数字重建射线照片图像的自动分割渲染方法

2��医学信息学解锁20（2020）100375用于数字重建射线照片图像的O. Dorgham *，M.H.里亚拉特湾阿布·纳赛尔Prince Abdullah bin Ghazi Faculty of Information and Communication Technology，Al-Balqa Applied University，19117，Al-Salt，JordanA R T I C L EI N FO保留字：自动分割渲染基于分数阶达尔文粒子群算法的A B S T R A C T数字重建射线照片（DRR）图像的绘制涉及创建由三维（3D）成像系统（诸如计算机断层摄影（CT）扫描）制作的图像的数字重建，以产生模拟医学X射线扫描的新的二维（2D）图像。近年来，加速DRR生成一直是许多研究的焦点，特别是对于设计用于不同成像系统的医疗应用，例如2D/3D医学图像配准。在这项研究中，我们成功地减少了DRR生成时间，通过使用自动身体分割方法的CT体积。所提出的自动身体分割方法包括顺序进行的几个步骤，开始使用分数阶达尔文粒子群优化生成一个二进制掩模的所有CT体积切片和结束使用分水岭变换，以获得所需的参数，以确定人体或其部分作为确认的感兴趣区域（ROI）。在我们的实验中，近一半的CT体积被确定为非感兴趣区域所提出的方法。该方法还实现了DRR生成过程的加速，因为时间复杂度从O N3降低到O M3;其中M1 N。也就是说，DRR生成过程从使用原始（512 512 350）CT体积时的9.3 s加速到使用自动分割CT体积时的4.9 s，这涉及到传统射线投射投影技术的应用。通过使用具有Intel® Core™ i7-7500 U处理器、8 GBRAM和2.70 GHz处理速度的计算机来应用所提出的方法。我们使用了两种最常用的测量方法，即，骰子相似系数（DSC）和谷本系数（TC），以评估测试数据集的分割结果。这些结果也与约旦侯赛因国王癌症中心的一位专家绘制的自动化的比较分割体积及其地面实况表明，所提出的方法获得了99.50%的准确率，基于DSC和99.03%基于TC。1. 介绍在过去的几年里，医学图像处理应用和技术已经引起了医疗保健组织的极大兴趣。已经发明了几种医学成像技术来改善人体内部器官和功能的可视化。这些技术导致了医疗保健程序的巨大革命，并允许早期检测各种疾病。医学图像输出的使用可以使专家能够通过利用放射疗法和放射外科手术来控制和阻止人体组织中的异常变化。因此，这些图像在图像引导治疗和放射肿瘤学中发挥重要作用[1]。在使用多维图像进行诊断的医疗部门和治疗，最广泛使用的多维成像系统是计算机断层摄影（CT）和磁共振成像（MRI）。许多医学应用利用CT产生的图像，但这些应用中的一些还需要2D图像。 这样的图像必须从原始3D CT扫描重建。数字重建射线照片（DRR）图像，其有时被称为计算虚拟射线照片[2]，是由3D医学成像系统产生的图像的数字重建2D版本，并且其模拟X射线扫描的行为[3]。然而，DRR生成过程的主要缺点是需要进行计算量很大的数学计算以及需要执行大量的光线投射操作[4]，这增加了整个过程的时间复杂度这些缺点* 通讯作者。电子邮件地址：o. bau.edu.jo（O.Dorgham），ryalat@bau.edu.jo（M.H.Ryalat），hotmail.com（文学硕士）Naser）。https://doi.org/10.1016/j.imu.2020.100375接收日期：2020年4月17日;接收日期：2020年6月12日;接受日期：2020年2020年6月13日在线提供2352-9148/©2020的 自行发表通过Elsevier 公司这是一个开放接入文章下的CCBY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）中找到。