CN117808795A - 一种肺部病灶导航的路径规划和目标分支决策系统 - Google Patents

一种肺部病灶导航的路径规划和目标分支决策系统 Download PDF

Info

Publication number
CN117808795A
CN117808795A CN202410181036.8A CN202410181036A CN117808795A CN 117808795 A CN117808795 A CN 117808795A CN 202410181036 A CN202410181036 A CN 202410181036A CN 117808795 A CN117808795 A CN 117808795A
Authority
CN
China
Prior art keywords
points
path
focus
image
point
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
Application number
CN202410181036.8A
Other languages
English (en)
Inventor
沈平
唐铨
陈金娜
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.)
Southern University of Science and Technology
Original Assignee
Southern University of Science and Technology
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 Southern University of Science and Technology filed Critical Southern University of Science and Technology
Priority to CN202410181036.8A priority Critical patent/CN117808795A/zh
Publication of CN117808795A publication Critical patent/CN117808795A/zh
Pending legal-status Critical Current

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
    • A61B34/20—Surgical navigation systems; Devices for tracking or guiding surgical instruments, e.g. for frameless stereotaxis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
    • A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
    • A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
    • A61B2034/107—Visualisation of planned trajectories or target regions
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
    • A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
    • A61B2034/108—Computer aided selection or customisation of medical implants or cutting guides
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
    • A61B34/20—Surgical navigation systems; Devices for tracking or guiding surgical instruments, e.g. for frameless stereotaxis
    • A61B2034/2046—Tracking techniques
    • A61B2034/2065—Tracking using image or pattern recognition
    • 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
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30061—Lung
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30096—Tumor; Lesion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Surgery (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • General Health & Medical Sciences (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biomedical Technology (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Robotics (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及肺部病灶导航的路径规划和目标分支决策系统，采用以下方式：对输入的CT图像进行预处理，提取肺部区域CT图像，从提取的肺部区域CT图像中分割出气道树、动静脉和病灶；提取气道树中心线图像，获取关键点，构建以病灶中心为重心的正方体，对在正方体内的关键点进行筛选出最优手术点，根据最优手术点，输出从气管入口到病灶的目标路径；本发明综合考虑了支气管镜能否通过所规划的路径，和手术点到病灶穿刺途中的血管分布情况，筛选出同时满足支气管镜游走路程短和手术点到病灶穿刺途中没有血管分布的点，该发明技术提高了路径规划的准确性，同时更符合实际临床需求。

