CN120876517B - 一种肿瘤影像自动分割与三维重建系统 - Google Patents

Abstract

本申请公开了一种肿瘤影像自动分割与三维重建系统，涉及图像处理技术领域。该系统包括：肿瘤影像采集模块、区域选取模块、形变度确定模块、影像修正模块以及三维模型构建模块。通过多个视角对肿瘤影像进行采集；之后通过影像中区域的形变信息选取参考区域，并基于各个视角下的参考区域对肿瘤影像进行校正，用于构建肿瘤三维模型。本方案针对呼吸运动导致的肿瘤位置不连续和形态失真问题进行修正，得到更加准确的修正肿瘤影像，从而能够提高生成的肿瘤三维模型的精准度。

Description

一种肿瘤影像自动分割与三维重建系统

技术领域

本申请涉及医疗影像处理技术领域，具体涉及一种肿瘤影像自动分割与三维重建系统。

背景技术

上消化道肿瘤‌是指发生在食管、胃、十二指肠等部位的恶性肿瘤，常见类型包括‌食管癌、胃癌、十二指肠癌‌。早期症状隐匿，‌吞咽困难、上腹疼痛、呕血‌等是典型表现，需通过影像学进行辅助诊断。医学影像技术在上消化道肿瘤‌的辅助诊断中发挥着至关重要的作用，为医生提供了大量有价值的信息。为了达成精准且一致的肿瘤区域识别目标，当前普遍借助预先训练好的深度神经网络在线识别并分割出肿瘤区域。在获取肿瘤区域的分割图像之后，还会运用三维重建技术将二维的肿瘤分割数据转化为三维模型，从而为医生进行手术规划以及放疗方案设计提供有力辅助。

目前，通常会采用深度学习的方法自动分割肿瘤影像，同时结合多视角影像开展三维重建工作。然而，在肿瘤影像的采集阶段，患者的呼吸运动会导致不同帧内肿瘤区域出现动态形变。这种情况会造成上消化道肿瘤影像中肿瘤区域的不连续以及形态失真，进而致使生成的肿瘤三维模型的精准度较低。

发明内容

为了解决患者呼吸导致利用肿瘤影像进行肿瘤三维模型建模时精准度低的问题，本申请提供了一种肿瘤影像自动分割与三维重建系统，所采用的技术方案具体如下：

本申请提供了一种肿瘤影像自动分割与三维重建系统，该系统包括：

肿瘤影像采集模块，用于获取多个采集视角下的初始肿瘤影像，初始肿瘤影像包括多个影像区域；

区域选取模块，用于根据各采集视角下影像区域在目标呼吸周期内的生物组织形变信息，在多个影像区域中选取基准区域，基准区域为生物组织的形变程度最小的影像区域；

形变度确定模块，用于将各采集视角下影像区域中的肿瘤区域分别与基准区域进行比较，得到各采集视角下肿瘤区域中各像素点的呼吸形变度；

影像修正模块，用于基于各采集视角下肿瘤区域中各像素点的呼吸形变度，分别对各采集视角下初始肿瘤影像中的肿瘤区域各像素点的位置进行修正，得到各采集视角下的修正肿瘤影像；

三维模型构建模块，用于基于各修正肿瘤影像，构建肿瘤三维模型。

在一些可能的实现方式中，区域选取模块，具体包括以下单元：

影像获取单元，用于获取目标呼吸周期内各采集视角下的历史肿瘤影像；

影像排序单元，用于将各采集视角下的历史肿瘤影像与对应的初始肿瘤影像按照时间顺序进行排序，构建得到各采集视角下的肿瘤影像序列；

联动性确定单元，用于针对各采集视角，分别执行：基于采集视角下的肿瘤影像序列，确定各影像区域在采集视角下的呼吸联动性；

评价值确定单元，用于基于各影像区域在各采集视角下的呼吸联动性，分别确定各影像区域的呼吸形变评价值；

区域确定单元，用于将呼吸形变评价值最小的影像区域，确定为基准区域。

在一些可能的实现方式中，联动性确定单元，具体用于：

在采集视角下的肿瘤影像序列中，获取目标影像区域在相邻肿瘤影像之间的影像帧差与影像匹配度，目标影像区域为任意一个影像区域；

利用目标影像区域在各相邻肿瘤影像之间的影像帧差与影像匹配度，确定目标影像区域在采集视角下的呼吸联动性。

在一些可能的实现方式中，评价值确定单元，具体用于：

将各采集视角按照预设遍历顺序进行排序，得到各采集视角的排列次序；

将相邻排列次序的采集视角下目标影像区域的呼吸联动性进行差值绝对值计算，得到呼吸联动性差值，目标影像区域为任意一个影像区域；

利用各呼吸联动性差值，确定目标影像区域的呼吸形变评价值。

在一些可能的实现方式中，形变度确定模块，具体包括以下单元：

区域筛选单元，用于从目标采集视角下各影像区域中，筛选得到目标采集视角下的各肿瘤区域，目标采集视角为任意一个采集视角；

形变比例确定单元，用于根据各肿瘤区域中各像素点与对应的肿瘤区域质心点之间的距离，分别确定各肿瘤区域中各像素点的相对形变比例；

位移度确定单元，用于根据各肿瘤区域中各像素点与基准区域质心点之间的距离，分别确定各肿瘤区域中各像素点的相对位移度；

形变度确定单元，用于利用各肿瘤区域中各像素点的相对形变比例与相对位移度，分别确定目标采集视角下各肿瘤区域中各像素点的呼吸形变度。

在一些可能的实现方式中，形变比例确定单元，具体用于：

根据目标呼吸周期目标采集视角下的肿瘤影像序列中各第一肿瘤区域中第j个像素点与对应的肿瘤区域质心点之间的第一距离，确定第j个像素点与肿瘤区域质心点之间的第一平均距离，j为正整数；

利用第二肿瘤区域中第j个像素点的第一距离以及对应的第一平均距离，确定目标采集视角下第二肿瘤区域中第j个像素点的相对形变比例，第二肿瘤区域为初始肿瘤影像中的第一肿瘤区域。

