基于三维解剖的肺癌淋巴结分区系统及方法

本技术涉及医学影像处理的，尤其涉及一种基于三维解剖的肺癌淋巴结分区系统及方法。

背景技术：

1、肺癌淋巴结的精准分区是肺癌tnm分期、手术规划以及预后评估的关键前提，临床主要依靠胸部计算机断层扫描（ct）获取的三维解剖结构进行评估。在现有的影像处理与阅片流程中，无论是传统的影像分割算法还是基于深度学习的三维空间分区模型，大多直接在群体固定的经验窗宽窗位参数（如纵隔窗宽350-400hu，窗位40-60hu）或统一的全局归一化参数下处理影像数据。然而，不同患者个体的纵隔解剖特征（如纵隔脂肪含量、血管强化程度及肌肉组织体积）存在显著差异，且在未经造影增强的平扫或常规ct扫描中，淋巴结、血管以及周围肌肉等组织在物理衰减特性上同属软组织，其ct值区间高度重叠（均分布在约+30hu至+60hu之间）。

2、这种依赖固定经验参数的处理方式无法适应患者个体体素密度分布的天然差异，导致部分特殊体型患者的淋巴结边界与纵隔脂肪、相邻血管之间的三维空间对比度极差。由于缺乏针对重叠软组织的特征分离与个体化的密度映射增强机制，现有三维空间分区模型在处理上述对比度不足的影像数据时，难以在底层特征图中提取到明确的边缘梯度信息，极易将未强化血管或肌肉误判为淋巴结，或漏判融入背景脂肪的淋巴结。目前的分区系统尚未建立根据患者个体胸部三维组织密度分布特征自动求解最优影像对比度参数的技术链条。综上所述，如何打破群体固定参数的限制，根据患者个体的三维密度分布和管状结构特征，在软组织重叠的困境中自动寻优个体最佳显示参数，进而提升肺癌淋巴结分区的定位准确性，是本领域亟待解决的客观技术问题。

技术实现思路

1、本技术旨在至少在一定程度上解决相关技术中的技术问题之一。

2、为此，本技术的一个目的在于提出一种基于三维解剖的肺癌淋巴结分区系统及方法，通过三维形态学分离重叠软组织并自适应寻优个体最佳对比度参数，结合双通道特征融合与空间拓扑约束，有效克服了传统固定经验参数导致的特征混淆，显著提升了肺癌淋巴结分区的定位准确性与解剖合理性。

3、为实现上述目的，本技术第一方面实施例提出了一种基于三维解剖的肺癌淋巴结分区方法，包括：

4、步骤s10、接收胸部ct三维影像数据，提取所述胸部ct三维影像数据中纵隔区域内所有体素的ct值集合，构建个体化的三维组织密度分布直方图；

5、步骤s20、利用高斯混合模型对所述三维组织密度分布直方图进行拟合分解，生成组织密度混合参数；根据所述组织密度混合参数提取纵隔脂肪区域以及软组织混合区域；利用三维海森矩阵对所述软组织混合区域进行管状结构特征提取，生成血管区域及淋巴结候选区域；

6、步骤s30、计算所述淋巴结候选区域与所述纵隔脂肪区域及所述血管区域的对比噪声比以及区域信息熵，构建以所述对比噪声比和所述区域信息熵为变量的目标函数；利用自适应优化算法搜索使所述目标函数最大的参数组合，作为最佳显示窗宽窗位参数；

7、步骤s40、将所述最佳显示窗宽窗位参数应用于所述胸部ct三维影像数据进行密度映射，生成增强三维数据体；

8、步骤s50、将所述增强三维数据体与所述胸部ct三维影像数据拼接生成双通道张量数据，输入三维空间分区模型处理，输出所述胸部ct三维影像数据对应的肺癌淋巴结分区结果。

