟踪也是可能的。
由于若干种原因，用于无标记肿瘤跟踪的贝叶斯框架（或基于该框架的扩展卡尔曼滤波器）的实现是有利的。首先，常规的基于模板匹配的跟踪方法由于差的肿瘤可见性而很少能够连续跟踪肿瘤。通过将运动预测和测量不确定性估计与模板匹配组合，即使在良好的模板匹配是不可能的时，方法100也能够跟踪肿瘤。其次，肿瘤位置分布的协方差矩阵的使用对估计沿着测量束（例如，X射线或kV束）方向（即用于获取包括目标的身体的二维图像的束扫描设备的方向）的运动分量，使得能够实现仅使用2D成像进行3D肿瘤跟踪是有利的。尽管图2的示例图示了用于肿瘤跟踪的目的的方法100的示例实现，但是方法100和以上框架可以被用于依赖于2D成像的任何3D目标定位应用。
在一些示例中，可以采取措施来加速方法100的执行。在一些示例中，由Ruan等人（Ruan D、Fessler J A、Balter J M和Keall P J，2009年，Real-time profiling ofrespiratory motion: baseline drift, frequency variation and fundamentalpattern change Phys. Med. Biol.54(15), 4777–4792）提议的实时呼吸相位计算方法可以在预测步骤120中使用以替换回顾性相位计算。在一些示例中，在步骤110中对包括目标的身体的二维图像的处理（例如通过方法400）和在步骤130中的模板匹配可以贡献方法100的大约95%的计算时间。这两个步骤都是高度可并行化的，并且可以通过GPU实现而显著加速。
在一些示例中，并行执行处理包括目标的身体的二维扫描图像的步骤110和通过模板匹配测量目标的第二当前数据集的步骤130。在一些示例中，至少部分地通过GPU来实现处理包括目标的身体的二维扫描图像的步骤110和/或通过模板匹配测量目标的第二当前数据集的步骤130。在一些情况下，步骤110和130的GPU实现提供少于1秒的计算时间，这对于实时应用是有利的。在一些示例中，步骤120与步骤110并行地执行。在一些示例中，步骤120与步骤130并行地执行。
在一些示例中，使用Johnson等人（Johnson H J、McCormick M、Ibáñez L和Consortium T I S，2015年，The ITK Software Guide Kitware, Inc. ISBN 1-930934-27-0）的洞察工具包（ITK）和/或Rit等人（Rit S、Oliva M V、Brousmiche S、Labarbe R、Sarrut D和Sharp G C，2014年，The Reconstruction Toolkit (RTK), an open-sourcecone-beam CT reconstruction toolkit based on the Insight Toolkit (ITK) J. Phys.: Conf. Ser.489(1), 012079–012079）的重建工具包（RTK）来实现方法100。
在一些示例中，提供了用于对身体中的目标的三维跟踪的方法。该方法包括通过扫描设备获取包括目标的身体的二维图像的步骤。该方法进一步包括由处理系统和/或图形处理单元处理包括目标的身体的二维图像以获得目标的二维图像（即，仅图示目标的二维图像）的步骤。该方法进一步包括由处理系统通过使用目标的先前数据集和状态转换模型来预测目标的第一当前数据集的步骤，其中第一当前数据集至少包括目标的三维当前位置值，并且其中先前数据集至少包括目标的三维先前位置值。该方法进一步包括通过由处理系统和/或图形处理单元将目标的二维图像与目标的模型进行模板匹配来测量目标的第二当前数据集的步骤，其中第二当前数据集至少包括目标的二维当前位置值。该方法进一步包括由处理系统通过使用第一当前数据集和第二当前数据集的统计推断来估计目标的第三当前数据集的步骤，其中第三当前数据集至少包括目标的三维当前位置值。该方法进一步包括由处理系统更新目标的先前数据集以匹配第三当前数据集的步骤。
参考图5，图示了用于对位于身体中的目标的三维跟踪的示例系统500，其包括被配置成获取包括目标的身体的二维扫描图像的扫描设备510。系统500进一步包括处理系统520。处理系统520被配置成接收和处理包括目标的身体的二维扫描图像，以获得目标的二维图像。处理系统520被进一步配置成通过使用目标的先前数据集和状态转换模型来预测目标的第一当前数据集。第一当前数据集至少包括目标的三维当前位置值。先前数据集至少包括目标的三维先前位置值。处理系统520被进一步配置成通过目标的二维图像与目标的模型的模板匹配来测量目标的第二当前数据集。第二当前数据集至少包括目标的二维当前位置值。处理系统520通过使用第一当前数据集和第二当前数据集的统计推断来进一步估计目标的第三当前数据集。第三当前数据集至少包括目标的三维当前位置值。处理系统520进一步更新目标的先前数据集以匹配第三当前数据集。
扫描设备510可以是X射线成像设备或kV成像设备，其包括X射线源和X射线检测器。在一些示例中，扫描设备510是CT扫描仪或诊断成像设备。在一些示例中，扫描设备510是能够获取位于身体中的目标的二维或投影的图像的任何设备。扫描设备510可以进一步包括用于检测替代信号的检测器。在一些示例中，扫描设备510可以包括上面提到的扫描设备中的任何扫描设备中的一个或多个（例如，两个、三个、四个或更多个）。根据扫描设备510，包括目标的身体的扫描图像可以是X射线图像、kV图像、CT扫描或图示身体中的目标的任何其他类型的图像或图像的集合。
