CN110322426A - 基于可变人体模型的肿瘤靶区勾画方法、设备和存储介质 - Google Patents
基于可变人体模型的肿瘤靶区勾画方法、设备和存储介质 Download PDFInfo
- Publication number
- CN110322426A CN110322426A CN201810263500.2A CN201810263500A CN110322426A CN 110322426 A CN110322426 A CN 110322426A CN 201810263500 A CN201810263500 A CN 201810263500A CN 110322426 A CN110322426 A CN 110322426A
- Authority
- CN
- China
- Prior art keywords
- manikin
- variable
- medical image
- patient
- image
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 206010028980 Neoplasm Diseases 0.000 title claims abstract description 51
- 230000000153 supplemental effect Effects 0.000 claims abstract description 36
- 210000000056 organ Anatomy 0.000 claims abstract description 27
- 230000008859 change Effects 0.000 claims abstract description 20
- 238000001914 filtration Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 10
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 8
- 238000002595 magnetic resonance imaging Methods 0.000 claims description 7
- 238000013459 approach Methods 0.000 claims description 4
- 230000002146 bilateral effect Effects 0.000 claims description 4
- 238000012952 Resampling Methods 0.000 claims description 3
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 2
- 238000001959 radiotherapy Methods 0.000 abstract description 12
- 238000002721 intensity-modulated radiation therapy Methods 0.000 description 5
- 230000035772 mutation Effects 0.000 description 4
- 230000005855 radiation Effects 0.000 description 4
- 238000011282 treatment Methods 0.000 description 3
- 238000005481 NMR spectroscopy Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011221 initial treatment Methods 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 230000000069 prophylactic effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/10104—Positron emission tomography [PET]
-
- 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
- G06T2207/10132—Ultrasound image
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明属于放疗技术领域，涉及一种基于可变人体模型的肿瘤靶区勾画方法、设备和存储介质。该方法包括如下步骤：获得患者靶区及危及器官处的医学影像及该影像的灰度数据或患者人体特征参数数据；对上述数据进行曲线拟合；获得与患者特征参数相同或相近的可变人体模型医学影像；对该影像灰度数据或人体特征参数数据进行拟合，其中可变人体模型的参数数据种类与患者的参数数据种类相同；将患者医学影像与可变人体模型的医学影像进行形变配准；将患者医学影像的灰度或人体特征参数数据变化曲线中各点的斜率与相同坐标处的可变人体模型医学影像的同种参数变化曲线的斜率进行对比，超出阈值范围的图像部位标记为肿瘤区域。
