CN113808229B - 基于双分辨率断层图像的体素模型建立方法 - Google Patents

基于双分辨率断层图像的体素模型建立方法 Download PDF

Info

Publication number
CN113808229B
CN113808229B CN202110976936.8A CN202110976936A CN113808229B CN 113808229 B CN113808229 B CN 113808229B CN 202110976936 A CN202110976936 A CN 202110976936A CN 113808229 B CN113808229 B CN 113808229B
Authority
CN
China
Prior art keywords
tomographic image
data set
image data
organ
target organ
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
CN202110976936.8A
Other languages
English (en)
Other versions
CN113808229A (zh
Inventor
张晓敏
许旭
谢向东
宁静
李大伟
纪云龙
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.)
Academy of Military Medical Sciences AMMS of PLA
Original Assignee
Academy of Military Medical Sciences AMMS of PLA
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 Academy of Military Medical Sciences AMMS of PLA filed Critical Academy of Military Medical Sciences AMMS of PLA
Priority to CN202110976936.8A priority Critical patent/CN113808229B/zh
Publication of CN113808229A publication Critical patent/CN113808229A/zh
Application granted granted Critical
Publication of CN113808229B publication Critical patent/CN113808229B/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
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G06T11/005—Specific pre-processing for tomographic reconstruction, e.g. calibration, source positioning, rebinning, scatter correction, retrospective gating
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06T2207/20081—Training; Learning
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及辐射防护领域，提供一种基于双分辨率断层图像的体素模型建立方法，通过建立包含两种分辨率的断层图像的体素模型，实现对包含亚组织的器官或组织的真实描述，进而对包含亚组织的器官或组织进行准确的辐射剂量‑效应关系评价；同时避免了体素模型中体素数量的急剧增加，达到了解决体素数量与计算效率之间矛盾的技术效果。