扫描设备510可以与处理系统520通信。扫描设备510和处理系统520之间的通信可以通过有线或无线连接发生。扫描设备510和处理系统520中的每个可以包括通信所需的其他装置（例如，发射器和接收器）。优选地，尽管不是必须的，系统500进一步包括扫描设备510和处理系统520之间的通信链路515。通信链路515可以是有线或无线的。处理系统520可以位于扫描设备510内，或者在扫描设备510的附近，或者远离扫描设备510。通信链路515允许将扫描图像从扫描设备510传输到处理系统520。通信链路515可以进一步允许在扫描设备510和处理系统520之间传输任何其他数据（例如，来自替代信号的数据）。
在一些示例中，包括目标的身体的二维扫描图像图示了目标的附近的身体的解剖结构。在那些示例中，为了获得目标（排除身体解剖结构之外）的二维图像，处理系统520可以处理二维扫描图像以去除身体解剖结构的图像并分离目标的图像。为此，处理系统520可以投影排除目标之外的身体解剖结构的模型，以与二维扫描图像的身体解剖结构对准，并且从二维扫描图像中减去身体解剖结构的投影模型。
在一些示例中，处理系统520进一步包括图形处理单元（GPU）或视觉处理单元（VPU）。GPU可以被用于通过加速模板匹配过程来加速第二当前数据集的测量。在一些示例中，处理系统520包括存储器单元。存储器单元可以存储目标的模型和/或排除目标之外的身体解剖结构的模型。
参考图6，图示了示例处理系统520。特别地，处理系统520通常包括经由总线或总线的组610耦合在一起的至少一个处理器602或处理单元或多个处理器、存储器604、至少一个输入设备606和至少一个输出设备608。在某些实施例中，输入设备606和输出设备608可以是相同的设备。还可以提供接口612，用于将处理系统520耦合到一个或多个外围设备，例如，接口612可以是PCI卡或PC卡。还可以提供容纳至少一个数据库616的至少一个存储设备614。存储器604可以是任何形式的存储器设备，例如，易失性或非易失性存储器、固态存储设备、磁性设备等。处理器602可以包括多于一个不同的处理设备，例如以处置处理系统600内的不同功能。
输入设备606接收输入数据618，并且可以包括例如数据接收器或天线，诸如调制解调器或无线数据适配器、数据获取卡等。输入数据618可以来自不同的源（例如扫描设备510）和/或具有经由网络接收的数据。输出设备608产生或生成输出数据620（例如表示位置值、二维图像和/或三维图像），并且可以包括例如显示设备或监视器（在这种情况下，输出数据620是视觉的）、打印机（在这种情况下，输出数据620被打印）、端口（例如USB端口）、外围组件适配器、数据发射器或天线（诸如调制解调器或无线网络适配器）等。输出数据620可以是不同的，并且与传输到网络的数据一起从不同的输出设备（例如监视器上的视觉显示器）导出。用户可以在例如监视器上或使用打印机查看数据输出、或数据输出的解释。存储设备614可以是任何形式的数据或信息存储装置，例如易失性或非易失性存储器、固态存储设备、磁性设备等。
在使用中，处理系统520适于允许数据或信息经由有线或无线通信装置存储在至少一个数据库616中和/或从至少一个数据库616中检索。接口612可以允许处理单元602和可以服务于专门化的目的的外围组件之间的有线和/或无线通信。处理器602经由输入设备606接收指令作为输入数据618，并且可以通过利用输出设备608向用户显示处理结果或其他输出。可以提供多于一个输入设备606和/或输出设备608。应当理解，处理系统520可以是任何形式的终端、服务器、专门化的硬件或诸如此类。
在一些示例中，系统500被配置成实现方法100。
系统500可以进一步包括用于与目标交互或在目标上操作的装置。参考图7，图示了用于跟踪位于身体中的目标并与之交互的系统700。系统700包括扫描设备710、处理系统720和装置730。扫描设备710获取包括目标的身体的二维扫描图像。处理系统720接收二维扫描图像，并执行或实施方法100，输出至少包括目标的三维当前位置值的第三当前数据集。响应于或基于第三当前数据集，装置730与目标交互或对目标进行操作，并且被调整或其操作被调整。在一些示例中，系统700可以进一步包括用于调整装置730的操作的一个或多个控制器。
在一些示例中，在目标是肿瘤或肺部肿瘤的情况下，系统700是放射疗法系统。在一些示例中，装置730是治疗装置。在一些示例中，装置730是疗法放射源。在一些示例中，响应于或基于第三当前数据集来调整放射输出的方向。在一些示例中，装置730是患者台。在一些示例中，响应于或基于第三当前数据集来调整台的位置和/或方向。在其他示例中，装置730是作为放射疗法系统的部分并且其操作将需要响应于肿瘤运动而被调整的任何类型的设备。
参考图8，图示了用于跟踪和治疗位于身体（例如患者801）中的肿瘤的示例放射疗法系统800。放射疗法系统800包括扫描设备810、处理系统820、疗法放射源831和患者台或床（couch）833。扫描设备810、处理系统820、放射源831和患者台833中的任何一个或多个可以被集成或内置到放射疗法系统（即放射疗法机）中，或者它们可以作为放射疗法系统800中的分离元件来提供。
