CN117427286B - 一种基于能谱ct的肿瘤放疗靶区识别方法、系统及设备 - Google Patents
一种基于能谱ct的肿瘤放疗靶区识别方法、系统及设备 Download PDFInfo
- Publication number
- CN117427286B CN117427286B CN202311416503.2A CN202311416503A CN117427286B CN 117427286 B CN117427286 B CN 117427286B CN 202311416503 A CN202311416503 A CN 202311416503A CN 117427286 B CN117427286 B CN 117427286B
- Authority
- CN
- China
- Prior art keywords
- tumor
- energy spectrum
- spectrum curve
- normal tissue
- energy
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 206010028980 Neoplasm Diseases 0.000 title claims abstract description 213
- 238000001228 spectrum Methods 0.000 title claims abstract description 191
- 238000001959 radiotherapy Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000002591 computed tomography Methods 0.000 claims abstract description 12
- 230000002093 peripheral effect Effects 0.000 claims abstract description 7
- 230000008595 infiltration Effects 0.000 claims description 37
- 238000001764 infiltration Methods 0.000 claims description 37
- 239000011159 matrix material Substances 0.000 claims description 28
- 230000003595 spectral effect Effects 0.000 claims description 20
- 239000013598 vector Substances 0.000 claims description 13
- 238000000513 principal component analysis Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 5
- 238000012417 linear regression Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 3
- 210000001519 tissue Anatomy 0.000 description 72
- 208000000461 Esophageal Neoplasms Diseases 0.000 description 5
- 206010030155 Oesophageal carcinoma Diseases 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 201000004101 esophageal cancer Diseases 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 238000002600 positron emission tomography Methods 0.000 description 4
- 201000011510 cancer Diseases 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004445 quantitative analysis Methods 0.000 description 3
- 210000004027 cell Anatomy 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 238000004451 qualitative analysis Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 206010027476 Metastases Diseases 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000005284 basis set Methods 0.000 description 1
- 230000002612 cardiopulmonary effect Effects 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 238000002512 chemotherapy Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000007943 implant Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 230000009401 metastasis Effects 0.000 description 1
- 230000001394 metastastic effect Effects 0.000 description 1
- 206010061289 metastatic neoplasm Diseases 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000000700 radioactive tracer Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000005747 tumor angiogenesis Effects 0.000 description 1
