本發(fā)明涉及腦部放療圖像處理領(lǐng)域，具體涉及一種基于放療影像的腫瘤定位方法及系統(tǒng)。

背景技術(shù)：

1、放療影像是指通過醫(yī)學(xué)影像設(shè)備，對患者體內(nèi)腫瘤進(jìn)行掃描和成像以獲得腫瘤的三維結(jié)構(gòu)信息，為放療計劃的制定和實施提供基礎(chǔ)數(shù)據(jù)。對腦腫瘤進(jìn)行定位通常需要對患者腦部進(jìn)行三維模型重建，在此之前需要對患者的不同腦部放療圖像進(jìn)行配準(zhǔn)。

2、在對患者腦部放療圖像進(jìn)行配準(zhǔn)時，最常用的方法就是特征點匹配算法，通過對放療圖像的多張切片依次匹配來實現(xiàn)圖像的配準(zhǔn)。常規(guī)的特征點匹配算法在特征點匹配時通常是相鄰切片圖像兩兩匹配，然而腦部是一個高活動程度、高組織密度的區(qū)域，每張腦部放療圖像的質(zhì)量都有所不同，質(zhì)量較低的腦部放療圖像會直接影響特征點匹配的準(zhǔn)確性和穩(wěn)定性，并且誤差可能隨著匹配次數(shù)在相鄰腦部放療圖像間累積，導(dǎo)致最終的配準(zhǔn)效果較差，直接影響三維模型的精準(zhǔn)度，難以獲得準(zhǔn)確的腫瘤定位結(jié)果。

技術(shù)實現(xiàn)思路

1、為了解決圖像質(zhì)量較低的腦部放療圖像會直接影響特征點匹配的準(zhǔn)確性和穩(wěn)定性，并且誤差可能隨著匹配次數(shù)在相鄰腦部放療圖像間累積，導(dǎo)致最終的配準(zhǔn)效果較差，直接影響三維模型的精準(zhǔn)度，難以獲得準(zhǔn)確的腫瘤定位結(jié)果的技術(shù)問題，本發(fā)明的目的在于提供一種基于放療影像的腫瘤定位方法及系統(tǒng)，所采用的技術(shù)方案具體如下：

2、一種基于放療影像的腫瘤定位方法，所述方法包括：

3、獲取所有腦部放療圖像；

4、任選一幅腦部放療圖像作為目標(biāo)放療圖像，任選目標(biāo)放療圖像任意一個特征點作為參考特征點；根據(jù)參考特征點，與參考特征點在所有預(yù)設(shè)鄰近圖像內(nèi)的對應(yīng)位置最近的特征點之間的梯度差異與距離分布，獲得參考特征點的初始優(yōu)選因子；根據(jù)參考特征點預(yù)設(shè)第一鄰域內(nèi)的灰度分布，獲得參考特征點的密度特征指標(biāo)；根據(jù)參考特征點預(yù)設(shè)第一鄰域內(nèi)的像素點梯度分布，獲得參考特征點的方向特征指標(biāo)；根據(jù)參考特征點預(yù)設(shè)第二鄰域內(nèi)的其他特征點分布，獲得參考特征點的組織特征指標(biāo)；根據(jù)參考特征點的所述密度特征指標(biāo)、所述方向特征指標(biāo)與所述組織特征指標(biāo)，獲得參考特征點的最終優(yōu)選因子；

5、根據(jù)目標(biāo)放療圖像內(nèi)所有特征點的最終優(yōu)選因子與每幅腦部放療圖像的特征點數(shù)量，獲得目標(biāo)放療圖像的優(yōu)先配對程度；根據(jù)每幅腦部放療圖像的所述優(yōu)先配對程度對腦部放療圖像進(jìn)行配對；

