CN115880311A - 计算机断层扫描中的自适应自动分割 - Google Patents
计算机断层扫描中的自适应自动分割 Download PDFInfo
- Publication number
- CN115880311A CN115880311A CN202211199413.8A CN202211199413A CN115880311A CN 115880311 A CN115880311 A CN 115880311A CN 202211199413 A CN202211199413 A CN 202211199413A CN 115880311 A CN115880311 A CN 115880311A
- Authority
- CN
- China
- Prior art keywords
- volume
- mask
- metal
- computer
- reconstructed
- 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.)
- Pending
Links
- 230000011218 segmentation Effects 0.000 title claims abstract description 29
- 230000003044 adaptive effect Effects 0.000 title abstract description 12
- 238000002591 computed tomography Methods 0.000 title abstract description 10
- 239000002184 metal Substances 0.000 claims abstract description 195
- 238000000034 method Methods 0.000 claims abstract description 118
- 210000003484 anatomy Anatomy 0.000 claims abstract description 63
- 230000008569 process Effects 0.000 claims description 67
- 210000000746 body region Anatomy 0.000 claims description 5
- 230000000399 orthopedic effect Effects 0.000 claims description 5
- 230000010339 dilation Effects 0.000 claims description 4
- 239000000463 material Substances 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 2
- 238000003384 imaging method Methods 0.000 description 90
- 238000001959 radiotherapy Methods 0.000 description 50
- 230000008439 repair process Effects 0.000 description 28
- 210000001519 tissue Anatomy 0.000 description 25
- 238000007408 cone-beam computed tomography Methods 0.000 description 19
- 230000000007 visual effect Effects 0.000 description 18
- 239000011159 matrix material Substances 0.000 description 15
- 238000002156 mixing Methods 0.000 description 15
- 238000002786 image-guided radiation therapy Methods 0.000 description 13
- 238000012545 processing Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 9
- 230000033001 locomotion Effects 0.000 description 9
- 230000005855 radiation Effects 0.000 description 9
- 238000013459 approach Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 7
- 210000000920 organ at risk Anatomy 0.000 description 7
- 238000002719 stereotactic radiosurgery Methods 0.000 description 7
- 206010028980 Neoplasm Diseases 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000007704 transition Effects 0.000 description 4
- 210000001015 abdomen Anatomy 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000002721 intensity-modulated radiation therapy Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 210000004872 soft tissue Anatomy 0.000 description 3
- 210000000988 bone and bone Anatomy 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 210000004197 pelvis Anatomy 0.000 description 2
- 238000007493 shaping process Methods 0.000 description 2
- 238000002560 therapeutic procedure Methods 0.000 description 2
- 241000710177 Citrus tristeza virus Species 0.000 description 1
- 241000699670 Mus sp. Species 0.000 description 1
- 206010061902 Pancreatic neoplasm Diseases 0.000 description 1
- 241001123605 Peru tomato mosaic virus Species 0.000 description 1
- 238000002083 X-ray spectrum Methods 0.000 description 1
- 206010000210 abortion Diseases 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000002939 conjugate gradient method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004980 dosimetry Methods 0.000 description 1
- 210000001198 duodenum Anatomy 0.000 description 1
- 210000003414 extremity Anatomy 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 210000001624 hip Anatomy 0.000 description 1
- 235000003642 hunger Nutrition 0.000 description 1
- 238000003711 image thresholding Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005541 medical transmission Effects 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000004118 muscle contraction Effects 0.000 description 1
- 210000003739 neck Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 201000002528 pancreatic cancer Diseases 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000008855 peristalsis Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000037351 starvation Effects 0.000 description 1
- 210000002784 stomach Anatomy 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 230000002747 voluntary effect Effects 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/457—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by analysing connectivity, e.g. edge linking, connected component analysis or slices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