在一些可能的实现方式中，位移度确定单元，具体用于：

根据目标呼吸周期内目标采集视角下的肿瘤影像序列中各第一肿瘤区域中第j个像素点与基准区域质心点之间的第二距离，确定第j个像素点与基准区域质心点之间的第二平均距离，所述j为正整数；

利用第二肿瘤区域中第j个像素点的第二距离以及对应的第二平均距离，确定目标采集视角下第二肿瘤区域中第j个像素点的相对位移度，第二肿瘤区域为初始肿瘤影像中的第一肿瘤区域。

在一些可能的实现方式中，影像修正模块，具体用于：

基于各采集视角下初始肿瘤影像中肿瘤区域各像素点的呼吸形变度，分别确定各采集视角下初始肿瘤影像中肿瘤区域各像素点的形变修正量；

基于各采集视角下初始肿瘤影像中肿瘤区域各像素点的形变修正量，分别对各采集视角下初始肿瘤影像中肿瘤区域各像素点的位置进行校正，得到各采集视角下的修正肿瘤影像。

在一些可能的实现方式中，三维模型构建模块，具体用于：

将各修正肿瘤影像按照影像采集顺序进行排序，确定各修正肿瘤影像的空间位置；

对各修正肿瘤影像分别进行一致性处理，得到对应的一致性肿瘤影像；

将各一致性肿瘤影像按照对应的空间位置进行堆叠，得到影像堆叠结果；

基于影像堆叠结果，构建肿瘤三维模型。

在一些可能的实现方式中，肿瘤影像采集模块，具体用于：

发送图像采集信号至肿瘤扫描仪，以使肿瘤扫描仪对目标患者进行肿瘤扫描；

接收肿瘤扫描仪收集到的目标患者的原始信号数据；

通过目标重建算法，将原始信号数据转换为二维图像格式，得到多个采集视角下的初始肿瘤影像。

本申请具有如下有益效果：

本申请实施例提供的一种肿瘤影像自动分割与三维重建系统中，先通过肿瘤影像采集模块获取多个采集视角下的初始肿瘤影像，为后续处理提供全面的影像数据基础。然后，通过区域选取模块，选取形变程度最小的影像区域作为基准区域，找到一个相对稳定的参考标准。再通过形变度确定模块，将各采集视角下肿瘤区域中的各像素点分别与基准区域进行比较，得到各像素点的呼吸形变度，精确量化每个像素点由于呼吸所导致的形变程度。再通过影像修正模块，基于各采集视角下肿瘤区域中各像素点的呼吸形变度，分别对各像素点的位置进行修正，得到各采集视角下的修正肿瘤影像。直接针对呼吸运动导致的肿瘤位置不连续和形态失真问题进行修正，使得修正后的肿瘤影像更接近肿瘤的真实形态和位置，大大提高了影像数据的准确性。最后，再通过三维模型构建模块，基于各修正肿瘤影像构建肿瘤三维模型。如此，本申请实施例能够针对呼吸运动导致的肿瘤位置不连续和形态失真问题进行修正，得到更加准确的修正肿瘤影像，从而能够提高生成的肿瘤三维模型的精准度。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1为本申请一个实施例所提供的一种肿瘤影像自动分割与三维重建系统的结构示意图；

图2为本申请一个实施例所提供的区域选取模块的结构示意图；

图3为本申请一个实施例所提供的形变度确定模块的结构示意图。

具体实施方式

为了更进一步阐述本申请为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本申请提出的一种肿瘤影像自动分割与三维重建系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。

下面介绍本申请实施例提供的一种肿瘤影像自动分割与三维重建系统的具体实施例。

如图1所示，提供了一种肿瘤影像自动分割与三维重建系统的结构示意图。该一种肿瘤影像自动分割与三维重建系统100包括肿瘤影像采集模块110、区域选取模块120、形变度确定模块130、影像修正模块140以及三维模型构建模块150。

肿瘤影像采集模块110，用于获取多个采集视角下的初始肿瘤影像，初始肿瘤影像包括多个影像区域。

在本实施例中，采集视角是指从不同角度或位置获取肿瘤影像的视角。例如，在医学影像检查中，可能通过不同的探头位置、扫描方向或成像模式（如CT的不同扫描层面组合等）来获取肿瘤影像，每个不同的获取方式就对应一个采集视角。

初始肿瘤影像是指通过特定的成像设备（如CT等）在多个采集视角下获取的关于肿瘤的原始影像数据，这些影像包含了肿瘤及其周围生物组织的形态、结构等信息，且每个初始肿瘤影像由多个影像区域组成。

影像区域是指初始肿瘤影像中被划分出来的具有一定边界和特征的局部区域，这些区域可以是基于图像分割技术根据组织的灰度、纹理等特征划分出来的，用于后续对肿瘤及其周围组织的详细分析。示例地，可以利用经过大规模标注数据训练的深度学习神经网络（U-Net）对初始肿瘤影像进行自动分割，得到若干个影像区域。

作为一个示例，肿瘤影像采集模块110使用多种成像设备或从不同采集参数设置下获取初始肿瘤影像。例如，对于 CT 检查，可以采用不同的扫描层厚、扫描角度进行多次扫描。

然后，对于获取的初始肿瘤影像进行预处理，包括去噪、图像增强等操作，以提高影像质量，便于后续分析。

区域选取模块120，用于根据各采集视角下影像区域在目标呼吸周期内的生物组织形变信息，在多个影像区域中选取基准区域，基准区域为生物组织的形变程度最小的影像区域。

在本实施例中，目标呼吸周期是指在医学影像采集过程中，考虑到呼吸运动会对肿瘤及周围组织的形态产生影响，选取一个特定的呼吸周期（例如一次完整的吸气和呼气过程）作为分析的时间范围，在这个周期内研究生物组织的形变信息。

生物组织形变信息是描述在目标呼吸周期内，生物组织（包括肿瘤及其周围正常组织）的形状、位置等发生变化的信息。可以通过图像配准、光流法等技术，对比不同时间点（呼吸周期的不同阶段）的肿瘤影像，计算出组织在各个方向上的位移、应变等形变参数。