可在ScienceDirect上获得目录列表医学信息学期刊主页：http://www.elsevier.com/locate/imuO. Dorgham等人医学信息学解锁20（2020）1003752¼���这意味着需要很长时间才能生成完整的DRR图像。因此，已经开发了几种方法来加速DRR生成过程。然而，到目前为止，大多数算法都是亲-在这些方法中使用提出只能在O（N3）的时间复杂度下给出期望的DRR结果[5]。因此，我们提出了一种方法，以加快DRR生成过程中，采用自动机构在生成DRR图像之前自动分割图像的CT体积的分割方法。设想该方法将减少需要经受DRR生成过程的CT体积，并且因此将缩短生成DRR图像通常，DRR生成过程的目的是将通过CT扫描从具有3D特性的图像获得的关于人体的部分或全部的体积数据转换为单个2D平面中的图像。如图1所示，DRR生成过程开始于将射线辐射到人类受试者中的X射线源的应用。这些射线中的每一个与CT体积中的3D体积数据相交，并且应用传递函数以导出对应的2D像素，然后将其映射到2D平面上以创建DRR图像。为了传输高质量的2D像素以产生可用的DRR图像，需要通过CT体积投射大量射线[6]。这些转移像素的质量取决于由单个射线产生的体素的数量。因此，必须保留位于CT体积内的体元，因为体元数量的减少将不利地影响所传输的图像的质量。 二维像素。然而，减少投射的射线的数量将在时间方面对DRR生成过程具有积极影响，而不会损害所产生的图像的质量。从上面可以看出，图像分割是一个至关重要的然而，对于那些在图像处理科学和那些开发计算机视觉应用的挑战性任务。图像分割的主要目的是基于诸如像素强度和区域边界等许多因素将图像划分为若干部分，以实现更有效的图像分析。因此，图像分割被认为是大多数图像处理应用的早期步骤，用于解释图像[7]。一些研究已经提出了分割由不同医学图像模态生成的人体器官图像的方法。例如，来自[8]中的CT扫描的肺和肺叶、来自参考文献[9]中的CT扫描的患病肺、来自参考文献[ 10 ]中的连续CT图像的淋巴瘤、来自参考文献[11]中的胸部射线照片图像的肺野、来自参考文献[12]中的CT扫描的颅骨区域以及来自参考文献[14]中的乳房X线照片医学扫描的乳房区域。[13 ]第10段。图像分割技术可以分为直方图-基于边缘和基于区域的技术，以及马尔可夫随机场技术和混合技术，这些都是用于分类的图像分割方法的示例[14]。此外，图像分割技术可以根据人机交互的程度进行分类 相互作用 在 的 过程 成 手动、交互式Fig. 1. DRR生成过程，其中投影点源自X射线源，射线穿透CT体积（voXel ×voX el）以生成显示在2D面板上的2D点（DRR图像）。（半自动）和全自动。分割任务可以基于人类的专业知识和技能手动执行[15，16];通过实现手动和自动分割之间的平衡来交互执行[10，17]，其中在分割期间仍然需要一些用户干预以确保准确性;以及自动执行[8，12，181.1. 文献综述许多研究提出了加速DRR生成过程的方法。参考文献[22]中提出了用于加速DRR生成过程的最重要算法之一。在参考文献[22]中，DRR生成处理时间的加速基于衰减场（AF）方法。这种方法涉及使用一种特殊的基于射线的数据结构来生成DRR图像，而不是传统的射线投射方法。在参考文献[22]中，在[23]中提出的光场方法中采用AF方法，以参数化从场景点发出的所有光线，以处理3D体积重建。 AF方法涉及使用所谓的“光板”，其基本上可以被描述为由两个主平面（u，v）和（s，t）组成的凸四边形对象。在双平面参数化中，空间中的每条射线可以由4D空间中的一个点Pi（u，v，s，t）表示。为了创建位于光板中的任何对象的图像，需要计算许多光线的位置。通过使用AF方法和单个处理器，可以在大约50 ms内生成分辨率为256 ×256像素的DRR另一种方法在参考文献中提出[6]减少持续时间DRR生成过程涉及使用并行处理方法从CT扫描生成重建的2D图像。