改进随机抽样一致性算法在CT引导肺间质近距离治疗中自动检测穿刺针
本研究提出一种基于改进随机抽样一致性(RANSAC)算法的CT图像穿刺针自动检测方法,用于肺间质近距离治疗中辅助针道评估和剂量分布优化。在模拟数据、物理模体和14例患者CT图像上验证,针方向平均误差控制在2°以内、端点误差在1mm以内,平均分割时间0.238秒/针,患者数据中152/163根针成功检出(93.25%)。
要点
- 自动检测针轴和针尖的平均误差分别控制在2°和1mm以内,可用于术中针道评估。
- 患者数据中163根植入针成功检出152根,拾取率93.25%,失败主要因肋骨干扰和针仅小部分插入肿瘤。
- 分割效率较原始RANSAC显著提升,模拟数据中误差率80%时耗时0.287秒 vs 0.553秒,节省48%。
核心结论
- 改进RANSAC算法可从CT图像中快速、准确、稳健地检测穿刺针,针方向平均误差控制在2°以内、端点误差控制在1mm以内,平均分割时间0.238秒/针。
研究设计与样本
- 方法学研究,在模拟数据(1500点数据集)、物理模体(20根18G近距离治疗针,插入角度0°至60°、步长15°,插入深度40、60、80、100mm)和14例肺间质近距离治疗患者CT图像上验证。
- 物理模体CT扫描参数为100kV、150mA,层厚5mm,体素分辨率0.70×0.70×5mm³。
- 患者数据以人工分割结果为参考标准,计算针轴角度偏差和针尖位置偏差。
关键影像表现/征象
- 针与肋骨之间对比度低、针伪影、图像衰减和信号丢失是CT数据中自动检测针的主要障碍。
- 针轴检测基于改进RANSAC(预览模型参数评估、局部优化结合局部RANSAC、主成分分析),针尖通过沿轴追迹强度突变点确定,单层多针采用连续内点删除法分割。
诊断标准与关键数值
- 患者数据中所有检出针的最大角度偏差为1.243±0.562°,最大针尖位置误差为0.757±0.218mm。
- 物理模体中最深插入距离100mm时,针轴和端点最小误差分别为0.674°(均值)和0.390mm(均值)。
- 物理模体中最浅插入距离40mm时,误差增至β=1.309°和ξ=0.775mm。
临床应用与阅片要点
- 作者指出该自动检测算法可用于图像引导肺间质近距离治疗中辅助针放置评估和剂量分布优化,基于实际针道进行术中剂量校正。
- 作者指出检测失败的两个主要因素为背景物体(肋骨等)和针伪影的强干扰,以及仅小部分针插入肿瘤导致可用候选针点有限。
局限性
- 患者数据中针配置误差较模拟数据和模体数据更大,主要因为误差不仅来自分割算法,也来自医学物理师。
- 检测失败的两个主要因素为背景物体(肋骨等)和针伪影的强干扰,以及仅小部分针插入肿瘤导致有限候选针点可用。
全文中译23 节 · 点击展开
引言
肺癌一直是最常见的癌症,中国每年新诊断病例超过400万例,癌症死亡人数达200万。1 作为放疗的重要分支,组织间近距离放疗已被广泛应用于肺癌、肝癌、前列腺癌及许多其他器官的癌症治疗,具有适形性好、治疗时间短和局部剂量控制率高的特点。2 , 3 , 4
肺部组织间近距离放疗的标准工作流程通常包括三个部分:首先,物理师应基于治疗计划系统制定最优剂量治疗计划。5 其次,沿共面模板上的定向槽将所有针插入靶区。放射性源通过针的中空轴依次植入计划位置。最后,通过术后CT验证操作质量。6
将所有粒子置于计划位置以确保足够的剂量覆盖靶区,同时保持危及器官的低剂量是手术成功的关键。7 然而,由于组织变形和针偏差等因素,术前计划无法很好地实施。8 次优的剂量分布导致生化控制率下降和周围组织损伤风险增高。基于图像的自动针检测算法使得基于实际针路径进行高效的术中剂量校正成为可能。在治疗计划系统中,计划粒子可被导入相应的检测到的针路径中进行剂量计算。如果在肺部靶区内发现任何剂量不足和热点,将进行粒子位置调整和追加针的置入。然而,针伪影、图像衰减、信号丢失以及针与肋骨之间的低对比度给CT数据中的自动针检测带来了许多障碍,如图1所示。因此,从大量复杂的CT数据中准确、快速地识别针已成为该技术的难点。
