CN110335281A - 一种肿瘤边界确定方法、设备和存储介质 - Google Patents
一种肿瘤边界确定方法、设备和存储介质 Download PDFInfo
- Publication number
- CN110335281A CN110335281A CN201810263713.5A CN201810263713A CN110335281A CN 110335281 A CN110335281 A CN 110335281A CN 201810263713 A CN201810263713 A CN 201810263713A CN 110335281 A CN110335281 A CN 110335281A
- Authority
- CN
- China
- Prior art keywords
- density
- tumor
- region
- dimensional
- tumor boundaries
- 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
Classifications
-
- 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
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明属于放疗技术领域,涉及一种肿瘤边界确定方法、设备和存储介质。该方法包括如下步骤:(1)获取患者的医学影像;(2)将医学影像重建为三维影像模型:(3)利用影像与密度的对应关系,将三维影像模型转换为三维密度模型;(4)通过密度或密度梯度突变确定肿瘤边界。本发明提供的方法能够方便的找到密度相对均匀的器官中肿瘤的边界;从而辅助医生快速、准确的进行肿瘤靶区勾画,减少患者的等待时间、降低医生的工作负担。
Description
技术领域
本发明属于放疗技术领域,涉及一种肿瘤边界确定方法、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)。随着计算机技术和肿瘤影像技术的发展,产生了肿瘤及其周围正常组织和结构上的虚拟三维重建及显示技术。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 modulatedradiation 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。现有技术中,一方面不同的放疗医生对同一个病案所画的计划靶区可能彼此相差很大,甚至同一个医生于不同时间在同一个CT图像上勾画的靶区也不尽相同。这样参差不齐的边界条件,即使按照同一套条件和流程进行逆向优化,得到的实施方案也会差别很大。另一方面,在放疗前每个病人需要拍摄多达几十甚至上百张CT影像,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。人工勾画过程不仅耗时耗力,治疗病人有限;而且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。
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肿瘤边界的确定方法、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:
通过患者的医学影像可以明确判断一部分肿瘤区域,本发明通过该已知肿瘤区域来寻找肿瘤边界。具体地,通过肿瘤的密度与正常组织、器官的密度突变,利用已知肿瘤区域来寻找未知的肿瘤边界。
一种肿瘤边界的确定方法,包括如下步骤:
(1)获取患者的医学影像;
(2)将医学影像重建为三维影像模型:
(3)利用影像与密度的对应关系,将三维影像模型转换为三维密度模型;
(4)通过密度或密度梯度突变确定肿瘤边界。
本发明进一步优选地,所述的医学影像包括CT、MRI、PET、灰度图像、或彩色图像。
步骤(2)中,采用滤波反投影法、代数法或统计法进行医学影像三维重建。
本发明步骤(4)中,所述的通过密度或密度梯度突变确定肿瘤区域和肿瘤边界具体包括如下步骤:
(A1)定义初始密度种子:
选取待勾画区域中的肿瘤确定区域内任意坐标点的密度或任意小区域的平均密度作为初始密度;初始密度所在的坐标或确定平均密度小区域中任意点的坐标为初始坐标;初始密度和初始坐标确定初始密度种子;
其中待勾画区域和肿瘤确定区域由人工确定;
(A2)将与初始坐标相邻坐标的三维密度数据ρn与初始密度ρ0进行比较,得到密度差或密度梯度值其中密度梯度值为单位距离的密度差值;
将超出预设阈值范围的密度差或密度梯度值所在的位置标记为正常组织器官区域,将未超出阈值的位置标记为肿瘤区域;
(A3)以ρn为新的密度种子,与ρn所处坐标的相邻未标记坐标处的三维密度数据ρn+1进行比较,得到密度差或密度梯度值
将超出预设阈值范围的密度差或密度梯度值所在位置标记为正常组织器官区域,将未超出阈值的位置标记为肿瘤区域;
(A4)重复步骤(A3)完成待勾画区域内所有坐标位置的密度或密度梯度的比较和标记;
(A5)依次连接正常组织器官与肿瘤区域的边界点得到闭合肿瘤边界,将边界中密度种子的一侧标定为肿瘤区域。