基准区域是指在多个影像区域中，经过分析比较，确定生物组织形变程度最小的影像区域作为基准区域。该区域在呼吸过程中的形态变化相对稳定，可作为后续比较和修正的参考标准。

作为一个示例，区域选取模块120针对每个采集视角，运用图像配准技术，将目标呼吸周期内的初始肿瘤影像与目标呼吸周期内不同时间点的历史肿瘤影像进行配准，计算出每个影像区域在各个时间点的位移场，从而得到生物组织的形变信息。

通过分析形变信息，计算每个影像区域的形变程度指标，如平均位移、最大应变等。比较各影像区域的形变程度指标，选取形变程度最小的影像区域作为基准区域。

形变度确定模块130，用于将各采集视角下影像区域中的肿瘤区域分别与基准区域进行比较，得到各采集视角下肿瘤区域中各像素点的呼吸形变度。

在本实施例中，肿瘤区域是指在初始肿瘤影像中明确标识出的包含肿瘤细胞的区域，通常通过医学影像分析技术（如基于图像特征的分类、机器学习算法等）从影像区域中分割出来。

呼吸形变度用于量化肿瘤区域中各像素点在呼吸过程中形变程度的指标。通过将各采集视角下肿瘤区域中的像素点与基准区域进行比较，计算出每个像素点在空间位置上的变化量，该变化量即为呼吸形变度。

作为一个示例，形变度确定模块130首先利用图像分割技术，从各采集视角的初始肿瘤影像中准确分割出肿瘤区域。

然后，采用图像配准或特征匹配的方法，将肿瘤区域与基准区域进行对齐，计算出肿瘤区域中每个像素点相对于基准区域对应位置的空间位移，从而确定该像素点的呼吸形变度。

影像修正模块140，用于基于各采集视角下肿瘤区域中各像素点的呼吸形变度，分别对各采集视角下初始肿瘤影像中的肿瘤区域各像素点的位置进行修正，得到各采集视角下的修正肿瘤影像。

在本实施例中，修正肿瘤影像是基于各采集视角下肿瘤区域中各像素点的呼吸形变度，对初始肿瘤影像中的原始肿瘤区域各像素点的位置进行调整后得到的影像。修正后的影像更能准确反映肿瘤在不受呼吸运动干扰下的真实形态和位置。

作为一个示例，影像修正模块140根据计算得到的呼吸形变度，对每个像素点的原始坐标进行调整。例如，如果某像素点的呼吸形变度表示其在 X 方向上有2mm的位移，则在修正时将该像素点的 X 坐标对应加上或减去2mm。

对初始肿瘤影像中肿瘤区域的所有像素点进行上述位置修正操作，得到修正后的肿瘤区域，进而生成各采集视角下的修正肿瘤影像。

三维模型构建模块150，用于基于各修正肿瘤影像，构建肿瘤三维模型。

在本实施例中，肿瘤三维模型是指利用各修正肿瘤影像，通过三维重建技术（如面绘制、体绘制等方法）构建出的能够直观展示肿瘤三维空间结构、形态和位置的模型。

作为一个示例，三维模型构建模块150采用三维重建算法，如 Marching Cubes 算法（面绘制）或光线投射算法（体绘制），将各修正肿瘤影像中的肿瘤信息进行整合和重建。

在重建过程中，需要考虑各影像之间的空间位置关系和灰度信息，以确保构建的三维模型能够准确反映肿瘤的真实形态和空间结构。

作为一个可选实施例，如图2所示，区域选取模块120具体包括以下单元：

影像获取单元121，用于获取目标呼吸周期内各采集视角下的历史肿瘤影像；

影像排序单元122，用于将各采集视角下的历史肿瘤影像与对应的初始肿瘤影像按照时间顺序进行排序，构建得到各采集视角下的肿瘤影像序列；

联动性确定单元123，用于针对各采集视角，分别执行：基于采集视角下的肿瘤影像序列，确定各影像区域在采集视角下的呼吸联动性；

评价值确定单元124，用于基于各影像区域在各采集视角下的呼吸联动性，分别确定各影像区域的呼吸形变评价值；

区域确定单元125，用于将呼吸形变评价值最小的影像区域，确定为基准区域。

在本实施例中，历史肿瘤影像用于表征在目标呼吸周期内，从各个采集视角获取的过去时刻的肿瘤影像数据。这些影像记录了肿瘤在不同时间点的形态、位置等信息。

肿瘤影像序列为将各采集视角下的历史肿瘤影像与对应的初始肿瘤影像按照时间顺序排列后形成的影像集合，它反映了肿瘤在目标呼吸周期内随时间的变化情况。

呼吸联动性用于描述影像区域在呼吸过程中与呼吸运动之间的关联程度。如果某个影像区域在呼吸时与呼吸运动的变化趋势一致，则具有较高的呼吸联动性；反之则较低。

呼吸形变评价值用于量化影像区域在呼吸过程中发生形变程度的指标。该值综合考虑了影像区域在呼吸周期内的形态变化、位置移动等因素，评价值越高表示形变程度越大。

作为一个示例，影像获取单元121先基于初始肿瘤影像对应的当前时刻，确定当前时刻所处的目标呼吸周期。然后，获取该目标呼吸周期内各个采集视角下对应的历史肿瘤影像。

然后，影像排序单元122根据历史肿瘤影像的采集时间戳与初始肿瘤影像的采集时间戳，将每个采集视角下的历史肿瘤影像与初始肿瘤影像按照时间先后顺序依次排列，形成每个采集视角下的肿瘤影像序列。

然后，联动性确定单元123根据采集视角下的肿瘤影像序列，分析每个影像区域的形态、位置等变化特征，以此确定各影像区域在该采集视角下的呼吸联动性。

然后，评价值确定单元124综合考虑影像区域在不同采集视角下的呼吸联动性，建立数学模型或算法，将呼吸联动性转化为呼吸形变评价值。例如，可以对影像区域在不同采集视角下的呼吸联动性进行均值计算，得到影像区域的呼吸形变评价值。