6、根據(jù)腦部放療圖像匹配結(jié)果進(jìn)行腦部腫瘤定位。

7、根據(jù)權(quán)利要求1所述的一種基于放療影像的腫瘤定位方法，所述初始優(yōu)選因子的獲取方法包括：

8、將每幅預(yù)設(shè)鄰近圖像中與參考特征點對應(yīng)位置最近的特征點作為每幅預(yù)設(shè)鄰近圖像的待對比特征點；

9、根據(jù)初始優(yōu)選因子計算公式獲取所述初始優(yōu)選因子，所述初始優(yōu)選因子計算公式如下所示：

10、

11、式中，μ表示參考特征點的初始優(yōu)選因子；i表示預(yù)設(shè)鄰近圖像的數(shù)量；t0表示參考特征點的梯度值；ti表示第i幅預(yù)設(shè)鄰近圖像中的待對比特征點的梯度值；θ0表示參考特征點的梯度方向角，其中，梯度方向角為特征點的梯度方向與水平方向之間的夾角；θi表示第i幅預(yù)設(shè)鄰近圖像中的待對比特征點的梯度方向角；ri表示在第i幅預(yù)設(shè)鄰近圖像中，參考特征點對應(yīng)位置與待對比特征點之間的距離；gi表示第i幅預(yù)設(shè)鄰近圖像與目標(biāo)放療圖像之間的圖像間隔；||表示絕對值函數(shù)；exp[]表示以自然常數(shù)為底數(shù)的指數(shù)函數(shù)。

12、根據(jù)權(quán)利要求1所述的一種基于放療影像的腫瘤定位方法，所述密度特征指標(biāo)的獲取方法包括：

13、根據(jù)密度特征指標(biāo)計算公式獲取所述密度特征指標(biāo)，所述密度特征指標(biāo)計算公式如下所示：

14、

15、式中，ρ表示參考特征點的密度特征指標(biāo)；j表示參考特征點預(yù)設(shè)第一鄰域內(nèi)的像素點數(shù)量；h0表示參考特征點的灰度值；hj表示參考特征點預(yù)設(shè)第一鄰域內(nèi)的第j個像素點的灰度值；表示參考特征點預(yù)設(shè)第一鄰域內(nèi)的像素點灰度均值；表示目標(biāo)放療圖像的灰度均值；norm()表示歸一化函數(shù)。

16、根據(jù)權(quán)利要求1所述的一種基于放療影像的腫瘤定位方法，所述方向特征指標(biāo)的獲取方法包括：

17、獲得參考特征點預(yù)設(shè)第二領(lǐng)域內(nèi)所有特征點的梯度直方圖；

18、將所述梯度直方圖中的所有梯度直方柱按照高度從大到小進(jìn)行排序；

19、根據(jù)預(yù)設(shè)第二鄰域內(nèi)的特征點梯度分布獲得參考特征點的方向特征指標(biāo)，計算公式如下所示：

20、

21、式中，ω表示參考特征點的方向特征指標(biāo)；wmax表示梯度直方圖的峰值；k表示梯度直方圖內(nèi)的梯度直方柱數(shù)量；wk表示梯度直方圖內(nèi)第k個直方柱的高度；wk+1表示梯度直方圖內(nèi)第k+1個直方柱的高度；norm[]表示歸一化函數(shù)。

22、根據(jù)權(quán)利要求1所述的一種基于放療影像的腫瘤定位方法，所述組織特征指標(biāo)的獲取方法包括：

23、在參考特征點預(yù)設(shè)第二領(lǐng)域內(nèi)選取預(yù)設(shè)數(shù)量個距離參考特征點最近的特征點作為目標(biāo)特征點；

24、根據(jù)組織特征指標(biāo)計算公式獲取所述組織特征指標(biāo)，所述組織特征指標(biāo)計算公式如下所示：

25、

26、式中，δ表示參考特征點的組織特征指標(biāo)；v表示目標(biāo)特征點的預(yù)設(shè)數(shù)量；rv表示第v個目標(biāo)特征點與參考特征點之間的距離；σ(rv)表示目標(biāo)特征點與參考特征點之間的距離方差；f表示參考特征點預(yù)設(shè)第二鄰域內(nèi)的特征點數(shù)量；g表示目標(biāo)放療圖像內(nèi)特征點的數(shù)量；norm[]表示歸一化函數(shù)；exp()表示以自然常數(shù)為底數(shù)的指數(shù)函數(shù)。

