基于先验形状束的前列腺CT图像自动分割新方法研究

近年来，前列腺癌在我国发病率显著提高，前列腺癌的诊疗技术在我国临床需求日益紧迫。前列腺CT图像的分割是前列腺癌放疗中的必要环节，前列腺的手工分割困难且耗时，临床迫切需要前列腺CT图像自动分割方法。本项目旨在提出新的适用于放疗临床的前列腺CT图像自动分割方法。为我国前列腺癌的放疗提供技术支撑。.本项目将在申请者前期研究基础上从先验形状约束、优化图像特征、代价函数设计与优化迭代策略三方面展开研究。主要研究内容包括：通过去除病人间前列腺变化对形状统计模型的影响，构建能精确描述待分割病人前列腺形状的先验形状约束; 通过基于树的回归算法，构建基于SFIT、多尺度Harr-like、边缘等特征的优化图像特征;通过引入平滑正则项与刚性变换约束，构建优化代价函数以克服极值点对求解的影响;通过对训练集中数据手工标定建立精确前列腺表面置信度模型，整合自适应聚焦优化迭代策略实现对代价函数的优化求解。

项目主要研究成果包括两部分：.（1）针对CT前列腺癌图像分割在理论与方法上的研究成果。①提出了利用群体病人残余形状与待分割病人的平均形状构建前列腺形状模型的建模方法：提出并验证了不同病人的前列腺形状变化大于同一病人前列腺在放疗过程中形状变化假设。以此为基础,建立了基于群体信息与个体信息的前列腺形状模型，着重刻画当前病人前列腺形状变化，并给出了在线-离线学习方法②提出了一种适用于三维CT前列腺图像的自适应图像上下文特征（Auto-Context）分类方法，充分利用了图像上下文信息,显著提高了前列腺CT图像的分割精度。③提出了一种基于图像特征三维形状点集对齐方法，在对齐过程中结合点的几何空间信息和图像特征信息构造目标函数，提高了活动外观模型精度。.（2）对肿瘤分割中的一些共性问题取得的进展。①提出了基于同质片的图像特征提取方法，克服了在基于区域的特征提取过程中区域大小的选择造成的区域内统计特征的可靠性与特征的局部性的矛盾；②提出了基于Graph Cut优化框架的针对高维图像特征的代价函数构造方法；并将上述方法用于多种肿瘤分割，显著提高了分割精度。.本课题共发表论文12篇，其中SCI收录4篇，2区以上SCI论文3篇。