最后，区域确定单元125对所有影像区域的呼吸形变评价值进行比较和排序，选择呼吸形变评价值最小的影像区域作为基准区域。

通过本实施例，构建肿瘤影像序列并分析影像区域的呼吸联动性，能够更全面地了解肿瘤在呼吸过程中的动态变化，从而更准确地评估肿瘤的特征和行为。如此，能够提高后续肿瘤三维模型的精准度。

作为一个可选实施例，联动性确定单元123，具体用于：

在采集视角下的肿瘤影像序列中，获取目标影像区域在相邻肿瘤影像之间的影像帧差与影像匹配度，目标影像区域为任意一个影像区域；

利用目标影像区域在各相邻肿瘤影像之间的影像帧差与影像匹配度，确定目标影像区域在采集视角下的呼吸联动性。

在本实施例中，影像帧差用于表征在肿瘤影像序列中，相邻两张肿瘤影像之间目标影像区域的像素值差异。具体地，可以通过计算两张肿瘤影像对应像素点的灰度值或其他特征值的差值来得到，反映了目标影像区域在相邻时间点之间的形态或灰度变化。

影像匹配度用于衡量相邻两张肿瘤影像中目标影像区域相似程度的指标。通常使用图像配准算法来计算，匹配度越高表示两张影像中目标影像区域的相似度越大，即目标影像区域在相邻时间点的形态和位置变化越小。

作为一个示例，联动性确定单元123对于肿瘤影像序列中的每一对相邻的肿瘤影像，确定目标影像区域在这两张肿瘤影像中的位置。然后，计算目标影像区域在两张肿瘤影像对应像素点的特征值（如灰度值）差值，可以采用绝对差值、平方差值等方法。再将所有像素点的差值进行统计处理（如求平均值、均方根值等），得到目标影像区域在这对相邻的肿瘤影像之间的影像帧差。

然后，选择合适的图像配准算法，如基于特征的配准算法（SIFT、SURF 等）或基于灰度的配准算法（互信息、归一化互相关等）。以目标影像区域为配准对象，在相邻两张肿瘤影像中进行配准操作，找到使目标影像区域在两张肿瘤影像中最佳匹配的变换参数。根据配准的结果，计算匹配度指标，如匹配后目标影像区域的相似度得分、配准误差等，以此作为影像匹配度的量化值。

最后，根据目标影像区域在各相邻肿瘤影像之间的影像帧差与影像匹配度，具体通过以下公式确定目标影像区域在采集视角下的呼吸联动性：

；

式中，用于表征第i个影像区域在采集视角下的呼吸联动性，N用于表征肿瘤影像序列中的肿瘤影像数量，其中N为不小于2的正整数。用于表征第i个影像区域在第n帧肿瘤影像与第n+1帧肿瘤影像之间的影像帧差，用于表征第i个影像区域在第n帧肿瘤影像与第n+1帧肿瘤影像之间的影像匹配度，exp用于表征自然对数的底数e的指数运算。

其中，第i个影像区域在各相邻肿瘤影像之间的影像帧差越大，则第i个影像区域在采集视角下的呼吸联动性越大；第i个影像区域在各相邻肿瘤影像之间的影像匹配度越大，则第i个影像区域在采集视角下的呼吸联动性越小。

通过本实施例，同时考虑影像帧差和影像匹配度，能够更全面、准确地评估目标影像区域在呼吸过程中的变化情况。影像帧差反映了目标影像区域的形态或灰度变化，而影像匹配度则衡量了其相似程度，两者结合可以更细致地刻画目标影像区域与呼吸运动的联动关系。

作为一个可选实施例，评价值确定单元124，具体用于：

将各采集视角按照预设遍历顺序进行排序，得到各采集视角的排列次序；

将相邻排列次序的采集视角下目标影像区域的呼吸联动性进行差值绝对值计算，得到呼吸联动性差值，目标影像区域为任意一个影像区域；

利用各呼吸联动性差值，确定目标影像区域的呼吸形变评价值。

在本实施例中，预设遍历顺序为预先设定的对采集视角进行排序的规则或顺序，可以是按照某种特定的逻辑，如按照角度大小、采集时间先后等确定的顺序。

排列次序为根据预设遍历顺序对采集视角排序后，每个采集视角所处的位置序号，用于明确采集视角之间的先后顺序关系。

呼吸联动性差值为相邻排列次序的采集视角下目标影像区域呼吸联动性的差值绝对值，通过计算相邻采集视角下呼吸联动性的差值得到。

作为一个示例，评价值确定单元124先明确预设遍历顺序的具体规则，例如按照采集视角与某一参考方向的夹角从小到大排序，或者按照采集时间的先后顺序排序等。再根据该规则对所有采集视角进行排序，并为每个采集视角分配一个排列次序，如第一个采集视角排列次序为 1，第二个为 2，以此类推。

然后，对于已经排好序的采集视角，依次选取相邻的两个采集视角。分别获取这两个相邻采集视角下目标影像区域的呼吸联动性。计算这两个呼吸联动性之间的差值，即呼吸联动性差值。

最后，根据各呼吸联动性差值，具体通过以下公式确定目标影像区域的呼吸形变评价值：

；

式中，用于表征第i个影像区域的呼吸形变评价值，M用于表征采集视角的数量。用于表征第i个影像区域在第m个采集视角下的呼吸联动性，用于表征第i个影像区域在第m+1个采集视角下的呼吸联动性，exp用于表征自然对数的底数e的指数运算。

其中，越小，则表征相邻采集视角下第i个影像区域的呼吸联动性差异越小，则第i个影像区域的呼吸形变评价值越大。

通过本实施例，考虑不同采集视角下目标影像区域呼吸联动性的变化，能够更全面地评估呼吸运动对目标影像区域的影响。并且，不同采集视角可以提供关于肿瘤在不同方向上的运动信息，从而更准确地反映目标影像区域的实际形变情况。