- 210000004881 tumor cell Anatomy 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- A61N5/1001—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy using radiation sources introduced into or applied onto the body; brachytherapy
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
-
- 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
- A61N2005/1052—Monitoring, verifying, controlling systems and methods for verifying the position of the patient with respect to the radiation beam using positron emission tomography [PET] single photon emission computer tomography [SPECT] imaging
-
- 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
- A61N2005/1054—Monitoring, verifying, controlling systems and methods for verifying the position of the patient with respect to the radiation beam using a portal imaging system
-
- 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
- G06V2201/032—Recognition of patterns in medical or anatomical images of protuberances, polyps nodules, etc.
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Radiology & Medical Imaging (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种基于能谱CT的肿瘤放疗靶区识别方法、系统及设备，包括以下步骤：基于能谱CT扫描序列获得不同重建点的若干套多套单能量CT图像；利用回顾性标记确定每一套单能量CT图像中肿瘤感兴趣区域和周围正常组织区域的像素点；获取肿瘤感兴趣区域和正常组织感兴趣区域内像素点的能谱曲线，分别提取肿瘤组织和正常组织的特征能谱曲线；获取待测区域内像素点的能谱曲线；根据特征能谱曲线拟合待测区域内像素点的能谱曲线所包含肿瘤与正常组织的成份权重，识别肿瘤浸润高危阳性像素点区域，对其外围边界进行三维重建，确定三维肿瘤靶区轮廓，以指导肿瘤放疗靶区轮廓精准勾画，提高放射治疗的精准度。
Description
技术领域
本发明涉及医学图像处理技术领域，具体涉及一种基于能谱CT的肿瘤放疗靶区识别方法、系统及设备。
背景技术
肿瘤放射治疗是一种常见的肿瘤治疗方法，利用高能射线照射肿瘤组织，破坏癌细胞的DNA结构，阻止其生长和分裂，从而达到治疗的目的。这种治疗方法通常结合手术和化疗使用，可以根治肿瘤、缓解症状、减小肿瘤体积或减少复发风险。放疗靶区勾画是在放射治疗计划中确定肿瘤和潜在转移区域的过程。为实现肿瘤放疗靶区的准确勾画，医生可基于常规医学影像数据，如CT图像、核磁共振图像(MRI)和正电子发射断层成像(PET)等，勾画肿瘤在身体内的位置、形状和大小，同时考虑相关组织器官的保护。准确的勾画对确保放疗的疗效和安全至关重要，可最大限度地杀灭肿瘤细胞，减少正常组织受损，并提高患者的治疗成功率和生活质量。
基于常规医学影像数据，虽然可实现肿瘤靶区的勾画，但其存在诸多局限：
①恶性肿瘤多呈浸润性生长，与临近正常组织无明显界限。如图1所示，CT图像为一例食管癌患者的肿瘤靶区，图2为18F-FDG PET功能图像展示肿瘤内部代谢活度区域(高亮区域)，提示该患者肿瘤浸润并非“均匀”；若仅仅依靠CT解剖图像(图1)则无法捕捉这一特性。
②为了确保肿瘤靶区不“漏照”，目前常规做法，将临床靶体积(CTV)在肉眼可见肿瘤靶区(GTV)各方向均匀外扩5～6mm。然而，外扩后的靶区范围过大，会导致PS评分较低、病期较晚、心肺功能差者无法完成治疗。
③为了准确识别肿瘤的生物边界，临床实践中于放疗前对患者进行PET扫描，以此确定肿瘤靶区的生物边界；然而，PET功能成像需对患者注射核素类示踪剂，带来额外辐射，且检查费用昂贵，所以不可能对患者进行多次成像。
④放疗在抑制肿瘤血管生成、周围组织浸润和远处转移方面具有显著优势。因此，在肿瘤放疗疗程中(通常持续5-6周)，肿瘤的生物边界一定会产生动态变化。而现实情况是，不可能对患者持续进行多次PET功能成像，也就无法及时发现放疗分次间肿瘤生物边界的变化。
近年来，能谱CT作为一种先进的成像技术，利用物质在双能量X射线下产生不同的吸收，经后处理得到不同单能量图像，提供比常规CT更多的影像信息。
能谱CT没有用于肿瘤放疗靶区勾画的主要原因有以下两点：
①能谱CT常用于影像科医生对肿瘤诊断和消除金属伪影等定性分析，例如在低能量段的单能量图像上，具有更好的软组织分辨力，有助于提高病灶检出率；高能量段的图像则有利于消除金属伪影，提高含金属材料植入物的显示效果；而肿瘤放疗靶区的勾画需对肿瘤的高危浸润边界进行定量分析，单一能量CT的定性分析无法满足靶区勾画要求。
②图像后处理工作站对于能谱CT的定量分析，仅限于二维层面固定形状感兴趣区(如圆形和矩形)，不支持基于单个体素的定量分析，难以获得更加精细的分析结果，从而无法从三维角度准确勾画肿瘤靶区。