虽然CT扫描是由大量的复合切片组成的，但在X光片重建过程中，仍然需要减少CT体积。并行技术通常用于将计算问题分解为多个子问题并并行执行。因此，在解决DRR问题时，计算作为子问题分布在中央处理单元（CPU）的核心上。这种方法的应用导致生成具有256 256的DRR图像。133PIX els由一个CPU与八个核心在38 ms;该速率比通过常规射线跟踪方法实现的速率快26倍。另一方面，参考文献[24]中提出了一种压缩技术，以减少目标数据集中的CT体积。该研究假设，在生成DRR图像之前压缩CT体积将产生比使用原始CT体积产生的结果更好的结果。在压缩步骤期间采用小波变换滤波器方法，以使DRR图像能够从压缩的CT体积生成，与从原始CT体积生成图像所需的计算负荷和时间消耗相比，具有更低的计算负荷和更低的时间消耗。使用MRI模态的临床医生还需要访问MRI卷生成的DRR图像[2]。因此，在参考文献[2]中，开发了一种从分段MRI扫描生成DRR图像的方法。该方法应用于16个MRI数据集，实验结果表明，分割步骤在9个数据集上产生了良好的结果，在4个数据集上由于未能准确分割某些切片而产生了相对较好的结果，在3个数据集上由于某些组织被误分类为背景而产生了较差的分割结果。换句话说，生成的DRR图像几乎无法描述3个MRI数据集，而其他13个数据集则描述得很好，但质量水平不同与DRR生成问题相关的最新研究之一[25]利用图形处理单元（GPU）以及CPU从CT数据体积生成2D图像。所提出的方法涉及使用混合系统，该混合系统能够通过使用体素遍历算法产生具有全分辨率的DRR图像，O. Dorgham等人医学信息学解锁20（2020）1003753��¼2f在放射学上这个算法的目的是产生高度准确的h→0h受控分水岭方法，对任何输入h→0hCT容积自动通过以下四个步骤：1. 采用分数阶达尔文粒子群优化算法（FODPSO）得到二值掩模。2. 对二值图像执行形态学操作。f利用数学归纳法，(t)为：3. 使用Euclidean Distance Transform（EDT）。fn t limhnX�（一）4. 应用基于标记控制分割的分水岭变换无水硫酸氢钾→0-j¼0ð-Þj-nh→0>H3>>：O. Dorgham等人医学信息学解锁20（2020）1003754XX¼2nn在nBh→0图二、 改变系数因子（α）值的影响。函数f（t）的v阶分数阶微分定义为：1/2b-a=haDvfj0���Jvs½t1-vs½tXp iri.xs½t�-xs½t��（6）1/1SS¼等式（3）和（4）表示描述传统PSO如何应用群智能概念的模型：2vn½t1wvn½tpirixin½t-xn½t（3）1/1请注意，表达式vn½t1-vn½t与离散版本分数阶差的α1次方。基于Grünwald-Letnikov（G-L）定义和分数阶微积分概念，速度导数的阶可以被推广为实数（即，0<α<1），然后FODPSO的速度分量可以写为：r ks2��vs½t1-X-1r½α1vn½t1-k TXp iri.xs½t�-xs½t��（7）n其中（xn[t]）表示位置，（vn [t]）表示速度，（t）k¼1��1/1在n表示当前迭代，（n）表示粒子，（w）表示惯性影响的权重，（p1）表示局部最佳的权重，（p2）表示全局最佳的权重，以及R1是随机向量，每个分量通常是0和1之间的均匀随机数。在FODPSO算法中，对于特定的群，权重对惯性影响（w 1）。当在等式（3）中考虑时，这导致等式（5）：vst1vs½tXpiri.xs½t�-xs½t��（5）分数阶微分的应用可以增强边缘，使纹理的细节更清晰[41，42]。因此，在医学图像上应用分数微分导致产生更清晰和更高对比度的图像。传统的分数阶微积分方法使用固定的分数阶来考虑边缘、纹理和平滑区域，这并不适用于所有类别的图像。