Description

一种肺部病灶导航的路径规划和目标分支决策系统
技术领域
本发明涉及肺部病灶导航技术领域，更具体地说，涉及一种肺部病灶导航的路径规划和目标分支决策系统。
背景技术
肺癌是最常见的肺原发性恶性肿瘤，危害着人类身体健康，现已成为全球发病率和死亡率最高的癌症；面向肺部微小结节(病灶)的早诊早治是降低肺癌死亡率的关键措施，其中导航支气管镜检查是诊断肺外周微小结节病变最安全、最优越的方法；目前，最可靠的支气管镜检查手术路线图是由医生阅片观察病灶区域然后凭手术经验勾画得到，但人工进行规划手术路径属于劳动密集型任务，费时费力，且勾画结果在拥有不同年限临床经验的医生之间存在较大差异，因此需要一种全自动、高精度和可重复性的路径规划方法；
随着计算机硬件资源以及辅助诊断技术的发展，全自动手术路径规划方式已经得到了极大的发展；现有路径规划方法包括基于深度学习的方法与无需学习的方法两种，其中，基于深度学习的方法利用成对CT图像与金标准训练网络模型，学习对未见过的CT图像规划手术路线图，该类方法需要医生事先勾画大量金标准样例，且由于成像设备间的差异性和病人间病灶分布的多样性，网络模型在实际应用中的准确性难以保证；无需学习的方法直接根据支气管拓扑结构搜索路径，该种方法无需金标准进行训练，采用基于广度或深度优先搜索的算法依次计算从气管入口到手术点，和手术点到病灶中心点的路程，最优路径以从气管入口到病灶的最短路径为目标。
关于无需学习的方法已有较多发明专利和文献公开了关于利用医学数据可视化，优化路径代价函数和虚拟内窥技术进行手术路径规划的技术，例如：
公开日为2020年7月31日，公开号为CN114066906A的中国发明专利文献，公开了一种导航路径规划方法、系统和可读存储介质，该方法首先使用区域增长方法分割出CT图像中的自然腔道，然后将自然腔道距离变换体数据作为研究对象，以代价函数最小化为目标，得到从起始点至目标点于腔道中心线的最佳导航路径，提高了导航路径规划的准确性。然而该发明需要对目标路径进行修正，将距离变换体数据连通域内的峰值像素点修正为路径点，确保目标路径是在中心线上，可以考虑直接在气道树中心线图像上进行路径规划。
公开日为2021年7月13日，公开号为CN113112609A的中国发明专利文献，公开了一种面向肺部活检支气管镜的导航方法和系统，该方法基于预设的深度学习肺结节识别模型和虚拟内窥技术，通过定位病灶和病灶标记能够实现术中导航，具有准确诊断和效能高的优点。虚拟内窥技术能够从CT图像中分割出气道树，并利用图像渲染技术生成从气道入口通往病灶的虚拟路线图像。其中分割方法是基于队列结构的快速区域增长算法，然而已有研究表明基于深度学习的分割方法在保留气道树拓扑结构的能力远超过传统方法(比如基于区域生长和阈值的方法)，依赖像素强度差别工作的传统方法虽然能成功分割出气管和主支气管，但随着气道分叉成更细的支气管，气道腔和壁之间的强度对比逐渐减弱，这些方法通常无法提取出外围支气管；其中路径规划方法是Dijkstra算法，一种基于贪心策略的最短路径搜索算法，其在搜索从气管入口到病灶附近的最短路径时，需要计算起始节点到所有节点的最短路径，按照路径长度逐点增长的方法构造一棵路径树，直到目标点被标记，涉及大量无关节点的运算。
可以看到，这些成功的自动手术路径规划方法容易存在肺部气道树分割遗漏，计算量冗余等问题。同时该类方法忽略了支气管镜能否通过所选择的路径，即支气管镜与气道管腔横截面的大小关系，和所选的手术点是否适合穿刺，即手术点到病灶穿刺途中的血管分布情况等多种因素的影响，不符合实际临床情况。需要一种能够克服上述缺陷的肺部病灶导航的路径规划和目标分支决策系统。
发明内容
本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种肺部病灶导航的路径规划和目标分支决策系统。
本发明解决其技术问题所采用的技术方案是：
构造一种肺部病灶导航的路径规划和目标分支决策系统，其中，所述系统包括数据输入单元、数据处理单元和数据输出单元；
所述数据输入单元，用于接收输入的CT图像；
所述数据处理单元，用于对输入的CT图像进行预处理，从经过预处理后的CT图像中提取肺部区域CT图像；从提取的肺部区域CT图像中分割出气道树、动静脉和病灶；提取气道树分割掩码的中心线图像，依据关键点提取算法对气道树中心线图像提取关键点，并对关键点进行编码；关键点为气道树中心线上的端点和分叉点；构建以病灶中心为重心的正方体，删除正方体内支气管镜无法通过的关键点；通过剩余关键点编码中的相同部分确定这些关键点的第一个共同父节点；遍历寻找每一关键点与其父节点所连支路片段上到第一个共同父节点与病灶中心路程和最小的节点，保留设定数量的节点，记作手术点；判断当前确定的多个手术点在正方体连续扩张设定次数后是否保持不变，是则停止正方体扩张，否则按设定规则继续扩张正方体，对新纳入的关键点重复操作：删除正方体内支气管镜无法通过的关键点，确定剩余关键点的第一个共同父节点，遍历寻找每一关键点与其父节点所连支路片段上到第一个共同父节点与病灶中心路程和最小的节点，保留设定数量的节点，记作手术点；对最终确定的多个手术点按游走路程长短和到病灶穿刺途中的血管分布情况，筛选出最优手术点，根据最优手术点，得到从气管入口到病灶的目标路径；