所述的通过密度或密度梯度突变确定肿瘤区域和肿瘤边界的步骤还包括 (A6)手动更正或补充肿瘤边界的步骤。
优选地,在待勾画区域中的三维密度数据中设定一个或一个以上初始密度种子。
本发明步骤(4)中,所述的通过密度或密度梯度突变确定肿瘤边界具体包括如下步骤:
(B1)依次连接三维密度数据中的等密度点或者等密度梯度点形成等密度曲线或等密度梯度曲线;
(B2)将与相邻曲线相比发生密度变化或密度梯度变化超出阈值范围的等密度曲线或者等密度梯度曲线作为肿瘤边界。
进一步优选地,还包括步骤(B3)通过手动勾画补充未能识别的部分或修正。
其中,密度梯度值为单位距离的密度差值。
本发明中步骤(4)中,通过密度突变确定肿瘤边界具体包括如下步骤:
(C1)设定初始密度种子;其中初始密度种子为任意密度值;
(C2)将初始密度种子与患者三维密度数据进行比较,将差值在设定阈值范围内的区域标记为肿瘤区域,差值超出阈值范围的区域标记为正常组织、器官的区域;
(C3)将肿瘤区域与正常组织、器官的交接处设定为肿瘤边界。
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肿瘤边界确定方法指令。
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肿瘤边界确定方法。
本发明具有以下有益效果:
本发明提供的肿瘤边界确定方法能够方便的找到密度均匀肿瘤的边界;从而辅助医生快速、准确的进行肿瘤靶区勾画,减少患者的等待时间、降低医生的工作负担。
附图说明
图1为本发明一个优选的实施例中肿瘤边界确定方法的流程图。
图2为本发明实施例中初始密度种子放置位置示意图;其中
图(a)将一个初始密度种子放置在确定的肿瘤区域中;
图(b)将一个初始密度种子放置在确定的肿瘤区域的边缘处;
图(c)将两个初始密度种子放置在确定的肿瘤区域中。
图3为本发明另一个优选的实施例中肿瘤边界确定方法的流程图。
图4为本发明又一个优选的实施例中肿瘤边界确定方法的流程图。
图5为本发明一个优选的实施例中肿瘤与正常器官的密度示意图。
图6为本发明一个优选的实施例中肿瘤边界确定方法的流程图。
具体实施方式
本发明提供的肿瘤边界确定方法,适用于密度相对均匀肿瘤,即肿瘤内部密度变化幅度远小于肿瘤与正常组织、器官的密度差异。
本发明的原理是:首先获得患者影像,并将该影像利用现有技术进行三维重建,然后利用影像与密度的对应关系,将三维影像模型转换为三维密度模型。而当人体组织、器官中产生肿瘤后,肿瘤的密度与正常组织、器官的密度不同,通常肿瘤的密度略小于周围正常组织、器官的密度而大于空气的密度。通过医学影像中已经确定的部分肿瘤区域利用肿瘤与正常组织的密度突变来确定肿瘤边界。
以下结合附图和实施例进一步说明本发明。
实施例1
本实施例适用于密度相对均匀的组织、器官。
一种肿瘤边界的确定方法,包括如下步骤:
(1)获取患者的医学影像210;按照本发明的实施方式,其中医学影像可以选自CT、MRI、PET、灰度图像或彩色图像;
(2)将医学影像重建为三维影像模型220:
本实施例中优选地,可以采用滤波反投影法、代数法或统计法进行医学影像三维重建;重建为三维影像模型的过程中包括将医学影像去噪、插值等步骤;
(3)利用影像与密度的对应关系,将三维影像模型转换为三维密度模型230;
按照本发明的实施方式,以CT影像为例,将CT影像重建为三维影像模型后,可以将CT值转换得到三维密度数据;
其中,ρ为与患者影像对应的密度;
ρ水为水的密度;
CT为CT值;
(4)通过密度突变或密度梯度突变确定肿瘤区域和肿瘤边界240;具体包括如下步骤:
(A1)定义初始密度种子241:
选取待勾画区域中的肿瘤确定区域内任意坐标点的密度或任意小区域的平均密度作为初始密度ρ0;初始密度所在的坐标或确定平均密度小区域中任意点的坐标为初始坐标;初始密度和初始坐标确定初始密度种子;本实施例中优选地,如图2(a)~(b)所示,将一个初始密度种子分别放置在确定的肿瘤区域内部及边缘;
本实施例中进一步优选地,在待勾画区域中的三维密度数据中可以设定一个以上初始密度种子,如图2(c)所示,将两个初始密度种子放置在确定的肿瘤区域内部。
其中待勾画区域和肿瘤确定区域由人工确定;
(A2)将与初始坐标相邻坐标的三维密度数据ρn与初始密度ρ0进行比较,得到密度差或密度梯度值242,其中密度梯度值为单位距离的密度差值;
将超出预设阈值范围的密度差或密度梯度值所在的位置标记为正常组织器官区域,将未超出阈值的位置标记为肿瘤区域243;
(A3)以ρn为新的密度种子,与ρn所处坐标的相邻未标记坐标处的三维密度数据ρn+1进行比较,得到密度差或密度梯度值244;
将超出预设阈值范围的密度差或密度梯度值所在位置标记为正常组织器官区域,将未超出阈值的位置标记为肿瘤区域245;
(A4)重复步骤(A3)完成待勾画区域内所有坐标位置的密度或密度梯度的比较和标记246;
(A5)依次连接正常组织器官与肿瘤区域的边界点得到闭合肿瘤边界,将边界中密度种子的一侧标定为肿瘤区域247。
本实施例中进一步优选地,通过密度或密度梯度突变确定肿瘤区域和肿瘤边界的步骤还包括(A6)手动更正或补充肿瘤边界的步骤248(图1中未示出)。
实施例2
本实施例适用于密度相对均匀的组织、器官。
