放射治疗中的图像处理技术

医学影像技术在过去的30年间由于计算机技术的飞速发展而发生了革命性的变化，这种变化也影响着放射治疗的发展，使得基于图像处理技术的现代放射治疗相对于传统的常规放射治疗发生了质的变化。

对CT的应用研究表明，在没有CT影像的情况下，放疗中靶区的决定在20%的病例中是明显不合适的，在另外27%的病例中亦存在着靶区边界设置不当，因此，没有现代医学影像技术，也就谈不上精确的放疗

放射治疗中的图像一般可分为解剖或功能图像、后处理图像和治疗图像三类。

一、解剖或功能图像

解剖和功能图像包括计算机断层扫描(CT)、MRI图像(MRI)、单光子发射计算机断层图像(SPECT)、正电子发射计算机断层图像(PET)、X光平片和超声图像等。

1

计算机断层（CT）图像

CT的图像是通过测量视场 (field of view) 范围内每个像素点的线性吸收系数，并用不同的灰度表示像素点的CT值(hounsfield unit, Hu)来表示图像的。CT值Hu与线性吸收系数m的关系为：

Hu = 1000(mx-mwater)/mwater

足标x表示待测物质。线性吸收系数m与像素点上物质的电子密度和原子序数有关。在诊断X线能区(70~120 kv)下，CT测出不同组织的Hu值后可近似外推出剂量计算所需的电子密度值。因为这个缘故、CT图像是现代三维治疗中最基本的影像，它在每个像素点上的Hu值在某些算法中被直接用来进行组织不均匀性修正，而且，能否逐点(pixel by pixel)进行密度修正本身是衡量放疗计划设计系统（radiation treatment planning system，RTPS）算法的一个重要指标。

目前CT的发展趋势之一是速度越来越快。现代螺旋CT能在病人一个呼吸周期中扫描约40层图像。超高速CT的这种优点，也可以在放射治疗中用来观察脏器的运动状况（如肺的呼吸运动）。

2

核磁共振图像（MRI）

MRI是通过磁场的射频测量体积元中原子核磁化强度得到的图像，它的图像与许多因素有关，如质子密度、磁化驰豫时间、磁化率等等。空间分辨率、对比度与信号获取时间密切相关。目前常用的是氢原子图像，通常有T1加权和T2加权两种图像。T1是自旋～晶格驰豫时间，T2是自旋～自旋驰豫时间。具有未配对电子的偏磁性物质，如钆原子，会在磁场中被磁化。因此钆的赘化物可作MRI的造影剂，它能通过血脑屏障。

MRI不仅能作横断面上的图像，通过产生不同方向的梯度场能获得体内任意平面的图像，这是MRI优于CT的地方。

MRI在放射治疗中的优越性在于它比CT更能区别软组织肿瘤，特别是中枢神经系统肿瘤 。一般来说，MRI比CT更能发现脑部异常。

3

CT模拟机

目前部分模拟定位机也有简单的CT功能，即在一般的模拟机中插上一些附件，使之能在机架旋转过程中产生断层图像。模拟机CT优点是视场范围大，克服了CT孔径小而使一些特殊体位(如乳房切线位病人手臂上举)无法成像的局限。但由于其球管到探测器的距离长，相对的探头数少，图像分辨率较低，且无法作连续的扫描。

4

发射图像

发射图像是通过测量注入人体的放射性核素在体内的分布而获得的图像，这些放射性核素与某些生物分子有亲和作用，因而产生一些生化分布图像。目前，这一类的图像发展很快，如果找到与肿瘤细胞亲合的核素，它们诊断肿瘤周围的亚临床灶的精度将大大提高。

已获得的人体数据图像信息须传输到TPS系统，常用的媒体有磁带、可擦写光盘或局域网。如果不具备数据传输条件，也可以通过胶片扫描仪输入，当然这种输入方式信息量损失很多。某些专用的数据格式标准，如DICOM 3.0协议，能使一些一些烦琐的数据格式解码工作变得更为有效。

二、图像处理

三维治疗计划中最重要工作之一是准确确定计划靶体积（planning target volume，PTV）和邻近的危险器官（organ at risk，OAR），以决定病变范围、设计射野、计算和分析剂量。确定PTV和OAR的一般方法是先在一系列横断面上确定各种轮廓，再用这些二维轮廓重建出各种器官组织的三维立体轮廓。各断层间的距离越小，三维重建效果越好，但同时会增加扫描时间和勾画轮廓工作量。