所述数据输出单元，用于输出得到的目标路径。
本发明所述的肺部病灶导航的路径规划和目标分支决策系统，其中，从经过预处理后的CT图像中提取肺部区域CT图像采用：
使用阈值法将CT图像变为二值图像，其中肺部区域被设置为前景，其他组织信息被设置为背景，并得到多个连通域；
通过约束连通域的体积和离心率，将两个最大的连通域作为左肺和右肺的掩码；
使用形态学运算对二值图像中左肺和右肺的掩码进行孔洞填充，以消除肺部区域掩码中噪声的干扰
使用凸包计算合并二值图像中左肺和右肺掩码边界处孤立的像素点，以形成更完整的肺部区域掩码；
将预处理后的CT图像和二值图像中肺部区域掩码逐像素相乘，得到只包含肺部区域的CT图像，而肺部区域以外的组织信息从预处理后的CT图像中移除。
本发明所述的肺部病灶导航的路径规划和目标分支决策系统，其中，从提取的肺部区域CT图像中分割出气道树、动静脉和病灶包括：
裁剪肺部区域CT图像到肺的最小边界框作为有效输入区域；
将有效输入区域以滑窗的方式裁剪为多个体积块，并将多个体积块输入到神经网络进行模型训练；
模型训练结束后，可以直接被应用到临床当中，分割出预处理后CT图像中的气道树结构、肺部动静脉结构和肺部病灶结构。
本发明所述的肺部病灶导航的路径规划和目标分支决策系统，其中，所述提取气道树中心线图像采用：
对分割结果进行数据处理，具体是将气道树掩码从分割结果中提取出来，得到只含气道树掩码和背景的二值图像，使用三维细化算法将二值图像中气道树的掩码减少到单体素宽度，得到气道树中心线图像。
本发明所述的肺部病灶导航的路径规划和目标分支决策系统，其中，所述依据关键点提取算法对气道树中心线图像提取关键点，并对关键点进行编码采用：
根据中心线上每个节点的26邻域内体素的数量，将中心线上的节点包括为端点、边缘点和分叉点，其中，端点的相邻体素数量为1，边缘点的相邻体素数量为2，分叉点的相邻体素数量不小于3；
使用广度优先搜索算法对关键点编码；
将关键点信息保存为字典结构，其中键为关键点坐标，值为关键点对应编码。
本发明所述的肺部病灶导航的路径规划和目标分支决策系统，其中，构建以病灶中心为重心的正方体，删除正方体内支气管镜无法通过的关键点，通过剩余关键点编码中的相同部分确定这些关键点的第一个共同父节点，遍历寻找每一关键点与其父节点所连支路片段上到第一个共同父节点与病灶中心路程和最小的节点，保留设定数量的节点，记作手术点采用：
计算肺结节的中心点坐标(Xpn,Ypn,Zpn)，以肺结节的中心点为正方体的重心，从0开始逐预设长度增加边长，正方体逐步向外扩张，直到正方体内包含关键点，将正方体内的关键点建立为集合；
取关键点与其父节点处气道管腔最小直径的平均值，用来计算所连支路片段的横截面面积，若面积小于支气管镜大小，则认为支气管镜无法通过该支路，将该关键点从集合中移除；
通过剩余关键点编码中的相同部分确定这些关键点的第一个共同父节点，遍历寻找这些关键点与其父节点所连支路片段上到第一个共同父节点和病灶中心路程和最小的节点；
将节点按路程长短从低到高进行排序，保留前第一设定数量的点，不足第一设定数量则按空位处理。
本发明所述的肺部病灶导航的路径规划和目标分支决策系统，其中，判断当前确定的多个手术点在正方体连续扩张设定次数后是否保持不变，是则停止正方体扩张，否则按设定规则继续扩张正方体，每次对新纳入的关键点重复上一步操作采用：
按预设长度继续增加正方体的大小，对新纳入的关键点重复操作：删除正方体内支气管镜无法通过的关键点，确定剩余关键点的第一个共同父节点，遍历寻找每一关键点与其父节点所连支路片段上到第一个共同父节点与病灶中心路程和最小的节点，保留设定数量的节点，记作手术点，将第一设定数量新的手术点与上一阶段产生的第一设定数量的手术点在路径长度方面比较，替换或保留上一阶段的手术点；若连续第二设定数量次增大正方体大小后，当前确定的第一设定数量的手术点不再发生变化，则停止正方体向外扩张。本发明所述的肺部病灶导航的路径规划和目标分支决策系统，其中，取正方体内关键点与其父节点处气道管腔最小直径的平均值，计算所连支路片段的横截面面积采用：
对气道树掩码二值图像做膨胀形态学处理；
将前景和背景的体素值调换；
进行距离变换操作，得到气道树中每一零值体素到最近非零气道壁的欧氏距离图像；
将距离图像与气道树中心线图像相乘，得到气道树中心线到气道壁的最近距离；
将二倍最近距离当作任意点对应气道管腔的最小直径，可以用来计算管腔的横截面大小，关键点与其父节点处管腔横截面大小的平均值即为所连支路片段的横截面面积。
本发明所述的肺部病灶导航的路径规划和目标分支决策系统，其中，
对最终确定的多个手术点按路程长短和到病灶穿刺途中的血管分布情况，筛选出最优手术点，根据最优手术点，输出从气管入口到病灶的目标路径采用：