-
- 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
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2211/00—Image generation
- G06T2211/40—Computed tomography
- G06T2211/448—Computed tomography involving metal artefacts, streaking artefacts, beam hardening or photon starvation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本公开的各实施例涉及计算机断层扫描中的自适应自动分割。种分割患者解剖区域的重建体积的计算机实现的方法包括:确定与重建体积相关联的解剖区域;检测被布置在初始3D金属对象掩模中的与重建体积相关联的一个或多个金属对象;针对被布置在初始3D金属对象掩模中的一个或多个金属对象中的每个金属对象,确定与该金属对象相关联的体积;基于解剖区域以及与一个或多个金属对象相关联的体积,确定至少一个分割参数的值;以及使用分割参数的值生成与重建数字体积相关联的最终3D金属对象掩模。
Description
本申请的交叉引用
本申请要求2021年9月29日提交的美国临时申请号63/250,046的权益。上述美国临时申请包括其任何附录或附件,其整体通过引用并入本文。
技术领域
本公开涉及一种计算机实现的方法,具体涉及用于修改对象区域的X射线投影图像的计算机实现的方法。
背景技术
除非本文另外指出,否则在本部分中描述的方法不是本申请中的权利要求的现有技术,并且不通过包括在本部分中而被承认是现有技术。
放射疗法是用于特定靶组织(计划靶体积)诸如癌肿瘤的局部治疗。理想地,在计划目标体积上执行放射治疗,该计划目标体积使周围正常组织免于接收超过指定容限的剂量,从而最小化对健康组织的损伤风险。在实施放射治疗之前,通常采用成像系统来提供目标组织和周围区域的三维图像。从这种成像中,可以估计目标组织的尺寸和质量,确定计划目标体积,并生成适当的治疗计划。
为了在放射治疗期间将处方剂量正确地提供给计划靶区(即,靶组织),患者应当相对于提供放射治疗的线性加速器被正确地定位。通常,在治疗之前和治疗期间检查剂量测定和几何数据,以确保正确的患者放置以及所给予的放射治疗与先前计划的治疗相匹配。该过程被称为图像引导放射治疗(IGRT),并且涉及在放射治疗被递送到计划目标体积之前或之时立即使用成像系统来观察目标组织。IGRT结合了来自治疗计划的成像坐标,以确保患者被正确地对准,以便在放射治疗设备中进行治疗。
发明内容
根据各个实施例,处理对象区域的重建体积,从而减少重建体积中的视觉伪影。具体地,在一些实施例中,采用新颖的内部修复,混合和/或金属对象提取技术来减少或消除在包括一个或多个金属对象(诸如基准物或牙齿/整形部件)的解剖区域的重建体积中出现的视觉伪影。
在一些实施例中,采用自动过程来提取布置在扫描的解剖区域内的金属对象的位置信息。在自动处理中,识别并分类扫描区域中的患者解剖结构,并确定扫描区域中存在的金属类型。基于患者解剖结构和金属类型,确定便于为扫描区域生成投影金属对象掩模的精确阈值,并且这种掩模能够减少重建体积中的视觉伪影。
在一些实施例中,采用一种新颖的方法来修复对象区域的二维(2D)投影的被金属对象阻挡的部分。在该方法中,在同一2D投影内(投影内一致性)和相邻2D投影之间(投影间一致性),使用调和函数在数学上约束经修复的像素的值和已知值的像素之间的锐变。
在一些实施例中,采用新颖的混合方法来混合来自对象区域的多种类型的2D投影的图像信息(例如,初始投影图像,投影金属掩模,扁平投影和/或经修复的投影)。例如,在一个这样的实施例中,对象区域的初始(未修复的)投影图像内的区域由投影金属掩模来指示,并且这些区域用来自对象区域的扁平投影的图像信息来修改,该扁平投影经由常规的组织扁平化过程来生成。在该新颖的混合方法中,在相同的2D投影内(投影内一致性)和相邻的2D投影之间(投影间一致性),使用调和函数在数学上约束修改区域中的像素值和修改区域外的像素值之间的锐变。
在一些实施例中,采用新颖的混合方法来恢复对象区域的重建体积内的金属对象。在新颖的混合方法中,当将金属对象信息与经由去除金属对象而产生的重建体积混合时,使用非二进制金属掩模。由于非二进制金属掩模使得金属区域的边缘体素在最终的重建体积中看起来平滑,因此该新颖的混合方法改善了返回到重建体积时金属对象的外观。
前述发明内容仅是说明性的,并不旨在以任何方式进行限制。除了上述说明性方面,实施例和特征之外,通过参考附图和以下详细描述,其它方面,实施例和特征将变得显而易见。
附图说明
结合附图,根据以下描述和所附权利要求,本公开的前述和其他特征将变得更加完全显而易见。这些附图仅描绘了根据本公开的若干实施例,并且因此不被认为是对其范围的限制。通过使用附图,将以附加的的特定性和细节描述本公开。
图1是可以有利地实现本公开的各个方面的放射治疗系统的透视图。
图2示意性地示出了根据各个实施例的图1的放射治疗系统的驱动架和台架。
图3示意性地示出了根据各个实施例的图1的放射治疗系统的驱动架和龙门架。
图4示意性地示出了根据各个实施例的基于由包括在图1的放射治疗系统中的一个或多个X射线图像生成的投影图像构建的数字体积。
图5示意性地示出了根据一个实施例的金属对象对患者解剖结构的区域的成像的影响。
图6阐述了根据一个或多个实施例的用于对患者解剖结构的区域进行成像的计算机实现的过程的流程图。
图7阐述了根据一个或多个实施例的用于分割患者解剖结构的区域的重建体积的计算机实现的过程的流程图。
图8阐述了根据一个或多个实施例的用于修复患者解剖结构的区域的2D投影的计算机实现的过程的流程图。
图9示意性地示出了根据各个实施例的与2D投影金属掩模组合以形成组合的2D投影的采集的2D投影图像。
图10示意性地示出了根据各个实施例的3D矩阵。
图11示意性地示出了根据各个实施例的彼此相邻的3D矩阵和投影内像素的一部分。
图12是被配置为执行各个实施例的计算设备的说明。
图13是用于实现一个或多个实施例的计算机程序产品的说明性实施例的框图。
具体实施方式
在下面的详细说明中,参考附图,附图形成说明的一部分。在附图中,类似的符号通常表示类似的部件,除非上下文另有规定。在详细描述,附图和权利要求中描述的说明性实施例并不意味着限制。在不脱离这里呈现的主题的精神或范围的情况下,可以利用其他实施例,并且可以做出其他改变。将容易理解,如本文大体描述且在附图中说明的本公开的各个方面可以多种不同配置来布置,替代,组合和设计,所有这些配置均被明确预期且构成本公开的一部分。
引言
图像引导放射治疗(IGRT)被用于治疗身体中受到随意运动(诸如肺)或非随意运动(诸如受蠕动,气体运动,肌肉收缩等影响的器官)的区域中的肿瘤。IGRT涉及在放射治疗被输送到靶组织之前或之时立即使用成像系统来观察靶组织(也称为“靶体积”)。在IGRT中,将来自先前确定的治疗计划的目标体积的基于图像的坐标与在施加治疗射束之前或期间立即确定的目标体积的基于图像的坐标进行比较。这样,可以检测处于危险中的周围器官的变化和/或目标体积相对于放射治疗系统的运动或变形。因此,基于每日位置和形状精确地实施对处于危险中的器官的剂量限制,并且可以调整患者的位置和/或治疗射束以更精确地将放射剂量靶向肿瘤。例如,在胰腺肿瘤治疗中,处于危险中的器官包括十二指肠和胃。这些处于危险中的器官相对于目标体积的形状和相对位置可以逐日显著变化。因此,对这种危险器官的形状和相对位置的精确调整能够使剂量增加到目标体积并获得更好的治疗结果。
对于围绕目标体积的患者解剖结构的重建,经常采用计算机断层摄影(CT)或锥形束计算机断层摄影(CBCT)来产生二维(2D)投影图像,从该投影图像重建患者解剖结构。在这种图像重建中,扫描的解剖区域内的金属对象是对从重建的解剖区域产生的图像的质量产生负面影响的视觉伪影的重要来源。这些视觉伪影可由与扫描的解剖区域中金属的存在相关的一种或多种现象引起,包括多色CT和CBCT射束中的射束硬化,较大金属成分的光子饥饿,影响金属成分的成像X射线的散射,以及CT或CBCT采集期间金属对象的运动。这种视觉伪影通常会降低重建的质量和准确检测目标体积和/或与目标体积相邻的关键结构的当前位置的能力。
根据各个实施例,对患者解剖结构的区域的重建体积进行处理,从而减少重建体积中的金属相关的视觉伪影。具体地,在一些实施例中,采用一种或多种自动金属提取工艺,一种用于2D投影部分的修复的新颖方法,一种用于混合来自多种类型的2D投影的图像信息的新颖混合方法,和/或一种用于恢复重建体积内的金属对象的新颖混合方法来减少重建体积中的视觉伪影。
系统概述
图1是可以有利地实现本公开的各个方面的放射治疗系统100的透视图。放射治疗(RT)系统100是被配置为使用X射线成像技术近实时地检测馏分内运动的放射系统。因此,RT系统100被配置为提供立体定向放射外科和精确放射疗法,用于指示放射治疗的身体中任何地方的损伤,肿瘤和状况。这样,RT系统100可以包括产生高能X射线的兆伏(MV)治疗束的线性加速器(LINAC),一个或多个千伏(kV)X射线源,一个或多个X射线成像器,以及在一些实施例中的MV电子端口成像设备(EPID)中的一个或多个。作为示例,本文描述的放射治疗系统100配置有圆形龙门架。在其他实施例中,放射治疗系统100可以配置有能够经由滑环连接能够无限旋转的C形龙门架。