Description
技术领域
本发明属于放疗技术领域，涉及一种肿瘤靶区勾画方法、设备和存储介质。
背景技术
目前，肿瘤的发生率越来越高，作为肿瘤三大主要治疗方式之一，放疗在肿瘤治疗中的地位越来越重要。
肿瘤放疗的理想境界是只照射肿瘤而不照射肿瘤周围的正常组织(危及器官)。三维适形放射治疗是一种高精度的放射治疗，它利用CT图像重建三维的肿瘤结构，通过在不同方向设置一系列不同的照射野，并采用与病灶形状一致的适形挡铅，使得高剂量区的分布形状在三维方向(前后、左右、上下方向)上与靶区形状一致，同时使得病灶周围正常组织的受量降低。调强放疗(intensity modulated radiation therapy，IMRT)即调强适形放射治疗是三维适形放疗的一种，要求辐射野内剂量强度按一定要求进行调节，简称调强放疗。它是在各处辐射野与靶区外形一致的条件下，针对靶区三维形状和要害器官与靶区的具体解剖关系对束强度进行调节，单个辐射野内剂量分布是不均匀的但是整个靶区体积内剂量分布比三维适形治疗更均匀。
而随着三维适形放疗和调强放疗等精确放疗技术的发展和广泛临床运用，精准靶区范围的确定与勾画越来越受到人们的关注。
在放疗前每个病人需要拍摄多达几十甚至上百医学影像(CT、MRI等)，当前放疗医生需要凭借经验对这些医学影像逐层勾画从而确定每个患者的放疗靶区位置，这种人工勾画需要耗时半小时至几个小时。一方面该勾画过程耗时耗力，治疗病人有限；另一方面勾画的精确度不理想，勾画结果受医生经验、情绪、耐心等因素的影响，可能出现不同医生对同一个病人的医学影像靶区结构不同的情况。
发明内容
本发明的目的在于为克服上述现有技术的缺陷而提供一种基于可变人体模型的肿瘤靶区勾画方法、设备和存储介质。
为实现上述目的，本发明采用以下技术方案。
正常组织、器官医学影像(例如CT影像)中某些参数的变化为渐变曲线，例如CT影像中灰度的变化为规则曲线，而当器官的正常组织被癌细胞取代后，其医学影像中相应位置处的灰度值会发生突变。本发明利用医学影像中参数的突变来确定肿瘤的位置。其中，这些物理量可以为医学影像的灰度，人体组织、器官的密度或水含量等。
一种基于可变人体模型的肿瘤靶区勾画方法，适于在计算设备中执行，包括如下步骤：
(1)获得患者靶区及危及器官处的医学影像；
获得患者医学影像灰度数据或根据患者医学影像获得患者人体特征参数数据；
拟合患者医学影像灰度变化曲线或人体特征参数变化曲线中至少一种；
(2)获得与患者特征参数相同或相近的可变人体模型医学影像；
获得可变人体模型的医学影像灰度数据或根据可变人体模型医学影像获得相应可变人体模型人体特征参数数据，其中可变人体模型的参数数据种类与患者的参数数据种类相同；并将该数据拟合为曲线；
(3)将患者医学影像与可变人体模型的医学影像进行形变配准；
(4)配准完成后，将患者医学影像的灰度或人体特征参数数据变化曲线中各点的斜率与相同坐标处的可变人体模型医学影像的同种参数变化曲线的斜率进行对比，超出阈值范围的图像部位标记为肿瘤区域。
本发明中进一步优选地，所述的医学影像为CT影像、核磁影像、PET影像或超声波影像；
人体特征参数包括人体组织、器官的密度或水含量。
所述的可变形人体模型是利用医学影像、数字切片等相关数据构建的反映人体医学结构与肿瘤相关的集合；可变形人体模型是具有不同特征的人体模型，该模型可根据需要设定年龄、性别、身高、体型、肿瘤种类、肿瘤位置等反应人类身体状况的各项参数；
可变形人体模型的医学影像包括正常器官和组织的医学影像；其中可变形人体模型的医学影像是通过模拟医学影像产生过程获得的，该模拟方法包括滤波反投影法或蒙特卡罗法。
拟合可变人体模型的参数变化曲线前，将可变人体模型医学影像的分辨率和/或位置坐标重采样为与患者医学影像的分辨率和/或位置坐标一致。
拟合患者或可变人体模型的参数变化曲线前分别对患者或可变人体模型的参数数值(包括医学影像的灰度数据或人体特征参数数据)进行滤波平滑，所述的滤波方式选自卷积平滑滤波、中值滤波、高斯滤波、双边滤波或均值滤波；
所述的拟合方式为最小二乘法拟合。
步骤(3)中，形变配准是将患者医学影像与可变人体模型的医学影像分别重建为三维影像后进行配准。
步骤(4)中，所述的阈值范围根据用户的需要进行设置或更改；
步骤(4)中，所述的对比是将患者参数变化曲线斜率与可变人体模型相应参数变化曲线斜率进行对比，当斜率变化超过预设阈值范围时，所处的图像位置标记为肿瘤区域。
本发明还提供了一种计算设备，包括：
一个或多个处理器；
存储器；以及
一个或多个程序，其中所述一个或多个程序存储在所述存储器中并被配置为由一个或多个处理器执行，所述的一个或多个程序包括用于上述基于可变人体模型的肿瘤靶区勾画方法指令。
本发明还提供一种存储一个或多个程序的计算机可读存储介质，所述的一个或多个程序包括指令，所述指令适于由存储器加载并执行上述基于可变人体模型的肿瘤靶区勾画方法。
本发明具有以下有益效果：
通过本发明提供的基于可变人体模型的肿瘤靶区勾画方法可以快速识别靶区位置，并能消除病人图像中的噪声对自动勾靶的影响，提高靶区勾画速度和准确率；临床应用前景广阔。
附图说明
图1为本发明一个优选的实施例中基于可变人体模型的肿瘤靶区勾画方法流程图。
图2为本发明另一个优选的实施例中基于可变人体模型的肿瘤靶区勾画方法流程图。
具体实施方式
