CN101076282B - 移动目标的动态追踪 - Google Patents

Abstract

对位于经历运动(其可以是具有循环P的周期性运动)的解剖区域中的诸如肿瘤或损伤的治疗目标，进行动态追踪。从一组CT或其他3D图像中，为解剖区域的非刚性运动和变形建立4D数学模型。该4D数学模型将解剖区域的部分的3D位置与正追踪的目标相关联，作为在P中时间中的位置的函数。使用手术前DRR和手术中x-射线图像之间的少基准非刚性图像对准，确定解剖区域的目标和/或其他部分的绝对位置。使用诸如表面标记器的运动传感器确定循环P。使用下列释放辐射束：1)非刚性图像对准的结果；2)4D模型；以及3)在P中时间中的位置。

Description

移动目标的动态追踪

背景技术

在一些医学应用中，必须动态追踪随时间移动的目标。例如，在放射外科学中，可能需要动态追踪随着呼吸和/或心跳移动的人体中的肿瘤和/或损伤。在放射外科学中，通过患者解剖结构(anatomy)到达要治疗的损伤或肿瘤的放射束的精确轨迹是关键的，以便实现在治疗计划期内计算的放射剂量分布。对于例如由于呼吸或心跳而移动的人体解剖结构的区域，重要的是对这样的运动加以考虑，计算该运动对要产生的治疗计划的影响。动态追踪也可以有利于放射外科学之外的其他医学应用，其中，解剖结构的部分由于呼吸、心跳或其他任何类型的运动而移动。

在过去，已经使用了基准标记以便于追踪解剖结构的移动区域。出于大量理由，基于基准的追踪对于患者来说可能是困难的。例如，倾向于通过使用植入骨的基准标记而实现高精确性，而诸如皮肤接触标记或者解剖位置的较少侵入技术，倾向于不太精确。将基准植入患者通常是痛苦和困难的，尤其对于颈椎，其植入过程频繁地导致临床并发症。

在一些使用门控来处理解剖体的运动的方法中，动态追踪可以通过在内部植入的基准和实时追踪的外部放置的标记之间建立关系而实现。作为运动周期的函数，这些方法没有考虑到周围解剖结构的非刚性运动和变形(deformation)。

因而需要一种解决这些不足的方法和系统。特别地，需要提供一种用于动态追踪移动目标的可靠并有效的方法和系统。

概要

提出了一种用于动态追踪解剖区域(anatomical region)中的一个或多个目标的方法和系统，从而可以将所需剂量的治疗辐射释放到目标，尽管解剖区域正经历运动。目标可以是例如肿瘤或损伤。除目标之外，解剖区域可以包括一个或多个参考结构。相对于参考结构，确定移动解剖区域中的目标位置，同时考虑到解剖区域在其运动期间正经历的变形。解剖区域的变形包括非刚性变形以及刚性变形。

在一个实施例中，解剖区域的运动可以是周期性的。这种周期性运动的范例可以包括，例如呼吸或心跳。周期性运动可以用周期性循环P表征。在 其他实施例中，解剖区域的运动可以是非周期运动，其中循环P可以随着时间改变，或者对其未定义循环P。贯穿本专利申请，术语“周期性运动”和“具有循环P的周期性运动”包括了具有时间改变的周期P(t)的周期性运动。换句话说，术语“周期性运动”和“具有循环P的周期性运动”应当理解为描述性的，并且指的是人体解剖结构中运动的改变特性。

在一个实施例中，对具有循环P的周期运动的动态追踪，通过构建4D(四维)数学模型来完成，所述数学模型描述了解剖区域的非刚性变形和非刚性运动，作为循环P的时间中的相对位置的函数。该4D数学模型可以通过产生解剖区域的多幅图像(包括而不局限于CT图像)I_j(j＝1，...，p)来构建，其中每幅图像在循环P中一连串时间点t_j(j＝1，...，p)的一个时间点获取。作为循环P的函数，解剖区域的连续非刚性变形，通过将在时间中一个时刻采集的CT图像变异(morphing)为在时间中一个后续时刻采集的另一幅CT图像而数学建模。4D数学模型将目标的3D位置与骨骼结构的3D(三维)位置相关联，作为循环P中时刻的函数(其可以是例如呼吸循环或心跳循环)。

在一个实施例中，非刚性变形的4D数学模型由治疗计划生成器使用以产生辐射剂量分布，辐射剂量分布规定了将实时释放到移动解剖区域中的目标的治疗辐射的所需量。该辐射剂量分布考虑了移动解剖区域在周期性运动期间的非刚性变形。

周期性运动的循环P可以例如由附着(attach)到皮肤或者解剖区域的外部表面的动态追踪运动传感器(例如表面标记器(surface marker)或LED(发光二极管)，作为范例)而确定。在运动循环P中的任意所需时间点，包括获取第j幅图像I_j的时间点t_j，相对位置可以以这种方式确定。

本专利中，术语“实时”指的是基本上与实际辐射治疗和释放同时的时标。例如，以至少若干Hz或更高的速度发生的追踪属于在本专利中描述为“实时”的时标。本专利中，术语“近实时”指的是慢于称为“实时”的时标的时标，例如约慢一个或多个大小量级。例如，以小于约每秒一次的速度发生的事件，属于本专利中描述为“近实时”的时标。

在一个实施例中，参考结构的近实时位置通过执行对参考结构的少基准(fiducial-less)追踪而确定。使用与采集实况x-射线图像所使用的相同的束投影几何形状，从CT数据中产生一组DRR。将手术中近实时采集的实况x-射线图像对准DRR(数字重建射线照片)。在一个实施例中，可以使用 非刚性对准(registration)图像算法，其中从3D完整运动领域中获得非刚性转换参数。完整运动领域可以通过估算许多局部运动矢量而构建。在一个实施例中，可以在非刚性图像对准算法中使用多水平块匹配，以及基于图案亮度的相似性测量。在一个实施例中，可以执行分等级网格(mesh)运动估计。

在一个实施例中，可以实时确定目标的位置，通过使用描述目标的位置如何与参考结构的位置相关的4D数学模型，将参考结构的已知近实时位置(使用非刚性图像对准算法确定的)与正寻找的目标位置相关，作为在循环P中的时间中的相对位置的函数。可以使用来自运动传感器的信息以确定在循环P中任何所需时间点的相对位置。

在一个实施例中，根据由治疗计划生成器产生的辐射剂量分布，而将辐射治疗释放到目标的实时位置。辐射束释放可以被同步到在治疗计划中确定的呼吸循环中的时刻。

附图说明

图1提供了用于动态少基准追踪移动目标的方法的示意性流程图。

图2示意性地示出了，在患者呼吸循环中不同时间点获取的患者解剖结构中移动目标的手术前的图像(例如，3D CT扫描)的采集。

图3示意性地示出了追踪作为患者呼吸循环的函数的目标的3D运动，使用下列之一：a)不随着呼吸移动的刚性参考结构；和b)自身随着呼吸移动的多个参考结构。

图4示意性地示出了，通过将目标的2D近实时x-射线图像对准从在患者呼吸循环中特定时间点获取的手术前3D扫描产生的Drr，而在治疗辐射的释放期间，对移动目标进行少基准追踪。

图5示出了用于在手术前2D DRR和手术中x-射线投影图像之间的2D/3D对准的非刚性图像对准算法的流程图。

图6示意性地示出了当估计患者中目标内感兴趣点的局部运动时块匹配的使用。

图7示意性地示出了用于在一个实施例中使用多个备选(candidate)来实施多水平块匹配的多分辨率图像表示。

图8示意性地示出用于根据图案亮度计算相似性测量的邻域R。

图9示出了对DRR的图像中心和对应的x-射线图像的图像中心之间的全局平移的估计。

图10示意性地示出了一个实施例中为目标的DRR建立的网状栅格和为目标的x-射线图像建立的相应网状栅格，在该实施例中该目标位于脊骨的颈部区域。

图11示出了网格运动估计期间的网格层次，该网格层次从相对粗的网格开始，而发展成更精细的网格。

图12示意性地示出了节点估计从粗糙网格分辨率等级到更精细网格分辨率等级的传递。

图13示意性地示出了通过从周围节点进行内插而确定感兴趣点的运动矢量。

图14示意性地以矢量形式示出了从许多估计的局部运动矢量重建的完整运动领域。

图15示出了在三维治疗目标和两个正交的2D x-射线投影之间的几何关系。

图16示意性地示出了在实时释放治疗辐射期间，通过使用表面标记器(例如，LED)来监视患者的呼吸运动而动态追踪患者内的移动目标。

图17提供了用于动态追踪解剖区域中目标的系统的示意性结构图，所述区域正经历周期性运动(例如，呼吸或心跳)并且正释放治疗辐射到移动目标。

具体实施方式

多种技术用于动态追踪正经历运动的患者体内肿瘤/损伤。该方法主要用于放射外科学中，但是也可以用于必须动态追踪例如由于呼吸或心跳而移动的解剖结构的部分的其他应用中。

以下详细描述的一些部分以对计算机中的数据位的操作的算法和符号表示来表示。这些算法描述和表示是数据处理领域技术人员使用的方法，以最有效地将它们工作的内容传递给本领域其他技术人员。应理解算法是导致所需结果的自身一致的动作序列。这些动作需要对物理量的物理操作。通常，虽然并非必须，这些量可以采用电或磁信号的形式，能够存储、传输、组合、比较或者以别的方式操作。主要出于常规使用的理由，已经数次证明了将这些信号称为位、值、元素、符号、字符、术语、数字等是方便的。

然而，应当记住，所有这些和相似的术语与合适的物理量相关，并且仅是应用于这些量的方便标签。除非另外特别声明，应当意识到，在下面的说明书全文中，使用诸如“处理”或“用计算机计算”或“计算”或“确定” 或“显示”等术语的讨论，指的是计算机系统或相似电子计算设备的动作和处理。该计算机系统将由计算机系统寄存器和存储器中物理或电子量表示的数据，操作和转换为相似的由计算机系统存储器和寄存器中、或者其他这种信息存储、传输或显示设备中的物理量表示的其他数据。

