4D-CT肺癌病灶分割及运动轨迹跟踪一体化算法研究

Aiming at solving the problems of low efficiency and lack of accuracy generally existed in the current methods for lung cancer lesion delineation in 4D-CT images, the project is proposaled to study and establish a new method to automatically and precisely segment lung cancer lesions at each respiratory phase and track their respiratory motion trajectories.The project is going to stablish a mathematical model for the non-rigid periodic motion trajectory field of the irregularly shaped target such as the lung cancer lesions in 4D-CT images, taking into consideration not only the temporal continuity and smoothness of the motion trajectory for each single point, but also the spatial continuity and smoothness for the different points within the same tissue, as well as the discontinuity existed in the trajectory field covering different tissues. By studying the interactions between the roles of the three-dimensional object segmentation and the motion trajectory tracking, to explore various related information between the images of different respiratory phases in 4D-CT, so that two goals of both lesion segmentation and motion trajectory tracking can complement and support each other in order to develop an unified optimization model and algorithm for simutaneously solving the problems of lung lesion segmentation and trajectory tracking in 4D-CT. The project also is going to study the algorithm structure so as to make it be appropriated to be be ccelerated by GPU to achieve fast 4D-CT lung lesion segmentation and motion trajectory tracking, so as to provide a theoretical basis for the key algorithms for dynamic precision radiotherapy of lung cancer, as well as provider new solutions for other segmetation and motion tracking issuses arised from other kinds of image sequences.

针对目前肺部4D-CT 图像的肿瘤病灶勾画效率低和精确性不足的问题，研究和建立一种能自动精确分割各呼吸时相图像中的肺癌病灶并对其呼吸运动进行跟踪的新方法。对4D-CT 中的肺癌病灶这种形状不规则目标的非刚性周期运动轨迹场进行数学建模，既考虑单个质点的运动轨迹在时间上的连续性和光滑性，又考虑同一组织内不同质点的运动轨迹在空间上的连续性和光滑性，同时兼顾运动轨迹场在不同组织间的非连续性。通过研究三维目标分割与运动轨迹跟踪之间的相互影响和作用，发掘4D-CT 各呼吸时相图像之间的关联信息，让病灶分割与运动轨迹跟踪两项目标相互补充和支持，从而建立4D-CT 肺癌病灶分割与运动轨迹跟踪问题的统一优化模型及求解算法。研究适用于GPU 加速的算法结构，实现快速的4D-CT 肺癌病灶的分割与运动轨迹跟踪，为肺癌精确动态放疗的关键算法提供理论基础，为其它类型的序列图像分割与运动目标跟踪问题提供新的解决方案。

针对目前肺部4D-CT 图像的肿瘤病灶勾画效率低和精确性不足的问题，研究和建立一种能自动精确分割各呼吸时相图像中的肺癌病灶并对其呼吸运动进行跟踪的新方法。.收集和整理了4D-CT 图像数据，建立了初步的4D-CT肺癌病例图像数据库，为病灶轮廓运动建立了基于B样条的参数化张量曲面模型，完成了4D-CT肺癌轮廓自动跟踪算法和软件。.提出BSS方法在BSC方法的基础上加入了轮廓线在一个呼吸周期中的运动轨迹约束，由此实现以轮廓线的运动轨迹为形变实体，以所有时相中的轮廓线与参考轮廓线之间的灰度级分布最相似为优化目标，从而能够联合所有时相作为一个有机整体进行轮廓推衍，克服只针对两个时相进行轮廓推衍的不足。此外，BSS方法还能够以较高的精度计算出缺失时相中的肿瘤轮廓，有助于跟踪肿瘤在任意时刻的形状位置。BSS方法采用B样条曲面模拟肿瘤轮廓线在一个呼吸周期中扫过的曲面；通过移动控制顶点来调整该B样条曲面的形状位置，从而模拟肿瘤轮廓线在所有时相中的形变；最优B样条曲面满足所有时相中的肿瘤轮廓线与参考轮廓线之间灰度级分布最相似；而最优B样条曲面可以利用L-BFGS优化算法优化初始曲面的控制顶点的位置得到，初始曲面则由参考轮廓线构造，此时整张B样整张B样条曲面坍缩为参考轮廓线。.研究了基于深度学习的肺CT图像分割算法，提出了一种基于深度卷积神经网络对CT中的肺气管树进行自动分级的技术。实验表明我们的方法准确度高且具有实时性。.研究了基于深度学习的肺4D-CT图像的配准，提出了一个基于循环神经网络的配准模型，利用多幅图像的信息而不是两幅图像对图像进行了配准。结果表明，我们提出的方法的TRE低于目前大多数基于深度学习的肺部4DCT配准方法，并且减少了位移场折叠的现象。.研究适用于GPU 加速的算法结构，实现快速的4D-CT 肺癌病灶的分割与运动轨迹跟踪，为肺癌精确动态放疗的关键算法提供理论基础，为其它类型的序列图像分割与运动目标跟踪问题提供新的解决方案。