Description

基于双分辨率断层图像的体素模型建立方法
技术领域
本发明涉及辐射防护技术领域，涉及一种基于双分辨率断层图像的体素模型建立方法。
背景技术
随着电离辐射生物效应的深入研究，研究人员发现全身平均剂量并不能满足生物效应评价的需要；而电离辐射生物效应与剂量的关系，是辐射防护即辐射损伤医学处理的重要理论基础。因此，研究人员通常利用实验动物(小鼠、大鼠、猴子等)建立体素模型来研究光子外照射条件下的器官辐射剂量与生物效应的关系。但是，现有的体素模型可以反映心脏、肺、肾、脾、胃、肝、骨骼、皮肤、肌肉等关键器官或组织的解剖形状、结构和位置；但是，对于一些含有亚组织的器官或者组织无法进行区分和描述。以骨骼组织为例，骨骼组织中还包括骨皮质、骨小梁和骨髓亚组织；利用元素组成和密度相同的均匀组织对骨骼组织进行描述，使体素模型无法真实反映骨骼组织的解剖情况，以及无法准确计算骨组织的器官辐射剂量，尤其是对于位于小梁骨腔内的骨髓辐射敏感组织的器官辐射剂量存在较大误差，进而导致无法进行骨髓辐射剂量-效应关系评价。
因此，亟需一种可以准确高效的评估包含亚组织的器官或组织的器官辐射剂量的体素模型建立方法。
发明内容
本发明提供一种基于双分辨率断层图像的体素模型建立方法，既能实现对包含亚组织的器官或组织进行真实描述，进而对其进行准确的辐射剂量-效应关系评价；同时避免了体素模型中体素数量的急剧增加，达到了解决体素数量与计算效率之间的矛盾的技术效果。
为实现上述目的，本发明提供的一种基于双分辨率断层图像的体素模型建立方法，方法包括：
S1、分别按照CT扫描分辨率一和CT扫描分辨率二对实验动物进行扫描，以获取实验动物的断层图像数据集A0和实验动物的断层图像数据集B0；
S2、对所述断层图像数据集A0和所述断层图像数据集B0分别进行无用像素裁剪的预处理，获得预处理后的断层图像数据集A1和断层图像数据集 B1；
S3、以待检测的含有亚组织的器官作为目标器官，利用阈值分割技术按照预设的分割阈值一T1对断层图像数据集A1中目标器官进行识别和分割，得到分割后的断层图像集合；将所述分割后的断层图像集合中的各个器官分别按照颜色值进行颜色填充，并将颜色填充后的断层图像形成断层图像数据集A2；以及，
利用阈值分割技术按照预设的分割阈值二T2对所述断层图像数据集B1 中的断层图像进行器官识别，分割目标器官并去除目标器官以外的器官后，得到断层图像集合B2；利用阈值分割技术对所述断层图像数据集B2的断层图像进行目标器官亚组织的识别及分割，得到断层图像集合B3；
将所述断层图像集合B3的断层图像中各个目标器官亚组织分别按照颜色值进行颜色填充，并将颜色填充后的断层图像形成断层图像数据集B4；
S4、将断层图像数据集B4的断层图像中的含有亚组织的目标器官代替断层图像数据集A2的断层图像中的目标器官，形成新的断层图像数据集A3；并对断层图像数据集A3的断层图像中的目标器官亚组织及其他器官组织赋予不同的元素组成和密度值；
S5、利用断层图像数据集A3的断层图像建立实验动物的体素模型。
进一步，优选的，所述断层图像数据集A0的断层图像数量为Ka，所述断层图像数据集A0的断层图像CT扫描分辨率一为ja×ja，且30μm≤ja≤200μm；所述实验动物的断层图像数据集B0的断层图像数量为Kb，所述实验动物的断层图像数据集B0的断层图像CT扫描分辨率二为jb×jb，5μm≤jb≤10μm；且ja/jb＝N，N为整数；所述断层图像数据集A1的断层图像大小为La×Ha像素；所述断层图像数据集B1的断层图像大小为Lb×Hb像素，且Lb＝N×La，Hb＝N×Ha。
进一步，优选的，所述步骤S4中将断层图像数据集B4的断层图像中的含有亚组织的目标器官代替断层图像数据集A2的断层图像中的目标器官的方法包括：
遍历断层图像数据集A2中断层图像的像素；筛选颜色值与目标器官的颜色值相同的像素，并记录颜色值与目标器官的颜色值相同的像素位置P(Xa， Ya，Za)；其中，Xa∈(1，2，3…Ha)，Ya∈(1，2，3…La)，Za∈(1，2，3…Ka)； Ha，La分别为断层图像数据集A2中断层图像的像素的最大行数和最大列数， Ka为断层图像数据集A2的断层图像的数量；
在断层图像数据集B4的断层图像中定位与所述像素P(Xa，Ya，Za)位置对应的像素Q(Xb，Yb，Zb)，Xb∈(1，2，3…Hb)，Yb∈(1，2，3…Lb)， Zb∈(1，2，3…Kb)，从像素Q(Xb，Yb，Zb)位置按顺序读取N×N个像素，并记录每个像素的颜色值；其中，Xb＝N×Xa，Yb＝N×Ya，Zb＝N×Za；
将断层图像数据集A2中断层图像的位置为P(Xa，Ya，Za)的像素的颜色值替换为所记录的位置为Q(Xb，Yb，Zb)的每个像素的颜色值。
进一步，优选的，在步骤S3中，将所述分割后的断层图像集合中的各个器官分别按照颜色值进行颜色填充的方法包括：
将所述分割后的断层图像集合中的各个器官分别按照颜色值Cn(a，b，c) 进行颜色填充；其中，n∈(1，2，3…S)，S为断层图像数据集A2中的器官组织的数量与断层图像数据集B4中的目标器官亚组织的数量之和，a，b，c分别代表RGB色空间中的红色R、绿色G、蓝色B的整数分量值，且0≤a≤255， 0≤b≤255，0≤c≤255。
进一步，优选的，在步骤S3中，利用阈值分割技术对断层图像数据集 B2的断层图像进行目标器官亚组织的识别及分割的方法包括：
遍历断层图像数据集B2的断层图像的像素，并利用初始估计阈值TH1将所述像素按照灰度值进行分类；
获取灰度值小于初始估计阈值TH1的像素的像素数量累计值u1和像素灰度累计值T3；获取像素灰度值大于初始估计阈值TH1的像素的像素数量累计值u2和像素灰度累计值T4；
并根据像素数量累计值u1、像素灰度累计值T3、像素数量累计值u2和像素灰度累计值T4获得平均灰度值AT1和AT2；并根据平均灰度值AT1和AT2获得新阈值TH2；其中，AT1＝T3/u1,平均灰度值AT2＝T4/u2；TH2＝(AT1+AT2) /2；
将所述新阈值TH2进行迭代训练直至|TH1-TH2|<T0；其中，T0为最优化阈值判断参数，且1≤T0≤5；
利用阈值分割技术按照所述新阈值TH2对断层图像数据集B2中的断层图像的像素进行目标器官亚组织的识别与分割。
进一步，优选的，在步骤S4中，对断层图像数据集A3的断层图像中的目标器官亚组织及其他器官组织赋予不同的元素组成和密度值方法包括：
器官组织的元素组成用Yn{(e1，p1)，(e2，p2)，(e3，p3),…(ei，pi)}表示；每个器官组织的的密度为ρn表示；其中，
n∈(1，2，3…S)，S为S为目标器官亚组织数量及其他器官组织数量之和，ei表示某个化学元素，pi表示该化学元素的质量百分比，且p1+p2+p3…+pi＝1。
为了解决上述问题，本发明还提供一种基于双分辨率断层图像的体素模型建立方法在骨剂量学中的应用，利用粒子输运模拟软件对实验动物的体素模型进行粒子外照射，当次级粒子在除目标器官之外的器官或者组织输运时，调用断层图像数据集A2的低分辨率断层图像，利用蒙特卡洛算法对除目标器官以外的器官进行辐射剂量计算；
当所述次级粒子进入到含有亚组织的目标器官的边界时，调用断层图像数据集B4的高分辨率断层图像，利用蒙特卡洛算法进行目标器官的器官辐射剂量计算。
进一步，优选的，当所述次级粒子进入到含有亚组织的目标器官的边界时，调用断层图像数据集B4的高分辨率断层图像，利用蒙特卡洛算法进行目标器官的器官辐射剂量计算的方法包括：
模拟粒子总数为N0，初始第i个入射粒子状态为：Par(i)(E0，P0，Ω0)，i ∈(1，2，3…N0)，其中，E0，P0，Ω0分别代表粒子Par(i)的初始能量、初始位置以及初始方向；当所述次级粒子运动到断层图像数据集A2中断层图像骨骼均匀组织的边界时，记录所述次级粒子的状态为Par′(i)(E′，P′，Ω′)，其中， E′，P′，Ω′分别代表次级粒子Par′(i)的初始能量、初始位置以及初始方向；将状态为Par′(i)(E′，P′，Ω′)的次级粒子作为初始入射粒子，将断层图像数据集 A2中断层图像的位置为P′的骨骼均匀组织替换为断层图像数据集B4中断层图像的位置为Q的骨矿和骨髓组织；