下面描述的方法和技术可以通过执行下面讨论的操作的装置来实施。这种装置可以特别构建用于所需目的，或者其可以包括通用计算机，由存储在计算机中的计算机程序选择性地激活或重新配置。这种计算机程序可以存储在计算机可读存储介质中，例如，而不局限于任何类型的磁盘，包括软盘、光盘、CD-ROM和磁光盘、只读存储器(ROM)、随机存取存储器(RAM)、EPROM、EEPROM、磁或光卡、或者任何类型适于存储电子指令的介质。每个这种计算机可读存储介质可以耦合到计算机系统总线。

在此提出的算法和显示器并非固有地涉及任何特殊计算机或其他装置。各种通用系统可以与根据下面的教导而设计的程序一起使用，或者可以证明构建更专用的装置以执行必需方法和技术是方便的。例如，任何在下面描述的方法可以以硬接线电路，或者通过通用处理器编程来实施，或者由硬件和软件的任意组合来实施。本领域技术人员将意识到，下面描述的方法和技术可以用各种计算机结构来实践，包括手持设备、多处理器系统、基于微处理器的或可编程消费电子、网络PC、小型计算机、大型计算机等。下面描述的方法和技术也可以以分布式计算机环境实践，其中由通过通讯网络连接的远程处理设备执行任务。

下面描述的方法和系统可以使用计算机软件实施。计算机软件可以使用不同术语来称呼，例如程序、过程或应用。如果以符合公认标准的编程语言编写，设计用以实施这些方法和系统的指令序列可以被编译，以便在多种硬件平台上执行，并且与多种操作系统接口。同样，这些方法和系统并未参考任何特殊编程语言来描述。将意识到，可以使用多种编程语言实施在此描述的本发明的教导。而且，在本领域中也经常以采取一个动作或导致一种结果的形式来提到软件。这种措辞仅是计算机对软件的执行导致计算机中一个或多个处理器执行一个动作或产生一个结果的说法的简写方式。

图1提供了描述动态少基准追踪移动目标的示意性流程图100。目标位于一解剖区域中。目标可以是肿瘤或损伤，或者例如感兴趣的器官。除了目标之外，解剖区域通常包括一个或多个参考结构。在动态追踪方法和系统的一个实施例中，参考结构可以是骨骼(即，多骨)结构。在另一实施例中， 参考结构可以是其他天然解剖结构，包括而不局限于软骨或其他(通常相当密集)器官。在又一实施例中，参考结构可以是人造结构，例如基准或手术硬件。

如较早提及的，在本说明书全文中，术语“具有循环P的周期性运动”应当理解为包括其中周期性运动的循环P以及运动的幅度和波形随着时间改变的周期性运动。换句话说，术语“周期性运动”或“具有循环P的周期性运动”应当理解为指的是在人类解剖结构中的运动的改变特性。

如较早提及的，解剖区域在其运动期间可以经历变形(其可以是非刚性变形)。虽然在图1中示出的实施例中，解剖区域描述为在经历非刚性变形的同时周期性地移动，使用在本专利中描述的方法和系统，可以追踪解剖区域的任何类型的运动(例如，非周期性运动)和任何类型的变形。

概观之，在图1中所示的实施例中，在步骤105-160中确定了在周期性移动和非刚性变形的解剖区域中的目标位置。计算辐射剂量分布，该辐射剂量分布由通过非刚性移动和变形的解剖区域的基本连续的辐射释放产生。最终，在步骤170，根据计算得的辐射剂量分布，将辐射实时释放到目标。

作为第一步骤，在步骤105中采集了一组CT图像I_j(j＝1，...，p)，每幅CT图像在循环P中的一连串时间点t_j(j＝1，...，p)的一个点上获取。在步骤110，建立周期性运动的循环(例如，呼吸循环或心跳循环)，例如通过对附着到解剖区域的皮肤的标记器和其它传感器的动态追踪来建立。

在步骤120，从这些CT扫描和获自传感器的运动循环信息中构建4D(3D+时间)数学模型。该数学模型描述解剖区域在经历其周期性运动(例如，呼吸)时的非刚性运动和变形，作为运动循环P中的时刻的函数。该4D数学模型将目标位置与周期性移动解剖区域中参考结构的位置相关，作为循环P中的时间上的相对位置的函数。更一般而言，该4D模型可以描述解剖结构的一个部分或多个部分与将为辐射外科学追踪的目标之间的3D+时间关系，作为呼吸循环的时间中时刻的函数。

其次，在步骤130、135和140中，使用x-射线成像和2D-至-3D图像对准，而确定解剖结构的一个部分或多个部分的绝对位置。在这些步骤中，通过使用非刚性图像对准算法来少基准追踪参考结构和/或目标，而近实时地确定参考结构和/或目标的位置。

如较早说明的，在本专利中，术语“实时”指的是与实际辐射治疗和释放基本同时的时标。在仅仅示范性的实施例中，通过使用以约30Hz速率追踪 的光学标记器和使用以约80Hz速率更新其预测值的模型，可以实施对目标的手术中实时追踪。这仅是作为说明性范例，而实时追踪可以以宽范围的不同追踪速度发生，一般高于约1Hz。术语“近实时”指的是比由术语“实时”描述的时标更慢的时标，例如约慢一个或多个大小量级。作为范例，用于采集x-射线图像的时标，其范围可以从约一秒的一部分到约数秒，将描述为“近实时”。

在步骤130，从在步骤105采集的CT图像中产生一组解剖区域的DRR。在步骤135，采集解剖区域的实况x-射线投影图像。在步骤140，将参考结构的DRR对准参考结构的近实时x-射线图像。

步骤150描述了4D治疗计划，其中计算辐射剂量分布，其从通过非刚性移动和变形的解剖区域的基本上连续的束释放产生。在该步骤中，使用对参考结构绝对位置的了解(在步骤140中获得)和使用将参考结构与呼吸循环中的时刻(如使用来自传感器的信息而确定的)以及正追踪其位置的目标相关联的4D模型，确定辐射束轨迹。

在步骤160，确定目标位置。在一个实施例中，可以使用4D数学模型，和如少基准追踪所确定的骨骼结构的绝对位置，以及获自传感器的关于运动循环的信息，来确定目标位置。在备选实施例中，通过2D/3D非刚性图像对准可以确定目标位置，在其期间，DRR(在治疗计划阶段产生的)被对准到近实时x-射线图像。最终，在步骤170，根据通过4D治疗计划产生的辐射剂量分布，将辐射释放到目标。

图2示意性地示出了对患者解剖结构中的移动目标的手术前图像(例如，3D CT扫描)的采集。在所示实施例中，目标由于患者的呼吸运动而移动。虽然所示实施例显示了3D CT扫描，但是可以执行任何类型的3D扫描，包括而不局限于3D MRI(磁共振成像)扫描、3D PET(正电子发射断层摄影)扫描以及3D超声扫描。在所示实施例中，在患者的呼吸循环P中不同的时间点t_j(j＝1，...，k，...，1，...，m，...，p)获取一组CT扫描。在所示实施例中，t₁<t_k<t₁<t_m<t_p。时间点t_j对应于患者呼吸循环中的不同时期。由外部传感器、例如呼吸传感器监视循环P。例如，表面标记器(诸如LED)或相似设备可以附着到皮肤。在目标经历处理呼吸之外的运动的实施例中，可以使用不同类型的传感器(例如，当监视心跳时使用的心脏监视器)。

在所示实施例中，分别在时间点t_k、t₁和t_p获取CT图像。呼吸循环P中的时期或时间点优选选择为基本上包围(encompass)周期性运动的全部动 态范围。例如，在一个实施例中，时间点可以包括：对应于循环P波谷的时间点t₁；对应于循环P波峰的时间点t_p；以及位于循环P的波峰和波谷之间中间位置的第三时间点t_k。在其他实施例中，选择用于获取CT图像的时间点可以包括除了上述三个时间点t_k、t₁和t_p之外的时间点。

从该组CT研究中，构建了4D数学模型，其将在运动循环中的一个时刻或时间点采集的CT图像变异为在运动循环中后续时刻或时间点采集的另一CT图像，为解剖结构的连续非刚性变形提供了模型作为运动循环的函数。在图像处理中，将一幅图像变异成另一幅图像，并且以数学模型描述该变异，在本领域是公知的。可以使用已知的或商业可获得的任何标准软件和/或算法。

在一个实施例中，从图2中所示的CT图像组构建的4D数学模型用于4D治疗计划，即计算从通过非刚性移动的解剖结构的连续辐射束释放产生的剂量分布，其中考虑到治疗目标的非刚性运动和变形，作为运动循环中时间的位置的函数。在该实施例中，4D治疗计划包括两部分：a)为解剖结构的非刚性变形创建数学模型，作为运动循环中时刻的函数，如上所述；以及b)使用该数学模型计算从通过非刚性移动解剖结构的连续的辐射束释放产生的剂量分布。

为了计算所需辐射剂量分布，相对于标称患者坐标系初始界定束轨迹。在一个实施例中，可以相对于图2中所示的若干幅CT图像中之一确定标称患者坐标系的方向，并且该采集的若干图像覆盖运动循环。在其他实施例中可以选择不同的方向。在一个实施例中，每个辐射束从对应于获取每幅CT图像的时间点的时间开启(turn on)，并且保持打开状态达到选定的持续时间以给出所需剂量分布。计算剂量吸收作为距离初始时间点的时间函数，其中考虑患者解剖结构的非刚性变形。

在一个实施例中，4D数学模型将目标的3D位置与一个或多个参考结构的3D位置关联，作为运动循环中时刻的函数。在4D模型中，一个或多个所选参考结构关于运动循环可以是静止的，同时其他所选参考结构相对于运动循环可以经历非刚性运动。

