一种双模态医学成像中引导检查床自动摆位的方法和系统
技术领域
本发明涉及医学成像技术领域,尤其涉及一种双模态医学成像中引导检查床自动摆位的方法和系统。
背景技术
双模态医学成像是指将两种不同医学成像装置集成在同一机架上,通过检查床承载受检者移动,在一次检查中先后或同时完成两种模态成像的技术。目前临床上常用的双模态影像设备主要包括由单光子发射计算断层成像设备(SPECT)与正电子发射断层成像设备(PET)等核医学功能影像设备与X光计算机断层成像设备(CT)及磁共振成像设备(MRI)等解剖影像设备组成的SPECT/CT、PET/CT及PET/MR一体机。
与CT、MRI单模态相比,双模态成像存在类似但有差异的摆位需求,相同之处在于首先需要通过某种检测或计算方法引导检查床运动至模态I的扫描位置和范围完成初步扫描,差异在于通常需要针对模态I的扫描结果进行初步分析,进一步精确定位模态II的扫描位置和范围,以提升图像质量和扫描效率。目前在临床上,上述摆位操作的第一步主要是通过设备操作人员(技师)根据经验手动控制病床移动完成,第二步主要是由操作人员在控制软件的模态I扫描图像结果上手动勾画扫描范围来实现的。当前的操作一方面增加了操作人员的工作量,降低了扫描效率,另一方面,操作人员在检查室内手动摆位,近距离接触注射了放射性显像药物的受检者,也增加了操作人员的职业辐射剂量。
近年来,有厂家和研究人员提出在CT扫描前,利用可见光或红外摄像装置拍摄受检者图像,通过深度学习等图像分析技术初步定位受检者的不同解剖部位,从而自动引导检查床引导完成针对某一部位CT扫描的技术。上述技术的局限性在于仅能解决上述摆位操作的第一步——轴向近似摆位的问题,不能解决第二步精确摆位的问题,同时,引入摄像摆位装置也会增加扫描设备的复杂度,从而增加可靠性风险。
发明内容
本发明的目的在于提出一种双模态医学成像中引导检查床自动摆位的方法和系统,本发明的方法基于双模态医学成像中采集的图像,引导检查床自动摆位,不仅在最大程度上降低了对操作人员的经验需求和减轻其劳动强度,还能在无需引入外部检测设备或者摄像装置的前提下实现检查床自动引导摆位,降低了系统的复杂度,保证系统的可靠性。
为达此目的,本发明采用以下技术方案:
一种双模态医学成像中引导检查床自动摆位的方法,该方法包括以下步骤:
A、根据人体部位比例统计模型、受检者在检查床的体位和受检者在检查床的轴向位置,得到受检者不同身体部位对应于检查床的轴向近似定位信息,其中包含了目标成像部位的轴向近似定位信息;
B、基于目标成像部位的轴向近似定位信息,引导检查床移动并采集模态I定位像,之后,识别模态I定位像中的身体部位,检测身体部位的轴向位置和范围信息,与目标成像部位进行名称比对,确定目标成像部位的精确定位信息;
C、基于目标成像部位的精确定位信息,引导检查床移动,完成模态I断层成像,对模态I断层成像中的主要器官进行三维分割,确定目标成像部位/器官的三维空间定位信息;
D、基于目标成像部位/器官的三维空间定位信息,引导检查床移动至对应模态II成像的位置,针对目标成像部位/器官进行模态II成像采集。
进一步的,所述步骤A中:
所述人体部位比例统计模型定义了不同人群的身体部位相对于身高的比例范围,其中身体部位包括了头颈、胸、上腹、下腹、大腿、小腿及双足。
进一步的,所述步骤B中:模态I定位像的采集范围是将步骤A中的目标成像部位的轴向近似定位信息中的轴向范围进行不超过50%拓展的范围。
进一步的,所述步骤C中:模态I的断层成像范围是将步骤B中的目标成像部位的精确定位信息的轴向范围进行不超过10%拓展后的范围。
进一步的,所述步骤C中,应用基于图像的深度学习分析算法,对模态I断层成像中的主要器官进行三维分割,输出模态I断层成像中的主要器官的三维空间位置和范围信息,基于此信息得出目标成像部位/器官的三维空间位置和范围信息,即三维空间定位信息。
进一步的,所述应用基于图像的深度学习分析算法,对模态I断层成像中的主要器官进行三维分割是采用unet++分割网络训练完成的。
进一步的,所述步骤B输出的目标成像部位的精确定位信息和所述步骤C输出的目标成像部位/器官的三维空间定位信息均显示在控制界面上,操作人员可手动调整所述目标成像部位的精确定位信息和所述目标成像部位/器官的三维空间定位信息。
一种双模态医学成像中引导检查床自动摆位的系统,包括:
检查床,所述检查床用于供受检者平躺,所述检查床还设有驱动机构,所述驱动机构能驱动检查床平移和升降;
