[发明专利]追踪肿瘤的装置

说明书

技术领域

本发明一般地涉及追踪3D对象，并且更具体地，涉及为了粒子束放疗而追踪一系列双平面图像中的移动肿瘤。

背景技术

粒子束放疗将带电粒子传递给肿瘤同时使得对周围的健康组织的伤害最小。粒子的能量沉积分布具有布拉格峰。该峰在粒子停止移动之前出现。能够控制该分布以在粒子的几毫米的范围内传递最大能量。因此，规定的照射被集中在肿瘤上而几乎没有粒子束的侧散射和加宽。

然而，由于随机的全身性的运动，需要在治疗期间实时地连续追踪肿瘤。使用了诸如超声、X射线和磁共振成像(MRI)的若干仪器来追踪身体的内部结构。在这些当中，作为X射线的替代，超声成像提供了非侵入性。在实现费用以及时间效率的同时，具有3D成像能力的高频超声系统还实现了更好的分辨率、最小尺寸的腹部转移的识别和检测，并且有利地与X射线成像进行匹配。

超声成像不仅描绘肿瘤的中心而且描绘了变化很大的高反差肿瘤的整个体和边界。超声成像在传统上用于肿瘤的检测和病期诊断。

对于可见的肿瘤，能够通过图像分割来执行肿瘤追踪，其中，各像素被标记为前景(肿瘤)或者背景(健康组织)。通常，这项工作属于水平级以及图形分割技术。对于图像分割，水平级描述了前部随时间的演变，并且对于图像分割来说，更具体地，描述了两个分离的闭合区域之间的边界。

通过间接地将前部建模为时间相关的高维隐函数的零水平级的嵌入，解决了这些问题，同时无需将其作为特殊情况来处理。因此，在演变前部之后能够追踪该隐函数的零水平级，例如从闭合曲线开始并且允许该曲线从根据图像局部导出的初始速度开始垂直于自身而移动。典型的技术利用离散参数化而将曲线的评估表示为其位置根据给定的模型而更新的点的集合。

基于图形分割的分割技术是高效且准确的，并且确保了针对很多能量函数的广域最优性。在图形理论中，割(cut)是将图形的顶点(节点)划分为两个不相交的子集。假设一组前景像素和一组背景像素，由图形表示图像，并且能够通过最大化通过图形的流而获得二元分割的最大事后概率(MAP)估计。对于对象/背景指派进行评估，图形边能量被设计为数据相关项。各像素被视为图形中的顶点。

图形包括两个额外的顶点，即分别表示整体前景和整体背景的源点和汇点。通过将图像中的各像素连接到具有加权边的对象顶点和背景顶点来实现数据相关项。加权图形的最小割表示将前景与背景最佳地分离的分割。如果沿着该割的权重的和不大于任何其它割的和，则该割是最小的。由于该属性，即使基础外观描绘了细长的对象，图形切割方法也趋于产生紧凑的区域。

形状事前信息能够包括在图形切割框架中而没有使得处理的广域最优性妥协。在事前信息和图像在多个尺度对齐并且成对的开销项被赋予有用于相邻像素的形状匹配开销项之后，能够利用形状的距离变换来编码形状事前信息。该开销项是子模。因此，仍然能够获得广域优化解。然而，能够对于不同的尺度重复修改处理以确定最佳匹配，这消耗了很多时间。

其它技术将形状事前信息并入到一元项中。能够使用核主成分分析(PCA)来从训练形状训练生成模型。能够从初始轮廓开始反复地执行图形切割。在各反复执行期间，基于之前反复执行的分割，从训练的形状模型生成原图像。该原图像用作事前概率分布，并且按像素的负的对数似然值用于对由一元项编码的最终的权重进行修改。图像归一化处理用于处理形状的仿射变换。通过将多相级别集合分割置于图形切割框架下，该方法能够分割不连接的区域。

一种方法用于追踪3D超声图像中的左心室。然而，该方法非常复杂并且依赖于对于训练数据组的监督式学习，这并不是在所有情况下都是可行的。

大多数图形切割方法对于源点和汇点像素的位置和数目是高度敏感的。多标记分割具有醉步问题。利用组合算符对图形重新归纳等效的连续狄利克雷处理。通过求解在一组种子像素(种子)的给定标记上受约束的稀疏一次方程组来获得图像分割。从训练数据获得的高斯混合的形式的颜色事前概率信息能够包括在醉步分割处理中。

然而，将上述方法扩展到在一系列图像中追踪肿瘤并不是简单的并且要求连续图像中的汇点像素和源点像素的精心或手动的选择。

发明内容

为了解决上述方法的缺点，本发明的实施方式将肿瘤追踪归纳为能量最小化框架下的时间演进的3D分割问题，其中，肿瘤的3D模型被作为事前信息。本发明基于一系列双平面图像，而不是如现有技术中那样基于完全的3D超声或计算机断层摄影(CT)图像。