一种基于四维体表呼吸信号的非接触式四维成像方法和系统技术方案

本发明专利技术公开了一种基于四维体表呼吸信号的非接触式四维成像方法和系统，包含：在采集患者图像的过程中，同步采集该患者的光学体表数据；基于采集到的光学体表数据提取呼吸信号；基于呼吸信号中的呼吸相位信息对所述患者图像数据进行分组，重建出四维图像。本发明专利技术从光学体表中获取呼吸相位信息，实现非接触式的呼吸相位分组，相对于现有技术，不仅探测数据的维度更高，同时通过四维成像实现对体内解剖结构的动态展示和监测，有利于提高临床诊疗的精度，且无需在患者身上附着接触式装置，适用于更广泛的身体部位、成像模态和临床应用场景。景。景。

【技术实现步骤摘要】
【国外来华专利技术】一种基于四维体表呼吸信号的非接触式四维成像方法和系统


[0001]本专利技术适用但不限于放射治疗、诊断、介入、穿刺等多种应用场景
，尤其涉及一种基于四维体表呼吸信号的非接触式四维成像方法和系统。

技术介绍

[0002]呼吸运动不仅会导致图像伪影，同时也会降低图像引导诊疗的精确性，如放疗中的剂量投照错误会导致肿瘤控制失败和正常器官损伤，穿刺的进针位置和时间错误会导致病理活检失败或重要器官损伤等。即使在图像扫描过程中通过各种外部约束方法限制了身体的运动幅度，但呼吸运动仍会导致体内脏器的移动和形变。
[0003]现有的探测方法主要有：基于压力传感器的方法，如接触式腹压带，需要在患者身上附着额外装置，探测信号为随时间变化的1维数据；基于放置在胸腹部的反光块反射信号探测腹背方向的运动幅度和频率，也是接触式，需要在患者身上附着额外装置，探测信号为随时间变化的1维数据；基于实时投影图像分割解剖学标记，如横膈肌的位置变化，需要每个成像射野/视野都包含横膈肌，对于解剖部位不包含或包含不足够的横膈肌结构，如上胸部成像或螺旋CT等场景，此方法不适用，或需要扩大成像野进而增加不必要的辐射剂量和风险等。现有方法的缺陷是：一维运动信号对复杂的运动模型可能存在过度简化，且接触式装置在使用便利性和系统兼容性等方面存在局限；横膈肌图像分割方法对成像部位和射野的限制较多，且对于呼吸门控放疗的实时引导，该方法可能涉及额外的成像辐射剂量或昂贵复杂的MR等设备集成。