在治疗期间，扫描设备810连续地或重复地获取患者的二维kV X射线扫描图像，并将每个扫描图像（或所述扫描图像的处理版本）发送到处理系统820。处理系统820针对接收的每个扫描图像执行方法100，并估计第三当前数据集，其包括肿瘤的三维位置。
在一些示例中，处理系统820被配置成响应于由第三当前数据集指示的肿瘤的运动来调整放射源831和/或患者台833。在其他示例中，估计的第三当前数据集被发送、传输或传递到另一个处理系统（未示出）或到人类操作员，然后人类操作员可以确定如何调整放射源831和/或患者台833。
在一些示例中，放射源831的调整可以包括调整放射输出的方向，以重定向治疗束以跟随肿瘤运动。在一些示例中，如果跟踪的肿瘤的三维位置超过某个规定范围，则放射源831的调整可以进一步包括暂停、停止或减少放射输出，并且当肿瘤的三维位置返回规定范围内时，恢复治疗束。在一些示例中，调整患者台833包括调整患者台833的位置和/或方向，以将肿瘤位置维持在来自放射源831的疗法放射的路径中。
放射源831和/或患者台833的调整可以由控制器（未示出）完成。在一些示例中，控制器是电气控制器。在一些示例中，控制器是机械控制器。响应于通过方法100或由系统800估计的第三当前数据集，控制器可以由处理系统820、或由任何其他处理系统、或由人类操作员进行电气或机械控制。
响应于由方法100或由系统700跟踪的肿瘤运动来调整治疗装置（例如，疗法放射源和/或患者台）是有利的，因为它使得能够实现连续、不间断的治疗。在一些情况下，治疗装置的调整进一步使得能够实现治疗的定制以适合移动的肿瘤的状况，并且它可以进一步最小化对肿瘤周围组织的放射损伤。由于减少了治疗时间和恢复时间，这些优点提供了改进的治疗方法和/或系统。
进一步的示例
以下示例提供了特定实施例的更详细的讨论。所述示例旨在仅仅是说明性的，并且不限制本发明的范围。
示例1：患者数据
所提议的方法对来自患者数据的两个不同集合的总共13个临床病例进行了回顾性验证：
（i）CBCT病例（11个病例）：来自NCI赞助的对局部晚期肺癌患者的试验的CBCT投影。该数据集在先前的出版物（Shieh C C、Keall P J、Kuncic Z、Huang C Y和Feain I，2015年，Markerless tumor tracking using short kilovoltage imaging arcs forlung image-guided radiotherapy Phys. Med. Biol.60(24), 9437）中被包括和描述。关于数据集的更多细节可以在Roman等人（Roman N O、Shepherd W、Mukhopadhyay N、Hugo GD和Weiss E，2012年，Interfractional positional variability of fiducial markersand primary tumors in locally advanced non-small-cell lung cancer duringaudiovisual biofeedback radiotherapy Int. J. Radiat. Oncol.83(5), 1566–1572）中找到。
（ii）SABR病例（2个病例）：来自肺SABR试验（NCT02514512）的MV束照射期间的kV图像。
CBCT病例包括来自四名患有中央肿瘤的局部晚期肺癌患者的11个CBCT扫描对，所述肿瘤由于被附着于纵隔而在kV图像上通常遭受差的相邻对比度，并且对于跟踪是有挑战性的。肿瘤的大小从30.2 cm3变化到88.9 cm3。每个患者在肿瘤周围植入有2-4个基准标记，其的轨迹被用作用于量化通过方法100实现的无标记肿瘤跟踪的误差的地面实情。
每个CBCT扫描对包含在同一天内获取的两个CBCT扫描。该对中的第一次扫描被用作治疗前CBCT以构建肿瘤和身体解剖结构模型，而在第二次扫描时执行无标记肿瘤跟踪。随着两次扫描之间的时间间隔从半小时变化到几个小时，扫描对中的一些之间的肿瘤位置未对准。
为了模拟治疗前患者对准，治疗前CBCT以及肿瘤和身体解剖结构模型在第二次扫描的前10秒内严格移位以与平均肿瘤位置对准。从投影图像中去除标记，以避免偏离无标记跟踪结果。每个CBCT扫描都包含从Varian机载kV成像设备（Varian医疗系统，加利福尼亚州帕洛阿尔托）以约5 Hz的帧速率获取的1200或2400个半扇形投影。每个投影的大小是1024像素×768像素，其中像素间距为0.388 mm。使用解剖自适应图像正则化（AAIR）技术（Shieh CC、Kipritidis J、O'Brien R T、Cooper B J、Kuncic Z和Keall P J，2015年，Improving thoracic four-dimensional cone-beam CT reconstruction withanatomical-adaptive image regularization (AAIR) Phys. Med. Biol. 60(2), 841）结合先前图像约束压缩感测（PICCS）算法（Chen G H、Tang J和Leng S，2008年，Priorimage constrained compressed sensing (PICCS): A method to accuratelyreconstruct dynamic CT images from highly undersampled projection data setsMed. Phys.35(2), 660–663）来重建治疗前4D-CBCT（10个仓）。在CT和CBCT采集两者期间执行视听生物反馈呼吸指导。