状态为Par′(i)(E′，P′，Ω′)的次级粒子与所述骨矿和骨髓组织相互作用，当次级粒子剩余能量小于或等于截止能量ε，记录所述次级粒子在骨矿中的沉积能量为Eb(i)，次级粒子在骨髓组织中的沉积能量Em(i)，且Eb(i)+Em(i)＝E′；
当所述次级粒子逃出断层图像数据集B4中断层图像骨矿和骨髓组织的边界时，记录所述逃出次级粒子的状态为Par″(i)(E″，P″，Ω″)，其中，E″， P″，Ω″分别代表逃出次级粒子Par″(i)的初始能量、初始位置以及初始方向；记录所述逃出次级粒子在骨矿中的沉积能量为Eb(i)，次级粒子在骨髓组织中的沉积能量Em(i)，且Eb(i)+Em(i)＝E′-E″；
所述逃出次级粒子在除骨矿和骨髓组织之外的器官输运，直至所述逃出次级粒子剩余能量小于或等于截止能量ε；对沉积在双分辨率小动物体素模型中骨矿和骨髓组织的沉积能量进行平均值计算，获得单个粒子的骨矿沉积能量Eb′和骨髓组织沉积能量Em′；
其中，
Figure BDA0003227674870000051
Figure BDA0003227674870000052
利用所述单个粒子的骨矿沉积能量Eb′获得骨矿的器官辐射剂量转换系数 Db/Φ，利用所述单个粒子的骨髓组织沉积能量Em′获得骨髓组织的器官辐射剂量转换系数Dm/Φ；其中，
Db/Φ＝(Eb′/Mb)×Sa；Mb为骨矿总质量，Sa为粒子源的截面积；
Dm/Φ＝(Em′/Mm)×Sa；Mm为骨矿总质量，Sa为粒子源的截面积。
为了解决上述问题，本发明还提供一种基于双分辨率断层图像的体素模型建立装置，所述装置包括图像数据集获取模块、器官分割模块、目标器官替换模块和体素模型建立模块；
所述图像数据集获取模块，用于分别按照CT扫描分辨率一和CT扫描分辨率二对实验动物进行扫描，以获取实验动物的断层图像数据集A0和实验动物的断层图像数据集B0；
对所述断层图像数据集A0和所述断层图像数据集B0分别进行无用像素裁剪的预处理，获得预处理后的断层图像数据集A1和断层图像数据集B1；
所述器官分割模块，用于将待检测的含有亚组织的器官作为目标器官，利用阈值分割技术按照预设的分割阈值一T1对断层图像数据集A1目标器官进行自动识别和分割，得到分割后的断层图像集合；将所述分割后的断层图像集合中的各个器官分别按照颜色值进行颜色填充，并将颜色填充后的断层图像形成断层图像数据集A2；以及，
利用阈值分割技术按照预设的分割阈值二T2对所述断层图像数据集B1 中的断层图像进行器官识别，分割目标器官并去除目标器官以外的器官后，得到断层图像集合B2；利用阈值分割技术对所述断层图像数据集B2的断层图像进行目标器官亚组织的识别及分割，得到断层图像集合B3；
将所述断层图像集合B3的断层图像中各个目标器官亚组织分别按照颜色值进行颜色填充，并将颜色填充后的断层图像形成断层图像数据集B4；
所述目标器官替换模块，用于将断层图像数据集B4的断层图像中的含有亚组织的目标器官代替断层图像数据集A2的断层图像中的目标器官，形成新的断层图像数据集A3；并对断层图像数据集A3的断层图像中的目标器官亚组织及其他器官组织赋予不同的元素组成和密度值；
所述体素模型建立模块，用于利用断层图像数据集A3中的断层图像数建立实验动物的体素模型。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现上述所述的基于双分辨率断层图像的体素模型建立方法中的步骤。
本发明通过建立包含低分辨率断层图像和高分辨率断层图像的体素模型，其中，低分辨率断层图像中为除目标器官外的器官或组织；而高分辨率断层图像中为包含亚组织的目标器官；根据实际需要选择要调用的相应分辨率的断层图像，达到在保证计算效率的同时，减少内存开销的技术效果。
附图说明
图1为本发明一实施例提供的基于双分辨率断层图像的体素模型建立方法的流程示意图；
图2为本发明一实施例提供的断层图像数据集A2中的断层图像示意图；
图3为本发明一实施例提供的断层图像数据集A2中均匀的骨骼组织被断层图像数据集B4中的骨矿和骨髓组织替换后的断层图像示意图；
图4为本发明一实施例提供的实现基于双分辨率断层图像的体素模型建立装置的原理示意图；
图5为本发明一实施例提供的实现基于双分辨率断层图像的体素模型建立方法的电子设备的内部结构示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明提供了一种利用高、低两种分辨率的断层图像建立的体素模型，用高分辨率的断层图像建立含有亚组织的目标器官的体素模型，而用低分辨率的断层图像建立除目标器官外的其他器官或组织的体素模型，避免了体素模型中体素数量的急剧增加，解决了含有亚组织的器官的体素模型中体素数量和计算效率之间的矛盾。
参照图1所示，为本发明一实施例提供的基于双分辨率断层图像的体素模型建立方法的流程示意图。该方法可以由一个装置执行，该装置可以由软件和/或硬件实现。
在本实施例中，基于双分辨率断层图像的体素模型建立方法包括S1～S5：
S1、分别按照CT扫描分辨率一和CT扫描分辨率二对实验动物进行扫描，以获取实验动物的断层图像数据集A0和实验动物的断层图像数据集B0。
所述断层图像数据集A0的断层图像数量为Ka，所述断层图像数据集A0 的断层图像CT扫描分辨率一为ja×ja，且30μm≤ja≤200μm；所述实验动物的断层图像数据集B0的断层图像数量为Kb，所述实验动物的断层图像数据集 B0的断层图像CT扫描分辨率二为jb×jb，5μm≤jb≤10μm；且ja/jb＝N，N为整数。
需要说明的是，断层图像数据集A0中的断层图像为分辨率较低的断层图像，仍然以骨组织为例，该分辨率不能分辨出骨皮质、骨小梁、骨髓等亚组织，但能够分辨出其他器官或组织。也就是说，断层图像数据集A0中的断层图像仅能分辨不包含亚组织的器官或组织。微型CT扫描分辨率设置为 100～200μm；在具体的实施过程，断层图像的CT扫描分辨率一为ja×ja，且 30μm≤ja≤200μm，以达到对实验动物的所有器官以及组织进行有效识别的目的。断层图像数据集B0中的断层图像为分辨率较高的断层图像，仍然以骨组织为例，该分辨率能分辨出骨皮质、骨小梁、骨髓等亚组织。也就是说，断层图像数据集B0中的断层图像可以分辨包含亚组织的器官或组织。微型CT 扫描分辨率设置为5～10μm；在具体的实施过程，断层图像的CT扫描分辨率二为jb×jb，5μm≤jb≤10μm；且ja/jb＝N，N为整数，以达到对实验动物的所有包含亚组织的器官以及组织进行有效识别的目的。
具体地说，按照CT扫描分辨率二对所述实验动物进行二次扫描时，保持实验动物的位置固定不变，重新设置更高的微型CT扫描分辨率对实验动物进行全身的二次扫描即可。
S2、对所述断层图像数据集A0和所述断层图像数据集B0分别进行无用像素裁剪的预处理，获得预处理后的断层图像数据集A1和断层图像数据集 B1。
具体地说，要去掉断层图像数据集A0和断层图像数据集B0中每张断层图像的周围相同位置无用的像素，也就是说，无用像素就是不包含器官或者组织的像素。
在具体的实施过程中，无用像素裁剪的预处理的步骤包括：
S21、将原始序列断层图像定义为A图像，其图像大小为L×H像素，裁剪掉无用像素后的序列断层图像定义为B图像，图像大小为l×h像素；
S22、B图像左边界距离A图像左边界为x像素，B图像右边界距离A图像右边界距离为y像素；B图像上边界距离A图像上边界距离为u像素，B 图像下边界距离A图像下边界距离为k像素；其中x+h+y＝H，u+l+k＝L；
S23、顺序读取A图像中第N(i，j)像素颜色值，其中u<i≤u+l；x<j≤x+h；
S24、建立l×h二维矩阵，将步骤S23中读取的像素颜色值顺序赋予l× h矩阵中每个元素，形成裁剪后的图像B；
S25、从第一张原始序列断层图像开始，重复上述S21～S24步骤，完成所有原始序列断层图像的裁剪；裁剪掉无用像素后，则实验动物数字模型总的像素(或体素)数量为k×l×h，每个像素(或体素)的体积大小为i×j×j cm3。即，完成无用像素裁剪的预处理过程。
在一个具体的实施例中，实验动物的断层图像数据集A1的断层图像大小为La×Ha像素；实验动物的断层图像数据集B1的断层图像大小为Lb×Hb像素，且Lb＝N×La，Hb＝N×Ha。
