[发明专利]基于EPID的图像引导放疗中DR和DRR影像跨模态自动配准方法

说明书

本发明涉及图像引导放疗技术领域，尤其涉及基于EPID的图像引导放疗中DR和DRR影像跨模态自动配准方法，步骤包括：采集图像、构建深度学习模型、骨性边界分割、图像配准、EPID图像引导放疗临床应用；EPID获取正交的DR影像，计划CT重建出DRR影像，将每个患者的DRR影像和DR影像预处理，并作为图像组输入到深度学习模型中，自动分割两幅图像中的骨性边界，再利用传统的互信息方法通过配准边界轮廓来实现两幅图像的跨模态自动配准。本发明通过利用清晰的高质量DRR影像，基于深度学习实现影像信息跨模态的交互，改进了EPID获取的DR影像质量，预测可靠的骨性边界实现高鲁棒性的配准，提高图像引导放疗质量。

技术领域

本发明涉及图像引导放疗技术领域，尤其涉及基于EPID的图像引导放疗中DR和DRR影像跨模态自动配准方法。

背景技术

放射治疗是当今治疗肿瘤的重要方法。在放疗中，精确摆位具有重要意义，能够保证放疗计划的有效实施，在降低周围器官剂量的同时最大化目标剂量，保护瘤周正常组织，提高放疗质量。因此，提高放射治疗中的摆位精度是十分必要的。

图像引导放疗IGRT将放疗时的影像与放疗前的影像进行配准，以减少摆位误差，这是放射治疗成功的必要步骤。兆伏级的EPID在IGRT的日常实践中得到广泛应用，虽然有全新的CBCT技术，但是EPID有效利用了加速器资源，与治疗束同坐标系，并直接从治疗束中获取正交图像，从而减少了机械误差并允许在治疗期间进行实时验证。更重要的是，EPID的操作效率更高，只需要两个角度，而CBCT需要旋转一圈。通常情况下，基于EPID的IGRT将兆伏级EPID采集的正交二维平面数字射线影像DR配准到由计划CT生成的千伏级数字重建射线影像DRR上。在EPID验证中，由于DR中软组织的分辨率较低，因此医师通常使用骨性标记作为配准DR与DRR的参考。这种人工配准方法不仅费时，而且难以保证分次放疗摆位的一致性。

因此需要多模态自动配准方法来指导精准的摆位并且保证一致性，一般将放疗时影像设置为固定图像，放疗前影像设置为移动图像。多模态医学图像的配准通常存在一个共有的问题，那就是不同成像方式产生的图像存在固有的差异，放疗前影像具有清晰的解剖结构，但放疗时影像的质量通常受到放疗要求的限制，如便携性、可访问性和有限的成像时间等。千伏级的DRR影像是高质量的放疗前图像，具有清晰的骨解剖结构，但兆伏级的DR影像通常存在低对比度成像、解剖边界模糊、遮挡和照度变化等问题。造成的原因包括MV射线的康普顿效应，定位设备的遮挡，以及治疗时的时间限制阻止更好成像技术的使用。此外，由于空间和时间的变化，DR和DRR之间固有的像素级强度分布差异，使得它们之间的配准对于临床医生或自动方法来说都非常具有挑战性。

经典的基于图像像素强度的配准方法通过优化一个手工设计的相似性度量指标，例如互信息，来迭代改善图像之间的强度对应关系。然而，DR-DRR图像对固有的强度分布差异已经超出了常用相似度量的捕捉范围，无法获得满意的结果。最近深度卷积神经网络CNN技术因其自动学习能力和大数据泛化能力快速发展，带来了优于手工设计的潜力，可以自动学习复杂的对应。这些方法通过学习相似性度量、预测空间变换关系或提高图像质量来实现配准。虽然这些自动学习度量的方法展示了一定的多模态医学图像配准应用前景，但是它们的配准成功率严重依赖于训练数据集的对齐情况，对齐的越完美效果越好，而这在大数据临床应用时很难实现，只能在科学研究中取得不错的结果。基于CNN的替代方法最近被提出，通过预测高层次的对应特征，例如相同的器官、病理区域和其他解剖结构，超越了脆弱的像素级对应。然而，这些方法仍然存在放疗时图像质量差的问题，即DR图像视觉上依然模糊，并未得到改善。

发明内容

本发明的目的是为了解决现有技术中DR图像质量差和缺乏像素级金标准的缺点，而提出的基于EPID的图像引导放疗中DR和DRR影像跨模态自动配准方法。

为了实现上述目的，本发明采用了如下技术方案：

基于EPID的图像引导放疗中DR和DRR影像跨模态自动配准方法，包括以下步骤：