计算每一手术点到病灶的穿刺路径途中是否存在肺部动静脉血管，用来衡量手术点到病灶的血管分布情况；
结合路程长短和穿刺途中血管分布情况，执行以下决策：
1)若第一设定数量条路径中最短路径对应的手术点到病灶的穿刺途中没有血管分布，则将最短路径对应的点作为最优手术点，并输出相应三维空间坐标；
2)若第一设定数量条路径中最短路径对应的手术点到病灶的穿刺途中有血管分布，则在最短路径对应手术点所在的分支片段上，从后往前计算出到病灶穿刺途中不存在血管分布的新点，根据三角形三边关系，新点游走路程进一步缩短；如果该支路上不存在到病灶的穿刺途中没有血管分布的点，则考察第二短路径对应的手术点，如果手术点到病灶的穿刺途中不存在血管分布，则直接输出手术点的三维空间坐标，否则在第二短路径的分支片段上进行相同的搜索操作：从手术点往前计算出穿刺途中不存在血管分布的新点，以此类推，直到选出同时满足游走路径短和到病灶的穿刺途中没有血管分布的手术点，并输出三维空间坐标；
得到最优手术点的三维空间坐标后，从后往前依次输出目标分支的所有坐标点，形成列表；对列表进行逆转操作，得到从气管入口到最优手术点路径上每一节点的坐标信息。
本发明的有益效果在于：本发明技术方案提出了一种全自动、无需学习、简单高效的路径规划和目标分支决策方法，同时秉承着最短手术路径并非最优路径的原则，还综合考虑了支气管镜能否通过所规划的路径，和手术点到病灶穿刺途中的血管分布情况，因此得到了一系列满足条件的手术点，形成从气管入口到手术点的多条分支路径，支气管镜无法通过的路径可以轻松排除，然后筛选出同时满足支气管镜游走路程短和手术点到病灶穿刺途中没有血管分布的最优手术点，该发明技术提高了路径规划的准确性，同时更符合实际临床需求。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将结合附图及实施例对本发明作进一步说明，下面描述中的附图仅仅是本发明的部分实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图：
图1是本发明较佳实施例的肺部病灶导航的路径规划和目标分支决策系统流程图；
图2是本发明较佳实施例的肺部病灶导航的路径规划和目标分支决策系统决策过程流程图；
图3是本发明较佳实施例的肺部病灶导航的路径规划和目标分支决策系统原理框图。
具体实施方式
为了使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本发明的部分实施例，而不是全部实施例。基于本发明的实施例，本领域普通技术人员在没有付出创造性劳动的前提下所获得的所有其他实施例，都属于本发明的保护范围。
本发明较佳实施例的肺部病灶导航的路径规划和目标分支决策系统，如图1所示，同时参阅图2和图3，系统包括数据输入单元100、数据处理单元101和数据输出单元102；
数据输入单元100，用于接收输入的CT图像；
数据处理单元101，用于对输入的CT图像进行预处理，从经过预处理后的CT图像中提取肺部区域CT图像；从提取的肺部区域CT图像中分割出气道树、动静脉和病灶；提取气道树分割掩码的中心线图像，依据关键点提取算法对气道树中心线图像提取关键点，并对关键点进行编码；关键点为气道树中心线上的端点和分叉点；构建以病灶中心为重心的正方体，删除正方体内支气管镜无法通过的关键点，通过剩余关键点编码中的相同部分确定这些关键点的第一个共同父节点；遍历寻找每一关键点与其父节点所连支路片段上到第一个共同父节点与病灶中心路程和最小的节点，保留设定数量的节点，记作手术点；判断当前确定的多个手术点在正方体连续扩张设定次数后是否保持不变，是则停止正方体扩张，否则按设定规则继续扩张正方体，每次对新纳入的关键点重复操作：删除正方体内支气管镜无法通过的关键点，确定剩余关键点的第一个共同父节点，遍历寻找每一关键点与其父节点所连支路片段上到第一个共同父节点与病灶中心路程和最小的节点，保留设定数量的节点，记作手术点；对最终确定的多个手术点按游走路程长短和到病灶穿刺途中的血管分布情况，筛选出最优手术点，根据最优手术点，得到从气管入口到病灶的目标路径；
数据输出单元102，用于输出得到的目标路径；
本发明技术方案提出了一种全自动、无需学习、简单高效的路径规划和目标分支决策方法，同时秉承着最短手术路径并非最优路径的原则，还综合考虑了支气管镜能否通过所规划的路径，和手术点到病灶穿刺途中的血管分布情况，因此得到了一系列满足条件的手术点，形成从气管入口到手术点的多条分支路径，支气管镜无法通过的路径可以轻松排除，然后筛选出同时满足支气管镜游走路程短和手术点到病灶穿刺途中没有血管分布的最优手术点，该发明技术提高了路径规划的准确性，同时更符合实际临床需求；
具体的，上述系统所采用的方法步骤如下：
S01：对输入的CT图像进行预处理，从经过预处理后的CT图像中提取肺部区域CT图像；
S02：从提取的肺部区域CT图像中分割出气道树、动静脉和病灶；