第一计算模块,所述第一计算模块用于根据人体部位比例统计模型、受检者在检查床的体位和受检者在检查床的轴向位置,得到受检者不同身体部位对应于检查床的轴向近似定位信息,其中包含了目标成像部位的轴向近似定位信息;
模态I图像采集模块,所述驱动机构基于目标成像部位的轴向近似定位信息驱动所述检查床到达模态I定位像采集位后,所述模态I图像采集模块用于采集模态I定位像;
第二计算模块,所述第二计算模块用于识别模态I定位像中的身体部位,检测身体部位的轴向位置和范围信息,与目标成像部位进行名称比对,确定目标成像部位的精确定位信息;所述驱动机构基于目标成像部位的精确定位信息驱动所述检查床到达模态I断层成像采集位后,所述模态I图像采集模块还用于采集模态I断层成像;
三维分割模块,所述三维分割模块用于对模态I断层成像中的主要器官进行三维分割,确定目标成像部位/器官的三维空间定位信息;
模态II图像采集模块,所述驱动机构基于目标成像部位/器官的三维空间定位信息驱动所述检查床到达模态II成像位置后,所述模态II图像采集模块用于针对目标成像部位/器官采集模态II成像。
进一步的,所述模态I图像采集模块采集模态I定位像的范围是将目标成像部位的轴向近似定位信息中的轴向范围进行不超过50%拓展的范围;
所述模态II图像采集模块的采集模态II成像的范围是将步骤B中的目标成像部位的精确定位信息的轴向范围进行不超过10%拓展后的范围。
进一步的,所述三维分割模块搭载有图像的深度学习分析算法,所述三维分割模块对模态I断层成像中的主要器官进行三维分割,输出模态I断层成像中的主要器官的三维空间位置和范围信息,基于此信息得出目标成像部位/器官的三维空间位置和范围信息,即三维空间定位信息。
本发明提供的技术方案可以包括以下有益效果:
1、发明的方法基于双模态医学成像中采集的图像,引导检查床自动摆位,在双模态成像流程中的检查床自动摆位,不仅在最大程度上降低了对操作人员的经验需求和减轻其劳动强度;
2、本发明的方法中,基于双模态医学成像中采集的图像,即可实现引导检查床自动摆位,能在无需引入外部检测设备或者摄像装置的前提下实现检查床自动引导摆位,降低了系统的复杂度,保证系统的可靠性。
3、基于双模态成像流程中的检查床自动摆位,能有效提高成像效率,因此,采用本发明的方法能有效提升SPECT/CT、PET/CT和PET/MRI双模态医学成像扫描效率。
附图说明
图1是本发明一个实施例的双模态医学成像中引导检查床自动摆位的方法的流程图;
图2是本发明一个实施例的步骤B中卷积神经网络RetinaNet的结构示意图;
图3是本发明一个实施例的步骤A中受检者不同身体部位对应于检查床的轴向近似定位信息的示意图;
图4是本发明一个实施例的步骤C中卷积神经网络Unet++的结构示意图;
图5是本发明一个实施例的步骤C中模态I断层成像中的主要器官进行三维分割的效果示意图;
图6是本发明一个实施例的步骤C中模态I断层成像中的主要器官进行三维分割的横截面分割精度示意图;
图7是本发明一个实施例的步骤C中模态I断层成像中的主要器官进行三维分割的矢状位层面分割精度示意图;
图8是本发明一个实施例的步骤C中模态I断层成像中的主要器官进行三维分割的冠状位层面分割精度示意图;
图9是本发明一个实施例的步骤C中输出模态I断层成像中的主要器官的冠状位空间位置和范围信息示意图;
图10是本发明一个实施例的步骤C中输出模态I断层成像中的主要器官的横断面空间位置和范围信息示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
本发明提供一种双模态医学成像中引导检查床自动摆位的方法,该方法包括以下步骤:
A、根据人体部位比例统计模型、受检者在检查床的体位和受检者在检查床的轴向位置,得到受检者不同身体部位对应于检查床的轴向近似定位信息,其中包含了目标成像部位的轴向近似定位信息;
B、基于目标成像部位的轴向近似定位信息,引导检查床移动并采集模态I定位像,之后,识别模态I定位像中的身体部位,检测身体部位的轴向位置和范围信息,与目标成像部位进行名称比对,确定目标成像部位的精确定位信息;
C、基于目标成像部位的精确定位信息,引导检查床移动,完成模态I断层成像,对模态I断层成像中的主要器官进行三维分割,确定目标成像部位/器官的三维空间定位信息;
