基于图像处理的放疗靶区自动分割方法与流程

1.本发明涉及图像处理技术领域，具体涉及基于图像处理的放疗靶区自动分割方法。


背景技术：

2.临床把肺癌根据生长部位的不同简单的分为中央型肺癌和周围型肺癌；周围型肺癌的生长部位是跟中央型肺癌相对的，越靠近肺的周围的、边缘的，称之为周围型肺癌；又由于周围型肺癌区域的准确分割是确定放疗靶区的关键，即在对周围型肺癌进行放疗之前需要先确定周围型肺癌区域，而当分割得到的周围型肺癌区域不准确时将会影响后续放疗的效果，因此对周围型肺癌区域进行较准确的划分至关重要。
3.现有技术中一般基于传统的聚类方法来实现对周围型肺癌区域的分割，但是由于周围型肺癌生长在肺的周围或者边缘，靠近除了肺部以外的其他正常组织，而肺部以外的其他正常组织的像素值会存在与周围型肺癌区域像素值差异较小的现象，这种现象会对癌症病变区域的获取造成影响，即若基于传统的聚类方法对周围型肺癌区域分割，可能使得分割得到的周围型肺癌区域中含有正常的组织区域，因此现有技术在对周围型肺癌区域进行分割时准确性较低。


技术实现要素：

4.本发明提供基于图像处理的放疗靶区自动分割方法，用于解决现有方法不能对周围型肺癌区域进行分割时准确性较低的问题，所采用的技术方案具体如下：本发明实施例提供了一种基于图像处理的放疗靶区自动分割方法包括以下步骤：获取周围型肺癌患者肺部的ct灰度图像；根据所述ct灰度图像的灰度直方图，得到各像素点类别；对于任一像素点类别，根据该像素点类别中像素点之间的距离，对该像素点类别中的各像素点进行聚类，得到该像素点类别对应的各聚类簇；根据各像素点类别对应的各聚类簇中各像素点之间的距离，得到各像素点类别对应的各聚类簇的像素点分布离散度；根据所述各聚类簇的像素点分布离散度，得到各初始聚类中心点；根据各初始聚类中心点和所述ct灰度图像上各像素点的灰度值，对所述ct灰度图像上的各像素点进行聚类，得到各特征聚类簇；根据所述特征聚类簇中各像素点的灰度值，得到特征聚类簇之间的相似性；根据特征聚类簇之间的相似性，得到各目标聚类簇；根据目标聚类簇中各像素点的斜率，得到癌症病变区域。
5.优选的，根据所述ct灰度图像的灰度直方图，得到各像素点类别的方法，包括：将所述灰度直方图上频数为0的灰度值筛选掉，并将灰度直方图上剩余的灰度值按照从小到大的顺序进行排列，得到灰度值序列；
将灰度值序列中连续的灰度值归为一个类别，记为灰度值类别；对于任一灰度值类别：判断该灰度值类别中各灰度值出现的频率是否大于预设频率阈值，若是，则将对应灰度值记为该灰度值类别对应的特征灰度值；将该灰度值类别中除特征灰度值之外的各灰度值按照从小到大的顺序进行排序，得到第一灰度值序列，并按照预设长度对第一灰度值序列进行划分，得到各子灰度值序列；将特征灰度值对应的各像素点归为一个类别，记为该灰度值类别对应的像素点类别；将属于同一个子灰度值序列的各灰度值对应的像素点归为一个类别，同样记为该灰度值类别对应的像素点类别。
6.优选的，对于任一像素点类别对应的任一聚类簇，根据如下公式计算该聚类簇对应的像素点分布离散度：其中，为该聚类簇对应的像素点分布离散度，t为该聚类簇中的像素点数量，为该聚类簇中的第i个像素点与第j个像素点之间的距离，为组合公式。
7.优选的，根据所述各聚类簇的像素点分布离散度，得到各初始聚类中心点的方法，包括：对于任一像素点类别对应的各聚类簇：选取最大像素点分布离散度对应的聚类簇中的任意一个像素点作为初始聚类中心。
8.优选的，根据所述特征聚类簇中各像素点的灰度值，得到特征聚类簇之间的相似性的方法，包括：根据各特征聚类簇中各像素点的灰度值，得到各特征聚类簇对应的标准差，以及任意两个特征聚类簇之间的协方差；对于任一特征聚类簇：根据该特征聚类簇与除该特征聚类簇之外的其它各特征聚类簇之间的协方差以及各特征聚类簇对应的标准差，得到该特征聚类簇与除该特征聚类簇之外的其它各特征聚类簇之间的相似性。
