本發(fā)明涉及信息，尤其涉及一種對肺部ct圖像感興趣區(qū)域的追蹤方法。

背景技術(shù)：

1、在肺部ct圖像追蹤中，患者呼吸運動和體位變化導(dǎo)致不同時間點采集的ct圖像之間存在空間位置和形態(tài)差異，這給精確追蹤感興趣區(qū)域帶來了挑戰(zhàn)。傳統(tǒng)的基于灰度值或紋理特征的配準(zhǔn)方法難以應(yīng)對這種復(fù)雜變形，容易產(chǎn)生錯誤匹配。具體而言，肺部組織在呼吸過程中會發(fā)生非剛性變形，不同肺葉和肺段的運動幅度和方向各不相同。同時，腫瘤等病變區(qū)域的形變模式又與周圍正常組織存在差異。這種復(fù)雜的局部形變給特征提取和匹配帶來了困難。如何在不同尺度上權(quán)衡和融合特征信息，以及如何有效利用先驗知識來約束和引導(dǎo)特征匹配過程，都是需要深入探討的問題。在保證追蹤精度的同時，如何提高算法的魯棒性和適應(yīng)性，使其能夠應(yīng)對各種復(fù)雜的臨床場景，仍然是一個具有挑戰(zhàn)性的研究課題。

技術(shù)實現(xiàn)思路

1、本發(fā)明提供了一種對肺部ct圖像感興趣區(qū)域的追蹤方法，主要包括：

2、獲取患者多個時間點的肺部ct圖像序列，對所述ct圖像序列進(jìn)行預(yù)處理，得到預(yù)處理后的ct圖像序列；

3、針對所述預(yù)處理后的ct圖像序列，采用基于解剖結(jié)構(gòu)的特征提取算法，提取每幅ct圖像中的肺部解剖結(jié)構(gòu)特征，構(gòu)建特征描述符；

4、根據(jù)所述特征描述符，在不同時間點ct圖像之間建立初始配準(zhǔn)關(guān)系，基于解剖結(jié)構(gòu)在不同個體之間的差異性，采用基于群體統(tǒng)計的方法，構(gòu)建解剖結(jié)構(gòu)的先驗?zāi)Ｐ鸵灾笇?dǎo)圖像配準(zhǔn)過程；

5、在圖像配準(zhǔn)后的ct圖像序列中，定位并分割出感興趣區(qū)域，采用區(qū)域生長算法或水平集方法，得到每幅ct圖像中的感興趣區(qū)域輪廓；

6、對所述感興趣區(qū)域輪廓進(jìn)行形狀分析，提取輪廓的幾何特征和拓?fù)涮卣?，建立感興趣區(qū)域的形狀模型；

7、基于所述形狀模型，采用非參數(shù)配準(zhǔn)方法估計不同時間點感興趣區(qū)域之間的局部形變場，計算每個像素點的位移向量，得到形變場映射；

8、根據(jù)所述形變場映射，對不同時間點的感興趣區(qū)域進(jìn)行形變補償，實現(xiàn)感興趣區(qū)域在不同時間點ct圖像之間的精確對應(yīng)，通過形變補償，將不同時間點的解剖結(jié)構(gòu)和感興趣區(qū)域?qū)R到同一參考坐標(biāo)系下，完成追蹤任務(wù)。

9、本發(fā)明實施例提供的技術(shù)方案可以包括以下有益效果：

10、本發(fā)明公開了一種對肺部ct圖像感興趣區(qū)域的追蹤方法，該方法適用于處理不同時間點獲取的肺部ct圖像。通過預(yù)處理優(yōu)化圖像質(zhì)量，消除噪聲和偽影的干擾，為后續(xù)步驟奠定了堅實基礎(chǔ)；采用基于解剖結(jié)構(gòu)的特征提取算法，精準(zhǔn)捕捉肺部結(jié)構(gòu)特征，構(gòu)建穩(wěn)定的特征描述符，即使在復(fù)雜形變下也能保持良好的匹配性能；在感興趣區(qū)域(roi)的定位與分割方面，區(qū)域生長算法或水平集方法的應(yīng)用，使得即便在背景復(fù)雜、對比度低的條件下，也能準(zhǔn)確提取roi輪廓，為進(jìn)一步的形狀分析和配準(zhǔn)提供關(guān)鍵信息；形狀模型的建立，不僅捕捉了輪廓的幾何和拓?fù)涮卣?，還為非參數(shù)配準(zhǔn)提供了形態(tài)基準(zhǔn)，使算法能更準(zhǔn)確地估計局部形變場，計算像素點位移，得到精確的形變場映射；基于形變場映射的形變補償方法確保了roi在不同時間點ct圖像間的精確對應(yīng)，即使面臨呼吸周期內(nèi)的顯著變化，也能維持?jǐn)?shù)據(jù)一致性，極大地提升了追蹤的準(zhǔn)確性和可靠性。不僅解決了傳統(tǒng)方法在處理復(fù)雜形變時的局限性，還顯著增強了算法的魯棒性和適應(yīng)性，使其能夠應(yīng)對各種臨床場景，特別是在疾病動態(tài)監(jiān)測和病理發(fā)展分析方面展現(xiàn)出巨大潛力?？偟膩碚f，本發(fā)明的技術(shù)效果包括提高了肺部ct圖像分析的準(zhǔn)確性和效率，使得醫(yī)生能夠更準(zhǔn)確地診斷和監(jiān)測肺部疾病的進(jìn)展，特別是在處理動態(tài)變化和病理發(fā)展分析方面具有顯著優(yōu)勢。此外，通過先進(jìn)的圖像處理和數(shù)據(jù)分析技術(shù)，能夠?qū)崿F(xiàn)高度自動化和精確的醫(yī)學(xué)圖像分析，極大地提升了醫(yī)療影像分析的工作效率和診斷的可靠性。

