【摘要】：頭頸部癌癥的發(fā)病率和致死率均為世界前列。放射治療是醫(yī)治頭頸部癌癥的一種重要且有效手段。在放射治療過程中必須嚴格控制腫瘤靶區(qū)周圍的危及器官接受到的放射劑量,以免造成其放射損傷從而影響患者的療后生活質量。調強放射治療可以在有效保護危及器官的同時實現(xiàn)與計劃靶區(qū)體積高度適形的三維劑量分布,是目前治療頭頸部癌癥的最先進方式。為了充分發(fā)揮調強放射治療的優(yōu)勢,必須基于放療計劃CT(Computed Tomography)影像對危及器官進行精確的勾畫。然而由于頭頸部重要器官比較集中,解剖關系復雜,目前臨床上仍普遍采用的手工勾畫方式既耗時又費力,而且難以保證勾畫的準確性。囿于手工勾畫的不足,人們希望由計算機代替醫(yī)師進行自動勾畫,并對此開展了大量的研究工作。然而從CT圖像中自動地分割頭頸部組織器官是非常困難的。首先,由于CT圖像中軟組織的圖像灰度分辨率較低,軟組織間的邊界非常模糊,在某些區(qū)域甚至根本無法僅僅通過圖像灰度確定邊界;其次,頭頸部重要組織器官集中,解剖關系復雜,而且某些器官在患者個體之間存在很大的差異性,因此自動分割需要應對異常復雜的CT圖像背景;再者,病人頭頸部體內的金屬植入物如假牙等會造成CT圖像中嚴重的金屬偽影。頭頸部CT圖像的上述特點給其組織器官的自動分割帶來了非常大的挑戰(zhàn)。目前基于CT圖像的頭頸部組織器官自動分割方法仍然無法滿足實際臨床需求。針對上述問題,為了提高頭頸部CT圖像中組織器官自動分割的準確性和魯棒性,本文深入研究了基于隨機森林機器學習算法和形變模型的CT圖像分割方法。主要工作和研究成果如下:(1)基于組織器官解剖位置先驗約束的CT圖譜對齊新方法。圖譜對齊的精確度對基于機器學習的圖像分割方法影像很大。傳統(tǒng)的圖譜對齊是通過對圖譜中灰度圖像的配準實現(xiàn)的。由于CT圖像中軟組織的圖像灰度分辨率很低,傳統(tǒng)方法無法得到理想的圖譜對齊結果。針對這一問題,所提方法充分利用了圖譜中標簽圖像所包含的組織器官解剖位置先驗信息。一方面將組織器官解剖位置先驗信息與灰度圖像信息相結合形成混合不相似性測度,并將其作為優(yōu)化目標函數(shù),驅動空間變換模型的演化;另一方面利用組織器官解剖位置先驗信息構建基于B樣條的初始化形變模型以獲得更好的優(yōu)化初值,增強圖譜對齊算法的魯棒性。實驗證明,采用所提方法獲得的圖譜對齊精度比傳統(tǒng)方法有明顯提高。(2)基于多級頂點回歸的頭頸部CT圖像自動分割。基于形變模型的分割方法可以利用形狀先驗引導并約束分割,從而克服CT圖像中軟組織分辨率低的問題,在CT圖像的組織器官分割中獲得了廣泛應用。然而基于形變模型的分割方法存在對初始化敏感、對目標器官的個體差異適應性弱以及對具有復雜形狀的器官分割失效的問題。針對這些問題,本文提出了新的根據形狀模型頂點的關鍵性強弱,逐級迭代回歸預測的形變模型。所提出的基于頂點位移回歸的隱式形變方式,回避了傳統(tǒng)的顯式形變方式中需要確定頂點移動方向及移動距離的問題,從而提高了形變模型的柔韌性和形狀擬合精度;所提出的基于機器學習的形變模型關鍵頂點的識別、定位機制可以根據頂點獨特性及個體間一致性的強弱,識別出關鍵的形變模型頂點并對其進行預測定位;所提出的目標器官形狀和CT圖像表觀特征聯(lián)合學習框架可以將形狀先驗和圖像表觀特征有機融合進一個基于隨機森林的機器學習模型中。實驗證明,該算法取得了比現(xiàn)有方法更高的分割精度和魯棒性。(3)基于非盲學習的具有金屬偽影的CT圖像分割。傳統(tǒng)的基于機器學習的圖像分割方法僅從訓練圖譜中提取知識,以訓練學習模型。圖像分割的過程也僅進行盲目的知識模型應用,模型的訓練和應用之間只有單方向的聯(lián)系。而在偽影區(qū)域中,由于在圖像表觀上與正常CT圖像的差異巨大,會造成訓練所得的知識模型與實際待分割的目標圖像不匹配的情況。這種情況下,強行將知識模型應用到目標圖像進行分割,就會導致分割錯誤。針對這一問題,本文提出了“學以致用”的非盲學習策略,將待分割圖像信息引入到機器學習模型的訓練過程中,建立模型的訓練和應用之間的雙向聯(lián)系,進行有針對性的模型訓練。所提方法首先檢測出待分割圖像中的偽影區(qū)域;然后將偽影區(qū)域的位置信息反饋到模型訓練過程;在對模型進行訓練時,對偽影區(qū)域,禁止與其相關的圖像灰度特征分量參與決策,僅保留與其相關的形狀特征分量的決策權。實驗結果表明,所提方法有效克服了偽影對分割結果的影響。
【圖文】：

、全身情況等，制定最適合的個體治療方案，確定初步的固定及模擬定位。由醫(yī)師、物理師和技師根據患者的具體定模具。在模具的定位下行放療模擬掃描定位，獲取患者腫細的計算機斷層（Computerized Tomography，CT）影像數(shù)數(shù)據的初步處理及放療靶區(qū)、OAR 的勾畫。影像數(shù)據經過勾畫放療病灶靶區(qū)和需保護的重要器官組織輪廓圖。計劃制定和評估優(yōu)化。由物理師根據醫(yī)師要求設計精確復腫瘤獲得足夠放療劑量的同時，盡可能控制 OAR 組織的照，從而保護 OAR 組織的功能和患者療后生活質量。計劃驗證：放療中心位置驗證、放射野驗證和劑量驗證。無誤，如果任何一個環(huán)節(jié)出現(xiàn)超過允許程度的誤差，醫(yī)師、因，予以糾正。為了保證放療的精確性，必要時需進行重新實施。在治療機器上完成擺位后，啟動機器進行放射治療圖 1-1 癌癥患者的放射治療流程

部是各種器官集中的部位，重要器官多，解剖關系復雜，對應的 CT 圖像背景也異常復雜。由 CT 成像知識可知，，CT 圖像的像素灰度值是 CT 值。人體的內部組織對應的 CT 值如圖 1-2 所示。人體內大部分重要臟器均為軟組織，其 CT 值集中在 20～骨 軟組織 水 脂肪 空氣
【學位授予單位】：電子科技大學
【學位級別】：博士
【學位授予年份】：2019
【分類號】：TP391.41;R816

【參考文獻】

相關博士學位論文 前2條

1 楊婕;調強放射治療方案優(yōu)化方法研究[D];中北大學;2018年

2 李銘;CT金屬偽影校正研究[D];中國科學院研究生院(長春光學精密機械與物理研究所);2015年

本文編號：2615451