9.优选的，根据如下公式计算该特征聚类簇与除该特征聚类簇之外的其它各特征聚类簇之间的相似性：其中，为该特征聚类簇与除该特征聚类簇之外的其它各特征聚类簇中的第b个特征聚类簇之间的相似性，为该特征聚类簇，为除该特征聚类簇之外的其它各
特征聚类簇中的第b个特征聚类簇，为该特征聚类簇与除该特征聚类簇之外的其它各特征聚类簇中的第b个特征聚类簇之间的协方差，为该特征聚类簇对应的标准差，为除该特征聚类簇之外的其它各特征聚类簇中的第b个特征聚类簇的标准差，c为常数。
10.优选的，根据特征聚类簇之间的相似性，得到各目标聚类簇的方法，包括：对于任一特征聚类簇：将相似性大于预设相似性阈值的特征聚类簇均与该特征聚类簇进行合并，将合并之后的聚类簇记为目标聚类簇。
11.优选的，根据目标聚类簇中各像素点的斜率，得到癌症病变区域的方法，包括：利用边缘检测算法提取各目标聚类簇对应的连通域的边缘线，记为各目标聚类簇对应的边缘线；根据各目标聚类簇对应的边缘线上每个像素点的斜率，得到各目标聚类簇对应的边缘线的光滑程度；判断各目标聚类簇对应的边缘线的光滑程度是否大于预设光滑程度阈值，若是，则将对应的目标聚类簇对应的连通域记为癌症病变区域。
12.优选的，对于任一目标聚类簇，根据如下公式计算该目标聚类簇对应的边缘线的光滑程度：其中，为该目标聚类簇对应的边缘线的光滑程度，为该目标聚类簇对应的边缘线上的第g个像素点的斜率的绝对值，g为该目标聚类簇对应的边缘线上的像素点数量。
13.有益效果：本发明主要目的是能够较准确的将周围型肺癌患者肺部的癌症病变区域识别出来，因此本发明首先获取周围型肺癌患者肺部的ct灰度图像，由于靠近肺部的其他正常组织中的像素点中只有少数与癌症病变区域的像素点的灰度值相近，因此本发明根据所述ct灰度图像的灰度直方图，可以将靠近肺部的其他正常组织与癌症病变区域进行区分开，得到各像素点类别；即依据ct灰度图像的灰度直方图得到的各像素点类别是后续能够准确识别癌症病变区域的依据。紧接着根据各像素点类别中像素点之间的距离，得到该像素点类别对应的各聚类簇，并得到各像素点类别对应的各聚类簇的像素点分布离散度；所述各聚类簇的像素点分布离散度为后续确定初始聚类中心点的关键，而初始聚类中心点的选取能够更加准确的确定癌症病变区域；然后根据所述各聚类簇的像素点分布离散度，得到各初始聚类中心点，并根据各初始聚类中心点和所述ct灰度图像上各像素点的灰度值，对所述ct灰度图像上的各像素点进行聚类，得到各特征聚类簇；然后根据特征聚类簇之间的相似性，得到各目标聚类簇；由于癌症病变区域与正常组织区域之间的边缘特征不同，因此最后依据中各像素点的斜率，得到癌症病变区域。因此本发明能够较准确的确定癌症病变区域，并且基于得到的癌症病变区域能够帮助工作人员的确定放疗靶区。
附图说明
14.为了更清楚地说明本发明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发明的一些实施例，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。
15.图1为本发明基于图像处理的放疗靶区自动分割方法的流程图。
具体实施方式
16.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例，基于本发明实施例，本领域普通技术人员所获得的所有其它实施例，都属于本发明实施例保护的范围。
17.除非另有定义，本文所使用的所有的技术和科学技术术语与属于本发明的技术人员通常理解的含义相同。
