[发明专利]一种基于体素模型的呼吸特性表征的方法

说明书

本发明公开了一种基于体素模型的呼吸特性表征的方法，包括：使用相机连续采集人体胸腹体表的多帧深度图像，对所述多帧深度图像进行三维建模，获得在时间序列上的多帧体素模型；遍历所述多帧体素模型的体素单元，提取所述多帧体素模型的体积特征和面积特征；获取所述多帧体素模型的公共最小体素包围盒；以概率形式描述多帧体素模型的空间分布，并排列每一帧体素模型的最小体素包围盒的概率，组成超高维向量的样本空间；对所述样本空间进行降维，获得降维后的本质参量；根据本质参量、体积特征和面积特征获得能够表征体素模型的特征变量。其能够全面的表征的体表呼吸运动信息，应用广泛。

技术领域

本发明涉及放疗机器人的呼吸跟踪技术领域，具体涉及一种基于体素模型的呼吸特性表征的方法。

背景技术

肿瘤运动的呼吸跟踪是立体放疗机器人实现精准放疗的关键技术之一，目前最主流的一类方法是其利用体表标记点和体内肿瘤的关联模型，提前预测肿瘤到达的位置并规划机械臂运动，使得直线加速器的射束能够实时跟踪肿瘤运动，达到精准放疗的目的。然而肿瘤呼吸运动建模具有极大的复杂性及个体差异性，利用有限体表标记点表征呼吸特性的方法，对曲面运动信息表征不全面，导致了用于临床数据的精准性和鲁棒性欠佳。

为达到更优的精准性和鲁棒性，需要不断探索能反映更为完整的体表运动信息的表征方法。研究完整的体表运动信息表征方法主要有两个方向。一是围绕有限体表标记点的个数展开研究。比如使用3个、6个、19个等体表标记点来表征体表运动信息。二是基于多模态传感器的体表运动信息的表征方法。使用多种传感器，包括固定在胸腹部表面的张力带、光学标记点、加速度传感器，固定在鼻孔周围的气流加速度及温度传感器等，融合多传感器信息表征体表运动。多模态信息表征方法的研究表明，体表标记点运动信息对于肿瘤位置具有更好的关联度；而体表标记点表征方法的研究表明，标记点数量越多，对呼吸运动特征的表达就越趋于完整，但有限的体表标记点信息仍无法准确反映体表呼吸运动变化规律。

因此，研究体表呼吸特性表征方法，对于提高放疗机器人中的肿瘤运动呼吸跟踪技术的精准性与鲁棒性有着重要意义。

发明内容

本发明要解决的技术问题是提供一种基于体素模型的呼吸特性表征的方法，其能够全面的表征的体表呼吸运动信息，应用广泛。

为了解决上述技术问题，本发明提供了一种基于体素模型的呼吸特性表征的方法，包括以下步骤：

使用相机连续采集人体胸腹体表的多帧深度图像，对所述多帧深度图像进行三维建模，获得在时间序列上的多帧体素模型；

遍历所述多帧体素模型的体素单元，提取所述多帧体素模型的体积特征和面积特征；

获取所述多帧体素模型的公共最小体素包围盒；

以概率形式描述多帧体素模型的空间分布，并排列每一帧体素模型的最小体素包围盒的概率，组成超高维向量的样本空间；

对所述样本空间进行降维，获得降维后的本质参量；

根据本质参量、体积特征和面积特征获得能够表征体素模型的特征变量。

作为优选的，所述“体积特征”为多帧体素模型整体的体积变化状态特征。

作为优选的，所述“面积特征”为多帧所述体素模型整体的外层表面积变化状态特征。

作为优选的，所述“使用相机连续采集人体胸腹体表的多帧深度图像，对所述多帧深度图像进行三维建模，获得在时间序列上的多帧体素模型”，具体包括以下步骤：

S11、利用2台固定不动的RGB-D相机对运动的人体胸腹体表进行连续多帧深度图像的采集；

S12、使用滤波算法对深度图像的点云数据去噪，使用移动最小二乘法平滑点云，并使用ICP算法对点云数据融合；