图3示意性地示出了追踪目标的3D运动作为患者运动循环的函数，使用下列之一：a)在患者运动中基本静止的基本刚性的参考结构；以及b)多个参考结构，它们自身随着患者的运动而移动。两种模型是可能的：(a)目标(例如，肿瘤/损伤)的3D运动，作为运动循环的函数，参考基本上固定 的基本刚性的参考结构(包括而不局限于脊椎结构)，或者(b)目标(例如，肿瘤/损伤)的3D运动，作为运动循环的函数，参考自身随同解剖区域的周期性运动移动的多个参考结构。

在图3中示出的实施例中，由于解剖区域200的周期性运动，目标210在解剖区域200中移动。使用参考标号230和232示出参考结构。参考结构230自身随着呼吸移动。另一方面，参考结构232是不随着呼吸或者解剖区域210的其他周期性运动移动的基本上刚性的参考结构。

多个骨骼结构的3D位置和方向允许画出从每个骨骼结构指向肿瘤或损伤的矢量。一种描述肿瘤/损伤的3D运动(作为呼吸循环的函数)的模型，参考自身不随着呼吸移动的刚性骨骼结构(例如使用参考标号210在图3中指示的骨骼结构)，该模型可以例如与脊椎结构一同用于仰卧进行治疗的患者，脊椎结构是这种非移动骨骼结构的实际范例。在另一模型中，其中参考自身随着呼吸移动的刚性骨骼结构，肿瘤/损伤的3D运动可以描述为下列的复合函数：1)呼吸循环，以及2)自身随着呼吸移动的多个骨骼结构的位置。

一旦由4D模型确定了参考结构的位置和目标位置之间的关系，作为周期性运动循环中时间点的函数，近实时确定参考结构的绝对位置。在一个实施例中，这通过下列步骤而完成：1)从示出在图2并用于产生4D数学模型的3D CT图像中产生参考结构的DRR；2)获取参考结构的“实况”或近实时x-射线图像；以及然后3)执行实况x-射线图像和DRR之间的非刚性图像对准。一旦使用非刚性图像对准确定了参考结构的位置，使用上面所述的4D数学模型可以易于确定目标位置。

图4示意性地示出了对参考结构的少基准追踪。在一个实施例中，通过将目标的2D近实时x-射线图像与从获自患者运动循环中特定时间点的手术前3D扫描产生的DRR对准，而执行该少基准追踪。使用2D到3D对准方法，可以相对于CT研究之一中的相应结构而追踪患者解剖结构中参考结构的位置和方向(在治疗释放时)。在一个实施例中，执行非刚性2D/3D图像对准，下面对此将详细描述。

作为在2D/3D非刚性图像对准处理中第一步骤，产生DRR库用于将在治疗释放时用于采集实况图像的投影几何形状。在治疗释放期间，使用与用于产生DRR的相同的投影几何形状，采集患者的一对实况(或“近实时”)x-射线图像。用于产生DRR的CT图像将对应于运动循环中一个时期，通常是在治疗计划期间分配射束的同一个时期。可以为CT图像的数个平移和方向产 生DRR，以便于在治疗期间覆盖患者移动的通常范围。

使用追踪参考结构的特征识别算法将采集的图像对准DRR。图像对准算法(下面将详细描述)可以为多个参考结构重复，以便相对于CT研究(DRR由其形成)中相应结构给出每个结构的位置和方向。在一个实施例中，肿瘤或损伤或邻近解剖区域的成像特征的差别可以进一步通过使用高灵敏性x-射线探测器而增强。

在一个实施例中，肿瘤/损伤的位置可以从参考结构的位置获得，参考结构的位置通过非刚性对准处理而确定。使用从CT研究和4D模型中所学到的、参考结构的位置和肿瘤/损伤的位置之间的对应几何关系，利用使用少基准算法追踪的多个参考结构的位置和方向，来内插肿瘤/损伤的位置。在另一实施例中，对目标(例如，肿瘤/损伤)自身执行少基准追踪。如果正追踪的目标在x-射线成像特征上相对于周围组织充分不同，可以使用下面描述的2D-至-3D对准技术直接追踪目标自身。

下面描述了一种非刚性2D-至-3D图像对准技术，其考虑了解剖结构的非刚性变形并且其使用解剖参考结构代替基准。虽然下面描述的非刚性图像对准算法是在骨骼结构、尤其在人类解剖结构的脊骨区域中的特定骨骼结构的上下文中进行的描述，应当理解，不同于脊骨骨骼结构的参考结构也可以用于该非刚性图像对准算法。

该非刚性图像对准技术也描述在下列五个共有专利申请中：1)美国专利申请序列号No.10/880486，特征在于律师记录号为ACCL-136，题为“Fiducial-less Tracking With Non-Rigid Image Registration”；2)美国专利申请序列号No.10/881612，特征在于律师记录号为ACCL-137，题为“Motion Field Generation For Non-rigid Image Registration”；3)美国专利申请序列号No.10/881209，特征在于律师记录号为ACCL-146，题为“ROI Selection In Image Registration”；4)美国专利申请序列号No.10/881208，特征在于律师记录号为ACCL-147，题为“Image EnhancementMethod and System For Fiducial-less Tracking of Treatment Targets”；5)美国专利申请序列号No.10/881206，特征在于律师记录号为ACCL-150，题为“DRR Generation Using A Non-Linear Attenuation Model”。所有的五个共有专利，在此全文引入作为参考。

图5示出了非刚性图像对准算法的流程图400，其可以用于从手术前CT扫描数据重建的解剖区域的2D DRR和手术中解剖区域中目标的近实时x-射 线投影图像之间的2D/3D对准。特别地，DRR从在周期性循环P中特定时间点t_j获取的CT图像I_j的CT扫描数据表示中重建。

作为第一步骤，在步骤402中，2D DRR可以从CT图像I_j的手术前3D扫描数据的表示来产生。在一个实施例中，对其执行非刚性图像对准的图像(即，DRR和x-射线图像)是离散的图像，每幅特征在于象素阵列，每个象素具有代表在对应于该象素的表面单元面积处的图像亮度的相关象素值。

在一个实施例中，在步骤402中可以实施改进的DRR产生过程，以显现出骨骼参考结构，其在图像中通常不易于显现，或者甚至可能隐藏。在步骤402，根据强调骨骼结构并且因而提高DRR质量的非线性衰减模型，修改该CT扫描数据。在流程图400中的步骤403中，也可以对DRR实施图像增强技术。在该步骤中，使用大礼帽滤波器(top-hat filter)以便在步骤402中产生的DRR中显现出骨骼结构。

在所示实施例中，在增强DRR中所选的感兴趣区域(ROI)中执行图像对准，以便于提高效率。因此，在步骤404中，在增强DRR之后，在DRR中界定了ROI。在步骤404中执行的ROI选择过程是基于图像熵，并且完全是自动的，从而不需要用户交互作用。然后在步骤410中近实时产生手术中2Dx-射线投影图像。在步骤415中，使用类似于步骤403的大礼帽滤波器在x-射线图像上执行图像增强。

然后，在ROI中的增强x-射线图像和增强DRR之间执行非刚性图像对准。特别地，使用相似性测量以比较x-射线图像和DRR图像中的象素亮度，以便于确定患者的位置和/或方向和/或生理变形中的任何改变。在步骤420-450中，界定了描述实际的患者移动和人体变形的非刚性变形。为了界定非刚性变形，构建了完整运动领域，其包括许多局部运动领域，即多个局部估计的运动矢量。为了估计在ROI中感兴趣的给定点的局部运动，使用基于图案亮度的相似性测量来比较象素亮度。

包括许多局部运动的完整运动领域可以描述任何所需非刚性变形。此外，以这种方式获得的完整运动领域可以考虑对象的不同图像采集之间除了非刚性变形之外的对象的非刚性运动(平移和/或旋转)。为了有效地在ROI中任何感兴趣点计算局部运动矢量，执行分等级网格运动估计和多水平块匹配(与基于亮度的相似性测量一同执行)。这些方法允许快速计算图像对准算法400。强加光滑约束以在发生错配的网格节点处重建运动领域。然后从该完整运动领域中计算用于非刚性图像对准的非刚性转换 (transformtion)参数。

在图5中所示的实施例中，由完整运动领域描述的非刚性变形，发生在患者中治疗目标区域的3D CT扫描数据的采集和目标区域的x-射线投影图像的采集之间。在步骤420，首先估计整个图像的全局平移。使用估计的全局平移作为对进一步局部运动估计的初始估计。在下一步骤430中，使用设计用以估计多水平的局部运动的分等级网格结构，执行网格节点运动估计。在下一步骤440中，对其中发生错配的那些网格节点执行运动领域重建。通过强加光滑约束来执行运动领域的重建，其基于这样的假设，即由于物质一致性，局部运动是连续的。在步骤450，通过从为围绕感兴趣点的网格节点估计的节点运动进行的内插而获得任何感兴趣点的局部运动矢量。然后，使用为多个所需的感兴趣点获得的局部运动矢量，构建完整运动领域。

图5中示为步骤455和步骤460的最终步骤中，从完整运动领域获取非刚性转换参数。在步骤455，从完整运动领域获取目标位移。在步骤460，从完整运动领域获取平均刚性转换(transformation)。

DRR图像的质量取决于合适的衰减建模，以及用于内插CT数目的合适内插方案。在一个实施例中，在步骤402(图2中所示的流程图中)中，用公式表示改进的x-射线衰减模型用于少基准追踪，从而DRR变得更像实际x-射线投影图像。不再假设线性衰减模型，并且修改CT数目以便补偿上述在骨-至-组织衰减率中的差别。根据用患者临床数据传达的许多经验，形成下面的经验公式以修改原始CT数目：