原始数据一般以坐标位置和相应的强度值存储，为了使它们便于观察，需对这些图像进行分解和转化。在三维RTPS中这些工作可部分地借助于专用软件进行。

1

图像分解

图像分解（segmentation）是在图像数据序列中定义或标记一些区域（如肿瘤、脏器）的过程，治疗计划中对图像的分解，即在原始的CT层面图像中定出靶区和各种脏器的轮廓。尽管人们发明了许多方法试图对医疗图像进行自动分解，然迄今为止，似乎还没有一种方法能适用于所有的场合。在整个计划过程中，分解图像（勾勒轮廓）往往是一件相对费时的工作。

手工分解，即RTPS操作者手握鼠标或光笔在屏幕上逐层显示的CT层面上勾勒轮廓，操作者可通过调节CT窗位和窗宽以获得清晰的图像便于勾勒。

自动或半自动分解方法可分为边界方法（boundary method）和区域方法（region based method）。边界方法的依据是脏器在边界上有显著的信号强度变化，因此，相应的算法通过探测图像中的像素值梯度变化来勾勒轮廓。采用这种方法得到的原始轮廓也许边界比较毛糙，须辅之以光滑处理。区域方法不是寻找边界，而是定出组成器官的像素区域。这种技术试图逐步地将符合某一特征的小范围生成或合并成大区域。合并依据一些试图在目标间找出相关的相似性准则重复地进行。相似性的性质根据搜寻的对象而定。例如，它们可以是强度，也可以是边界的共有部分或几何形状。

在辨认的过程中可引入半自动或自动的方法，通常是通过测量（或者说是过滤）过程，将整个需要分解范围内符合特征的信息（一般是像素元：pixel 或 voxel）归类出来。这里所说的特征，常常是指图像像素元的强度或CT值。特征值的全部可能范围构成了一个特征空间（一个类似于能谱图中的X轴），每一个像素元（pixel /voxel）由于它们的特征值(Hu)不同而落入特征空间的不同位置，然后，分解就在特征空间中进行归类。这个过程可能需要人为干预，也可以基于概率原理。

图1-17是这种方法的一个图示。图中a 是一个以CT值(Hu)为特征值的CT数据直方图， 从这个直方图上可以得到几种物质的峰位，空气、脂肪、肌肉和骨骼。b 由于对部分体积平均和一些其它因素，各种物质的CT值之间有所重迭，因此它也带来一个常见的问题，用这种方法分解出的器官的边界远不如人为的清晰。c 表示人为规定的阈值，而 d 则表示某一特定的CT值，其归属于哪一 类物质的程度是变化的(fuzzy)。最后，在特征空间中利用自动的算法可进行图像的分解。

图1-17的例子其特征空间是一维的，也即是把CT值作为单一变量。实际上这种方法也可以扩展到多维特征变量的情形中去。例如在MRI中可能有两种图像：T1加权图像和T2加权图像，如图1-18，a 表示颅脑的T1、T2两种加权图像，b 是以 T1、T2两种加权图像强度为特征的二维特征空间，在这里，一维特征空间上重迭的不同部分在二维特征空间中往往是分离的。 c经特征空间分解后的图像。

区域分解中自动辨认方法遇到的主要问题是CT束流硬化过程中的空间不稳定或是MRI中的射频不均匀性。这些因素往往使本属于同一器官的像素元可能有不同的图像强度。

图 1-18 MRI图像二维特征空间

目前勾画轮廓的问题较多，比如在同一CT影像上勾画轮廓，不同医生勾画的结果不同，即使采用自动勾画，也必须进行检查、修改，因每人的选择、修改不同而使结果不同。任何内部器官位置移动必须区别其重要性；在确定靶区和其他轮廓时，应考虑器官的生理学运动规律和运动范围。先考虑用体外固定方式尽量限制如胸腹部呼吸运动，必要时再采用其它方式跟踪其运动，进行修正。如前列腺在前后(AP)方向运动可达1cm；一些病人俯卧位治疗时前后位移可达3cm，侧方向位移可达1.5cm；MRI显示出肝在平静呼吸中位移约1.7cm，在深呼吸时移动可达3.9cm。因此在以PTV为基础确定适形照射计划时不能忽略这些器官运动的误差。解决这种误差目前常采用四种方法：