S03：提取气道树中心线图像，依据关键点提取算法对气道树中心线图像提取关键点，并对关键点进行编码；关键点为气道树中心线上的端点和分叉点；
气道树中心线在医学影像学中用来表示气道管腔的中心轴线，其是与气道轮廓近似的单像素表示形态，能够体现气道的主要走向。一旦气道树中心线被提取出来，医生可以使用它来测量气道的直径、长度、弯曲程度等参数，以帮助定位病变和评估病变的程度。气道树中心线由对分割出的气道树掩码进行数据处理得到，具体有：使用三维细化算法从气道树掩码外周轮廓开始逐步向中心处理，在每一体素的26邻域内进行检查，并迭代性地删除外部体素，直到气道树结构减少到单体素宽度。
S04：构建以病灶中心为重心的正方体，删除正方体内支气管镜无法通过的关键点，确定剩余关键点的第一个共同父节点，遍历寻找每一关键点与其父节点所连支路片段上到第一个共同父节点与病灶中心路程和最小的节点，保留设定数量的节点，记作手术点；
一般来说，人的气道树第1级至肺泡大致有24级分支,该形状像一棵倒立的树，因此可以延伸到数据结构中树结构的概念。气管自分衩处分为左、右主支气管，其中气管入口可以比作根节点。
病灶是一个不规则三维形状，将病灶限制在一个刚好包围它的最小立方体内，立方体的几何中心就是病灶中心。
S05：判断当前确定的多个手术点在正方体连续扩张设定次数后是否保持不变，是则停止正方体扩张，否则按设定规则继续扩张正方体，每次对新纳入的关键点重复操作：删除正方体内支气管镜无法通过的关键点，确定剩余关键点的第一个共同父节点，遍历寻找每一关键点与其父节点所连支路片段上到第一个共同父节点与病灶中心路程和最小的节点，保留设定数量的节点，记作手术点；
S06：对最终确定的多个手术点按游走路程长短和到病灶穿刺途中的血管分布情况，筛选出最优手术点，根据最优手术点，输出从气管入口到病灶的目标路径；
需要说明的是，在步骤一中，对输入CT图像进行预处理，包括调整窗位窗宽，数值归一化，但不包括体素重采样操作，尽管不同输入图像中单个体素的实际空间大小可能不一致，但重采样会导致金标准中分割掩码的不连续和不完整，不利于神经网络学习细长管状结构的有效表示；
在步骤一中，提取肺部区域CT图像，考虑到有效的气道树，动脉和静脉，病灶主要限制在肺组织区域内，仅把肺部作为感兴趣区域用来分析解剖信息是合理的。
肺部区域可以通过以下方式进行提取：1)使用阈值法将CT图像变为二值图像，其中肺部区域被设置为前景，其他组织信息被设置为背景，并得到多个连通域；2)通过约束连通域的体积和离心率，将两个最大的连通域作为左肺和右肺的掩码；3)使用形态学运算对二值图像中左肺和右肺的掩码进行孔洞填充，以消除肺部区域掩码中噪声的干扰；4)使用凸包计算合并二值图像中左肺和右肺掩码边界处孤立的像素点，以形成更完整的肺部区域掩码；5)将预处理后的CT图像和二值图像中肺部区域掩码逐像素相乘，得到只包含肺部区域的CT图像，而肺部区域以外的组织信息从预处理后的CT图像中移除；裁剪肺部区域CT图像到肺的最小边界框作为有效输入区域。
在步骤二中：将有效区域以滑窗的方式裁剪为更小的体积块，输入到神经网络进行模型训练。通过考虑气道树，肺部动静脉的拓扑交互关系，即三者的体素是相互排斥，不存在包含关系。引入拓扑先验可以避免神经网络学习到错误的特征表示，保证了所提取气道树，动静脉数据的准确性，特别是气道树的拓扑正确性。
在步骤三中：神经网络训练结束后，利用网络模型分割出预处理后CT图像中的气道树，动静脉和病灶，获取三维空间的坐标信息。对分割出的气道树掩码进行数据处理，使用三维细化算法将二值气道树掩码图像减少到单体素宽度(具体地，在每个体素的26邻域内进行检查，并迭代性地删除外部体素，直到体素宽度不再改变)，将其作为气道树中心线图像。
对于气道树中心线图像中关键点的提取：根据中心线上每个节点的26邻域内体素的数量N，将中心线上的节点定义为端点(N＝1)，边缘点(N＝2)和分叉点(N≥3)。
使用广度优先搜索算法对关键点(端点和分叉点)编码，其中气管起点被设为1，其子节点，也是第一个分叉点，被设为1.1，第一分叉点的子节点被设为1.1.1，1.1.2，…1.1.M，其中M表示第一分叉点子节点的个数，每往下一级，编码长度增加一位，表示关键点所处的级数，通过找到多个关键点编码中的相同部分可以轻易找到它们第一个共同父节点(假设有关键点1.1.1，1.1.1.1，1.1.2.1，从左往右依次比较每一位编码，若某一位不同，则编码共同部分为从左到该位置左侧一位。经比较发现，它们第3位编码不同，则共同部分为从左到第2位编码，得知它们的第一个共同父节点是1.1)。将关键点信息保存为字典结构，其中键为关键点坐标，值为关键点对应编码({(Xn,Yn,Zn)：‘1.1.1’})，在路径规划前掌握所有关键点信息，会使对多个病灶进行取样的任务变的轻松，无需进行重复编码。
在计算路径长度时，需要利用欧式距离公式：