作为一个可选实施例，如图3所示，形变度确定模块130，具体包括以下单元：

区域筛选单元131，用于从目标采集视角下各影像区域中，筛选得到目标采集视角下的各肿瘤区域，所述目标采集视角为任意一个采集视角；

形变比例确定单元132，用于根据各肿瘤区域中各像素点与对应的肿瘤区域质心点之间的距离，分别确定各肿瘤区域中各像素点的相对形变比例；

位移度确定单元133，用于根据各肿瘤区域中各像素点与基准区域质心点之间的距离，分别确定各肿瘤区域中各像素点的相对位移度；

形变度确定单元134，用于利用各肿瘤区域中各像素点的相对形变比例与相对位移度，分别确定目标采集视角下各肿瘤区域中各像素点的呼吸形变度。

在本实施例中，质心点为一个区域的几何中心，对于肿瘤区域而言，其质心点可以通过计算该肿瘤区域内所有像素点的坐标平均值得到，代表了该肿瘤区域的大致中心位置。

相对形变比例用于衡量肿瘤区域内各像素点相对于该肿瘤区域质心点的形变程度，反映了各像素点在肿瘤区域内的相对位置变化情况。

相对位移度用于表示肿瘤区域内各像素点相对于基准区域质心点的位置移动程度，体现了各像素点在呼吸过程中的空间位置变化。

作为一个示例，区域筛选单元131可以采用图像分割算法，如基于阈值分割、区域生长、边缘检测等方法，根据肿瘤与周围组织的特征差异（如灰度值、纹理等），将目标采集视角下的影像区域中属于肿瘤的部分标记出来，得到各个肿瘤区域。

然后，形变比例确定单元132先计算每个肿瘤区域的质心点坐标，再计算肿瘤区域中各像素点与肿瘤区域质心点之间的距离。再根据所有像素点到肿瘤区域质心点的距离分布情况，确定相对形变比例。例如，可以将每个像素点的距离与肿瘤区域内所有像素点到肿瘤区域质心点距离的平均值或最大值进行比较，得到一个相对的比例值作为对应的相对形变比例。

然后，位移度确定单元133先确定基准区域的质心点坐标，再计算每个肿瘤区域中各像素点到基准区域质心点的距离，再根据所有像素点到基准区域质心点的距离分布情况，确定相对位移度。例如，可以将每个像素点的距离与某个参考值（如初始状态下该像素点到基准区域质心点的距离）进行比较，得到相对位移度。

最后，利用各肿瘤区域中各像素点的相对形变比例与相对位移度，通过以下公式确定目标采集视角下各肿瘤区域中各像素点的呼吸形变度：

；

式中，用于表征目标采集视角下初始肿瘤影像中第O个肿瘤区域中第j个像素点的呼吸形变度，用于表征目标采集视角下初始肿瘤影像中第O个肿瘤区域中第j个像素点的相对形变比例，用于表征目标采集视角下初始肿瘤影像中第O个肿瘤区域中第j个像素点的相对位移度。

其中，像素点的相对形变比例越大，或像素点的相对位移度越大，则表示像素点的呼吸形变度越大。

通过本实施例，综合考虑肿瘤区域内像素点的相对形变比例和相对位移度，能够更准确地评估呼吸运动对肿瘤区域的影响。相对形变比例反映了肿瘤区域内部的形变情况，相对位移度体现了肿瘤区域整体的移动情况，两者结合可以更全面地刻画呼吸过程中的肿瘤形变。

作为一个可选实施例，形变比例确定单元132，具体用于：

根据目标呼吸周期目标采集视角下的肿瘤影像序列中各第一肿瘤区域中第j个像素点与对应的肿瘤区域质心点之间的第一距离，确定第j个像素点与肿瘤区域质心点之间的第一平均距离，j为正整数；

利用第二肿瘤区域中第j个像素点的第一距离以及对应的第一平均距离，确定目标采集视角下第二肿瘤区域中第j个像素点的相对形变比例，第二肿瘤区域为初始肿瘤影像中的第一肿瘤区域。

在本实施例中，第一距离用于表征目标采集视角下第二肿瘤区域中第j 个像素点与对应的肿瘤区域质心点之间的空间距离，第二肿瘤区域为初始肿瘤影像中的第一肿瘤区域。

第一平均距离用于表征目标呼吸周期内目标采集视角下的肿瘤影像序列中所有肿瘤影像的第一肿瘤区域中第j 个像素点与对应的肿瘤区域质心点之间的空间距离平均值。

作为一个示例，具体通过以下公式确定相对形变比例：

；

式中，用于表征目标采集视角下初始肿瘤影像中第O个肿瘤区域中第j个像素点的相对形变比例，用于表征目标采集视角下初始肿瘤影像中第O个肿瘤区域中第j个像素点的第一距离，用于表征目标呼吸周期内目标采集视角下的肿瘤影像序列中第O个肿瘤区域中第j个像素点的第一平均距离。用于表征第O个肿瘤区域的呼吸形变评价值，用于表征基准区域的呼吸形变评价值，exp用于表征自然对数的底数e的指数运算。

其中，用于表征初始肿瘤影像中第O个肿瘤区域内第个像素点在目标呼吸周期内的形变与第O个肿瘤区域的呼吸形变评价值的比值，代表第个像素点在该肿瘤区域内的形变比例。该值越大，则代表初始肿瘤影像中第O个肿瘤区域内第个像素点的相对形变比例越大。

通过本实施例，基于计算相对形变比例，能够量化肿瘤区域内每个像素点相对于质心点的形变程度，从而提供更直观的肿瘤形变信息。如此，有助于后续对初始肿瘤影像进行修正，提高肿瘤三维模型的精准性。

作为一个可选实施例，位移度确定单元133，具体用于：

根据目标呼吸周期内目标采集视角下的肿瘤影像序列中各第一肿瘤区域中第j个像素点与基准区域质心点之间的第二距离，确定第j个像素点与基准区域质心点之间的第二平均距离，所述j为正整数；

利用第二肿瘤区域中第j个像素点的第二距离以及对应的第二平均距离，确定目标采集视角下第二肿瘤区域中第j个像素点的相对位移度，第二肿瘤区域为初始肿瘤影像中的第一肿瘤区域。