一种肿瘤边界的确定方法,包括如下步骤(如图3所示):
(1)获取患者的医学影像310;按照本发明的实施方式,其中医学影像可以选自CT、MRI、PET、灰度图像或彩色图像;
(2)将医学影像重建为三维影像模型320:
本实施例中优选地,可以采用滤波反投影法、代数法或统计法进行医学影像三维重建;重建为三维影像模型的过程中包括将医学影像去噪、插值等步骤;
(3)利用影像与密度的对应关系,将三维影像模型转换为三维密度模型330;
(4)通过密度或密度梯度突变确定肿瘤区域和肿瘤边界340;具体包括如下步骤:
(B1)依次连接三维密度数据中的等密度点或者等密度梯度点形成等密度曲线或等密度梯度曲线341;其中密度梯度点为单位长度的密度变化值,
本一个优选的实施例中,密度梯度点通过以下步骤获得:
(B11)定义初始密度种子:
选取待勾画区域中的肿瘤确定区域内任意坐标点的密度或任意小区域的平均密度作为初始密度ρ0;初始密度所在的坐标或确定平均密度小区域中任意点的坐标为初始坐标;初始密度和初始坐标确定初始密度种子;其中待勾画区域和肿瘤确定区域由人工确定;
(B12)将与初始坐标相邻坐标的三维密度数据ρn与初始密度ρ0进行比较,得到单位距离的密度变化值,即密度梯度值
(B13)以ρn为新的密度种子,与ρn所处坐标的相邻未标记坐标处的三维密度数据ρn+1进行比较,得到密度梯度值
(B2)将与相邻曲线相比发生密度变化或密度梯度变化超出阈值范围的等密度曲线或者等密度梯度曲线作为肿瘤边界。
本实施例进一步优选地,还包括步骤(B3)通过手动勾画补充未能识别的部分或修正(图2中未示出)。
实施例3
本发明实施例中适用于密度相对均匀的肿瘤,其中肿瘤所在的组织、器官的密度可以是均匀的或非均匀的。
一种肿瘤边界的确定方法,包括如下步骤(如图4所示):
(1)获取患者的医学影像510;按照本发明的实施方式,其中医学影像可以选自CT、MRI、PET、灰度图像或彩色图像;
(2)将医学影像重建为三维影像模型520:
本实施例中优选地,可以采用滤波反投影法、代数法或统计法进行医学影像三维重建;重建为三维影像模型的过程中包括将医学影像去噪、插值等步骤;
(3)利用影像与密度的对应关系,将三维影像模型转换为三维密度模型530;
(4)通过密度或密度梯度突变确定肿瘤区域和肿瘤边界540;具体包括如下步骤:
(C1)设定初始密度种子;其中初始密度种子为任意密度值;
(C2)将初始密度种子与患者三维密度数据进行比较,将差值在设定阈值范围内的区域标记为肿瘤区域,差值超出阈值范围的区域标记为正常组织、器官的区域;
(C3)将肿瘤区域与正常组织、器官的交接处设定为肿瘤边界。
如附图4所示,在本发明的一个示例性实施例中,对于密度都相对均匀的肿瘤,设定ρ0为密度种子,该密度种子可以选取为任意定值,例如0(g/cm3)或 8.9(g/cm3)等,将密度种子ρ0与患者三维密度数据ρ(ρ为一系列反应患者三维密度数据的集合)进行比较,当差值在预先设定的阈值范围δ1内时,例如δ1设置为0.02-0.09(g/cm3),δ1的取值范围与密度种子ρ0的取值和肿瘤的实际密度(区间) 相关,将密度数据所在的位置标记为肿瘤区域;差值未落入阈值范围的区域标记为正常组织、器官的区域;
在本发明的另一个示例性实施例中,肿瘤的密度相对均匀,但肿瘤的内部设有空腔。各组织与肿瘤的密度相同,且肿瘤所在的器官密度不均匀,例如人体肺部(如附图5所示)布满***、肺泡、气管(包括各级支气管)等多种组织结构(其密度分别为ρm,ρn,ρi等),因而肺部的密度分布并不均匀。但肺部肿瘤的密度相对均匀(排除肿瘤内包含的肺泡空腔),设定密度种子为ρ0,将密度种子与患者三维密度数据进行比较,***、肺泡、气管及肿瘤区域的密度与密度种子的差值分别属于不同的阈值范围,当差值在设定的阈值范围δ2内时,密度数据所在的位置标记为肿瘤区域,虽然肿瘤区域内肺泡的密度虽然不在预设的阈值范围δ2内,但因为这些肺泡已经在肿瘤区域的包围中,因此,将这些被包围的肺泡的范围也设定为肿瘤区域。最后,将肿瘤区域与正常组织、器官的交接处设定为肿瘤边界。
实施例4
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,其中一个或多个程序存储在存储器中并被配置为由一个或多个处理器执行,上述一个或多个程序包括用于上述肿瘤边界确定方法指令,该方法包括如下步骤:
(1)获取患者的医学影像;
(2)将医学影像重建为三维影像模型:
(3)利用影像与密度的对应关系,将三维影像模型转换为三维密度模型;
(4)通过密度或密度梯度突变确定肿瘤边界。
实施例5
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,该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上述肿瘤边界确定方法,该方法包括如下步骤:
(1)获取患者的医学影像;
(2)将医学影像重建为三维影像模型:
(3)利用影像与密度的对应关系,将三维影像模型转换为三维密度模型;
(4)通过密度或密度梯度突变确定肿瘤边界。
通过本发明提供的上述实施例可知本发明的肿瘤边界确定方法能够方便的找到组织器官中相对均匀肿瘤的边界。