其中Pi和Pj表示相邻两点，x,y,z表示坐标轴的三个方向)依次计算相邻两点的距离，每次计算后，都将这一时刻的相邻点当做下一时刻的起点，计算其与新相邻点的距离，直到某一时刻的相邻点为第一共同父节点时结束计算。
将所有计算结果求和后得到某节点到第一共同父节点的路程(寻找某节点的相邻点时，首先判断某点是否存在于字典当中，即是否属于端点或分叉点，如果不是，根据坐标原点的设置，只需要每次在Z方向加1或减1，计算新平面内的9领域即可。当起始节点是端点时，首先遍历其26领域，找到相邻点在远离还是靠近坐标原点的平面，随后每次在Z方向加1或减1，直到遇到第一个分叉点。对于分叉点，首先检查其同一平面的8领域内是否存在相邻点，如果存在相邻点进行同样的检查，同一平面没有相邻点后，判断相邻点在远离还是靠近坐标原点的平面，每次在Z方向加1或减1，直到遇到下一个分叉点)。
由于可以知道多个节点的第一共同父节点，只需要自后往前计算各节点到第一个共同父节点的路程，无需计算第一个共同父节点到气管起点1的路程，因为这是支气管镜必须经过的路径，大大降低了计算量。
在步骤四中：
根据气道树中心线以及病灶位置进行路径规划。计算肺结节的中心点坐标(Xpn,Ypn,Zpn)，以该点为正方体的重心，从0开始逐2δd增加边长，正方体逐步向外扩张，直到正方体内包含关键点，将这些点建立为集合(将重心的三个坐标分别±δd，由于前面步骤已将支气管的关键点信息保存为字典，通过检测(Xpn±δd,Ypn±δd,Zpn±δd)范围内是否存在关键点即可)。
对气道树掩码二值图像做膨胀形态学处理，即支气管向外扩张一体素宽度，膨胀部分可以作为气道壁。随后将前景背景体素值调换(调换前，气道树是前景，体素值是1，其余部分是背景，体素值是0。调换后，气道树体素值变为0，其余体素值变为1)，再对其进行距离变换操作，可以得到气道树中每一零值体素到最近非零气道壁的欧氏距离图像。在此基础上，将距离图像与气道树中心线图像相乘，可以获得气道树中心线到气道壁的最近距离，简单将二倍最近距离当作任意点对应气道管腔的最小直径，进而计算出管腔的横截面大小，通过与支气管镜大小比较可以判断支气管镜能否通过该点；
取正方体内每一关键点与其父节点处管腔最小直径的平均值计算所连支路片段的横截面面积，若面积小于支气管镜大小，则认为支气管镜无法通过该支路，将该支路上的关键点从集合中移除。
计算集合内剩余关键点的第一个共同父节点，并计算每一关键点与其父节点所连支路片段上到第一个共同父节点和病灶中心路程和最小的节点，其可能是端点，边缘点或分叉点(不计算这些关键点与其子节点所连支路片段上距离第一个共同父节点和病灶中心最近的点，原因有三，一是因为该支路片段会增加支气管镜游走的路程，二是支气管分支每往下深入一级，气道管腔横截面较上一级会缩小，支气管镜无法通过的可能性提高，三是减少节点到两个目标点路程的计算量)，将这些节点记作手术点。
将当前确定的多个手术点按路程长短从低到高进行排序，保留前5(数量可根据需要调整)个手术点，不足5个则按空位处理，此时手术点个数小于等于5。
完成上述步骤后，按2δd继续增加正方体的大小，每次对新纳入的关键点重复操作：删除正方体内支气管镜无法通过的关键点，确定剩余关键点的第一个共同父节点，遍历寻找每一关键点与其父节点所连支路片段上到第一个共同父节点与病灶中心路程和最小的节点，保留5个节点，记作手术点，将5个新的手术点与上一阶段产生的5个手术点在路程长度方面比较，替换或保留上一阶段的手术点。若连续3(数量可根据需要调整)次增大正方体大小后，5个手术点不再发生变化，则停止正方体向外扩张。
在步骤五中：
由于前面步骤已经分割出肺部动静脉，接下来可以通过计算每一手术点到病灶中心穿刺途中是否存在血管来衡量手术点的血管分布情况，同时结合手术点的路程长短情况，执行以下决策：
1)若五条路径中最短路径对应的手术点到病灶的穿刺途中没有血管分布，则将最短路径对应的点作为最优手术点，并输出相应三维空间坐标；2)若五条路径中最短路径对应的手术点到病灶的穿刺途中有血管分布，则在最短路径对应手术点所在的分支片段上，从后往前计算出到病灶穿刺途中不存在血管分布的新点，根据三角形三边关系，新点游走路程进一步缩短；如果该支路上不存在到病灶的穿刺途中没有血管分布的点，则考察第二短路径对应的手术点，如果手术点到病灶的穿刺途中不存在血管分布，则直接输出手术点的三维空间坐标，否则在第二短路径的分支片段上进行相同的搜索操作：从手术点往前计算出穿刺途中不存在血管分布的新点，以此类推，直到选出同时满足游走路径短和到病灶的穿刺途中没有血管分布的手术点，并输出三维空间坐标。
得到最优手术点的三维空间坐标后，从后往前依次输出目标分支的所有坐标点，形成列表(由于已记录所有关键点的坐标信息，因此可以从每个关键点向气管入口方向回溯，多进程操作，提高计算效率，缩短计算时间)。对列表进行逆转操作，得到从气管入口到最优手术点路径上每一节点的坐标信息，实现引导支气管镜到达病灶进行取样的功能。
应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (9)

