医学图像融合技术在肿瘤放射治疗中的应用

李文裕,周凌宏

(南方医科大学生物医学工程学院,广东 广州 510508)

0 引 言

肿瘤是指机体在各种致瘤因子作用下，具有组织细胞增生所形成的新生物。肿瘤组织无论在细胞形态还是组织结构上，都与其发源的正常组织有不同程度的差异，异型性的大小是诊断肿瘤和确定肿瘤的良、恶性的主要组织学依据。良性肿瘤细胞的异型性不明显，而恶性肿瘤常具有明显的异型性[1]。当前肿瘤疾病的发病率较高，中国病例数相当庞大，有资料显示中国占全世界病例数的55%。肿瘤疾病在本质上其实属于一种基因性疾病，不同的环境和遗传因素在协同或序贯的作用下导致DNA损害，从而激活原癌基因和灭活肿瘤抑制基因，进而导致表达水平的异常，使得人体中的靶细胞发生转化，从而形成恶性肿瘤[2]。现阶段肿瘤疾病可以分成良性肿瘤和恶性肿瘤2种类型，其中良性肿瘤暂时不会对人体健康和生命产生威胁，但存在向恶性肿瘤转移的风险，而恶性肿瘤会直接危及人体健康乃至生命安全[3]。

当前对于肿瘤疾病的治疗方法包括放化疗治疗、手术治疗和其他治疗等多种手段，其中切除手术治疗方法仅适用于良性肿瘤，而在恶性肿瘤的治疗过程中，为了避免肿瘤细胞的扩散，经常会选择综合保守的治疗方式[4]。经过一段时间的实际应用发现，放射治疗方法是现阶段治疗肿瘤疾病较为有效的手段之一，放射治疗方法就是利用一种或多种电离辐射对恶性肿瘤进行的治疗，常用的电离粒子包括电子和光子[5]。在开始进行放射治疗之前，首先需要确定肿瘤的具体位置，且要求肿瘤位置的定位十分精准。

由于在医学图像的成像与采集过程中，受到病人不自主行为的影响，得出的医学图像会存在信息不完整的情况，从而影响肿瘤位置的判断，影响放射治疗效果[6]。为此提出了医学图像的融合技术，医学图像融合是将多源信道所采集到的关于同一目标的图像数据，经过图像处理后，最大限度地提取各自信道中的有利信息，综合成为高质量的医学图像输出，从而保证图像信息的分辨率和完整性[7]。通过医学图像融合技术的应用，充分利用不同图像数据之间的冗余性和互补性，将医学图像中的解剖结构信息和生理、生化信息整合在一起，为肿瘤放射治疗的临床医生提供更加全面、准确的医学资料。

1 应用医学图像融合技术的肿瘤放射治疗方法设计

传统的肿瘤放射治疗流程分为多个步骤，首先结合患者的病史与病情明确肿瘤诊断，确定治疗方案为根治性治疗或姑息性治疗[8]。其次选择并固定患者的治疗体位，在保证方便治疗的基础上，选择患者感觉舒适、易坚持、易重复的体位。接着采集患者的医学图像信息，主要采集医学图像信息包括CT扫描图像、核磁共振图像等[9]。在放射治疗计划工作站上以采集的图像信息为参考，确定肿瘤的治疗位置以及放射靶区，通过放射医师进行照射和虚拟模拟，计算放射的强度和剂量，在实际的放射治疗过程中，实时观察肿瘤的大小变化和位置变化。通过一个放射治疗后，进行完整的质量保证和控制，保证放射治疗计划的顺利实施。最后对完成放射治疗的患者进行定期寻访，根据患者的恢复情况，制定个性化的治疗方案，从而取得良好的治疗效果[10]。

本文设计的肿瘤放射治疗方法中，延续传统的治疗方式，在采集医学图像后，应用医学图像的融合技术[11]，将采集的多个不同模态的医学图像进行融合处理，参考融合的图像处理结果，判断肿瘤放射靶区，再进行进一步的治疗环节。医学图像融合技术流程如图1所示。