S3、以待检测的含有亚组织的器官作为目标器官，利用阈值分割技术按照预设的分割阈值一T1对断层图像数据集A1中的目标器官进行识别和分割，得到分割后的断层图像集合；将所述分割后的断层图像集合中的各个器官分别按照颜色值进行颜色填充，并将颜色填充后的断层图像形成断层图像数据集A2；以及，利用阈值分割技术按照预设的分割阈值二T2对所述断层图像数据集B1中的断层图像进行器官识别，分割目标器官并去除目标器官以外的器官后，得到断层图像集合B2；利用阈值分割技术对所述断层图像数据集B2 的断层图像进行目标器官亚组织的识别及分割，得到断层图像集合B3；将所述断层图像集合B3的断层图像中各个目标器官亚组织分别按照颜色值进行颜色填充，并将颜色填充后的断层图像形成断层图像数据集B4；
具体地说，需要识别的器官或组织至少包括皮肤、骨骼、肌肉、脑、心脏、肺、肝、脾、胃、肠等关键器官或组织，设识别出的器官或组织总数用S 表示。
在具体的实施过程，利用阈值分割技术按照预设的分割阈值一T1对实验动物的目标器官进行自动分割；对于除目标器官以外的器官进行手动分割；仍然以骨骼组织为例，对于均匀的骨骼组织的分割，利用MATLAB软件的自动分割技术，预设的分割阈值一用T1表示，40≤T1≤50；遍历断层图像数据集A1所有断层图像的所有像素，当像素的灰度值大于T1时，将其灰度值重新赋值为255；对于除骨骼组织外的其他组织而言，利用手动分割。即，对皮肤、肌肉、脑、心脏、肺、肝、脾、胃、肠等其他器官或组织进行手动分割。进而，利用阈值分割技术对断层图像数据集B1中的其他器官或组织(除骨骼外的其他器官或组织)进行识别与去除，并保存处理后的所有断层图像，记录断层图像数据集为B2。其中，预设分割阈值二用T2表示，30≤T2≤40；遍历B1中所有断层图像的所有像素，当像素的灰度值小于T2时，将其灰度值重新设置为0。
作为本实施例的改进，在步骤S3中，利用阈值分割技术对断层图像数据集B2的断层图像进行目标器官亚组织的识别及分割的方法包括：
S31、遍历断层图像数据集B2的断层图像的像素，并利用初始估计阈值 TH1将所述像素按照灰度值进行分类；
S32、获取灰度值小于初始估计阈值TH1的像素的像素数量累计值u1和像素灰度累计值T3；获取像素灰度值大于初始估计阈值TH1的像素的像素数量累计值u2和像素灰度累计值T4。
需要说明的是，像素数量累计值u1为当所有断层图像的所有像素遍历结束后符合灰度值小于初始估计阈值TH1的条件的像素累加数量；像素灰度累计值T3为相应的上述像素的灰度值的累加值。像素数量累计值u2为当所有断层图像的所有像素遍历结束后符合灰度值大于初始估计阈值TH1的条件的像素累加数量；像素灰度累计值T4为相应的上述像素的灰度值的累加值。
S33、并根据像素数量累计值u1、像素灰度累计值T3、像素数量累计值 u2和像素灰度累计值T4获得平均灰度值AT1和AT2；并根据平均灰度值AT1和AT2获得新阈值TH2；其中，AT1＝T3/u1,平均灰度值AT2＝T4/u2；TH2＝(AT1+AT2) /2。
S34、将所述新阈值TH2进行迭代训练直至|TH1-TH2|<T0；其中，T0为最优化阈值判断参数，且1≤T0≤5。
具体地说，如果|TH1-TH2|<T0,则TH2为最优阈值；否则将TH2赋值给TH1，并重复S31～S34步骤，直到获取最优阈值。
S35、利用阈值分割技术按照所述新阈值TH2对断层图像数据集B2中的断层图像的像素进行目标器官亚组织的识别与分割。
具体地说，仍然以骨骼组织为例，按照所述新阈值TH2对断层图像数据集B2中的断层图像的像素进行骨皮质、骨小梁和骨髓组织的识别与分割。
在步骤S3中，将所述分割后的断层图像集合中的各个器官分别按照颜色值进行颜色填充的方法包括：将所述分割后的断层图像集合中的各个器官分别按照颜色值Cn(a，b，c)进行颜色填充；其中，n∈(1，2，3…S)，S为断层图像数据集A2中的器官组织的数量与断层图像数据集B4中的目标器官亚组织的数量之和a，b，c分别代表RGB色空间中的红色R、绿色G、蓝色B 的整数分量值，且0≤a≤255，0≤b≤255，0≤c≤255。例如，皮肤用颜色值 C1(20，30，76)填充，骨骼用颜色值C2(230，2，45)填充。
具体地说，对于断层图像数据集A2而言，骨骼组织为均匀组织，因此会用某个特定的颜色来均匀填充。对断层图像数据集B3中所有断层图像的骨皮质、骨小梁与骨髓组织用不同的颜色填充，并将颜色填充后的断层图像数据集记录为B4。在具体的实施过程中，由于骨皮质和骨小梁都属于骨矿，因此用相同的颜色进行填充；骨髓属于软组织，用其他颜色填充。
对于步骤S3中，计算断层图像数据集B4中断层图像中各个目标器官亚组织的体素数量的步骤，以骨骼组织为例的实现方法为：计算B4中所有断层图像中属于骨矿和骨髓组织的体素数量。从断层图像数据集第一张图像的第1 个像素开始，遍历B4中所有像素的颜色值，如果某个像素的颜色值等于骨矿的颜色值，则对该类像素数量进行累加，最终累计值记录为Nb；如果某个像素的颜色值等于骨髓的颜色值，则对该类像素数量进行累加，最终累计值记录为Nm。
S4、将断层图像数据集B4的断层图像中的含有亚组织的目标器官代替断层图像数据集A2的断层图像中的目标器官，形成新的断层图像数据集A3，并对断层图像数据集A3的断层图像中的目标器官亚组织及其他器官组织赋予不同的元素组成和密度值；
也就是说，将断层图像数据集A2中低分辨率的均匀骨骼组织用断层图像数据集B4中相对应位置高分辨率的骨矿和骨髓来替代，进而建立双分辨率小动物体素模型。
以骨骼组织为例，所述步骤S4中将断层图像数据集B4的断层图像中的含有亚组织的目标器官代替断层图像数据集A2的断层图像中的目标器官的方法包括：
S41、遍历断层图像数据集A2中断层图像的像素；筛选颜色值与骨骼组织的颜色值相同的像素，并记录颜色值与骨骼组织的颜色值相同的像素位置P (Xa，Ya，Za)；其中，Xa∈(1，2，3…Ha)，Ya∈(1，2，3…La)，Za∈(1， 2，3…Ka)；Ha，La分别为断层图像数据集A2中断层图像的像素的最大行数和最大列数，Ka为断层图像数据集A2的断层图像的数量。
S42、在断层图像数据集B4的断层图像中定位与所述像素P(Xa，Ya， Za)位置对应的像素Q(Xb，Yb，Zb)，Xb∈(1，2，3…Hb)，Yb∈(1，2， 3…Lb)，Zb∈(1，2，3…Kb)，从Q(Xb，Yb，Zb)位置按顺序读取N×N个像素，并记录每个像素的颜色值；其中，Xb＝N×Xa，Yb＝N×Ya，Zb＝N×Za。
S43、将断层图像数据集A2中断层图像的位置为P(Xa，Ya，Za)的像素的颜色值替换为所记录的位置为Q(Xb，Yb，Zb)的每个像素的颜色值，形成新的断层图像数据集A3。
图2和图3以骨骼组织为例，对断层图像数据集A2中均匀的骨骼组织被断层图像数据集B4中的骨矿和骨髓组织替换的情况进行了整体描述。其中，图2为断层图像数据集A2中的断层图像示意图；图3为断层图像数据集A2 中均匀的骨骼组织被断层图像数据集B4中的骨矿和骨髓组织替换后的断层图像示意图。如图2所示，其中深色为代表肌肉组织，白色代表均匀骨骼组织，体素分辨率都为30μm。如图3所示，深色代表肌肉组织，为低分辨率体素组成，其分辨率为30μm；在经过步骤4后，图中骨骼均匀组织被高分辨率的骨矿和骨髓组织替代，其中黄色为骨矿组织(图中较外围的颜色)，红色为骨髓组织(最中心的颜色)，分辨率都为10μm。由于断层图像数据集A2的断层图像分辨率为30μm，断层图像数据集B4的断层图像分辨率为10μm，因此 N＝30/10＝3，断层图像数据集A2中每个骨骼均匀组织被3×3＝9个元素所代替。
在步骤S4中，对断层图像数据集A3的断层图像中的目标器官亚组织及其他器官组织赋予不同的元素组成和密度值的方法包括：
器官组织的元素组成用Yn{(e1，p1)，(e2，p2)，(e3，p3),…(ei，pi)}表示；每个器官组织的的密度为ρn表示；其中，n∈(1，2，3…S)，S目标器官亚组织数量及其他器官组织数量之和，ei表示某个化学元素，pi表示该化学元素的质量百分比，且p1+p2+p3…+pi＝1。以皮肤为例，其物理属性为：Y1{(C，32％)， (H，45％)，(O，22％)，(N，1％)},其密度值为ρ1＝1.04gcm-3。