已有大量研究致力于从二维(2D)和三维(3D)超声(US)图像中自动分割长直手术器械。Radon变换、霍夫变换(HT)和平行投影是三种常用的检测算法。以使用某种Radon变换形式为例,Barva等9提出可通过最大化平行积分投影(PIP)来找到电极轴线。尽管该方法精度较高,尖端误差在0.2-0.3 mm以内,但由于在MATLAB中处理时间较长(数十分钟),在临床环境中并非一种实用的方法。通过利用GPU的计算能力并使用快速搜索方案实时跟踪手术器械,实现了额外的PIP加速。10 Uhercik等11提出了一种多分辨率PIP方法,在3D US数据中实现比广义PIP更快的电极轴线定位,同时保持相同的精度。Qiu等12使用基于3D HT的方法定位前列腺治疗针,在活体患者图像中实现了1 mm的端点定位精度,平均耗时2 s。通过采用粗-细搜索策略和3D空间中直线的四参数表示对HT算法进行改进,Zhou等13快速、准确且稳健地分割了针。快速随机霍夫变换(RHT)仅在粗分辨率体数据上执行RHT,将35 MB数据中的计算量减少至1 s。14 Okazawa等15将HT推广以解决2D超声图像中的针弯曲问题。Ding等16使用两个正交图像投影从3D US图像中分割针,类似的分割算法可用于检测Aboofazeli等17所发现的弯曲针。为获得更高的精确度,这些投影方法需要低噪声和高对比度的图像。关于实时定位针位置并估计端点,Yan等18提出了形状信息和水平集技术,并已在前列腺体模中得到验证。
上述方法的普遍缺点是对干扰高度敏感、计算复杂,且侧重于单针分离。因此,仍然需要一种更稳健、计算高效且能在复杂环境中良好运行的方法。本文提出并评估了一种改进的针检测算法,该算法利用图像预处理和改进的随机抽样一致性(RANSAC)算法来估计整个针的形状。RANSAC已成功用于3D US图像19和多幅横断面US图像20中的手术工具定位,但迄今为止尚未应用于CT横断面数据。在该算法中,通过预检验技术加速迭代过程以提高整体针分割效率。同时,通过将局部优化RANSAC 21与主成分分析(PCA)22相结合来保证精度。此外,通过循环剔除当前最佳模型内点,检测单幅横断面图像中的所有针。最后,在模拟数据、物理体模和活体CT引导肺近距离放射治疗图像中对算法进行了全面评估。
材料与方法
CT图像预处理
相邻针之间的距离通常为5或10 mm,已被证明对人体损伤最小。用于肺部近距离治疗的CT层厚通常为5 mm,以确保在获得清晰组织成像的同时能够检测到所有针和粒子。在扫描前使用定位装置和激光调整并定位共面模板,可确保每根针精确位于CT层面上。假设所获取的图像包含所有针,且每个层面上的针数已知。计划轮廓由物理师手动调整以考虑解剖变形,然后导入术中CT图像。根据文献,23我们发现18号近距离治疗针的变形主要发生在垂直于针斜面的方向上,插入过程中不发生弯曲。
感兴趣区(ROI)提取
与手动提取相比,采用基于修改后靶区轮廓的半自动ROI检测方法。首先,通过轮廓上的像素计算靶区的最小外接矩形。然后,将矩形外扩3 mm以确保ROI内的所有针信息。若有任何针尖候选点位于扩大后的矩形之外,则手动增加外扩距离。最后,裁剪更新后矩形所包围的图像用于后续处理。其中一幅临床CT图像的ROI如图1所示。
对比度增强