技術(shù)特征：

1.一種對肺部ct圖像感興趣區(qū)域的追蹤方法，其特征在于，所述方法包括：

2.根據(jù)權(quán)利要求1所述的方法，其中，所述獲取患者多個時間點的肺部ct圖像序列，對所述ct圖像序列進(jìn)行預(yù)處理，得到預(yù)處理后的ct圖像序列，包括：

3.根據(jù)權(quán)利要求1所述的方法，其中，所述針對所述預(yù)處理后的ct圖像序列，采用基于解剖結(jié)構(gòu)的特征提取算法，提取每幅ct圖像中的肺部解剖結(jié)構(gòu)特征，構(gòu)建特征描述符，包括：

4.根據(jù)權(quán)利要求1所述的方法，其中，所述根據(jù)所述特征描述符，在不同時間點ct圖像之間建立初始配準(zhǔn)關(guān)系，基于解剖結(jié)構(gòu)在不同個體之間的差異性，采用基于群體統(tǒng)計的方法，構(gòu)建解剖結(jié)構(gòu)的先驗?zāi)Ｐ鸵灾笇?dǎo)圖像配準(zhǔn)過程，包括：

5.根據(jù)權(quán)利要求1所述的方法，其中，所述在圖像配準(zhǔn)后的ct圖像序列中，定位并分割出感興趣區(qū)域，采用區(qū)域生長算法或水平集方法，得到每幅ct圖像中的感興趣區(qū)域輪廓，包括：

6.根據(jù)權(quán)利要求1所述的方法，其中，所述對所述感興趣區(qū)域輪廓進(jìn)行形狀分析，提取輪廓的幾何特征和拓?fù)涮卣?，建立感興趣區(qū)域的形狀模型，包括：

7.根據(jù)權(quán)利要求1所述的方法，其中，所述基于所述形狀模型，采用非參數(shù)配準(zhǔn)方法估計不同時間點感興趣區(qū)域之間的局部形變場，計算每個像素點的位移向量，得到形變場映射，包括：

8.根據(jù)權(quán)利要求1所述的方法，其中，所述根據(jù)所述形變場映射，對不同時間點的感興趣區(qū)域進(jìn)行形變補償，實現(xiàn)感興趣區(qū)域在不同時間點ct圖像之間的精確對應(yīng)，通過形變補償，將不同時間點的解剖結(jié)構(gòu)和感興趣區(qū)域?qū)R到同一參考坐標(biāo)系下，完成追蹤任務(wù)，包括：

技術(shù)總結(jié)
本申請?zhí)峁┮环N對肺部CT圖像感興趣區(qū)域的追蹤方法，包括：獲取患者多個時間點的肺部CT圖像序列，對所述CT圖像序列進(jìn)行預(yù)處理，得到預(yù)處理后的CT圖像序列；針對所述預(yù)處理后的CT圖像序列，采用基于解剖結(jié)構(gòu)的特征提取算法，提取每幅CT圖像中的肺部解剖結(jié)構(gòu)特征，構(gòu)建特征描述符；對所述感興趣區(qū)域輪廓進(jìn)行形狀分析，提取輪廓的幾何特征和拓?fù)涮卣?，建立感興趣區(qū)域的形狀模型；基于所述形狀模型，采用非參數(shù)配準(zhǔn)方法估計不同時間點感興趣區(qū)域之間的局部形變場，計算每個像素點的位移向量，得到形變場映射。

技術(shù)研發(fā)人員：周國華,程大龍,杜軼鋒,陳彬,曾文君,尹力
受保護(hù)的技術(shù)使用者：科大訊飛華南人工智能研究院（廣州）有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/30