用于计算感兴趣对象的位移的方法和系统与流程

本发明涉及对象移动测量的领域，尤其涉及用于计算感兴趣对象的位移的方法。

背景技术：

辐射治疗广泛用在癌症处置或治疗中。辐射治疗的目的是杀死患者身体中的感兴趣对象中发生的病理结构，例如，肿瘤细胞，而不损害感兴趣对象的周围组织。这通过将较高辐射剂量递送到患者身体的感兴趣对象，并且将可能较低辐射剂量递送到感兴趣对象周围的健康器官组织来完成。然而，在整个处置过程期间，患者身体的呼吸运动可以产生关于辐射被应用的位置的不准确。实际上，患者身体的感兴趣对象的位置可以随着呼吸运动而改变，并且甚至患者身体的感兴趣对象的尺寸和形状有时随着通过内部身体肌肉力的变形而改变。

对象跟踪当感兴趣对象在患者身体中时由于身体移动(诸如，由呼吸引起的身体移动)而是具有挑战的。跟踪由呼吸引起的患者身体中的这样的感兴趣对象的移动中的困难可以是进行辐射治疗时的不准确性的重要原因。

超声成像被用于在处置期间提供图像。用于运动跟踪的已知方法是标记被放置在患者的皮肤上。标记然后使用诸如超声的成像设备来跟踪。然而，处理图像的大的集合在对象跟踪中是具有挑战的。当前，还没有可用于跟踪患者身体中的对象的位置的解决方案，因为需要高的计算复杂性。测量对应的表面移动还不足够准确以反映身体中的对象移动。

公开物，speeding-upimageregistrationforrepetitivemotionscenarios,isbi(1355-1358)，公开了一种用于针对经历呼吸的器官的图像序列的实时图像配准的方法。在训练阶段期间，图像被配准，并且然后通过采用对图像的维度降低和对应位移的存储来学习图像外观与空间变换之间的关系。对于应用阶段中的每幅图像，训练设置中最相似的图像被计算并且进行位移预测。公开物，respirationinducedfiducialmotiontrackinginultrasoundusinganextendedsfaapproach,proc.ofspievol.9419，公开了一种用于实时将在训练阶段中从超声图像序列提取的预估计的目标运动转移到在线数据的方法。所述方法基于提取目标对象的特征点，通过慢特征分析利用特征运动的低维描述，并且找到来自训练数据的最相似的图像特征，用于估计当前或在线对象位置。对于每幅采集的图像，计算最相似的图像，并且基于针对每幅采集的图像的最相似的图像来进行映射。因此，计算复杂性是高的。

技术实现要素：

本发明的目的是提出一种计算感兴趣对象的位移的方法。

独立权利要求限定了本发明。从属权利要求定义了有利实施例。

根据本发明的方法旨在计算感兴趣对象的位移。所述方法包括根据感兴趣对象的预先采集的图像的集合中相邻的图像来计算感兴趣对象的位移模型的步骤，所述位移模型反映感兴趣对象沿时间的位置。所述方法还包括：

-基于所述位移模型来确定所述预先采集的图像的集合的一个周期性时间循环内的来自所述预先采集的图像的集合的图像的第一子集的步骤；

-从新采集的图像识别图像的第二子集的第一步骤，图像的所述第二子集(s2)中的图像是相继的并且在图像的第一子集(s1)中具有相同的最相似图像，其中，通过将所述新采集的图像中的给定图像与图像的所述第一子集(s1)中的每幅图像进行比较来确定相似性水平的集合，并且其中，所述最相似图像具有在相似性水平的所述集合中的最大相似性水平；

-在图像的所述第二子集中选择给定图像作为第一参考图像的第一步骤；

-从所述新采集的图像识别图像的第三子集的第二步骤，其中，图像的所述第三子集(s3)中的图像是相继的并且在图像的所述第一子集(s1)中具有相同的最相似图像，其中，通过将所述新采集的图像中的给定图像与图像的所述第一子集(s1)中的每幅图像进行比较来确定相似性水平的集合，并且其中，所述最相似图像具有在相似性水平的所述集合中的最大相似性水平；