为了提高针与外部背景噪声之间的对比度,在定位搜索区域后对裁剪图像应用强度映射函数。该函数为,其中、、、、,表示范围内的归一化强度值。指变换后图像中期望的像素强度,表示原始像素强度。范围指定输入强度中的最小和最大饱和阈值。值和定义期望频谱的强度跨度。该变换的意义如图2a所示。它将初始灰度图像中的强度值映射到变换后ROI中的新值。在变换过程中,强度小于的原始像素被赋予强度值。同样,强度高于的像素被赋值为。参数定义转换曲线的形状。当时,低强度像素的强度被扩展,而高强度像素的强度被压缩。相反,当时,低强度像素被压缩,高强度像素被扩展。
在我们的算法中,值和分别取最大强度值1的15%和100%,期望频谱设为范围。通过设置,进一步向高强度像素扩展,从而增强针与外部背景噪声之间的对比度。图2b、c展示了原始裁剪图像与对比度增强图像的比较。
阈值处理过程
经过对比度增强处理后,获得感兴趣区域(ROI)中灰度分布的直方图。基于阈值处理,将强度分为两个不相交的集合:(针体像素)和(背景像素)。其中是一系列像素坐标。阈值基于经验结果确定,因为每个患者病例的针体灰度分布不同。通过式(2),强度大于的像素被识别为候选针体点。注意仅提供候选针体点的近似估计,并包含一些假点。下一节描述一种用于针体轴线识别的改进RANSAC方法。
针体轴线分割
用于针体检测的改进RANSAC算法
假设数据集X中包含N个相互关联的数据点。RANSAC算法24从X中随机抽取大小为m的子集,其中m是确定参数化模型所需的最小数据集合,其值对应于几何模型的复杂度。一旦通过最小数据集计算推定出一个模型,则使用数据集X中的全部数据点来检验该模型,然后确定其内点。采样过程将重复进行,直到满足最终评估标准。这意味着在给定置信概率P下,至少能够筛选出无离群点的最小子集所需的最小样本数。最终,支持率最高(内点最多)的模型即为所需模型。假设错误离群点占比为,选择未受污染内点样本点的概率为。类似地,选取k个样本,这些样本数据受到污染(至少含一个离群点)的概率为。因此,为确保置信概率高于P,最少样本数k必须满足以下关系:
通过上述步骤,RANSAC算法的时间复杂度记为T:其中为每次随机采样的时间,为对每个数据点验证模型的平均时间;为中数据点的总数。一般而言,对于特定问题,和被视为不变,因此RANSAC算法的时间复杂度由和决定。
由式(3)可知,与和呈指数关系。在一定的置信概率下,和的值将随着数据集和模型复杂度的增加而增大。同时,时间复杂度也将相应增加。因此,提出了结合预览模型参数评估与局部优化的技术,以在高精度下提高算法速度。
预览模型参数评估技术
假设预检验的样本数据为,且至少存在内点的概率为。换言之,在置信概率下,正确模型在检验中至少有个内点。若内点数量少于,则该模型参数受到离群点污染,无需参与后续全部数据的验证。对于正确模型参数,通过预检验的概率为:其中为从样本数据n中选取i个数据的组合。在实际计算中,在Pt的最小限制下通过测试不同的nf,计算满足条件的最大nf及相应的Pt。根据误差标准差,判断某点是否属于内点由式(6)确定25:当时,误差标准差σ可如下估计:其中为图3所示的数据误差,为误差绝对值的 中位数。
经过预检验后,正确模型可能被误判为错误而被剔除。选取未受污染内点样本点的概率变为,于是式(3)变为:
预检验过程对计算结果的影响通过式(8)转移到采样过程。当设定Pt < 1时,相应的采样次数k多于一般RANSAC算法所用的次数。然而,与预检验期间可被滤除的模型相比,增加的模型参数非常少,因为大多数模型参数受到了离群点影响。
局部优化技术
由于算法停止运行的准则过于理想化,受污染的模型也可能获得高支持度(更多内点)并导致错误结果。提出局部RANSAC与PCA相结合的方法来解决精度问题。通过预检验技术,可以获得初始解及与之匹配的一致性集。局部RANSAC在该次优内点数据集上采样,新模型也在这些数据点上进行检验。与普通RANSAC算法不同,由于采样在内点上进行,无需最小化样本数量。通常,为减少总体计算时间,局部RANSAC中的采样次数kL设定为10至20倍之间。
