CN117132729A - 多模态精细乳腺模型设计方法、装置、设备及介质 - Google Patents
多模态精细乳腺模型设计方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117132729A CN117132729A CN202310913595.9A CN202310913595A CN117132729A CN 117132729 A CN117132729 A CN 117132729A CN 202310913595 A CN202310913595 A CN 202310913595A CN 117132729 A CN117132729 A CN 117132729A
- Authority
- CN
- China
- Prior art keywords
- breast
- gland
- fine
- model
- mammary gland
- 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
- 210000000481 breast Anatomy 0.000 title claims abstract description 250
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000013461 design Methods 0.000 title claims abstract description 28
- 210000004907 gland Anatomy 0.000 claims abstract description 87
- 210000005075 mammary gland Anatomy 0.000 claims abstract description 87
- 238000009826 distribution Methods 0.000 claims abstract description 64
- 238000013178 mathematical model Methods 0.000 claims abstract description 31
- 238000005070 sampling Methods 0.000 claims description 39
- 230000000762 glandular Effects 0.000 claims description 37
- 230000006870 function Effects 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 16
- 238000009827 uniform distribution Methods 0.000 claims description 16
- 210000002445 nipple Anatomy 0.000 claims description 13
- 238000007665 sagging Methods 0.000 claims description 11
- 238000007670 refining Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 210000003041 ligament Anatomy 0.000 claims description 7
- 239000008267 milk Substances 0.000 claims description 7
- 210000004080 milk Anatomy 0.000 claims description 7
- 235000013336 milk Nutrition 0.000 claims description 7
- 238000007493 shaping process Methods 0.000 claims description 7
- 210000004003 subcutaneous fat Anatomy 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 7
- 210000004883 areola Anatomy 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 238000001802 infusion Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 239000000758 substrate Substances 0.000 claims 1
- 238000003384 imaging method Methods 0.000 abstract description 24
- 210000003491 skin Anatomy 0.000 description 35
- 238000005516 engineering process Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 230000005855 radiation Effects 0.000 description 9
- 210000001519 tissue Anatomy 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000011160 research Methods 0.000 description 8
- 238000004980 dosimetry Methods 0.000 description 7
- 239000000835 fiber Substances 0.000 description 7
- 238000005457 optimization Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 210000003484 anatomy Anatomy 0.000 description 5
- 210000000038 chest Anatomy 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000009607 mammography Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000002591 computed tomography Methods 0.000 description 3
- 238000000638 solvent extraction Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000005477 standard model Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 206010006187 Breast cancer Diseases 0.000 description 1
- 208000026310 Breast neoplasm Diseases 0.000 description 1