来自被设计以研究实时自适应治疗和kV成像的益处的肺SABR试验（NCT02514512）的两个患者（每个患者一个分数）被包括。出于两个主要原因，SABR病例表示用于验证无标记肿瘤跟踪的现实临床场景。首先，在存在MV散射噪声的情况下获取用于跟踪的治疗中kV图像。其次，用一分钟扫描时间和大约680个半扇形投影的标准协议获取治疗前CBCT扫描。第一个患者具有附着到胸壁的7.4 cm3的肿瘤，而第二个患者在横膈膜附近具有13 cm3的肿瘤。每个患者都植入有三个电磁应答器信标，其运动被发送到多叶准直器，以使得能够实现实时治疗束适配。信标的轨迹被用作用于量化无标记肿瘤跟踪的误差的地面实情。根据Varian三联疗法（Triology）（Varian医疗系统，加利福尼亚州帕洛阿尔托）治疗患者。针对每个部分获取一分钟治疗前CBCT扫描，并使用PICCS算法（参见例如Chen G H、Tang J和Leng S，2008年，Prior image constrained compressed sensing (PICCS): A method toaccurately reconstruct dynamic CT images from highly undersampled projectiondata sets Med. Phys.35(2), 660–663）将其重建为10仓4D-CBCT用于构建肿瘤和解剖模型。在治疗之前，患者被移位，使得肿瘤在等中心点（isocenter）周围。将相同的移位应用于肿瘤和解剖模型。在治疗期间以大约5 Hz的帧速率和0.388 mm的像素间距连续获取kV图像。kV图像的视场被裁剪成大致20 cm×20 cm，以减少成像剂量（imaging dosage）。从kV图像中去除信标，以避免偏离无标记跟踪结果。在CT、CBCT和治疗期间执行视听生物反馈呼吸指导。
示例1：电化学测量
根据最接近肿瘤质心的基准标记（CBCT病例）或电磁信标（SABR病例）的轨迹构建用于评估跟踪误差的地面实情。使用稳健的基于模板的分割方法（Poulsen P R、FledeliusW、Keall P J、Weiss E、Lu J、Brackbill E和Hugo G D，2011年，A method for robustsegmentation of arbitrarily shaped radiopaque structures in cone-beam CTprojections Med. Phys.38(4), 2151–2156）和基于2D到3D转换的概率密度函数（PoulsenP R、Cho B和Keall P J，2008年，A method to estimate mean position, motionmagnitude, motion correlation, and trajectory of a tumor from cone-beam CTprojections for image-guided radiotherapy Int. J. Radiat. Oncol. 72(5), 1587–1596）获得基准标记的轨迹。由Calypso跟踪系统（Varian医疗系统，加利福尼亚州帕洛阿尔托）记录电磁信标的轨迹。
为了将标记/信标位置与肿瘤位置关联，针对治疗前4D-CBCT的每个呼吸相仓计算参考肿瘤矢量，作为从平均标记/信标质心到肿瘤质心的位移。然后，成像帧k处的地面实情位置g k 是标记/信标质心的轨迹加上该帧k处相应相仓的参考肿瘤矢量。
帧k处的跟踪误差e k 由下式定义：
Figure DEST_PATH_IMAGE029
（7）
其中
Figure DEST_PATH_IMAGE030
是如由所提议的无标记肿瘤跟踪方法100估计的3D肿瘤位置。对于每个跟踪分数，计算
Figure DEST_PATH_IMAGE031
的左-右（LR）、上-下（SI）和前-后（AP）分量的平均值和标准偏差。还计算了3D误差
Figure DEST_PATH_IMAGE032
的平均值和标准偏差。
为了将无标记肿瘤跟踪与当前的护理的标准（即基于治疗前3D CBCT的肿瘤位置的单个估计）进行比较，护理的标准误差通过下式来定义：
Figure DEST_PATH_IMAGE033
（8）
其中
Figure DEST_PATH_IMAGE034
是根据治疗前3D CBCT估计的肿瘤位置。类似于
Figure DEST_PATH_IMAGE035
，针对每个分数计算每个方向上的
Figure DEST_PATH_IMAGE036
的平均值和标准偏差以及其3D范数。
示例1：结果
对于其中可以视觉标识的肿瘤的成像帧，视觉检查表明，所提议的无标记肿瘤跟踪方法能够在针对所有13个研究病例的每个成像角度处连续跟踪肿瘤。3D跟踪误差的平均值和标准偏差分别从1.55-2.88 mm变化和从0.63-1.46 mm变化。3D跟踪误差的第95个百分位从2.62–5.77 mm变化。从地面实情观察到的第5至第95个百分位运动范围对于LR是1.38-5.51 mm，对于SI是4.40-15.26 mm，并且对于AP是1.99-7.91 mm。