以下结合附图和实施例进一步说明本发明。
实施例1
对于正常组织、器官，其医学影像(例如CT影像)中某些参数的变化为渐变曲线而不会发生参数突变，例如CT影像中正常组织、器官的灰度变化呈规则曲线，而当正常的组织、器官被癌细胞侵蚀后，其医学影像中相应位置处的灰度值会发生突变。本发明利用医学影像中组织、器官中相应参数的突变来确定肿瘤的位置。其中，这些参数可以选自医学影像的灰度，人体组织、器官的密度或水含量等。参数突变的确定方法为分别将患者与可变人体模型的参数数据进行拟合，判断拟合后的患者参数曲线斜率值与可变人体模型参数变化曲线斜率值之间的差值是否超过阈值，如果超过阈值，则该坐标点标记为肿瘤区域。
本发明使用可变形人体模型来构造与患者具有相同特征的人体模型，从而获得与患者身体特征一致或接近的正常组织、器官的医学影像。具体地，可变形人体模型是具有不同特征的人体模型，该模型可根据需要设定年龄、性别、身高、体型、肿瘤种类、肿瘤位置等反应人类身体状况的各项参数。进一步，可变人体模型是利用医学影像、数字切片等相关数据构建的反映人体医学结构与肿瘤相关的集合；可变形人体模型的医学影像包括正常器官和组织的医学影像；其中可变形人体模型的医学影像是通过模拟医学影像产生过程获得的，该模拟方法包括滤波反投影法或蒙特卡罗法。
以下进一步详细说明本发明提供的肿瘤靶区勾画方法。
一种基于可变人体模型的肿瘤靶区勾画方法，适于在计算设备中执行，包括如下步骤(如图1所示)：
(1)获得患者靶区及危及器官处的医学影像101；
其中，本发明中的医学影像不限定为CT图像，也可以是核磁影像、PET影像、超声波影像或其他医学影像中的任意一种或一种以上；
获得患者影像灰度数据或根据患者医学影像获得患者人体特征参数数据102；其中人体特征参数包括人体组织、器官的密度或水含量，例如，人体组织器官的密度可以通过CT图像获取，含水量可以通过核磁共振(MRI)图像获取。
拟合患者医学影像灰度变化曲线或人体特征参数变化曲线中至少一种103；所述的拟合方式为最小二乘法拟合；
(2)获得与患者特征参数相同或相近的可变人体模型医学影像201；
获得可变人体模型的医学影像灰度数据或根据可变人体模型医学影像获得相应可变人体模型人体特征参数数据202，其中可变人体模型的参数数据种类与患者的参数数据种类相同；即，如果采用患者CT图像的灰度数据进行参数变化曲线拟合，可变人体模型采集的数据也应该为CT图像的灰度数据；
将该数据拟合曲线203；本步骤使用的拟合方法与103中患者图像数据的拟合方法相同；
(3)将患者医学影像与可变人体模型的医学影像进行形变配准301；
形变配准是将患者医学影像与可变人体模型的医学影像分别重建为三维影像后进行配准；
(4)配准完成后，将患者医学影像的灰度或人体特征参数数据变化曲线中各点的斜率k(x,y,z)与相同坐标处的可变人体模型医学影像的同种参数变化曲线的斜率k′(x,y,z)进行对比，若|k′(x,y,z)-k(x,y,z)|≥δ(其中δ为预设阈值，δ可以根据用户的需要更改)，将该处坐标的图像位置标记为肿瘤区域401。
实施例2
一种基于可变人体模型的肿瘤靶区勾画方法，适于在计算设备中执行，包括如下步骤(如图2所示)：
(1)获得患者靶区及危及器官处的医学影像501；
其中，本发明中的医学影像不限定为CT图像，也可以是核磁影像、PET影像、超声波影像或其他医学影像中的任意一种或一种以上；
获得患者影像灰度数据或根据患者医学影像获得患者人体特征参数数据502；其中人体特征参数包括人体组织、器官的密度或水含量，例如，人体组织器官的密度可以通过CT图像获取，含水量可以通过核磁共振(MRI)图像获取；
将患者数据进行滤波平滑503，其中，滤波方式可选自卷积平滑滤波、中值滤波、高斯滤波、双边滤波或均值滤波中的任一种；
拟合患者医学影像灰度变化曲线或人体特征参数变化曲线中至少一种f(x,y,z)504；本实施例中优选地，拟合方式为最小二乘法拟合；(2)获得与患者特征参数相同或相近的可变人体模型医学影像601；
获得可变人体模型的医学影像灰度数据或根据可变人体模型医学影像获得相应可变人体模型人体特征参数数据602，其中可变人体模型的参数数据种类与患者的参数数据种类相同；即，如果采用患者CT图像的灰度数据进行参数变化曲线拟合，可变人体模型采集的数据也应该为CT图像的灰度数据；
将可变人体模型医学影像的分辨率和/或位置坐标重采样为与患者医学影像的分辨率和/或位置坐标一致603；
将可变人体模型的参数数据进行滤波平滑604，其中，本领域技术人员可以理解的是滤波方式可选自卷积平滑滤波、中值滤波、高斯滤波、双边滤波或均值滤波中的任一种。
将该数据拟合曲线g(x,y,z)605；本步骤使用的拟合方法与505中患者图像数据的拟合方法相同或不同，优选采用相同的滤波平滑方法；
(3)将患者医学影像与可变人体模型的医学影像进行形变配准701；
形变配准是将患者医学影像与可变人体模型的医学影像分别重建为三维影像后进行配准；
(4)配准完成后，将患者医学影像的灰度或人体特征参数数据变化曲线g(x,y,z)中各点的斜率k(x,y,z)与相同坐标处的可变人体模型医学影像的同种参数变化曲线的斜率k′(x,y,z)进行对比，若|k′(x,y,z)-k(x,y,z)|≥δ(其中δ为预设阈值，δ可以根据用户的需要更改)，将该处坐标的图像位置标记为肿瘤区域801。