技术实现思路

[0004]本专利技术的主要目的在于克服上述现有技术的缺陷，提供了一种基于四维体表呼吸信号的非接触式四维成像方法和系统。
[0005]本专利技术提供了一种基于四维体表呼吸信号的非接触式四维成像方法，在采集患者图像的过程中，同步采集该患者的光学体表数据；基于采集到的光学体表数据提取呼吸信号；基于呼吸信号中的呼吸相位信息对所述患者图像数据进行分组，重建出四维图像。
[0006]更优的，所述光学体表数据采用能够获取包括但不限于平面及深度的三维坐标信息，有些还可以包括颜色信息或者反射强度信息的装置采集。
[0007]更优的，以所述图像的某一个时相为图像的基准时相，将所有光学体表数据与图像的基准时相进行配准，依次计算配准后的形变与基准时相的位移，得到位移矩阵，对位移矩阵进行降维处理并选出贡献最大的分量，例如使用主成分分析、因子分析、独立分量分析等降维方法，得到光学体表呼吸信号。
[0008]更优的，在获取患者的图像后，将图像数据进行分割，并保存分割体表的表面信息，在分割体表上选取感兴趣区域得到分割体表数据；将光学体表数据与分割体表数据进行配准。
[0009]更优的，根据治疗之前收集的图像数据和呼吸信号作为训练集，采用深度学习技
术改善直接分组重建的图像质量，深度学习技术包括深度神经网络，或递归神经网络，或卷积神经网络，或生成式对抗网络等。
[0010]更优的，采用一种多通道神经网络，一次性输入该患者多个相邻时相作为先验数据，去学习相邻时相之间的运动关联，得到分时相训练模型，采用分时相训练模型，提升图像质量。
[0011]更优的，得到提升质量后的图像，将其用于获取位移矢量场重建，具体的，将N组图像中的某一组时相作为参考时相，将参考时相图像依次配准给其他N
‑
1组时相，得到N
‑
1位移矢量场，N为大于1的整数。
[0012]本专利技术提供了一种基于四维体表呼吸信号的非接触式四维成像系统，包括：获取单元，用于在采集患者图像的过程中，同步采集该患者的光学体表数据；还包括处理单元，用于基于采集到的光学体表数据提取呼吸信号；基于呼吸信号中的呼吸相位信息对所述患者图像数据进行分组，重建出四维图像。
[0013]更优的，所述系统包含能够采集光学体表数据的平面及深度信息的装置；有些装置还可以包括颜色信息或者反射强度信息。
[0014]更优的，所述处理单元，以所述图像的某一个时相为图像的基准时相，将所有光学体表数据与图像的基准时相进行配准，依次计算配准后的形变与基准时相的位移，得到位移矩阵，对位移矩阵进行降维处理，例如主成分分析、因子分析、独立分量分析等降维方法，得到光学体表呼吸信号。
[0015]更优的，在获取单元获取患者的图像后，处理单元用于将图像数据进行分割，并保存分割体表的表面信息，在分割体表上选取感兴趣区域得到分割体表数据；将光学体表数据与分割体表数据进行配准。
[0016]更优的，处理单元用于根据治疗之前收集的图像数据和呼吸信号作为训练集，采用深度学习技术改善直接分组重建的图像质量，深度学习技术包括深度神经网络，或递归神经网络，或卷积神经网络，或生成式对抗网络等。
[0017]更优的，处理单元用于采用一种多通道神经网络，一次性输入该患者多个相邻时相作为先验数据，去学习相邻时相之间的运动关联，得到分时相训练模型，采用分时相训练模型，提升图像质量。
[0018]更优的，处理单元用于得到提升质量后的图像，将其用于获取位移矢量场重建，将N组图像中的某一组时相作为参考时相，将参考时相图像依次配准给其他N
‑
1组时相，得到N
‑
1位移矢量场，N为大于1的整数。
[0019]本专利技术的方案有益效果如下：针对四维医学成像面临的运动问题，本专利技术提出了一种基于四维体表呼吸信号的非接触式四维成像方法和系统，可用于包括不限于四维CT、四维锥束CT、四维核磁等这些模态成像过程中的呼吸时相划分和图像重建，也可用于呼吸门控引导的放疗和穿刺等场景。基于图像采集过程中同步探测呼吸运动时相，将图像按照呼吸时相进行排序和归类以方便重建和展示，实现了包括不限于四维锥束CT图像在内的四维图像。该方法从光学体表中获取呼吸相位信息，实现非接触式的呼吸相位分组，相对于现有技术，不仅探测数据的维度更高，同时通过四维成像实现对体内解剖结构的动态展示和监测，有利于提高临床诊疗的精度，且无需在患者身上附着接触式装置，适用于更广泛的身体部位、成像模态和临床应用场景。与现有技术在适用但不限于放射治疗、诊断、介入、穿刺
等多种应用场景、数据维度和技术指标、经济成本等方面形成了良好的互补性。
附图说明
[0020]本专利技术将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：
[0021]图1一种基于四维体表呼吸信号的非接触式四维成像系统示意图；
[0022]图2一种基于四维体表呼吸信号的非接触式四维成像方法流程示意图；
[0023]图3基于仿真模体CT生成的仿真体表点云数据示意图；
[0024]图4基于仿真模体CT生成的仿真体表点云数据ROI选取示意图；
[0025]图5真值(Ground truth)信号示意图；
[0026]图6光学体表信号(Optical Surface signal)示意图；
[0027]图7本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种基于四维体表呼吸信号的非接触式四维成像方法，其特征在于，在采集患者图像的过程中，同步采集该患者的光学体表数据；基于采集到的光学体表数据提取呼吸信号；基于呼吸信号中的呼吸相位信息对所述患者图像数据进行分组，重建出四维图像。2.根据权利要求1所述的方法，其特征在于，所述光学体表数据包括平面及深度的三维坐标信息。3.根据权利要求1所述的方法，其特征在于，以所述图像的某一个时相为图像的基准时相，将所有光学体表数据与图像的基准时相进行配准，依次计算配准后的形变与基准时相的位移，得到位移矩阵，对位移矩阵进行降维处理，得到光学体表呼吸信号。4.根据权利要求1或3所述的方法，其特征在于，在获取患者的图像后，将图像数据进行分割，并保存分割体表的表面信息，在分割体表上选取感兴趣区域得到分割体表数据；将光学体表数据与分割体表数据进行配准。5.根据权利要求1或2或3或4所述的方法，其特征在于，根据治疗之前收集的图像数据和呼吸信号作为训练集，采用深度学习技术改善直接分组重建的图像质量，深度学习技术包括深度神经网络，或递归神经网络，或卷积神经网络，或生成式对抗网络。6.根据权利要求1或2或3或4或5所述的方法，其特征在于，采用一种多通道神经网络，一次性输入该患者多个相邻时相作为先验数据，去学习相邻时相之间的运动关联，得到分时相训练模型，采用分时相训练模型，提升图像质量。7.根据权利要求6所述的方法，其特征在于，得到提升质量后的图像，将其用于获取位移矢量场重建，具体的，将N组图像中的某一组时相作为参考时相，将参考时相图像依次配准给其他N
‑
1组时相，得到N
‑
1位移矢量场，N为大于1的整数。8.一种基于四维体表呼吸信号的非接触式四维成像系统，其特征在于，包括：获取单...

【专利技术属性】
技术研发人员：张艺宝，董正坤，余疏桐，李莎，华凌，刘宏嘉，吴昊，李俊禹，卢子红，
申请(专利权)人：北京肿瘤医院北京大学肿瘤医院，
类型：发明
国别省市：