在本实施例中，第二距离用于表征目标采集视角下第二肿瘤区域中第j 个像素点与对应的基准区域质心点之间的空间距离，第二肿瘤区域为初始肿瘤影像中的第一肿瘤区域。

第二平均距离用于表征目标呼吸周期内目标采集视角下的肿瘤影像序列中所有肿瘤影像的第一肿瘤区域中第j 个像素点与对应的基准区域质心点之间的空间距离平均值。

作为一个示例，具体通过以下公式确定相对位移度：

；

式中，用于表征目标采集视角下初始肿瘤影像中第O个肿瘤区域中第j个像素点的相对位移度，用于表征目标采集视角下初始肿瘤影像中第O个肿瘤区域中第j个像素点的第二距离，用于表征目标采集视角下初始肿瘤影像中第O个肿瘤区域中第j个像素点的第二平均距离，用于表征归一化运算。

其中，用于表征初始肿瘤影像中第O个肿瘤区域内第个像素点相对于基准区域的位置变化关系。该值越大，则代表初始肿瘤影像中第O个肿瘤区域内第个像素点相对于基准区域位置变化越明显，则初始肿瘤影像中第O个肿瘤区域中第j个像素点的相对位移度越大。

通过本实施例，基于计算相对位移度，能够量化肿瘤区域内每个像素点相对于基准区域的形变程度，从而提供更直观的肿瘤形变信息。如此，有助于后续对初始肿瘤影像进行修正，提高肿瘤三维模型的精准性。

作为一个可选实施例，影像修正模块140，具体用于：

基于各采集视角下初始肿瘤影像中肿瘤区域各像素点的呼吸形变度，分别确定各采集视角下初始肿瘤影像中肿瘤区域各像素点的形变修正量；

基于各采集视角下初始肿瘤影像中肿瘤区域各像素点的形变修正量，分别对各采集视角下初始肿瘤影像中肿瘤区域各像素点的位置进行校正，得到各采集视角下的修正肿瘤影像。

在本实施例中，形变修正量为根据呼吸形变度计算得到的，用于修正初始肿瘤影像中肿瘤区域各像素点位置或形状的数值。它表示了每个像素点需要调整的程度，以消除呼吸运动带来的形变影响。

修正肿瘤影像为经过对各采集视角下初始肿瘤影像中肿瘤区域各像素点位置进行校正后得到的肿瘤影像。该肿瘤影像消除了呼吸形变的影响，更准确地反映了肿瘤的真实形态。

作为一个示例，影像修正模块140先通过以下公式确定形变修正量：

；

式中，用于表征第m个采集视角下的初始肿瘤影像中第O个肿瘤区域中第j个像素点的形变修正量，用于表征第m个采集视角下的初始肿瘤影像中第O个肿瘤区域中第j个像素点的呼吸形变度，用于表征各采集视角下的初始肿瘤影像中第O个肿瘤区域中第j个像素点的呼吸形变度的平均值。

然后，影像修正模块140对于每个采集视角下的初始肿瘤影像，遍历肿瘤区域中的每个像素点，根据计算得到的形变修正量，调整像素点的位置。例如，如果某个像素点的原始坐标为，其形变修正量为，则校正后的坐标为。

最后，再将所有校正后的像素点重新组合，形成各采集视角下的修正肿瘤影像。在校正过程中，需要注意保持影像的分辨率、灰度值范围等参数不变，以确保修正后的影像质量。

通过本实施例，消除呼吸运动带来的形变影响，修正肿瘤影像能够更准确地反映肿瘤的真实形态和位置。如此，基于修正肿瘤影像创建肿瘤三维模型，能够提高生成的肿瘤三维模型的精准度。

作为一个可选实施例，三维模型构建模块150，具体用于：

将各修正肿瘤影像按照影像采集顺序进行排序，确定各修正肿瘤影像的空间位置；

对各修正肿瘤影像分别进行一致性处理，得到对应的一致性肿瘤影像；

将各一致性肿瘤影像按照对应的空间位置进行堆叠，得到影像堆叠结果；

基于影像堆叠结果，构建肿瘤三维模型。

在本实施例中，空间位置为根据影像采集顺序，为每个修正肿瘤影像赋予的一个在三维空间中的相对位置信息。它反映了影像采集时肿瘤在不同视角下的空间分布情况，是后续影像堆叠和三维模型构建的基础。

一致性处理为对修正肿瘤影像进行的一系列操作，旨在消除影像之间的亮度、对比度、分辨率等方面的差异，使各影像在视觉上和数据特征上具有一致性，以便更好地进行影像堆叠和三维模型构建。

一致性肿瘤影像为经过一致性处理后的修正肿瘤影像，具有相似的图像特征，能够更准确地融合在一起。

影像堆叠结果为将各一致性肿瘤影像按照对应的空间位置进行叠加后得到的结果，它包含了肿瘤在不同视角下的综合信息，是构建三维模型的关键数据。

作为一个示例，三维模型构建模块150先根据影像采集顺序对修正肿瘤影像进行排序。同时，根据采集时的几何关系（如成像设备的角度、位置等）和临床需求，确定每个影像对应的空间位置。例如，如果采集是围绕患者身体进行的环形扫描，可以根据扫描角度和距离来确定每个影像在三维空间中的位置。

然后，计算每个修正肿瘤影像的平均亮度和对比度，通过直方图均衡化、灰度拉伸等方法，将所有修正肿瘤影像的亮度和对比度调整到相似的范围。例如，可以采用全局直方图均衡化算法，增强影像的整体对比度，使不同影像之间的亮度和对比度差异减小。同时，检查各修正肿瘤影像的分辨率，如果存在差异，采用插值算法（如双线性插值、三次样条插值等）将修正肿瘤影像的分辨率统一到相同的水平。例如，将所有修正肿瘤影像的分辨率调整为 512×512 像素。再使用滤波算法（如高斯滤波、中值滤波等）去除修正肿瘤影像中的噪声，提高影像的质量。例如，采用高斯滤波对修正肿瘤影像进行平滑处理，减少噪声对后续分析的影响。