一般地,RT系统100能够在施加MV治疗束之前或期间立即对目标体积进行kV成像,从而可以使用X射线成像来执行IGRT和/或强度调制的放射治疗(IMRT)过程。RT系统100可以包括一个或多个触摸屏101,治疗床运动控制器102,孔103,基座定位组件105,布置在基座定位组件105上的治疗床107,以及图像获取和治疗控制计算机106,所有这些都布置在治疗室内。RT系统100还包括远程控制台110,其被布置在治疗室外部,并且能够从远程位置进行治疗递送和患者监测。基座定位组件105被配置为相对于孔103精确地定位治疗床107,并且运动控制器102包括输入设备(诸如按钮和/或开关),其使得用户能够操作基座定位组件105以自动且精确地将治疗床107相对于孔103定位到预定位置。运动控制器102还能够使用户手动地将治疗床107定位到预定位置。
图2示意性地示出了根据各个实施例的RT系统100的驱动架200和龙门架210。为了清楚起见,在图2中省略了RT系统100的盖,基座定位组件105,治疗床107和其它部件。驱动架200是用于RT治疗系统110的部件的固定支撑结构,包括龙门架210和用于可旋转地移动龙门架210的驱动系统201。驱动架200搁置在和/或固定到RT处理系统110外部的支撑表面(诸如RT处理设施的地板)。龙门架210可旋转地连接到驱动架200,并且是RT系统100的各种部件安装在其上的支撑结构,包括线性加速器(LINAC)204。MV电子端口成像设备(EPID)205,成像X射线源206和X射线成像器207。在RT治疗系统110的操作期间,当由驱动系统201致动时,台架220围绕孔103旋转。
驱动系统201旋转地致动龙门架210。在一些实施例中,驱动系统201包括线性马达,该线性马达可固定到驱动架200并与安装在龙门架210上的磁道(未示出)相互作用。在其它实施例中,驱动系统201包括用于使龙门架210围绕孔201精确旋转的另一合适的驱动机构。LINAC 204生成高能X射线(或在一些实施例中,电子,质子和/或其他重带电粒子,超高剂量率X射线(例如,用于FLASH放射治疗)或用于微束放射治疗的微束)的MV治疗束230,并且EPID 205被配置为使用治疗束230采集X射线图像。成像X射线源206被配置为通过RT系统100的等中心203将X射线的锥形束(本文称为成像X射线231)引导到X射线成像器207,等中心203通常对应于要治疗的目标体积209的位置。在图2所示的实施例中,X射线成像器207被描绘为平面设备,而在其它实施例中,X射线成像器207可以具有弯曲配置。
X射线成像器207接收成像X射线231并从中产生适当的投影图像。根据某些实施例,这样的投影图像然后可用于构造或更新数字体积的成像数据的部分,该部分对应于包括目标体积209的三维(3D)区域。即,从投影图像重构这种3D区域的3D图像。在一些实施例中,可以使用锥束计算机断层摄影(CBCT)和/或数字断层合成(DTS)来处理由X射线成像器207生成的投影图像。CBCT通常用于在相对长的采集弧上(例如在龙门架210的180°或更大的旋转上)采集投影图像。因此,可以产生成像体积的高质量3D重建。通常在放射治疗疗程开始时采用CBCT来生成建立的3D重建。例如,可以在施加治疗波束230之前立即采用CBCT,以生成确认目标体积209尚未移动或改变形状的3D重建。备选地,或附加地,在一些实施例中,在部分IGRT或IMRT过程期间由RT系统100执行部分数据重建,其中部分图像数据被用于生成目标体积209的3D重建。例如,当治疗射束230被引导到等中心203同时龙门架210旋转通过治疗弧时,可以执行DTS图像采集以生成目标体积209的图像数据。因为DTS图像采集是在相对短的采集弧上执行的(例如在大约10°和60°之间),所以在IGRT过程期间,可以通过DTS成像提供目标体积209的形状和位置的近实时的反馈。
在图2所示的实施例中,RT系统100包括单个X射线成像器和单个对应的成像X射线源。在其它实施例中,RT系统100可以包括两个或多个X射线成像器,每个具有对应的成像X射线源。图3示出了一个这样的实施例。
图3示意性地示出了根据各个实施例的RT系统100的驱动架300和龙门架310。除了安装在龙门架310上的RT系统100的部件之外(这些部件包括第一成像X射线源306,第一X射线成像器307,第二成像X射线源308和第二X射线成像器309),驱动架300和龙门架310在构造上基本类似于图2中的驱动架200和龙门架200。在这样的实施例中,RT系统100中包括多个X射线成像器有助于在较短的图像采集弧上生成投影图像(用于重构目标体积)。例如,当RT系统100包括两个X射线成像器和对应的X射线源时,用于采集某一图像质量的投影图像的图像采集弧可以近似是用于使用单个X射线成像器和X射线源来采集类似图像质量的投影图像的一半。
由X射线成像器207(或由第一X射线成像器307和第二X射线成像器309)生成的投影图像被用于构建包括目标体积的3D区域内的患者解剖结构的数字体积的成像数据。备选地或附加地,这样的投影图像可以用于更新对应于3D区域的数字体积的现有成像数据的部分。下面结合图4描述这种数字体积的一个实施例。
图4示意性地示出了根据各个实施例的基于由RT系统100中所包括的一个或多个X射线成像器生成的投影图像而构造的数字体积400。例如,在一些实施例中,投影图像可以由诸如X射线成像器207的单个X射线成像器生成,而在其他实施例中,投影图像可以由诸如第一X射线成像器307和第二X射线成像器309的多个X射线成像器生成。
数字体积400包括解剖图像数据的多个体素401(虚线),其中每个体素401对应于数字体积400内的不同位置。为了清楚起见,在图4中仅示出了单个体素401。数字体积400对应于包括目标体积410的3D区域。在图4中,数字体积400被描绘为8×8×8体素立方体,但是在实践中,数字体积400一般包括更多的体素,例如比图4所示的更多的数量级。
为了讨论的目的,目标体积410可以指用于特定治疗的肿瘤体积(GTV),临床目标体积(CTV)或计划目标体积(PTV)。GTV描绘了例如可以看到或成像的肿瘤的位置和范围;CTV包括GTV和通常不可成像的亚临床疾病传播的附加边缘;PTV是一种几何概念,其被设计成确保适当的放射治疗剂量被实际输送到CTV而不会对附近的危险器官产生不利影响。因此,PTV一般大于CTV,但是在一些情况下,在一些部分中也可以减小,以在处于危险的器官周围提供安全余量。PTV通常基于在治疗时间之前执行的成像来确定,并且通过数字体积400的X射线成像来促进在治疗时PTV与患者解剖结构的当前位置的对准。
根据下面描述的各个实施例,通过由单个或多个X射线成像器经由CBCT过程生成的投影图像来构造与数字体积400的每个体素401相关联的图像信息。例如,这种CBCT过程可以在将治疗射束230递送到目标体积410之前被立即采用,从而可以在治疗开始之前确认目标体积410的位置和形状。此外,在一些实施例中,通过由单个或多个X射线成像器经由DTS过程生成的投影图像来更新与数字体积400的体素401中的一些或全部相关联的图像信息。例如,可以在计划治疗的一部分已经开始之后并且在计划治疗已经完成之前采用这种DTS过程。以此方式,可以在治疗进行中时确认目标体积410的位置和形状。
存在金属对象的CBCT图像采集
图5示意性地示出了根据实施例的金属对象501对患者解剖结构的区域502的成像的影响。区域502可以是患者解剖结构的任何技术上可行的部分,包括头部,胸部,腹部等。在图5所示的实施例中,经由成像X射线源206和X射线成像器207在数字体积500上执行CBCT图像采集,数字体积500包括目标体积209并延伸到区域502的边缘表面503。在其它实施例中,可以采用多个X射线源和X射线成像器。备选地或附加地,在一些实施例中,数字体积500不包括边缘表面503的全部,或不包括边缘表面503的任何部分。
图5示出了使用布置在一个特定图像采集位置551处的成像X射线源206和X射线成像器207采集的2D投影。实际上,在区域502周围的多个图像采集位置处执行CBCT图像采集,以使得能够生成数字体积500的数字重建。因此,当设置图像采集位置551时,成像X射线源206和X射线成像器207采集一组多个CBCT 2D投影图像中的一个,该多个CBCT 2D投影图像一起用于重建区域502。此外,在图5中,沿边缘观察X射线成像器207,因此将其描绘为一维成像结构。实际上,X射线成像器207通常被配置为在多个图像采集位置中的每一个处生成2D投影图像。
金属对象501可以是出现在区域502的X射线图像中(和/或在区域502的数字重建中)的任何金属对象。例如,在一些情况下,金属对象501是基准标记物,外科钉或其他医疗设备,牙齿部件,整形外科部件等。
如图所示,当X射线成像器207处于第一图像采集位置551时,金属对象501出现在X射线成像器207的像素561中。因此,在第一图像采集位置551处采集的2D投影中,像素561与金属对象501相关联。应当注意,当采用由X射线成像器207采集的2D投影图像来重建区域502的3D体积时,金属对象501可以显著地导致视觉伪影和/或其他不一致性。例如,金属对象501的高对比度的存在以不被典型的重建算法(其一般假定所有被扫描的对象具有近似水的放射密度)建模的方式调制X射线谱。因此,可以产生视觉伪影。此外,在高对比度金属对象501相对较大的情况下,区域502的遮挡部分520(交叉阴影线)中的其他信息可以被遮蔽,其中遮挡部分520是区域502的由区域502的2D投影的相同像素成像为金属对象501的部分。
减少金属对象引起的视觉伪影
根据下面描述的各个实施例,由于金属对象501的存在而在区域502的重建体积中出现的视觉伪影(未示出)在用于对对象区域(诸如患者解剖结构的区域)成像的计算机实现的过程中被减少或去除。下面结合图6描述一个这样的实施例。
图6阐述了根据一个或多个实施例的用于对患者解剖结构的区域进行成像的计算机实现的过程600的流程图。计算机实现的过程600可以被实现为仅成像过程,或者结合诸如IGRT,立体定向放射外科(SRS)等的放射治疗来实现。此外,计算机实现的过程600可以在放射治疗或成像系统的龙门架的单个旋转弧上,在旋转弧的一部分上,或在多个旋转弧上执行。计算机实现的过程600可以包括如框610-697中的一个或多个框所示的一个或多个操作,功能或动作。尽管以顺序的次序示出了这些框,但是这些框可以并行地和/或以与本文所描述的次序不同的次序来执行。此外,基于期望的实现,各种块可以被组合为更少的块,被划分为附加的块,和/或被消除。尽管结合本文作为放射治疗系统100的一部分描述的X射线成像系统和图1-5描述了计算机实现的过程600,但是本领域技术人员将理解,任何适当配置的X射线成像系统都在本实施例的范围内。