- 210000000577 adipose tissue Anatomy 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000003776 cleavage reaction Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 210000002149 gonad Anatomy 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000005865 ionizing radiation Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 210000002976 pectoralis muscle Anatomy 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000007017 scission Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 210000001562 sternum Anatomy 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/10—Constructive solid geometry [CSG] using solid primitives, e.g. cylinders, cubes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/08—Volume rendering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- 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
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/30068—Mammography; Breast
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Computer Graphics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请涉及一种多模态精细乳腺模型设计方法、装置、设备及介质，方法包括：构建乳腺外形，得到目标***形状；基于目标***形状，根据预设的***特征参数进行乳腺区域划分得到皮肤区、脂肪区和纤维腺体区；分别对皮肤区进行第一精细化结构生长、对脂肪区进行第二精细化结构生长、对纤维腺体区第三精细化结构生长得到精细乳腺数学模型；对精细乳腺数学模型进行体素化处理得到精细乳腺体素模型，并基于预设的腺体百分含量调整策略调整精细乳腺体素模型，得到多模态精细乳腺模型。由此，解决了乳腺计量学模型不够精细，无法获取接近临床的图像，乳腺影像学模型未考虑腺体分布等问题，在保证乳腺模型成像纹理真实性的同时，确保剂量的临床准确性。
Description
技术领域
本申请涉及医学图像技术领域，特别涉及一种多模态精细乳腺模型设计方法、装置、设备及介质。
背景技术
乳腺剂量学和乳腺影像学是乳腺医学诊断研究中的两个重要课题，乳腺CT(Computed Tomography，电子计算机断层扫描)等三维成像技术的发展，使得人们对乳腺解剖结构认识的深入。
相关技术中的均质模型被认为会高估30％乳腺剂量，一系列异质乳腺模型逐渐被提出；包括径向Gauss分布乳腺模型和三维bi-Gauss分布乳腺模型，但是这些模型仍存在一定缺点，其参数来源统计数据量少，无法代表女性腺体分布，缺少乳腺内部精细解剖结构。
然而，上述关于乳腺剂量学的计算主要基于标准模型，缺少真实的解剖结构，无法获取真实的成像纹理，并且在目前的乳腺影像学研究上，侧重于纹理真实性的提升，对腺体分布这一影响剂量临床准确性的重要因素。
综上，考虑到乳腺剂量学和乳腺影像学相对割裂的研究现状，目前缺少一种用于辐射防护且较为精细的乳腺模型设计方法，亟待解决。
发明内容
本申请提供一种多模态精细乳腺模型设计方法、装置、设备及介质，以解决相关技术中，乳腺计量学模型不够精细，无法获取接近临床的图像，乳腺影像学模型未考虑腺体分布，且二者的研究存在相对割裂等问题，在保证乳腺模型成像纹理真实性的同时，确保剂量的临床准确性。
本申请第一方面实施例提供一种多模态精细乳腺模型设计方法，包括以下步骤：
构建乳腺外形，得到目标***形状；基于所述目标***形状，根据预设的***特征参数进行乳腺区域划分得到皮肤区、脂肪区和纤维腺体区；分别对所述皮肤区进行第一精细化结构生长、对所述脂肪区进行第二精细化结构生长、对所述纤维腺体区第三精细化结构生长得到精细乳腺数学模型；对所述精细乳腺数学模型进行体素化处理得到精细乳腺体素模型，并基于预设的腺体百分含量调整策略调整所述精细乳腺体素模型，得到多模态精细乳腺模型。
可选地，在一些实施例中，所述构建乳腺外形，得到目标***形状，包括：基于多个预设的超二次曲面对乳腺外形进行形状拟合，得到初始***形状；基于预设的变形策略，分别对所述初始***形状进行上侧塑形变形、内侧展平变形、肩部连接变形、乳腺下垂处理和前侧偏转变形，得到目标***形状。
可选地，在一些实施例中，所述皮肤区和脂肪区之间采用超二次曲面轮廓进行划分；所述脂肪区和所述纤维腺体区之间采用预设抽样策略得到的脂肪球进行划分。
可选地，在一些实施例中，所述分别对所述皮肤区进行第一精细化结构生长、对所述脂肪区进行第二精细化结构生长、对所述纤维腺体区第三精细化结构生长得到精细乳腺数学模型，包括：对所述皮肤区生长皮肤、生长***和生长乳晕，且在所述***内部生长输乳窦，并对所述脂肪区的皮下脂肪区和后侧脂肪区进行Cooper韧带生长，并基于预设的目标腺体分布要求和目标抽样函数对所述纤维腺体区进行脂肪球中心体素的抽样，且以预设的拒绝概率进行拒绝，得到初始乳腺模型；基于预设的Perlin分型噪声，对所述初始乳腺模型进行处理，得到所述精细乳腺数学模型。
可选地，在一些实施例中，所述目标抽样函数与均匀分布抽样函数比值在定义域内的上确界为：
其中，M为是当0≤r≤R0时，的上确界，r为乳腺切面任一点距切面中心的距离，R0为乳腺切面最大半径，f(r)是腺体分布为Gauss分布的RAN，即目标抽样函数，RAN(normalized radial adipose fraction，归一化后的径向脂肪分布)表示归一化后的径向脂肪分布，h(r)是腺体分布为均匀分布的RAN，A和σ为拟合参数，VBD为描述乳腺内腺体含量的物理量，k为/>与σ2的比值。
可选地，在一些实施例中，所述预设的拒绝概率为：
其中，rh是从腺体均匀分布h(r)中抽样得到的随机变量，M为当0≤r≤R0时，的上确界，f(rh)为随机变量rh在腺体Gauss分布f(r)下的RAN，h(rh)为随机变量rh在均匀分布h(r)下的RAN，A和σ为拟合参数，R0为乳腺切面最大半径。
可选地，在一些实施例中，所述预设的Perlin分型噪声为：
r≤rbase(θ，φ)[1+αPf，l，p，o(θ，φ)]；
其中，r为加Perlin噪声后的球状结构表面任意一点到球心的距离，rbase(θ，φ)为基础球状结构表面任意一点到球心的距离，θ为球上任一点的仰角，φ为球上任一点的方位角，α为Perlin噪声的幅度权重因子，f为Perlin噪声的主频权重因子，l为Perlin噪声的二倍频权重因子，p为Perlin噪声的四倍频权重因子，o为Perlin噪声的八倍频权重因子。
本申请第二方面实施例提供一种多模态精细乳腺模型设计装置，包括：
构建模块，用于构建乳腺外形，得到目标***形状；划分模块，用于基于所述目标***形状，根据预设的***特征参数进行乳腺区域划分得到皮肤区、脂肪区和纤维腺体区；精细化模块，用于分别对所述皮肤区进行第一精细化结构生长、对所述脂肪区进行第二精细化结构生长、对所述纤维腺体区第三精细化结构生长得到精细乳腺数学模型；体素化模块，用于对所述精细乳腺数学模型进行体素化处理得到精细乳腺体素模型，并基于预设的腺体百分含量调整策略调整所述精细乳腺体素模型，得到多模态精细乳腺模型。