$C(x,y,z)=a{C}_0(x,y,z)e^{b{C}_0(x,y,z)}---\left(1\right)$

其中C(x，y，z)表示位于点(x，y，z)的3D CT体素的经修改CT数目；

a和b表示加权系数；

而C₀(x，y，z)表示，根据线性衰减模型的，具有位置(x，y，z)的3D CT体素的未修改CT数目。

在一个实施例中用于提高DRR质量的内插方案是双线性内插。在该实施例中，在步骤402执行双线性内插，以沿着每束投射射线遇到的CT体素(voxel)合计(integrate)CT数目。在一个实施例中，在双线性内插之后跟随有三个体素切片(slice)上对每个感兴趣体素的1-D多项式内插。该三个体素切片包括了包含感兴趣体素的体素切片，以及每个相邻体素切片。

在一些实施例中，少基准追踪取决于通常不轻易可见的或者可能隐藏在 DRR和x-射线投影图像中的骨骼参考结构(例如，脊椎结构)。由于必须对准这种骨骼结构，必须增强DRR和x-射线图像以显现脊椎结构的细节并提高它们的可见性。因此，在一个实施例中，对DRR和x-射线投影图像都采取了图像增强。在大部分胸部和腰部的情况中，骨骼结构不轻易可见，或者甚至隐藏在DRR和x-射线图像中。因此对这些情况，必须增强DRR和x-射线图像，以便于尽所有可能执行对准。在颈部的情况中，脊骨的骨骼结构在DRR和x-射线图像中都较好可见，而这些结构的细节仍然不清晰。因此，在颈部情况中，应当增强DRR和x-射线图像以改善对准。

在图5中所示的实施例中，设计和使用大礼帽滤波器以增强x-射线图像(图5中的步骤415)和增强DRR图像(图5中的步骤403)。特别地，通过对x-射线投影图像和DRR图像的像素应用大礼帽滤波器算子(operator)，增强、即显现出图像中的骨骼结构。正如所知的，大礼帽滤波器是非线性算子，其在两个不同尺寸的邻域中找到最亮的像素，然后保持该极端值。在一个实施例中，大礼帽滤波器如下操作：如果较小邻近区域中的最亮值大于较大邻域中的最亮值，差异达到用户输入的阈值所确定的量，那么保持该像素，否则消除该像素。作为对图像应用大礼帽滤波器的结果，可以定位感兴趣的特征。

在一个实施例中，通过使用由特定结构元件打开和关闭的图像的加权组合，设计了大礼帽滤波器。如下数学地定义了大礼帽滤波器算子：

$=f+w\&times;\mathrm{WTH}\left(f\right)-b\&times;\mathrm{BTH}\left(f\right)$

其中f_e表示从对原始图像中每个像素应用大礼帽滤波器算子而产生的增强图像；

f表示原始图像；

w和b表示加权系数，

Y_B(f)表示用于打开原始图像f的结构元件，

而

表示用于关闭原始图像f的结构元件。

在上面的表达式(2)中，WTH(f)=f-Y_B(f)称为白大礼帽滤波器，而 称为黑大礼帽滤波器。结构元件Y_B(f)和 是用于执行基本形态学操作的掩码(mask)。结构元件的尺寸对于颈部、胸部和腰部应用改变很小。实验地确定经验值。加权系数w和b适应性地分别 由WTH(f)和BTH(f)的幅度确定。经验地，已经发现，对于存在较少组织的颈部情况，加权系数w和b的值各自约为1(w＝1，b＝1)。在腰部情况下，其中存在更多组织，已经发现w和b的值各自约大于2(w＞2，b＞2)。在腰部情况下，与颈部情况相比，加权处理将骨骼结构显现到较大程度。

在一个实施例中，仅在DRR中定义的特定感兴趣区域(ROI)中执行图像对准。该ROI包含治疗目标(例如，肿瘤或损伤)。在一个实施例中，在图5的步骤404中，特别定义了图像熵。这样，可以为最优化对准、最小化或甚至消除用户交互作用而自动选择ROI。由于图像对准取决于图像内容或图像信息，在该实施例中，ROI最优化以包含尽可能多的信息。

从常规通讯理论中已知，Shannon熵通常用作信号和图像处理中的信息测量。其定义为 $H=-{\mathrm{\&Sigma;}}_i^n{p}_i\log p_i$ ，其中H表示概率由p₁、p₂...p_n给出的一组n个符号所提供的平均信息。当应用到每幅图像的像素(如在图5中步骤403或415中增强的)时，对于 每幅图像的Shannon熵定义为：H＝-∑_Ip(I)logp(I)，其中I是图像亮度等级，而p(I)是图像亮度值I发生在ROI中的概率。在Shannon的原始公式中，如Shannon所观察到的，在趋向于使概率p₁、p₂...p_n平均化的数据中的任何改变，增加熵。对于给定图像，Shannon熵常规地从图像亮度柱状图计算而得，其中概率p₁、p₂...p_n是柱状图项目。

在一个实施例中，根据骨骼结构发生在亮区域中的事实，修改了Shannon熵H。在该实施例中，经修改的Shannon熵用于每幅图像，其定义如下：

H＝-∑₁l p(l)log p(l)，(3)

其中，I又是图像亮度等级，而p(I)是图像亮度值I发生在ROI中的概率。在步骤404(图5中所示)中，首先为增强的DRR图像确定经修改的Shannon熵。一旦计算出经修改的Shannon熵H，那么通过确定DRR中熵H最大化的区域，而自动选择ROI。在图像对准处理中的后续步骤(图5中步骤420-450)仅在ROI中发生。

将图像对准处理限制在ROI中具有多个优点。一个优点是，由于该对准仅需对ROI执行，这种限制可以加速对准处理。例如，相似性测量仅需要为 ROI计算，而块匹配仅需要在ROI中执行。此外，当限制到ROI中的区域时，对准处理更精确。其中将执行对准的区域越有限，ROI中的结构在手术前CT扫描的时间和医学治疗的时间之间越不可能相对彼此移动。

根据改进和增强的DRR(在图5的步骤402和403中产生)以及增强的x-射线投影图像(图5的步骤415中)，其中骨骼参考结构已经显现以使得可以进行少基准追踪，在步骤420-450中确定解剖区域的非刚性变形。在本专利中，不需要进行“刚性体”假设，即在图像对准中经常进行的假设，并且其假设在图像采集之间感兴趣的解剖和病理结构不变形和扭曲。如果不需要刚性体假设，那么不需要保持“刚性体”约束，即要求主体为刚性的并且在转换过程中不经历任何局部变化。根据在临床患者数据上的大量观察和分析，在本专利中假设了非刚性变形来代替刚性转换，以获得对真实患者移动和主体变形的改进描述。通过计算非刚性变形领域，在初始调整(alignment)期间以及在整个治疗过程中，患者位置/方向可以更可靠的得到监视和校正。

非刚性图像对准允许在要考虑的不同图像采集之间存在的固有局部解剖变化，而与不允许克服这些变化的刚性图像对准形成对比。非刚性对准定义了为图像中每个像素提供平移或映射的变形领域。在一个实施例中，计算包括许多局部运动向量或领域的完整运动领域，以便获得非刚性变形领域。

为了消除局部运动领域，在一个实施例中，多水平块匹配方法和基于图案亮度的相似性测量协同使用。该方法允许在ROI的大多数部分快速和精确的估计局部运动。在共有申请美国序列号10/652786(“786”申请)中结合刚性对准算法描述了允许计算效率的多水平块匹配，所述文献在此全文引入作为参考。与基于刚性转换的对准算法协同使用的基于图案亮度的相似性测量，即，由Accuray公司开发的用于Cyberknife放射外科系统中的“快速6D算法”(“FAST 6D algorithm”)，在共有申请美国序列号10/652786(“786”申请)、10/652717(“717”申请)和10/652785(“785”申请)中进行了描述，所述文献在此全文引入作为参考。在本专利中，基于图案亮度的相似性测量和多水平块匹配方法，与基于非刚性(而不是刚性)转换的对准算法协同使用。最初开发用于刚性图像对准算法的基于图案亮度的相似性测量，在非刚性框架(framework)中也提供了一种有力和有效的技术来解决2D/3D图像对准问题。

在一个实施例中，执行块匹配，即使用中心围绕感兴趣点的小块，以便于局部地估计在ROI中每个所需点的位移。正如所知，当使用块匹配以将第 一图像对准到第二图像上时，第一图像分割成不同的块，通常为相同尺寸的矩形框。每个感兴趣点作为一个块的中心，所述感兴趣的点可以是网格节点或者可以是由网格节点围绕的非节点像素。然后，这些块平移从而最大化局部相似性标准，其在一个实施例中是上述的基于图案亮度的相似性测量。

在块匹配方法中，通常假设块中的每个像素具有相同的运动，并且块匹配算法通常用于对每个块估算运动矢量。在一个实施例中使用的块匹配算法中，执行搜索第二图像中的匹配块，在某种意义上最大化各个块之间基于图案亮度的相似性的测量值。该搜索用于相似性测量函数中最大值的定位，该最大值表示在第二图像中存在匹配块。该搜索可以在搜索窗口中执行，所述搜索窗口定义在感兴趣点周围并且包含该块。

在任何块匹配算法中，最优化搜索策略和选择合适的块尺寸是重要的。对于小块，通常假设平移刚性模型。即使存在刚性旋转或一些其它复杂变形，刚性体平移模型对于估计块中心点的平移是有效的。当除了平移之外还存在旋转或其它变形时，精确度随着减小块尺寸而增加，并且随着增加块尺寸而减小。然而，随着使用较小的块尺寸，错配的可能性增加了。在一个实施例中，采用块尺寸选择策略，其中假设需要较大的块用于较大的位移，而需要较小的块用于较小的位移。