图1 医学图像融合技术流程图

由于不同图像的采集方式与图像格式不同，因此在实际的融合过程中主要从像素级、特征级和决策级3个方面进行融合处理，其中像素级图像融合就是直接在原始医学图像数据上进行融合，特征级图像融合先从源图像中提取有效的特征信息，在保证融合所需信息的前提下，筛选输入的图像信息，在保证图像信息量有效压缩的前提下，提高融合的速度和效率[12]。而决策级的融合就是对源图像进行预处理以及特征提取和分类，在此基础上，对初步决策进行融合处理，并得到融合处理的最终联合判决结果。

1.1 肿瘤医学图像采集与预处理

结合不同医学图像的特点，分别利用不同的设备采集肿瘤医学图像。在此次图像的采集过程中，由于受到设备、环境以及患者等客观因素的影响，会出现图像信息失效的情况，因此采集的肿瘤医学图像数量不限制为1张。

1.1.1 多模态医学图像成像采集

由于成像的原理和设备不同，因此采集到的医学图像模态也有所区别。此次采集的图像模态包括超扫描图像、彩色多普勒超声图像、CT图像、核磁共振图像、PET图像、SPECT图像、数字X光机图像、X射线透视图像等[13]。具体以CT图像、MRI图像和SPECT图像为例，实现多模态医学图像的成像采集。其中CT成像的原理与采集过程如图2所示。

图2 CT图像成像流程图

MRI图像是利用原子核在磁场内，共振产生的信号经过重建而形成的图像，一般来讲MRI图像的空间分辨率可以达到3 mm以下，可以清晰地反映出软组织、器官、血管等解剖结构，并且显示出肿瘤的全貌[14]。SPECT图像的成像原理是将放射性99 mTc的各种化合物作为示踪剂，将其聚集在人体某个存在肿瘤的脏器中，或参与体内某种代谢过程，通过显像仪准直器的探头，对准要治疗的肿瘤位置或待检测器官，通过光电倍增管，将电脉冲放大并转换成为数字信号传输到计算机中[15]。肿瘤医学图像的初始采集结果如图3所示。

图3 医学图像初始采集结果

利用上述医学设备采集多模态医学图像的成像，根据采集的数据对医学图像进行预处理。

1.1.2 医学图像预处理

医学图像预处理的目的是提升初始采集图像结果的分辨率，此次图像预处理分为灰度化、负像化和直方图处理3个步骤[16]。灰度化处理得到的空域增强结果可以表示为：

g(x,y)=EH[f(x,y)]

(1)

其中，f(·)和g(·)分别表示的是灰度化处理前、后的图像，而EH[·]为图像的灰度化增强操作处理函数。图像的负像化处理也就是图像的求反处理，假设初始医学图像的灰度化处理结果的灰度级范围为[0，L-1]，那么该图像的负像化操作就是通过变换将[0，L-1]变换到[L-1，0]，具体的变换过程可以表示为：

h(x,y)=L-1-F(x,y)

(2)

其中，h(x,y)是点(x,y)经过反色处理后的灰度值，F(x,y)表示的是灰度化处理后图像的灰度值[17]。图像直方图处理的目的是增强医学图像的对比度，从而突出医学图像中的有效信息，即肿瘤信息。医学图像的灰度统计直方图对应的离散函数如下：

(3)

其中，sk表示图像的第k级灰度值，而nk和n分别表示图像具有灰度值sk的像素个数以及图像的像素总数。通过灰度化、负像化和直方图处理，完成医学图像预处理。

1.2 医学图像针对性配准

医学图像针对性配准的目的是实现医学图像的空间变换，保证其能够与其他模态图像中的UI对应点达到空间上的一致性。定义参与配准的2幅医学图像中，保持不动的图像为参考图像，而进行变换处理的图像记为浮动图像。那么医学图像的配准过程也就是求解空间变换T，保证公式(4)成立。

(4)

其中，T为配准所涉及的空间变换，而C(IF,T(IM))为目标函数。在医学图像的配准过程中，以刚体空间变换方式为例，其变换公式为：

(5)