18.本实施例提供了基于图像处理的放疗靶区自动分割方法，详细说明如下：如图1所示，该基于图像处理的放疗靶区自动分割方法，包括以下步骤：步骤s001，获取周围型肺癌患者肺部的ct灰度图像。
19.由于周围型肺癌的生长位置与中央型肺癌的生长位置是相对的，中央型肺癌一般长在肺中间部位，与正常的肺区域的像素信息差异较大，容易分割，而周围型肺癌长在肺的周围或者边缘，靠近除了肺组织以外的其他组织，而其他组织的像素值会存在与周围型肺癌区域像素差异较小的现象，分割难度较大，若仅仅基于传统的聚类算法无法较准确的分割得到癌症病变区域，所述癌症病变区域即为周围型肺癌区域，因此本实施例将基于自适应的分割方式对周围型肺癌患者ct影像上的周围型肺癌区域进行准确分割，主要是根据图像的灰度直方图进行灰度值的分割，然后再根据分割的结果对图像的进行区域的划分，并基于划分得到的区域的密度获取初始聚类中心，基于获得的初始聚类中心能够较准确的将癌症病变区域识别出来，即本实施例能够较准确的确定周围型肺癌区域，并且基于得到的周围型肺癌区域能够较准确的确定放疗靶区。
20.本实施例主要是分割得到已经确诊患有周围型肺癌患者的癌症病变区域，基于得到的癌症病变区域能够较准确的确定放疗靶区，帮助医生进行放疗治疗；因此本实施例首先需要获取周围型肺癌患者肺部的ct图像，所述ct图像为医院放射科拍摄的合格的ct照片；然后对获取的周围型肺癌患者肺部的ct图像进行灰度化处理，得到周围型肺癌患者肺部的ct灰度图像。
21.步骤s002，根据所述ct灰度图像的灰度直方图，得到各像素点类别。
22.由于周围型肺癌的患者肺部的ct灰度图像中癌症病变区域为灰白色，其灰度值较大，肺部正常区域为黑色，灰度值较小，因此肺部的癌症病变区域与肺部的正常区域差异较大比较容易区分，但是周围型肺癌靠近肺的周围和边缘，而靠近肺部的其他正常组织的像素值会存在与周围型肺癌区域像素值差异较小的现象，会对癌症病变区域的准确获取造成影响，使得得到的癌症病变区域不准确，因此接下来本实施例将对周围型肺癌患者肺部的ct灰度图像进行分析，排除靠近肺部的其他组织对识别癌症病变区域的影响，得到较准确
的癌症病变区域；具体为：由于一般情况下癌症病变区域的灰度值较大，为了减少后续的计算量，便于后续的分析，本实施例将ct灰度图像上小于预设灰度值阈值的像素点筛选掉，将筛选之后剩余的像素点记为待分析像素点；具体应用中可以根据实际情况设置预设灰度值阈值，本实施例将预设灰度值阈值设置为10，则剩余的为灰度值的像素点；然后根据ct灰度图像上的待分析像素点的灰度值统计得到ct灰度图像对应的灰度直方图，灰度直方图上的横坐标为灰度值，纵坐标为频数；然后去除掉灰度直方图上频数为0的灰度值，并将灰度直方图上剩余的灰度值按照从小到大的顺序进行排列，得到灰度值序列；将灰度值序列中连续的灰度值归为一个类别，记为灰度值类别，且灰度值类别中一个灰度值对应一个频数，所述频数为对应灰度值在ct灰度图像上出现的次数，也为灰度直方图像对应灰度值的纵坐标值；例如灰度值序列为{10,11,13,14,15,16,17,22,23}，则灰度值序列中的10和11属于同一个灰度值类别，灰度值序列中的13、14、15、16以及17属于同一个灰度值类别，灰度值序列中的22和23属于同一个灰度值类别。由于靠近肺部的其他正常组织的像素值会存在与周围型肺癌区域像素值差异较小，这样做的目的可以将灰度值差异较小的像素点分为一个类别，后续将对各灰度值类别进行分析，进行再次划分，进行再次划分后可以将靠近肺部的其他正常组织与癌症病变区域区分开。