图6示意性地示出了使用块匹配对患者内目标中感兴趣点的局部运动估计。在图6中示出的实施例中，该目标位于脊椎的颈椎区域，然而再次强调非刚性2D/3D图像对准技术可以用于脊骨结构追踪以外的应用。左侧和右侧图片分别是DRR和x-射线图像。小块203A定义在DRR中感兴趣点205周围。同样，在DRR中定义了包围块203的搜索窗口207。x-射线图像中的匹配块在图6中用参考标号203B指示。在图6中示出的实施例中，搜索窗口207的尺寸是48mm×48mm，而块尺寸是15×15mm。简单通过肉眼检查，可以看到，感兴趣点205正好位于X-射线图像中。

图7示意性地示出了当执行多水平块匹配时使用多个备选的多分辨率图像表示。多水平块匹配是快速搜索方法，其使用在较低水平进行的位移估计作为后续搜索阶段的初始结果。在多水平块匹配中的基本思想是，接连地在多个分辨率水平的每个水平匹配图像，从最低分辨率水平开始并且上升到最高分辨率水平。具有最高分辨率的实际尺寸(full size)图像，示出在图7的底部，作为水平1。上面的图像(水平2和水平3)具有接连地更低的空间分辨率，具有最低分辨率的图像示为水平3。通过低通滤波和对实际尺寸的 图像的子采样，获得较低分辨率的图像。

在图7中，假设实际图像块尺寸在水平1中是W×H，在水平2和水平3中分别为W/2×H/2和W/4×H/4，如在附图中所示。在最低分辨率水平(水平3)中，使用大搜索范围以便能够估计大位移。在剩下的分辨率水平中使用很小的搜索范围(-2，+2)。

在较低分辨率水平的结果用来确定位移的粗略估计。然后，在低水平的输出传递到后续较高分辨率水平。使用更高分辨率的图像，接连提纯(refine)用于块的估计运动矢量(在多数情况中，平移矢量)。在最终匹配结果中，估计的平移的精确度取决于最高分辨率图像的空间分辨率(在图7中示为水平1)。

在多水平匹配中存在一些风险。有可能在较低水平的估计可能落在局部最大值，并且远离正寻找的全局最大值。在这种情况下，在后续更高分辨率水平的进一步匹配可能不会聚在其全局最大值。为了克服该风险，在一个实施例中，使用多个备选用于估计。已经显示最优匹配结果的许多备选从较低水平传递到较高分辨率水平。使用越多备选，估计值越可靠。在一个实施例中，最优备选由相似性测量函数值分等级。

在一个实施例中，与多水平块匹配协同使用基于图案亮度的相似性测量。如较早提及的，该相似性测量是有助于在共有的‘786申请、‘717申请和‘785申请中描述的“快速6D算法“的成功的关键元素。在一个实施例中，通过在“实况”(或近实时)x-射线投影图像和DRR图像之间形成差别图像(difference image)，并且在差别图像的每个像素上应用图案亮度函数，来确定相似性测量。特别地，通过在ROI中从手术中x-射线投影图像的每个像素值减去手术前DRR图像的对应像素值，而形成差别图像I_diff(i，j)：

I_diff(i，j)＝I_Ljve(i，j)-I_DRR(i，j)(4)

在公式(4)中，I(i，j)表示相应图像的每个像素阵列的第i行和第j列的像素的图像亮度值。特别地，I_diff(i，j)表示通过从第一幅图像的每个像素值减去第二幅图像的对应像素值而形成的差别图像的像素值阵列。I_live (i，j)表示对象第一幅图像的第(i，j)像素值。I_DRR(i，j)表示对象第二幅图像的第(i，j)像素值。相似性测量在该差别图像上进行，并且表达为邻域R中像素上的差别图像梯度的渐近函数的总和：

$\underset{i,j}{\mathrm{\&Sigma;}}\underset{k,l\&Subset;R}{\mathrm{\&Sigma;}}\frac{{\mathrm{\&sigma;}}^2}{{\mathrm{\&sigma;}}^2+{(I_{\mathrm{diff}}(i,j)-I_{\mathrm{diff}}(i+k,j+l))}^2}---\left(5\right)$

在上面的公式(5)中，常数σ是用于图案亮度函数的加权系数。x-射线图像的变化的解的灵敏性可以通过谨慎选择该常数而最小化。加权系数越大，结果越稳定。然而，σ的选择需要在稳定性和精确性之间权衡。当σ值太大时，图像中的一些小细节不能反映在相似性测量中。根据实验，在一个实施例中，σ的经验值在从约4到约16的范围中。

图8示意性地示出了用于根据图案亮度计算相似性测量的邻域R。如从图8中可见，界定了所示实施例中的邻域R，从而可以在至少四个方向(水平、垂直、45°斜向和-45°斜向)上考虑差别图像的梯度。当以该方式界定邻域R时，用于相似性测量的等式(5)变成：

$\underset{i,j}{\mathrm{\&Sigma;}}\frac{{\mathrm{\&sigma;}}^2}{{\mathrm{\&sigma;}}^2+{\left((I_{\mathrm{diff}}(i,j)-I_{\mathrm{diff}}(i,j-1)\right)}^2}+\underset{i,j}{\mathrm{\&Sigma;}}\frac{{\mathrm{\&sigma;}}^2}{{\mathrm{\&sigma;}}^2+{\left((I_{\mathrm{diff}}(i,j)-I_{\mathrm{diff}}(i-1,j)\right)}^2}+---\left(6\right)$

$\underset{i,j}{\mathrm{\&Sigma;}}\frac{{\mathrm{\&sigma;}}^2}{{\mathrm{\&sigma;}}^2+{\left((I_{\mathrm{diff}}(i,j)-I_{\mathrm{diff}}(i-1,j-1)\right)}^2}+\underset{i,j}{\mathrm{\&Sigma;}}\frac{{\mathrm{\&sigma;}}^2}{{\mathrm{\&sigma;}}^2+{(I_{\mathrm{diff}}(i,j)-I_{\mathrm{diff}}(i-1,j+1))}^2}$

用于图案亮度的公式(5)和(6)具有多个优点。首先，差别图像滤出主要由软组织构成的低频部分，而保持主要由骨骼结构构成的高频部分。该特征使该算法对于实况和DRR图像之间一些亮度差别强壮。第二，由于渐近函数，测量较少受到亮度值轻微偏离其相邻像素的像素的影响。这些类型的像素认为包含随机噪声。第三，由于当变量增加时，渐近函数快速地逼近零，诸如图像伪像的大亮度差别对相似性具有相同的效果，而不考虑它们的幅度。由于该特征，图案亮度对于图像伪像较不敏感。

使用块匹配与分等级网格运动估计一同对局部运动领域的估计，以及从多个局部估计的运动领域对完整运动领域的重建，在图5中所示的流程图的步骤420-450中执行。完整运动领域的快速产生通过使用分等级网格追踪和使用SIMD(单指令多数据)技术并行执行图像计算而实现。

在一个实施例中，首先估计整个图像的全局平移(测量为图像的图像中心的平移)，然后使用其作为对所有进一步局部运动估计的初始估计。换句话说，粗略估计由整个图像的中心位移形成，并且用作所有局部位移的起始估计。参考回图5，在产生目标在手术前扫描和手术中治疗之间的完整运动 领域中的第一步骤(在图5中用参考标号420指示)，是估计整个图像的全局平移的步骤，或者等效地是估计图像的中心位移的步骤。

图9示出了在DRR的图像中心和相应x-射线图像的图像中心之间的全局运动的估计(在该例子中，仅有平移)。在所示实施例中，图像中心用作为块中心。全局平移估计的步骤非常重要，这是因为在该步骤期间的任何失败都将影响其余局部运动估计处理。为了阻止错配的任何可能性，在所示的实施例中使用了非常大的图像块。可以计算最大追踪范围作为块尺寸和整个图像尺寸之间的差别。例如，如果匹配尺寸是80×80mm，最大追踪的平移是60mm。在图9中所示的实施例中，使用具有160×160像素(64mm×64mm)的尺寸的块。所示实施例的搜索窗口是整个图像。所示实施例的最大追踪范围是(-50mm，+50mm)。

在全局运动估计之后，下一步骤430(参见图5)是网格运动估计。在该步骤中，设计了分等级2D网格结构，以便于在多个水平估计局部运动。正如所知，2D网格(或2D网状栅格)指的是2D区域镶嵌为多个多边形小片或元素，其顶点称为网格节点。与通常假设仅有平移运动的块匹配算法不同，2D网格模型允许的空间转换除对象的平移之外还有模型旋转、缩放和成像的对象的变形。因此，与块匹配算法相比，基于网格的方法可以产生对运动领域更精确的表现，例如可以产生连续变化的运动领域。

图10示意性地示出在其中目标位于脊柱的颈椎区域的实施例中，为目标区域的DRR建立的网状栅格300和为目标区域的x-射线图像建立的相应网状栅格302。对于2D网格，在每个网格元素或小片内的运动补偿可以通过获取图像之间的空间转换而完成，其中转换参数从节点运动矢量、即从对位于网格顶点的网格节点估计的运动矢量中计算。换句话说，基于网格的运动估计包括寻找最优地将第一图像采集中的一组网格元素映射到第二图像采集中的另一组网格元素上的空间转换。

特别地，网格运动估计包括寻找其它图像中对应网格元素的顶点，即寻找其它图像中的相应网格节点，以使得在整个运动领域错误被最小化。通常，在一幅图像中选择多个网格节点，并且估计其它图像中的相应网格节点。对于位于网格元素中的任何像素(与位于网格元素的顶点相对)，通过内插来执行不同图像采集之间的映射。对于这种像素的局部运动矢量，通过从为围绕该像素的网格节点所估计的节点运动矢量进行内插而估算。

在一个实施例中，可以执行分等级网格运动估计。通过分等级网格运动 估计，其意味着对于多个网格分辨率水平的每一个水平，为界定网格结构的网格节点估计节点运动。使用粗略网格执行的运动估计，为网格的后续(精炼)分辨率水平提供初始化。为了估计每个网格节点的运动，可以执行多水平块匹配。