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)
1.一种肿瘤边界的确定方法,其特征在于:包括如下步骤:
(1)获取患者的医学影像;
(2)将医学影像重建为三维影像模型:
(3)利用影像与密度的对应关系,将三维影像模型转换为三维密度模型;
(4)通过密度或密度梯度突变确定肿瘤边界。
2.根据权利要求1所述的肿瘤边界的确定方法,其特征在于:其中所述的医学影像包括CT、MRI、PET、灰度图像或彩色图像。
3.根据权利要求1所述的肿瘤边界的确定方法,其特征在于:步骤(2)中,采用滤波反投影法、代数法或统计法进行医学影像三维重建。
4.根据权利要求1所述的肿瘤边界的确定方法,其特征在于:步骤(4)中,所述的通过密度或密度梯度突变确定肿瘤边界具体包括如下步骤:
(A1)定义初始密度种子:
选取待勾画区域中的肿瘤确定区域内任意坐标点的密度或任意小区域的平均密度作为初始密度;初始密度所在的坐标或确定平均密度的小区域中任意点的坐标为初始坐标;初始密度和初始坐标确定初始密度种子;
其中待勾画区域和肿瘤确定区域由人工确定;
(A2)将与初始坐标相邻坐标的三维密度数据ρn与初始密度ρ0进行比较,得到密度差或密度梯度值其中密度梯度值为单位距离的密度差值;
将超出预设阈值范围的密度差或密度梯度值所在的位置标记为正常组织器官区域,将未超出阈值的位置标记为肿瘤区域;
(A3)以ρn为新的密度种子,与ρn所处坐标的相邻未标记坐标处的三维密度数据ρn+1进行比较,得到密度差或密度梯度值
将超出预设阈值范围的密度差或密度梯度值所在位置标记为正常组织器官区域,将未超出阈值的位置标记为肿瘤区域;
(A4)重复步骤(A3)完成待勾画区域内所有坐标位置的密度或密度梯度的比较和标记;
(A5)依次连接正常组织器官与肿瘤区域的边界点得到闭合肿瘤边界,将边界中密度种子的一侧标定为肿瘤区域。
5.根据权利要求4所述的肿瘤边界的确定方法,其特征在于:所述的通过密度或密度梯度突变确定肿瘤边界的步骤还包括(A6)手动更正或补充肿瘤边界的步骤。
6.根据权利要求4所述的肿瘤边界的确定方法,其特征在于:在待勾画区域中的三维密度数据中设定一个或一个以上初始密度种子。
7.根据权利要求1所述的肿瘤边界的确定方法,其特征在于:步骤(4)中,所述的通过密度或密度梯度突变确定肿瘤边界具体包括如下步骤:
(B1)依次连接三维密度数据中的等密度点或者等密度梯度点形成等密度曲线或等密度梯度曲线;
(B2)将与相邻曲线相比发生密度变化或密度梯度变化超出阈值范围的等密度曲线或者等密度梯度曲线作为肿瘤边界;
优选地,还包括步骤(B3)通过手动勾画补充未能识别的部分或修正。
8.根据权利要求1所述的肿瘤边界的确定方法,其特征在于:步骤(4)中,通过密度突变确定肿瘤边界具体包括如下步骤:
(C1)设定初始密度种子;其中初始密度种子为任意密度值;
(C2)将初始密度种子与患者三维密度数据进行比较,将差值在设定阈值范围内的区域标记为肿瘤区域,差值超出阈值范围的区域标记为正常组织、器官的区域;
(C3)将肿瘤区域与正常组织、器官的交接处设定为肿瘤边界。
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中任一所述的肿瘤边界确定方法指令。
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中任一所述的肿瘤边界确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810263713.5A CN110335281A (zh) | 2018-03-28 | 2018-03-28 | 一种肿瘤边界确定方法、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810263713.5A CN110335281A (zh) | 2018-03-28 | 2018-03-28 | 一种肿瘤边界确定方法、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110335281A true CN110335281A (zh) | 2019-10-15 |
Family
ID=68138890
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810263713.5A Pending CN110335281A (zh) | 2018-03-28 | 2018-03-28 | 一种肿瘤边界确定方法、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110335281A (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1518719A (zh) * | 2001-04-23 | 2004-08-04 | 西门子共同研究公司 | 根据多层面高分辩率计算机断层摄影图像自动检测肺肿瘤的方法和*** |
CN101421745A (zh) * | 2004-04-15 | 2009-04-29 | 美国医软科技公司 | 空间-时间肿瘤检测,分割和诊断信息提取***及方法 |