然后，根据确定的空间位置，将各一致性肿瘤影像放置在三维空间中的相应位置。可以使用图像处理软件或专门的医学影像处理平台来实现这一过程。在堆叠过程中，需要考虑影像之间的重叠区域，采用合适的融合算法（如加权平均融合、最大值融合等）对重叠区域进行处理，使影像过渡自然。例如，对于重叠区域的像素值，可以采用加权平均的方法，根据像素点在不同影像中的位置和权重计算最终的像素值。

最后，从影像堆叠结果中提取肿瘤的轮廓信息，使用表面重建算法（如 MarchingCubes 算法）构建肿瘤的三维表面模型。该算法通过在三维数据场中抽取等值面来生成肿瘤的表面模型，能够直观地展示肿瘤的外形。也可以将影像堆叠结果看作一个三维体素数据场，每个体素对应影像中的一个像素点。根据体素的灰度值或其他特征信息，构建肿瘤的体素模型，该模型可以包含肿瘤的内部结构信息。

通过本实施例，借助影像堆叠和三维模型构建，能够整合不同采集视角下的肿瘤影像信息，提供肿瘤在三维空间中的完整形态和结构信息，有助于医生更全面地了解肿瘤的特征，包括肿瘤的大小、形状、位置以及与周围组织的关系等。

作为一个可选实施例，肿瘤影像采集模块110，具体用于：

发送图像采集信号至肿瘤扫描仪，以使肿瘤扫描仪对目标患者进行肿瘤扫描；

接收肿瘤扫描仪收集到的目标患者的原始信号数据；

通过目标重建算法，将原始信号数据转换为二维图像格式，得到多个采集视角下的初始肿瘤影像。

在本实施例中，图像采集信号为一种用于触发肿瘤扫描仪开始扫描操作的指令信号。它可以是特定格式的电信号、数字信号等，包含了扫描所需的参数信息，如扫描范围、扫描层厚、扫描模式等，指导肿瘤扫描仪按照预设的方式进行扫描。

肿瘤扫描仪为一种专门用于对肿瘤进行检测和成像的医疗设备，常见的有计算机断层扫描仪、磁共振成像仪、正电子发射断层显像-计算机断层扫描仪等。它能够通过不同的成像原理，获取人体内部肿瘤的相关信息。

原始信号数据为肿瘤扫描仪在扫描目标患者过程中收集到的未经处理的数据。这些数据是扫描仪探测器接收到的各种物理信号（如 X 射线衰减信号、磁共振信号、正电子湮灭产生的伽马射线信号等）的数字化表示，包含了患者体内肿瘤及其他组织的结构和功能信息。

目标重建算法为一种专门用于将原始信号数据转换为二维图像格式的算法。不同的成像设备有不同的成像原理和数据特点，因此需要采用相应的重建算法来处理原始信号数据，以生成清晰、准确的二维图像。

二维图像格式为将原始信号数据经过处理后得到的，以二维平面形式展示的图像数据格式。常见的二维图像格式有医学数字成像和通信格式等，这种格式的图像便于医生在计算机上进行查看、分析和诊断。

作为一个示例，肿瘤影像采集模块110根据目标患者的具体情况（如病情、检查部位等）和临床需求，确定扫描所需的参数，如扫描范围（确定扫描的身体部位和区域）、扫描层厚（每层扫描的厚度）、扫描模式（如平扫、增强扫描等）。再将确定的扫描参数按照肿瘤扫描仪所要求的信号格式进行编码，生成图像采集信号。例如，对于 CT 扫描仪，需要通过特定的通信协议将参数信息封装成指令信号。再通过有线或无线的方式将生成的图像采集信号发送至肿瘤扫描仪。常见的传输方式有以太网连接、光纤传输等，确保信号能够准确、及时地到达扫描仪。

然后，在发送图像采集信号的同时，建立与肿瘤扫描仪之间的数据接收通道。具体地，这通常涉及到设置数据传输协议、端口号等参数，确保能够正确接收扫描仪发送的数据。当肿瘤扫描仪完成扫描并开始发送原始信号数据时，肿瘤影像采集模块110按照设定的协议接收数据，并将其缓存到内存或硬盘中。在接收过程中，需要对数据进行完整性检查，确保数据没有丢失或损坏。

最后，根据肿瘤扫描仪的类型和原始信号数据的特点，选择合适的目标重建算法。例如，对于 CT 扫描的原始数据，常用的重建算法有滤波反投影算法、迭代重建算法。再使用编程语言实现选定的目标重建算法，并将接收到的原始信号数据输入到算法中进行处理。算法会对原始数据进行一系列的数学运算和变换，如滤波、反投影、傅里叶变换等，以提取出图像信息。经过算法处理后，将得到的图像数据转换为二维图像格式。同时，根据扫描时的采集视角信息，为每个二维图像赋予相应的视角标识，得到多个采集视角下的初始肿瘤影像。

通过本实施例，获取多个采集视角下的初始肿瘤影像，能够更全面、准确地展示肿瘤的形态、结构和位置信息，有助于医生更准确地诊断肿瘤的类型、分期和病情严重程度。

需要说明的是：以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围，均应包含在本申请的保护范围之内。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

Claims (9)

1.一种肿瘤影像自动分割三维重建系统，其特征在于，所述系统包括：

肿瘤影像采集模块，用于获取多个采集视角下的初始肿瘤影像，所述初始肿瘤影像包括多个影像区域；

区域选取模块，用于根据各所述采集视角下所述影像区域在目标呼吸周期内的生物组织形变信息，在所述多个影像区域中选取基准区域，所述基准区域为所述生物组织的形变程度最小的所述影像区域；

形变度确定模块，用于将各所述采集视角下所述影像区域中的肿瘤区域分别与所述基准区域进行比较，得到各所述采集视角下所述肿瘤区域中各像素点的呼吸形变度；

影像修正模块，用于基于各所述采集视角下所述肿瘤区域中各像素点的呼吸形变度，分别对各所述采集视角下所述初始肿瘤影像中的所述肿瘤区域各像素点的位置进行修正，得到各所述采集视角下的修正肿瘤影像；