图11示出了在网格运动估计期间的网格等级。如从图11中可见，网格等级从相对粗略的网格320开始，并且发展到精细网格，如322和324所示。使用全局平移(在图5的步骤420中估计，作为初始估计)，首先计算位于最粗略网格的顶点的网格节点的节点运动。然后，这些估计值传递到后续精细网格。在每个水平，使用更小的搜索范围更新节点运动。最终，精炼了在最终一个网格分辨率水平(特征在于最精细的网格分辨率水平)的网格节点的运动矢量。对于所有节点，使用具有多个备选的多水平块匹配，以及在公式(5)和(6)中给出的基于图案亮度的相似性测量。

图12示意性地示出了节点估计从粗略网格分辨率水平到较精细的网格分辨率水平的传递。在第一水平之后的每个网格水平，网格节点包括1)于在先网格分辨率水平产生的网格节点；和2)于当前网格分辨率水平新添加的网格节点。在图示实施例中，通过对在先网格分辨率水平已有的节点运动矢量的线性内插，而获得在当前网格新添加节点的节点运动矢量的初始估计值。在该过程中，需要检测到任何不可靠的网格节点，从而仅将可靠的节点传递到后续网格水平中。

图12示出了如何通过使用在图12中称为‘节点5’的网格节点，执行这种检测。在图示实施例中，获得节点5的运动矢量(该例子中，平移矢量)和从其9个周围节点(图12中的节点1-4，6-9)计算的中值运动(平移)之间的差值。如从图12中可见，节点2的平移是节点1和节点3的平移的平均值；节点4的平移是节点1和节点7的平移的平均值；节点6的平移是节点3和节点9的平移的平均值；而节点8的平移是节点7和节点9的平移的平均值。节点5的平移是节点1、3、7、9的平移的平均值。如果节点5的平移和从其9个相邻节点计算得的中值平移之间的差值小于预定义的阈值，那么认为节点5是可靠的节点。否则，认为是不可靠的节点，并且其平移由中值替换并且传递到后续网格。

对于大多数网格节点，运动的估计是可靠和精确的。对于其中可能发生错配并且估计值可能不可靠的少数节点，需要通过周围节点的位移而重建位移。因此，图5的对准算法流程图中的下一步骤是运动领域重建的步骤440， 在此期间，对发生错配的那些节点，从周围节点重建运动领域。通过使用3×3中值滤波可以检测不精确的节点运动矢量。

局部运动估计取决于局部图像内容。在一些光滑局部区域中，可能发生错配。在网格运动估计期间，在大多数节点的估计是非常精确的。对于发生错配的少数节点，需要从它们的周围节点重建运动。先验已知的是，骨和组织的物质一致性，以及因此局部运动的光滑性。换句话说，由于物质一致性，认为估计的局部运动矢量应该是光滑和连续的。通过施加该基于人体的光滑性限制，用公式表示了价值函数(cost function)以重建该运动领域。

在一个实施例中，如下数学地表达价值函数：

$E\left(d\right)=\&Integral;\&Integral;\mathrm{\&beta;}{(d-u)}^2\mathrm{dxdy}+\mathrm{\&lambda;}\&Integral;\&Integral;(d_{,x}^2+d_{,y}^2)\mathrm{dxdy}---\left(7\right)$

在上面的公式(7)中，E(d)表示价值函数，d表示在坐标(x，y)的节点运动矢量的期望局部估计，u表示在坐标(x，y)的局部已估计的节点运动矢量，而β表示范围从0到1的可靠性常数，其中β＝0指示了不可靠的估计，而β＝1指示了可靠的估计。

通过在网状栅格上执行导数的有限差分，将公式(7)中的价值函数的离散形式表达为：

E(d_i，j)＝∑∑β_i，j(d_i,j-u_i,j)²十λ∑∑[(d_i，j-d_i-1,j)²+(d_i，j-d_i，j-1)²]

(8)

其中u_i，j表示局部估计的平移，d_i，j是期望的局部运动，如果估计可靠则β_i，j＝1，而如果估计不可靠则β_i，j＝0。

公式(8)右侧第一项反映了在重建中所观察到的数据的保真度。第二项在两个空间方向上在运动领域上施加了光滑性限制。

由公式(8)给出的价值函数的最小化产生了联立线性等式系统

$\frac{\mathrm{\&delta;E}\left(d_{i,j}\right)}{\&PartialD;d_{i,j}}=({\mathrm{\&beta;}}_{i,j}+4\mathrm{\&lambda;})d_{i,j}-\mathrm{\&lambda;}(d_{i-1,j}+d_{i+1,j}+d_{i,j-1}+d_{i,j+1})-{\mathrm{\&beta;}}_{i,j}{u}_{i,j}=0$

(9)

在一个实施例中，逐次超松弛(SOR)的迭代算法，其是快速和收敛的，用于解决下面的公式：

$d_{i,j}^{(n+1)}=d_{i,j}^{\left(n\right)}-\mathrm{\&omega;}[({\mathrm{\&beta;}}_{i,j}+4\mathrm{\&lambda;})d_{i-1,j}^{\left(n\right)}-\mathrm{\&lambda;}(d_{i-1,j}^{\left(n\right)}+d_{i+1,j}^{\left(n\right)}+\left.\begin{array}{c}\left(n\right)\\ i,j-1\end{array}+d_{i,j+1}^{\left(n\right)}\right)-{\mathrm{\&beta;}}_{i,j}{u}_{i,j}]/({\mathrm{\&beta;}}_{i,j}+4\mathrm{\&lambda;})---\left(10\right)$

一旦在所有网格节点已经估计了节点运动矢量，ROI中任何点(或像素)的平移可以通过内插而计算。图13示意性地示出了通过从周围节点的内插对感兴趣点的运动矢量的确定。在图示实施例中，使用9个最近节点执行二次内插，并且使用九个形状函数。

假设9个节点的运动矢量(dx(i)，dy(i))，使用下列表达式计算感兴趣点的运动矢量(dx，dy)：

$\mathrm{dx}=\underset{i=1}{\overset{9}{\mathrm{\&Sigma;}}}N\left(i\right)\mathrm{dx}\left(i\right),$

$\mathrm{dy}=\underset{i=1}{\overset{9}{\mathrm{\&Sigma;}}}N\left(i\right)\mathrm{dy}\left(i\right),$

(11)

其中N(i)是节点(i)的形状函数，并且其中对于i＝1，2，...9的N(i)如下给出：

N(1)＝(1-ξ)(1-η)/4-(N₈+N₅)/2，

N(2)＝(1-ξ)(1-η)/4-(N₅+N₆)/2，

N(3)＝(1+ξ)(1+η)/4-(N₆+N₇)/2，

N(4)＝(1-ξ)(1+η)/4-(N₇+N₈)/2，

N(5)＝(1-ξ²)(1-η)/2，

N(6)＝(1-ξ)(1-η²)/2，

N(7)＝(1-ξ²)(1+η)/2，

N(8)＝(1-ξ)(1-η²)/2，

N(9)＝(1-ξ²)(1-η²)

(12)

使用上述的步骤420、430和440，可以对ROI中的多个感兴趣点估算局部运动矢量。获得完整运动领域，作为对已经选定用于运动估计的许多感兴趣点而估算的所有局部运动矢量的合成或重叠。图14示意性地以矢量形式示 出了，在其中目标位于脊柱的颈椎区域的实施例中的完整运动领域(从许多估计的局部运动矢量重建)。

图像对准处理中的最终步骤是目标定位，即从已经确定的完整运动领域获得目标平移和旋转。在一个实施例中，非刚性图像对准试图确定在各个图像采集的不同坐标系之间的投影映射或转换，使得每个空间中对应于相同解剖结构点的点互相映射。在一个实施例中，由一组非刚性转换参数(dx_T，dy_T，dz_T，r，p，w)表示该转换，其中(dx_T，dy_T，dz_T)表示目标的平移，而(r，p，w)表示目标的旋转。

在一个实施例中，使用两个正交的x-射线投影求解这六个参数。在该实施例中，独立执行每个投影中的对准，并且随后组合每个投影的对准结果，以获得六个3D转换参数。然而在其它实施例中，可以使用不同的投影或其组合求解转换参数。

图15示出了在根据一个实施例的非刚性图像对准方法中，三维治疗目标和两个正交的的2Dx-射线投影(图15中标注为A和B)之间的几何关系。一对照相机(或图像接收器)A和B接收来自相应x-射线源(未示出)的它们的x-射线投影。在3D扫描的坐标系中，x-轴指向纸内，在图15中未示出。如上所解释的，治疗目标位置中的改变，由三个平移和三个全局刚性旋转(dx，dy，dz，r，p，w)表示。

在图15中，分别从方向o_As_A和o_Bs_B观察正交的2D投影A和B。对于每个投影A和B，图15示出相应的2D平面坐标系，其相对于表征每个投影的图像平面是固定的。因而，由相应坐标系中相互正交的轴界定了投影A和B的图像平面A和B。这些轴在图15中示为投影A的(x_A，y_A)和投影B的(x_B，y_B)。投影A的2D坐标系中轴x_A的方向和在3D扫描坐标系中x-轴的方向，关于彼此相反。投影B的2D坐标系中轴x_B的方向和在3D扫描坐标系中轴x的方向，相同。

对于投影A，通过将投影到图像平面A上的x-射线图像与对应的参考DRR图像对准，而估计2D运动领域(dx_A，dy_A)。对于投影B，通过将投影到图像平面B上的x-射线图像对准相应参考DRR图像，而估计2D运动领域(dx_B，dy_B)。给定投影A的2D运动领域(dx_A，dy_A)和投影B的2D运动领域(dx_B，dy_B)，通过直接的数学操作，可以为投影A和投影B获得3-D目标平移(dx_T，dy_T，dz_T)以及全局刚性旋转(r，p，w)。

