放射治疗中2D/3D医学图像配准的应用研究

摘要

治疗癌症的有效方法之一就是体外射束放疗,其原理是用高能射线对靶区进行照射。三维适形和调强技术在对靶区进行精确照射的同时,也保护了健康组织。
　　 放疗计划实施的效果依赖于分次治疗的摆位精度。问题在于每分次的治疗过程都要再现获取计划CT时的病人位置,计划位置与实际照射位置的不同会严重降低治疗增益比。以前减少病人摆位误差的常规方法之一就是:在计划阶段中给病人皮肤上画标记,然后将标记与治疗室中的激光灯对准,不过现在已经很少使用了。一般情况下,如聚氨酯泡沫铸件或热塑性面罩等固定设备也会被用来辅助计划位置的再现。但是这些方法无法充分保证计划位置的再现性,因为定位过程是在病人身体的外部表面进行的。医生往往使用体内标记点来调整病人的摆位,这些标记点可以在射野影像(portal image,PI)中得到。电子射野影像装置(electronic portal imaging device,EPID)是用于产生这些记录着病人治疗时位置的射野影像的设备。用EPID验证病人位置的过程是:在计划阶段,从病人计划CT图像中重建产生数字重建影像(digitally reconstructed radiographs,DRRs)集合。这个集合作为参考图像集合,表示治疗时病人的理想位置；在治疗阶段,在获取DRRs时的同一机架角下采集射野影像集合,作为定位图像集合直观地比较定位图像集合和参考图像集合,估计摆位误差,并校正病人位置,使得参考图像集合与定位图像集合之间的差距尽量减少。
　　 在射野图像上进行手动位置验证的整个过程是相当主观的,而且容易出错。此外,也难以在所有自由度上进行校正。因此,需要有一种全自动的估计病人实际位置和计划位置差距的算法。摆位校正的第一步是确定治疗床上病人的位置。从算法的角度来看,这相当于获取计划CT坐标系和直线加速器坐标系间的刚性变换。直线加速器坐标系由一幅或多幅射野图像来表示。因此,为了用射野影像进行病人定位,我们需要解决医学图像配准问题。
　　 图像配准算法分为两类:基于特征的和基于像素灰度值的。基于特征的配准算法通常都要有分割这一步骤,其目的是为了从计划CT和射野影像中提取若干特征,这些特征可以是人造的(如植入的放射性不透明物)标记,也可以是是天然的(通常是骨骼)标记。另一方面,基于像素灰度值的方法则要有计算DRRs这一过程。DRRs是在已知直线加速器几何信息的前提下对计划CT体数据进行投影得到的二维图像。DRRs与射野影像的配准可以是二维的,即三个自由度——平面内的两个平移和平面内的一个旋转；也可以是三维的,即六个自由度——三个平移和三个旋转。一旦得到刚性变换,我们就能计算出位置的偏移量,然后移动治疗床使得计划等中心与实际直线加速器的等中心相一致。当然,治疗床的移动依赖于它本身的自由度。
　　 有文献介绍了一些基于特征的方法。这些方法是基于手绘的或者分割出的骨性结构的匹配,或者是基于射野影像和参考DRRs图像上的一些特征点。Bansal等人提出了一种迭代自动分割和配准算法,算法同时进行位置估计和射野影像归类这两个步骤。也有人用可植入的放射性不透明的标记来校正包括平面外旋转等三维空间上的病人摆位误差。Lavallee和Szeliski描述了一种基于匹配某些3D形状的投影轮廓线方法来校正摆位误差。总的来说,基于特征的方法与基于像素灰度值的方法相比,其计算复杂度较低。而计算复杂度低的主要原因正是特征的数目少,问题的维度也就相应较少。但是所求的解严重依赖于所提取特征的鲁棒性。换句话说,问题的重点从配准部分转移到分割部分,而分割本身就是一个很具有挑战性的问题,特别是在射野影像组织对比度较低的情况下更是如此。
　　 另一方面,基于灰度像素值的方法一般利用射野影像和DRRs来直接校正病人摆位误差。这些方法不要求提取特征和/或分割等预处理过程。Doug和Boyer等人利用相关系数作为相似性测度来进行射野影像和DRRs的配准,而这属于2D/2D配准。2D/3D配准的对象通常是术中X线透视图像和计划CT图像,这与放射治疗中的患者定位和摆位校正非常相似。这些方法中的大部分需要在迭代优化循环中产生DRRs,而DRRs计算本身是非常耗时的。为了解决这个问题,研究人员提出了很多优化DRRs计算的方法。LaRose等人使用图形加速的办法来加速DRR计算。Rohlfing等人提出一种预处理步骤,在预处理阶段计算很多起止位置不同的线性积分。在On-line模式下,通过预先计算好的线性积分来产生DRRs。若所求DRRs包含有未计算的线性积分,则可以在已计算好的数据集里找到离它最近的几条光线,对其进行插值计算即能得到。但是这种方法也有缺点。首先,为了得到高质量的DRRs,就必须以非常高的采样率进行采样光线,然后再计算采样光线的线性积分,其预处理的数据量将会非常大,难以接受。如果DRR的视野也就是光的散度相当大的话,这个要求会体现得非常明显。其次,在预先计算好的线性积分中进行空间插值会导致所估计的DRRs上产生严重伪影。而且,对于视野较大的DRRs来说,伪影更为显而易见。配准的目的是为了估计位置,其精度严重依赖于所得到DRRs的质量,而上述缺点共同作用会降低配准过程的鲁棒性。
　　 对于基于像素灰度值的算法,相似性测度和优化算法的选择也对配准的实用性有不小的影响。一些已出版的文献也对不同配准方法进行了研究,但仍存在某些问题有待进一步研究。举例来说,射野影像是在比CT投影所用的keV级量子照射能量还要高的MeV级下得到的。能量的差异会改变射野影像中可见的解剖结构类型。那么对于基于像素灰度值的配准,在DRR的生成算法中考虑能量的差异是非常重要的。而这也会因此影响到相似性测度的利用及其鲁棒性。另一个问题是,对于整个配准过程上的不同摆位参数目前还没有一个系统的全面的评估,这些参数包括射野影像的数目,图像间的角度和图像的大小等等。
　　 在本文中,我们基于射野影像和计划CT数据间的配准实现了全自动估计病人摆位误差。治疗床位置偏移量可以在配准参数搜索之后及其计划CT数据中的等中心位置的基础上计算出来。
　　 首先,本文对数字重建影像进行了深入的讨论,简要介绍了数字重建影像的各种体绘制方法,其中重点介绍并实现了光线跟踪算法及其改进算法。在此基础上提出了基于Bresenham的改进DRRs快速重建算法。
　　 其次,相似性测度也是图像配准中非常重要的部分,主要介绍了几种基于灰度信息的相似性测度,通过实验比较了三种相似性测度在图像配准中的性能。图像配准的本质是一个多参数、非线性优化问题,因此从数学角度上对配准中常用到的优化算法进行了阐述,并给出了其流程图和特点。
　　 在理论研究的基础上,我们基于VC++6.0编写了相应实验程序,对相关问题进行了验证,实现了2D/3D图像配准工作,而且还对配准过程出现的不同的选择搭配(例如,相似性测度的选择,优化算法,摆位参数等)进行了一个对比研究。
　　 最后,我们对工作中的遗留问题进行了说明,并对未来的工作进行了展望。