在具体的实施过程中，为了使实验动物器官剂量尽可能反映出人体器官剂量变化规律，实验动物数字模型的物理属性应与人体物理属性保持一致，因此所有器官组织的元素组成及密度值取自国际辐射单位与测量委员会 (ICRU)44及ICRU46号报告。
S5、利用断层图像数据集A3的断层图像建立实验动物的体素模型。
具体的说，在目标器官被断层图像数据集B4中的目标器官的亚组织替换掉后，利用断层图像数据集A3继续进行体素模型建立的剩余步骤。
总之，相比现有技术中的用一种分辨率的断层图像建立的普通小动物体素模型，本发明的基于双分辨率断层图像的体素模型建立方法通过高、低两种分辨率的断层图像来建立小动物体素模型；用低分辨率断层图像来描述、建立大部分的器官或组织体素模型，用高分辨率断层图像来描述、建立含有亚组织结构的器官或组织模型。该方法既避免了小动物全部体素数量的急剧增加，降低了模拟计算时内存开销；又解决了普通小动物体素模型不能真实反映亚组织解剖结构现状的难题，从整体上提高了体素模型解剖结构的精确性，使辐射剂量计算结果更准确。
本发明还提供一种基于双分辨率断层图像的体素模型建立方法在骨剂量学中的应用。
利用粒子输运模拟软件对实验动物的体素模型进行粒子外照射，当次级粒子在除目标器官之外的器官或者组织输运时，调用断层图像数据集A2的低分辨率断层图像，利用蒙特卡洛算法对除目标器官以外的器官进行辐射剂量计算。
具体地说，粒子输运模拟软件可以为MCNP。而在骨剂量学中，目标器官指骨骼组织。粒子外照射中的粒子可以为质子、电子、光子、中子和α粒子等。在本实施例中，粒子外照射为光子外照射，实验动物为小鼠。
当所述次级粒子进入到含有亚组织的目标器官的边界时，调用断层图像数据集B4的高分辨率断层图像，利用蒙特卡洛算法进行目标器官的器官辐射剂量计算。
针对双分辨率体素模型中的亚组织器官剂量计算，本发明提出了“两部算法”，该方法主要优点在于：一是只有当粒子进入目标器官的亚组织，才调用高分辨率的亚组织体素，当粒子没有进入目标器官的亚组织时，内存不调用高分辨率的亚组织体素，从而极大地减少内存开销，提高计算效率；二是提出了亚组织器官剂量计算的通用算法，该算法不仅适用于小动物体素模型，而且还适用于大动物以及人体体素模型。
在一个具体的实施例中，当所述次级粒子进入到含有亚组织的目标器官的边界时，调用断层图像数据集B4的高分辨率断层图像，利用蒙特卡洛算法进行目标器官的器官辐射剂量计算的方法包括：
1)模拟粒子总数为N0，初始第i个入射粒子状态为：Par(i)(E0，P0，Ω0)， i∈(1，2，3…N0)，其中，E0，P0，Ω0分别代表粒子Par(i)的初始能量、初始位置以及初始方向；当所述次级粒子运动到断层图像数据集A2中断层图像骨骼均匀组织的边界时，记录所述次级粒子的状态为Par′(i)(E′，P′，Ω′)，其中， E′，P′，Ω′分别代表次级粒子Par′(i)的初始能量、初始位置以及初始方向；将状态为Par′(i)(E′，P′，Ω′)的次级粒子作为初始入射粒子，将断层图像数据集 A2中断层图像的位置为P′的骨骼均匀组织替换为断层图像数据集B4中断层图像的位置为Q的骨矿和骨髓组织；
2)状态为Par′(i)(E′，P′，Ω′)的次级粒子与所述骨矿和骨髓组织相互作用，当次级粒子剩余能量小于或等于截止能量ε，记录所述次级粒子在骨矿中的沉积能量为Eb(i)，次级粒子在骨髓组织中的沉积能量Em(i)，且Eb(i)+Em(i)＝E′；
3)当所述次级粒子逃出断层图像数据集B4中断层图像骨矿和骨髓组织的边界时，记录所述逃出次级粒子的状态为Par″(i)(E″，P″，Ω″)，其中，E″， P″，Ω″分别代表逃出次级粒子Par″(i)的初始能量、初始位置以及初始方向；记录所述逃出次级粒子在骨矿中的沉积能量为Eb(i)，次级粒子在骨髓组织中的沉积能量Em(i)，且Eb(i)+Em(i)＝E′-E″；
4)所述逃出次级粒子在除骨矿和骨髓组织之外的器官输运，直至所述逃出次级粒子剩余能量小于或等于截止能量ε；对沉积在双分辨率小动物体素模型中骨矿和骨髓组织的沉积能量进行平均值计算，获得单个粒子的骨矿沉积能量Eb′和骨髓组织沉积能量Em′；
其中，
Figure BDA0003227674870000141
Figure BDA0003227674870000142
5)利用所述单个粒子的骨矿沉积能量Eb′获得骨矿的器官辐射剂量转换系数Db/Φ，利用所述单个粒子的骨髓组织沉积能量Em′获得骨髓组织的器官辐射剂量转换系数Dm/Φ；其中，
Db/Φ＝(Eb′/Mb)×Sa；Mb为骨矿总质量，Sa为粒子源的截面积；
Dm/Φ＝(Em′/Mm)×Sa；Mm为骨矿总质量，Sa为粒子源的截面积。
如图4所示，本发明提供一种基于双分辨率断层图像的体素模型建立装置400，本发明可以安装于电子设备中。根据实现的功能，该基于双分辨率断层图像的体素模型建立装置400可以所述装置包括图像数据集获取模块410、器官分割模块420、目标器官替换模块430和体素模型建立模块440。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述图像数据集获取模块410，用于分别按照CT扫描分辨率一和CT扫描分辨率二对实验动物进行扫描，以获取实验动物的断层图像数据集A0和实验动物的断层图像数据集B0；
对所述断层图像数据集A0和所述断层图像数据集B0分别进行无用像素裁剪的预处理，获得预处理后的断层图像数据集A1和断层图像数据集B1；
器官分割模块420，用于将待检测的含有亚组织的器官作为目标器官，利用阈值分割技术按照预设的分割阈值一T1对断层图像数据集A1中目标器官进行自动识别和分割，得到分割后的断层图像集合；将所述分割后的断层图像集合中的各个器官分别按照颜色值进行颜色填充，并将颜色填充后的断层图像形成断层图像数据集A2；以及，
利用阈值分割技术按照预设的分割阈值二T2对所述断层图像数据集B1 中的断层图像进行器官识别，分割目标器官并去除目标器官以外的器官后，得到断层图像集合B2；利用阈值分割技术对所述断层图像数据集B2的断层图像进行目标器官亚组织的识别及分割，得到断层图像集合B3；
将所述断层图像集合B3的断层图像中各个目标器官亚组织分别按照颜色值进行颜色填充，并将颜色填充后的断层图像形成断层图像数据集B4；所述目标器官替换模块430，用于将断层图像数据集B4的断层图像中的含有亚组织的目标器官代替断层图像数据集A2的断层图像中的目标器官，形成新的断层图像数据集A3；并对断层图像数据集A3的断层图像中的目标器官亚组织及其他器官组织赋予不同的元素组成和密度值；
所述体素模型建立模块440，用于利用断层图像数据集A3中的断层图像数建立实验动物的体素模型。
本发明的基于双分辨率断层图像的体素模型建立装置400通过高、低两种分辨率的断层图像来建立小动物体素模型；用低分辨率断层图像来描述、建立大部分的器官或组织体素模型，用高分辨率断层图像来描述、建立含有亚组织结构的器官或组织模型。该方法既避免了小动物全部体素数量的急剧增加，降低了模拟计算时内存开销；又解决了普通小动物体素模型不能真实反映亚组织解剖结构、现状的难题，从整体上达到了提高体素模型解剖结构的精确性，使辐射剂量计算结果更准确的技术效果。
如图5所示，本发明提供一种基于双分辨率断层图像的体素模型建立方法的电子设备5。
该电子设备5可以包括处理器50、存储器51和总线，还可以包括存储在存储器51中并可在所述处理器50上运行的计算机程序，如基于双分辨率断层图像的体素模型建立程序52。