可选地，在一些实施例中，所述构建模块，包括：拟合单元，用于基于多个预设的超二次曲面对乳腺外形进行形状拟合，得到初始***形状；变形单元，用于基于预设的变形策略，分别对所述初始***形状进行上侧塑形变形、内侧展平变形、肩部连接变形、乳腺下垂处理和前侧偏转变形，得到目标***形状。
可选地，在一些实施例中，所述划分模块，包括：所述皮肤区和脂肪区之间采用超二次曲面轮廓进行划分；所述脂肪区和所述纤维腺体区之间采用预设抽样策略得到的脂肪球进行划分。
可选地，在一些实施例中，所述精细化模块，包括：建模单元，用于对所述皮肤区生长皮肤、生长***和生长乳晕，且在所述***内部生长输乳窦，并对所述脂肪区的皮下脂肪区和后侧脂肪区进行Cooper韧带生长，并基于预设的目标腺体分布要求和目标抽样函数对所述纤维腺体区进行脂肪球中心体素的抽样，且以预设的拒绝概率进行拒绝，得到初始乳腺模型；处理单元，用于基于预设的Perlin分型噪声，对所述初始乳腺模型进行处理，得到所述精细乳腺数学模型。
可选地，在一些实施例中，所述目标抽样函数与均匀分布抽样函数比值在定义域内的上确界为：
其中，M为是当0≤r≤R0时，的上确界，r为乳腺切面任一点距切面中心的距离，R0为乳腺切面最大半径，f(r)是腺体分布为Gauss分布的RAN，即目标抽样函数，RAN表示归一化后的径向脂肪分布，h(r)是腺体分布为均匀分布的RAN，A和σ为拟合参数，VBD为描述乳腺内腺体含量的物理量，k为/>与σ2的比值。
可选地，在一些实施例中，所述预设的拒绝概率为：
其中，rh是从腺体均匀分布h(r)中抽样得到的随机变量，M为当0≤r≤R0时，的上确界，f(rh)为随机变量rh在腺体Gauss分布f(r)下的RAN，h(rh)为随机变量rh在均匀分布h(r)下的RAN，A和σ为拟合参数，R0为乳腺切面最大半径。
可选地，在一些实施例中，所述预设的Perlin分型噪声为：
r≤rbase(θ，φ)[1+αPf，l，p，o(θ，φ)]；
其中，r为加Perlin噪声后的球状结构表面任意一点到球心的距离，rbase(θ，φ)为基础球状结构表面任意一点到球心的距离，θ为球上任一点的仰角，φ为球上任一点的方位角，α为Perlin噪声的幅度权重因子，f为Perlin噪声的主频权重因子，l为Perlin噪声的二倍频权重因子，p为Perlin噪声的四倍频权重因子，o为Perlin噪声的八倍频权重因子。
本申请第三方面实施例提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如上述实施例所述的多模态精细乳腺模型设计方法。
本申请第四方面实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，以用于实现如上述实施例所述的多模态精细乳腺模型设计方法。
由此，本申请基于乳腺医学解剖结构，自定义外形参数和解剖参数，建立了考虑腺体分布的多模态精细乳腺体素模型生成方法，该方法通过构建乳腺外形，得到目标***形状，根据预设的***特征参数进行乳腺区域划分得到皮肤区、脂肪区和纤维腺体区，分别对皮肤区、脂肪区和纤维腺体区进行精细化结构生长，得到精细乳腺数学模型，对该模型进行体素化处理得到精细乳腺体素模型，并基于预设的腺体百分含量调整策略调整精细乳腺体素模型，得到多模态精细乳腺模型。由此，解决了相关技术中，乳腺计量学模型不够精细，无法获取接近临床的图像，乳腺影像学模型未考虑腺体分布，且二者的研究存在相对割裂等问题，在保证乳腺模型成像纹理真实性的同时，确保剂量的临床准确性。
本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为根据本申请实施例提供的多模态精细乳腺模型设计方法的流程图；
图2为根据本申请一个实施例提供的精细乳腺模型构建过程的示意图；
图3为根据本申请实施例提供的多模态精细乳腺模型设计装置的方框示意图；
图4为根据本申请实施例的电子设备的方框示意图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的多模态精细乳腺模型设计方法、装置、设备及介质。针对上述背景技术中提到的乳腺计量学模型不够精细，无法获取接近临床的图像，乳腺影像学模型未考虑腺体分布，且二者的研究存在相对割裂的问题，本申请提供了一种多模态精细乳腺模型设计方法，在该方法中，构建乳腺外形，得到目标***形状；基于目标***形状，根据预设的***特征参数进行乳腺区域划分得到皮肤区、脂肪区和纤维腺体区；分别对皮肤区进行第一精细化结构生长、对脂肪区进行第二精细化结构生长、对纤维腺体区第三精细化结构生长得到精细乳腺数学模型；对精细乳腺数学模型进行体素化处理得到精细乳腺体素模型，并基于预设的腺体百分含量调整策略调整精细乳腺体素模型，得到多模态精细乳腺模型。由此，解决了相关技术中，乳腺计量学模型不够精细，无法获取接近临床的图像，乳腺影像学模型未考虑腺体分布，且二者的研究存在相对割裂等问题，在保证乳腺模型成像纹理真实性的同时，确保剂量的临床准确性。
在介绍本申请实施例之前，先对上述背景技术中的涉及到的相关技术做详细的阐述。
数字乳腺X射线摄影(Digital Mammography，简称DM)是目前用于乳腺癌筛查的主要医疗设备，具有速度快、价格便宜、辐射剂量低等优点。随着技术的快速发展，数字乳腺体层合成摄影(Digital Breast tomosynthesis，简称DBT)在过去20年中被提出和发展。DBT旨在通过使用在有限角度获得的多个投影来获取***的三维(three-dimensional，简称3D)信息。它可以减少***中纤维腺体的重叠带来的诊断干扰，并提高病变的可见性。研究表明，DBT对恶性肿瘤的诊断优于DM。因此，在某些案例中，会将DM和DBT结合起来诊断病理。
近年来，DM和DBT设备发展迅速。它们的复杂性和多样性对临床应用评估和设计优化提出了重要挑战。临床试验的实施似乎有些不切实际，并且受到各种因素的限制，例如伦理、成本、时间要求或缺乏基本事实。
为了解决这些问题，虚拟临床试验(Virtual clinical trials，简称VCTs)提供了一种替代方法，通过模拟患者、成像***和解释器来有效评估医学成像技术。并且VCTs可以在计算机上快速、经济、高效地进行，并且将临床应用中对患者的风险降到最低。研究人员已将VCTs用于多种应用，包括：DBT重建方法的验证和优化；DM投影和DBT重建的真实性评估；腺体剂量评估。目前已经开发了程序化流程用于生成大量的模型集合，这些模型具有精细细节和不同的大小、形状和腺体密度。如UPENN模型、FDA***模型、帕特雷大学***模型和DeBRa***模型。一些研究试图通过目前的***模型产生与临床图像相媲美的图像，但它们可能还无法通过所谓的“愚弄放射科医生”可视化测试。VCTs研究人员仍在努力提高***纹理的真实感。
另外，医疗照射是公众所受最大的人工电离辐射照射来源。随着X射线扫描使用的广泛普及，公众所受的医疗照射不断增加，从而导致辐射风险的增加，因此乳腺剂量学在近20年来越来越引起关注。***组织主要由纤维腺体组织和脂肪组织组成，其中纤维腺体组织在乳腺X射线摄影图像上表现为致密，脂肪组织表现为几乎透明。
相关技术中，对临床***平均腺体剂量估计的主要依据是Dance等基于均质***模型得到的剂量转换系数。X射线能谱、***压迫厚度和***腺体百分含量是认为影响平均腺体剂量的主要因素。近些年来，随着对乳腺解剖结构的进一步深入，研究者们发现腺体分布也是影响平均腺体剂量的一个重要因素。Hernandez等研究发现，相比于考虑腺体分布的异质乳腺模型，均质模型要高估平均腺体剂量30％，最高可达120％。