监控前列腺运动；

附加边缘，计算出理想的安全边缘，包括由大体肿瘤体积(GTV)扩展生成的临床靶体积(CTV)、器官移动、摆位误差；

校准直肠与膀胱的充填；

校正呼吸周期，并注意CT单层扫描时间。在采用多种方式的影像时应注意的是CT可直接给出计划计算所需的电子密度而MRI不能、普通CT不能像螺旋CT那样在矢状面和冠状面给出与横断面相同的空间分辨率、肿瘤可能在一种类型的影像中与在另一种类型的影像中表现非常不同。因此可根据实际情况选择CT、或MRI、或SPECT、或PET。

2

图像融合技术

在放射治疗中，尽管CT图像得到了广泛的应用，但在有些场合，如中枢神经系统肿瘤中，MRI图像在确定靶区范围方面具有明显的优势，但MRI图像却不能提供组织的电子密度、阻止本领等。

为了既保持CT图像便于作不均匀修正的优点，又利用MRI图像软组织分辨率高的长处，需要把这两组图像融合(fusion)成一组图像，即将CT 数据序列(dataset)和MRI 数据序列合成到 RTPS 的数据序列中去，这种技术有时也称为图像套准(套准registration是印刷行业中的一个术语，意为同一图像的不同层次需相互对准以合成一幅无错位的图像).每一组来源的图像本身构成一个数据序列，每个数据序列具有各自独立的特征，如坐标取向、分辨率、放大率、强度定标等。治疗计划中的图像套准和融合，就是要把不同来源的数据序列映射到RTPS数据序列中，即先套准，后融合。

图1-19显示的是CT与MRI及它们融合后的图像，可以看到，由于融合了MRI，能比较方便地在CT图像上勾勒肿瘤和正常结构的轮廓。

图1-19 CT、MRI图像融合

目前的图像融合方法大致可分两类，一类是基于对象的方法，另一类是基于像素方法。

基于对象的方法（object-based methods）是通过自动连接同属于两组图像的公共部分的方法，融合这种方法需要预分解图像，有时这些方法需要通过放置外部标记物进行。有的要求两组图像在同一体位，同一位置上扫描相同的层面，另一些在找到两组图像上的体外标记后能将一组图像按另一组图像的层数，空间取向重新内插生成一组与之位置完全相同的图像。还有的采用在两组图像上分别勾勒出明显的器官轮廓，然后用最小方差方法将它们融成一组图像。一般来说，这些方法都需要人工干预，融合后图像的质量在相当程度上取决于人工干预的正确性，但由于这种过程有人为参与，它甚至可工作于图像质量很差的场合。

基于像素的方法（pixel-based methods）是通过建立两组图像灰度或色彩的相关性的融合方法。它需要对数据序列作所有像素的散布图。如果两组图像融合良好的话，像素点应基本散布在一条直线上。这种方法也许更适合于两组同属性（CT~CT、MRI~MRI）的图像，如病人术前与术后的两组图像。而对病人不同来源的CT与MRI的套准，由于一个MRI灰度值可能对应于多个CT值，这样的相对融合比较困难。一般认为，一个最好的方融合法应该使图中的黑块区域最小化。这个概念更精确的表示是：合成系统的“熵”应为最小。

图像融合技术现在发展也很快，并且已成为一个研究热点。目前相对成熟的是CT与MRI的融合，但CT与其它功能性图像（functional image）如ECT、SPECT等的融合对于甄别靶区的意义和潜力很大，因而有很好的临床前景。

此外，不少医院都在建立自己的PACS系统（picture archiving and communication system），该系统包括图像产生、网络构造、图像管理、显示分析和储存，实现了医学影像的无胶片化，并可使多个部门共享同一图像资料，这个系统无疑对放射治疗部门也有很大的意义。

三、图形的可视化

治疗计划系统中图像的可视化即是图像数据的表达和显示技术，它采用图像技术将前面已分解的图像数据及射野设置和等剂量分布用二维或三维的方法重建后表达。这种技术一般称为描绘（rendering）技术。描绘是将几何模型产生一个可视的屏幕图像的过程，这个过程要形成模型的网状包络线。形成这些包络线有三个要点：

进行一个从定义空间模型的坐标系到计算机屏幕上显示坐标系的转换；

遮蔽计算（shading calculation）要考虑物体本身的色彩和物质特性、观察者视角和光源的类型与方向；

物体间的屏蔽和阴影等。

图1-20表示了目前TPS中常见的四种病人模型表示方法。图1-20 a 表示的是二维轮廓模型，在对CT图像分解(画轮廓)时，每一层面(z)上的轮廓由一些点(x,y)连成封闭曲线构成，根据病人CT层面数的不同，这些器官可用10~50个封闭曲线组成，对这些轮廓线的描绘几乎可以在所有的平台上进行。