发明内容
本发明的目的是提供一种基于能谱CT的肿瘤放疗靶区识别方法、系统及设备，通过构建肿瘤组织和正常组织的特征能谱曲线，拟合待测体素的能谱曲线所包含肿瘤和正常组织成份的权重，识别肿瘤浸润高危阳性像素点区域，实现对瘤放疗靶区的准确识别。
本发明是通过以下技术方案实现的：
一种基于能谱CT的肿瘤放疗靶区识别方法，包括以下步骤：
(1)基于能谱CT扫描序列获得不同重建点的若干套单能量CT图像；
(2)利用回顾性标记确定每一套单能量CT图像中肿瘤感兴趣区域和周围正常组织区域的像素点；
(3)获取肿瘤感兴趣区域和正常组织感兴趣区域内像素点的能谱曲线集合，分别提取肿瘤和正常组织的特征能谱曲线基础集；
(4)获取待测区域内像素点的能谱曲线集合；
(5)根据肿瘤和正常组织的特征能谱曲线基础集拟合待测区域内像素点的能谱曲线集合所包含肿瘤与正常组织的成份权重，识别待测区域内的肿瘤浸润高危阳性像素点区域；
(6)对肿瘤浸润高危阳性像素点区域外围边界进行三维重建，确定肿瘤高危浸润区域三维轮廓；
(7)根据肿瘤高危浸润区域三维轮廓指导肿瘤放疗靶区的识别和勾画。
为优化上述技术方案，采取的具体措施还包括：
步骤(1)中，不同单能量CT图像的获得为由能谱CT扫描序列对患者在一定能量范围内进行双能量扫描后进行重建，每隔3-6keV设为一个重建点，得到若干套单能量CT图像。
步骤(2)中，利用回顾性标记确定每一套单能量CT图像中肿瘤感兴趣区域和周围正常组织区域的像素点，具体包括：
1)通过回顾性分析，将患者的反映肿瘤和正常组织特征的影像与不同重建点的单能量CT图像配准；
2)根据反映肿瘤和正常组织特征的影像，对不同重建点的单能量CT图像中的肿瘤、正常组织相应像素点进行标记。
步骤(3)中，所述获取肿瘤感兴趣区域和正常组织感兴趣区域内像素点的能谱曲线集合，具体包括：
1)针对肿瘤感兴趣区内的像素点，分别在不同重建点的单能量CT图像上以该像素点为中心体素，计算该中心像素的三维最近邻域体素的HU平均值作为纵坐标，以重建点的能量keV值为纵坐标，得到该像素点的能谱曲线，遍历区域内的每一个像素点，得到肿瘤感兴趣区域内所有像素点的能谱曲线集合；
2)针对正常组织区内的像素点，分别在不同重建点的单能量CT图像上以该像素点为中心体素，计算该中心像素的三维最近邻域体素的HU平均值作为纵坐标，以重建点的能量keV值为纵坐标，得到该像素点的能谱曲线，遍历区域内的每一个像素点，得到正常组织感兴趣区域内所有像素点的能谱曲线集合。
步骤(3)中，所提取的肿瘤和正常组织的特征能谱曲线基础集，为针对肿瘤感兴趣区和正常组织感兴趣区内像素点的能谱曲线，采用主成分分析分别提取表征肿瘤和正常组织的特征能谱曲线，包含以下步骤：
1)定义感兴趣区域内能谱曲线的相互关系，如下式：
其中，X为能谱曲线矩阵，大小为m×n，表示m条长度为n的肿瘤或正常组织能谱曲线集合；CX为能谱曲线矩阵X的协方差矩阵，表示能谱曲线间的相互关系；
2)利用PCA求解线性变换P来重新表征能谱曲线矩阵X，由下式定义：
PX＝Y
其中，P为一组正交的基向量，Y为X在基向量P下的投影，表示为能谱曲线集合的主成分，则Y的协方差矩阵定义为CY：
其中，CY是一个对角矩阵，如下式：
CY＝PCXPT
其中，P将CX对角化得到对角矩阵CY，CY中的变量称为特征值，用于衡量P中主成分的重要性；P中特征值最大的特征向量是第一主成分，指向能谱曲线数据集X中方差最大方向，对应能谱曲线集合的共性特征，将该方向的数据记为M；第二主成分位于垂直第一主成分的最大方差方向上，表示X和M之间的最大变化，沿该方向的数据作为变异性，记为V；
3)根据步骤2)中PCA分析的结果，分别构建肿瘤和正常组织的特征能谱曲线基础集，具体包含以下步骤：
将肿瘤感兴趣区的能谱曲线集合的第一主成分，记为MT，减去变异成份，作为能谱曲线集合的第二主成分，记为VT，则肿瘤的特征能谱曲线基础集MT-basis定义为下式：
MT-basis＝MT-VT
将正常组织感兴趣区的能谱曲线集合的第一主成分，记为MN，减去变异成份，作为能谱曲线集合的第二主成分，记为VN，则正常组织的特征能谱曲线基础集MN-basis定义为下式：
MN-basis＝MN-VN。
步骤(4)中，所述获取待测区域内像素点的能谱曲线集合，具体包括：针对待测区域内的像素点，分别在不同重建点的单能量CT图像上以该像素点为中心体素，计算该中心像素的三维最近邻域体素的HU平均值作为纵坐标，以重建点的能量keV值为纵坐标，得到该像素点的能谱曲线，遍历区域内的每一个像素点，得到待测区域内所有像素点的能谱曲线集合。
步骤(5)中，所述拟合待测区域内像素点的能谱曲线集合所包含肿瘤与正常组织的成份权重，包含以下步骤：
1)针对待测区域内像素点，利用肿瘤和正常组织的特征能谱曲线基础集，基于多元线性回归和最小二乘法，拟合特征能谱曲线基础集在当前体素能谱曲线的功能权重，由下式定义：
Wi＝γMT-basis+μMN-basis+ε
其中，Wi为当前体素的能谱曲线，MT-basis和MN-basis分别为肿瘤和正常组织的特征能谱曲线基础集，γ和μ分别是回归系数，ε为残差项；
2)对模型做拟合优度分析，通过决定系数R2的值判定可接受的模型。
步骤(5)中，所述识别待测区域内的肿瘤浸润高危阳性像素点区域，包含以下步骤：
1)根据拟合模型的标准化回归系数γβ和μβ，据此判断肿瘤特征能谱曲线MT-basis和正常组织特征能谱曲线MN-basis对当前体素能谱曲线Wi的贡献程度：若γβ＞kμβ，则体素Wi为浸润高风险；否则，体素为低风险；其中k是一个给定的参数，表示当前体素中肿瘤成份的权重大于正常组织成份权重的k倍；
2)对高风险体素和低风险体素进行标记，将所有高风险体素所构成的连通区域定义为肿瘤浸润高危阳性像素点区域，表示肿瘤浸润高危亚区域。
作为另一个重要的技术方案，本发明还提供一种基于能谱CT的肿瘤放疗靶区的识别系统，包括：
单能量CT图像获取模块，用于通过能谱CT扫描序列获得不同重建点的若干套单能量CT图像；
像素点确定模块，利用回顾性标记确定每一套单能量CT图像中肿瘤感兴趣区域和周围正常组织区域的像素点；
能谱曲线提取模块，用于通过获取肿瘤感兴趣区域和正常组织感兴趣区域内像素点的能谱曲线集合，分别提取肿瘤组织和正常组织的特征能谱曲线基础集；获取待测区域内像素点的能谱曲线集合；