D、基于目标成像部位/器官的三维空间定位信息,引导检查床移动至对应模态II成像的位置,针对目标成像部位/器官进行模态II成像采集。
本发明的方法中,首先确定受检者不同身体部位对应于检查床的轴向近似定位信息,以此信息为基础,进行模态I和模态II的成像采集,并在采集过程中,对采集的图像引导检查床移动。因此,本发明中,检查床的自动摆位是融入在双模态成像流程中的,在最大程度上降低了对操作人员的经验需求和减轻其劳动强度。而且,基于双模态成像流程中的检查床自动摆位,能有效提高成像效率。
另外,本发明的方法中,基于双模态医学成像中采集的图像,即可实现引导检查床自动摆位,无需引物外部检测设备或者摄像装置,降低了双模态成像系统的复杂度,保证双模态成像系统的可靠性。
本发明的方法适用于SPECT/CT、PET/CT和PET/MRI双模态医学成像系统,其中,CT和MRI对应模态I,SPECT和PET对应模态II。
更进一步说明,步骤A中:人体部位比例统计模型定义了不同人群的身体部位相对于身高的比例范围,其中身体部位包括了头颈、胸、上腹、下腹、大腿、小腿及双足。由此,人体部位比例统计模型,可以根据身高和受检者在检查床上的体位与轴向位置,确定受检者身体不同部位在检查床上的轴向位置范围信息。
下表即不同人群的身体部位相对于身高的比例范围:
人群 |
亚洲男性 |
欧美男性 |
亚洲女性 |
欧美女性 |
头颈/身高 |
0.156 |
0.167 |
0.156 |
0.167 |
胸长/身高 |
0.122 |
0.104 |
0.122 |
0.104 |
上腹/身高 |
0.122 |
0.104 |
0.122 |
0.104 |
下腹/身高 |
0.133 |
0.167 |
0.133 |
0.167 |
大腿/身高 |
0.2 |
0.145 |
0.2 |
0.145 |
(小腿+双足)/身高 |
0.267 |
0.313 |
0.267 |
0.313 |
具体的,根据人体部位比例模型与受检者扫描体位(头进或脚进)、身高、年龄、头顶(或双足)所在病床位置等参数自动计算出头颈、胸、上腹、下腹、大腿、小腿及双足等身体不同部位对应于检查床轴向近似位置与范围。当受检者为头进扫描时,头顶所在位置为病床标尺刻度0,假设病人身高1.7m,亚洲男性,根据上表,预测病人头颈部所在区域[0,0.265],胸部[0.265,0.472],上腹部[0.472,0.679],下腹[0.679,0.905],大腿[0.905,1.245],小腿及双足[1.245,1.7]。
更进一步说明,步骤B中:模态I定位像的采集范围是将步骤A中的目标成像部位的轴向近似定位信息中的轴向范围进行不超过50%拓展的范围。这是因为,考虑到步骤B采集范围是基于步骤A的统计模型确定的,针对个体的误差可能较大,因此采用不超过50%的拓展,优选的,采用20-50%的拓展。
具体的,步骤B为:基于目标成像部位的轴向近似定位信息,引导检查床移动并采集模态I定位像,之后,应用图像深度学习算法,识别模态I定位像中的身体部位,需要说明的是,识别的身体部位与步骤A中受检者的身体部位相同,之后,检测身体部位的轴向位置和范围信息,与目标成像部位进行名称比对,确定目标成像部位的精确定位信息。其中,检测身体部位的轴向位置和范围信息的方法是:根据模态I定位像中检测出不同身体部位的位置和范围信息,结合病人头部或脚部所在病床标尺刻度的参考位置,换算出每个身体部位在病床上的精确位置和范围信息。
需要说明的是,医学影像扫描目标一般以部位或者器官来定义,对于检查目标为部位(即身体部位)的情况,上述名称比对是指直接将目标部位与基于定位像中检测出的部位相比对,进一步确定扫描部位的轴向位置和范围;对于检查目标为器官的情况,上述名称比对即根据人体解剖结构规律确定器官和部位的从属关系,如甲状腺属于头颈部,肺与心脏属于胸部,肝与胃属于上腹部,结肠属于下腹部等。通过名称比对,确定下一步扫描的目标部位即目标成像部位,该目标成像部位与定位像中检测出的部位相比对,确定目标成像部位的轴向位置和范围。
步骤B中的应用图像深度学习算法,识别模态I定位像中的身体部位是采用卷积神经网络RetinaNet实现的,如图2所示,卷积神经网络RetinaNet可以分为ResNet、FPN、分类/回归子网络三个部分,其中,Resnet用以提取不同尺度下的特征图;FPN结构用来提取不同尺度的特征结构,用来提高检测精度,在获得了各层特征图之后还进行回传,进行上采样,并且和原来正向传播的特征图进行相加,实现特征的融合;最后的检测头部分(分类/回归子网络),以共享参数的方式输出检测框的位置和类别。