-在图像的所述第三子集中选择给定图像作为第二参考图像的第二步骤；

-计算所述第二参考图像与所述第一参考图像之间的位移的步骤。

利用该方法，能够利用有限的计算资源来计算由感兴趣对象的移动引起的位移。事实上，该方法降低了计算复杂性，这得到在图像采集正在进行时跟踪感兴趣对象的位置的现实的解决方案。其还改进检测身体中的对象的位置改变的准确性。

通过使用该方法，位移计算基于来自新采集的图像的两个相继子集的选定图像。相比于计算两幅相继的新采集的图像之间的位移，其降低了计算复杂性。

本发明还涉及一种用于计算位移的系统。

所述系统包括用于执行根据本发明的上述方法的各个步骤的处理单元。

以下将给出对本发明的详细解释和其他各方面。

附图说明

现在将参考下文描述并且结合附图考虑的实施例来解释本发明的特定方面，其中，相同部分或子步骤以相同方式来指定：

图1描绘了根据本发明的方法的流程图，

图2图示了根据本发明的感兴趣对象的位移模型的范例，

图3图示了根据本发明的图像的第一子集与预先采集的图像的关系，

图4图示了根据本发明的新采集的图像的相似性的识别，

图5图示了根据本发明的第一参考图像和第二参考图像的选择，

图6描绘了根据本发明的系统的示意图，

图7描绘了根据本发明的系统的示意图。

具体实施方式

例如，辐射治疗是在癌症处置或者更一般地在医学治疗中广泛使用的处置。辐射治疗旨在通过将较高辐射剂量递送到肿瘤并且将可能较低剂量递送到健康器官组织来杀死患者身体中的肿瘤细胞，而不损害周围组织。在下文中，接收辐射的患者身体的部分被描述为“感兴趣对象”。例如，在对腹部的肿瘤的处置期间，感兴趣对象可以具有由患者的呼吸引起的特定移动。通过计算由该移动引起的位移，位移信息被发送到用于处置的辐射治疗装备的控制模块。控制模块使用该位移信息来补偿患者身体的感兴趣对象的位移，以便使辐射射束跟随感兴趣对象，即使感兴趣对象具有特定移动。

在处置的开始之前，利用医学成像系统来扫描患者身体的感兴趣对象以采集图像，例如，超声成像、x射线、ct和mri等。例如，在处置之前几小时或几分钟进行扫描。

在扫描期间，患者例如水平地躺在床上。成像扫描的持续时间等于患者的若干呼吸循环的持续时间。由医学成像系统生成的这些图像在本发明中被称为“预先采集的图像”。在图像扫描期间获得图像允许导出沿时间的感兴趣对象的位移模型。

根据第一方法，通过依次计算在两幅相继的预先采集的图像之间的感兴趣对象的位移来获得位移模型。通过随时间进行此，能够测量患者身体的感兴趣对象的整体患者位移模型。

根据第二方法，通过在扫描期间使用被附接在患者皮肤上的标记来获得所述位移模型。基于被提供到一些传感器的标记的位置信息，能够计算感兴趣对象的位移信息。因此，能够通过沿着时间进行此来测量患者身体的感兴趣对象的整体患者位移模型。

在处置期间，辐射射束被引导到患者身体的感兴趣对象。利用医学成像系统来扫描患者以采集图像，例如，超声成像。扫描将针对处置的整个持续时间持续。由医学成像系统生成的这些图像在本发明中被称为“新采集的图像”。

根据本发明，当在处置期间正利用医学成像系统扫描患者时，基于新采集的图像来计算患者身体的感兴趣对象的位移信息，如下面详述的。

图1描绘了根据本发明的方法的流程图，所述方法用于计算感兴趣对象的位移。

所述方法包括根据感兴趣对象的预先采集的图像的集合中相邻的图像来计算101感兴趣对象的位移模型的步骤，其中，所述位移模型反映所述感兴趣对象沿时间的位置。所述位移模型例如能够通过第一或第二上述方法来确定。

感兴趣对象可以包括各种类型的对象，其中，位置信息需要被确定。例如，在辐射治疗的领域中，感兴趣对象对应于患者身体中的组织或器官。所述感兴趣对象可以是体模，在工业领域中有兴趣对其进行监测。