23.虽然靠近肺部的其他正常组织的像素值会存在与周围型肺癌区域像素值差异较小，不好区分的现象，但是通常情况下靠近肺部的其他正常组织中的像素点中只有少数与癌症病变区域的像素点的灰度值相近，因此接下来本实施例将基于各灰度值类别中各灰度值的频数对各灰度值类别进行分析，便于后续准确的获取癌症病变区域；具体为：将灰度值序列中各灰度值对应的频数与ct灰度图像上的总像素点数量的比值，记为各灰度值出现的频率；即：其中，为灰度值序列中的第a个灰度值，为第a个灰度值在ct灰度图像上出现的次数，n为ct灰度图像上的总像素点数量，为第a个灰度值在ct灰度图像上出现的频率；越大，表明第a个灰度值在ct灰度图像上出现的次数越多；越大，越大。
24.对于任一灰度值类别：判断该灰度值类别中各灰度值出现的频率是否大于预设频率阈值，若是，则将对应灰度值记为该灰度值类别对应的特征灰度值；具体应用中预设频率阈值可以根据实际情况进行设置，本实施例将预设频率阈值设置为0.05；然后将该灰度值类别中除特征灰度值之外的各灰度值按照从小到大的顺序进行排序，得到第一灰度值序列，所述第一灰度值序列的序列长度为第一灰度值序列中灰度值的数量；从第一灰度值序列中的第一个灰度值开始，按照预设长度对第一灰度值序列进行划分，得到各子灰度值序
列；具体应用中可以根据实际情况为预设长度设置不同的值，本实施例设置预设长度为2，则表明将第一灰度值序列中每两个灰度值划分到一个类别，并且当第一灰度值序列的序列长度为奇数时最后一次划分得到的子灰度值序列中的灰度值数量为2，并且本实施例要求设置的预设长度的值要较小，因为肺部以外的其他正常组织的像素值会存在与周围型肺癌区域像素值差异较小的现象，且出现频数越少的灰度值对应的像素点越可能不是癌症病变区域的像素点，又由于本实施例最终区分正常区域与癌症病变区域的依据是边缘特征，所以当预设长度的值设置的较大时，不仅可能会降低后续聚类的效果，即可能使得后续进行聚类后得到的各边缘轮廓不准确，还会增加后续的计算量。
25.然后将特征灰度值对应的各像素点归为一个类别，记为该灰度值类别对应的像素点类别；将属于同一个子灰度值序列的各灰度值对应的像素点归为一个类别，同样记为该灰度值类别对应的像素点类别；因此得到了该灰度值类别对应的各像素点类别，即得到了所述ct灰度图像对应的像素点类别。由于靠近肺部的其他正常组织中的像素点中只有少数与癌症病变区域的像素点的灰度值相近，因此本实施例基于频数再次对灰度值类别进行划分，可以将靠近肺部的其他正常组织与癌症病变区域进行区分开，后续基于划分的结果来确定聚类中心，能够增加后续识别癌症病变区域的准确性。
26.步骤s003，对于任一像素点类别，根据该像素点类别中像素点之间的距离，对该像素点类别中的各像素点进行聚类，得到该像素点类别对应的各聚类簇；根据各像素点类别对应的各聚类簇中各像素点之间的距离，得到各像素点类别对应的各聚类簇的像素点分布离散度。
27.接下来本实施例将对各像素点类别进行分析，基于分析的结果确定初始聚类中心；具体为：对于任一像素点类别：计算得到该像素点类别中任意两个像素点之间的距离，所述距离用两点间的距离公式来计算，计算过程为公知技术，因此不再详细描述；根据该像素点类别中任意两个像素点之间的距离，利用k-means聚类算法对该像素点类别中的各像素点进行聚类，得到该像素点类别对应的各聚类簇；由于聚类簇中像素点之间的距离可以衡量聚类簇中像素点的分布密度，并且聚类簇中像素点之间的距离越近，表明聚类簇中像素点的分布密度越大，且越有可能是聚类中心点所在区域，即该聚类簇中的各像素点为聚类中心的概率越大；对于该像素点类别对应的任一聚类簇：统计得到该聚类簇中的像素点数量，根据该聚类簇中任意两个像素点之间的距离，得到该聚类簇对应的像素点分布离散度；根据如下公式计算该聚类簇对应的像素点分布离散度：其中，为该聚类簇对应的像素点分布离散度，t为该聚类簇中的像素点数量，为该聚类簇中的第i个像素点与第j个像素点之间的距离，为组合公式；为该聚类簇中任意两个像素点之间的距离和，且