这促使以前的研究应用自适应分数阶方法。特别地，在应用分数算子的医学图像增强方法中，使用自适应分数阶至关重要[43 图3（a）示出了使用自适应压裂的重要性。n½n1/1在n医学图像的分数阶，以及使用高和低分数阶的优点和缺点。我们应用FODPSO来找到重写等式（5）得到等式（6）：阈值处理中的最佳分数阶。图3（b）示出了对一组CT切片应用FODPSO阈值化图三. （a）使用高和低分数阶的利弊;（b）FODPSO阈值处理（第二行）在原始CT切片（第一行）上的应用。J-1（2）第一次见面O. Dorgham等人医学信息学解锁20（2020）1003755�2¼ ¼ 2�þ¼ ¼¼X;YX1X2y1y2我们应用FODPSO算法分割的体积切片下大津的标准。然而，在此之前，有必要预先定义和采用基于PSO的算法的几个组件。这些组件包括候选解、搜索空间和全局最优解。表1说明了FODPSO的这些组件是如何适应我们的需求的。除了定义我们研究背景下的PSO组件外，还需要定义FODPSO算法并初始化一些参数，如群的数量，种群大小，分数系数等。我们根据经验选择了这些参数。这些参数的初始值（如表2所示）通过实验进行调整，以加快收敛速度。该调优过程的结果表明，当对这些参数的初始值进行轻微改变时，对适应度值和CPU执行时间没有显著影响。然而，我们仍然建议在将FODPSO算法应用于DICOM图像时使用初始值，以加快收敛速度。2.1.2. 数学形态学在图像二值化步骤中，对FODPSO的阈值图像结果进行了一些数学形态学运算。一般来说，数学形态学运算是基于像素之间的逻辑关系[47]。如[48]中所述，应用膨胀操作使得像素增长，填充或扩展任何二进制图像，以填充可能存在于对象本身中的任何孔或扩展ROI的边界。要对任何二进制图像执行膨胀，需要两个输入。第一个输入是由两种类型的像素（黑色和白色）组成的二进制图像。第二输入是在第一输入上扫描的固定二进制矩阵为了理解膨胀运算的定义，设X和Y是欧几里得空间（EN）的集合，其中X和Y的膨胀由X表示Y. 另一方面，需要执行的第二个基本数学形态学操作称为腐蚀，其目的是从二值图像中去除噪声。噪声在图像背景中显示为白点或白线[48]。上面的图3（b）示出了在直接应用FODPSO阈值算法之后CT切片中的噪声。对任何二进制图像执行侵蚀操作也需要两个输入。腐蚀操作类似于膨胀，但不同之处在于数学运算本身。在我们的研究中，我们选择执行开放的数学形态学的FODPSO阈值图像。该开放数学形态学是执行上述两种基本数学形态学操作的操作，即，它执行侵蚀然后膨胀[48]。如下定义开放数学形态学：通过结构元素K对图像B的开度由Bo K表示，并且被定义为：表2FODPSO的初始参数参数初始值人口规模35.0迭代次数25.0认知权重1.2社会权重0.9惯性因子1.3分数系数0.82.1.3. 距离变换距离变换用于使二进制图像中的ROI像素更加聚焦[49]。已经提出了几种基于DT技术的图像分割方法，其中许多方法使用DT和边缘检测技术，例如Canny边缘检测器，Sobel边缘检测器和log边缘检测器[14]。在[50]中，DT被定义为生成映射图像D的变换，该映射图像D在每个piX el p（其中p是ROI piX el）中的值是从piX el本身到所有最近的非ROI piX el的最小距离。因此，在我们的研究中，它被定义为：其中q2非ROIg（9）通常，DT可以用于决定像素是否位于属于ROI的区域内部或者像素是否位于这些区域外部并且因此属于图像中的非ROI这个决定是通过计算对象像素（前景）和最近的所有非对象像素（背景）之间的距离来实现的，然后找到彼此之间的最小值并选择它[51]。这里，我们可以假设P是协调二进制图像pixel位置的对的集合，并且D是用于基于2D矩阵中的这些位置来找到pixel之间的距离的距离函数。通过使用D，我们可以从原始二值图像产生新的距离图像。