图2描绘了根据本发明的感兴趣对象的位移模型的范例。

水平轴对应于时间并且垂直轴对应于感兴趣对象的位移。例如，位移模型反映患者身体的沿时间变化的感兴趣对象的位置。对于患者身体中的感兴趣对象，所述位移模型通常是周期性曲线，因为移动是由呼吸移动引起的。一个周期性时间循环是t。例如，部分a是位移模型的一个周期。与位移改变较慢的区域p2和p5相比，p1、p3、p4和p6表示位移改变较快的区域。

方法还包括基于所述位移模型来确定102所述预先采集的图像的集合的一个周期性时间循环内的来自所述预先采集的图像的集合的图像的第一子集s1的步骤。

位移模型的一个周期内的时间点被选择。如图2中图示的，在部分a中选择了一些时间点。存在一些区域，例如p1、p2、p3、p4、p5和p6。

在图2中，t1p1、t2p1、t3p1是区域p1中的选定的时间点，而t2p2是区域p2中的选定的时间点。应当有在其他区域中，例如在p3、p4、p5和p6中，选择的一些其他时间点。

在这些选定的时间点处采集的图像形成在下文中称为“图像的第一子集”的图像的集合。

图3图示了图像的第一子集s1与预先采集的图像s之间的关系。图像的第一子集s1是预先采集的图像s的子集。

如图示的，预先采集的图像s中没有选择时间点的图像不被包括在图像的第一子集s1中。

所述方法还包括从新采集的图像识别103图像的第二子集s2的第一步骤，其中，图像的所述第二子集(s2)中的图像是相继的并且在图像的第一子集(s1)中具有相同的最相似图像，其中，通过将新采集的图像中的给定图像与图像的所述第一子集(s1)中的每幅图像进行比较来确定相似性水平的集合，并且其中，最相似图像具有在相似性水平的所述集合中的最大相似性水平。

所述新采集的图像是在患者的处置期间采集的图像。所述最相似图像是针对新采集的图像的在图像的所述第一子集s1中的代表性图像。

对于新采集的图像，通过与图像的所述第一子集s1中的图像进行比较，导出相似性水平。通过与图像的第一子集s1中的所有图像进行比较，导出相似性水平的集合。每个相似性水平表示新采集的图像与图像的所述第一子集s1中的对应的图像之间的相似性。所述最相似图像是从图像的所述第一子集s1选择的。所述最相似图像与新采集的图像之间的相似性水平在相似性水平的所述集合中是最大的。

例如，在图4中，图像in1是新采集的图像。将该新采集的图像in1与图像的所述第一子集s1中的所有图像进行比较。通过将新采集的图像in1与图像的比较第一子集s1中的所有图像进行比较来导出相似性水平的集合。图像imt在图像的第一子集s1之中具有最大相似性水平。然后，图像imt被识别为s1中的新采集的图像in1的最相似图像。

对于每幅新采集的图像，以相同方式来识别最相似图像。

可能发生的是，一些新采集的图像在图像的所述第一子集s1中具有相同的最相似图像。

图像的所述第一子集s1的沿时间的采集帧率低于所述预先采集的图像。针对患者身体的相同感兴趣对象，预先采集的图像的采集帧率与新采集的图像的采集帧率相同。因此，图像的第一子集s1的采集帧率低于新采集的图像。例如，在3维体积超声成像中，在使用具有机械扫掠线性阵列的超声探头时，图像采集帧率在[4hz-15hz]的范围中，并且在使用具有电操纵矩阵阵列换能器时，在[20hz-50hz]。

在下文中，“3d”用于表示3维；“2d”用于表示2维。

例如，如图5图示的，来自图像[i11…i1n]的新采集的图像在图像的第一子集s1中具有相同最相似图像imt1。因此，图像[i11…i1n]的集合定义图像的第二子集，在图5中被称为s2。

在新采集的图像的图像的第一子集s1中的最相似图像不同于图像imt1时图像的第二子集s2被完全地识别。例如，当imt2被识别为新采集的图像i21的图像的第一子集s1中的最相似图像，图像的第二子集s2完成。

