(三十七:2021.01.13)Pre-MICCAI 2019学习(二)《前列腺近距离放射治疗中,检测粒子在CT中的3D位置和方向》

语言: CN / TW / HK


images for prostate brachytherapy》)

讲在前面

  • 一.Pre-MICCAI是我为了进一步了解MICCAI某些相当有意义论文的发展历史而采取的一种追根溯源的方法,在这个系列中我会将这篇论文所提到的之前的论文进行一定的了解,便于更深层次的学习和了解整个算法要解决哪些之前的问题,同时借鉴前人的思想来丰富自己的知识库;
  • 二.我设计了几种字体颜色用于更加醒目地表现关键的思想和主题:
    • 红色表示尚未理解透彻的一些概念
    • 蓝色表示对原来的理解做的一些修改或补充
    • 绿色表示此处需要参考的论文其他部分
    • 橙色表示本文的重要关键字
    • 我会用删除线将自己曾经不到位的理解进行删除
  • 三、本文基于论文《A Deep Regression Model for Seed Localizationin Prostate Brachytherapy

摘要

在前列腺近距离治疗中,对每个植入的粒子的3D姿势信息的分析是剂量计算和质量评估的关键问题之一。 本文介绍了一种用于前列腺粒子的分离、定位和3D方向估计的自动图像处理解决方案。 该解决方案将对CT图像中的一组候选粒子的初始检测(使用阈值和连接成分方法)与使用主成分分析(PCA)的方向估计结合在一起。 这项工作的主要创意是能够根据先验强度和体积信息对检测到的物体进行分类,并使用改进的k均值方法将种子分组。 在体模和患者的CT图像上进行了实验,目的是在检测性能和计算时间方面将建议的解决方案与手动分割或其他先前的工作进行比较。

论文内容

1.介绍

前列腺癌具有2006年至2010年全球每年每100,000名男性中152人的发病率,被认为是男性具有第二大发病率的癌症。 前列腺癌的诊断和治疗方法的改进变得越来越重要。 使用低剂量放射性粒子的低风险前列腺近距离放射疗法是一种处理局部前列腺癌的常见且高效的方法。 通过平行针将散落或搁浅的粒子插入前列腺。 在实践中,植入前列腺的粒子数量通常为40到100。手术的目的是定位种子,以在整个前列腺中获得适当的剂量覆盖,同时限制对邻近器官的风险。 理论上,粒子应与针插入方向对齐。然而,实际上,粒子植入取决于许多生物力学因素以及人类经验。 因此,尽管在放置针头和运送种子时进行了任何特殊的护理或努力,粒子仍可能掉出位置。 这也可能导致成排紧密排列的粒子。 我们将这样的重叠粒子命名为union-seed图1)。 为了进行治疗质量评估,通常在手术后一个月进行PID,一旦前列腺的任何炎症反应消失,便会进行基于CT的剂量测定。 CT检查通常显示粒子在植入方向上未对齐,并且粒子可能会迁移。尽管美国医学物理学会建议根据实际粒子的位置和方向确定近距离放射治疗粒子的3D剂量分布,但大多数治疗计划软件仍在假设所有粒子均与CT的轴对齐这个前提。因此,粒子的最佳位置和方向(包括分离union-seed的能力)是评估前列腺近距离放疗的主要挑战。
图1:
在这里插入图片描述