其中，(x,y)和(x′,y′)分别为刚性变换映射前后的像素点位置坐标，θ为医学图像刚体空间变换的旋转角度，(tx,ty)为医学图像的平移向量[18]。同理可以得出其他医学图像配准空间的变换方式，通过配准空间的变换，分别将参考图像与浮动图像，导入对应的配准空间内，经过移动保证映射点与像素原点重合，实现多模态医学图像的配准处理。

1.3 融合多模态医学图像

多模态医学图像融合的主要目的是综合各类模态图像的信息优势，提高医学图像的解译能力。为了保证医学图像的融合效果，此次医学图像的融合从像素级、特征级和决策级3个方面进行，其中像素级医学图像的融合采用的是小波变换融合方法，采用不同的滤波设备将输入的处理完成的医学图像分解到一系列的频率通道中，针对滤波器的系数特性选取不同的融合规则，调整对应的变换系数，最终利用小波逆变换重构融合医学图像，因此像素级医学图像的融合过程可以表示为：

F(x1,x2)=ω-1(φ[ω(f1(x1,x2)),…,ω(fN(x1,x2))])

(6)

公式(6)中，fi(x1,x2)和F(x1,x2)分别表示待融合医学图像和医学图像的融合结果，ω-1和ω分别表示小波正、逆变换，φ为像素级医学图像的融合算子，定义匹配度阈值为Py，则：

(7)

其中，Yp为像素级医学图像局部区域匹配度。接着提取多模态医学图像中的特征点，以此实现医学图像特征级融合[19]。而决策级医学图像的融合就是医学图像区域信息的加权融合过程，图像特征系数矩阵中以(i,j)为中心及其相邻区域的均值信息能量可以表示为：

(8)

其中，S和H分别表示待融合医学图像区域的行和列的数值，cL为图像特征点系数。定义K(i,j)表示待融合医学图像区域均值能量的差别系数，设置差别系数的上下门限值，当相邻特征区域能量具有相关性的特点，即图像的差别系数在门限区间之外，则可以得出对应的决策级医学图像的加权融合规则，其表达式为：

(9)

此次医学图像的融合技术支持多模态图像的融合，即可以实现CT与MR融合、CT与MRS融合、CT和SPECT融合以及CT和PET融合。以CT和PET融合为例，PET医学图像是通过病变组织中示踪剂的浓度程度，对比分析肿瘤的增殖速度与代谢水平，将CT图像与PET图像进行融合处理，可以准确地标注肿瘤病变部位的活性区域，从而不断增强病变部位的敏感程度以及特异性，保证放射治疗确定精准的区域，从而精确控制放射的强度以及化疗药物的使用剂量。在融合过程中，将原始采集并预处理完成的CT图像和PET图像进行小波分解，得到低频和高频分量αd和αg，进行配准与分辨率统一处理为：

(10)

其中，xd、xg分别为融合算子高频和低频系数，Rj为融合算子提取后均值，Rf为边缘提取后局部方差。然后按照上述处理步骤，采用融合算子对医学图像中的各个级别以及系数进行融合，对融合后的系数进行小波重构，从而得到重构的医学融合图像，通过可视化融合结果，输出最终的融合结果。

1.4 实现肿瘤放射治疗

将融合的医学图像应用到实际的生物肿瘤放射治疗工作中，参考医学图像中表示的肿瘤位置确定生物肿瘤放射治疗的目标位置，即靶区位置。然而在实际的靶区位置定位与勾画过程中，肿瘤的实际位置会随着患者的呼吸、运动以及血液循环等因素而发生变化，因此在实际确定生物肿瘤放射治疗靶区位置的过程中，需要结合医学融合图像观察并计算肿瘤的位移情况[21]。通过确定生物肿瘤放射治疗靶区、肿瘤位移的测量、X射线的放射等步骤，最终实现患者肿瘤放射治疗过程。

2 性能测试实验分析

为了验证医学图像融合技术在肿瘤放射治疗实际工作中的应用效果，设置性能测试分析实验。此次实验主要对比医学图像融合技术应用前后，肿瘤患者的放射治疗的临床效果，结合临床统计结果验证医学图像融合技术的应用性能。