图9图示了具有最低3D跟踪误差的病例的无标记肿瘤跟踪轨迹，其中LR、SI和AP轨迹的平均值被移位以显示为10 mm、0 mm和-10 mm。图10图示了具有最高3D跟踪误差的病例的无标记肿瘤跟踪轨迹，其中LR、SI和AP轨迹的平均值被移位以显示为20 mm、0 mm和-20mm。
针对CBCT病例的患者2的第一扫描对发现最低平均3D跟踪误差，其中平均3D误差为1.55±0.63 mm（图9中所示）。总体而言，跟踪轨迹与地面实情接近地一致（agree），除了在t=60秒周围，其中观察到大约3 mm的LR误差。针对SABR病例的患者2发现最高平均3D跟踪误差，其中平均3D误差为2.88±1.43 mm（图10中所示）。较大的跟踪误差可能归因于kV图像中MV散射的存在以及由于治疗前CBCT投影的有限量而导致的肿瘤和解剖模型的较低质量。对于这种情况，肿瘤运动范围也是相当大的。然而，即使在这种具有挑战性的情况下，也始终在每个成像角度处跟踪运动的模式。
图11图示了针对所有13个研究的病例的LR、SI和AP中的平均跟踪误差与护理的标准误差的比较。误差的标准偏差被绘制为误差棒（error bar）。标记有星号的病例指示，所提议的无标记肿瘤跟踪方法导致比护理的标准显著小的误差。
平均跟踪误差在每个方向上总是比平均护理的标准误差更接近于0 mm，这指示所提议的方法跟踪基线移位的能力。发现所提议的无标记肿瘤跟踪方法在SI方向上表现最好。跟踪误差在SI方向上针对所有病例显著小于护理的标准误差（针对CBCT病例的患者4扫描1，p值小于0.02，并且针对所有其他病例，p值小于10-4），而在LR和AP方向上仅分别针对10和6个病例显著小于护理的标准误差（p值小于10-4）。
为了研究无标记肿瘤跟踪相对于护理的标准对的患者的益处，图12比较具有或不具有覆盖LR、SI和AP方向上的肿瘤运动的95%的跟踪所需的裕度。无标记肿瘤跟踪总是导致在SI方向上的较小裕度，具有一个例外。
对于具有大于10 mm的第5至第95 SI运动范围的病例，发现SI裕度中的相当大的减少。对于SABR病例的患者2，SI裕度中的减少和9.5 mm一样大（从13.9 mm减少到4.4 mm）。LR和AP方向上的裕度减少较不明显。通常，在无标记肿瘤跟踪的情况下，在LR、SI和AP方向上的3 mm、6 mm和4.5 mm的裕度针对所有13个研究的病例足以涵盖肿瘤运动的95％。
关于SABR病例的结果展示了所提议的方法处置诸如MV散射和低CBCT图像质量的实际挑战的能力以及因此其实际可行性。对于具有大于10 mm的第5至第95 SI运动范围的患者，无标记肿瘤跟踪相对于护理的标准对患者的益处被醒目显示，其具有高达9.5 mm的SI裕度中的减少。所提议的方法的临床实现使得能够使用现有硬件和工作流程实现更准确和精确的肺部放射疗法。
然而，在方法100的示例实现中存在许多限制。第一个限制是，当基准标记或信标运动被用作地面实情时，它们可能与肿瘤具有差别的运动。Hardcastle等人（HardcastleN、Booth J、Caillet V、O'Brien R、Haddad C、Crasta C、Szymura K和Keall P，2016年，Electromagnetic beacon insertion in lung cancer patients and resultantsurrogacy errors for dynamic MLC tumour tracking The 58th Annual Meeting of the American Association of Physicists in Medicine，华盛顿特区）已经报告了信标和肿瘤运动之间0-3 mm的偏差。另一个限制是由于使用一分钟扫描重建4D-CBCT图像时的挑战而导致的针对SABR病例的肿瘤和解剖模型的差的质量。在实践中，用于迭代4D-CBCT重建的其他改进算法（参见例如Schmidt M L、Poulsen P R、Toftegaard J、Hoffmann L、Hansen D和Srensen T S，2014年，Clinical use of iterative 4D-cone beam computedtomography reconstructions to investigate respiratory tumor motion in lungcancer patients Acta Oncol.53(8), 1107–1113. PMID: 24957556. URL: http://dx.doi.org/10.3109/0284186X.2014.927585）对于用一分钟治疗前CBCT扫描作为先前图像的情况将可能进一步改善所提议的方法的性能。
可选实施例也可以据称单独地或以部分、元件、步骤和/或特征中的两个或更多个的任何组合广泛地包括在本文中参考或指示的部分、元件、步骤和/或特征，并且其中提到了在本发明所涉及的领域中具有已知等同物的特定整体（integer），这样的已知等同物被认为被合并在本文中，如同单独阐述一样。
尽管已经详细描述了优选实施例，但是应当理解，在不脱离本发明的范围的情况下，许多修改、改变、代替或替代对于本领域技术人员来说将是显而易见的。
除非上下文另有要求，否则贯穿本说明书和随后的权利要求书，词语“包括（comprise）”以及诸如“包括（comprises）”或“包括（comprising）”之类的变化将被理解为暗示包括所陈述的整体或步骤，或者整体或步骤的组，但是并不排除任何其他整体或步骤，或者整体或步骤的组。