参考回图5，在步骤455(示出在图5中)，给定投影A的2D局部运动 领域(dx_A，dy_A)和投影B的2D局部运动领域(dx_B，dy_B)，使用下列公式可以容易地获得3-D目标平移(dx_T，dy_T，dz_T)：

dx_T＝(dx_TA+dx_TB)/2，

$d{y}_T=(d{y}_{\mathrm{TA}}-d{y}_{\mathrm{TB}})/\sqrt{2},$

$d{z}_T=(d{y}_{\mathrm{TA}}+d{y}_{\mathrm{TB}})/\sqrt{2}$

(13)

从投影A的运动领域(dx_A，dy_A)和投影B的运动领域(dx_B，dy_B)中可以计算全局刚性旋转(r，p，w)。使用目标作为旋转中心，全局刚性旋转有利于在初始患者调整和治疗期间的位置和旋转校正和补偿。由于已经计算了目标平移，不需要计算全局平移。为了得到在3D患者坐标中的三个旋转，首先计算三个2D平面内旋转，分别包括投影A和B中的平面内旋转θ_A和θ_B，以及在垂直于下-上轴的平面中的平面内旋转θ_x。近似地，全局旋转可以表达为：

r＝θ_x，

$p=({\mathrm{\&theta;}}_B-{\mathrm{\&theta;}}_A)/\sqrt{2},$

$w=({\mathrm{\&theta;}}_B+{\mathrm{\&theta;}}_A)/\sqrt{2},$

(14)

θ_A和θ_B的估计分别直接基于投影A和B的2D运动领域。为了估计θ_x，首先定义了通过目标点并且垂直于3D患者坐标系中的轴x的平面。然后，分别从投影A和B中的两个运动领域(x_A，y_A)和(x_B，y_B)计算运动领域。

假设(dx，dy)是在相应坐标(x，y)中的运动领域，而θ是全局旋转，当旋转很小(＜10°)时，下列转换公式有效：

$\left\{\begin{array}{c}\mathrm{dx}\\ \mathrm{dy}\end{array}\right\}=\left[\begin{array}{cc}0& -\mathrm{\&theta;}\\ \mathrm{\&theta;}& 0\end{array}\right]\left\{\begin{array}{c}x\\ y\end{array}\right\}$

(15)

给定许多点的(dx，dy)和(x，y)，使用最小平方最小化方法可以容易地计算θ：

$\mathrm{\&theta;}=\frac{\underset{i}{\mathrm{\&Sigma;}}(x\left(i\right)\mathrm{dy}\left(i\right)-y\left(i\right)\mathrm{dx}\left(i\right))}{\underset{i}{\mathrm{\&Sigma;}}(x\left(i\right)x\left(i\right)+y\left(i\right)y\left(i\right))}$

(16)

使用上面的公式(14)和(16)，在图5所示的步骤160中，可以获得平均刚性转换参数。

使用如上所述获得的非刚性对准的结果，通过使用4D数学模型和通过监视释放辐射期间的呼吸(或其它运动)循环，可以在治疗释放期间执行对目标的动态追踪。图16示意性地示出了使用表面标记器340(例如，红外LED)监视患者的呼吸运动作为时间的函数，而在释放治疗辐射期间动态追踪呼吸患者中的移动目标。虽然关于图16中所示实施例描述了表面标记器，在其它实施例中可以使用其它技术追踪患者表面。这些技术包括，而不局限于：视频系统；激光扫描器；超声(或其它声学)扫描器；以及当追踪心跳运动时的心电图。可以使用本领域中已知的任何方法和设备追踪患者表面。

在治疗释放期间动态追踪目标210(例如，肿瘤/损伤210)，可以通过将在4D治疗计划期间获得的4D数学模型与少基准追踪提供的对准信息结合，并且使用表面标记器监视患者呼吸运动，而实现。如上所解释的，在治疗计划期间获得的4D数学模型使骨骼结构230和232的位置与目标210的位置相关。

当如图16中所示，使用与4D计划相关的少基准追踪和动态追踪表面标记器时，用于动态追踪的多种方法是可行的。在第一种方法中，首先使用表面标记器340确定在呼吸循环中的时刻。然后使用非刚性少基准追踪，可以定位刚性参考结构232。然后，通过从使用非刚性图像对准确定的参考位置绘制矢量，追踪肿瘤/损伤210的位置。使用对在呼吸循环中的时刻的了解(通过使用表面标记器340获得的)，以及从将目标210的位置与刚性骨骼结构232的位置相关的4D治疗计划中获得的模型，从刚性参考结构232(其位置已经在非刚性图像对准期间获得)绘制矢量。

在第二种方法中，使用参考结构232和230的位置(获自少基准追踪)和使用获自4D治疗计划的模型(将参考结构232和230的位置与损伤210相关)，定位肿瘤/损伤210。接着，建立将表面标记器340的运动与损伤210的运动相关的数学模型。在图像处理中，将对象的第一类型运动与对象的第二类型的运动相关，并且用数学模型描述这种相关，在本领域中是公知的。 可以使用已知的和可商业获得的算法或软件建立数学模型，其使表面标记器340的运动与损伤210的运动相关。

在第三种方法中，使用从4D模型(在4D治疗计划期间获得)确定的参考结构的位置，通过内插，来定位损伤。然后建立将表面标记器340的运动与损伤210的运动相关的数学模型。该第三种方法包括对于获自治疗计划的4-D计划模型的最少依赖性。

在最后方法中，使用在上面的段落中描述的2D/3D对准技术直接追踪肿瘤或损伤210。在该方法中，仅使用2D/3D对准的结果，可以直接建立使表面标记器的运动与目标210的位置相关的模型。

一旦使用上述方法中之一已经定位了目标，可以实施辐射束释放。目标在移动解剖区域中的实时位置(如按照在前述段落中描述而确定)，为束释放提供了引导。在治疗计划期间，最初关于标称患者坐标系界定束轨迹，可能选择相对于采集的数个CT研究之一定向，以便覆盖运动循环。通过分析表面标记器的运动，确定运动循环中各个辐射束要从之开启的时期。

图17提供了用于动态追踪正经历具有循环P的周期性运动的解剖区域中的目标210和用于释放治疗辐射到移动目标的装置500的示意性结构图。该目标可以包括肿瘤或损伤。除了目标区域210之外，解剖区域包括参考结构。该参考结构可以包括在周期性运动期间不移动的刚性参考结构232，和在解剖区域的周期性运动期间自身移动的参考结构230。

概观之，装置500包括：目标定位器510，其相对于周期性移动解剖区域中的参考结构230或232，实时确定目标210的位置；4D治疗计划生成器520，其为该移动解剖区域产生4D治疗计划作为在P中时间中的相对位置的函数；以及治疗束生成器524，其根据治疗计划实时将治疗辐射释放到目标。该治疗计划规定了将实时释放到目标的所需辐射剂量分布，同时考虑到周期性运动期间移动解剖区域的变形。治疗计划生成器520可以连接到治疗释放控制器(未示出)，其根据治疗计划生成器520产生的治疗计划，控制辐射的释放。

同样包括的可以是机器人系统(robot system)，其通常具有固定基底和其远端可以安装治疗束生成器(例如，诸如直线加速器的x-射线源)的铰接臂组件。响应于释放控制器的指示，机器人系统可以移动(并且定向)治疗束生成器(即，x-射线直线加速器)。该机器人系统和治疗束生成器， 在例如共有的美国专利号5207223和美国专利申请序列号10/814451(特征在于律师记录号ACCL-120)中详细描述，所述两个文献在此全文引入作为参考。

在一个实施例中，目标定位器510包括3D扫描器520；DRR生成器530；x-射线成像系统540；图像对准子系统550；一个或多个运动传感器560；4D模型生成器570；以及目标位置计算机580。该3D扫描器520，在循环P中一连串时间点t_j(j＝1，...p)的每一个时间点，产生解剖区域的多幅3D图像1_j(j＝1，...p)。这些3D图像可以包括，而不局限于：3D CT扫描；3D MRI扫描；3D PET(正电子发射断层摄影)扫描；以及3D超声扫描。因此，该3D扫描器520可以是下列之一：3D CT扫描器；3DMRI扫描器；3D PET扫描器；以及3D超声扫描器。

优选地，选择时间点t_j(j＝1，...p)，以便基本上包围解剖区域的周期性运动的完整范围。例如，时间点可以包括：对应于循环P波峰的第一时间点，对应于循环P的波谷的第二时间点，以及在循环P的波峰和波谷之间的中间位置的第三时间点。例如可以是表面标记器的运动传感器560，监视解剖区域的周期性运动并且测量循环P。这样，运动传感器560产生表示一个或多个所需时间点在P中的相对位置的时间位置数据。

在每个时间点t_j，通过从已知的束投影几何形状(projectiongeometry)投射假设射线(hypothetical ray)通过体积3D(volumetric 3D)扫描数据，并且沿着每条射线求3D扫描数据的积分，DRR生成器530从该3D扫描数据重建DRR。通过在射束已经穿过至少一部分解剖区域后检测该x-射线成像束，X-射线成像系统540产生移动解剖区域中的目标210和参考结构230和232的近实时2D x-射线投影图像。这些x-射线成像束，从用于产生DRR的相同的束投影几何形状产生。

该图像对准子系统550将参考结构和/或目标的近实时x-射线投影图像对准参考结构和/或目标的DRR，由此确定参考结构和/或目标的位置。在一个实施例中，图像对准子系统550包括：1)ROI选择器620，配置用于选择DRR中的ROI(感兴趣区域)，该ROI包含治疗目标并且优选地包含至少一个参考结构；2)图像增强器630，配置用以通过施加滤波器算子到DRR和到x-射线图像而增强DRR和x-射线图像；3)相似性测量计算器640，配置用以确定DRR和x-射线图像之间的相似性测量值；4)运动领域生成器650，配置用以通过使用相似性测量值，对多个分辨率水平的每一个估计ROI中的 一个或多个2D局部运动领域，而产生3D完整运动领域；5)参数确定器660，配置用以从3D完整运动领域中确定一组非刚性转换参数，其表示x-射线图像中所示的治疗目标的位置和方向与DRR中所示的治疗目标的位置和方向相比的差别。