其中，所述存储器51至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器51在一些实施例中可以是电子设备3的内部存储单元，例如该电子设备5的移动硬盘。所述存储器31在另一些实施例中也可以是电子设备5的外部存储设备，例如电子设备3上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字 (SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器 51还可以既包括电子设备5的内部存储单元也包括外部存储设备。所述存储器51不仅可以用于存储安装于电子设备5的应用软件及各类数据，例如基于双分辨率断层图像的体素模型建立程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器50在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器50 是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器51内的程序或者模块 (例如基于双分辨率断层图像的体素模型建立程序等)，以及调用存储在所述存储器51内的数据，以执行电子设备5的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器51以及至少一个处理器50等之间的连接通信。
图5仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图5 示出的结构并不构成对所述电子设备5的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备5还可以包括给各个部件供电的电源 (比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器50 逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备5还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备5还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备5与其他电子设备之间建立通信连接。
可选地，该电子设备5还可以包括用户接口，用户接口可以是显示器 (Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED 显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备5中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备5中的所述存储器51存储的基于双分辨率断层图像的体素模型建立程序52是多个指令的组合，在所述处理器50中运行时，可以实现：
S1、分别按照CT扫描分辨率一和CT扫描分辨率二对实验动物进行扫描，以获取实验动物的断层图像数据集A0和实验动物的断层图像数据集B0；
S2、对所述断层图像数据集A0和所述断层图像数据集B0分别进行无用像素裁剪的预处理，获得预处理后的断层图像数据集A1和断层图像数据集 B1；
S3、以待检测的含有亚组织的器官作为目标器官，利用阈值分割技术按照预设的分割阈值一T1对断层图像数据集A1中的目标器官进行识别和分割，得到分割后的断层图像集合；将所述分割后的断层图像集合中的各个器官分别按照颜色值进行颜色填充，并将颜色填充后的断层图像形成断层图像数据集A2；以及，
利用阈值分割技术按照预设的分割阈值二T2对所述断层图像数据集B1 中的断层图像进行器官识别，分割目标器官并去除目标器官以外的器官后，得到断层图像集合B2；利用阈值分割技术对所述断层图像数据集B2的断层图像进行目标器官亚组织的识别及分割，得到断层图像集合B3；
将所述断层图像集合B3的断层图像中各个目标器官亚组织分别按照颜色值进行颜色填充，并将颜色填充后的断层图像形成断层图像数据集B4；S4、将断层图像数据集B4的断层图像中的含有亚组织的目标器官代替断层图像数据集A2的断层图像中的目标器官，形成新的断层图像数据集A3；并对断层图像数据集A3的断层图像中的目标器官亚组织及其他器官组织赋予不同的元素组成和密度值；
S5、利用断层图像数据集A3的断层图像建立实验动物的体素模型。
具体地，所述处理器50对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。需要强调的是，为进一步保证上述基于双分辨率断层图像的体素模型建立程序的私密和安全性，上述数据库高可用处理数据存储于本服务器集群所处区块链的节点中。
进一步地，所述电子设备5集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
本发明实施例还提供一种计算机可读存储介质，所述存储介质可以是非易失性的，也可以是易失性的，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述基于双分辨率断层图像的体素模型建立方法。
具体地，所述计算机程序被处理器执行时具体实现方法可参考实施例基于双分辨率断层图像的体素模型建立方法中相关步骤的描述，在此不赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种基于双分辨率断层图像的体素模型建立方法，其特征在于，方法包括：
S1、分别按照CT扫描分辨率一和CT扫描分辨率二对实验动物进行扫描，以获取实验动物的断层图像数据集A0和实验动物的断层图像数据集B0；
S2、对所述断层图像数据集A0和所述断层图像数据集B0分别进行无用像素裁剪的预处理，获得预处理后的断层图像数据集A1和断层图像数据集B1；
S3、以待检测的含有亚组织的器官作为目标器官，利用阈值分割技术按照预设的分割阈值一T1对断层图像数据集A1中的目标器官进行识别和分割，得到分割后的断层图像集合；将所述分割后的断层图像集合中的各个器官分别按照颜色值进行颜色填充，并将颜色填充后的断层图像形成断层图像数据集A2；以及，
利用阈值分割技术按照预设的分割阈值二T2对所述断层图像数据集B1中的断层图像进行器官识别，分割目标器官并去除目标器官以外的器官后，得到断层图像数据集B2；利用阈值分割技术对所述断层图像数据集B2的断层图像进行目标器官亚组织的识别及分割，得到断层图像集合B3；
将所述断层图像集合B3的断层图像中各个目标器官亚组织分别按照颜色值进行颜色填充，并将颜色填充后的断层图像形成断层图像数据集B4；
S4、将断层图像数据集B4的断层图像中的含有亚组织的目标器官代替断层图像数据集A2的断层图像中的目标器官，形成新的断层图像数据集A3；并对断层图像数据集A3的断层图像中的目标器官亚组织及其他器官组织赋予不同的元素组成和密度值；
S5、利用断层图像数据集A3的断层图像建立实验动物的体素模型。
2.如权利要求1所述的基于双分辨率断层图像的体素模型建立方法，其特征在于，
所述断层图像数据集A0的断层图像数量为Ka，所述断层图像数据集A0的断层图像CT扫描分辨率一为ja×ja，且30μm≤ja≤200μm；所述实验动物的断层图像数据集B0的断层图像数量为Kb，所述实验动物的断层图像数据集B0的断层图像CT扫描分辨率二为jb×jb，5μm≤jb≤10μm；且ja/jb＝N，N为整数；所述断层图像数据集A1的断层图像大小为La×Ha像素；所述断层图像数据集B1的断层图像大小为Lb×Hb像素，且Lb＝N×La，Hb＝N×Ha。
3.如权利要求1所述的基于双分辨率断层图像的体素模型建立方法，其特征在于，
步骤S4中将断层图像数据集B4的断层图像中的含有亚组织的目标器官代替断层图像数据集A2的断层图像中的目标器官的方法包括：
遍历断层图像数据集A2中断层图像的像素；筛选颜色值与目标器官的颜色值相同的像素，并记录颜色值与目标器官的颜色值相同的像素位置P(Xa，Ya，Za)；其中，Xa∈(1，2，3…Ha)，Ya∈(1，2，3…La)，Za∈(1，2，3…Ka)；Ha，La分别为断层图像数据集A2中断层图像的像素的最大行数和最大列数，Ka为断层图像数据集A2的断层图像的数量；
在断层图像数据集B4的断层图像中定位与像素P(Xa，Ya，Za)对应的像素Q(Xb，Yb，Zb)，Xb∈(1，2，3…Hb)，Yb∈(1，2，3…Lb)，Zb∈(1，2，3…Kb)，从像素Q(Xb，Yb，Zb)位置按顺序读取N×N个像素，并记录每个像素的颜色值；其中，Xb＝N×Xa，Yb＝N×Ya，Zb＝N×Za；