在步骤610中,执行CT或CBCT扫描。例如,在一些实施例中,放射治疗系统100的X射线成像系统采集区域502的一组采集的2D投影图像611,其包括目标体积209和金属对象501。因此,区域502包括至少一个金属对象(例如,金属对象501)。
在步骤620中,执行第一遍重建过程。例如,在一些实施例中,X射线成像系统基于所采集的2D投影图像611生成区域502的初始重建体积621(第一重建体积)。初始重建体积621是区域502的3D体积数据集。在一些实施例中,采用Feldkamp,Davis和Kress(FDK)重建算法来生成初始重建体积621。在其它实施例中,采用代数重建技术(ART)或其它迭代重建技术来生成初始重建体积621,而在其它实施例中,采用任何其它合适的重建算法。注意,由于区域502中存在金属对象501,初始重建体积621通常包括视觉伪影。
在步骤630中,对布置在初始重建体积621内的金属对象执行新颖的自适应自动分割过程,以生成金属对象的3D表示。例如,在一些实施例中,X射线成像系统执行金属对象501的自动分割,以生成布置在区域502内的金属对象501的3D表示631。通常,步骤630的自适应自动分割过程在初始重建体积621上自动执行,并且不需要用户输入来执行分割参数值的调整。3D表示631包括金属对象501的3D位置信息。在一些实施例中,在步骤630的新颖的自适应自动分割过程中,识别并分类区域502中的患者解剖结构,并确定区域502中存在的金属类型。基于患者解剖结构和金属的类型或体积,适当的分割参数值(诸如阈值和扩张半径)被确定并用于生成金属对象501的3D表示631,有时称为3D金属对象掩模。下面结合图7描述新颖的自适应自动分割过程的一个实施例。备选地,在一些实施例中,可以在步骤630中采用被配置为生成金属对象501的3D位置信息的任何合适的分割算法或软件应用,诸如依赖于指示患者解剖结构和/或与金属对象501相关联的金属类型的用户输入的算法。
在步骤640中,执行第一遍前向投影过程。例如,在一些实施例中,X射线成像系统对3D表示631执行前向投影过程以生成一组2D投影金属掩模641。一组2D投影金属掩模641中的每个2D投影金属掩模641包括指示在步骤640的前向投影过程期间被金属对象501遮挡的像素的位置信息。在步骤640中,所生成的每个2D投影金属掩模641被选择为对应于不同的采集的2D投影图像611,其包括在步骤610中所采集的采集的2D投影图像组611中。即,对于在步骤640中生成的每个2D投影金属掩模641,使用用于采集所采集的2D投影图像611之一的相同投影角度来执行前向投影过程。因此,每个2D投影金属掩模641与对应的采集的2D投影图像611匹配。例如,在一些实施例中,每个2D投影金属掩模641可以在步骤650的谐波修复过程中与对应的采集的2D投影图像611组合。
在一些实施例中,在步骤640中,对每个2D投影金属掩模641应用附加阈值处理。阈值处理将特定2D投影金属掩模641的像素归一化到区间[0,1]中,其中1对应于对比结构并且0对应于区域502的其余部分(因此不是2D投影金属掩模641的一部分)。
在步骤650中,执行新颖的谐波修复过程。例如,在一些实施例中,X射线成像系统对采集的2D投影图像611执行谐波修复过程以生成区域502的一组2D修复投影651。具体地,通过修改采集的2D投影图像611的一部分来生成每个经修复的2D投影651。对于所采集的2D投影图像611,基于包括在对应的2D投影金属掩模641中的位置信息,去除与金属对象501相关联的视觉信息(例如,像素值)。例如,在这样的一个实施例中,2D投影金属掩模641指示与金属对象501相关联的像素。从特定采集的2D投影图像611中去除这些像素的像素值,并通经由修复过程用较低对比度的像素值代替。下面结合图8描述谐波修复过程的一个实施例。备选地,在一些实施例中,可在步骤650中采用任何合适的修复算法来产生2D修复投影651组。
在步骤660中,执行第二遍重建过程。例如,在一些实施例中,X射线成像系统基于在步骤650中生成的经修复的2D投影651生成区域502的重建体积661(第二重建体积)。在一些实施例中,使用ART来生成重建体积661,而在其它实施例中,可以使用FDK重建算法或其它重建算法来生成重建体积661。重建体积661类似于初始重建体积621,除了金属对象501已经被去除。
在步骤670中,执行组织扁平化过程。例如,在一些实施例中,X射线成像系统对重建体积661执行扁平化过程以生成扁平的重建体积671。一般地,扁平的重建体积671包含关于骨骼的原始信息,而与软组织相关的信息被替换为单个值。因此,在随后的步骤中,混合过程恢复骨信息,而对于软组织,混合过程用作在步骤620的第一遍重建中执行的修复。在一些实施例中,在步骤670中采用简单的阈值方法来生成扁平的重建体积671,并且在其他实施例中,在步骤670中也可以采用滤波和/或卷积神经网络来生成扁平的重建体积671。
在步骤680中,执行第二遍前向投影过程。例如,在一些实施例中,X射线成像系统对扁平的重建体积671执行前向投影过程以生成一组扁平的2D投影681。应当注意,在每个扁平的2D投影681中,被金属对象501视觉阻挡的像素(即,由与金属对象501相关联的2D投影金属掩模中的位置信息指示的像素)具有不包括来自金属对象501的贡献的像素值。相反,在每个扁平的2D投影681中,被金属对象501视觉阻挡的像素的像素值基于扁平的重建体积671,其包括区域502的骨骼信息。
在步骤680中,所生成的每个扁平的2D投影681被选择为对应于不同的采集2D投影图像611,其包括在步骤610中所采集的采集2D投影图像611组中。即,对于在步骤680中生成的每个扁平的2D投影681,使用用于采集所采集的2D投影图像611之一的相同投影角度来执行前向投影过程。因此,每个扁平的2D投影681与对应的采集的2D投影图像611匹配,并且可以随后例如在步骤690的混合过程中与之组合。
在步骤690中,执行新颖的谐波混合过程。例如,在一些实施例中,X射线成像系统通过基于2D投影金属掩模641和扁平的2D投影681修改采集的2D投影图像611来生成区域502的一组低伪影2D投影691。具体地,来自2D投影金属掩模641的位置信息指示采集的2D投影图像611的某些像素,其将具有用来自扁平的2D投影681的对应像素的图像信息替换的图像信息(例如,像素值)。应当注意,一般来说,低伪影2D投影691的大多数像素具有与采集的2D投影图像611的对应像素相同的像素值和/或其它图像信息。然而,被指示为被金属对象501阻挡或与金属对象501相关联的低伪影2D投影691的像素包括与采集的2D投影图像611的对应像素不同的像素值和/或其它图像信息。
在一些实施例中,执行谐波混合过程以最小化或以其他方式减少由用来自扁平的2D投影681的像素信息替换所采集的2D投影图像611中的像素组的图像信息所引起的视觉伪影。例如,在一个实施例中,采集的2D投影图像611形成一组投影P1...Pn,扁平的2D投影681形成一组投影F1...Fn,并且2D投影金属掩模641形成一组掩模M1...Mn。在该实施例中,投影F1...Fn与由掩模M1...Mn表示的金属区域中的投影P1...Pn组合。具体地,通过按元素划分Pi/Fi来执行投影P1...Pn的这种金属区域的修复,并且在修复之后,将金属区域的新值后乘来自Fi的对应像素的值。在修复过程中,掩模边界像素(与掩模M1...Mn的金属区域的掩模边缘像素相邻的投影P1...Pn内的像素)的像素值被用作边界条件。此外,在谐波修复过程中,基于相邻掩模边界像素的像素值,将掩模边缘像素的像素值约束为某一像素值。具体地,对于每个掩模边缘像素,约束像素值,使得与掩模边缘像素相关联的像素值的斜率中的变化等于与相邻掩模边界像素相关联的像素值的斜率中的变化。在一些实施例中,采用调和函数来对掩模边缘像素的像素值实施这种约束。在一些实施例中,用于生成低伪影2D投影691的谐波修复过程类似于用于生成2D修复投影651的谐波修复过程,这将在下面结合图7更详细地描述。
在步骤693中,执行第三遍重建过程。例如,在一些实施例中,X射线成像系统使用区域502的一组低伪影2D投影691来执行重建算法,以生成区域502的低伪影重建体积695(第三重建体积)。因此,X射线成像系统基于在步骤690中生成的低伪影2D投影691生成区域502的低伪影重建体积695。在一些实施例中,使用FDK重建算法来产生低伪影重建体积695。在其他实施例中,可以采用ART算法来生成低伪影重建体积695。在其它实施例中,采用惩罚似然(PL)重建算法来生成低伪影重建体积695。备选地,可以在步骤690中采用任何其它合适的重建算法。低伪影重建体积695类似于初始重建体积621,除了金属对象501已经被去除并且由金属对象501的存在引起的伪影已经被去除和/或减少视觉突出之外。
在步骤697中,执行混合金属修复过程。例如,在一些实施例中,X射线成像系统生成区域502的最终重建体积699(第四重建体积)。在步骤697中,X射线成像系统将低伪影重建体积695与来自初始重建体积621和来自金属对象501的3D表示631的图像信息(例如,像素值)混合。因此,通过将金属对象信息恢复到低伪影重建体积695来生成最终重建体积699。
在一些实施例中,步骤697的混合金属修复过程包括在最终重建体积699内在金属和非金属部分之间产生平滑过渡的操作。在这样的实施例中,金属对象501的边缘体素不被表示为具有等于金属对象501内的体素的射线照相密度的100%的值的体素。相反,最终重建体积699中的金属对象501的每个边缘体素具有基于来自初始重建体积621的对应体素的图像值,来自低伪影重建体积695的对应体素的图像值和来自金属掩模3D表示631的对应体素的信息的组合的值。具体地,步骤697的混合金属修复过程包括三个输入的混合:初始重建体积621,低伪影重建体积695,以及基于金属掩模3D表示631的非二进制掩模W。