所述方法还包括在图像的第二子集s2中的选择104给定图像i1作为第一参考图像i1的第一步骤。

如图5所示，从图像的第二子集s2中选择图像i1作为第一参考图像。

有利地，第一参考图像i1是在图像的第二子集s2的中心时隙中选择的图像。例如，如果图像的第二子集s2的数量是n，如果n是奇数，则第一参考图像i1的次序被选择为图像的第二子集s2中的第(n+1)/2；如果n是偶数，则第一参考图像i1的次序被选择为图像的第二子集s2中的第n/2-1或者第n/2+1。

有利地，第一参考图像i1是在图像的第二子集s2中随机地或任意地选择的图像。

有利地，第一参考图像i1是图像的第二子集s2中的第一图像。

所述方法还包括从新采集的图像识别105图像的第三子集s3的第二步骤，其中，图像的所述第三子集(s3)中的图像是相继的并且在图像的第一子集(s1)中具有相同的最相似图像，其中，通过将新采集的图像中的给定图像与图像的第一子集(s1)中的每幅图像进行比较来确定相似性水平的集合，并且其中，所述最相似图像具有在相似性水平的集合中的最大相似性水平。

所述新采集的图像是在患者的处置期间采集的图像。

所述最相似图像是针对新采集的图像的在图像的所述第一子集s1中的代表性图像。

对于新采集的图像，通过与图像的所述第一子集s1中的图像进行比较，导出相似性水平。通过与图像的第一子集s1中的所有图像进行比较，导出相似性水平的集合。每个相似性水平表示新采集的图像与图像的所述第一子集s1中的对应的图像之间的相似性。所述最相似图像是从图像的所述第一子集s1选择的。所述最相似图像与新采集的图像之间的相似性水平在相似性水平的所述集合中是最大的。

例如，在图5中，图像i21是新采集的图像。将该新采集的图像i21与图像的第一子集s1中的所有图像进行比较。通过比较新采集的图像i21与图像的第一子集s1中的所有图像来导出相似性水平的集合。图像imt2在图像的第一子集s1之中具有最大相似性水平。然后，图像imt2被识别为s1中的新采集的图像i21的最相似图像。

对于每幅新采集的图像，以相同方式来识别最相似图像。

可能发生的是，一些新采集的图像在图像的所述第一子集s1中具有相同的最相似图像。

图像的所述第一子集s1的沿时间的采集帧率低于所述预先采集的图像。针对患者身体的相同感兴趣对象，预先采集的图像的采集帧率与新采集的图像的采集帧率相同。因此，图像的第一子集s1的采集帧率低于新采集的图像。例如，在3d体积超声成像中，在使用具有机械扫掠线性阵列的超声探头时，图像采集帧率在[4hz-15hz]的范围中，并且在使用具有电操纵矩阵阵列换能器时，在[20hz-50hz]。

例如，如图5图示的，来自图像[i21…i2m]的新采集的图像在图像的第一子集s1中具有相同最相似图像imt2。因此，图像[i21…i2m]的集合定义图像的第三子集，在图5中被称为s3。

在新采集的图像的图像的第一子集s1中的最相似图像不同于图像imt3时图像的第二子集s3被完全地识别。例如，当imt3被识别为新采集的图像i31的图像的第一子集s1中的最相似图像时，图像的第三子集s3完成。

所述方法还包括在图像的第三子集s3中的选择106给定图像i2作为第二参考图像i2的第二步骤。

如图5所示，从图像的第三子集s3选择图像i2作为第二参考图像。

有利地，第二参考图像i2是在图像的第三子集s3的中心时隙中的选择的图像。例如，如果图像的第三子集s3的数量是n，如果n是奇数，则第二参考图像i2的次序被选择为图像的第三子集s3中的第(n+1)/2；如果n是偶数，则第二参考图像i2的次序被选择为图像的第三子集s3中的第n/2-1或者第n/2+1。