实施例3
一种计算设备，包括：
一个或多个处理器；
存储器；以及
一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为由一个或多个处理器执行，该一个或多个程序包括用于上述基于可变人体模型的肿瘤靶区勾画方法指令，该方法包括如下步骤：
(1)获得患者靶区及危及器官处的医学影像；
获得患者医学影像灰度数据或根据患者医学影像获得患者人体特征参数数据；
拟合患者医学影像灰度变化曲线或人体特征参数变化曲线中至少一种；
(2)获得与患者特征参数相同或相近的可变人体模型医学影像；
获得可变人体模型的医学影像灰度数据或根据可变人体模型医学影像获得相应可变人体模型人体特征参数数据，其中可变人体模型的参数数据种类与患者的参数数据种类相同；并将该数据拟合为曲线；
(3)将患者医学影像与可变人体模型的医学影像进行形变配准；
(4)配准完成后，将患者医学影像的灰度或人体特征参数数据变化曲线中各点的斜率与相同坐标处的可变人体模型医学影像的同种参数变化曲线的斜率进行对比，超出阈值范围的图像部位标记为肿瘤区域。
实施例4
一种存储一个或多个程序的计算机可读存储介质，其中，一个或多个程序包括指令，该指令适于由存储器加载并执行基于可变人体模型的肿瘤靶区勾画方法，该方法包括如下步骤：
(1)获得患者靶区及危及器官处的医学影像；
获得患者医学影像灰度数据或根据患者医学影像获得患者人体特征参数数据；
拟合患者医学影像灰度变化曲线或人体特征参数变化曲线中至少一种；
(2)获得与患者特征参数相同或相近的可变人体模型医学影像；
获得可变人体模型的医学影像灰度数据或根据可变人体模型医学影像获得相应可变人体模型人体特征参数数据，其中可变人体模型的参数数据种类与患者的参数数据种类相同；并将该数据拟合为曲线；
(3)将患者医学影像与可变人体模型的医学影像进行形变配准；
(4)配准完成后，将患者医学影像的灰度或人体特征参数数据变化曲线中各点的斜率与相同坐标处的可变人体模型医学影像的同种参数变化曲线的斜率进行对比，超出阈值范围的图像部位标记为肿瘤区域。
本发明上述实施例提供的基于可变人体模型的肿瘤靶区勾画方法可以快速识别靶区位置，并能消除病人图像中的噪声对自动勾靶的影响，提高靶区勾画速度和准确率；临床应用前景广阔。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
如在此所使用的那样，除非另行规定，使用序数词“第一”、“第二”、“第三”等等来描述普通对象仅仅表示涉及类似对象的不同实例，并且并不意图暗示这样被描述的对象必须具有时间上、空间上、排序方面或者以任意其它方式的给定顺序。
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
应当理解，这里描述的各种技术可结合硬件或软件，或者它们的组合一起实现。从而，本发明的方法和设备，或者本发明的方法和设备的某些方面或部分可采取嵌入有形媒介，例如软盘、CD-ROM、硬盘驱动器或者其它任意机器可读的存储介质中的程序代码(即指令)的形式，其中当程序被载入诸如计算机之类的机器，并被该机器执行时，该机器变成实践本发明的设备。
以示例而非限制的方式，计算机可读介质包括计算机存储介质和通信介质。计算机存储介质存储诸如计算机可读指令、数据结构、程序模块或其它数据等信息。通信介质一般以诸如载波或其它传输机制等已调制数据信号来体现计算机可读指令、数据结构、程序模块或其它数据，并且包括任何信息传递介质。以上的任一种的组合也包括在计算机可读介质的范围之内。
上述的对实施例的描述是为便于该技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对这些实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于这里的实施例，本领域技术人员根据本发明的揭示，不脱离本发明范畴所做出的改进和修改都应该在本发明的保护范围之内。
Claims (10)
1.一种基于可变人体模型的肿瘤靶区勾画方法，适于在计算设备中执行，其特征在于：包括如下步骤：
(1)获得患者靶区及危及器官处的医学影像；
获得患者医学影像灰度数据或根据患者医学影像获得患者人体特征参数数据；
拟合患者医学影像灰度变化曲线或人体特征参数变化曲线中至少一种；
(2)获得与患者特征参数相同或相近的可变人体模型医学影像；
获得可变人体模型的医学影像灰度数据或根据可变人体模型医学影像获得相应可变人体模型人体特征参数数据，其中可变人体模型的参数数据种类与患者的参数数据种类相同；并将该数据拟合为曲线；
(3)将患者医学影像与可变人体模型的医学影像进行形变配准；
(4)配准完成后，将患者医学影像的灰度或人体特征参数数据变化曲线中各点的斜率与相同坐标处的可变人体模型医学影像的同种参数变化曲线的斜率进行对比，超出阈值范围的图像部位标记为肿瘤区域。
2.根据权利要求1所述的基于可变人体模型的肿瘤靶区勾画方法，其特征在于：所述的医学影像为CT影像、核磁影像、PET影像或超声波影像；
或人体特征参数包括人体组织、器官的密度或水含量。
3.根据权利要求1所述的基于可变人体模型的肿瘤靶区勾画方法，其特征在于：可变形人体模型的医学影像包括正常器官和组织的医学影像；其中可变形人体模型的医学影像是通过模拟医学影像产生过程获得的，该模拟方法包括滤波反投影法或蒙特卡罗法。