拟合和识别模块，根据肿瘤和正常组织的特征能谱曲线基础集拟合待测区域内像素点的能谱曲线集合所包含肿瘤与正常组织的成份权重，识别待测区域内的肿瘤浸润高危阳性像素点区域；
三维重建模块，用于对肿瘤浸润高危阳性像素点区域阳性区域外围边界进行三维重建，确定肿瘤高危浸润区域三维轮廓。
作为另一个重要的技术方案，本发明还提供一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行计算机程序时，实现如上述的基于能谱CT的肿瘤放疗靶区的识别方法。
与现有技术相比，本发明的有益效果是：
本发明提供了一种基于能谱CT的肿瘤放疗靶区识别方法，不仅能够识别是否为肿瘤区域，还能够识别体素所包含肿瘤成份和正常组织成份的权重，例如：对于肿瘤权重大于正常组织权重的体素，意味着当前体素为肿瘤浸润高危亚区域，可以“有的放矢”地将其包含在放疗靶区轮廓内，以防止“漏照”和“扩大照射”。
本发明的方法可实现对肿瘤浸润高危亚区域的准确识别和判断，有助于提高肿瘤放疗靶区勾画精度，提高放射治疗的精准度。本发明的方法可在人眼难以分别的情况下，及时发现肿瘤放疗靶区的微观变化，从而实现“量体裁衣”的放射治疗，提高放疗疗效。
附图说明
图1为一例食管癌患者的CT图像及肿瘤病灶。
图2为图1中食管癌患者的CT与18F-FDG PET融合图像。
图3为本发明所提供的一种基于能谱CT的肿瘤放疗靶区识别方法流程图。
图4为本发明所提供的肿瘤和正常组织区域标记示意图。
图5为本发明所提供的获取肿瘤和正常组织感兴趣区域内像素点的能谱曲线示意图。
图6为本发明所提供的PCA构建肿瘤和正常组织特征能谱曲线基础集示意图。
图7为本发明所提供的多元线性回归拟合待测像素中肿瘤和正常组织权重示意图。
图8为本发明所提供的肿瘤浸润高危阳性像素点区域识别示意图。
图9为本发明所提供的一例食管癌患者肿瘤放疗靶区识别示意图。
具体实施方式
以下通过实施例的形式对本发明的上述内容再作进一步的详细说明，但不应将此理解为本发明上述主题的范围仅限于以下的实施例，凡基于本发明上述内容所实现的技术均属于本发明的范围。
下述实施例中所使用的实验方法，如无特殊说明均为常规方法，所用的试剂、方法和设备，如无特殊说明均为本技术领域常规试剂、方法和设备。
在一实施例中，本发明提供了一种基于能谱CT的肿瘤放疗靶区识别方法，能够识别肿瘤浸润高危区域，以指导放疗靶区的精准识别和勾画。
本发明提供的技术方案是：
图3为本发明所提供的一种基于能谱CT的肿瘤放疗靶区识别方法流程图，包括以下步骤：
步骤301：基于能谱CT扫描序列获得不同重建点的若干套单能量CT图像；所述不同单能量CT图像由能谱CT扫描序列对患者进行双能量扫描后进行重建；实施例中，每隔5keV为一个重建点，从40keV到180keV重建所得的29套单能量图像。
步骤302：利用回顾性标记确定每一套单能量CT图像中肿瘤感兴趣区域和周围正常组织区域的像素点；
如图4所示，通过回顾性分析，将患者的反映肿瘤和正常组织特征的影像，例如磁共振影像(MRI)、正电子发射计算机断层显像(PET-CT)或其他影像与不同重建点的单能量CT图像配准；根据磁共振影像(MRI)、正电子发射计算机断层显像(PET-CT)或其他反映肿瘤和正常组织特征的影像，对不同重建点的单能量CT图像中的相应像素点进行标记；实施例中，具有肿瘤特征的像素点标记为1，瘤周正常组织的像素点标记为0。
步骤303：获取肿瘤感兴趣区域和正常组织感兴趣区域内像素点的能谱曲线集合，分别提取肿瘤和正常组织的特征能谱曲线基础集；
如图5所示，针对肿瘤感兴趣区内的像素点，分别在不同重建点的单能量CT图像上以该像素点为中心体素，计算该中心像素的三维最近邻域体素(3×3×3)的HU平均值作为纵坐标，以重建点的能量keV值为纵坐标，得到该像素点的能谱曲线，遍历区域内的每一个像素点，得到肿瘤感兴趣区域内所有像素点的能谱曲线集合；针对正常组织区内的像素点，分别在不同重建点keV的单能量CT图像上以该像素点为中心体素，计算该中心像素的三维最近邻域体素(3×3×3)的HU平均值作为纵坐标，以重建点的能量keV值为纵坐标，得到该像素点的能谱曲线，遍历区域内的每一个像素点，得到正常组织感兴趣区域内所有像素点的能谱曲线集合。
提取肿瘤组织和正常组织的特征能谱曲线基础集，为针对肿瘤感兴趣区和正常组织感兴趣区内像素点的能谱曲线，采用主成分分析(PCA)分别提取表征肿瘤和正常组织的特征能谱曲线，包含以下步骤：
1)定义感兴趣区域内能谱曲线的相互关系，如下式：
其中，其中，X为能谱曲线矩阵，大小为m×n，即m条长度为n的肿瘤或正常组织能谱曲线集合；CX为能谱曲线矩阵X的协方差矩阵，表示能谱曲线间的相互关系。
2)利用PCA求解线性变换P来重新表征能谱曲线矩阵X，由下式定义：
PX＝Y
其中，P为一组正交的基向量，Y为X在新的基向量P下的投影，表示为能谱曲线集合的主成分(PC)，则Y的协方差矩阵可定义为CY：
线性变换P的目的是使结果数据集Y中能谱曲线之间的协方差消失，因此，CY必须是一个对角矩阵，所有的非对角元素表示协方差为零，而对角元素表示方差最大，如下式：
CY＝PCXPT
其中，P将CX对角化得到对角矩阵CY，CY中的变量称为特征值，其衡量了P中主成分(PC)的重要性。P中特征值最大的特征向量是第一主成分，指向能谱曲线数据集X中方差最大方向，对应能谱曲线集合的共性特征，将该方向的数据记为M；第二主成分位于垂直第一主成分的最大方差方向上，表示X和M之间的最大变化，沿该方向的数据作为变异性，记为V。
3)如图6所示，根据PCA分析的结果，分别构建肿瘤和正常组织的特征能谱曲线基础集(basis set)，具体包含以下步骤：
将肿瘤感兴趣区的能谱曲线集合的第一主成分，记为MT，减去变异成份，作为能谱曲线集合的第二主成分，记为VT，则肿瘤组织的特征能谱曲线基础集(MT-basis)定义为下式：
MT-basis＝MT-VT
将正常组织感兴趣区的能谱曲线集合的第一主成分，记为MN，减去变异成份，作为能谱曲线集合的第二主成分，记为VN，则正常组织的特征能谱曲线基础集(MN-basis)定义为下式：
MN-basis＝MN-VN
步骤304：获取待测区域内像素点的能谱曲线集合；针对待测区域内的像素点，分别在不同重建点的单能量CT图像上以该像素点为中心体素，计算该中心像素的三维最近邻域体素(3×3×3)的HU平均值作为纵坐标，以重建点的能量keV值为纵坐标，得到该像素点的能谱曲线，遍历区域内的每一个像素点，得到肿瘤感兴趣区域内所有像素点的能谱曲线集合。