2.1 病例样本选择

选取2019年1月-2020年1月某医院收治的肿瘤患者作为研究对象，经医院伦理委员会批准实施，选择的病例样本共90例，其中男性病例55例，女性病例35例，男女比例为11∶7。肿瘤患者的年龄分布在39～72岁之间，患者的平均年龄为54岁左右。所有患者经医学图像及病理学检查符合肿瘤的临床诊断标准。肿瘤患者入院后，首先采集其初始肿瘤医学图像，并统计肿瘤特性、位置以及大小等基本信息。其中初始医学图像采集的部分结果如图4所示。

图4 患者初始肿瘤医学样本图像

在选择的病例样本中，24例为脑部肿瘤、30例为淋巴瘤、21例为胸腺瘤、15例为肝肿瘤，初始肿瘤的平均体积为75.42 mm2，细胞中的肿瘤细胞初始浓度为0.3 pg/m。

2.2 实验测试过程描述

将90名肿瘤患者平均分成3组，其中一组选择常规的治疗方式，放射治疗的总剂量控制在DT 40～50 Gy，治疗次数为20～25次，治疗时长为4～5周。另一组在放射治疗的过程中应用医学图像，通过医学图像的实际情况，调整放射治疗的总剂量，并尽量保证治疗次数与治疗时长与常规组别相同。最后一个组别为实验组，在实际的肿瘤放射治疗工作中，应用医疗图像融合技术，得出的医学图像融合结果如图5所示。

图5 医学肿瘤样本图像融合结果

参考图像融合结果实现对放射总剂量的调整，同时为了保证实验变量的唯一性，尽量控制治疗次数与时长。经过为期8周的放射治疗与恢复，利用相关的医学设备按照相同的方式重新采集肿瘤医学图像，并记录相应的病理学数据，通过与治疗前后肿瘤数据的对比，从而确定放射治疗的临床效果。

2.3 医学图像融合效果评估

为了保证医学图像融合技术在肿瘤放射治疗中的应用性能，在实际应用之前需要对医学图像的融合效果进行评估，当评估结果达到设定阈值时，可以应用到治疗工作中，否则需要重新融合。设置医学图像融合效果的评估指标为图像均值、图像标准差、均方根误差和清晰度，并判断医学图像融合结果是否达到应用标准。通过数据统计以及评估指标计算得出医学图像的融合效果评价结果如表1所示。

表1 医学图像融合效果评价

肿瘤放射治疗对医学融合图像的要求为清晰度达到18 dpi以上，均方根误差在50以下，均值和标准差分别在120和50以上。从表1中的数据结果可以看出，应用的医学图像融合技术的融合效果满足肿瘤放射治疗的参考标准，因此可以应用到实际的治疗工作当中。

2.4 放射治疗临床效果比较

将收集的一系列临床数据输入到SPSS 23.0软件中处理，通过检验与对比，得出对应的放射治疗临床效果数据，如表2所示。

表2 放射治疗临床效果对比结果

从表2中的数据可以看出，与初始肿瘤大小相比，常规组与对比组的肿瘤大小平均减小了3.845 mm2和10.72 mm2，而实验组肿瘤大小平均减小了23.6 mm2。另外从肿瘤细胞浓度指标来看，3种放射治疗方法均未导致肿瘤细胞的扩散。综合上述实验结果，在肿瘤的放射治疗工作中应用医学图像融合技术，具有较高的临床效果。

3 结束语

肿瘤疾病是现阶段较为普遍的疾病类型，对于肿瘤的治疗方法也逐渐升级，当前放射治疗方法中，适形放射治疗、IGRT、螺旋断层放射治疗以及射波刀放射治疗方法均应用于实际的治疗工作中。但由于常规医学图像的有效信息量较少，影响肿瘤病情的判断，导致肿瘤放射治疗临床效果较低，本文通过医学图像融合技术的应用，为医生的诊断与治疗提供更加精准的数据参考，能够有效提升肿瘤的临床治疗效果。