Claims (50)

1.一种用于对位于身体中的目标的三维跟踪的方法，所述方法由至少一个处理系统执行，并且包括以下步骤：
处理包括目标的身体的二维扫描图像以获得目标的二维图像，其中二维扫描图像从扫描设备获取；
通过使用目标的先前数据集和状态转换模型来预测目标的第一当前数据集，其中第一当前数据集至少包括目标的三维当前位置值，并且其中先前数据集至少包括目标的三维先前位置值；
通过将目标的二维图像与目标的模型进行模板匹配来测量目标的第二当前数据集，其中第二当前数据集至少包括目标的二维当前位置值；
通过使用第一当前数据集和第二当前数据集的统计推断来估计目标的第三当前数据集，其中第三当前数据集至少包括目标的三维当前位置值；
更新目标的先前数据集以匹配第三当前数据集；以及
响应于第三当前数据集而调整在目标上操作或与目标交互的装置。
2.根据权利要求1所述的方法，其中目标的位置值是指目标的质心位置。
3.根据权利要求1或2所述的方法，其中统计推断利用贝叶斯概率。
4.根据权利要求1或2所述的方法，其中统计推断利用扩展的卡尔曼滤波器。
5.根据权利要求1或2所述的方法，其中身体是生物体。
6.根据权利要求1或2所述的方法，其中目标的模型提供目标在一个或多个时间点处的三维空间分布的信息。
7.根据权利要求1或2所述的方法，其中，从一个或多个先前图像导出目标的模型。
8.根据权利要求7所述的方法，其中从指示目标的运动的替代信号中进一步导出目标的模型。
9.根据权利要求8所述的方法，其中替代信号跟踪身体的外部运动。
10.根据权利要求8或9所述的方法，其中根据包括目标的身体的二维扫描图像估计替代信号。
11.根据权利要求1或2所述的方法，其中，包括目标的身体的二维扫描图像图示了在目标的附近的身体的解剖结构，并且其中，处理包括目标的身体的二维扫描图像包括：投影排除目标之外的身体解剖结构的模型以与二维扫描图像的身体解剖结构对准，并且从二维扫描图像中减去身体解剖结构的投影模型。
12.根据权利要求11所述的方法，其中身体解剖结构的模型提供身体解剖结构在一个或多个时间点处的三维空间分布的信息。
13.根据权利要求11所述的方法，其中从一个或多个先前图像导出身体解剖结构的模型。
14.根据权利要求11所述的方法，其中，获取目标的模型和身体解剖结构的模型包括以下步骤：
获取包括目标的身体解剖结构的一个或多个先前图像；
标识先前图像中与目标相关的部分；
用标识的部分形成目标的模型；
修改先前图像以使标识的部分透明；以及
用修改的先前图像形成排除目标之外的身体解剖结构的模型。
15.根据权利要求14所述的方法，其中先前图像是三维图像。
16.根据权利要求14所述的方法，其中先前图像是患者的三维诊断图像。
17.根据权利要求14至16中的任一项所述的方法，其中先前图像跨越不同的时间点。
18.根据权利要求14至16中的任一项所述的方法，其中先前图像是4D-CBCT图像。
19.根据权利要求1或2所述的方法，其中，包括目标的身体的二维扫描图像是X射线图像。
20.根据权利要求1或2所述的方法，其中，包括目标的身体的二维扫描图像是kV X射线图像。
21.根据权利要求1或2所述的方法，其中扫描设备是诊断医疗成像设备。
22.根据权利要求1或2所述的方法，其中从目标的模型导出状态转换模型。
23.根据权利要求1或2所述的方法，其中目标的每个数据集进一步包括目标的相应位置值中的不确定性的度量。
24.根据权利要求23所述的方法，其中第一当前数据集的不确定性的度量是目标的位置的分布的预测协方差矩阵。
25.根据权利要求24所述的方法，其中预测协方差矩阵是状态转换模型的不确定性的函数。
26.根据权利要求25所述的方法，其中使用在过去的时间帧中跟踪的目标的位置来计算状态转换模型的不确定性。
27.根据权利要求26所述的方法，其中时间帧从当前跨越到过去十秒。
28.根据权利要求23所述的方法，其中，第一当前数据集中的目标的当前位置值等于在过去10秒至140秒内在目标的相同运动相位内的目标的平均位置，并且其中，状态转换模型的不确定性被估计为等于在过去10秒至140秒内的相同运动相位内的目标的位置的协方差矩阵。
29.根据权利要求1或2所述的方法，其中，测量第二当前数据集进一步包括在模板匹配之前处理目标的二维图像。
30.根据权利要求1或2所述的方法，其中，测量第二当前数据集进一步包括计算模板匹配度量。
31.根据权利要求30所述的方法，其中模板匹配度量是Mattes互信息（MMI）度量。
32.根据权利要求30所述的方法，其中模板匹配度量是归一化的互相关（NCC）度量。
33.根据权利要求30所述的方法，其中，第二当前数据集进一步包括目标的二维当前位置值中的不确定性的度量，并且其中，目标的二维当前位置值的不确定性的度量是模板匹配度量的函数。
34.根据权利要求1或2所述的方法，其中目标是替代物体。
35.根据权利要求1或2所述的方法，其中目标是软组织结构。
36.根据权利要求35所述的方法，其中目标是肿瘤。
37.根据权利要求36所述的方法，其中肿瘤是肺部肿瘤。
38.根据权利要求37所述的方法，其中目标的模型考虑了肺部肿瘤运动的周期性性质。
39.根据权利要求37或38所述的方法，其中预测目标的第一当前数据集进一步包括考虑肺部肿瘤运动的周期性性质。
40.根据权利要求1或2所述的方法，其中，处理包括目标的身体的二维扫描图像的步骤以及通过模板匹配来测量目标的第二当前数据集的步骤至少部分地通过图形处理单元来实现。
41.一种用于对位于身体中的目标的三维跟踪的系统，包括：
扫描设备，其被配置成获取包括目标的身体的二维扫描图像；
在目标上操作或与目标交互的装置；以及
处理系统，其被配置成：
接收并处理包括目标的身体的二维扫描图像以获得目标的二维图像；
通过使用目标的先前数据集和状态转换模型来预测目标的第一当前数据集，其中第一当前数据集至少包括目标的三维当前位置值，并且其中先前数据集至少包括目标的三维先前位置值；
通过将目标的二维图像与目标的模型进行模板匹配来测量目标的第二当前数据集，其中第二当前数据集至少包括目标的二维当前位置值；
通过使用第一当前数据集和第二当前数据集的统计推断来估计目标的第三当前数据集，其中第三当前数据集至少包括目标的三维当前位置值；
更新目标的先前数据集以匹配第三当前数据集；以及
响应于第三当前数据集而调整所述装置。
42.根据权利要求41所述的系统，其中扫描设备是X射线成像设备。
43.根据权利要求41所述的系统，其中扫描设备是kV成像设备。
44.根据权利要求41至43中的任一项所述的系统，其中，包括目标的身体的二维扫描图像图示了在目标的附近的身体的解剖结构，并且其中，为了处理包括目标的身体的扫描图像，处理系统投影排除目标之外的身体解剖结构的模型以与二维扫描图像的身体解剖结构对准，并且从二维扫描图像中减去身体解剖结构的投影模型。
45.根据权利要求41至43中的任一项所述的系统，其中处理系统包括图形处理单元。
46.根据权利要求41至43中的任一项所述的系统，其中处理系统包括用于存储目标的模型的存储器单元。
47.根据权利要求41所述的系统，其中目标是肿瘤，其中系统是放射疗法机，并且其中装置是治疗装置。
48.根据权利要求47所述的系统，其中装置是放射源，并且响应于第三当前数据集来调整放射输出的方向。
49.根据权利要求48所述的系统，其中装置是患者台，并且响应于第三当前数据集来调整台的位置和/或取向。
50.根据权利要求41至43中的任一项所述的系统，其被配置成实现权利要求1至40中的任一项所述的方法。
CN201780098171.4A 2016-11-21 2017-11-16 对身体中的目标的三维跟踪 Active CN111699021B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
AU2016904747A AU2016904747A0 (en) 2016-11-21 Three-dimensional tracking of a target in a body
PCT/AU2017/051261 WO2018090091A1 (en) 2016-11-21 2017-11-16 Three-dimensional tracking of a target in a body