的值越小，表明该聚类簇对应的像素点分布密度越大，表明该聚类簇中的各像素点为聚类中心的概率越大；由于计算过程中会存在相同的两个像素点计算两个，因此将除去是对求取均值；越小，表明该聚类簇中各像素点之间的分布越紧密，即该聚类簇对应的像素点分布密度越大。
28.步骤s004，根据所述各聚类簇的像素点分布离散度，得到各初始聚类中心点；根据各初始聚类中心点和所述ct灰度图像上各像素点的灰度值，对所述ct灰度图像上的各像素点进行聚类，得到各特征聚类簇；根据所述特征聚类簇中各像素点的灰度值，得到特征聚类簇之间的相似性；根据特征聚类簇之间的相似性，得到各目标聚类簇。
29.由于聚类簇中像素点的分布密度越大，对应聚类簇中的各像素点为聚类中心的概率越大；因此接下来本实施例将对各像素点类别对应的各聚类簇对应的像素点分布离散度进行分析，基于分析的结果来选取初始聚类中心点；具体为：对于任一像素点类别对应的各聚类簇：选取最大像素点分布离散度对应的聚类簇中的任意一个像素点作为初始聚类中心。
30.因此通过上述方式在每个灰度值类别对应的像素点中都有一个初始聚类中心，而像素点类别的获取过程中，已经将靠近肺部的其他正常组织与癌症病变区域进行区分开，但是此时还无法获取较为完整的癌症病变区域，因为在像素点类别的获取过程中不仅会将靠近肺部的其他正常组织与癌症病变区域区分开，而且还会将癌症病变区域划分到了不同的像素点类别中，同样的也可能将其他的正常组织区域划分到了不同的像素点类别中，因此本实施例首先需要依据像素点类别对应的各聚类簇的像素点分布离散度选取的初始聚类中心，然后后续依据初始聚类中心进行聚类后得到的各聚类簇之间的相似性进行合并，来获取完整的癌症病变区域；具体为：根据ct灰度图像上各像素点的灰度值，利用k-means聚类算法和各初始聚类中心，对ct灰度图像上的各像素点进行聚类，将聚类后得到的各聚类簇记为特征聚类簇；然后根据各特征聚类簇中各像素点的灰度值，得到各特征聚类簇对应的协方差，以及任意两个特征聚类簇之间的协方差；所述标准差和任意两个特征聚类簇之间的协方差均能反映特征聚类簇之间的相似程度；当任意两个特征聚类簇的灰度值相似，离散程度小，说明这两个特征聚类簇比较相似；当任意两个特征聚类簇之间的协方差为正数说明两者正相关，比较相似；所述标准差和协方差的计算过程为公知技术，因此不再详细进行描述。
31.对于任一特征聚类簇：根据该特征聚类簇与除该特征聚类簇之外的其它各特征聚类簇之间的协方差，以及该特征聚类簇对应的标准差和除该特征聚类簇之外的其它各特征聚类簇对应的标准差，得到该特征聚类簇与除该特征聚类簇之外的其它各特征聚类簇之间的相似性；根据如下公式计算该特征聚类簇与除该特征聚类簇之外的其它各特征聚类簇之间的相似性：
其中，为该特征聚类簇与除该特征聚类簇之外的其它各特征聚类簇中的第b个特征聚类簇之间的相似性，为该特征聚类簇，为除该特征聚类簇之外的其它各特征聚类簇中的第b个特征聚类簇，为该特征聚类簇与除该特征聚类簇之外的其它各特征聚类簇中的第b个特征聚类簇之间的协方差，为该特征聚类簇对应的标准差，为除该特征聚类簇之外的其它各特征聚类簇中的第b个特征聚类簇的标准差，c为常数；加上c的目的是为了防止分母为0，具体应用中可以根据实际情况设置c的值，本实施例设置c为1；当越大，越小时，表明该特征聚类簇与除该特征聚类簇之外的其它各特征聚类簇中的第b个特征聚类簇之间的相似性越大，即越大，表明该特征聚类簇与除该特征聚类簇之外的其它各特征聚类簇中的第b个特征聚类簇之间越相似。