非二进制掩模W基于金属掩模3D表示631,但在一些方面不同。金属掩模3D表示631是二进制掩模,其指示在低伪影重建体积695中的特定体素位置是否应当被认为是金属对象501的一部分。因此,金属掩模3D表示631对低伪影重建体积695的每个体素应用二元判定。例如,当掩模M的体素i被认为是金属对象501的一部分时,Mvoxeli=1,而当掩模M的体素i被认为不是金属对象501的一部分时,Wvoxeli=0。相比之下,非二进制掩模W与金属掩模3D表示631的不同之处在于,对于金属对象501的一些或全部边缘体素,非二进制掩模W的值可以在0和1之间变化。
一些实施例中,基于初始重建体积621的对应体素的值Vvox来确定非二进制掩模W的每个体素的值Wvox。在一些实施例中,当Vvox大于金属阈值tmetal诸如在步骤630中用于生成金属掩模3D表示631的金属阈值)时,Wvox=1;当Vvox小于组织阈值ttissue(例如300HU)时,Wvox=0;并且当Vvox在金属阈值tmetal和组织阈值ttissue之间时,Wvox=w,其中w是0和1之间的值。在这样的实施例中,w可以基于初始重建体积621的对应体素的值,金属阈值tmetal和组织阈值ttissue。例如,在一个这样的实施例中,当Vvox在金属阈值tmetal和组织阈值ttissue之间时,w=(Vvox-ttissue)/(tmetal-ttissue)。因此,在这样的实施例中,在确定w的值时应用线性插值。在其他实施例中,当Vvox在金属阈值和组织阈值ttissue之间时,可以基于包括金属阈值tmetal和组织阈值ttissue的任何其他合适的算法,或者Vvox的体积的多少对应于金属材料的一些其他度量来计算w。
在一些实施例中,步骤697的混合金属恢复过程使用三个输入的加权阿尔法(alpha)混合来确定最终重建体积699的像素值:初始重建体积621,低伪影重建体积695和非二进制掩模W。此外,在一个这样的实施例中,最大算子被应用于初始重建体积621和低伪影重建体积695的体素值。在这样的实施例中,基于等式1确定最终重建体积699的体素的值VFINAL:
VFINAL=(1–w)*V695+w*max{V695,V621} (1)
其中V695是低伪影重建体积695的对应体素的值,V621是初始重建体积621的对应体素的值。在这样的实施例中,对V695和V621应用最大算子恢复软组织和最终重建体积695中的金属对象之间的平滑过渡。
金属对象的自适应自动分割
投影金属掩模(也称为金属迹线)的适当提取在CBCT重建中是重要的,以确保患者解剖结构区域的最终重建体积的图像质量。当金属迹线被低估时,与金属相关的伪影不会被完全抑制。另一方面,对金属迹线的过高估计可能导致过度的修复,这导致对最终重建体积中重要的非金属图像信息的冗余抑制。在这种情况下,从最终重建体积产生的图像可能遭受不必要的细节损失,这在多种应用中是非常不期望的。
在步骤630的自适应自动分割过程中,对布置在初始重建体积621内的金属对象501执行自动分割,以生成金属对象501的金属迹线(例如,3D表示631)。通常,来自重建体积的金属对象的自动分割取决于几个分割参数,包括射线照相密度阈值(这里称为“阈值参数”)和扩张直径(用于改善掩模边界处的掩模质量)。由于完全自动化的分割过程依赖于这些参数的正确值,所以这些过程具有很差的性能。例如,当应用于检测牙齿金属时,由于牙齿金属对象的小得多的尺寸和围绕这种金属对象的环境的不同结构,调整到检测髋关节假体的自动分割过程可能失败。因此,对于成功的自动分割过程,一般需要用户输入来指示与扫描的图像数据相关联的解剖区域和布置在解剖区域内的金属对象的特定类型。
根据各个实施例,自适应自动分割过程(诸如步骤630的自适应自动分割过程)自动地在重建体积上执行,并且不需要用户输入来执行分割参数值的调整。在这样的实施例中,与重建体积相关联的患者解剖结构的区域被识别和分类,并且存在于重建体积中的金属的类型被确定。基于患者解剖结构的区域和金属的类型,确定并使用精确的分割参数值来生成用于重建体积的3D金属对象掩模(诸如金属对象501的3D表示631)。下面结合图7描述一个这样的实施例。
图7示出了根据一个或多个实施例的用于分割患者解剖结构的区域的重建体积的计算机实现的过程700的流程图。计算机实现的过程700可以被实现为仅成像过程的一部分,或者结合诸如IGRT,立体定向放射外科(SRS)等的放射治疗来实现。计算机实现的过程700可以包括如框701-720中的一个或多个框所示的一个或多个操作,功能或动作。尽管以顺序的次序示出了这些框,但是这些框可以并行地和/或以与这里所描述的次序不同的次序来执行。而且,基于期望的实现,各种块可以被组合为更少的块,被划分为附加的块,和/或被消除。尽管结合本文作为放射治疗系统100的一部分描述的X射线成像系统和图1-图6描述了计算机实现的过程700,但是本领域技术人员将理解,任何适当配置的X射线成像系统都在本实施例的范围内。
在步骤701中,放射治疗系统100的X射线成像系统接收重建数字体积(诸如初始重建体积621)。
在步骤702中,X射线成像系统生成用于重建体积621的解剖掩模。在一些实施例中,解剖掩模被配置为包括基于解剖阈值的初始重建体积621的位置。例如,在一些实施例中,X射线成像系统使用解剖阈值对初始重建体积621执行阈值操作。在这样的实施例中,选择解剖阈值,使得与患者解剖结构相关联的体素被包括在解剖掩模中,并且与患者解剖结构外部的空气或其他物质相关联的体素被从解剖掩模中排除。在一些实施方案中,解剖阈值与放射密度大于空气的放射密度和/或小于水的放射密度的材料相关。
在步骤703中,X射线成像系统确定与初始重建体积621相关联的解剖区域。可以经由包括头部和/或颈部,骨盆,腹部,肢体部分等的解剖掩模确定解剖区域的示例。解剖掩模提供解剖区域的三维形状和尺寸。因此,可以采用任何技术上可行的方法来确定与初始重建体积621相关联的特定解剖区域。例如,在一些实施例中,可以采用适当训练的机器学习算法来对与初始重建体积621相关联的特定解剖区域进行分类。因为可能与初始重建体积621相关联的不同解剖区域的数量是有限的,所以在一些实施例中,采用简化的几何分析来对与初始重建体积621相关联的特定解剖区域进行分类。
在采用几何分析的实施例中,几何分析包括基于解剖掩模确定解剖区域是头部区域还是身体区域。在这样的实施例中,解剖掩模的最小横向宽度可以指示解剖区域是头部区域还是身体区域。例如,在正常情况下,由25cm以上的解剖掩模表示的患者解剖结构的最小横向宽度表示身体扫描,而由20cm以下的解剖掩模表示的患者解剖结构的最小横向宽度表示头部扫描。因此,在一些实施例中,测量具有非零宽度的解剖掩模中的每个切片的最大横向宽度(例如,以体素为单位)。然后将这些最大横向宽度测量值的最小横向宽度确定为解剖掩模的最小横向宽度。这种最小横向宽度与最大头部宽度阈值和/或与最小身体宽度阈值的比较指示解剖区域是头部区域还是身体区域。附加地或可选地,在一些实施例中,一个或多个附加的几何分析可以应用于解剖掩模的某些尺寸以确定其他解剖区域,诸如上臂,下臂,大腿等。
在步骤704中,X射线成像系统生成用于初始重建体积621的初始3D金属对象掩模Minit。例如,在一些实施例中,X射线成像系统通过基于初始金属阈值tinit对初始重建体积621执行图像阈值化操作来生成初始3D金属对象掩模Minit。在一些实施例中,选择初始金属阈值tinit以确保检测到设置在初始重建体积621内的所有金属对象。例如,在一些实施例中,tinit是在大约1200HU与1800HU之间的值。此外,在一些实施例中,为了确保在初始3D金属对象掩模Minit中仅包括患者解剖结构内的金属对象,将初始3D金属对象掩模Minit乘以解剖掩模(其可以是值为1或0的二进制掩模)。因此,在这样的实施例中,通过将与这样的金属对象相关联的像素值乘以0来消除患者解剖结构之外的金属对象。
在步骤705中,X射线成像系统确定金属对象(例如牙齿填充物,基准物或整形外科假体)是否设置在初始重建体积621内。通常,X射线成像系统使用由初始3D金属对象掩模Minit表示的体素确定布置在初始重建体积621内的金属对象。在一些实施例中,X射线成像系统还通过检测包含在初始3D金属对象掩模Minit内的一个或多个连接分量来确定布置在初始重建体积621内的金属对象。在这样的实施例中,每个连接分量包括一组初始重建体积621内的连接的,相邻的和/或连续的体素。在这样的实施例中,可以采用任何合适的算法来确定初始3D金属对象掩模Minit内的连接分量。例如,在一些实施例中,确定连接分量的方法呈现在:“Sequential Operations in Digital Picture Processing”,A.Rosenfeld andJ.Pfaltz.Journal of the ACM.Vol.13,Issue 4,Oct.1966,Pg.471-494。
在一些实施例中,X射线成像系统可以确定每个连接分量的尺寸(或体积)sc和平均射线照相密度值(诸如平均HU值)vc。在这样的实施例中,可以生成向量对([s1,v1],…[sn,vn])以便于确定在初始重建体积621内是否布置了重要的金属对象。在这样的实施例中,可以基于包括在向量对([s1,v1],…[sn,vn])中和/或与该向量对相关联的某些信息来确定初始重建体积621的金属分类。这种信息的示例包括一个或多个连接的部件中的最大部件的体积,大于预定体积的一个或多个连接的部件组的累积体积,以及大于预定体积的一个或多个连接的部件中的至少一个部件的射线照相密度。
在步骤710中,X射线成像系统确定是否在初始重建体积621内布置了重要的金属对象(诸如重要尺寸的金属对象)。例如,在一些实施例中,X射线成像系统在步骤710中执行分类操作,以确定在初始重建体积621内是否布置了重要的金属对象。可应用于初始重建体积621的金属分类的示例包括无金属解剖区域,牙齿区域,包含基准的区域(诸如腹部),整形外科区域(诸如骨盆区域)等。