因此粒子的定位已被广泛研究和发表。 例如,在[《. Kuo et al., “Mri-based prostate brachytherapy seed localization,” ISBI, pp. 1397–1400, 2010》]中考虑使用高斯的拉普拉斯算子进行斑点检测来确定IRON图像(利用共振水抑制进行反转-恢复)中的粒子位置,而没有明确提及粒子的方向。(笔者人已经傻了,在之前的工作中我恰恰是使用了这样的算子检测手段,实现了粒子的检测,真没想到在这儿遇到了祖师爷。)Wei等人在[《. Wei et al., “Automated localization of implanted seeds in 3d trus images used for prostate brachytherapy,” Medical Physics, vol. 33(7), pp. 2404–2417, 2006》]中从背景图和植入后的超声图像之间的减影图中分割出粒子,然后将PCA方法应用于方向检测。 还报道了粒子在X射线图像中的定位,例如在[《 Lee et al.,“Prostate Brachytherapy Seed Localization with Gaussian Blurring and Camera Self-calibration”,MICCAI, pp. 636-643, 2008.》]中使用高斯模糊图像进行体积重建,取得了有意义的进展。 Chng等人在[《Chng et al., “Prostate brachytherapy postimplant dosimetry: Seed orientation and the impact of dosimetric anisotropy in stranded implants,” Medical Physics, vol. 39, pp. 721–731, 2012.》]中估计了从切向量到粒子链的粒子切线的方向,该粒子链在植入CT后的每个粒子位置处确定。 大量论文都考虑了粒子的发散,其实际方向通常更接近计划的粒子。 但是,这些类型的粒子限制了临床医生规划剂量的能力。 而且,这些方法不能处理union-seed
我们已经开始在机构中开发植入手术后图像处理软件,强调较小的计算复杂性和粒子检测的高效率。 在这项研究中,我们利用CT图像中放射性粒子的高强度外观,寻求一种基于阈值化和关联成分分割的解决方案。除了精确定位粒子位置和方向外,我们还进行了对union-seed的分割。 在此,将PCA方法用于方向估计,并改进了k均值分割方法。 本文的组织结构如下:在第二节中,介绍了此工作中使用的材料;在第三节中,我们描述了建议的解决方案;在第四节中报告了对来自体模和一名匿名患者的数据集的评估。 然后,我们将在第五节中讨论该方法的主要贡献和潜在扩展。

2.材料

格勒诺布尔大学医院的临床团队使用BEBIGIsoSeed® I − 125 I-125 I125种子。 种子由圆柱形陶瓷材料制成,并在中心充满了放射性碘125化合物和金标记,它们全部被激光密封的钛管包围。 种子的外部物理尺寸为 l = 4.5 ± 0.2 m m l = 4.5±0.2mm l=4.5±0.2mm长和 r = 0.4 ± 0.02 m m r = 0.4±0.02mm r=0.4±0.02mm外部半径。碘125同位素以35keV的最大能量发射光子,半衰期为59.46天。 该信息由制造商提供。
3DCT图像是使用GE Lightspeed RT16扫描仪获得的,默认X射线管参数为:120kVp,380-440mA.s。切片宽度为0.625mm,每个切片为16帧/秒。图像重建矩阵以512x512的DICOM 3.0格式归档,具有16位灰度级。

3.方法

3.A 使用连接对象分割进行粒子定位

初始步骤是使用分割方法检测候选粒子列表。已经提出了图像处理中的许多方法来分割图像中的单个对象,例如图像分割、分水岭转换和水平集。 在本文中,由于仅使用强度阈值 t t t 很简单且计算效率高,因此考虑了连接组件标记方法。 确实,我们首先根据 t t t 对原始体积进行阈值分割,然后为每个连接的组件(26个像素为一个连接域)分配一个标签 i i i。与连接的组件相对应的所有体素都具有相同的标签,该标签对于其特定组件是唯一的。 将每个组件的位置确定为其质心 c i c_i ci
在这项工作中,强度阈值 t t t 的选择可以基于粒子的X射线吸收的图像特征和物理特征来启发式设置。 图2显示了在患者的CT图像中检测到的连接组件的示例。 我们可以假设骨盆骨骼是非常大的组成部分,其体积比种子的实际体积大100倍(表示为 R V = r 2 π l RV =r^2πl RV=r2πl)。 相反,噪声由微小的成分组成,其体积不到RV的三分之一。 骨盆的骨头和噪音被清除。 其他成分保留为候选粒子,由两种类型组成:single-seedunion-seedunion-seed基于与single-seed相比的体积(表示为Vsingle)进行分类。 实际上,union-seed最多可以包含4或5个粒子。 在第一阶段,union-seed不能分开。 实际上,union-seed总是会导致位置和方向估计的潜在误差。 因此,我们在第III.C节中提出提出此方法的一个分离方案。
图2:
在这里插入图片描述