将断层图像数据集A2中断层图像的位置为P(Xa，Ya，Za)的像素的颜色值替换为所记录的位置为Q(Xb，Yb，Zb)的每个像素的颜色值。
4.如权利要求1所述的基于双分辨率断层图像的体素模型建立方法，其特征在于，在步骤S3中，将所述分割后的断层图像集合中的各个器官分别按照颜色值进行颜色填充的方法包括：
将所述分割后的断层图像集合中的各个器官分别按照颜色值Cn(a，b，c)进行颜色填充；其中，n∈(1，2，3…S)，S为断层图像数据集A2中的器官组织的数量与断层图像数据集B4中的目标器官亚组织的数量之和；a，b，c分别代表RGB色空间中的红色R、绿色G、蓝色B的整数分量值，且0≤a≤255，0≤b≤255，0≤c≤255。
5.如权利要求1所述的基于双分辨率断层图像的体素模型建立方法，其特征在于，在步骤S3中，利用阈值分割技术对断层图像数据集B2的断层图像进行目标器官亚组织的识别及分割的方法包括：
遍历断层图像数据集B2的断层图像的像素，并利用初始估计阈值TH1将所述像素按照灰度值进行分类；
获取灰度值小于初始估计阈值TH1的像素的像素数量累计值u1和像素灰度累计值T3；获取像素灰度值大于初始估计阈值TH1的像素的像素数量累计值u2和像素灰度累计值T4；
并根据像素数量累计值u1、像素灰度累计值T3、像素数量累计值u2和像素灰度累计值T4获得平均灰度值AT1和AT2；并根据平均灰度值AT1和AT2获得新阈值TH2；其中，AT1＝T3/u1,平均灰度值AT2＝T4/u2；TH2＝(AT1+AT2)/2；
将所述新阈值TH2进行迭代训练直至|TH1-TH2|<T0；其中，T0为最优化阈值判断参数，且1≤T0≤5；
利用阈值分割技术按照所述新阈值TH2对断层图像数据集B2中的断层图像的像素进行目标器官亚组织的识别与分割。
6.如权利要求1所述的基于双分辨率断层图像的体素模型建立方法，其特征在于，在步骤S4中，对断层图像数据集A3的断层图像中的目标器官亚组织及其他器官组织赋予不同的元素组成和密度值的方法包括：
器官组织的元素组成用Yn{(e1，p1)，(e2，p2)，(e3，p3),…(ei，pi)}表示；每个器官组织的密度为ρn表示；其中，
n∈(1，2，3…S)，S为目标器官亚组织数量及其他器官组织数量之和，ei表示某个化学元素，pi表示该化学元素的质量百分比，且p1+p2+p3…+pi＝1。
7.权利要求1-6中任一项所述的基于双分辨率断层图像的体素模型建立方法在骨剂量学中的应用，其特征在于，
利用粒子输运模拟软件对实验动物的体素模型进行粒子外照射，当次级粒子在除目标器官之外的器官或者组织输运时，调用断层图像数据集A2的低分辨率断层图像，利用蒙特卡洛算法对除目标器官以外的器官进行辐射剂量计算；
当所述次级粒子进入到含有亚组织的目标器官的边界时，调用断层图像数据集B4的高分辨率断层图像，利用蒙特卡洛算法进行目标器官的器官辐射剂量计算。
8.根据权利要求7所述的基于双分辨率断层图像的体素模型建立方法在骨剂量学中的应用，其特征在于，
当所述次级粒子进入到含有亚组织的目标器官的边界时，调用断层图像数据集B4的高分辨率断层图像，利用蒙特卡洛算法进行目标器官的器官辐射剂量计算的方法包括：
模拟粒子总数为N0，初始第i个入射粒子状态为：Par(i)(E0，P0，Ω0)，i∈(1，2，3…N0)，其中，E0，P0，Ω0分别代表粒子Par(i)的初始能量、初始位置以及初始方向；当所述次级粒子运动到断层图像数据集A2中断层图像骨骼均匀组织的边界时，记录所述次级粒子的状态为Par′(i)(E′，P′，Ω′)，其中，E′，P′，Ω′分别代表次级粒子Par′(i)的初始能量、初始位置以及初始方向；将状态为Par′(i)(E′，P′，Ω′)的次级粒子作为初始入射粒子，将断层图像数据集A2中断层图像的位置为P′的骨骼均匀组织替换为断层图像数据集B4中断层图像的位置为Q的骨矿和骨髓组织；
状态为Par′(i)(E′，P′，Ω′)的次级粒子与所述骨矿和骨髓组织相互作用，当次级粒子剩余能量小于或等于截止能量ε，记录所述次级粒子在骨矿中的沉积能量为Eb(i)，次级粒子在骨髓组织中的沉积能量Em(i)，且Eb(i)+Em(i)＝E′；
当所述次级粒子逃出断层图像数据集B4中断层图像骨矿和骨髓组织的边界时，记录逃出次级粒子的状态为Par″(i)(E″，P″，Ω″)，其中，E″，P″，Ω″分别代表逃出次级粒子Par″(i)的初始能量、初始位置以及初始方向；记录所述逃出次级粒子在骨矿中的沉积能量为Eb(i)，逃出次级粒子在骨髓组织中的沉积能量Em(i)，且Eb(i)+Em(i)＝E′-E″；
所述逃出次级粒子在除骨矿和骨髓组织之外的器官输运，直至所述逃出次级粒子剩余能量小于或等于截止能量ε；对沉积在双分辨率小动物体素模型中骨矿和骨髓组织的沉积能量进行平均值计算，获得单个粒子的骨矿沉积能量Eb′和骨髓组织沉积能量Em′；
其中，
Figure FDA0003532800010000041
利用所述单个粒子的骨矿沉积能量Eb′获得骨矿的器官辐射剂量转换系数Db/Φ，利用所述单个粒子的骨髓组织沉积能量Em′获得骨髓组织的器官辐射剂量转换系数Dm/Φ；其中，
Db/Φ＝(Eb′/Mb)×Sa；Mb为骨矿总质量，Sa为粒子源的截面积；
Dm/Φ＝(Em′/Mm)×Sa；Mm为骨髓总质量，Sa为粒子源的截面积。
9.一种基于双分辨率断层图像的体素模型建立装置，其特征在于，包括图像数据集获取模块、器官分割模块、目标器官替换模块和体素模型建立模块；
所述图像数据集获取模块，用于分别按照CT扫描分辨率一和CT扫描分辨率二对实验动物进行扫描，以获取实验动物的断层图像数据集A0和实验动物的断层图像数据集B0；
对所述断层图像数据集A0和所述断层图像数据集B0分别进行无用像素裁剪的预处理，获得预处理后的断层图像数据集A1和断层图像数据集B1；
所述器官分割模块，用于将待检测的含有亚组织的器官作为目标器官，利用阈值分割技术按照预设的分割阈值一T1对断层图像数据集A1中的目标器官进行识别和分割，得到分割后的断层图像集合；将所述分割后的断层图像集合中的各个器官分别按照颜色值进行颜色填充，并将颜色填充后的断层图像形成断层图像数据集A2；以及，
利用阈值分割技术按照预设的分割阈值二T2对所述断层图像数据集B1中的断层图像进行器官识别，分割目标器官并去除目标器官以外的器官后，得到断层图像数据集B2；利用阈值分割技术对所述断层图像数据集B2的断层图像进行目标器官亚组织的识别及分割，得到断层图像集合B3；
将所述断层图像集合B3的断层图像中各个目标器官亚组织分别按照颜色值进行颜色填充，并将颜色填充后的断层图像形成断层图像数据集B4；
所述目标器官替换模块，用于将断层图像数据集B4的断层图像中的含有亚组织的目标器官代替断层图像数据集A2的断层图像中的目标器官，形成新的断层图像数据集A3；并对断层图像数据集A3的断层图像中的目标器官亚组织及其他器官组织赋予不同的元素组成和密度值；
所述体素模型建立模块，用于利用断层图像数据集A3中的断层图像建立实验动物的体素模型。
10.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至6中任一所述的基于双分辨率断层图像的体素模型建立方法中的步骤。
CN202110976936.8A 2021-08-24 2021-08-24 基于双分辨率断层图像的体素模型建立方法 Active CN113808229B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110976936.8A CN113808229B (zh) 2021-08-24 2021-08-24 基于双分辨率断层图像的体素模型建立方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110976936.8A CN113808229B (zh) 2021-08-24 2021-08-24 基于双分辨率断层图像的体素模型建立方法