CN102360495A (zh) * | 2011-10-19 | 2012-02-22 | 西安电子科技大学 | 基于平均密度投影和平移高斯模型的肺结节分割方法 |
CN102429679A (zh) * | 2011-09-09 | 2012-05-02 | 华南理工大学 | 基于胸部ct图像的肺气肿计算机辅助诊断*** |
CN103871043A (zh) * | 2012-12-12 | 2014-06-18 | 上海联影医疗科技有限公司 | 一种血管提取方法 |
CN104353189A (zh) * | 2014-11-07 | 2015-02-18 | 滕皋军 | 用于***的三维立体精确腔内放疗方法及其*** |
CN105701832A (zh) * | 2016-01-19 | 2016-06-22 | 苏州大学 | 三维图割算法结合随机游走算法的pet‐ct肺肿瘤分割方法 |
CN105894444A (zh) * | 2016-03-31 | 2016-08-24 | 深圳市菲森科技有限公司 | 一种基于cbct影像生成牙科全景图像的方法及装置 |
CN106474634A (zh) * | 2015-11-17 | 2017-03-08 | 南京中硼联康医疗科技有限公司 | 基于医学影像数据的几何模型建立方法 |
CN106780451A (zh) * | 2016-12-07 | 2017-05-31 | 西安电子科技大学 | X射线、超声、红外图像融合乳腺肿块图像检测方法 |
CN107516314A (zh) * | 2017-08-25 | 2017-12-26 | 山东大学 | 医学图像超体素分割方法和装置 |
-
2018
- 2018-03-28 CN CN201810263713.5A patent/CN110335281A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1518719A (zh) * | 2001-04-23 | 2004-08-04 | 西门子共同研究公司 | 根据多层面高分辩率计算机断层摄影图像自动检测肺肿瘤的方法和*** |
CN101421745A (zh) * | 2004-04-15 | 2009-04-29 | 美国医软科技公司 | 空间-时间肿瘤检测,分割和诊断信息提取***及方法 |
CN102429679A (zh) * | 2011-09-09 | 2012-05-02 | 华南理工大学 | 基于胸部ct图像的肺气肿计算机辅助诊断*** |
CN102360495A (zh) * | 2011-10-19 | 2012-02-22 | 西安电子科技大学 | 基于平均密度投影和平移高斯模型的肺结节分割方法 |
CN103871043A (zh) * | 2012-12-12 | 2014-06-18 | 上海联影医疗科技有限公司 | 一种血管提取方法 |
CN104353189A (zh) * | 2014-11-07 | 2015-02-18 | 滕皋军 | 用于***的三维立体精确腔内放疗方法及其*** |
CN106474634A (zh) * | 2015-11-17 | 2017-03-08 | 南京中硼联康医疗科技有限公司 | 基于医学影像数据的几何模型建立方法 |
CN105701832A (zh) * | 2016-01-19 | 2016-06-22 | 苏州大学 | 三维图割算法结合随机游走算法的pet‐ct肺肿瘤分割方法 |
CN105894444A (zh) * | 2016-03-31 | 2016-08-24 | 深圳市菲森科技有限公司 | 一种基于cbct影像生成牙科全景图像的方法及装置 |
CN106780451A (zh) * | 2016-12-07 | 2017-05-31 | 西安电子科技大学 | X射线、超声、红外图像融合乳腺肿块图像检测方法 |
CN107516314A (zh) * | 2017-08-25 | 2017-12-26 | 山东大学 | 医学图像超体素分割方法和装置 |
Non-Patent Citations (2)
Title |
---|
仇清涛等: "基于三维动态区域生长算法的肝脏自动分割", 《中国医学物理学杂志》 * |
徐思瑜: "基于CT图像肺部病灶区域的特征提取", 《中国优秀硕士学位论文全文数据库》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pathmanathan et al. | Magnetic resonance imaging-guided adaptive radiation therapy: a “game changer” for prostate treatment? | |
US10987522B2 (en) | Three dimensional localization and tracking for adaptive radiation therapy | |
RU2699052C2 (ru) | Трехмерная локализация движущейся мишени для адаптивной радиационной терапии | |