Publications (2)

Publication Number Publication Date
CN111699021A CN111699021A (zh) 2020-09-22
CN111699021B true CN111699021B (zh) 2023-01-31

Family

ID=62145923

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201780098171.4A Active CN111699021B (zh) 2016-11-21 2017-11-16 对身体中的目标的三维跟踪

Country Status (5)

Country Link
US (1) US11295449B2 (zh)
EP (1) EP3710109B1 (zh)
CN (1) CN111699021B (zh)
AU (1) AU2017361124B2 (zh)
WO (1) WO2018090091A1 (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107613873B (zh) 2015-03-12 2021-10-29 阿斯托计算机断层扫描公司 用于物体的原地靶向的方法和系统
CN111699021B (zh) 2016-11-21 2023-01-31 利奥癌症治疗公司 对身体中的目标的三维跟踪
US11504548B2 (en) * 2018-08-02 2022-11-22 Mayo Foundation For Medical Education And Research Systems and methods for quality control in image-guided radiotherapy
US20200197744A1 (en) * 2018-12-21 2020-06-25 Motion Scientific Inc. Method and system for motion measurement and rehabilitation
AU2019477068A1 (en) * 2019-12-04 2022-06-02 Data Integrity Advisors, Llc System and method for determining radiation parameters
GB2601560A (en) * 2020-12-04 2022-06-08 Elekta Instr Ab Methods for adaptive radiotherapy
CN113077493A (zh) * 2021-05-11 2021-07-06 德鲁动力科技(成都)有限公司 一种移动机器人目标跟随的方法及系统
US11992705B2 (en) * 2021-09-29 2024-05-28 Siemens Healthineers International Ag On-line adaptive deep inspiration breath-hold treatment
CN117853593B (zh) * 2024-03-07 2024-06-07 苏州立创致恒电子科技有限公司 基于二维码的线阵相机标定方法