1.一种肺部病灶导航的路径规划和目标分支决策系统，其特征在于，所述系统包括数据输入单元、数据处理单元和数据输出单元；
所述数据输入单元，用于接收输入的CT图像；
所述数据处理单元，用于对输入的CT图像进行预处理，从经过预处理后的CT图像中提取肺部区域CT图像；从提取的肺部区域CT图像中分割出气道树、动静脉和病灶；提取气道树分割掩码的中心线图像，依据关键点提取算法对气道树中心线图像提取关键点，并对关键点进行编码；关键点为气道树中心线上的端点和分叉点；构建以病灶中心为重心的正方体，删除正方体内支气管镜无法通过的关键点；通过剩余关键点编码中的相同部分确定这些关键点的第一个共同父节点；遍历寻找每一关键点与其父节点所连支路片段上到第一个共同父节点与病灶中心路程和最小的节点，保留设定数量的节点，记作手术点；判断当前确定的多个手术点在正方体连续扩张设定次数后是否保持不变，是则停止正方体扩张，否则按设定规则继续扩张正方体，对新纳入的关键点重复操作：删除正方体内支气管镜无法通过的关键点，确定剩余关键点的第一个共同父节点，遍历寻找每一关键点与其父节点所连支路片段上到第一个共同父节点与病灶中心路程和最小的节点，保留设定数量的节点，记作手术点；对最终确定的多个手术点按游走路程长短和到病灶穿刺途中的血管分布情况，筛选出最优手术点，根据最优手术点，得到从气管入口到病灶的目标路径；
所述数据输出单元，用于输出得到的目标路径。
2.根据权利要求1所述的肺部病灶导航的路径规划和目标分支决策系统，其特征在于，从经过预处理后的CT图像中提取肺部区域CT图像采用：
使用阈值法将CT图像变为二值图像，其中肺部区域被设置为前景，其他组织信息被设置为背景，并得到多个连通域；
通过约束连通域的体积和离心率，将两个最大的连通域作为左肺和右肺的掩码；
使用形态学运算对二值图像中左肺和右肺的掩码进行孔洞填充，以消除肺部区域掩码中噪声的干扰；
使用凸包计算合并二值图像中左肺和右肺掩码边界处孤立的像素点，以形成更完整的肺部区域掩码；
将预处理后的CT图像和二值图像中肺部区域掩码逐像素相乘，得到只包含肺部区域的CT图像，而肺部区域以外的组织信息从预处理后的CT图像中移除。
3.根据权利要求1或2所述的肺部病灶导航的路径规划和目标分支决策系统，其特征在于，
从提取的肺部区域CT图像中分割出气道树、动静脉和病灶包括：
裁剪肺部区域CT图像到肺的最小边界框作为有效输入区域；
将有效输入区域以滑窗的方式裁剪为多个体积块，并将多个体积块输入到神经网络进行模型训练；
模型训练结束后，可以直接被应用到临床当中，分割出预处理后CT图像中的气道树结构、肺部动静脉结构和肺部病灶结构。
4.根据权利要求1所述的肺部病灶导航的路径规划和目标分支决策系统，其特征在于，所述提取气道树中心线图像采用：
对分割结果进行数据处理，具体是将气道树掩码从分割结果中提取出来，得到只含气道树掩码和背景的二值图像，使用三维细化算法将二值图像中气道树的掩码减少到单体素宽度，得到气道树中心线图像。
5.根据权利要求1所述的肺部病灶导航的路径规划和目标分支决策系统，其特征在于，所述依据关键点提取算法对气道树中心线图像提取关键点，并对关键点进行编码采用：
根据中心线上每个节点的26邻域内体素的数量，将中心线上的节点包括为端点、边缘点和分叉点，其中，端点的相邻体素数量为1，边缘点的相邻体素数量为2，分叉点的相邻体素数量不小于3；
使用广度优先搜索算法对关键点编码；
将关键点信息保存为字典结构，其中键为关键点坐标，值为关键点对应编码。
6.根据权利要求1所述的肺部病灶导航的路径规划和目标分支决策系统，其特征在于，构建以病灶中心为重心的正方体，删除正方体内支气管镜无法通过的关键点，通过剩余关键点编码中的相同部分确定这些关键点的第一个共同父节点，遍历寻找每一关键点与其父节点所连支路片段上到第一个共同父节点与病灶中心路程和最小的节点，保留设定数量的节点，记作手术点采用：
计算肺结节的中心点坐标(Xpn,Ypn,Zpn)，以肺结节的中心点为正方体的重心，从0开始逐预设长度增加边长，正方体逐步向外扩张，直到正方体内包含关键点，将正方体内的关键点建立为集合；
取关键点与其父节点处气道管腔最小直径的平均值，用来计算所连支路片段的横截面面积，若面积小于支气管镜大小，则认为支气管镜无法通过该支路，将该关键点从集合中移除；
通过剩余关键点编码中的相同部分确定这些关键点的第一个共同父节点，遍历寻找这些关键点与其父节点所连支路片段上到第一个共同父节点和病灶中心路程和最小的节点；
将节点按路程长短从低到高进行排序，保留前第一设定数量的点，记作手术点，不足第一设定数量则按空位处理。
7.根据权利要求6所述的肺部病灶导航的路径规划和目标分支决策系统，其特征在于，取正方体内关键点与其父节点处气道管腔最小直径的平均值，计算所连支路片段的横截面面积采用：
对气道树掩码二值图像做膨胀形态学处理；
将前景和背景的体素值调换；
进行距离变换操作，得到气道树中每一零值体素到最近非零气道壁的欧氏距离图像；
将距离图像与气道树中心线图像相乘，得到气道树中心线到气道壁的最近距离；
将二倍最近距离当作任意点对应气道管腔的最小直径，计算管腔的横截面大小，关键点与其父节点处管腔横截面大小的平均值被当作所连支路片段的横截面面积。
8.根据权利要求6或7所述的肺部病灶导航的路径规划和目标分支决策系统，其特征在于，
判断当前确定的多个手术点在正方体连续扩张设定次数后是否保持不变，是则停止正方体扩张，否则按设定规则继续扩张正方体，每次对新纳入的关键点重复上一步操作采用：
按预设长度继续增加正方体的大小，对新纳入的关键点重复操作：删除正方体内支气管镜无法通过的关键点，确定剩余关键点的第一个共同父节点，遍历寻找每一关键点与其父节点所连支路片段上到第一个共同父节点与病灶中心路程和最小的节点，保留设定数量的节点，记作手术点，将第一设定数量新的手术点与上一阶段产生的第一设定数量的手术点在路径长度方面进行比较，替换或保留上一阶段的手术点；若连续第二设定数量次增大正方体大小后，当前确定的第一设定数量的手术点不再发生变化，则停止正方体向外扩张。
9.根据权利要求1、2、4-7任一所述的肺部病灶导航的路径规划和目标分支决策系统，其特征在于，
对最终确定的多个手术点按路程长短和到病灶穿刺途中的血管分布情况，筛选出最优手术点，根据最优手术点，输出从气管入口到病灶的目标路径采用：
计算每一手术点到病灶的穿刺路径途中是否存在肺部动静脉血管，用来衡量手术点到病灶的血管分布情况；
结合路程长短和穿刺途中的血管分布情况，执行以下决策：
1)若第一设定数量条路径中最短路径对应的手术点到病灶的穿刺途中没有血管分布，则将最短路径对应的点作为最优手术点，并输出相应三维空间坐标；
2)若第一设定数量条路径中最短路径对应的手术点到病灶的穿刺途中有血管分布，则在最短路径对应手术点所在的分支片段上，从后往前计算出到病灶穿刺途中不存在血管分布的新点，根据三角形三边关系，新点游走路程进一步缩短；如果该支路上不存在到病灶的穿刺途中没有血管分布的点，则考察第二短路径对应的手术点，如果手术点到病灶的穿刺途中不存在血管分布，则直接输出手术点的三维空间坐标，否则在第二短路径的分支片段上进行相同的搜索操作：从手术点往前计算出穿刺途中不存在血管分布的新点，以此类推，直到选出同时满足游走路程短和到病灶的穿刺途中没有血管分布的手术点，并输出三维空间坐标；
得到最优手术点的三维空间坐标后，从后往前依次输出目标分支的所有坐标点，形成列表；对列表进行逆转操作，得到从气管入口到最优手术点路径上每一节点的坐标信息。
CN202410181036.8A 2024-02-18 2024-02-18 一种肺部病灶导航的路径规划和目标分支决策系统 Pending CN117808795A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410181036.8A CN117808795A (zh) 2024-02-18 2024-02-18 一种肺部病灶导航的路径规划和目标分支决策系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410181036.8A CN117808795A (zh) 2024-02-18 2024-02-18 一种肺部病灶导航的路径规划和目标分支决策系统