另一方面，关于辐射防护的最优化，其目标是通过权衡医学诊断的风险和效益，获取最优化曝光参数。在辐射风险上，主要采用平均腺体剂量衡量，在诊断效果上，受图像质量和病变类型影响。相关技术中，最优化参数获取方法主要是基于简单模体实验，但是未考虑乳腺内存在的固有结构噪声纹理。
从上述介绍可以看出，乳腺剂量学只有标准模型，不存在精细结构，无法获取接近于临床的图像。乳腺影像学模型侧重于纹理真实性，未考虑腺体分布等，剂量计算准确性欠佳。
综上，为了解决相关技术中的问题，本申请针对乳腺剂量学和乳腺影像学相对割裂的研究现状，建立一种多模态精细乳腺模型生成方法，在得到接近临床图像纹理的同时，保证剂量计算临床准确性。下面将结合具体实施例详细阐述本申请的多模态精细乳腺模型设计方法。
具体而言，图1为本申请实施例所提供的一种多模态精细乳腺模型设计方法方法的流程示意图。
如图1所示，该多模态精细乳腺模型设计方法方法包括以下步骤：
在步骤S101中，构建乳腺外形，得到目标***形状。
具体地，本申请首先构建乳腺基础外形，进而对该基本形状进行变形处理，由此得到目标***形状。
可选地，在一些实施例中，构建乳腺外形，得到目标***形状，包括：基于多个预设的超二次曲面对乳腺外形进行形状拟合，得到初始***形状；基于预设的变形策略，分别对初始***形状进行上侧塑形变形、内侧展平变形、肩部连接变形、乳腺下垂处理和前侧偏转变形，得到目标***形状。
需要说明的是，在构建乳腺基础外形阶段，本申请采用超二次曲面对乳腺外形进行形状拟合，该超二次曲面相对于二次曲面增加了两个参数∈1，∈2，使得表面曲率变化更为灵活，椭球面的超二次曲面表达式为：
其中，∈1，∈2是椭球面方程中的两个指数参数，其参数方程为：
其中，-π/2≤φ≤π/2，-π≤θ≤π。
本申请的乳腺外形采用四个超二次曲面组成，其数学描述为：
其中，rt，rb，rl，rr分别代表基础***形状上下左右(top，bottom，left，right)四个椭球面半径，rh代表***距离胸肌平面的高度(height)，即***的长度。
进一步地，在构建好最基本的***形状后，其形状与真实的***之间还存在着很大差异，即如果要建立符合真实人体的***模型还需要对该基本形状进行变形处理。考虑到实际***特征不同方面，本申请实施例的变形过程一共分为上侧塑形变形、内侧展平变形、肩部连接变形、乳腺下垂处理以及前侧偏转变形这5个步骤，下面将依次对其进行介绍。
关于上侧塑形变形，考虑到***的上部的形状并非是一个凸曲面，因此需要对***的上部进行一定的处理使其出现一定程度的下凹，来贴近真实的人体结构。在上部处理上，本申请主要采用的方法是利用一个多项式对***上半部的z坐标进行一定程度的缩放，进而达到塑性的目的，即：
x′＝x，y′＝y，z′＝z×f(y)，z≥0； (4)
该多项式中包含四个操作员自定义的变量(S0，T0，S1，T1)，同时为了方便操作员在在进行操作时能够进行直观的处理，因此要求S0等于当y＝0时的斜率，即S0＝f′(y)|y＝0，同时要求T0等于当y＝0时的曲率，即T0＝f″(y)|y＝0，相对应的有S1＝f′(y)|y＝ymax和T1＝f″(y)|y＝ymax进一步的为了使变形不影响***的端点，因此要求f(0)＝1以及f(ymax)＝1。根据以上条件，得到：
f(y′)＝Ay′5+By′4+Cy′3+Dy′2+Ey′+F； (5)
其中：
y′＝y/ymax
A＝-0.5T0-3S0-3S1+0.5T1
B＝1.5T0+8S0+7S1-0.5T1
C＝-0.5T0-6S0-4S1+0.5T1
D＝0.5T0
E＝S0
F＝1
关于内侧展平变形，根据解剖学知识可知***内侧在靠近胸骨时有变平的趋势，因此本申请在创建模型时需要对***的内侧进行一定程度的多项式缩放，即如果是左胸就对右侧进行缩放，如果是右胸就对左侧进行缩放。具体的坐标变换如下：
x′＝f(y)x，y′＝y，z′＝z； (6)
为了保证模型在根部能与原模型保持一致，因此要求f(0)＝1，f′(0)＝1。同时为了方便操作者直观地进行调节因此要求f(1)＝g0，f′(1)＝g1。因此得到下面表达式：
f(y′)＝Ay′3+By′2+Cy′+D； (7)
其中：
A＝g1+2-2g0
B＝-g1-3+3g0
C＝0
D＝1
关于肩部连接变形，由于胸部与肩部并非是简单连接到一起的，而是存在一个先对平滑的过度，使得胸部上方指向肩部，并且在该连接位置也存在一定腺体组织，因此需要对***的肩部连接处进行适当的变形。考虑到实际的模型，本申请需要对模型上部向肩部方向进行一定的平移处理。相应的坐标变换是：
x′＝x-f(z)，y′＝y，z′＝z z≥0； (8)
本申请考虑到***上部与下部连接处的过度问题，因此要求f(0)＝0。具体的表达式如下：
f(z′)＝h0z′+h1z′2； (9)
关于乳腺下垂变形，由于自然状态下受到重力影响，胸部会形成自然的下垂，并且胸部的下垂会随着年龄的增长而不断加剧。因此本申请需要对建立的***模型进行一定的下垂处理，使其更加符合真实的自然状态下的***模型。此处用到的处理方程如下：
x′＝x，y′＝y，z′＝z-b0y-b1y2； (10)
关于前侧偏转变形，由于实际的***并非是指向正前方的，而是会伴随着胸部轮廓向指向人体的外侧，***指向位置的不同会导致在进行外照射时的入射方向发生变化，进而引起各组织的外照射剂量的不同。因此有必要对建立的***模型进行横向的平移以达到偏转的效果，其表达式如下：
x′＝x-f(y)，y′＝y，z′＝z； (11)
其中：
f(y)＝c0y+c1y2
该式能保证在***根部，即y＝0时的平移为0，进而保证了***根部的范围不会发生变化。
经过以上5个偏转步骤后，乳腺外形就基本建立完成了。本申请的建模方式能够通过浅显易懂的参数来的调节***外形，能够更方便的生成特定患者的个性化***模型从而进行针对个人的更加精细准确的剂量研究。
在步骤S102中，基于目标***形状，根据预设的***特征参数进行乳腺区域划分得到皮肤区、脂肪区和纤维腺体区。
其中，预设的***特征参数为皮下脂肪厚度、皮肤厚度等具有中国女性***的特征参数。
可选地，在一些实施例中，皮肤区和脂肪区之间采用超二次曲面轮廓进行划分；脂肪区和纤维腺体区之间采用预设抽样策略得到的脂肪球进行划分。
具体地，本申请在皮肤区和脂肪区边界采用超二次曲面轮廓进行划分，在脂肪区边界和纤维腺体区采用随机抽样的大量脂肪球作为边界，由此，使纤维腺体区表面产生凹凸不平的纹理结构。
在步骤S103中，分别对皮肤区进行第一精细化结构生长、对脂肪区进行第二精细化结构生长、对纤维腺体区第三精细化结构生长得到精细乳腺数学模型。
可以理解的是，皮肤区包括皮肤、***和乳晕，在***内部生长输乳窦，脂肪区包括皮下脂肪区和后侧脂肪区，本申请在该区域进行Cooper韧带生长。另外，纤维腺体区包括输乳管***、末端小叶、腺体和脂肪，本申请不针对其生成过程做具体阐述，以下列举实施例具体介绍本申请基于该模型用于防护最优化目标的改进方法。
可选地，在一些实施例中，分别对皮肤区进行第一精细化结构生长、对脂肪区进行第二精细化结构生长、对纤维腺体区第三精细化结构生长得到精细乳腺数学模型，包括：对皮肤区生长皮肤、生长***和生长乳晕，且在***内部生长输乳窦，并对脂肪区的皮下脂肪区和后侧脂肪区进行Cooper韧带生长，并基于预设的目标腺体分布要求和目标抽样函数对纤维腺体区进行脂肪球中心体素的抽样，且以预设的拒绝概率进行拒绝，得到初始乳腺模型；基于预设的Perlin分型噪声，对初始乳腺模型进行处理，得到精细乳腺数学模型。
具体而言，本申请考虑腺体分布的脂肪球抽样方法，VBD(Volumetric breastdensity，乳腺体积密度)是描述乳腺内腺体含量的物理量，公式为
