本發明涉及肺部呼吸運動信息獲取領域，尤其是涉及一種基于先驗統計運動模型及自適應配準的肺部運動估計方法。
背景技術：
精確治療是當今醫學的重要發展方向，是高速發展的計算技術、影像學技術與醫學交叉發展的產物，可以為病人提供有效并且附加傷害最小的治療，最大程度地降低風險，改善病人預后。肺癌的診斷率也隨之有了一定的提高。目前，大多數的穿刺手術是基于傳統三維ct圖像引導下進行的，也是診斷及鑒別肺癌的一種新興的有效方法，其可以實現微創下直接獲取病變標本，并且將現代醫學影像學技術與病理學相結合，做出組織病理學診斷，具有診斷率高，創傷小等特點。但由于人體解剖結構的動態特性，例如呼吸運動、胃腸道蠕動的變化等會導致病人器官和胸部、腹部等部位的腫瘤位置在治療過程中發生運動。而三維ct圖像是在呼吸周期中瞬時掃描所得，是靜態的，基本不包含運動信息。為此穿刺活檢往往需要重復多次掃描引導穿刺針進入并觀察有無并發癥，輻射劑量大，一定程度上限制了應用。因此，建立一種安全，高效，精確可靠并且實時的肺部腫瘤運動獲取技術具有重要意義。
經過對現有文獻的檢索發現，現有的肺部運動模型按其建立方法主要分為三大類：基于圖像灰度的數學模型，生物力學模型和統計學模型。基于圖像的方法主要是運用圖像配準的技術，通過使兩幅或多幅圖像之間達到最大相似度，從而得到一個肺部運動的流場。假定序列圖像中相鄰圖像間的時間間隔很短，同時相鄰圖像間的差異也很小，通過構建一個包含時間和空間梯度的信息函數達到配準的目的。這類方法在建立圖像與運動數學關系時，需要多個時刻肺部的ct數據，甚至需要采集患者的4dct才可以完成上述目的。這勢必對患者產生了大量的輻射量。并且由于圖像配準要處理很大的計算量，因此，它的實時性就會收到制約。基于生物力學模型是把兩個時刻肺部的模型從ct數據中重建出，然后將其中一個時刻模型上的頂點和三角面移動到另一個時刻模型上對應的位置實現呼吸模擬。基于生物力學模型的方法通過建立能量方程的形式代替相似度作為評判肺部呼吸運動的依據，然而復雜的組織間擠壓情況，軟組織的各向異性和非均一性都使得這類方法在獲取生物屬性參數及邊界條件上存在一定困難，無法快速生成各異性的力學模型。
本發明要解決的關鍵技術問題有：
1、利用不同時刻ct圖像信息，結合配準方法得到多組樣本的運動信息，以此建立肺部呼吸運動模型的數據庫。
2、針對當前運動統計模型無法體現個體差異或保留局部呼吸運動細節的不足，本研究將對統計模型的建立進行探索。
3、針對個體化統計學模型生后存在的估計誤差，結合二次局部ct圖像信息對感興趣區域的運動進行進一步修正，以提高統計學模型在肺部運動獲取中的精度。
技術實現要素：
本發明的目的就是為了克服上述現有技術存在的缺陷而提供一種基于先驗統計運動模型及自適應配準的肺部運動估計方法。
本發明的目的可以通過以下技術方案來實現：
一種基于先驗統計運動模型及自適應配準的肺部運動估計方法，包括依次執行的以下步驟：
s1：事先獲取多組病人呼吸始末兩個相位的胸部ct圖像，其中兩個相位分別為吸氣末ei、呼氣末ee；
s2：處理從步驟s1中獲取的胸部ct圖像，對其進行肺部組織的圖像分割，得到肺實質；
s3：將每組病人兩個不同呼吸相位的胸部ct圖像進行配準；
s4：根據配準后的序列圖像信息，提取肺實質的運動信息，并以此建立肺部呼吸運動樣本庫，每組樣本的ei時刻ct圖像都與第一組樣本的ei時刻ct圖像做配準，獲取樣本間的轉換矩陣；
s5：采集一組新增肺部運動模型ei時刻的全局肺區ct及一組ee時刻的肺部病灶區域ct；
s6：在新增的兩種ct中選取十組的特征點對，獲取這些特征點對的運動信息作為步驟s7的輸入；
s7：稀疏先驗運動模型的生成：將步驟s5中ei時刻的ct與運動樣本庫中的第一組ct數據進行配準，得到兩者之間的轉換矩陣，結合步驟s6中的特征點對運動信息獲取其在運動樣本庫中各個樣本中的各異性表達，計算獲得步驟s6提供的運動信息在運動樣本庫中的稀疏線性表達，并以此生成肺實質的運動信息；
s8：病灶區域的精確運動信息獲取：統計運動模型提供的先驗運動信息作為依據，結合步驟s5中的兩組圖像利用配準算法得到病灶區域的精確運動信息。
優選地，所述的步驟s3中配準公式為：
式中，ω為圖像區域；ip,ee和ip,ei為樣本庫中每個病例在呼氣末和吸氣末的ct圖像；xi為圖像像素的位置；d為像素的運動向量；|δd|為運動向量的梯度，α為正則化系數。
優選地，所述的步驟s4中樣本間的對應關系獲取描述為：