Publications (2)

Publication Number Publication Date
CN113808229A CN113808229A (zh) 2021-12-17
CN113808229B true CN113808229B (zh) 2022-05-03

Family

ID=78941806

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110976936.8A Active CN113808229B (zh) 2021-08-24 2021-08-24 基于双分辨率断层图像的体素模型建立方法

Country Status (1)

Country Link
CN (1) CN113808229B (zh)

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110390638B (zh) * 2019-07-22 2023-07-28 北京工商大学 一种高分辨率三维体素模型重建方法
CN112581513B (zh) * 2019-09-29 2022-10-21 北京大学 锥束计算机断层扫描图像特征提取与对应方法
CN111161369B (zh) * 2019-12-20 2024-04-23 上海联影智能医疗科技有限公司 图像重建存储方法、装置、计算机设备和存储介质
CN112529950B (zh) * 2020-12-08 2022-03-11 中国人民解放军军事科学院军事医学研究院 一种用于辐射剂量评估的生物体体素模型实现方法

Also Published As

Publication number Publication date
CN113808229A (zh) 2021-12-17

Similar Documents

Publication Publication Date Title
Putra et al. Current applications and development of artificial intelligence for digital dental radiography
Fu et al. Deep learning approaches using 2D and 3D convolutional neural networks for generating male pelvic synthetic computed tomography from magnetic resonance imaging
Trägårdh et al. RECOMIA—a cloud-based platform for artificial intelligence research in nuclear medicine and radiology
Caon Voxel-based computational models of real human anatomy: a review
Xu et al. VIP-Man: an image-based whole-body adult male model constructed from color photographs of the Visible Human Project for multi-particle Monte Carlo calculations
Bilgir et al. An artifıcial ıntelligence approach to automatic tooth detection and numbering in panoramic radiographs
Shui et al. The production of digital and printed resources from multiple modalities using visualization and three-dimensional printing techniques
Weber Another link between archaeology and anthropology: virtual anthropology
CN104700438B (zh) 图像重建方法及装置
CN103562960B (zh) 用于生成图像的图像区域与元素类之间的分配的装置
US8588498B2 (en) System and method for segmenting bones on MR images
CN103445801B (zh) 用于执行衰减校正的方法和系统
CN113420491B (zh) 粒子外照射实验动物器官辐射剂量评估方法
De Biase et al. Deep learning aided oropharyngeal cancer segmentation with adaptive thresholding for predicted tumor probability in FDG PET and CT images
Görürgöz et al. Performance of a convolutional neural network algorithm for tooth detection and numbering on periapical radiographs
Sharma et al. Can photon-counting CT improve estimation accuracy of morphological radiomics features? A simulation study for assessing the quantitative benefits from improved spatial resolution in deep silicon-based photon-counting CT
Camine et al. The big puzzle: A critical review of virtual re-association methods for fragmented human remains in a DVI context'
Bachtler et al. Fractal dimension in CBCT images as predictor for MRONJ: a retrospective cohort study
Jaus et al. Towards unifying anatomy segmentation: automated generation of a full-body CT dataset via knowledge aggregation and anatomical guidelines
CN113808229B (zh) 基于双分辨率断层图像的体素模型建立方法
Nassef et al. Extraction of human mandible bones from multi-slice computed tomographic data
Khodajou-Chokami et al. Data fusion approach for constructing unsupervised augmented voxel-based statistical anthropomorphic phantoms
Caon et al. Computer-assisted segmentation of CT images by statistical region merging for the production of voxel models of anatomy for CT dosimetry
Antila et al. Segmentation of facial bone surfaces by patch growing from cone beam CT volumes
Papasratorn et al. Investigation of the best effective fold of data augmentation for training deep learning models for recognition of contiguity between mandibular third molar and inferior alveolar canal on panoramic radiographs

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