其中，Vg和Va分别代表乳腺模型中腺体(glandualr)和脂肪(adipose)的体素数量。乳腺CT获取的乳腺数据的矢状切面可以近似为一个圆形。RGF(Radial glandularfraction，径向腺体分布)定义为该圆中心沿着径向在r到r+dr的范围内腺体所占的面积比，即
其中，Ag和Aa分别代表乳腺模型一个矢状切面中径向在r到r+dr内腺体和脂肪的体素数量。相关技术中，关于对DBCT(dedicated breast CT，基于专用***计算机断层摄影)数据的分析，RGF(r)沿径向可以采用Gauss函数进行拟合。假设乳腺的每个截面只包含两种组织：脂肪和腺体，且VBD均相等，乳腺的每个切面的RGF为：
其中A，σ为拟合参数，切面的最大半径为R0。
同理，RAF(Radial adipose fraction，径向脂肪部分布为
令可得恒等式
可以理解的是，如果生成只包含脂肪和腺体两种体素的异质乳腺模型，直接按照固定参数的A，σ会导致最终获得RGF和目标有所差异，这种差异是因为在抽样过程中，体素存在大小，中心附近的体素会被反复抽到导致部分抽样结果被拒绝，尤其在VBD较大时，实际分布的中心区域会随着抽样数据的增加而趋于平缓。
此外，纤维腺体区是一个非常不规则的形状，在其内部抽样得到符合最终脂肪分布脂肪球中心点是一件计算复杂度较高的事情。为了在提升抽样效率的同时满足目标腺体分布要求，本申请采用挑选抽样方法对脂肪球中心进行。
具体地，本申请为了实现从已知分布密度函数f(x)抽样，选取与f(x)的取值范围相同的分布密度函数h(x)，如果：
则挑选抽样方法为：
即从h(X)中抽样Xh，以f(xh)/(M·h(xh))的概率接受它，其优势在于，当f(x)抽样分布较复杂时，可以找一个较为简单的抽样分布h(x)，然后每次抽样需要额外计算一次f(xh)/(M·h(xh))。
将RANhomo(腺体分布为均匀分布的RAN(归一化后的径向脂肪分布))作为h(x)，RANgauss(腺体分布为Gauss分布的RAN)为目标抽样函数，为f(x)，则
其中，M是当0≤r≤R0时，的上确界，r为乳腺切面的任一点距切面中心的距离，R0为乳腺切面最大半径，f(r)是腺体分布为Gauss分布的RAN，即目标抽样函数，RAN表示归一化后的径向脂肪分布，h(r)是腺体分布为均匀分布的RAN，A和σ为拟合参数，VBD为描述乳腺内腺体含量的物理量，k为/>与σ2的比值。
拒绝概率为：
其中，rh是从腺体均匀分布h(r)中抽样得到的随机变量，M为当0≤r≤R0时，的上确界，f(rh)为随机变量rh在腺体Gauss分布f(r)下的RAN，h(rh)为随机变量rh在均匀分布h(r)下的RAN，A和σ为拟合参数，R0为乳腺切面最大半径。
由此，本申请在乳腺模型内部进行脂肪球中心体素的抽样，以该拒绝概率进行拒绝，可获得接近目标腺体分布的精细乳腺模型。
进一步地，本申请需要利用Perlin噪声纹理结构以提升纹理真实性。精细结构多为球状或椭球状结构，球状结构基础表面的计算公式为：
其中，R为球状结构半径，θ，φ分别为球上任一点的仰角和方位角，rbase(θ，φ)为基础球状结构表面任意一点到球心的距离。在精细化过程中，为使***内部结构更加真实，本申请拟通过在精细化球状结构表面加入不同频率的Perlin分型噪声，具体如下：
r≤rbase(θ，φ)[1+αPf，l，p，o(θ，φ)]； (21)
其中，r为加Perlin噪声后的球状结构表面任意一点到球心的距离，rbase(θ，φ)为基础球状结构表面任意一点到球心的距离，θ为球上任一点的仰角，φ为球上任一点的方位角，α为Perlin噪声的幅度权重因子，f为Perlin噪声的主频权重因子，l为Perlin噪声的二倍频权重因子，p为Perlin噪声的四倍频权重因子，o为Perlin噪声的八倍频权重因子。
在步骤S104中，对精细乳腺数学模型进行体素化处理得到精细乳腺体素模型，并基于预设的腺体百分含量调整策略调整精细乳腺体素模型，得到多模态精细乳腺模型。
需要说明的是，数学模型体素化需要考虑体素化算法优化，体素化精度和效率的平衡等问题，尤其在导管生长、脂肪球抽样等过程中，需要进行大量矩阵交并运行。
基于上述实施例，本申请建立了常态精细乳腺数学模型。从而，本申请采用精细结构定位算法确定体素化范围，并在该范围内计算每个体素中心点对应的坐标。
进一步地，本申请根据乳腺数学建模方程判断每个坐标是否属于该组织内部，并将其标记为相应组织编号，最后按照外层到内层的顺序进行体素化操作，并用内层组织结构编号替换外层组织结构编号。
由此，本申请基于乳腺医学解剖结构，通过自定义外形参数和解剖参数，建立了考虑腺体分布的多模态精细乳腺体素模型。基于上述实施例可以了解到的是，本申请的多模态精细乳腺模型设计方法弥补了相关技术中，国外虚拟临床试验***(VCTs)中未考虑腺体分布这一技术空白，保证真实解剖纹理上的基础上，实现了模型剂量计算的临床准确性。另外，本申请结合该精细乳腺模型在剂量学和成像上的双重突出表现，可用于辐射防护最优化技术的研究。
为了使本领域技术人员进一步了解本申请的多模态精细乳腺模型设计方法，以下列举实施例示意性说明该方法的实现步骤。
具体而言，图2为本申请实施例的精细乳腺模型构建过程的示意图，如图2所示，该多模态精细乳腺模型的设计包括：构建乳腺外形、乳腺区域划分、精细化结构生长和模型体素化四个阶段。
其中，在构建乳腺外形阶段，本申请基于女性乳腺外形典型参数，构建基础外形，并通过5次变形，包括上侧塑性、内侧展平、肩部连接、乳腺下垂、前侧偏转，得到初始的乳腺外形。
在乳腺区域划分阶段，本申请基于生成的初始乳腺外形，根据区域参数将模型划分为皮肤区、纤维腺体区和脂肪区。
在精细化结构生长阶段，本申请对已划分的乳腺区域，进行进一步的精细化结构生长，生成导管***、cooper韧带、脂肪球等，建立精细乳腺数学模型；对其中的球状结构表面增加Perlin噪声用于提升内部解剖结构的纹理真实性。
在体素化阶段，本申请基于精细乳腺数学模型，通过精细结构定位算法，实现体素化，建立了精细乳腺体素模型。
由此，本申请通过构建乳腺外形、乳腺区域划分、精细化结构生长和模型体素化这四个阶段，构建了一种用于辐射防护最优化的多模态精细乳腺模型，该模型在保证乳腺模型成像纹理真实性的同时，确保剂量的临床准确性。
根据本申请实施例提出的多模态精细乳腺模型设计方法，通过构建乳腺外形，得到目标***形状，根据预设的***特征参数进行乳腺区域划分得到皮肤区、脂肪区和纤维腺体区，分别对皮肤区、脂肪区和纤维腺体区进行精细化结构生长，得到精细乳腺数学模型，对该模型进行体素化处理得到精细乳腺体素模型，并基于预设的腺体百分含量调整策略调整精细乳腺体素模型，得到多模态精细乳腺模型。由此，解决了相关技术中，乳腺计量学模型不够精细，无法获取接近临床的图像，乳腺影像学模型未考虑腺体分布，且二者的研究存在相对割裂等问题，在保证乳腺模型成像纹理真实性的同时，确保剂量的临床准确性。
其次参照附图描述根据本申请实施例提出的多模态精细乳腺模型设计装置。
图3是本申请实施例的多模态精细乳腺模型设计装置的方框示意图。
如图3所示，该多模态精细乳腺模型设计装置10包括：构建模块100、划分模块200、精细化模块300和体素化模块400。
其中，构建模块100，用于构建乳腺外形，得到目标***形状；划分模块200，用于基于目标***形状，根据预设的***特征参数进行乳腺区域划分得到皮肤区、脂肪区和纤维腺体区；精细化模块300，用于分别对皮肤区进行第一精细化结构生长、对脂肪区进行第二精细化结构生长、对纤维腺体区第三精细化结构生长得到精细乳腺数学模型；体素化模块400，用于对精细乳腺数学模型进行体素化处理得到精细乳腺体素模型，并基于预设的腺体百分含量调整策略调整精细乳腺体素模型，得到多模态精细乳腺模型。
可选地，在一些实施例中，构建模块100，包括：拟合单元和变形单元。