采用s3中的配準方法對每組樣本的ei時刻ct圖像都與第一組樣本的ei時刻ct圖像進行配準，獲取樣本間的轉換矩陣
優選地，所述的步驟s7中稀疏先驗運動模型的生成表示為：
其中yj為步驟s6中特征點對的運動信息；m為這些特征點在樣本庫每組樣本中對應位置的運動信息，
優選地，所述的步驟s8中病灶區域的精確運動信息獲取表示為：
其中，ω為圖像區域；
優選地，所述的步驟s8中b樣條配準中控制點影響系數
其中，ri,j,k為第ijk個控制點在ei時刻圖像上所影響的區域；
與現有技術相比，本發明具有以下優點：
1、采用配準多組病例不同時刻ct圖像的方法獲取肺部呼吸運動信息，從而建立運動數據庫。該運動數據庫能夠較好的描述不同呼吸模式下肺部運動信息，解決了肺部運動的各向異性及非均一性問題所引起的問題；
2、稀疏先驗運動模型有效地反映了新增病例的肺部局部呼吸運動細節；
3、針對稀疏先驗運動模型不能提供足夠精確的運動信息，本發明基于先驗統計運動模型及自適應配準的肺部運動估計方法實現了對肺實質病灶組織運動的精確計算方法。
附圖說明
圖1為本發明的流程圖。
具體實施方式
下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例是本發明的一部分實施例，而不是全部實施例。基于本發明中的實施例，本領域普通技術人員在沒有做出創造性勞動的前提下所獲得的所有其他實施例，都應屬于本發明保護的范圍。
在一個具體實施中，采用cpu為xeone54052.0ghz，顯卡為nvidiaquadrovx200,內存為4.0gb的計算機配置，實現方式為matlab，
一種基于先驗統計運動模型及自適應配準的肺部運動估計方法，包括依次執行的以下步驟：
s1：事先獲取多組病人呼吸始末兩個相位(吸氣末ei、呼氣末ee)的胸部ct圖像；
s2：處理從步驟s1中獲取的胸部ct圖像，對其進行肺部組織的圖像分割，得到肺實質；
s3：將每組病人兩個不同呼吸相位的胸部ct圖像進行配準；
s4：根據配準后的序列圖像信息，提取肺實質的運動信息，并以此建立肺部呼吸運動樣本庫。每組樣本的ei時刻ct圖像都與第一組樣本的ei時刻ct圖像做配準，獲取樣本間的轉換矩陣；
s5：采集一組新增肺部運動模型ei時刻的全局肺區ct及一組ee時刻的肺部病灶區域ct；
s6：在新增的兩種ct中選取約十組的特征點對，獲取這些特征點對的運動信息作為步驟s7的輸入；
s7：稀疏先驗運動模型的生成：將步驟s5中ei時刻的ct與運動樣本庫中的第一組ct數據進行配準，得到兩者之間的轉換矩陣。結合步驟s6中的特征點對運動信息獲取其在運動樣本庫中各個樣本中的各異性表達。計算獲得步驟s6提供的運動信息在運動樣本庫中的稀疏線性表達，并以此生成肺實質的運動信息；
s8：病灶區域的精確運動信息獲取：統計運動模型提供的先驗運動信息作為依據，結合第五步中的兩組圖像利用配準算法得到病灶區域的精確運動信息。
在一個優選實施例中，步驟s3中配準公式為：
式中，ω為圖像區域；ip,ee和ip,ei為樣本庫中每個病例在呼氣末和吸氣末的ct圖像；xi為圖像像素的位置；d為像素的運動向量；|δd|為運動向量的梯度，α為正則化系數。
在一個優選實施例中，步驟s4中樣本間的對應關系獲取可描述為：
采用s3中的配準方法對每組樣本的ei時刻ct圖像都與第一組樣本的ei時刻ct圖像進行配準，獲取樣本間的轉換矩陣
在一個優選實施例中，步驟s7中稀疏先驗運動模型的生成可表示為：
其中,yj為步驟s6中特征點對的運動信息；m為這些特征點在樣本庫每組樣本中對應位置的運動信息，
在一個優選實施例中，步驟s8中病灶區域的精確運動信息獲取可表示為：
其中，ω為圖像區域；
在一個優選實施例中，步驟s8中病灶區域的精確運動信息獲取可表示為：步驟s8中b樣條配準中控制點影響系數
其中，ri，j，k為第ijk個控制點在ei時刻圖像上所影響的區域；
上述所有的公式或方程僅屬于本發明實施中的一部分例子，本領域技術人員也可以采用其他現有的公式或方程進行計算，但均應落入本發明保護的范圍之內。
上述列舉的各種實施例，在不矛盾的前提下，可以相互組合實施，本領域技術人員可結合附圖和上文對實施例的解釋，作為對不同實施例中的技術特征進行組合的依據。
以上所述，僅為本發明的具體實施方式，但本發明的保護范圍并不局限于此，任何熟悉本技術領域的技術人員在本發明揭露的技術范圍內，可輕易想到各種等效的修改或替換，這些修改或替換都應涵蓋在本發明的保護范圍之內。因此，本發明的保護范圍應以權利要求的保護范圍為準。