Publications (1)

Publication Number Publication Date
CN117808795A true CN117808795A (zh) 2024-04-02

Family

ID=90428467

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410181036.8A Pending CN117808795A (zh) 2024-02-18 2024-02-18 一种肺部病灶导航的路径规划和目标分支决策系统

Country Status (1)

Country Link
CN (1) CN117808795A (zh)

Similar Documents

Publication Publication Date Title
US11631174B2 (en) Adaptive navigation technique for navigating a catheter through a body channel or cavity
CN111798451B (zh) 基于血管3d/2d匹配的3d导丝跟踪方法及装置
US11783498B2 (en) Feature-based registration method
CN112884826B (zh) 血管中心线的提取方法及装置
US10885633B2 (en) Method for segmentation of the head-neck arteries, brain and skull in medical images
CN111932554B (zh) 一种肺部血管分割方法、设备及存储介质
US7822461B2 (en) System and method for endoscopic path planning
US11461895B2 (en) Automatic identification and processing of anatomical structures in an anatomical map
CN102982531B (zh) 支气管的分割方法及系统
CN108961273B (zh) 一种从ct影像中分割肺动脉和肺静脉的方法及系统
KR20190084380A (ko) 2차원 x-선 조영영상의 혈관 구조 추출 방법, 이를 수행하기 위한 기록매체 및 장치
CN114081625B (zh) 导航路径规划方法、系统和可读存储介质
US8050470B2 (en) Branch extension method for airway segmentation
CN114419077B (zh) 一种基于ct图像的肺支气管自动分割方法及系统
CN114332013B (zh) 基于肺动脉树分级的ct图像靶肺段识别方法
KR101625955B1 (ko) 장기의 동맥 및 정맥의 구분 방법
CN117808795A (zh) 一种肺部病灶导航的路径规划和目标分支决策系统
Perchet et al. Advanced navigation tools for virtual bronchoscopy
CN117083631A (zh) 用于自动血管提取的系统和方法
CN111784751B (zh) 基于3d/2d配准的导丝3d模拟跟踪方法及装置
CN113628346A (zh) 一种自由浏览vb的方法以及进行标记的方法和系统
US20240303927A1 (en) Systems and methods for automatic blood vessel extraction
EP4315237A1 (en) Systems and methods for automatic blood vessel extraction
CN118644641A (zh) 肺部导航路径生成装置、设备和介质和耦合显示的方法
CN115049677A (zh) 基于cta影像的颅内血管中心路径提取方法及其装置

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