其中，拟合单元，用于基于多个预设的超二次曲面对乳腺外形进行形状拟合，得到初始***形状；变形单元，用于基于预设的变形策略，分别对初始***形状进行上侧塑形变形、内侧展平变形、肩部连接变形、乳腺下垂处理和前侧偏转变形，得到目标***形状。
可选地，在一些实施例中，划分模块200，包括：皮肤区和脂肪区之间采用超二次曲面轮廓进行划分；脂肪区和纤维腺体区之间采用预设抽样策略得到的脂肪球进行划分。
可选地，在一些实施例中，精细化模块300，包括：建模单元和处理单元。
其中，建模单元，用于对皮肤区生长皮肤、生长***和生长乳晕，且在***内部生长输乳窦，并对脂肪区的皮下脂肪区和后侧脂肪区进行Cooper韧带生长，并基于预设的目标腺体分布要求和目标抽样函数对纤维腺体区进行脂肪球中心体素的抽样，且以预设的拒绝概率进行拒绝，得到初始乳腺模型；处理单元，用于基于预设的Perlin分型噪声，对初始乳腺模型进行处理，得到精细乳腺数学模型。
可选地，在一些实施例中，目标抽样函数与均匀分布抽样函数比值在定义域内的上确界为：
其中，M为是当0≤r≤R0时，的上确界，r为乳腺切面的任一点距切面中心的距离，R0为乳腺切面最大半径，f(r)是腺体分布为Gauss分布的RAN，即目标抽样函数，RAN表示归一化后的径向脂肪分布，h(r)是腺体分布为均匀分布的RAN，A和σ为拟合参数，VBD为描述乳腺内腺体含量的物理量，k为/>与σ2的比值。
可选地，在一些实施例中，预设的拒绝概率为：
其中，rh是从腺体均匀分布h(r)中抽样得到的随机变量，M为当0≤r≤R0时，的上确界，f(rh)为随机变量rh在腺体Gauss分布f(r)下的RAN，h(rh)为随机变量rh在均匀分布h(r)下的RAN，A和σ为拟合参数，R0为乳腺切面最大半径。
可选地，在一些实施例中，预设的Perlin分型噪声为：
r≤rbase(θ，φ)[1+αPf，l，p，o(θ，φ)]；
其中，r为加Perlin噪声后的球状结构表面任意一点到球心的距离，rbase(θ，φ)为基础球状结构表面任意一点到球心的距离，θ为球上任一点的仰角，φ为球上任一点的方位角，α为Perlin噪声的幅度权重因子，f为Perlin噪声的主频权重因子，l为Perlin噪声的二倍频权重因子，p为Perlin噪声的四倍频权重因子，o为Perlin噪声的八倍频权重因子。
需要说明的是，前述对多模态精细乳腺模型设计方法实施例的解释说明也适用于该实施例的多模态精细乳腺模型设计装置，此处不再赘述。
根据本申请实施例提出的多模态精细乳腺模型设计装置，通过构建乳腺外形，得到目标***形状，根据预设的***特征参数进行乳腺区域划分得到皮肤区、脂肪区和纤维腺体区，分别对皮肤区、脂肪区和纤维腺体区进行精细化结构生长，得到精细乳腺数学模型，对该模型进行体素化处理得到精细乳腺体素模型，并基于预设的腺体百分含量调整策略调整精细乳腺体素模型，得到多模态精细乳腺模型。由此，解决了相关技术中，乳腺计量学模型不够精细，无法获取接近临床的图像，乳腺影像学模型未考虑腺体分布，且二者的研究存在相对割裂等问题，在保证乳腺模型成像纹理真实性的同时，确保剂量的临床准确性。
图4为本申请实施例提供的电子设备的结构示意图。该电子设备可以包括：
存储器401、处理器402及存储在存储器401上并可在处理器402上运行的计算机程序。
处理器402执行程序时实现上述实施例中提供的多模态精细乳腺模型设计方法。
进一步地，电子设备还包括：
通信接口403，用于存储器401和处理器402之间的通信。
存储器401，用于存放可在处理器402上运行的计算机程序。
存储器401可能包含高速RAM(Random Access Memory，随机存取存储器)存储器，也可能还包括非易失性存储器，例如至少一个磁盘存储器。
如果存储器401、处理器402和通信接口403独立实现，则通信接口403、存储器401和处理器402可以通过总线相互连接并完成相互间的通信。总线可以是ISA(IndustryStandard Architecture，工业标准体系结构)总线、PCI(Peripheral Component，外部设备互连)总线或EISA(Extended Industry Standard Architecture，扩展工业标准体系结构)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
可选的，在具体实现上，如果存储器401、处理器402及通信接口403，集成在一块芯片上实现，则存储器401、处理器402及通信接口403可以通过内部接口完成相互间的通信。
处理器402可能是一个CPU(Central Processing Unit，中央处理器)，或者是ASIC(Application Specific Integrated Circuit，特定集成电路)，或者是被配置成实施本申请实施例的一个或多个集成电路。
本申请实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上的多模态精细乳腺模型设计方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不是必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或N个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“N个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，N个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列，现场可编程门阵列等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种多模态精细乳腺模型设计方法，其特征在于，包括以下步骤：
构建乳腺外形，得到目标***形状；
基于所述目标***形状，根据预设的***特征参数进行乳腺区域划分得到皮肤区、脂肪区和纤维腺体区；
分别对所述皮肤区进行第一精细化结构生长、对所述脂肪区进行第二精细化结构生长、对所述纤维腺体区第三精细化结构生长得到精细乳腺数学模型；以及
对所述精细乳腺数学模型进行体素化处理得到精细乳腺体素模型，并基于预设的腺体百分含量调整策略调整所述精细乳腺体素模型，得到多模态精细乳腺模型。
2.根据权利要求1所述的方法，其特征在于，所述构建乳腺外形，得到目标***形状，包括：
基于多个预设的超二次曲面对乳腺外形进行形状拟合，得到初始***形状；
基于预设的变形策略，分别对所述初始***形状进行上侧塑形变形、内侧展平变形、肩部连接变形、乳腺下垂处理和前侧偏转变形，得到目标***形状。
3.根据权利要求1所述的方法，其特征在于，
所述皮肤区和脂肪区之间采用超二次曲面轮廓进行划分；
所述脂肪区和所述纤维腺体区之间采用预设抽样策略得到的脂肪球进行划分。
4.根据权利要求1或3所述的方法，其特征在于，所述分别对所述皮肤区进行第一精细化结构生长、对所述脂肪区进行第二精细化结构生长、对所述纤维腺体区第三精细化结构生长得到精细乳腺数学模型，包括：
对所述皮肤区生长皮肤、生长***和生长乳晕，且在所述***内部生长输乳窦，并对所述脂肪区的皮下脂肪区和后侧脂肪区进行Cooper韧带生长，并基于预设的目标腺体分布要求和目标抽样函数对所述纤维腺体区进行脂肪球中心体素的抽样，且以预设的拒绝概率进行拒绝，得到初始乳腺模型；
基于预设的Perlin分型噪声，对所述初始乳腺模型进行处理，得到所述精细乳腺数学模型。
5.根据权利要求4所述的方法，其特征在于，所述目标抽样函数与均匀分布抽样函数比值在定义域内的上确界为：