基本上，函数属于距离函数组必须满足三个条件，如下所示：1)正定，D（X，y）0，当且仅当Xy; 2）对称，D（X，y）D（y，X），其中x，yP;和3）三角形，如果D（X，z）D（X，y）D（X，z），其中x，y和z P。如果满足前面的三个条件，我们可以将该函数视为距离函数[52]。已经设计了许多距离函数来计算像素之间的距离。城市街区、棋盘和欧几里德是距离函数的常见示例[50]。如上所述，在我们提出的方法中，我们使用了EDT函数。EDT计算直线上两个像素之间的距离。基于该方法，下面的等式（10）包含应用于二进制图像pixels以生成距离变换图像的公式。此公式可用于计算2D图像中任意两点之间欧几里得距离变换：B oK BθK�K（8）在实验中，我们将结构元素K视为DqffiffiPffifififififififififififi-ffifififfiQffifififififififfi-ffffi i ffi.ffiffiPffifififififififfiffi-ffifififfiffiQffififififfiiiffiffiffi2ffi（十）固定的矩阵X的尺寸为3X 3填充值为1。 图 4示出开放数学形态学如何能够减少FODPSO阈值技术产生的图像中的噪声。表1研究问题的FODPSO组件研究问题上下文的组件其中D是距离图像，P和Q是EDT为它们计算的两个点，并且（X，y）是两个点的坐标。图5示出了EDT函数的应用的数值示例，其中对于（a）的每个像素el，（b）的DT中的对应像素el保持该像素el与所有其他黑色像素el之间的最小欧几里得距离。请注意，在应用EDT后，像素具有朝向ROI中心的较高强度。在将EDT函数应用于二进制图像之后，我们需要将PIX el值从{0-255}归一化为{0.0-3.0} 。许多算法候选解区间[最小强度，最大强度]已经开发了应用归一化思想，其中之一是最小/最大归一化技术[53]。在我们的研究中，每-搜索空间数字成像的像素强度，形成这个映射过程是为了保持原始的完整性，全局最优解医学通信（DICOM）图像显示为ROI的最终像素值[54]。工作的基础上最大化聚类功能[53]关于最小/最大归一化技术背后的数学O. Dorgham等人医学信息学解锁20（2020）1003756麦克斯我老了老了见图4。 将开放数学形态学（在第三行中）应用于从FODPSO阈值化图像（在中间行中）创建的FODPSO阈值化图像的结果如下： 原始CT切片（第一行）。图五. EDT在二值图像上的应用：（a）原始二值图像;（b）EDT应用的结果。我们通过下面的等式（11）计算归一化值：标准：值1/4像素值-最小旧像素值最大新像素值-最小新像素值最小新像素值（十一）表3最小值/最大值标准化公式的应用示例。原始piX el值归一化piX el值其中：● OrgPixelvalue¼要归一化的原始piX● Maxold¼源中的最大数据像素Xel值● Minold¼源中的最小数据PIXel值。● Maxnew¼所需量程的最大值。● Minnew¼所需范围的最小值。表3提供了来自我们获得的二进制图像的真实数据的归一化piXEDT为位于对象中心的像素提供高归一化值，并且这些值朝向ROI边界减小并进入背景区域。图6显示，生成的ROI周围有一些噪声。我们通过对EDT结果应用二进制阈值来消除这些噪声，并确认剩余区域代表CT切片中的ROI。图6示出了FODPSO二进制阈值化如何从ROI周围去除噪声该步骤的结果被认为提供了指示需要被转移到分水岭算法以完成分割过程的对象区域的内部标记，并得到分割结果。结果供我们提出的算法使用2.1.4. 基于标记控制的分水岭变换的应用分水岭变换是图像分割领域中使用的鲁棒工具。一般来说，在图像分割中，有两种主要的分割方法：基于边界的和基于区域的。基于边界的方法检测局部变化，而基于区域的方法搜索像素和区域之间的相似性。