Family Cites Families (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060079764A1 (en) 2004-07-23 2006-04-13 Wright J N Systems and methods for real time tracking of targets in radiation therapy and other medical applications
US8989349B2 (en) 2004-09-30 2015-03-24 Accuray, Inc. Dynamic tracking of moving targets
US7602970B2 (en) * 2005-03-21 2009-10-13 Siemens Medical Solutions Usa, Inc. System and method for Kalman filtering in vascular segmentation
US7713205B2 (en) * 2005-06-29 2010-05-11 Accuray Incorporated Dynamic tracking of soft tissue targets with ultrasound images, without using fiducial markers
US7894664B2 (en) 2006-03-22 2011-02-22 University Of Washington Conditional shape model for image processing
US7894649B2 (en) 2006-11-02 2011-02-22 Accuray Incorporated Target tracking using direct target registration
CN101755461B (zh) 2007-07-20 2012-06-13 富士胶片株式会社 图像处理设备、图像处理方法
EP2232444B1 (en) 2007-12-20 2011-10-12 Wisconsin Alumni Research Foundation Method for dynamic prior image constrained image reconstruction
FR2932599A1 (fr) 2008-06-12 2009-12-18 Eugene Franck Maizeroi Procede et dispositif de traitement d'image, notamment pour le traitement d'images medicales pour la determination de vo lumes 3d
US9108048B2 (en) 2010-08-06 2015-08-18 Accuray Incorporated Systems and methods for real-time tumor tracking during radiation treatment using ultrasound imaging
US8460166B2 (en) 2010-10-01 2013-06-11 Elekta Ab (Publ) Radiotherapy planning and delivery
US8824762B2 (en) 2010-10-22 2014-09-02 The Johns Hopkins University Method and system for processing ultrasound data
EP2792303A4 (en) 2011-12-18 2015-08-05 Nat Univ Corp Kyoto Univ MOTION-TRACKING X-RAY CT IMAGE PROCESSING AND MOTION-TRACKING X-RAY CT IMAGE PROCESSING DEVICE
US9517036B2 (en) 2012-08-20 2016-12-13 Varian Medical Systems, Inc. Radiation imaging using very slow rotational technique
US9404754B2 (en) * 2013-03-25 2016-08-02 Raytheon Company Autonomous range-only terrain aided navigation
WO2014182815A1 (en) * 2013-05-08 2014-11-13 Raytheon Company Misregistration correction using non-pinhole camera model and non-linear scan equations
WO2014182811A1 (en) * 2013-05-08 2014-11-13 Raytheon Company Misregistration correction
US9375184B2 (en) 2013-09-12 2016-06-28 Technische Universität München System and method for prediction of respiratory motion from 3D thoracic images
US9724540B2 (en) 2014-02-24 2017-08-08 National Institutes For Quantum And Radiology Science And Technology Moving-body tracking device for radiation therapy, irradiation region determining device for radiation therapy, and radiation therapy device
US10026015B2 (en) * 2014-04-01 2018-07-17 Case Western Reserve University Imaging control to facilitate tracking objects and/or perform real-time intervention
CN107613873B (zh) 2015-03-12 2021-10-29 阿斯托计算机断层扫描公司 用于物体的原地靶向的方法和系统
US20160379074A1 (en) * 2015-06-25 2016-12-29 Appropolis Inc. System and a method for tracking mobile objects using cameras and tag devices
JP7034069B2 (ja) * 2015-10-14 2022-03-11 プレジデント・アンド・フェロウズ・オブ・ハーバード・カレッジ 動物行動の自動分類
CN111699021B (zh) 2016-11-21 2023-01-31 利奥癌症治疗公司 对身体中的目标的三维跟踪

Also Published As

Publication number Publication date
EP3710109B1 (en) 2023-08-23
EP3710109A4 (en) 2021-06-30
US20210174511A1 (en) 2021-06-10
AU2017361124B2 (en) 2024-05-02
EP3710109A1 (en) 2020-09-23
AU2017361124A1 (en) 2020-06-18
EP3710109C0 (en) 2023-08-23
WO2018090091A1 (en) 2018-05-24
CN111699021A (zh) 2020-09-22
US11295449B2 (en) 2022-04-05

Similar Documents

Publication Publication Date Title
CN111699021B (zh) 对身体中的目标的三维跟踪
EP2018627B1 (en) Deformable registration of images for image guided radiation therapy
McClelland et al. Inter-fraction variations in respiratory motion models
EP1664996B1 (en) Systems for gating medical procedures
US8396248B2 (en) Sequential stereo imaging for estimating trajectory and monitoring target position
US8379794B2 (en) Method to estimate position, motion and trajectory of a target with a single x-ray imager
EP2479708A1 (en) Systems and methods for tracking moving targets and monitoring object positions
US9314219B2 (en) Method to estimate real-time rotation and translation of a target with a single x-ray imager
JP2010246883A (ja) 患者位置決めシステム
EP3468668B1 (en) Soft tissue tracking using physiologic volume rendering
CN107613873B (zh) 用于物体的原地靶向的方法和系统
Hazelaar et al. Verifying tumor position during stereotactic body radiation therapy delivery using (limited-arc) cone beam computed tomography imaging
US9471985B2 (en) Template-less method for arbitrary radiopaque object tracking in dynamic imaging
JP7122115B2 (ja) 肺癌放射線のためのガイダンス
WO2023235923A1 (en) Markerless anatomical object tracking during an image-guided medical procedure
Hoisak et al. A history of surface guidance methods in radiation therapy
US20230404504A1 (en) Kalman filter framework to estimate 3d intrafraction motion from 2d projection
Li Patient-specific gating scheme for thoracoabdominal tumor radiotherapy guided by magnetic resonance imaging
Grimwood et al. Ultrasound for measuring intrafractional organ motion
Abeygunasekera Framework for Respiratory-induced Motion Management and Modeling for the Reduction of the PTV Margin in EBRT
Hugo -Online Monitoring, Tracking, and Dose Accumulation
Wu et al. On-Board Digital Tomosynthesis: An Emerging New Technology for Image-Guided Radiation Therapy

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
CB02 Change of applicant information

Address after: Wisconsin

Applicant after: SunTour health Holdings

Address before: Wisconsin

Applicant before: Astor computed tomography

CB02 Change of applicant information
TA01 Transfer of patent application right

Effective date of registration: 20220714

Address after: Wisconsin

Applicant after: Leo cancer treatment Co.

Address before: Wisconsin

Applicant before: SunTour health Holdings

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