其中，M是当0≤r≤R0时，的上确界，r为乳腺切面任一点距切面中心的距离，R0为乳腺切面最大半径，f(r)是腺体分布为Gauss分布的RAN，即目标抽样函数，RAN表示归一化后的径向脂肪分布，h(r)是腺体分布为均匀分布的RAN，A和σ为拟合参数，VBD为描述乳腺内腺体含量的物理量，k为/>与σ2的比值。
6.根据权利要求5所述的方法，其特征在于，所述预设的拒绝概率为：
其中，rh是从腺体均匀分布h(r)中抽样得到的随机变量，M为当0≤r≤R0时，的上确界，f(rh)为随机变量rh在腺体Gauss分布f(r)下的RAN，h(rh)为随机变量rh在均匀分布h(r)下的RAN，A和σ为拟合参数，R0为乳腺切面最大半径。
7.根据权利要求6所述的方法，其特征在于，所述预设的Perlin分型噪声为：
r≤rbase(θ,φ)[1+αPf,l,p,o(θ,φ)]；
其中，r为加Perlin噪声后的球状结构表面任意一点到球心的距离，rbase(θ,φ)为基础球状结构表面任意一点到球心的距离，θ为球上任一点的仰角，φ为球上任一点的方位角，α为Perlin噪声的幅度权重因子，f为Perlin噪声的主频权重因子，l为Perlin噪声的二倍频权重因子，p为Perlin噪声的四倍频权重因子，o为Perlin噪声的八倍频权重因子。
8.一种多模态精细乳腺模型设计装置，其特征在于，包括：
构建模块，用于构建乳腺外形，得到目标***形状；
划分模块，用于基于所述目标***形状，根据预设的***特征参数进行乳腺区域划分得到皮肤区、脂肪区和纤维腺体区；
精细化模块，用于分别对所述皮肤区进行第一精细化结构生长、对所述脂肪区进行第二精细化结构生长、对所述纤维腺体区第三精细化结构生长得到精细乳腺数学模型；以及
体素化模块，用于对所述精细乳腺数学模型进行体素化处理得到精细乳腺体素模型，并基于预设的腺体百分含量调整策略调整所述精细乳腺体素模型，得到多模态精细乳腺模型。
9.一种电子设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如权利要求1-7任一项所述的多模态精细乳腺模型设计方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行，以用于实现如权利要求1-7任一项所述的多模态精细乳腺模型设计方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310913595.9A CN117132729A (zh) | 2023-07-24 | 2023-07-24 | 多模态精细乳腺模型设计方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310913595.9A CN117132729A (zh) | 2023-07-24 | 2023-07-24 | 多模态精细乳腺模型设计方法、装置、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117132729A true CN117132729A (zh) | 2023-11-28 |
Family
ID=88851769
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310913595.9A Pending CN117132729A (zh) | 2023-07-24 | 2023-07-24 | 多模态精细乳腺模型设计方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117132729A (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100014738A1 (en) * | 2008-07-21 | 2010-01-21 | Tomtec Imaging Systems Gmbh | Method and system for breast cancer screening |
| WO2011137443A1 (en) * | 2010-04-30 | 2011-11-03 | The Trustees Of The University Of Pennsylvania | Methods for developing breast phantoms |
| JP2017116326A (ja) * | 2015-12-22 | 2017-06-29 | 株式会社島津製作所 | ***検査用画像撮影装置 |
| CN108550150A (zh) * | 2018-04-17 | 2018-09-18 | 上海联影医疗科技有限公司 | 乳腺密度的获取方法、设备及可读存储介质 |
| CN110458813A (zh) * | 2019-03-08 | 2019-11-15 | 腾讯科技（深圳）有限公司 | 图像区域定位方法、装置和医学图像处理设备 |
| US20190388045A1 (en) * | 2018-06-20 | 2019-12-26 | Shimadzu Corporation | Image capturing apparatus for breast examination |
| MA47566A1 (fr) * | 2019-12-03 | 2021-06-30 | Univ Hassan Ii | Utilisation de l'il-17 comme marqueur pronostique dans le cancer du sein |
| CN114446480A (zh) * | 2020-11-05 | 2022-05-06 | 中国科学院深圳先进技术研究院 | 一种乳腺体模生成方法、装置、设备和介质 |
| CN115620870A (zh) * | 2022-09-20 | 2023-01-17 | 清华大学 | 一种基于剂量预测和参数优化的自动计划方法及*** |
| CN116433695A (zh) * | 2023-06-13 | 2023-07-14 | 天津市第五中心医院 | 一种乳腺钼靶图像的乳腺区域提取方法及*** |
-
2023
- 2023-07-24 CN CN202310913595.9A patent/CN117132729A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100014738A1 (en) * | 2008-07-21 | 2010-01-21 | Tomtec Imaging Systems Gmbh | Method and system for breast cancer screening |
| WO2011137443A1 (en) * | 2010-04-30 | 2011-11-03 | The Trustees Of The University Of Pennsylvania | Methods for developing breast phantoms |
| JP2017116326A (ja) * | 2015-12-22 | 2017-06-29 | 株式会社島津製作所 | ***検査用画像撮影装置 |
| CN108550150A (zh) * | 2018-04-17 | 2018-09-18 | 上海联影医疗科技有限公司 | 乳腺密度的获取方法、设备及可读存储介质 |
| US20190388045A1 (en) * | 2018-06-20 | 2019-12-26 | Shimadzu Corporation | Image capturing apparatus for breast examination |