流域方法被归类为基于区域的方法[14]。分水岭方法中的图像分割思想可以描述如下：给定的像素（一滴水）将自然地沿着起伏流动，以遵循最陡的斜坡，直到它到达局部最小值，并且流入相同局部最小值的所有像素被称为集水盆地，并且不同集水盆地的集合表示图像中的许多脱节区域[55]。主要 使用缺点 分水岭 变换进行图像1001.22002.40025531501.8O. Dorgham等人医学信息学解锁20（2020）1003757图六、 FODPSO阈值处理在EDT结果中的应用。分割是过度分割问题。过度分割意味着产生大量的区域[56]，并且通常在分水岭变换应用于原始图像而没有任何预处理/后处理时出现[57]。当使用分水岭技术时，这个问题被认为是一个缺点，因为它会产生许多区域，这是由于存在主要来自噪声和分割错误的虚假局部最小值[58]。使用分水岭方法分割图像后可能出现的其他缺点包括低对比度边界的重要区域检测不良和薄结构检测不良[59]。为了克服过分割问题，已经开发了许多技术，其中最有效的是标记控制技术。标记控制分割是一种将图像区域描述和分类为两类的方法：对象（ROI）标记和背景（非ROI）标记。标记控制分割的应用被认为是使用分水岭变换方法时的先决条件。下面，我们将详细描述标记控制的分割技术以及将分水岭方法应用于标记的结果。● 标记控制分割使用标记控制识别的主要思想是 根据标记技术分离图像。标记被认为是放置在要分割的图像中的一组连接的轮廓。当使用标记控制识别技术时，需要执行两个主要过程：内部标记的识别和外部标记的自动绘制。内部标记（也称为对象标记）表示ROI，而外部标记（也称为背景标记）表示非ROI [56]。如前所述，CT扫描是用于表示人体器官的主要医学图像模式之一。在我们提出的算法中，内部标记旨在覆盖位于CT切片中心的叠加ROI，外部标记自动绘制在CT切片的特定区域中（即，在每个CT切片的左上角画一个圆为了识别内部标记，通过以下方法进行轮廓搜索：使用参考文献[ 60 ]中提出的算法。该算法接受阈值化的EDT二值图像，并检测现有的轮廓。检测到的轮廓被用作图像的内部标记。这些标记对于在我们提出的方法的下一步中应用分水岭变换是必不可少的，因为它们通过仅将检测到的轮廓视为分水岭算法输入的局部最小值来减少图像中局部最小值的数量并克服过度分割问题[61]。图7示出了如何通过在内部测量中应用第一步骤来检测ROI。标记检测程序。● 分水岭变换在我们提出的方法分割人体器官的CT扫描的最后一步涉及应用分水岭变换的图像产生的内部和外部标记的基础上。流域al-出租m接受两个输入。第一输入是原始CT切片， 第二输入是在前一步骤中产生的标记图像。考虑两组局部极小值。第一组由内部标记物组成，并且它可以包含许多检测到的区域。第二组包括在CT切片上自动绘制的假定外部标记。流域算法寻找局部最小值（或集水盆地），它们之间的边界起到流域线或水坝的作用。图8显示了我们提出的方法产生的最终结果。2.1.5. 从完整CT体积生成ROI在这一步中，我们结合了在每个切片上应用自动分割输出的所有结果。通过这种操作，我们保证了来自任何CT切片的任何ROI都包含在生成的ROI中。如图8所示，所有自动分段 CT切片作为二值图像产生，并且它们都包括在ROI组合过程中。逻辑OR运算可用于从整个CT体积生成ROI，如下所示：a. 每个CT数据集包括 N个CT切片。b. 将每个CT切片n加载到我们提出的自动分割算法中，并生成自动分割的CT切片s（以二进制模式）。c. 通过使用逻辑OR运算来组合从S0到SN-1的d. 生成新的合成二进制图像R。它包含从CT数据集分割的所有可能的ROI。e. CT切片中的每个点可以由Si（X，y）的坐标表示，其中x表示列号，y表示行号。f. 如果OR运算的结果等于1，则这意味着在图像R上生成新的ROI点，否则不生成在对自动分割的CT数据集的所有切片执行逻辑或操作之后，整个ROI被绘制为单独的结果图像R。