27、根據(jù)權(quán)利要求1所述的一種基于放療影像的腫瘤定位方法，所述最終優(yōu)選因子的獲取方法包括：

28、根據(jù)最終優(yōu)選因子計算公式獲取所述最終優(yōu)選因子，所述最終優(yōu)選因子計算公式如下所示：

29、

30、式中，μ′表示參考特征點的最終優(yōu)選因子；μ表示參考特征點的初始優(yōu)選因子；ρ表示參考特征點的密度特征指標(biāo)；ω表示參考特征點的方向特征指標(biāo)；μ表示參考特征點的組織特征指標(biāo)。

31、根據(jù)權(quán)利要求1所述的一種基于放療影像的腫瘤定位方法，所述優(yōu)先配對程度的獲取方法包括：

32、根據(jù)優(yōu)先配對程度計算公式獲取所述優(yōu)先配對程度，所述優(yōu)先配對程度計算公式如下所示：

33、

34、式中，γ表示目標(biāo)放療圖像的優(yōu)先配對程度；表示目標(biāo)放療圖像中所有特征點的最終優(yōu)選因子均值；p表示目標(biāo)放療圖像的特征點數(shù)量；pmax表示特征點數(shù)量最多的腦部放療圖像內(nèi)特征點的數(shù)量。

35、一種基于放療影像的腫瘤定位系統(tǒng)，所述系統(tǒng)包括存儲器、處理器以及存儲在所述存儲器中并可在所述處理器上運(yùn)行的計算機(jī)程序，所述處理器執(zhí)行所述計算機(jī)程序時實現(xiàn)上述一種基于放療影像的腫瘤定位方法的步驟。

36、一種計算機(jī)可讀存儲介質(zhì)，所述計算機(jī)可讀存儲介質(zhì)存儲有計算機(jī)程序，所述計算機(jī)程序被處理器執(zhí)行時實現(xiàn)上述一種基于放療影像的腫瘤定位方法的步驟。

37、一種計算機(jī)設(shè)備，包括存儲器、處理器以及存儲在所述存儲器中并可在所述處理器上運(yùn)行的計算機(jī)程序，所述處理器執(zhí)行所述計算機(jī)程序時實現(xiàn)上述一種基于放療影像的腫瘤定位方法的步驟。

38、本發(fā)明具有如下有益效果：

39、本發(fā)明獲取所有腦部放療圖像，用于后續(xù)圖像配準(zhǔn)，構(gòu)建腦部三維模型；由于參考特征點在相鄰圖像中如果存在特征高度相似的特征點，參考特征點越有可能是目標(biāo)放療圖像中的真實特征點，應(yīng)當(dāng)在特征點匹配時進(jìn)行優(yōu)選選取，所以根據(jù)參考特征點，與參考特征點在所有預(yù)設(shè)鄰近圖像內(nèi)的對應(yīng)位置最近的特征點之間的梯度差異與分布特征，獲得參考特征點的初始優(yōu)選因子；由于腦部腫瘤區(qū)域與其他正常腦部區(qū)域存在較大的密度差異，不同區(qū)域的特征點梯度方向存在較大差異，且腦部腫瘤區(qū)域內(nèi)特征點的分布也與正常腦部區(qū)域不同，所以為了區(qū)分腫瘤區(qū)域與正常區(qū)域，分析每個特征點的密度特征、方向特征與組織特征，獲得每個特征點的密度特征指標(biāo)、方向特征指標(biāo)與組織特征指標(biāo)；由于腦部放療圖像質(zhì)量越高，在后續(xù)進(jìn)行特征點匹配時越需要進(jìn)行保留，所以根據(jù)目標(biāo)放療圖像內(nèi)所有特征點的最終優(yōu)選因子與每幅腦部放療圖像的特征點數(shù)量，獲得目標(biāo)放療圖像的優(yōu)先配對程度；利用每幅腦部放療圖像的優(yōu)先配對程度，對所有腦部放療圖像進(jìn)行圖像匹配；根據(jù)腦部放療圖像匹配結(jié)果進(jìn)行腦部腫瘤定位。本發(fā)明能夠獲得較為準(zhǔn)確的圖像配準(zhǔn)結(jié)果，從而獲得較為精準(zhǔn)的三維模型，能夠使腫瘤定位更加準(zhǔn)確。