CN107708808B (zh) | 用于在放射治疗期间使用质量指标进行靶追踪的***和方法 | |
US9014446B2 (en) | Efficient user interaction with polygonal meshes for medical image segmentation | |
CN107072595B (zh) | 基于多模态成像的自适应重计划 | |
Lewis et al. | Markerless lung tumor tracking and trajectory reconstruction using rotational cone-beam projections: a feasibility study | |
Winkel et al. | Target coverage and dose criteria based evaluation of the first clinical 1.5 T MR-linac SBRT treatments of lymph node oligometastases compared with conventional CBCT-linac treatment | |
JP2013514115A (ja) | 新規な最適化対象を生成するためのプラン群の使用方法 | |
CN115485019A (zh) | 自动计划的基于放射的治疗 | |
Fukumitsu et al. | Investigation of the geometric accuracy of proton beam irradiation in the liver | |
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 | |
CN110335281A (zh) | 一种肿瘤边界确定方法、设备和存储介质 | |
Mestrovic et al. | Integration of on-line imaging, plan adaptation and radiation delivery: proof of concept using digital tomosynthesis | |
Köhler et al. | Phantom measurements to quantify the accuracy of a commercially available cone-beam CT gray-value matching algorithm using multiple fiducials | |
Peroni et al. | Validation of an automatic contour propagation method for lung cancer 4D adaptive radiation therapy | |
Starenkiy | The role of modern medical imaging technologies at distant radiation therapy planning | |
Cai et al. | An integrated simulation system based on digital human phantom for 4D radiation therapy of lung cancer | |
Nomden et al. | SP-0421: Brachytherapy pelvic and MRI-Linac combination | |
Nigam | Automatic detection, delineation and quantification of bone metastases in non-small cell lung cancer using FDG-PET/CT imaging | |
Walker | Optimising Technical Aspects of Lung Radiotherapy Treatment Planning | |
DUMLU | Dosimetric impact of geometric distortions in an MRI-only proton therapy workflow for extracranial sites | |
Seppenwoolde et al. | SP-0422: Clinical implementation of ART for cervix | |
Chebrolu et al. | Real-time automated target volume and motion quantification for adaptive four-dimensional MRI/CT guided radiation therapy | |
Bonniaud et al. | Poster workshop |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191015 |