ROI图像中的白色像素然后可以用于发现执行DRR生成过程所需的3D体积。因此，本研究提出的上述自动分割算法可用于人体O. Dorgham等人医学信息学解锁20（2020）1003758�见图7。 从阈值化EDT二值图像识别内部标记。见图8。使用所提出的方法的最终自动分割结果：原始CT切片（第一行）、标记图像（第二行）和来自CT切片的自动分割的人体器官（第三行）。机关现有的人体自动分割算法大多是针对特定人体器官的分割。因此，我们提出的方法可以被认为是唯一的，因为它可以用来分割任何人体器官的CT体积自动。该算法采用阈值法、数学形态学、EDT、标记控制技术和分水岭变换。大多数CT数据集由大量切片组成，这些切片提供人体内部器官的3D视图。我们提出的方法可以应用于CT数据集的每一个切片，通过使用逻辑OR操作组合自动分割的CT切片来获得ROI。2.2. 第二阶段：重建自动分割的CT体积在这个阶段中，我们描述了DRR图像生成过程。在这项研究中，采用正交射线投射投影技术完成DRR生成任务，并在原始CT体积和自动分割CT体积上进行重建。DRR生成过程可以描述为计算机图形学问题.该过程从3D术前CT体积数据中提取新的2D射线照片图像。用于生成DRR图像的最古老和最常见的技术是射线投射投影技术，其中射线被投影回每个像素的体积中[24]。光线投射技术也被称为图像排序算法，被认为是传统的DRR生成方法。它通过将体积像素的颜色和不透明度与射线一起积分，通过每个输出像素的CT体积投射射线来产生图像[62]。通常，DRR生成过程可以被描述为体绘制过程。有两种类型的体绘制过程：间接和直接。间接体绘制过程在绘制3D数据之前生成几何表面，而直接体绘制过程直接从3D体数据绘制或重建体，因此不需要任何中间表面[63]。光线投射体投影是一种直接的体绘制方法。当使用光线投射技术执行DRR生成过程时，必须投射n m条光线以生成可理解和可读的DRR图像，其中n和m由图像分辨率确定[64]。光线的方向因投影样式而异。投影有两种类型O. Dorgham等人医学信息学解锁20（2020）1003759¼¼J-Pj21ðÞðÞðÞðÞ其可用于射线投射体积投影技术：透视体积投影和正交体积投影。在透视体积投影中，射线源从一点开始是恒定的，而在正交体积投影中，射线正交地覆盖所有体积方向。在我们的研究中，我们使用传统的光线投射技术，采用正交体积投影。我们选择了传统的方法来证明，DRR生成过程可以加快我们以前的工作，减少CT体积的基础上。在下文中，我们描述了我们如何通过使用传统的射线投射投影技术来生成DRR图像。2.2.1. 利用光线投射投影DRR图像是从自动分割的CT体积生成的，这意味着不必要的体积（例如，空气、噪声）不参与光线投射方程的计算。对CT容积进行操作，以实现我们的目标（DRR加速）。使用光线投射投影技术来渲染体积背后的一般思想是光线在指定方向上与3D体积相交，其可以在数学上描述为：通过计算沿着从X射线源通过CT体积直到其到达2D面板的投射射线的对数总衰减，独立地计算2D面板中的pixel。基本上，这是光线投射投影技术的核心过程，计算操作可以通过以下五个步骤来描述，这些步骤基于[65]：1 经处理的射线连接在X射线源P0的点和2D面板P3上张贴的PIXEL之间，如上面的图92 检测到点P1和P2它们依赖于（λ;P0和P3），其中λ是CT中体积的方向所以，我们可以写P1（P0P3，λ）和P2（P0P3，λ）。3 对射线长度上每个点处的衰减系数值计算数学积分。给出的线性衰减系数值取决于组织的类型，并且位于CT体积外部的任何积分点采用空气衰减系数值（其是恒定值）。等式（15）-UtotP3;P1-P0jμairP1;P3-P2jμairP2;UCTP1;P2;（ 15）！别说了！不！D（十二）哪里在哪里！o是射线的来源！d是射线的方向U P PZjP2-P1jμP s P P DS（十六）而t指定射线长度[64]。