在步骤710中执行的示例金属分类操作中,当成对向量([s1,v1],…[sn,vn])为空时,当头部解剖区域中的最大连接分量具有小于第一阈值(例如50mm3)的体积时,和/或当没有具有小于第二阈值(例如200mm3)的体积的连接分量具有高于第三阈值(例如2000HU)的平均射线照相密度值时,X射线成像系统将初始重建体积621确定为无金属解剖区域。此外,在示例性金属分类操作中,当头部解剖区域中的至少一个连接分量具有至少第一阈值(例如,50mm3)的体积时,X射线成像系统将初始重建体积621确定为牙齿区域。此外,在示例性金属分类操作中,当身体解剖区域中的连接分量具有至少第四阈值(例如,10000mm3)的累积体积时,X射线成像系统将初始重建体积621确定为整形外科区域。此外,在示例性金属分类操作中,当至少一个小连接分量(例如,具有小于第二连接分量的连接分量)时,X射线成像系统将初始重建体积621确定为包含基准的区域。
在步骤710中,当X射线成像系统确定在初始重建体积621内布置了重要的金属对象时,方法进行到步骤711。当X射线成像系统确定在初始重建体积621内没有布置重要的金属对象时,方法进行到步骤720。
在步骤711中,对于设置在初始重建体积621内的每个金属对象或连接的部件,X射线成像系统确定阈值参数的适当值。例如,在一些实施例中,为与牙齿区域相关联的连接分量选择牙齿阈值tdental,诸如4000HU;为与包含基准的区域相关联的连接部件选择基准阈值tfiducial,诸如2000HU;为与整形区域相关的连接部件选择整形阈值tortho,诸如1600HU。
在步骤712中,对于设置在初始重建体积621内的每个金属对象或连接的部件,X射线成像系统确定扩张半径的适当值。例如,在一些实施例中,为与牙齿区域相关联的连接部件选择一个或多个牙齿扩张半径,诸如2mm的面内半径和2mm的面外半径;为与包含基准的区域相关联的连接的部件选择一个或多个基准扩张半径,诸如2mm的面内半径和2mm的面外半径;为与骨科区域相关的连接部件选择一个或多个骨科扩张半径,诸如平面内半径为3mm,平面外半径为10mm。
在步骤713中,X射线成像系统使用在步骤711和712中针对阈值参数和扩张半径确定的值来为初始重建体积621生成最终3D金属对象掩模(例如,3D表示631)。因此,在步骤713中,X射线成像系统使用阈值参数和扩张半径的值来执行初始重建体积621的自动分割。
在步骤714中,X射线成像系统生成用于初始重建体积621的一组投影金属掩模(例如,2D投影金属掩模641)。在步骤714中生成的投影金属掩模可以用于生成具有减少的金属伪影的数字体积的多个步骤,包括图6中步骤650的谐波修复和步骤690的谐波混合。
在步骤720中,X射线成像系统中止当前金属伪影减少过程,并且通常对初始重建体积621执行重建,滤波和/或其它过程。
投影谐波修复
在常规方法中,使用线性一维插值来执行2D投影图像的修复,(诸如图6所示的2D投影金属掩模641)。这种修复产生投影内不连续性(即,在同一2D投影内的相邻行之间)和投影间不连续性(即,在相邻投影中的对应像素行之间)。这样的不连续性在最终重建体积中产生显著的视觉伪影,尽管被金属对象阻挡的图像信息已经被修复。根据各个实施例,谐波修复过程改善了像素值中的投影内和投影间不连续性,这减少了通常由修复引起的视觉伪影。下面结合图8-图11描述一个这样的实施例。
图8示出了根据一个或多个实施例的用于修复患者解剖结构的区域的2D投影的计算机实现的过程800的流程图。计算机实现的过程800可以被实现为仅成像过程的一部分,或者结合诸如IGRT,立体定向放射外科(SRS)等的放射治疗来实现。计算机实现的过程800可以包括如框801-806中的一个或多个框所示的一个或多个操作,功能或动作。尽管以顺序的次序示出了这些框,但是这些框可以并行地和/或以与这里所描述的次序不同的次序来执行。而且,基于期望的实现,各种块可以被组合为更少的块,被划分为附加的块,和/或被消除。尽管结合这里作为放射治疗系统100的一部分描述的X射线成像系统和图1-图6描述了计算机实现的过程800,但是本领域技术人员将理解,任何适当配置的X射线成像系统都在本实施例的范围内。
在步骤801中,放射治疗系统100的X射线成像系统接收用于重建数字体积的一组初始2D投影和一组2D投影金属掩模,诸如用于初始重建体积621的采集的2D投影图像611和2D投影金属掩模641。
在步骤802中,X射线成像系统基于所采集的2D投影图像611和2D投影金属掩模641生成一组组合的2D投影。在一些实施例中,基于对应的采集的2D投影图像611和对应的2D投影金属掩模641生成每个组合的2D投影。一般地,对于特定的组合的2D投影,对应的所采集的2D投影图像611和对应的2D投影金属掩模641均表示来自相同投影角度的投影。从采集的2D投影图像611和2D投影金属掩模641生成的组合的2D投影的一个实施例被在图9中示出。
图9示意性地示出了根据各个实施例的所采集的2D投影图像611与2D投影金属掩模641组合以形成组合的2D投影901。如图所示,所采集的2D投影图像611包括多个像素902,每个像素具有与其相关联的像素值,并且2D投影金属掩模641包括位置信息903,该位置信息903指示在步骤640的前向投影过程期间被金属对象501遮挡的像素。组合的2D投影901包括所采集的2D投影图像611的像素902,除了对应于2D投影金属掩模641的位置信息903的像素位置之外。
返回图8,在步骤803中,X射线成像系统将组合的2D投影901组布置成投影空间中的阵列。例如,在一些实施例中,组合的2D投影的阵列被布置成3D矩阵或堆叠。此外,组合的2D投影901在3D矩阵中顺序地排序。因此,在这样的实施例中,从所采集的2D投影图像611和2D投影金属掩模641生成的每个与第一投影角度相关联的组合的2D投影901被排序为3D矩阵中的第一2D投影901,从所采集的2D投影图像611和2D投影金属掩模641生成的每个与第二投影角度相关联的组合的2D投影901被排序为3D矩阵中的第二2D投影901,等等。图10示出了组合的2D投影的3D矩阵的一个实施例。
图10示意性地示出了根据各个实施例的组合的2D投影901的3D矩阵1000。在图10所示的实施例中,阵列1000包括五个组合的2D投影901。实际上,3D矩阵1000可以包括多于五个的多个组合的2D投影901。作为以三维布置的一系列2D图像,3D矩阵1000形成类似于2DCT正弦图的图像数据的3D阵列。即,当CT正弦图通过将多个一维数据集布置在平面阵列中而将多个一维图像数据集扩展为二维时,3D矩阵1000将与不同2D投影中的每一个相关联的多个二维图像数据集布置在3D矩阵或“堆栈”中。
如图所示,每个组合的2D投影901包括掩模像素(黑色)1010和图像像素1020。图像像素1020各自具有与其相关联的像素值(未图示出)。相比之下,每一掩模像素1010指示由金属对象(诸如图5中的金属对象501)阻挡的像素的位置,并且因此在计算机实施的过程800期间被修复。图像像素1020包括掩模边界像素1021(交叉阴影线),其为与一个或一个以上掩模像素1010相邻的像素。掩模像素1010包括与一个或多个图像像素1020相邻的掩模边缘像素1011。一般地,每个掩模边界像素1021与投影空间中的至少一个掩模边缘像素1011相邻。在图10所示的实例中,掩模边界像素1021被示为与同一组合的2D投影901内的掩模像素1010相邻。在其它实例中,掩模边界像素1021可邻近于3D矩阵1000内的不同组合的2D投影901中的掩模像素1010。图11示出了一个这样的实施例。
图11示意性地示出了根据各个实施例的3D矩阵1000的一部分1100和彼此相邻的投影间像素。在图11所示的实施例中,部分1100包括第一组合的2D投影1101,第二组合的2D投影1102,第三组合的2D投影1103和第四组合的2D投影1104。如图所示,第二组合的2D投影1102包括与包括在第三组合的2D投影1103中的对应掩膜边缘像素1011相邻(在投影空间中)的掩模边界像素1021(交叉阴影线)。此外,第一组合的2D投影1101包括在投影空间中与第二组合的2D投影1102中的对应掩膜边界像素1021相邻的图像像素1020,并且第四组合的2D投影1104包括与包括在第三组合的2D投影1103中的对应掩膜边缘像素1011相邻的掩模像素1010。
返回图8,在步骤804中,X射线成像系统基于阵列1000生成线性代数系统。在一些实施例中,X射线成像系统通过将调和函数应用于由阵列1000中包括的由像素表示的域来生成线性代数系统,阵列1000是一组组合的2D投影901的投影空间中的阵列。具体地,在这样的实施例中,阵列1000是表示图像f的组合的2D投影901的3D堆叠。因此,在这样的实施例中,将等式2应用于阵列1000中所包括的像素:
在一些实施例中,X射线成像系统通过在由图像的像素表示的域上求解等式2的离散形式来生成线性代数系统(例如经由有限差分法)。在这样的实施例中,使用来自已知区域的值作为边界条件(即,图10和11中的掩模边界像素1021),对图像的未知部分(即,图10和11中的掩模像素1010)求解等式2。在这样的实施例中,等式2确保在每个组合的2D投影的未修复部分的边缘处的像素值的连续性和平滑性。此外,因为对于由所有组合的2D投影901的掩模像素1010同时表示的域求解等式2,所以还确保了组合的2D投影901之间的像素值的连续性和平滑性。因此,减少了像素值中的投影内和投影间的不连续性。具体地,在计算机实现的过程800的谐波修复过程中,当组合的2D投影901的掩模像素用新的像素值修复时,与掩模边缘像素相关联的像素值的斜率中的变化被约束为等于与相邻掩模边界像素相关联的像素值的斜率中的变化。注意,掩模边缘像素和掩模边界像素在投影空间中相邻,因此可以包括在同一组合的2D投影901中(如图10所示),或者每个可以包括在不同的(但是相邻的)组合的2D投影901中(如图11所示)。
在一些实施例中,在步骤804中,采用具有形式[A][x]=[b]的线性代数系统(线性方程组),其中[A]是线性代数系统的系数矩阵,[x]是线性代数系统的可变向量,并且[b]是线性代数系统的常数向量。在这样的实施例中,[a]和[b]的大小是基于要在阵列1000中修复的掩模像素1010的数目。在这样的实施例中,[a]和[b]的值可以使用7点有限差分方法来组合。例如,在一个这样的实施例中,使用具有7个非零值的大小为3×3×3内核的3D拉普拉斯内核来生成[a]和[b]的值。通过将调和函数应用于像素域来生成线性代数系统的方法详细描述在:“On surface completion and image inpainting by biharmonic functions:Numerical aspects”,S.B.Damelin,N.S.Hoang(2018),International Journal ofMathematics and Mathematical Sciences,2018。