使用局部RANSAC后,可获得优化后的模型参数和内点数据集。然而,这些参数并非最优解,因为它们是由最小样本子集计算得出的。因此,应用PCA通过最小化一致性数据集的误差估计来获得期望的模型拟合。针形状的优化近似将在下一实验部分进行。
针尖定位
一旦识别出针轴线,即获取沿轴线的所有像素强度,并可通过Barva等人9的方法将针的端点确定为突变点。沿估计轴线的强度分布示例如图4所示。给定强度,应用工具像素和背景像素的先验估计概率分布来确定满足关系的值。针和背景像素的估计分布从具有已知工具位置的数据集中获得。
多针检测
注意,RANSAC程序一次只能处理一根针。为了提取切片中的所有针,我们采用了逐次删除的方法。它指的是在修改后的RANSAC例程之后,标记当前最优模型对应的所有内点,并将这些数据从整体样本中移除,然后使用更新后的样本数据集进行下一次检测。随着样本数据的更新,当前针的异常值占用率ε也必须改变:其中是当前切片中的总针数,是图像处理后的噪声占用率,指每根针的最大内点数,是样本数据集的初始计数,是次更新后的点数。逐次删除方法重复进行,直到总数据中不存在满足最佳模型条件的子集。显示完整针形状估计步骤的流程图见图5。
实验方法
应用了三种不同的实验,包括模拟数据、物理体模图像和肺间质近距离放疗的病例图像,以测试所提出方法的性能。对于模拟数据和体模数据,针参数的真值通过理论计算获得。对于病例数据,由于无法获得实际针信息,使用手动分割结果作为真值。将自动检测算法获得的针参数与真值进行比较,计算角度偏差β和针尖位置偏差ξ,以衡量算法的性能。
角度偏差β是指检测到的针杆与实际针杆之间的夹角:其中是检测到的针杆向量,是实际针杆向量。针尖位置偏差是指检测到的针尖位置与实际针尖位置之间的二维切片上的欧几里得距离:
在本研究中,置信概率设为99%,预测试的样本数据选择为15,概率设为80%。根据经验结果,选择为15%。对于每个实验数据,检测算法对每个数据集重复15次,记录相关数据的均值和标准差。所有算法均在MATLAB(The MathWorks, Natick, MA)中实现,并在Intel(R) Core (TM) i3-2120 3.30GHz计算机上运行。
模拟数据评估
由计算机生成大小为1500个点的数据集以测试我们的方法。每个数据集中的所有内点均来自给定的直线。此外,使用MATLAB函数“randn”在特定区域添加了均匀分布的不同比例的高斯噪声,范围在0.1至0.8之间变化。注意,生成的合成数据仅用于验证所提出方法在具有乘性高斯噪声的数据中的可行性和改进。
物理体模图像评估
为更贴近临床手术中的针插入过程,设计了一种基于实验室验证的3D打印体模,其中包含20根18号近距离治疗针(日本长野Hakko株式会社制造),针的方向和端点均已知。115 mm × 60 mm × 110 mm的板及孔阵列通过数字3D打印机直接成型(中国深圳Aurora Technology株式会社制造,机器误差0.05 mm)。在孔阵列中,计划设置从0°到60°、以15°为步长的不同插入角度,以及不同插入深度h = 40、60、80和100 mm,以测试算法的鲁棒性(如图6所示)。验证实验在天津医科大学第二医院进行,使用螺旋CT系统(GE LightSpeed RT)获取体模的15层CT图像切片,参数设置为100 kV和150 mA。物理体模图像大小为512 × 512 × Z,其中Z范围为4至12层,体素分辨率为0.70 × 0.70 × 5 mm³。
在体实验评估