4.根据权利要求1所述的基于可变人体模型的肿瘤靶区勾画方法，其特征在于：拟合可变人体模型参数变化曲线前，将可变人体模型医学影像的分辨率和/或位置坐标重采样为与患者医学影像的分辨率和/或位置坐标一致。
5.根据权利要求1所述的基于可变人体模型的肿瘤靶区勾画方法，其特征在于：拟合患者或可变人体模型的参数变化曲线前分别对患者或可变人体模型的参数数值进行滤波平滑，所述的滤波方式选自卷积平滑滤波、中值滤波、高斯滤波、双边滤波或均值滤波；
所述的拟合方式为最小二乘法拟合。
6.根据权利要求1所述的基于可变人体模型的肿瘤靶区勾画方法，其特征在于：步骤(3)中，形变配准是将患者医学影像与可变人体模型的医学影像分别重建为三维影像后进行配准。
7.根据权利要求1所述的基于可变人体模型的肿瘤靶区勾画方法，其特征在于：步骤(4)中，所述的阈值范围根据用户的需要进行设置或更改。
8.根据权利要求1所述的基于可变人体模型的肿瘤靶区勾画方法，其特征在于：步骤(4)中，所述的对比是将患者参数变化曲线斜率与可变人体模型相应参数变化曲线斜率进行对比，当斜率变化超过预设阈值范围时，所处的图像位置标记为肿瘤区域。
9.一种计算设备，包括：
一个或多个处理器；
存储器；以及
一个或多个程序，其中所述一个或多个程序存储在所述存储器中并被配置为由一个或多个处理器执行，所述的一个或多个程序包括用于上述权利要求1-8中任一所述的基于可变人体模型的肿瘤靶区勾画方法指令。
10.一种存储一个或多个程序的计算机可读存储介质，所述的一个或多个程序包括指令，所述指令适于由存储器加载并执行上述权利要求1-8中任一所述的基于可变人体模型的肿瘤靶区勾画方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810263500.2A CN110322426B (zh) | 2018-03-28 | 2018-03-28 | 基于可变人体模型的肿瘤靶区勾画方法、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810263500.2A CN110322426B (zh) | 2018-03-28 | 2018-03-28 | 基于可变人体模型的肿瘤靶区勾画方法、设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110322426A true CN110322426A (zh) | 2019-10-11 |
| CN110322426B CN110322426B (zh) | 2022-05-10 |
Family
ID=68109734
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810263500.2A Active CN110322426B (zh) | 2018-03-28 | 2018-03-28 | 基于可变人体模型的肿瘤靶区勾画方法、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110322426B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113975660A (zh) * | 2021-10-29 | 2022-01-28 | 中国科学院合肥物质科学研究院 | 一种肿瘤靶区位移监测方法及设备 |
| CN115798725A (zh) * | 2022-10-27 | 2023-03-14 | 佛山读图科技有限公司 | 用于核医学的带病灶人体仿真影像数据制作方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102289811A (zh) * | 2011-08-17 | 2011-12-21 | 深圳市旭东数字医学影像技术有限公司 | 一种半自动序列图像分割方法及*** |
| CN103745126A (zh) * | 2014-01-26 | 2014-04-23 | 深圳市医诺智能科技发展有限公司 | Tps数据处理方法和*** |
| CN104008541A (zh) * | 2014-05-06 | 2014-08-27 | 广州医科大学附属肿瘤医院 | 一种pet/ct肿瘤靶区自动分割方法 |
| CN104027128A (zh) * | 2014-06-23 | 2014-09-10 | 中国科学院合肥物质科学研究院 | 一种基于改善的cbct图像的离线剂量验证方法 |
| GB201413721D0 (en) * | 2014-08-01 | 2014-09-17 | Mirada Medical Ltd | Method and apparatus for delineating an object within a volumetric medical image |
| CN106355023A (zh) * | 2016-08-31 | 2017-01-25 | 北京数字精准医疗科技有限公司 | 基于医学影像的开放式定量分析方法与*** |