9、另外，根据本技术上述提出的基于三维解剖的肺癌淋巴结分区系统及方法还可以具有如下附加的技术特征：

10、在本技术的一个实施例中，步骤s20中，生成组织密度混合参数，包括：

11、提取所述三维组织密度分布直方图的频率数据；

12、初始化所述高斯混合模型包含均值向量和协方差矩阵的模型参数；

13、将所述频率数据输入所述高斯混合模型执行期望最大化迭代处理；

14、计算每一个频率数据点属于各个高斯分量的后验概率矩阵；

15、利用所述后验概率矩阵更新所述均值向量及所述协方差矩阵生成更新后参数；

16、当所述高斯混合模型的对数似然函数变化量小于收敛阈值时，停止所述期望最大化迭代处理，将所述更新后参数作为所述组织密度混合参数输出，所述组织密度混合参数包括第一密度区间和第二密度区间。

17、在本技术的一个实施例中，步骤s20中，生成血管区域及淋巴结候选区域，包括：

18、提取所述软组织混合区域中所有体素的三维空间坐标集合；

19、计算所述三维空间坐标集合对应体素的二阶偏导数，构建每一个体素的三维海森矩阵；

20、计算每一个体素的所述三维海森矩阵的三个特征值，根据所述三个特征值的数值大小关系及符号属性，计算所述管状结构特征的响应数值；

21、设定血管响应阈值，提取所述响应数值大于或等于所述血管响应阈值的体素，生成所述血管区域；

22、提取所述响应数值小于所述血管响应阈值的体素，生成非血管剩余区域；

23、对所述非血管剩余区域执行三维连通域标记算法，提取体积大于设定体积阈值且球形度大于设定球形度阈值的连通域，组合生成所述淋巴结候选区域。

24、在本技术的一个实施例中，步骤s30中，构建以所述对比噪声比和所述区域信息熵为变量的目标函数，包括：

25、获取测试显示参数对所述胸部ct三维影像数据进行映射得到模拟图像矩阵；

26、从所述模拟图像矩阵中提取所述淋巴结候选区域的第一均值、所述纵隔脂肪区域的第二均值及所述血管区域的第三均值；

27、计算背景噪声标准差，基于所述第一均值、第二均值、第三均值及所述背景噪声标准差计算所述对比噪声比；

28、计算所述模拟图像矩阵内部像素的概率分布数据，得到所述区域信息熵；

29、将所述对比噪声比作为正向寻优项，将所述区域信息熵与熵阈值的差值经惩罚函数转换后作为负向约束项，合并生成所述目标函数。

30、在本技术的一个实施例中，步骤s30中，利用自适应优化算法搜索使所述目标函数最大的参数组合，作为最佳显示窗宽窗位参数，包括：

31、在预设的参数搜索空间内选取多组初始测试参数组合，将所述初始测试参数组合输入所述目标函数计算对应的初始目标值集合；

32、利用所述初始测试参数组合及所述初始目标值集合构建高斯过程回归模型；

33、基于所述高斯过程回归模型输出的预测均值和预测方差，构建置信上界采集函数；

34、在每一轮寻优迭代中，寻找使所述置信上界采集函数取得最大值的候选参数组合输入所述目标函数计算当前目标值，并更新所述高斯过程回归模型；

35、当迭代次数达到设定的最大迭代阈值时停止所述寻优迭代，提取所有迭代记录中对应最大目标值的参数作为所述最佳显示窗宽窗位参数。

36、在本技术的一个实施例中，步骤s40中，生成增强三维数据体，包括：

37、从所述最佳显示窗宽窗位参数中提取最佳窗宽数值及最佳窗位数值；

38、利用所述最佳窗宽数值和所述最佳窗位数值计算线性映射物理区间的下限阈值与上限阈值；

39、遍历提取所述胸部ct三维影像数据中每一个体素的原始物理密度数值；

40、当所述原始物理密度数值小于或等于所述下限阈值时，将映射灰度值设定为最小灰度常数；

41、当所述原始物理密度数值大于或等于所述上限阈值时，将所述映射灰度值设定为最大灰度常数；

42、当所述原始物理密度数值处于所述下限阈值与所述上限阈值之间时，采用归一化函数计算对应的所述映射灰度值；

43、组合全部所述映射灰度值生成所述增强三维数据体。