本实验还使用了14例肺癌近距离治疗患者的CT图像。所有患者均招募自天津医科大学第二医院。此外,由医学物理师提供的针的详细信息列于表1。
结果
模拟数据结果
所提出的RANSAC(P-RANSAC)与通用RANSAC(G-RANSAC)在模拟数据上的结果如图7所示。从图7b可以看出,G-RANSAC的计算时间与ε呈指数比例关系,而P-RANSAC随着错误率的增加仅出现轻微效率下降。当ε达到80%时,P-RANSAC的计算耗时为0.287 s,而G-RANSAC为0.553 s,节省了48%的分割时间。从图7c可以发现,G-RANSAC的误差在高异常值比例下似乎更大,总体上随异常值比例的降低而减小。显然,对于G-RANSAC,当ε = 0.6时最大角度偏差β为0.518°,当ε = 0.1时最小β为0.267°。对于所提出的分割方法,角度偏差控制在0.310°以内,且在不同错误率下未出现大幅波动。
物理体模结果
对于所研究的每个针插入距离h,图8给出了β和ξ随不同插入角度变化的观测结果。针轴和针尖的分割误差在较深的插入距离处较小,并随着插入距离的减小而增大。这是因为针深度越深,可获得更多可用的针候选点,从而导致更准确的针杆确定。定量结果还表明,β和ξ对插入角度均不敏感,并随插入角度的增大而略有变化。在相同插入距离的不同插入角度下,β和ξ的最大变化分别为0.273°和0.179 mm。在所研究的最深插入距离(100 mm)处,自动分割的针杆和端点位置与手动分割对应值的最小误差分别为0.674°(均值)和0.390 mm(均值)。在所研究的最小插入距离(40 mm)处,误差增大至约β = 1.309°和ξ = 0.775 mm。物理体模实验中使用的所有针均被准确识别,每根针的平均时间为0.192 s。
在体实验结果
图9展示了使用我们的方法对一组CT肺近距离放疗图像的检测结果实例。从表1可以发现,在所有识别出的针中,最大角度偏差为1.243 ± 0.562°,最大针尖位置误差为0.757 ± 0.218 mm。与之前的实验数据相比,患者数据中针配置的误差变大。这主要是因为误差不仅来源于分割算法,还来源于医学物理师。
此外,还计算了算法的分割效率,平均每根针耗时0.238 s。此外,共植入163根针,成功拾取152根针,拾取率为93.25%。对针检测失败的主要因素也进行了仔细分析。有两个方面:(1) 来自背景物体(肋骨等)和针伪影的强干扰。(2) 只有一小部分针插入肿瘤内,导致可用于针检测算法的候选针点有限。这种情况常发生在目标器官的边缘。
讨论
本文描述了一种自动且高效地完成植入针配置分割的方法。预测试、局部优化和逐次删除技术是改进RANSAC流程中应用的主要思想。实验结果表明,所提出的算法在一系列点的模拟数据中、在具有均匀背景的物理体模中以及在具有复杂且非均匀背景噪声的患者切片中均是可行的。
在模拟结果中,预览模型参数评估技术通过用较少的点对模型进行预筛选来加速分割过程,且当异常值比例较高时加速过程尤为明显。这种时间缩短对于一次拾取多根针而言是显著的。因为在提取前几根针时,其他针的内点对于当前模型而言也属于噪声。换言之,在算法早期阶段异常值比例较高。
在我们的物理体模实验中,分析了不同插入角度和插入距离对检测方法性能的影响。可以看出,针轴和端点分割精度的差异主要由目标信息量引起,而目标信息量取决于插入深度。尽管存在上述因素,我们提出的算法仍具有更高的精度和更好的鲁棒性,因为确定针尖的误差小于0.78 mm,针方向误差小于1.35°。与先前针方向的相关研究相比,实验结果显示出比2.3°(Cool的方法)26更具竞争力。此外,对于针尖误差,其评估值小于0.8 mm(Ding的算法)16和1.43 mm(Qiu的算法)。27