在步骤805中,X射线成像系统通过求解线性代数系统来确定线性代数系统的可变向量[x]的值。在一些实施例中,通过共轭梯度法计算线性代数系统的可变向量[x]的值。
在步骤806中,X射线成像系统通过利用在步骤805中确定的可变向量的值来修改所采集的2D投影图像611组来生成一组经修复的2D投影(例如,2D修复投影651)。在步骤806中,用可变向量的值修改的像素由掩模像素1010的位置信息指示,其可包括在2D投影金属掩模641中。
示例计算设备
图12是被配置成执行本公开的各个实施例的计算设备1200的图示。例如,在一些实施例中,计算设备1200可以被实现为图1中的图像采集和治疗控制计算机106和/或远程控制台110。计算设备1200可以是台式计算机,笔记本电脑,智能电话或适合于实践本公开的一个或多个实施例的任何其它类型的计算设备。在操作中,计算设备1200被配置成执行与如本文所述的计算机实现的过程600,计算机实现的过程700和/或计算机实现的过程800相关联的指令。注意,本文描述的计算设备是说明性的,并且任何其它技术上可行的配置都落入本公开的范围内。
如图所示,计算设备1200包括但不限于连接处理单元1250的互连(总线)1240,耦合到输入/输出(I/O)设备1280的输入/输出(I/O)设备接口1260,存储器1210,存储器1230和网络接口1270。处理单元1250可以是被实现为中央处理单元(CPU),图形处理单元(GPU),专用集成电路(ASIC),现场可编程门阵列(FPGA),任何其它类型的处理单元或不同处理单元的组合的任何合适的处理器,诸如被配置为结合GPU或数字信号处理器(DSP)操作的CPU。一般而言,处理单元1250可以是能够处理数据和/或执行软件应用的任何技术上可行的硬件单元,包括计算机实现的过程600,计算机实现的过程700和/或计算机实现的过程800。
I/O设备1280可以包括能够提供输入的设备,例如键盘,鼠标,触摸屏等,以及能够提供输出的设备(诸如显示设备等)。另外,I/O设备1280可以包括能够接收输入和提供输出的设备,诸如触摸屏,通用串行总线(USB)端口等。I/O设备1280可被配置为从计算设备1200的最终用户接收各种类型的输入,并且还向计算设备1200的最终用户提供各种类型的输出,诸如所显示的数字图像或数字视频。在一些实施例中,I/O设备1280中的一个或多个被配置为将计算设备1200耦合到网络。
存储器1210可包括随机存取存储器(RAM)模块,快闪存储器单元或任何其它类型的存储器单元或其组合。处理单元1250,I/O设备接口1260和网络接口1270被配置为从存储器1210读取数据和向存储器1210写入数据。存储器1210包括可由处理器1250执行的各种软件程序和与该软件程序相关联的应用数据,包括计算机实现的过程600,计算机实现的过程700和/或计算机实现的过程800。
示例计算机程序产品
图13是根据本公开的一个或多个实施例的用于实现分割图像的方法的计算机程序产品1300的说明性实施例的框图。计算机程序产品1300可以包括信号承载介质1304。信号承载介质1304可以包括一组或多组可执行指令1302,当由例如计算设备的处理器执行时,其可以至少提供以上关于图1-图11描述的功能。
在一些实现中,信号承载介质1304可包括非暂态计算机可读介质1308,诸如但不限于硬盘驱动器,光盘(CD),数字视频盘(DVD),数字磁带,存储器等。在一些实现中,信号承载介质1304可包括可记录介质1310,诸如但不限于存储器,读/写(R/W)CD,R/W DVD等。在一些实现中,信号承载介质1304可包括通信介质1306,诸如但不限于数字和/或模拟通信介质(例如,光纤线缆,波导,有线通信链路,无线通信链路等)。计算机程序产品1300可被记录在非暂态计算机可读介质1308或另一类似的可记录介质1310上。
总之,本文描述的实施例减少和/或消除在包括一个或多个重要金属对象的体积的重建中出现的视觉伪影。此外,在一些情况下,实施例揭示了先前被这种视觉伪影遮蔽的结构。因此,实施例改进了基于CBCT的重建的感知图像质量,并且在一些情况下改进了在重建的CBCT图像中区分组织类型的精度。这种对现有技术的改进可以用于适应性计划和/或放射治疗期间。
已出于说明的目的呈现了对各个实施例的描述,但并非旨在穷举或限于所公开的实施例。在不脱离所描述的实施例的范围和精神的情况下,许多修改和变化对于本领域的普通技术人员将是显而易见的。
本实施例的各方面可以实现为系统,方法或计算机程序产品。因此,本公开的各方面可采取完全硬件实施例,完全软件实施例(包括固件,常驻软件,微代码等)或组合软件和硬件方面的实施例的形式,这些实施例在本文中可全部统称为“电路”,“模块”或“系统”。此外,本公开的各方面可以采取在其上实现有计算机可读程序代码的一个或多个计算机可读介质中实现的计算机程序产品的形式。
可以利用一个或多个计算机可读介质的任何组合。计算机可读介质可以是计算机可读信号介质或计算机可读存储介质。计算机可读存储介质可以是例如但不限于电子,磁,光,电磁,红外或半导体系统,装置或设备,或前述的任何合适的组合。计算机可读存储介质的更具体的示例(非穷举列表)将包括以下:具有一条或多条导线的电连接,便携式计算机磁盘,硬盘,随机存取存储器(RAM),只读存储器(ROM),可擦除可编程只读存储器(EPROM或闪存),光纤,便携式光盘只读存储器(CD-ROM),光存储设备,磁存储设备或前述的任何合适的组合。在本文档的上下文中,计算机可读存储介质可以是能够包含或存储由指令执行系统,装置或设备使用或结合指令执行系统,装置或设备使用的程序的任何有形介质。
虽然本文已经公开了各个方面和实施例,但是其它方面和实施例对于本领域技术人员而言是显而易见的。本文所公开的各个方面和实施例是出于说明的目的而不旨在为限制性的,其真实范围和精神由以下权利要求书指示。
Claims (20)
1.一种分割患者解剖结构的区域的重建体积的计算机实现的方法,所述方法包括:
确定与所述重建体积相关联的解剖区域;
检测被布置在初始3D金属对象掩模中的与所述重建体积相关联的一个或多个金属对象对象;
针对被布置在所述初始3D金属对象掩模中的所述一个或多个金属对象中的每个金属对象,确定与所述金属对象相关联的体积;
基于所述解剖区域以及与所述一个或多个金属对象相关联的所述体积,确定至少一个分割参数的值;以及
使用所述分割参数的所述值生成与所述重建数字体积相关联的最终3D金属对象掩模。
2.根据权利要求1所述的计算机实现的方法,其中所述至少一个分割参数包括阈值参数或扩张半径。
3.根据权利要求1所述的计算机实现的方法,还包括:
针对被布置在所述初始3D金属对象掩模中的所述一个或多个金属对象中的每个金属对象,确定与每个金属对象相关联的射线照相密度;以及
基于与每个金属对象相关联的所述射线照相密度,确定所述至少一个阈值参数的所述值。
4.根据权利要求1所述的计算机实现的方法,其中确定所述解剖区域包括生成用于所述重建数字体积的解剖掩模。
5.根据权利要求4所述的计算机实现的方法,其中针对所述重建数字体积生成所述解剖掩模包括基于解剖阈值在所述解剖掩模中包括位置。
6.根据权利要求5所述的计算机实现的方法,其中所述解剖阈值与放射密度大于空气的材料相关联。
7.根据权利要求5所述的计算机实现的方法,其中所述解剖阈值与放射密度小于水的的材料相关联。
8.根据权利要求1所述的计算机实现的方法,其中确定与所述重建体积相关联的所述解剖区域包括基于所述重建数字体积的解剖掩模来确定所述解剖区域是头部区域还是身体区域。
9.根据权利要求8所述的计算机实现的方法,其中基于所述解剖掩模来确定所述解剖区域是所述头部区域还是所述身体区域包括确定所述解剖掩模的最小横向宽度。
10.根据权利要求9所述的计算机实现的方法,其中确定所述解剖掩模的所述最小横向宽度是基于具有非零宽度的所述解剖掩模的每个切片的最大横向宽度。
11.根据权利要求1所述的计算机实现的方法,其中检测被布置在所述初始3D金属对象掩模中的与所述重建体积相关联的所述一个或多个金属对象包括:
生成用于所述重建数字体积的所述初始3D金属对象掩模;以及
检测包含在所述初始金属对象掩模内的一个或多个连接部件。
12.根据权利要求11所述的计算机实现的方法,其中检测被布置在所述初始3D金属对象掩模中的与所述重建体积相关联的所述一个或多个金属对象还包括针对包含在所述初始金属对象掩模内的所述一个或多个连接部件中的每个连接部件,确定相应的体积。
13.根据权利要求11所述的计算机实现的方法,其中检测被布置在所述初始3D金属对象掩模中的与所述重建体积相关联的所述一个或多个金属对象还包括确定所述重建体积的金属分类。
14.根据权利要求13所述的计算机实现的方法,其中所述重建体积的所述金属分类选自由无金属解剖区域、牙齿区域、包含基准的区域以及骨科区域组成的组。
15.根据权利要求13所述的计算机实现的方法,其中确定所述重建体积的所述金属分类是基于以下中的至少一个:所述一个或多个连接部件中最大部件的体积、所述一个或多个连接组件的大于预定体积的一组的累积体积、或所述一个或多个连接部件中大于预定体积的至少一个连接部件的射线照相密度。
16.根据权利要求11所述的计算机实现的方法,其中针对所述重建数字体积生成所述初始3D金属对象掩模包括基于初始金属阈值来确定所述初始3D金属对象掩模中的位置。
17.根据权利要求1所述的计算机实现的方法,还包括:通过对与所述重建数字体积相关联的所述最终3D金属对象掩模执行前向投影过程来生成一组2D投影金属掩模。
18.根据权利要求17所述的计算机实现的方法,其中所述一组2D掩模投影中的每个2D掩模投影包括位置信息,所述位置信息指示在所述前向投影过程期间被包含在所述初始金属对象掩模内的一个或多个连接部件遮挡的像素。
19.根据权利要求1所述的计算机实现的方法,还包括:
基于所述最终3D金属对象掩模和所述重建体积生成非二进制掩模;以及