44、在本技术的一个实施例中，步骤s50中，输出所述胸部ct三维影像数据对应的肺癌淋巴结分区结果，包括：

45、对所述胸部ct三维影像数据进行全局归一化处理，生成标准基准数据体；

46、将所述标准基准数据体作为第一通道矩阵，将所述增强三维数据体作为第二通道矩阵，在深度学习框架的通道轴上进行融合拼接，生成所述双通道张量数据；

47、将所述双通道张量数据输入至所述三维空间分区模型的下采样特征提取层，生成多尺度语义特征图；

48、利用所述三维空间分区模型的上采样解码层对所述多尺度语义特征图进行空间解析计算，生成各类别概率预测张量；

49、提取所述各类别概率预测张量的最大概率索引生成所述肺癌淋巴结分区结果。

50、在本技术的一个实施例中，在所述步骤s10中所述提取所述胸部ct三维影像数据中纵隔区域内所有体素的ct值集合之前，所述方法还包括：

51、接收医疗扫描设备输出的初始格式序列医学切片文件；

52、解析所述初始格式序列医学切片文件的空间元数据，所述空间元数据包括像素间距及层间距参数；

53、采用三维三次样条插值算法，根据所述空间元数据将所述初始格式序列医学切片文件重采样为各向同性空间分辨率张量数据；

54、利用基于偏微分方程的各向异性扩散滤波算法对所述各向同性空间分辨率张量数据执行边缘保留去噪处理，生成平滑重构张量数据；

55、利用区域生长提取算法从所述平滑重构张量数据中裁剪出纵隔解剖边界包围盒，生成所述胸部ct三维影像数据。

56、在本技术的一个实施例中，在所述生成所述肺癌淋巴结分区结果之后，所述方法还包括对所述肺癌淋巴结分区结果进行形态学修正计算：

57、定位所述肺癌淋巴结分区结果中存在的所有独立正向预测连通域；

58、计算每一个独立正向预测连通域的三维空间距离数据，所述三维空间距离数据表征所述独立正向预测连通域与预设气管中心线的几何距离；

59、判断所述三维空间距离数据是否大于设定的解剖约束距离阈值；

60、当所述三维空间距离数据大于所述解剖约束距离阈值时，将对应的所述独立正向预测连通域标记为解剖越界假阳性区域；

61、在所述肺癌淋巴结分区结果中删除所述解剖越界假阳性区域的标签数据，生成并输出拓扑修正后的最终肺癌淋巴结分区结果。

62、为实现上述目的，本技术第二方面实施例提出了一种基于三维解剖的肺癌淋巴结分区系统，其基于三维解剖的肺癌淋巴结分区方法实现。

63、根据本技术的基于三维解剖的肺癌淋巴结分区系统及方法，有益效果为；

64、1、针对平扫ct中软组织密度高度重叠的问题，在利用高斯混合模型提取软组织混合区域的基础上，引入三维海森矩阵进行管状结构特征提取。该系统及方法通过空间二阶偏导数及其特征值计算，在几何拓扑形态上客观分离了血管区域与淋巴结候选区域，突破了单一密度分类的物理局限，为后续的显示参数优化提供了准确的解剖基准。

65、2、摒弃了群体固定的经验显示参数，构建了以对比噪声比和区域信息熵为变量的目标函数，并通过自适应优化算法求解最佳显示窗宽窗位参数。该寻优机制在利用区域信息熵作为负向约束项以避免解剖纹理丢失的前提下，最大化了淋巴结候选区域与周围纵隔脂肪区域、血管区域的三维空间梯度对比，从而实现了针对患者个体胸部三维组织密度分布特征的最优影像映射增强。

66、3、将标准基准数据体与增强三维数据体拼接生成双通道张量数据，并输入三维空间分区模型进行处理。该双通道架构保留了原始胸部ct三维影像数据的绝对物理衰减基准，同时注入了边界对比度增强的空间注意力特征，从底层数据结构上避免了单一映射增强导致的数据分布偏移与特征提取混淆。结合对预测连通域的三维空间距离数据判断等解剖约束机制，能够从三维空间拓扑层面自动识别并剔除解剖越界假阳性区域，确保输出的肺癌淋巴结分区结果精确符合真实的纵隔客观解剖学分布规律。

67、本技术附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本技术的实践了解到。