步骤305：根据特征能谱曲线拟合待测区域内像素点的能谱曲线集合所包含肿瘤与正常组织的成份权重，识别肿瘤浸润高危阳性像素点区域；
如图7所示，针对待测区域内像素点，利用肿瘤和正常组织的特征能谱曲线基础集，基于多元线性回归和最小二乘法，拟合特征能谱曲线基础集在当前体素能谱曲线的功能权重，由下式定义：
Wi＝γMT-basis+μMN-basis+ε
其中，Wi为当前体素的能谱曲线，MT-basis和MN-basis分别为肿瘤和正常组织的特征能谱曲线基础集，γ和μ分别是回归系数，ε为残差项。
对模型做拟合优度分析，通过决定系数R2的值判定可接受的模型，实施例中，决定系数R2>＝0.8为可接受的模型。
如图8所示，识别待测区域内的肿瘤浸润高危阳性像素点区域，具体包含以下步骤：
根据拟合模型的标准化回归系数γβ和μβ，据此可判断肿瘤特征能谱曲线(MT-basis)和正常组织特征能谱曲线(MN-basis)对当前体素能谱曲线(Wi)的贡献程度，即，若γβ＞kμβ，则体素Wi为浸润高风险；否则，体素为低风险；其中k是一个给定的参数，表示当前体素中肿瘤成份的权重大于正常组织成份权重的k倍，医生可以根据实际需求自定义k的取值；
对高风险体素和低风险体素进行标记，实施例中，将高风险体素标记为1，将低风险体素标记为0，将所有高风险体素所构成的连通区域定义为肿瘤浸润高危阳性像素点区域，表示肿瘤浸润高危亚区域。
步骤306：对肿瘤浸润高危阳性像素点区域外围边界进行三维重建，确定肿瘤高危浸润区域三维轮廓；
步骤307：将肿瘤高危浸润区域三维轮廓导入放射治疗计划系统，根据肿瘤高危浸润区域三维轮廓指导肿瘤放疗靶区精准识别和勾画。
如图9所示，为一例食管癌患者基于本方法的肿瘤放疗靶区识别，k值选择10，白色轮廓所包围区域为肿瘤高危浸润区域，右上角为肿瘤靶区放大展示，右下角为重建出的三维可视化结果。
在另一实施例中，本发明还提供了一种基于能谱CT的肿瘤放疗靶区的识别系统，包括：
单能量CT图像获取模块，用于通过能谱CT扫描序列获得不同重建点的若干套单能量CT图像；
像素点确定模块，利用回顾性标记确定每一套单能量CT图像中肿瘤感兴趣区域和周围正常组织区域的像素点；
能谱曲线提取模块，用于通过获取肿瘤感兴趣区域和正常组织感兴趣区域内像素点的能谱曲线集合，分别提取肿瘤组织和正常组织的特征能谱曲线基础集；获取待测区域内像素点的能谱曲线集合；
拟合和识别模块，根据肿瘤和正常组织的特征能谱曲线基础集拟合待测区域内像素点的能谱曲线集合所包含肿瘤与正常组织的成份权重，识别待测区域内的肿瘤浸润高危阳性像素点区域；
三维重建模块，用于对肿瘤浸润高危阳性像素点区域阳性区域外围边界进行三维重建，确定肿瘤高危浸润区域三维轮廓。
在另一实施例中，本发明还提供了一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行计算机程序时，实现如上述的基于能谱CT的肿瘤放疗靶区的识别方法。
在另一实施例中，本发明提出了一种计算机可读存储介质，存储有计算机程序，所述计算机程序使计算机执行如上所述的基于能谱CT的肿瘤放疗靶区的识别方法。
在本申请所公开的实施例中，计算机存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合使用的程序。计算机存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。计算机存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、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或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
以上所述，仅是本发明的较佳实施例，并非对本发明作任何形式上的限制，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，依据本发明的技术实质，对以上实施例所作的任何简单的修改、等同替换与改进等，均仍属于本发明技术方案的保护范围之内。
Claims (7)
1.一种基于能谱CT的肿瘤放疗靶区识别方法，其特征在于，包括以下步骤：
(1)基于能谱CT扫描序列获得不同重建点的若干套单能量CT图像；
(2)利用回顾性标记确定每一套单能量CT图像中肿瘤感兴趣区域和周围正常组织区域的像素点；
(3)获取肿瘤感兴趣区域和正常组织感兴趣区域内像素点的能谱曲线集合，分别提取肿瘤和正常组织的特征能谱曲线基础集；
(4)获取待测区域内像素点的能谱曲线集合；
(5)根据肿瘤和正常组织的特征能谱曲线基础集拟合待测区域内像素点的能谱曲线集合所包含肿瘤与正常组织的成分权重，识别待测区域内的肿瘤浸润高危阳性像素点区域；
(6)对肿瘤浸润高危阳性像素点区域外围边界进行三维重建，确定肿瘤高危浸润区域三维轮廓；
(7)根据肿瘤高危浸润区域三维轮廓指导肿瘤放疗靶区的识别和勾画；
步骤(3)中，所提取的肿瘤和正常组织的特征能谱曲线基础集，为针对肿瘤感兴趣区和正常组织感兴趣区内像素点的能谱曲线，采用主成分分析PCA分别提取表征肿瘤和正常组织的特征能谱曲线，包含以下步骤：
1)定义肿瘤或正常组织感兴趣区域内能谱曲线的相互关系，如下式：
其中，X为能谱曲线矩阵，大小为m×n，表示m条长度为n的肿瘤或正常组织感兴趣区内像素点的能谱曲线集合；CX为能谱曲线矩阵X的协方差矩阵，表示能谱曲线间的相互关系；
2)利用PCA求解线性变换来重新表征能谱曲线矩阵X，由下式定义：
PX＝Y
其中，P为一组正交的基向量，Y为X在基向量P下的投影，表示为能谱曲线集合的主成分，则Y的协方差矩阵定义为CY：
其中，CY是一个对角矩阵，如下式：
CY＝PCXPT
其中，P将CX对角化得到对角矩阵CY，CY中的变量称为特征值，用于衡量P中主成分的重要性；P中特征值最大的特征向量是第一主成分，指向能谱曲线数据集X中方差最大方向，对应能谱曲线集合的共性特征，将该方向的数据记为M；第二主成分位于垂直第一主成分的最大方差方向上，表示X和M之间的最大变化，沿该方向的数据作为变异性，记为V；
3)根据步骤2)中PCA分析的结果，分别构建肿瘤和正常组织的特征能谱曲线基础集，具体包含以下步骤：