对于实际近距离放射治疗图像,大多数情况下针尖位置和方向误差控制在1 mm和2°以内。亚毫米精度对于预期的近距离放射治疗临床实践是足够的。同时,整体失败率为6.75%,这对于随机迭代算法(RANSAC)而言完全合理,且该值比33%(Uhercík的结果)19和16%(Qiu的结果)27更具竞争力。至于分割效率,我们方法的平均处理成本为每根针0.238 s。这比其他算法短得多,参考文献11中的平均时间为7.3 s,26为3‐5 s,19为0.64 s。与数小时的手术相比,这一时间消耗完全可以接受。此外,据我们所知,基于CT图像的针检测在近距离放射治疗中的应用尚未见报道。
在放射性粒子植入病理组织之前实现术中剂量再规划,对于肺部近距离放射治疗获得最佳治疗效果至关重要。本文描述了一种基于CT图像的快速准确的针重建技术,为剂量校正提供了新思路。一旦识别出所有针,可基于术前与术中针之间的对应关系导入原始计划(所有粒子),然后通过调整初始粒子位置以及添加额外的针和粒子来改善剂量分布。另一方面,自动确定针尖位置和针方向的图像测量工具可供医学物理师使用。如果检测到明显的定位错误,将考虑如拔出或重新插入针等补救措施。此外,所提出的方法通过重新定义模型函数和相应的误差项,为分割其他参数化对象提供了灵活性。
尽管我们的算法能够同时精确检测多根针,但仍存在一些失败情况。因此,为保证分割的稳健性,我们的应用中需要一种先进的初始化(预图像处理)方法。需要注意的是,本文未考虑针在Z方向上的形变。当前 lung brachytherapy(肺近距离放射治疗)有几个原因:一方面,手术中会通过调整患者体位尽可能减小针的插入深度,以增加对针的控制。另一方面,在针插入过程中改变针尖斜面方向有助于减轻形变问题。通过这些术中方法,针位置在Z方向上的偏差远小于X和Y方向上的偏差。在未来的工作中,将考虑结合冠状位或矢状位切片的可能性,以进一步解决该问题并实现针形状的3D参数化表示。
结论
本文提出了一种改进的RANSAC算法,用于基于CT图像的针分割。预模型参数评估、结合局部RANSAC与PCA的局部优化以及连续内点删除是该方法的关键技术,这些技术已在仿真数据、物理体模和近距离放射治疗病例中进行了测试。同时,具有计算耗时短和精度较高等良好实验结果的该方法满足临床治疗要求。我们期望,借助基于图像的自动针放置,一个更可靠的剂量优化模块将被集成到近距离放射治疗计划系统中。
作者贡献
Yongnan Zheng完成了本研究的构思和设计,起草了文章,并对其中的重要知识内容进行了批判性修订。Shan Jiang和Zhiyong Yang批准了该版本。Lin Wei对数据进行了分析和解释。
利益冲突
作者声明他们没有利益冲突。
伦理批准
涉及人类参与者的研究中执行的所有程序均符合机构和/或国家研究委员会的伦理标准,并符合1964年《赫尔辛基宣言》及其后续修正案或类似伦理标准。
知情同意
已从纳入本研究的所有个体参与者处获得知情同意。
引用
- Zheng Y, Jiang S, Yang Z, et al. Automatic needle detection using improved random sample consensus in CT image-guided lung interstitial brachytherapy. J Appl Clin Med Phys. 2021. PMID: 33764659. doi:10.1002/acm2.13231
- 全文:PMC8035571(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC8035571/
供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。