有利地，第二参考图像i2是在图像的第三子集s3中随机或任意选择的图像。

有利地，第二参考图像i2是图像的第三子集s3中的第一图像。

所述方法还包括计算107第二参考图像i2与第一参考图像i1之间的感兴趣对象的位移的步骤。

所述位移表示第二参考图像i2中的对象的位置与第一参考图像i1中的对象的位置之间的位置改变。

所述位移是通过计算图像i2上的患者身体的感兴趣对象的位置信息与图像i1上的患者身体的感兴趣对象的位置信息之间的距离来测量的。

例如，在超声成像中，两幅图像之间的位移是通过使用本发明中的方法来计算的。在2d超声成像中，其分别在坐标轴(x、y)的2个方向上被计算。在3d超声成像中，其分别在坐标轴(x、y、z)的3个方向上被计算。

上面计算的位移反映平移的像素。通过与坐标轴的每个方向上的已知空间分辨率进行组合，实际移动距离被确定。

有利地，确定102的步骤适于确定从集合[12、14、16、18、20、22、24]中选择的具有若干图像的图像的所述第一子集s1。

例如，如果患者呼吸频率为约20/min并且患者的呼吸循环的持续时间为约3秒。在3d体积超声成像中，在使用具有机械扫掠线性阵列的超声探头时，图像采集帧率在[4hz-15hz]的范围中，并且在使用具有电操纵矩阵阵列换能器时，在[20hz-50hz]。因此，能够在一个呼吸周期性时间循环内采集的超声图像的数量在使用具有机械扫掠线性阵列的超声探头时在范围[12；45]中，并且在使用具有电操纵矩阵阵列换能器的超声探头时在[60；150]中。

作为范例，实验示出了从集合[12、14、16、18、20、22、24]选择的图像的数量是现实的。

有利地，确定102的步骤包括在位移模型的周期性时间循环内选择第一区域和第二区域，其中，在第一区域中选择的图像的数量大于在第二区域中选择的图像的数量，并且其中，第一区域内的位移模型的斜率大于第二区域中的位移模型的斜率。

如图2图示的，选择一些区域，例如p1、p2、p3、p4、p5和p6。位移模型的斜率指示位移变化。区域p1的斜率和区域p3的斜率大于区域p2的斜率。区域p4的斜率和区域p6的斜率大于区域p5的斜率。

例如，t1p1、t2p1、t3p1是区域p1中的选定的时间点，而t2p2是区域p2中的选定的时间点。在区域p1中选择的时间点的数量大于在区域p2中选择的时间点的数量。同时，区域p1的斜率大于区域p2的斜率。

应当有在其他区域中，例如在p3、p4、p5和p6中，选择的一些其他时间点。在区域p3中选择的时间点的数量大于在区域p2中选择的时间点的数量。同时，区域p3的斜率大于区域p2的斜率。在区域p4、p6中选择的时间点的数量大于在区域p5中选择的时间点的数量。同时，区域p4、p6的斜率大于区域p5的斜率。

有利地，在以上的确定102的步骤之后，所述方法还包括将标记附接到图像的第一集合s1的步骤，所述标记包括感兴趣对象的呼吸呼气信息和呼吸吸气信息。

例如，患者的呼吸时间循环包括呼气阶段和吸气阶段。图像的第一集合s1中的每幅图像被给予标记以反映不同状态。

有利地，识别103的第一步骤中和识别105的第二步骤中的最相似图像是基于使用在体积到体积互相关准则和平方差的和的最小值准则之中选择的准则而被识别的。

体积到体积互相关是已知的图像处理方法(hermosillo,g.,chefd’hotel,d.,faugeras,o.:variationalmethodsformultimodalimagematching.int.j.comput.vision50,329-343(2002))。应用体积到体积互相关是要找到给定图像与图像的第一子集s1中的图像之间的最大相关系数。

平方差的和的最小值准则也是已知的图像处理方法(yin,y.,hoffman,e.,lin,c.:masspreservingnonrigidregistrationofctlungimagesusingcubicb-spline.med.phys.36(9),4213–4222(2009))。

