一种基于流形聚类和加权稀疏的呼吸运动补偿方法技术

本发明专利技术提出一种基于流形聚类和加权稀疏的呼吸运动补偿方法，包括以下步骤：采集群体数据集的4D

【技术实现步骤摘要】
一种基于流形聚类和加权稀疏的呼吸运动补偿方法


[0001]本专利技术涉及医学图像处理、计算机视觉、机器学习等领域，具体为一种基于流形聚类和加权稀疏的呼吸运动补偿方法。

技术介绍

[0002]随着计算机、医学影像、高精度测量等技术的发展，能够构建人体的多模影像。然而，由于呼吸运动的影响，肺部组织会随着整个肺部产生持续的运动，导致肺部CT图像实时误差较大。因此，研究呼吸运动的规律，特别是其对肺部组织结构的影响具有重要的意义。
[0003]当前，解决呼吸运动问题的方法有几种，包括：屏气/呼吸门控、运动跟踪以及呼吸运动补偿等。屏气/呼吸门控的方法最简单，但此类方法对呼吸相位控制较为粗糙，难以保证精度，而且部分受试者难以完成屏气或呼吸门控的要求。运动跟踪方法需将标记物植入肺部区域，然后使用成像设备(如X射线)通过标记物跟踪来监测呼吸运动，但是，此种方法具有侵入性，且监测范围较小，仅在标记物附近能获取较为精确的肺部运动信息，此外，还存在较大辐射损伤风险。由于上述技术的局限性，近年来研究者对如何通过计算的方法估计和校正呼吸运动对肺部形变及结构运动的影响，即呼吸运动补偿模型，产生了浓厚的兴趣。呼吸运动补偿模型可以减少辐射剂量，无需受试者进行屏气操作，且能大范围预测肺部的运动，因此成为当前的研究热点。
[0004]常见的呼吸运动补偿方法大致分为两类，包括个体化呼吸运动补偿模型和全局呼吸运动补偿模型。个体化呼吸运动补偿模型先采集个体受试者的4D
‑
CT图像，利用其建立肺部变形场和皮肤表面运动之间的关联，并应用该模型预测实时肺部影像。此方法的缺点在于涵盖受试者整个呼吸周期的4D
‑
CT图像采集，对受试者存在较大的辐射损伤风险。为了解决这个问题，提出了群体呼吸运动补偿模型，基于统计模型/深度学习建立群体受试者肺部变形场和皮肤表面运动之间的运动补偿关系。此种模型基于整个群体来提取肺部运动和皮肤运动的共性特征，预测肺部实时图像时不需要采集个体4D
‑
CT图像，能有效减小辐射剂量，然而，由于个体肺部运动的差异性和随机性，最接近特定受试者真实运动的个性特征可能被忽略。
[0005]本专利技术公开了一种基于流形聚类和加权稀疏的个性化呼吸运动补偿方法，将群体运动特征与个体相位有效结合，能够在辐射风险和模型精度之间达到较好的平衡，同时满足实时性要求。

技术实现思路

[0006]本专利技术技术解决问题：克服现有技术的不足，提供一种基于流形聚类和加权稀疏的个性化呼吸运动补偿方法，有效结合群体特征和个体相位，对全肺进行实时影像预测，减小呼吸运动对肺部组织结构的影响，为医生提供全面、直观和真实的肺部场景。
[0007]为实现上述目的，本专利技术提供以下技术方案：
[0008]一种基于流形聚类和加权稀疏的呼吸运动补偿方法，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。
[0009]进一步的，所述方法具体包括以下步骤：
[0010]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Ts呼气相位(EE)和吸气相位(EI)两个相位的3D
‑
CT图像；
[0011]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，获得群体数据集和个体受试者呼气
‑
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；
[0012]步骤3：对所述步骤2中得到的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数据集S
k
∈(P
i
,i＝1...N)；
[0013]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的呼吸相位4D
‑
CT序列图像I1,I2,...,I
M
；
[0014]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。
[0015]进一步的，所述步骤3中，对变形向量场数据集进行流形聚类，具体包括以下步骤：
[0016](3a)采用个体受试者呼气
‑
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
[0017](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
]；
[0018](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)。
[0019]进一步的，所述步骤4具体包括以下步骤：
[0020](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；
[0021](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吸气和呼气相位的相位；
[0022](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
。
[0023]进一步的，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：
[0024](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
[0025](5b)使用深度学习研究个体受试者本文档来自技高网...

【技术保护点】

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：李海，王腾飞，王宏志，江海河，
申请(专利权)人：中国科学院合肥物质科学研究院，
类型：发明
国别省市：