[发明专利]一种基于流形聚类和加权稀疏的呼吸运动补偿方法

权利要求书

1.一种基于流形聚类和加权稀疏的呼吸运动补偿方法，其特征在于，所述方法包括：获取群体数据集的4D-CT图像及个体受试者呼气-吸气两个相位的3D-CT图像；通过图像配准获取群体数据集和个体受试者的变形向量场；基于流形聚类获得与个体受试者运动特征相似的亚群体数据集；采用加权稀疏算法建立个体与亚群体运行特征之间的量化关系，构建个体受试者的4D-CT图像；获取个体受试者的内部变形向量场和外部皮肤表面运动，构建个体化的呼吸运动补偿模型，以实现实时预测肺部图像。

2.根据权利要求1所述的一种基于流形聚类和加权稀疏的呼吸运动补偿方法，其特征在于，所述方法具体包括以下步骤：

步骤1：获取N个受试者所在的群体数据集的4D-CT图像P_i,i＝1...N,其中每个4D-CT图像包含M个呼吸相位的3D-CT图，以及个体受试者T_s呼气相位(EE)和吸气相位(EI)两个相位的3D-CT图像；

步骤2：对所述步骤1中得到的4D-CT图像配准到标准模板空间，获得群体变形向量场数据集i＝1...N和个体受试者呼气-吸气相位对应的内部变形向量场所述标准模板空间为每个受试者的呼气相位(EE)图像；

步骤3：对所述步骤2中得到的群体变形向量场数据集进行流形聚类，得到一个与个体受试者具有相似呼吸运动特征的亚群体变形向量场数据集S_k∈(P_i,i＝1...N)；

步骤4：采用加权稀疏法研究亚群体与个体受试者变形向量场运动特征之间的关联，将步骤3得到的具有相似呼吸运动特征的亚群体运动特征融合到个体受试者中，从而构建个体受试者整个呼吸周期的4D-CT序列图像I₁,I₂,...,I_M；

步骤5：对所述步骤4中获取的个体受试者的4D-CT序列图像进行处理，提取个体受试者整个呼吸周期的内部变形向量场和皮肤表面运动建立二者之间的量化关系，构建个体化的呼吸运动补偿模型，从而实时预测肺部图像。

3.根据权利要求2所述的一种基于流形聚类和加权稀疏的呼吸运动补偿方法，其特征在于，所述步骤3中，对群体变形向量场数据集进行流形聚类，具体包括以下步骤：

(3a)采用个体受试者T_s呼气-吸气相位对应的变形向量场作为呼吸运动特征，同时在群体变形向量场数据集中选取对应相位的运动特征n＝1...N；

(3b)通过稀疏优化，将变形向量场从高维数据转换为低维数据，得到稀疏向量c_n的最优解；在此基础上，从稀疏向量中计算加权向量ω_n，表示个体受试者到群体数据集运动特征的差异值，进一步生成相似矩阵W＝[W₀,W₁,...,W_n]；

(3c)对相似矩阵进行基于k均值的谱聚类，从而得到一个与个体受试者具有相似呼吸运动特征的亚群体数据集S_k∈(P_i,i＝1...k)。

4.根据权利要求3所述的一种基于流形聚类和加权稀疏的呼吸运动补偿方法，其特征在于：所述步骤4具体包括以下步骤：

(4a)将个体受试者的变形向量场描述为亚群体数据集对应的变形向量场与加权稀疏系数ω^*的组合；

(4b)使用获得的最优的加权稀疏系数ω^*，描述对应于个体受试者的其它呼吸相位的中间变形向量场所述其它呼吸相位为除去呼气和吸气相位的相位；

(4c)根据个体受试者呼气相位和M-1个中间变形向量场计算个体受试者的4D-CT序列图像I₁,I₂,...,I_M。

5.根据权利要求4所述的一种基于流形聚类和加权稀疏的呼吸运动补偿方法，其特征在于：所述步骤5中，提取个体受试者T_s整个呼吸周期的肺部变形向量场和皮肤表面运动建立二者之间的量化关系，构建个体化的呼吸运动补偿模型，具体包括以下步骤：

(5a)从个体受试者的4D-CT序列图像中提取整个呼吸周期的肺部变形向量场和皮肤表面运动

(5b)使用深度学习研究个体受试者的皮肤表面运动和变形向量场之间的关联，建立二者之间的量化关系，构建个体化的呼吸运动补偿模型。