三维模型构建模块，用于基于各所述修正肿瘤影像，构建肿瘤三维模型；

所述区域选取模块，包括以下单元：

影像获取单元，用于获取所述目标呼吸周期内各所述采集视角下的历史肿瘤影像；

影像排序单元，用于将各所述采集视角下的历史肿瘤影像与对应的所述初始肿瘤影像按照时间顺序进行排序，构建得到各所述采集视角下的肿瘤影像序列；

联动性确定单元，用于针对各所述采集视角，分别执行：基于所述采集视角下的所述肿瘤影像序列，确定各所述影像区域在所述采集视角下的呼吸联动性；

评价值确定单元，用于基于各所述影像区域在各所述采集视角下的呼吸联动性，分别确定各所述影像区域的呼吸形变评价值；

区域确定单元，用于将所述呼吸形变评价值最小的所述影像区域，确定为所述基准区域。

2.根据权利要求1所述的一种肿瘤影像自动分割三维重建系统，其特征在于，所述联动性确定单元，具体用于：

在所述采集视角下的所述肿瘤影像序列中，获取目标影像区域在相邻肿瘤影像之间的影像帧差与影像匹配度，所述目标影像区域为任意一个所述影像区域；

利用所述目标影像区域在各所述相邻肿瘤影像之间的影像帧差与影像匹配度，确定所述目标影像区域在所述采集视角下的呼吸联动性。

3.根据权利要求1所述的一种肿瘤影像自动分割三维重建系统，其特征在于，所述评价值确定单元，具体用于：

将各所述采集视角按照预设遍历顺序进行排序，得到各所述采集视角的排列次序；

将相邻排列次序的所述采集视角下目标影像区域的呼吸联动性进行差值绝对值计算，得到呼吸联动性差值，所述目标影像区域为任意一个所述影像区域；

利用各所述呼吸联动性差值，确定所述目标影像区域的所述呼吸形变评价值。

4.根据权利要求1所述的一种肿瘤影像自动分割三维重建系统，其特征在于，所述形变度确定模块，包括以下单元：

区域筛选单元，用于从目标采集视角下各所述影像区域中，筛选得到所述目标采集视角下的各所述肿瘤区域，所述目标采集视角为任意一个所述采集视角；

形变比例确定单元，用于根据各所述肿瘤区域中各像素点与对应的肿瘤区域质心点之间的距离，分别确定各所述肿瘤区域中各像素点的相对形变比例；

位移度确定单元，用于根据各所述肿瘤区域中各像素点与基准区域质心点之间的距离，分别确定各所述肿瘤区域中各像素点的相对位移度；

形变度确定单元，用于利用各所述肿瘤区域中各像素点的所述相对形变比例与所述相对位移度，分别确定所述目标采集视角下各所述肿瘤区域中各像素点的呼吸形变度。

5.根据权利要求4所述的一种肿瘤影像自动分割三维重建系统，其特征在于，所述形变比例确定单元，具体用于：

根据所述目标呼吸周期内目标采集视角下的肿瘤影像序列中各第一肿瘤区域中第j个像素点与对应的肿瘤区域质心点之间的第一距离，确定所述第j个像素点与所述肿瘤区域质心点之间的第一平均距离，所述j为正整数；

利用第二肿瘤区域中所述第j个像素点的第一距离以及对应的所述第一平均距离，确定所述目标采集视角下所述第二肿瘤区域中所述第j个像素点的相对形变比例，所述第二肿瘤区域为所述初始肿瘤影像中的所述第一肿瘤区域。

6.根据权利要求4所述的一种肿瘤影像自动分割三维重建系统，其特征在于，所述位移度确定单元，具体用于：

根据所述目标呼吸周期内目标采集视角下的肿瘤影像序列中各第一肿瘤区域中第j个像素点与基准区域质心点之间的第二距离，确定所述第j个像素点与所述基准区域质心点之间的第二平均距离，所述j为正整数；

利用第二肿瘤区域中所述第j个像素点的第二距离以及对应的所述第二平均距离，确定所述目标采集视角下所述第二肿瘤区域中所述第j个像素点的相对位移度，所述第二肿瘤区域为所述初始肿瘤影像中的所述第一肿瘤区域。

7.根据权利要求1-6任意一项所述的一种肿瘤影像自动分割三维重建系统，其特征在于，所述影像修正模块，具体用于：

基于各所述采集视角下所述初始肿瘤影像中所述肿瘤区域各像素点的呼吸形变度，分别确定各所述采集视角下所述初始肿瘤影像中所述肿瘤区域各像素点的形变修正量；

基于各所述采集视角下所述初始肿瘤影像中所述肿瘤区域各像素点的形变修正量，分别对各所述采集视角下所述初始肿瘤影像中所述肿瘤区域各像素点的位置进行校正，得到各所述采集视角下的修正肿瘤影像。

8.根据权利要求1-6任意一项所述的一种肿瘤影像自动分割三维重建系统，其特征在于，所述三维模型构建模块，具体用于：

将各所述修正肿瘤影像按照影像采集顺序进行排序，确定各所述修正肿瘤影像的空间位置；

对各所述修正肿瘤影像分别进行一致性处理，得到对应的一致性肿瘤影像；

将各所述一致性肿瘤影像按照对应的所述空间位置进行堆叠，得到影像堆叠结果；

基于所述影像堆叠结果，构建所述肿瘤三维模型。

9.根据权利要求1-6任意一项所述的一种肿瘤影像自动分割三维重建系统，其特征在于，所述肿瘤影像采集模块，具体用于：

发送图像采集信号至肿瘤扫描仪，以使所述肿瘤扫描仪对目标患者进行肿瘤扫描；

接收所述肿瘤扫描仪收集到的所述目标患者的原始信号数据；

通过目标重建算法，将所述原始信号数据转换为二维图像格式，得到多个采集视角下的所述初始肿瘤影像。