将肿瘤感兴趣区的能谱曲线集合的第一主成分，记为MT，减去变异成分，作为能谱曲线集合的第二主成分，记为VT，则肿瘤的特征能谱曲线基础集MT-basis定义为下式：
MT-basis＝MT-VT
将正常组织感兴趣区的能谱曲线集合的第一主成分，记为MN，减去变异成分，作为能谱曲线集合的第二主成分，记为VN，则正常组织的特征能谱曲线基础集MN-basis定义为下式：
MN-basis＝MN-VN；
步骤(5)中，所述拟合待测区域内像素点的能谱曲线集合所包含肿瘤与正常组织的成分权重，包含以下步骤：
1)针对待测区域内像素点，利用肿瘤和正常组织的特征能谱曲线基础集，基于多元线性回归和最小二乘法，拟合特征能谱曲线基础集所包含肿瘤与正常组织的成分权重，由下式定义：
Wi＝γMT-basis+μMN-basis+ε
其中，Wi为当前体素的能谱曲线，MT-basis和MN-basis分别为肿瘤和正常组织的特征能谱曲线基础集，γ和μ分别是回归系数，ε为残差项；
2)对模型做拟合优度分析，通过决定系数R2的值判定可接受的模型；
步骤(5)中，所述识别待测区域内的肿瘤浸润高危阳性像素点区域，包含以下步骤：
1)根据拟合模型的标准化回归系数γβ和μβ，据此判断肿瘤特征能谱曲线基础集MT-basis和正常组织特征能谱曲线基础集MN-basis对当前体素能谱曲线Wi的贡献程度：若γβ＞kμβ，则体素Wi为浸润高风险；否则，体素为低风险；其中k是一个给定的参数，表示当前体素中肿瘤成分的权重大于正常组织成分权重的k倍；
2)对高风险体素和低风险体素进行标记，将所有高风险体素所构成的连通区域定义为肿瘤浸润高危阳性像素点区域。
2.根据权利要求1所述的基于能谱CT的肿瘤放疗靶区识别方法，其特征在于：步骤(1)中，不同单能量CT图像的获得为由能谱CT扫描序列对患者在一定能量范围内进行双能量扫描后进行重建，每隔3-6keV设为一个重建点，得到若干套单能量CT图像。
3.根据权利要求1所述的基于能谱CT的肿瘤放疗靶区识别方法，其特征在于：步骤(2)中，利用回顾性标记确定每一套单能量CT图像中肿瘤感兴趣区域和周围正常组织区域的像素点，具体包括：
1)通过回顾性分析，将患者的反映肿瘤和正常组织特征的影像与不同重建点的单能量CT图像配准；
2)根据反映肿瘤和正常组织特征的影像，对不同重建点的单能量CT图像中的肿瘤、正常组织相应像素点进行标记。
4.根据权利要求1所述的基于能谱CT的肿瘤放疗靶区识别方法，其特征在于：步骤(3)中，所述获取肿瘤感兴趣区域和正常组织感兴趣区域内像素点的能谱曲线集合，具体包括：
1)针对肿瘤感兴趣区内的像素点，分别在不同重建点的单能量CT图像上以该像素点为中心体素，计算该中心体素的三维最近邻域体素的HU平均值作为纵坐标，以重建点的能量keV值为横坐标，得到该像素点的能谱曲线，遍历区域内的每一个像素点，得到肿瘤感兴趣区域内所有像素点的能谱曲线集合；
2)针对正常组织区内的像素点，分别在不同重建点的单能量CT图像上以该像素点为中心体素，计算该中心体素的三维最近邻域体素的HU平均值作为纵坐标，以重建点的能量keV值为横坐标，得到该像素点的能谱曲线，遍历区域内的每一个像素点，得到正常组织感兴趣区域内所有像素点的能谱曲线集合。
5.根据权利要求1所述的基于能谱CT的肿瘤放疗靶区识别方法，其特征在于：步骤(4)中，所述获取待测区域内像素点的能谱曲线集合，具体包括：针对待测区域内的像素点，分别在不同重建点的单能量CT图像上以该像素点为中心体素，计算该中心体素的三维最近邻域体素的HU平均值作为纵坐标，以重建点的能量keV值为横坐标，得到该像素点的能谱曲线，遍历区域内的每一个像素点，得到待测区域内所有像素点的能谱曲线集合。
6.一种基于能谱CT的肿瘤放疗靶区的识别系统，其特征在于，包括：
单能量CT图像获取模块，用于通过能谱CT扫描序列获得不同重建点的若干套单能量CT图像；
像素点确定模块，利用回顾性标记确定每一套单能量CT图像中肿瘤感兴趣区域和周围正常组织区域的像素点；
能谱曲线提取模块，用于通过获取肿瘤感兴趣区域和正常组织感兴趣区域内像素点的能谱曲线集合，分别提取肿瘤组织和正常组织的特征能谱曲线基础集；获取待测区域内像素点的能谱曲线集合；
拟合和识别模块，根据肿瘤和正常组织的特征能谱曲线基础集拟合待测区域内像素点的能谱曲线集合所包含肿瘤与正常组织的成分权重，识别待测区域内的肿瘤浸润高危阳性像素点区域；
三维重建模块，用于对肿瘤浸润高危阳性像素点区域阳性区域外围边界进行三维重建，确定肿瘤高危浸润区域三维轮廓；
所提取的肿瘤和正常组织的特征能谱曲线基础集，为针对肿瘤感兴趣区和正常组织感兴趣区内像素点的能谱曲线，采用主成分分析PCA分别提取表征肿瘤和正常组织的特征能谱曲线，包含以下步骤：
1)定义肿瘤或正常组织感兴趣区域内能谱曲线的相互关系，如下式：
其中，X为能谱曲线矩阵，大小为m×n，表示m条长度为n的肿瘤或正常组织感兴趣区内像素点的能谱曲线集合；CX为能谱曲线矩阵X的协方差矩阵，表示能谱曲线间的相互关系；
2)利用PCA求解线性变换来重新表征能谱曲线矩阵X，由下式定义：
PX＝Y
其中，P为一组正交的基向量，Y为X在基向量P下的投影，表示为能谱曲线集合的主成分，则Y的协方差矩阵定义为CY：
其中，CY是一个对角矩阵，如下式：
CY＝PCXPT
其中，P将CX对角化得到对角矩阵CY，CY中的变量称为特征值，用于衡量P中主成分的重要性；P中特征值最大的特征向量是第一主成分，指向能谱曲线数据集X中方差最大方向，对应能谱曲线集合的共性特征，将该方向的数据记为M；第二主成分位于垂直第一主成分的最大方差方向上，表示X和M之间的最大变化，沿该方向的数据作为变异性，记为V；
3)根据步骤2)中PCA分析的结果，分别构建肿瘤和正常组织的特征能谱曲线基础集，具体包含以下步骤：
将肿瘤感兴趣区的能谱曲线集合的第一主成分，记为MT，减去变异成分，作为能谱曲线集合的第二主成分，记为VT，则肿瘤的特征能谱曲线基础集MT-basis定义为下式：
MT-basis＝MT-VT
将正常组织感兴趣区的能谱曲线集合的第一主成分，记为MN，减去变异成分，作为能谱曲线集合的第二主成分，记为VN，则正常组织的特征能谱曲线基础集MN-basis定义为下式：
MN-basis＝MN-VN；
所述拟合待测区域内像素点的能谱曲线集合所包含肿瘤与正常组织的成分权重，包含以下步骤：
1)针对待测区域内像素点，利用肿瘤和正常组织的特征能谱曲线基础集，基于多元线性回归和最小二乘法，拟合特征能谱曲线基础集所包含肿瘤与正常组织的成分权重，由下式定义：