32.至此得到了该特征聚类簇与除该特征聚类簇之外的其它各特征聚类簇之间的相似性，然后将相似性大于预设相似性阈值的特征聚类簇均与该特征聚类簇进行合并；至此完成对各特征聚类簇的合并，并将合并之后的各聚类簇记为各目标聚类簇。具体应用中可以根据实际情况设置预设相似性阈值，本实施例将预设相似性阈值设置为0.34。
33.步骤s005，根据目标聚类簇中各像素点的斜率，得到癌症病变区域。
34.由于周围型肺癌病变区域主要特征为：肿瘤呈分叶状，不光泽；肿瘤浸润性生长，边缘不光、有毛刺；胸膜表面有凹陷，即胸膜凹陷征，肿瘤增大后形成空洞；即周围型肺癌患者肺部的癌症病变区域的边缘不光滑，因此本实施例接下来将分析各目标聚类簇的边缘的光滑程度来识别癌症病变区域；具体为：首先利用canny边缘检测算法提取各目标聚类簇对应的连通域的边缘线，记为各目标聚类簇对应的边缘线；然后获取边缘线上每个像素点的斜率；所述斜率的计算过程为公知技术，因此本实施例不再详细描述。
35.由于边缘线上每个像素点的斜率可以反映边缘线的光滑程度，因此本实施例根据各目标聚类簇对应的边缘线上每个像素点的斜率，得到各目标聚类簇对应的边缘线的光滑程度；对于任一目标聚类簇，根据如下公式计算该目标聚类簇对应的边缘线的光滑程度：其中，为该目标聚类簇对应的边缘线的光滑程度，为该目标聚类簇对应的
边缘线上的第g个像素点的斜率的绝对值，g为该目标聚类簇对应的边缘线上的像素点数量；当越大，表明该目标聚类簇对应的边缘线凹凸程度变化比较剧烈，即越不光滑，毛刺越大，越有可能是癌症病变区域；当越小，表明该目标聚类簇对应的边缘线凹凸程度变化比较平缓，越有可能是正常组织区域。越大，越大；上式里面的g为对求取均值。
36.至此，得到了各目标聚类簇对应的边缘线的光滑程度。
37.然后判断各目标聚类簇对应的边缘线的光滑程度是否大于预设光滑程度阈值，若是，则将对应的目标聚类簇对应的连通域记为癌症病变区域；否则，则将对应的目标聚类簇对应的连通域记为正常组织区域。具体应用中可以根据实际情况设置预设光滑程度阈值，本实施例将预设光滑程度阈值设置为1.15。
38.至此，本实施例得到了癌症病变区域，然后对癌症病变区域进行标记，帮助医生确定放疗靶区。
39.本实施例主要目的是能够较准确的将周围型肺癌患者肺部的癌症病变区域识别出来，因此本实施例首先获取周围型肺癌患者肺部的ct灰度图像，由于靠近肺部的其他正常组织中的像素点中只有少数与癌症病变区域的像素点的灰度值相近，因此本实施例根据所述ct灰度图像的灰度直方图，可以将靠近肺部的其他正常组织与癌症病变区域进行区分开，得到各像素点类别；即依据ct灰度图像的灰度直方图得到的各像素点类别是后续能够准确识别癌症病变区域的依据。紧接着根据各像素点类别中像素点之间的距离，得到该像素点类别对应的各聚类簇，并得到各像素点类别对应的各聚类簇的像素点分布离散度；所述各聚类簇的像素点分布离散度为后续确定初始聚类中心点的关键，而初始聚类中心点的选取能够更加准确的确定癌症病变区域；然后根据所述各聚类簇的像素点分布离散度，得到各初始聚类中心点，并根据各初始聚类中心点和所述ct灰度图像上各像素点的灰度值，对所述ct灰度图像上的各像素点进行聚类，得到各特征聚类簇；然后根据特征聚类簇之间的相似性，得到各目标聚类簇；由于癌症病变区域与正常组织区域之间的边缘特征不同，因此最后依据中各像素点的斜率，得到癌症病变区域。因此本实施例能够较准确的确定周围型肺癌区域，并且基于得到的癌症病变区域能够帮助工作人员的确定放疗靶区。
40.以上所述实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，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技术各实施例技术方案的范围，均应包含在本技术的保护范围之内。