通常，投射射线的生命周期可以通过以下步骤来描述，如图9所示：CT-1;哪里2Þ ¼0公司简介 （c）1个;2个月;i. 启动X射线源ii. 射线穿透体积，并且在该步骤期间，P2-P1（十七）进行计算iii. 2D点被发布在2D面板上（DRR图像）。在DRR生成过程中，进入CT体积中的人体器官的投射射线遇到许多类型的组织。每种类型的组织与使用亨氏单位（HU）测量的线性衰减系数值μ相关联。如果我们考虑从X射线源发出的射线数量为Nin，并且它们进入CT体积（不同的组织类型），如果组织类型具有均匀的线性衰减系数μ，则：而Utot P3;λ是沿着射线从其源P0到P3的长度的对数总衰减（参见等式（13）和（14）），考虑到λ是CT中的体积的取向。μair是空气的恒定线性衰减系数，μCT是CT体积中每个点的线性衰减系数。Ps;P1;P2是从P1到P2的贯穿线的参数化。最后，Utot P3;λ发现沿着从X射线源发出的射线直到其到达2D面板（DRR图像）中的2D点的射束强度的减小。对于所有外部情况，使用参考文献[66]中的μ空气值。因此，我们有：Nout¼Nin eμx;（13）U型P;λ型U（18）其中，Nout是穿透CT体积的射线的数量，x是体积的厚度（深度）。每一道光线经过tot3CT12通过CT体积，我们将沿射线线的每个点处的衰减相加。由于CT体积深度的差异，μx由称为衰减系数U的对数的另一项代替，它表示线积分。方程（14）提供了一种新的形式，4 通过将等式（18）的右侧代入如下的指数衰减规则来计算2D面板的光子注量：等式（6）：�P于我��r02expUP λ（十九）Nout¼Nin eU（14）ð3;0.25jP3-P0j-tot3;假设原始和自动分割CT体积可用于DRR生成算法。我们必须找到每一个图9.第九条。 从光线源投 射 到2D面板的光线的生命周期。其中f P3;λ是点P3处的光子注量，f0是距X射线源已知距离r0处的未衰减光子注量光子注量是dN乘以dA的商，其中dN是进入体积dA的光子数 [67]。5 基于步骤4中的光子注量结果，计算并发布2D面板上的2D像素的强度值，从而产生最终DRR图像。● 从原始CT体积通常，DRR生成过程应用于原始CT体积，而无需事先工作，并且该过程已在许多研究中描述[6，22，23，49，68，69]。当我们在原始CT体积上使用射线投射投影技术时，重建过程是O. Dorgham等人医学信息学解锁20（2020）10037510正交地应用于整个体积。然后将得到的2D面板视为DRR图像，如图所示。 10个。原始CT体积中存在的所有噪声以及黑色区域都参与了DRR生成过程。从逻辑上讲，当从原始CT体积生成DRR图像时，所有不必要的体积都包括在计算操作中，这是该过程持续时间长的主要原因。从自动分割的CT体积生成DRR图像DRR生成任务可以通过使用许多方法来加速，以减少CT体积，例如压缩，在[24]中应用。在我们的研究中，我们也减少了CT体积，但我们这样做是通过使用我们提出的自动身体分割算法的输出。在我们的工作中，进行了三个步骤，从自动分割的CT体积生成DRR图像。在第一步中，将自动分割的CT体积加载到DRR生成算法中。在第二步中，进行光线投射投影技术。在第三步中，将重建结果转换为2D面板（以产生DRR图像）。在第一步（将自动分割的CT体积加载到DRR生成算法中）中，仅加载确认的ROI体积，并且基于对原始CT体积执行的先前工作忽略任何其他体积。首先，在所有加载的切片上扫描检测到的ROI以实现体积减小。接下来，在自动分割的CT体积上执行正交射线投射投影技术。在该程序中，仅对来自CT体积的ROI进行射线投射以重建并将其转移到2D面板（以产生DRR图像）。换句话说，没有射线投射通过位于ROI外部的任何区域。图11示出了从自动分割CT体积生成的DRR图像的一些示例。最后，DRR生成过程通过执