| CN107123124A (zh) * | 2017-05-04 | 2017-09-01 | 季鑫 | 视网膜图像分析方法、装置和计算设备 |
| CN107403201A (zh) * | 2017-08-11 | 2017-11-28 | 强深智能医疗科技（昆山）有限公司 | 肿瘤放射治疗靶区和危及器官智能化、自动化勾画方法 |
-
2018
- 2018-03-28 CN CN201810263500.2A patent/CN110322426B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102289811A (zh) * | 2011-08-17 | 2011-12-21 | 深圳市旭东数字医学影像技术有限公司 | 一种半自动序列图像分割方法及*** |
| CN103745126A (zh) * | 2014-01-26 | 2014-04-23 | 深圳市医诺智能科技发展有限公司 | Tps数据处理方法和*** |
| CN104008541A (zh) * | 2014-05-06 | 2014-08-27 | 广州医科大学附属肿瘤医院 | 一种pet/ct肿瘤靶区自动分割方法 |
| CN104027128A (zh) * | 2014-06-23 | 2014-09-10 | 中国科学院合肥物质科学研究院 | 一种基于改善的cbct图像的离线剂量验证方法 |
| GB201413721D0 (en) * | 2014-08-01 | 2014-09-17 | Mirada Medical Ltd | Method and apparatus for delineating an object within a volumetric medical image |
| CN106355023A (zh) * | 2016-08-31 | 2017-01-25 | 北京数字精准医疗科技有限公司 | 基于医学影像的开放式定量分析方法与*** |
| CN107123124A (zh) * | 2017-05-04 | 2017-09-01 | 季鑫 | 视网膜图像分析方法、装置和计算设备 |
| CN107403201A (zh) * | 2017-08-11 | 2017-11-28 | 强深智能医疗科技（昆山）有限公司 | 肿瘤放射治疗靶区和危及器官智能化、自动化勾画方法 |
Non-Patent Citations (3)
| Title |
|---|
| SHUXU ZHANG; SHENGQU LIN; HUI YU; HAINAN ZHANG; GUOQIAN ZHANG; P: "Application of AIP and MIP CT on Individual GTV Delineation for Tumor Moving with Respiration", 《2012 INTERNATIONAL CONFERENCE ON BIOMEDICAL ENGINEERING AND BIOTECHNOLOGY》 * |
| 刘冰茹: "血管内超声图像序列的检索与配准方法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
| 曹传华，余海英: "鼻咽癌调强放疗前后MRI影像变化及疗效评估价值研究", 《中国CT和MRI杂志》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113975660A (zh) * | 2021-10-29 | 2022-01-28 | 中国科学院合肥物质科学研究院 | 一种肿瘤靶区位移监测方法及设备 |
| CN113975660B (zh) * | 2021-10-29 | 2024-04-30 | 中国科学院合肥物质科学研究院 | 一种肿瘤靶区位移监测方法及设备 |
| CN115798725A (zh) * | 2022-10-27 | 2023-03-14 | 佛山读图科技有限公司 | 用于核医学的带病灶人体仿真影像数据制作方法 |
| CN115798725B (zh) * | 2022-10-27 | 2024-03-26 | 佛山读图科技有限公司 | 用于核医学的带病灶人体仿真影像数据制作方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110322426B (zh) | 2022-05-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6960509B2 (ja) | 合成医療画像を生成するためのニューラルネットワーク | |
| Pathmanathan et al. | Magnetic resonance imaging-guided adaptive radiation therapy: a “game changer” for prostate treatment? | |
| CN107567343B (zh) | 用于自适应放射治疗的三维定位和追踪 | |