Wi＝γMT-basis+μMN-basis+ε
其中，Wi为当前体素的能谱曲线，MT-basis和MN-basis分别为肿瘤和正常组织的特征能谱曲线基础集，γ和μ分别是回归系数，ε为残差项；
2)对模型做拟合优度分析，通过决定系数R2的值判定可接受的模型；
所述识别待测区域内的肿瘤浸润高危阳性像素点区域，包含以下步骤：
1)根据拟合模型的标准化回归系数γβ和μβ，据此判断肿瘤特征能谱曲线基础集MT-basis和正常组织特征能谱曲线基础集MN-basis对当前体素能谱曲线Wi的贡献程度：若γβ＞kμβ，则体素Wi为浸润高风险；否则，体素为低风险；其中k是一个给定的参数，表示当前体素中肿瘤成分的权重大于正常组织成分权重的k倍；
2)对高风险体素和低风险体素进行标记，将所有高风险体素所构成的连通区域定义为肿瘤浸润高危阳性像素点区域。
7.一种电子设备，其特征在于，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行计算机程序时，实现如权利要求1-5任一项所述的基于能谱CT的肿瘤放疗靶区识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311416503.2A CN117427286B (zh) | 2023-10-30 | 2023-10-30 | 一种基于能谱ct的肿瘤放疗靶区识别方法、系统及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311416503.2A CN117427286B (zh) | 2023-10-30 | 2023-10-30 | 一种基于能谱ct的肿瘤放疗靶区识别方法、系统及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117427286A CN117427286A (zh) | 2024-01-23 |
| CN117427286B true CN117427286B (zh) | 2024-04-26 |
Family
ID=89545783
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311416503.2A Active CN117427286B (zh) | 2023-10-30 | 2023-10-30 | 一种基于能谱ct的肿瘤放疗靶区识别方法、系统及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117427286B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106875367A (zh) * | 2017-03-15 | 2017-06-20 | 中山大学 | 一种基于互关联规则的鼻咽癌原发病灶临床靶区自动勾画方法 |
| CN109011221A (zh) * | 2018-09-04 | 2018-12-18 | 东莞东阳光高能医疗设备有限公司 | 一种剂量引导的中子俘获治疗系统及其操作方法 |
| CN111079863A (zh) * | 2019-12-31 | 2020-04-28 | 重庆青信科技有限公司 | 利用能谱曲线统计指纹识别病灶组织的系统 |
| CN111166332A (zh) * | 2020-03-04 | 2020-05-19 | 南京鼓楼医院 | 一种基于磁共振波谱和磁共振影像的放疗靶区勾画方法 |
| CN111199081A (zh) * | 2018-10-31 | 2020-05-26 | 南京智能仿真技术研究院有限公司 | 一种能谱数据处理装置及其模拟能谱曲线仿真系统、方法 |
| WO2022182681A2 (en) * | 2021-02-26 | 2022-09-01 | Reflexion Medical, Inc. | Methods for automatic target identification, tracking, and safety evaluation for radiotherapy |
| CN115410692A (zh) * | 2021-05-26 | 2022-11-29 | 通用电气精准医疗有限责任公司 | 确定组织边界的装置和方法 |
-
2023
- 2023-10-30 CN CN202311416503.2A patent/CN117427286B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106875367A (zh) * | 2017-03-15 | 2017-06-20 | 中山大学 | 一种基于互关联规则的鼻咽癌原发病灶临床靶区自动勾画方法 |
| CN109011221A (zh) * | 2018-09-04 | 2018-12-18 | 东莞东阳光高能医疗设备有限公司 | 一种剂量引导的中子俘获治疗系统及其操作方法 |
| CN111199081A (zh) * | 2018-10-31 | 2020-05-26 | 南京智能仿真技术研究院有限公司 | 一种能谱数据处理装置及其模拟能谱曲线仿真系统、方法 |
| CN111079863A (zh) * | 2019-12-31 | 2020-04-28 | 重庆青信科技有限公司 | 利用能谱曲线统计指纹识别病灶组织的系统 |
| CN111166332A (zh) * | 2020-03-04 | 2020-05-19 | 南京鼓楼医院 | 一种基于磁共振波谱和磁共振影像的放疗靶区勾画方法 |
| WO2022182681A2 (en) * | 2021-02-26 | 2022-09-01 | Reflexion Medical, Inc. | Methods for automatic target identification, tracking, and safety evaluation for radiotherapy |
| CN115410692A (zh) * | 2021-05-26 | 2022-11-29 | 通用电气精准医疗有限责任公司 | 确定组织边界的装置和方法 |