有利地，识别103的第一步骤包括以下子步骤：

-基于与相继的图像进行比较来将标记附接到新采集的图像，所述标记包括呼吸呼气信息和呼吸吸气信息；

-从图像的所述第一子集s1识别图像的第四子集s4，图像的所述第四子集s4具有相同的标记；

-从新采集的图像识别图像的第二子集s2，图像的所述第二子集s2中的图像在图像的第四子集s4中具有相同最相似图像。

所述标记包括如上所述的对象的呼吸呼气信息和呼吸吸气信息。

有利地，识别105的第二步骤包括以下子步骤：

-基于与相邻的图像进行比较来将标记附接到新采集的图像，所述标记包括呼吸呼气信息和呼吸吸气信息；

-从图像的所述第一子集s1识别图像的第四子集s4，其中，图像的所述第四子集s4具有相同的标记；

-从新采集的图像识别图像的第三子集s3，其中，图像的所述第三集合s3中的图像在图像的第四子集s4中具有相同最相似图像。

所述标记包括如上所述的对象的呼吸呼气信息和呼吸吸气信息。

有利地，所述方法还包括以下：

-基于所述位移来补偿108辐射射束旨在被引导到感兴趣对象的的位置的子步骤。

相应地调节辐射射束方向，以便跟随所述感兴趣对象的移动。因此，患者身体呼吸移动被补偿。

图6描绘了计算位移的根据本发明的实施例的系统200的示意图。系统200包括处理单元230，其用于：

-第一单元(231)，其用于根据感兴趣对象的预先采集的图像的集合的相邻的图像来计算感兴趣对象的位移模型，其中，所述位移模型反映所述感兴趣对象沿时间的位置；

-第二单元(232)，其用于基于所述位移模型来确定所预先采集的图像的集合的一个周期性时间循环内的来自所述预先采集的图像的集合的图像的第一子集s1；

-第三单元(233)，其用于从新采集的图像识别图像的第二子集s2，其中，图像的所述第二子集(s2)中的图像在图像的第一子集(s1)中具有相同的最相似图像，其中，通过将新采集的图像中的给定图像与图像的第一子集(s1)中的每幅图像进行比较来确定相似性水平的集合，并且其中，所述最相似图像具有在相似性水平的集合中的最大相似性水平；

-第四单元(234)，其用于在图像的第二子集s2中选择给定图像作为第一参考图像i1；

-第五单元(235)，其用于从新采集的图像识别图像的第三子集s3，其中，图像的识别第三子集(s3)中的图像在图像的所述第一子集(s1)中具有相同的最相似图像，其中，通过将新采集的图像中的给定图像与图像的所述第一子集(s1)中的每幅图像进行比较来确定相似性水平的集合，并且其中，所述最相似图像具有在相似性水平的集合中的最大相似性水平；

第六单元(236)，其用于在图像的所述第三子集s3中选择给定图像作为第二参考图像i2；

第七单元(237)，其用于计算所述第二参考图像i2与所述第一参考图像i1之间的位移。

根据本发明的系统的各种单元适于执行先前描述的各个步骤。例如，一个或多个单元被实施在一个或多个处理器中。

图7示描绘了根据本发明的实施例的系统。

有利地，系统200适于连接到图像采集模块210。

该图像采集模块210旨在采集预先采集的图像和新采集的图像。

有利地，系统200适于连接到控制模块220。

由处理单元230计算的位移通过计算处理单元230递送，并且被发送到控制模块220。控制模块220被激活以递送辐射射束，以便跟随感兴趣对象的移动。

有利地，图像采集模块210是超声成像采集模块。

尽管已经在附图和前面的描述中详细例示和描述了本发明，但这样的例示和描述应当被认为是例示性或示范性的，而非限制性的。本发明不限于所公开的实施例。本领域技术人员通过研究附图、公开内容以及从属权利要求，在实践请求保护的本发明时能够理解并且实现对所公开的实施例的其他变型。

在权利要求中，词语“包括”不排除其他元件或步骤，并且词语“一”或“一个”不排除多个。单个处理器或其他单元可以完成权利要求书中所记载的若干个项目的功能。尽管在互不相同的从属权利要求中记载了特定措施，但是这并不指示不能有利地使用这些措施的组合。权利要求书中的任何附图标记均不应被解释为对范围的限制。