更进一步说明,步骤C中:模态I的断层成像范围是将步骤B中的目标成像部位的精确定位信息的轴向范围进行不超过10%拓展后的范围。考虑步骤B的定位像检测仍然存在可能的误差,因此选择进行不超过10%的轴向范围拓展,优选的,采用5-10%的拓展。
为了得到较为准确的器官分割效果,进一步的,步骤C中,应用基于图像的深度学习分析算法,对模态I断层成像中的主要器官进行三维分割,输出模态I断层成像中的主要器官的三维空间位置和范围信息,基于此信息得出目标成像部位/器官的三维空间位置和范围信息,即三维空间定位信息。需要说明的是,采用直接对应或间接推算的方式得出目标成像部位/器官的三维空间位置和范围信息,其中的间接推算是基于不能直接检测分割的器官相对于可以直接检测分割的多个器官的空间位置关系的统计模型得出的。
具体的,应用基于图像的深度学习分析算法,对模态I断层成像中的主要器官进行三维分割是采用unet++分割网络训练完成的。如图4所示,unet++分割网络的原理是在unet基础上增加了encode下采样(Down-sampling)与decode上采样(Up-sampling)间的skip-connection连接,包含短连接和类似残差网络的长连接,以便网络可以传输更多的特征信息。
为了进一步提高定位信息的准确性,进一步的,步骤B输出的目标成像部位的精确定位信息和步骤C输出的目标成像部位/器官的三维空间定位信息均显示在控制界面上,操作人员可手动调整目标成像部位的精确定位信息和目标成像部位/器官的三维空间定位信息。如图6-10所示,控制界面上能显示模态I断层成像的多个断层的空间定位信息,即输出的目标成像部位/器官的三维空间定位信息。
本发明还提供了一种双模态医学成像中引导检查床自动摆位的系统,包括:检查床、第一计算模块、模态I图像采集模块、第二计算模块、三维分割模块和模态II图像采集模块,该系统基于上述的双模态医学成像中引导检查床自动摆位的方法,各模块相互协调,协同完成双模态医学成像中的引导检查床自动摆位和完成双模态医学成像。
检查床用于供受检者平躺,检查床还设有驱动机构,驱动机构能驱动检查床平移和升降,基于受检者在检查床的体位,能使得目标成像部位分别对应两个模态,提高双模态医学成像的效率。
第一计算模块,第一计算模块用于根据人体部位比例统计模型、受检者在检查床的体位和受检者在检查床的轴向位置,得到受检者不同身体部位对应于检查床的轴向近似定位信息,其中包含了目标成像部位的轴向近似定位信息。
模态I图像采集模块,驱动机构基于目标成像部位的轴向近似定位信息驱动检查床到达模态I定位像采集位后,模态I图像采集模块用于采集模态I定位像;模态I图像采集模块采集模态I定位像的范围是将目标成像部位的轴向近似定位信息中的轴向范围进行不超过50%拓展的范围。
第二计算模块,第二计算模块用于识别模态I定位像中的身体部位,检测身体部位的轴向位置和范围信息,与目标成像部位进行名称比对,确定目标成像部位的精确定位信息;驱动机构基于目标成像部位的精确定位信息驱动检查床到达模态I断层成像采集位后,模态I图像采集模块还用于采集模态I断层成像。
三维分割模块,三维分割模块用于对模态I断层成像中的主要器官进行三维分割,确定目标成像部位/器官的三维空间定位信息;三维分割模块搭载有图像的深度学习分析算法,三维分割模块对模态I断层成像中的主要器官进行三维分割,输出模态I断层成像中的主要器官的三维空间位置和范围信息,基于此信息得出目标成像部位/器官的三维空间位置和范围信息,即三维空间定位信息。
模态II图像采集模块,驱动机构基于目标成像部位/器官的三维空间定位信息驱动检查床到达模态II成像位置后,模态II图像采集模块用于针对目标成像部位/器官采集模态II成像。模态II图像采集模块的采集模态II成像的范围是将步骤B中的目标成像部位的精确定位信息的轴向范围进行不超过10%拓展后的范围。
根据本发明实施例的一种双模态医学成像中引导检查床自动摆位的方法和系统的其他构成等以及操作对于本领域普通技术人员而言都是已知的,这里不再详细描述。
在本说明书的描述中,参考术语“实施例”、“示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。