4D模型生成器570产生4D模型，其描述了目标210相对于移动解剖区域中参考结构232的运动，作为在循环P中时间中的相对位置的函数。目标位置计算机580计算一个或多个所需时间点的目标位置。目标位置计算机580使用4D模型生成器570构建的4D模型，将目标的位置与参考结构的已知位置相关，如由图像对准子系统550所确定的)，并且使用由运动传感器560获得的时间位置数据，来确定每个所需时间点在P中的相对位置。

在一个实施例中，4D模型生成器570包括变形模型构建器575，配置用以构建数学模型，所述数学模型描述了解剖区域的变形和运动，作为循环P中时间中相对位置的函数。在该实施例中，4D模型生成器570从变形模型构建器575构建的数学模型中获得4D模型。该变形模型构建器575从3D扫描器520产生的多幅图像I_j中提取变形数据，其包含了有关于解剖区域的变形和运动的信息。

在一个实施例中，变形模型构建器575，通过将在P中时间点t_j获取的每幅图像对准到在P中相继(consecutive)时间点t_j+1获得的相继图像上，而从多幅图像中提取变形数据。包含在变形数据中的信息包括关于目标相对于参考结构的位置和方向的改变的信息。变形模型构建器575使用变形数据和来自运动传感器560的时间位置数据一起，对于每个时间点t_j，将时间点t_j在P中的相对位置与目标在该时间点t_j的变形和运动数学相关联。

使用由4D模型生成器570产生的4D数学模型，由图像对准子系统550执行的非刚性图像对准的结果，以及由运动传感器560确定的在呼吸循环中时间中的相对位置，目标位置计算机580计算肿瘤/损伤的位置。

使用4D模型生成器570产生的4D数学模型，4D治疗计划生成器520产生所需辐射剂量分布，辐射剂量分布从贯穿非刚性移动的解剖区域的连续辐射束释放中产生。最终，治疗束生成器524根据所需辐射剂量分布产生治疗束，并将它们实时释放到目标。

总言之，已经描述了若干技术，用于动态追踪例如由于诸如呼吸的周期性运动而移动的解剖结构中的肿瘤/损伤。这些技术组合了4D治疗计划、对骨骼结构或目标的少基准追踪，以及使用有关数学模型对表面标记器的动态 追踪，以实现对感兴趣的肿瘤/损伤的动态追踪。

虽然已经参考特定实施例，特别地示出和描述了本发明，本领域技术人员应当理解的是，可以对在此描述和图示的技术和结构进行形式上和细节上的许多修改和变化，而不背离本发明的精神和范围。因此，在此描述和图示的技术和结构应当理解为仅是说明性的，而并非限制本发明的范围。本发明的范围由权利要求定义，权利要求包括已知的等价物和在提交该申请的时候不能预见的等价物。

Claims (17)

1.一种用于动态追踪解剖区域中一个或多个目标以便于在解剖区域的运动期间将治疗辐射释放到目标的装置，解剖区域包括一个或多个参考结构，该装置包括：

目标定位器，配置用以实时确定目标相对于参考结构的三维(3D)位置，其中该目标定位器包括：

4D模型生成器，配置用以产生4D数学模型，所述4D数学模型将目标与参考结构的相对3D位置关联为周期性循环中时间的函数，其中所述周期性循环表征所述解剖区域的周期性运动；

图像对准子系统，配置用以将参考结构的近实时x-射线投影图像对准参考结构的数字重建射线照片，由此确定参考结构的位置；

一个或多个运动传感器，配置用以监视解剖区域的周期性运动并且测量周期性循环，以产生表示一个或多个所需时间点在周期性循环中的相对位置的时间位置数据；

目标位置计算机，配置用以通过使用4D数学模型将目标的位置与由图像对准子系统确定的参考结构的已知位置相关联，并且通过使用时间位置数据来确定每个所需时间点在周期性循环中的相对位置，而实时计算在一个或多个所需时间点的目标位置，

该装置还包括4D治疗计划生成器，该4D治疗计划生成器配置用以为移动解剖区域产生作为时间的函数的4D治疗计划，该治疗计划规定了将实时释放到目标的所需辐射剂量分布，并且考虑了运动期间移动解剖区域的变形。

2.根据权利要求1的装置，其中目标定位器包括：

a)3D扫描器，配置用以在周期性循环中一连串时间点t_j(j＝1，...p)的每一个，产生解剖区域的多幅3D图像I_j(j＝1，...p)；

b)数字重建射线照片生成器，配置用以在每个时间点t_j，通过投射假设射线通过体积3D扫描数据并且沿着每条射线求3D扫描数据的积分，而从3D扫描数据中重建数字重建射线照片；

c)x-射线成像系统，配置用以产生解剖区域中目标和参考结构的近实时2D x-射线投影图像。

3.根据权利要求2的装置，

其中4D模型生成器包括变形模型构建器，变形模型构建器配置用以构建数学模型，所述数学模型描述了解剖区域作为周期性循环中时间位置的函数的变形和运动；

其中变形模型构建器配置用以从由3D扫描器产生的多幅图像I_j中提取包含关于解剖区域的变形和运动的信息的变形数据；以及

其中变形模型构建器配置用以使用该变形数据和时间位置数据，对每个时间点t_j，将时间点t_j在周期性循环中的相对位置与在时间点t_j的目标的变形和运动数学相关。

4.根据权利要求2的装置，其中解剖区域的运动包括呼吸，而周期性循环包括呼吸循环。

5.根据权利要求4的装置，其中运动传感器包括呼吸传感器。

6.根据权利要求2的装置，其中解剖区域的运动包括心跳，周期性循环包括心跳循环，而运动传感器包括心跳监视器。

7.根据权利要求2的装置，其中在时间点t_j获得的多幅图像包括下列至少之一：3D CT扫描图像；3D磁共振成像扫描图像；3D正电子发射断层摄影扫描图像；或3D超声扫描图像。

8.根据权利要求1的装置，还包括：

治疗束生成器，配置用以根据辐射剂量分布将治疗辐射实时释放到目标，同时解剖区域经历周期性运动。

9.根据权利要求2的装置，其中传感器包括下列至少之一：

表面标记器；

激光扫描器；

视频系统；

超声扫描器；或

心电图。

10.根据权利要求2的装置，其中选择时间点t_j(j＝1，...，p)以充分包围解剖区域的周期性运动的完整范围。

11.根据权利要求10的装置，其中时间点至少包括：对应于周期性循环的波峰的第一时间点和对应于周期性循环的波谷的第二时间点。

12.根据权利要求3的装置，其中从多幅图像中提取变形数据的动作包括：

将在周期性循环中时间点t_j获取的每幅图像，对准到在周期性循环中相继时间点t_j+1获取的相继图像上。

13.根据权利要求3的装置，其中包含在变形数据中的信息包括关于目标相对于参考结构在位置和方向上的改变的信息。

14.根据权利要求1的装置，其中目标包括肿瘤和损伤中至少一个，并且其中参考结构包括骨骼结构。

15.根据权利要求1的装置，其中所需辐射剂量分布指示了在每个所需时间点将释放到一个或多个目标的辐射的治疗学有效量。

16.根据权利要求2的装置，其中3D扫描器包括下列至少之一：

3D CT扫描器；3D正电子发射断层摄影扫描器；3D磁共振成像扫描器；以及3D超声扫描器。

17.一种用于动态追踪解剖区域中一个或多个目标以便于将治疗辐射释放到目标的装置，所述解剖区域包括一个或多个参考结构并且经历特征在于周期性循环的周期性运动，从而目标和参考结构之间的相对位置随着时间周期性地改变，该装置包括：

3D扫描数据生成器，配置用以在周期性循环的周期中一连串时间点T_j(j＝1，...，p)的每一个，产生体积3D扫描数据；

一个或多个运动传感器，耦合到3D扫描数据生成器并且配置用以产生表示每个所需时间点T_j在周期性循环中相对位置的输出信号，从而3D扫描数据生成器可以在周期性循环中预选定的时间位置激活；

数字重建射线照片生成器，配置以在每个时间点T_j，通过投射假设射线通过体积3D扫描数据并且沿着每条射线求3D扫描数据的积分，而从3D扫描数据中重建数字重建射线照片；

4D治疗计划处理器，配置用以为移动解剖区域产生作为周期性循环中相对位置的函数的治疗计划，其中目标和参考结构之间的相对位置随着时间周期性地改变，该治疗计划表示随着解剖区域经历周期性运动而将释放到移动目标的治疗辐射的所需剂量分布；

其中该4D治疗计划处理器配置用以响应于在每个时间点T_j对数字重建射线照片的接收，而产生表示在T_j产生的数字重建射线照片中所示的解剖区域相比于在T_j-1产生的数字重建射线照片所示的解剖区域的非刚性变形的参数P_j(j＝1，...，p)，并且在数学模型中把这些参数P_j描述为时间点T_j在周期性循环中相对位置的函数，

x-射线成像系统，配置用以产生移动解剖区域中目标和参考结构的近实时2D x-射线投影图像；

图像对准处理器，配置用以将近实时x-射线投影图像对准数字重建射线照片，从而贯穿解剖区域的周期性运动，能够确定参考结构和目标中至少一个的近实时位置；

治疗束生成器，配置用以当激活时产生具有足以对目标产生治疗效果的强度的一束或多束x-射线；

一个或多个表面标记器，附着到解剖区域的至少一部分外部表面，配置用以感测解剖区域的周期性运动和产生表示一个或多个所需时间点在周期性循环的周期中的相对位置的输出信号；

控制器，耦合到治疗束生成器并响应于4D治疗计划处理器、图像对准处理器和表面标记器的输出，其中该控制器配置用以激活治疗束生成器，从而根据所需剂量分布将治疗辐射的一束或多束释放到移动目标，同时该解剖区域经历周期性运动。

Images