基于所述非二进制掩模、所述重建体积以及低伪影重建体积来生成最终重建数字体积。
20.根据权利要求19所述的计算机实现的方法,其中基于所述非二进制掩模生成所述最终重建数字体积包括:针对所述重建体积中的金属对象的每个边缘体素,提供基于来自所述重建体积的图像值、来自所述低伪像重建体积的图像值以及来自所述非二进制掩模的值的值。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202163250046P | 2021-09-29 | 2021-09-29 | |
US63/250,046 | 2021-09-29 | ||
US17/546,080 | 2021-12-09 | ||
US17/546,080 US20230100798A1 (en) | 2021-09-29 | 2021-12-09 | Adaptive auto-segmentation in computed tomography |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115880311A true CN115880311A (zh) | 2023-03-31 |
Family
ID=83899531
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211199413.8A Pending CN115880311A (zh) | 2021-09-29 | 2022-09-29 | 计算机断层扫描中的自适应自动分割 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20230100798A1 (zh) |
EP (1) | EP4160539A1 (zh) |
CN (1) | CN115880311A (zh) |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1714255B1 (en) * | 2004-02-05 | 2016-10-05 | Koninklijke Philips N.V. | Image-wide artifacts reduction caused by high attenuating objects in ct deploying voxel tissue class |
US8503750B2 (en) * | 2009-10-06 | 2013-08-06 | General Electric Company | Method and apparatus for reduction of metal artifacts in CT images |
US9349198B2 (en) * | 2013-07-26 | 2016-05-24 | General Electric Company | Robust artifact reduction in image reconstruction |
DE102016204226A1 (de) * | 2016-03-15 | 2017-09-21 | Siemens Healthcare Gmbh | Vorrichtung und Verfahren zum Abgrenzen eines Metallobjekts für eine Artefaktreduktion in Tomographiebildern |
US10395397B2 (en) * | 2016-11-14 | 2019-08-27 | Carestream Health, Inc. | Metal artifacts reduction for cone beam CT |
EP3725229A1 (en) * | 2019-04-18 | 2020-10-21 | DENTSPLY SIRONA Inc. | Method of metal artefact reduction in x-ray dental volume tomography |
-
2021
- 2021-12-09 US US17/546,080 patent/US20230100798A1/en active Pending
-
2022
- 2022-09-29 CN CN202211199413.8A patent/CN115880311A/zh active Pending
- 2022-09-29 EP EP22198789.4A patent/EP4160539A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
EP4160539A1 (en) | 2023-04-05 |
US20230100798A1 (en) | 2023-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10967202B2 (en) | Adaptive image filtering for volume reconstruction using partial image data | |
Brook et al. | Spectral CT with metal artifacts reduction software for improvement of tumor visibility in the vicinity of gold fiducial markers | |
Zhang et al. | Reducing metal artifacts in cone-beam CT images by preprocessing projection data | |
US9014446B2 (en) | Efficient user interaction with polygonal meshes for medical image segmentation | |
CN105832356B (zh) | 基于现存患者信息的放射线照相成像参数选择 | |
US11756242B2 (en) | System and method for artifact reduction in an image | |
JP2021511608A (ja) | 金属アーチファクトを低減するための深層学習の使用 | |
JP2008526270A (ja) | Rtp用の改良されたデータ表現 | |
JP2009501043A (ja) | 放射線療法治療において腫瘍の動きに対応する方法 | |
US20230414968A1 (en) | Motion artifact reduction in computed tomography | |
Kriminski et al. | Respiratory correlated cone-beam computed tomography on an isocentric C-arm | |
CN116583325A (zh) | 基于屏气水平确定的放射疗法中的射束关闭移动阈值 | |
Kong et al. | Cone beam computed tomography: the challenges and strategies in its application for dose accumulation | |
EP4160538A1 (en) | Metal artifact reduction in computed tomography | |
Toftegaard et al. | Moving metal artifact reduction in cone‐beam CT scans with implanted cylindrical gold markers | |
Kassim et al. | Implications of artefacts reduction in the planning CT originating from implanted fiducial markers | |
US20230100798A1 (en) | Adaptive auto-segmentation in computed tomography | |
Liugang et al. | Metal artifact reduction method based on noncoplanar scanning in CBCT imaging | |
Mestrovic et al. | Integration of on-line imaging, plan adaptation and radiation delivery: proof of concept using digital tomosynthesis | |
CN109939365B (zh) | 自动产生针对医学成像设备的校正数据的体积模型的方法 | |
US11992705B2 (en) | On-line adaptive deep inspiration breath-hold treatment | |
US20240041416A1 (en) | Setup for scout scans in a radiation therapy system | |
EP4344730A1 (en) | Virtual portal image for treatment setup in a radiation therapy system | |
Akintonde | Surrogate driven respiratory motion model derived from CBCT projection data | |
Lewis | Lung tumor tracking, trajectory reconstruction, and motion artifact removal using rotational cone-beam projections |
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 |