| AU2016211820B2 (en) | Three dimensional localization of a moving target for adaptive radiation therapy | |
| Kim et al. | Implementation of a novel algorithm for generating synthetic CT images from magnetic resonance imaging data sets for prostate cancer radiation therapy | |
| RU2675678C1 (ru) | Управление движением в линейном ускорителе (linac), управляемом с помощью mri | |
| US9014446B2 (en) | Efficient user interaction with polygonal meshes for medical image segmentation | |
| US7817836B2 (en) | Methods for volumetric contouring with expert guidance | |
| Maspero et al. | Feasibility of MR-only proton dose calculations for prostate cancer radiotherapy using a commercial pseudo-CT generation method | |
| Maspero et al. | Quantification of confounding factors in MRI-based dose calculations as applied to prostate IMRT | |
| Duane et al. | Impact of delineation uncertainties on dose to organs at risk in CT-guided intracavitary brachytherapy | |
| McGurk et al. | Extension of the NCAT phantom for the investigation of intra-fraction respiratory motion in IMRT using 4D Monte Carlo | |
| CN111386555A (zh) | 图像引导方法及装置、医疗设备、计算机可读存储介质 | |
| CN115485019A (zh) | 自动计划的基于放射的治疗 | |
| CN115666717A (zh) | 用于导出和利用虚拟体积结构来预测在实施治疗的放射时的潜在碰撞的方法和装置 | |
| WO2006131848A2 (en) | Point subselection for fast deformable point-based imaging | |
| CN110322426A (zh) | 基于可变人体模型的肿瘤靶区勾画方法、设备和存储介质 | |
| Noel et al. | An automated method for adaptive radiation therapy for prostate cancer patients using continuous fiducial-based tracking | |
| Mestrovic et al. | Integration of on-line imaging, plan adaptation and radiation delivery: proof of concept using digital tomosynthesis | |
| Koivula | Magnetic resonance imaging-based radiation therapy treatment planning | |
| Peroni et al. | Validation of an automatic contour propagation method for lung cancer 4D adaptive radiation therapy | |
| CN110335281A (zh) | 一种肿瘤边界确定方法、设备和存储介质 | |
| Markel et al. | Dosimetric correction for a 4D-computed tomography dataset using the free-form deformation algorithm | |
| Pathmanathan | Magnetic resonance imaging (MRI) guided radiotherapy for prostate cancer | |
| Boyer et al. | Evaluation of a semi-automated segmentation technique using partial differential equations |
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 |