Non-Patent Citations (2)
| Title |
|---|
| 双能量与单能量CT扫描及重建影像在头颈部肿瘤粒子治疗计划靶区显示的差异;蒋磊;龚雪明;Stefanie Kaess;鹿蓉;苗华栋;;中国医学计算机成像杂志;20191225(第06期);全文 * |
| 影像解剖形态学及功能成像在胃癌术前分期及预后的临床应用;曾强;《中国博士学位论文全文数据库·医药卫生科技辑》;20210815;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117427286A (zh) | 2024-01-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3855391A1 (en) | Methods and systems for characterizing anatomical features in medical images | |
| JP7030050B2 (ja) | 組織パラメータ推定を用いたｍｒデータからの疑似ｃｔ生成 | |
| JP6567179B2 (ja) | 特徴回帰モデルを用いたｍｒデータからの疑似ｃｔ生成 | |
| CN108815721B (zh) | 一种照射剂量确定方法及系统 | |
| CN107038728B (zh) | 基于迭代重建的轮廓自动化确定 | |
| US8290568B2 (en) | Method for determining a property map of an object, particularly of a living being, based on at least a first image, particularly a magnetic resonance image | |
| US10149987B2 (en) | Method and system for generating synthetic electron density information for dose calculations based on MRI | |
| US9710915B2 (en) | Automatic background region selection for lesion delineation in medical images | |
| RU2587427C2 (ru) | Улучшающий фильтр для конкретного органа для надежной сегментации медицинских изображений | |
| US8588498B2 (en) | System and method for segmenting bones on MR images | |
| CN108629785B (zh) | 基于自步学习的三维磁共振胰腺图像分割方法 | |
| Markel et al. | Automatic segmentation of lung carcinoma using 3D texture features in 18‐FDG PET/CT | |
| Memon et al. | Segmentation of lungs from CT scan images for early diagnosis of lung cancer | |
| US9355447B2 (en) | System and method for gradient assisted non-connected automatic region (GANAR) analysis | |
| EP2689344B1 (en) | Knowledge-based automatic image segmentation | |
| Qi et al. | Computer-aided diagnosis and regional segmentation of nasopharyngeal carcinoma based on multi-modality medical images | |
| Vandewinckele et al. | Segmentation of head-and-neck organs-at-risk in longitudinal CT scans combining deformable registrations and convolutional neural networks | |
| Zhao et al. | Local metric learning in 2D/3D deformable registration with application in the abdomen | |
| US20080285822A1 (en) | Automated Stool Removal Method For Medical Imaging | |
| CN116547699A (zh) | 一种用于放射治疗中的临床靶标勾画方法 | |
| CN110533667B (zh) | 基于图像金字塔融合的肺部肿瘤ct影像3d分割方法 | |
| US20140094679A1 (en) | Systems and methods for performing organ detection | |
| CN117427286B (zh) | 一种基于能谱ct的肿瘤放疗靶区识别方法、系统及设备 | |
| Chauvie et al. | Automatic liver detection and standardised uptake value evaluation in whole-body positron emission tomography/computed tomography scans | |
| Wodzinski et al. | Application of B-splines FFD image registration in breast cancer radiotherapy planning |
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 |