| CN110458813A (zh) * | 2019-03-08 | 2019-11-15 | 腾讯科技（深圳）有限公司 | 图像区域定位方法、装置和医学图像处理设备 |
| MA47566A1 (fr) * | 2019-12-03 | 2021-06-30 | Univ Hassan Ii | Utilisation de l'il-17 comme marqueur pronostique dans le cancer du sein |
| CN114446480A (zh) * | 2020-11-05 | 2022-05-06 | 中国科学院深圳先进技术研究院 | 一种乳腺体模生成方法、装置、设备和介质 |
| CN115620870A (zh) * | 2022-09-20 | 2023-01-17 | 清华大学 | 一种基于剂量预测和参数优化的自动计划方法及*** |
| CN116433695A (zh) * | 2023-06-13 | 2023-07-14 | 天津市第五中心医院 | 一种乳腺钼靶图像的乳腺区域提取方法及*** |
Non-Patent Citations (3)
| Title |
|---|
| 任丽;邱睿;李君利;: "中国成年女性精细***模型的建立及其在外照射防护中的应用", 辐射防护, no. 02, 20 March 2016 (2016-03-20), pages 65 - 71 * |
| 夏冰清;柴维敏;: "磁共振扩散加权成像在乳腺疾病诊治中的应用进展", 诊断学理论与实践, no. 05, 25 October 2016 (2016-10-25), pages 528 - 531 * |
| 王文静;邱;睿;任丽;李君利;李春艳;武祯;: "精细***模型及其在乳腺X射线摄影剂量评估中的应用", 原子能科学技术, no. 11, 20 November 2016 (2016-11-20), pages 2085 - 2091 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Rhee et al. | Automatic contouring system for cervical cancer using convolutional neural networks | |
| Bakic et al. | Development and characterization of an anthropomorphic breast software phantom based upon region‐growing algorithm | |
| CN107072624B (zh) | 用于自动治疗计划的***和方法 | |
| Schreier et al. | Clinical evaluation of a full-image deep segmentation algorithm for the male pelvis on cone-beam CT and CT | |
| CN107545584A (zh) | 医学图像中定位感兴趣区域的方法、装置及其*** | |
| US8238637B2 (en) | Computer-aided diagnosis of malignancies of suspect regions and false positives in images | |
| US9089307B2 (en) | Three-dimensional analysis of lesions represented by image data | |
| CN108268897A (zh) | 一种乳腺肿瘤多模态超声多层次计算机辅助诊断方法 | |
| Jarosik et al. | Breast lesion classification based on ultrasonic radio-frequency signals using convolutional neural networks | |
| CN108885781A (zh) | 用于根据低剂量或低kV计算机断层扫描图像合成虚拟高剂量或高kV计算机断层扫描图像的方法和*** | |
| CN104794749A (zh) | 基于临床mri影像建立三维***电磁仿真模型的方法 | |
| Chang et al. | Development of realistic multi-contrast textured XCAT (MT-XCAT) phantoms using a dual-discriminator conditional-generative adversarial network (D-CGAN) | |
| KR20190125592A (ko) | 의료 영상을 이용하여 혈관의 3차원 형상을 생성하기 위한 세그멘테이션 방법 | |
| Oliveira et al. | Development of clinically informed 3-D tumor models for microwave imaging applications | |
| Van Camp et al. | The creation of breast lesion models for mammographic virtual clinical trials: a topical review | |
| WO2023125683A1 (en) | Systems and methods for image reconstruction | |
| CN117132729A (zh) | 多模态精细乳腺模型设计方法、装置、设备及介质 | |
| US9192340B2 (en) | Imaging method and apparatus with optimized grayscale value window determination | |
| WO2020253745A1 (en) | Systems and methods for image processing | |
| Danch-Wierzchowska et al. | FEM-based MRI deformation algorithm for breast deformation analysis | |
| Bao et al. | Automatic identification and segmentation of orbital blowout fractures based on artificial intelligence | |
| CN116993907A (zh) | 基于dbt图像的压迫***统计模型建立方法、装置及设备 | |
| Rodriguez Ruiz | Artificial intelligence and tomosynthesis for breast cancer detection | |
| Kim | 3D volume extraction of cerebrovascular structure on brain magnetic resonance angiography data sets | |
| Mira | A biomechanical breast model for the evaluation of the compression and the discomfort perception in mammography. |
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 |