图1-20b表现的是以多面体表面模型（polyhedral surface model）所表现的病人模型，这种模型擅长于表示简化的病人原始解剖关系，它是将属于同一器官表面的点连同顶和地一起拼成一个封闭的曲面。 其储存形式是(x, y, z)矢量阵列连同曲面元(通常是小三角形)。相对与前一种模型，它的储存和显示需要更多的内存和计算，当然，这种模型的视觉效果很好。现代计算机配备了专用硬件后能加速对表面模型的描绘。表面模型还可用来计算体积，放大靶区和设计射野。

图1-20c表示的是基于体积元的模型（voxel-based model）。这种模型包含了原始图像强度(即每一个pixel点上的CT值)或它分解后导出信息的阵列。体积元空间位置的坐标信息可以显现也可以隐含在阵列中，而原始图像的强度是通过将序列的二维图像(CT)合并到一个阵列或文件中获得的。在合并过程中可采用降阶取样（dowm sampling）的方式以减少数据量。这种模型可用在产生重要的可视图像中，如多平面重建、DRR或高精度描绘的解剖信息，见图1-21。

图1-20d所示的是病人的点模型表示。它是通过对表面模型或体积元模型所表示的病人解剖进行取样而生成的模型。这种方法在显示病人解剖结构时并不多见，但在交互评估治疗计划或快速计算剂量分布和剂量统计的优化过程中有广泛的用途。由于它能显著减少计算点的数量，所以在取样统计剂量时能明显减少计算时间。

图1-20 TPS的几种描绘方法

图1-21 由CT数据重建以后的影像

四、与治疗计划相关的图像

1

射野视观

BEV（beam's eye view, BEV）在进行三维治疗计划时应用相当广泛，已成为目前治疗计划系统的标准工具。它模拟位于射野焦点位置的光源将病人的三维解剖结构投影到后面与射线轴垂直的平面上，以便观察在特定的机器几何参数(机架角、床转角、光栏角和射野大小)下靶区和正常组织的相互位置关系。这种显示随机器几何参数变化交互进行，因此BEV能使计划者方便地选择射野方向以最大限度地保护邻近的危险器官。

BEV功能的基础是原始CT图像的分解，并在这基础上对轮廓进行模型描绘。BEV功能中还常附有一些工具，如图像对比度 / 亮度调节、缩放、测距等。

与BEV相对应的，还有医生视观（physician’s eye view 或 room’s eye view： REV），如图1-22所示。它是将病人和治疗机模型的重建和显示治疗室内观察者所见的病人~机器相对位置关系。现代的三维治疗常使用非共面野，非常规的投照方向常使计划者如坠雾中，除了通过BEV观察靶区和危及器官等正常组织在射野中的相互关系外，采用REV可清楚地了解治疗机与病人的相对空间位置关系，而且，一个好的REV功能甚至应该能提示机架与病人在某些立体角的碰撞。

图1-22 REV与BEV

在立体定向放射治疗中，还有一种成为肿瘤视观（tumor’s eye view）的图像，它是根据设置在肿瘤中的等中心点及射野大小，由计划系统算得的在不同几何参数情况下（如机架和床转角的组合）射线对正常组织的累及。根据参数组合的不同，采用不同的色调或灰度来表示正常组织累及程度的不同。在这个结果的提示下设野，可避免正常组织的过量照射（图1-23）。

2

数字重建图像

二维的BEV显示应与模拟复核时的X摄片进行比较，这个过程可通过DRR（digitally reconstructed radiography，DRR）来实现。DRR的生成是通过模拟计算从源射出的束流经过由CT像素组成的虚拟病人吸收后达到屏上的强度分布而形成的虚拟X影像，如图1-24所示。一般的DRR的功能中有亮度和对比度的调节，另外，有些DRR功能能进一步实现对某些特定组织的CT强度增强以凸现某些结构，这种图像称为DCR，如图1-25所示。为了在CT值变化范围较小的部位(如腹腔)也获得较好的图像，有些系统可以仅对属于一层的CT数据进行重建，以便在某些组织间反差不太大的区域突现某一组织。

图 1-24 DRR生成

图 1-25 DRR与DCR