3.B 使用PCA来进行方向估计

考虑到每个组件中的 n n n 个检测到的体素的集合,该3.B阶段旨在估计组件的3D方向。 已经有人提出了许多方法,包括3D Hough平面变换[W. Qiu et al., “Needle segmentation using 3d hough transform in 3d trus guided prostate transperineal therapy,” Medical Physics, vol. 40,p. 042902, 2013]或最小包围边界框[. Lahanas et al., “Optimized bounding boxes for three-dimensional treatment planning in brachytherapy,” Medical Physics, vol. 27, pp.2333–2342, 2000]。 然而,由于这些方法的复杂性和图像伪影的高度影响,这些方法不适合在医学图像中识别。 在这项工作中,我们重点研究了一种3D方向估计的解决方案,该解决方案将通过研究PCA方法来改善这两个方面。 PCA方法是通过拒绝低方差特征来压缩和提取一组相关观测值的描述的最简单,最可靠的数学程序。 考虑到 p p p 维特征向量(在我们的示例中为3维),PCA方法将把此数据投影到 q q q 个主成分上。 第一主成分 v 1 v_1 v1 是沿着具有点云协方差矩阵 C C C 的最大特征值 λ 1 λ_1 λ1投影的特征空间。 选择它作为对象的方向。 第二主成分 v 2 v2 v2 是在和第一主成分 v 1 v_1 v1的所有正交的方向中方差中最大的那个方向。

3.C 使用聚类方法对union-seed进行分离

通过连接的组件标记检测到的每个union-seed的体素集,我们研究一种使用k-均值聚类方法的无监督分类方法[. Han et al., Data Mining: Concepts and Techniques. Morgan Kaufmann, 2011]。 通过将每个体素重新标记为属于具有最近均值的聚类,我们将这些成分分成k个粒子。 通过将分量体积 V V V V s i n g l e V_{single} Vsingle比较: k = V / V s i n g l e k = V / V_{single} k=V/Vsingle,将四舍五入到最接近的整数值,获得在联合种子中分组的种子数 k k k。我们首先随机选择 k k k 个点作为初始簇质心。 然后,将每个体素分配给最近的质心。 我们重复此过程,直到所有质心不再变化为止。
K-means算法在许多分类应用中显示出其计算简便性。 但是,由于所得簇强烈依赖于初始质心的选择以及簇共享区域的大小和形状差异,因此k均值存在一些局限性。 在实践中,当分离平行粒子组时,这种经典的k均值方法存在最大的误差(请参见第四节)。因此,我们提出了一种改进方法k-means-for-seeds,通过利用PCA提供的信息来选择k-means算法的初始聚类:

  • 我们首先使用PCA方法估计union-seed的两个主要方向 v 1 , v 2 {v1,v2} v1v2
  • 然后, ( k − 1 ) (k-1) k1平行平面由union-seed的主方向 v 1 v1 v1 和它们之间的距离 d = λ 2 / k d =λ_2/ k d=λ2/k定义(见图3),其中 λ 2 λ_2 λ2union-seed的协方差矩阵 C C C 的第二个特征值。 这些平行平面将union-seed的空间划分为 k k k 个分区。 最后,我们将k-means聚类算法与初始聚类中心一起应用,初始聚类中心是这 k k k 个分区的质心。
    图3:
    在这里插入图片描述
    在这项工作中,我们对具有不同初始簇质心的经典k-means方法和k-means-FS方法进行了实验。 从质心方向信息中为union-seed中检测到的每个单个粒子重建对应于粒子模型的圆柱体。然后,针对每种解决方案计算这些圆柱体形式和union-seed共有的体素数量之和。 总和最大的解决方案被选为最佳解决方案。

4.结果

4.A 实验设置

所建议方法的验证是使用放射性碘125粒子的CT图像进行植入的:

  • 1)特殊制作的体模;
  • 2)来自格勒诺布尔大学医院提供的真实患者的数据。

手动将11个粒子放置在一个平板模型的表面上(尺寸9x9x0.5cm3)。 将成对的粒子以从垂直到平行的不同方向相互接触,其主要目的是评估分离各种类型的uinon-seed的能力。粒子在体模中的参考位置基于手动检测(图4)。 患者数据由前列腺近距离放射治疗期间植入的72颗粒子组成。 在第二个实验中考虑的CT扫描仪图像是在粒子植入后一个月拍摄的(图1)。使用临床治疗计划软件手动重建粒子在前列腺中的参考位置。
图4:
在这里插入图片描述
所提出的解决方案的实现是基于我们的开源框架CamiTK(使用带有VTK和ITK库的C++)在3.4 GHz Intel Core i7-2600 CPU上构建的。有关DICOM图像的更多信息,请参见表1。 CT图像中每种材料的体素强度(HU)为:体模材料[0,400],患者软组织[0,400],患者骨骼[0,1350]和粒子[500,max]。
为了将粒子的参考位置和方向与其检测到的位置和方向进行比较,我们使用了它们的质心 c 1 , c 2 c1,c2 c1c2 与它们的方向矢量 v 1 , v 2 v1,v2 v1v2等式1)的点积之间的欧几里得距离, ∣ ∣ v i ∣ ∣ ||v_i|| vi 是向量 v i v_i vi的大小,距离 Δ d Δd Δd 的单位是mm, Δ θ Δθ Δθ 的单位是度:
Δ d = ∑ i = 1 3 ( c 1 i − c 2 i ) 2 , Δ θ = a cos ⁡ ( v 1 ⋅ v 2 ∥ v 1 ∥ ∥ v 2 ∥ ) (1) \Delta{d}=\sqrt{\sum_{i=1}^3(c_{1i}-c_{2_i})^2},\Delta{\theta}=a\cos(\frac{v_1\cdot{v_2}}{ {\|v_1\|}{\|v_2\|}})\tag{1} Δd=i=13(c1ic2i)2 ,Δθ=acos(v1v2v1v2)(1)

4.B 体模实验

表2显示了使用强度阈值t = 1400时检测到的粒子相对于参考位置的方向差 Δ θ Δθ Δθ 和距离 Δ d Δd Δd 的详细信息。使用 Δ θ = 0.2 3 o Δθ= 0.23^o Δθ=0.23o Δ d = 0.02 m m Δd= 0.02mm Δd=0.02mm的11号single-seed获得了最佳检测结果。 相反,定向估计最困难的情况是平行union-seed,即粒子几乎以相同的方向对齐(在这里是5号和6号粒子)。 距离误差最大的是T形,即其中一个粒子与另一粒子刚好正交(1号和2号种子)。
表2:
在这里插入图片描述
表3还体现了3种不同阈值选择的方向差 Δ θ Δθ Δθ和距离差 Δ d Δd Δd:[500,1400,7431]。 总体而言,我们针对20种以上的 t t t 进行了该实验。 平均距离为0.13±0.07mm,而Chng方法为0.3mm。 平均取向为 1.3 2 o ± 0.9 1.32^o±0.9 1.32o±0.9,而Chng方法为 2 o 2^o 2o。 计算时间为3.15s±0.3,而Chng的方法为9s,同时他的手动确定参考数据需要30分钟以上。 由于体模和计算机系统不同,因此必须仔细解释这些比较。 另请注意,Chng的方法未考虑union-seed分离。

4.C 病例实验

表3图5显示了在实际前列腺近距离放射治疗的情况下所提出的粒子定位方法的结果。 72颗粒子全部被检测到。 最佳结果是在 t = 1400 t = 1400 t=1400 时获得的,其中没有错误检测,并且方向差与离参考值的距离最小。 在不同强度阈值 t t t 的20次运行中,平均计算时间为10.1s。 与用于确定参考数据的手动检测相比,这是一种快速的解决方案。 从这些实验结果中,我们建议在[1300,1700]的间隔内选择强度阈值。
图5:
在这里插入图片描述

5.总结

在这项研究中,我们提出了一种精确,可靠和快速的方法,用于在CT图像中估计近距离治疗粒子的位置和方向。 它还可以自动可靠地分离union-seed。 这些结果为改善剂量计算准确性和质量评估提供了潜力。 这种精确度对剂量的影响尚待证明,针对这一目标的研究已经针对一系列患者展开,它将单独出版。未来的工作将扩展到最佳强度阈值的自动选择和针对其他前列腺图像模式(例如超声)的粒子定位的可靠解决方案。

本文同步分享在 博客“花卷汤圆”(CSDN)。
如有侵权,请联系 [email protected] 删除。
本文参与“OSC源创计划”,欢迎正在阅读的你也加入,一起分享。

分享到: