医学成像和医学影像分析极大地推动了临床诊断的进步。随着数字医学影像的普及以及计算机计算能力的提升,4D(4 Dimensional)医学成像,也就是动态3D(3 Dimensional)成像,开始在该领域内发挥重要作用,其对于量化器官位移,观察体内器官运动以及评估器官的机械功能至关重要。动态成像是疾病治疗前后的器官功能分析,放射治疗期间病灶的动态跟踪和实施4D放射治疗的基础。在4D医学影像中精准地分割器官和病灶,可以最小化正常组织的损伤,最大化对目标的辐射剂量,尤其是在保护与目标相邻的关键结构中发挥作用。完整的4D医学影像重建和分析一般分为五个过程:1.动态医学图像数据的获取;2.4D医学影像的重建;3.4D医学影像中感兴趣的目标分割;4.感兴趣目标的指标量化;5.基于量化指标的分析。本文针对4D医学成像从成像到分析的全过程,从前至后对4D医学影像重建中需要的门控信息采集、4D医学影像分析中需要的分割技术等关键性问题深入研究,并在实际的临床应用中检验了研究成果。本文的主要研究内容和创新工作如下:1.现有的基于回溯性采集切片的胸部MRI(Magnetic Resonance Imaging)动态影像的难点是精准采集呼吸的门控信息。本文提出一种基于光流法追踪体内生物标志物,自动标注呼气结束点和和吸气结束点的门控技术。这种门控技术允许病人在医学影像采集过程中自由呼吸,只需简单的人工交互,就可以在很短的时间内完成大量数据自动标注。与手动标注者的标注结果相比,自动标注的方法误差很小。另外,本文还针对胸部MRI动态影像重建过程中,非正常的呼吸循环会破坏动态影像成像的完整性,影响医生对病人病情的评估等问题,提出一种非正常呼吸信号探测算法。在此基础上,还设计了更为先进完整的基于CNN(Convolutional Neural Networks)模型和LSTM(Long Short-Term Memory)模型,在自由呼吸采集切片中标注呼吸节点和检测非正常呼吸循环信号的网络框架。该框架克服了纯粹基于光流法的呼吸节点标注算法对于标注位置敏感的缺陷,提升了标注的精度。该框架下的非正常呼吸信号检测算法不需要手工设计特征来检测非正常呼吸循环信号。本文在真实临床数据上测试了该框架的可用性,可以满足临床使用的要求。2.鉴于现有分割算法无法利用多个模态的医学影像或者同一模态的不同增强期医学影像的特异性,本文设计一个基于FCN(Fully Convolutional Networks)的多通道MC-FCNs(Mutil-Channel Fully Convolutional Networks)网络。MC-FCNs网络可以利用多期增强CT(Computed Tomography)的不同增强期对病灶的显影效果不同,使用多个通道分别完成对不同增强期CT的特征学习,为每个增强期CT影像训练独立的模型参数,并且融合多个增强期影像的病灶特征。本文在真实的结直肠癌肝转移患者的临床数据中,通过分割肝脏病灶的任务中检验了该算法。与单通道的FCN相比,MC-FCNs获得了更好的肝脏病灶分割精确度。3.本文设计一个通用的4D医学影像分割框架,在两个4D的MRI数据集中,针对4D医学成像不同分割方向对精确度的影响进行研究。虽然2D医学影像中的分割算法已经在医学图像中被广泛应用,但是至今还没有相关研究报告在4D医学影像分割中,沿不同分割方向(时间维度和空间维度)对于4D医学影像的分割精度有什么影响。本文设计的4D医学影像分割算法包含两个独立的针对时间方向分割的T网络和针对空间方向分割的S网络,使用者可以自由选取4D医学影像的任意时间点或者任意位置点作为分割起点,沿着时间方向或者空间方向改变分割方向,完成整个4D医学影像的全部分割。在该通用框架下,用于分割的基本网络结构U-Net(U-Network)可以被其它的分割网络结构所替代。本文基于两个4D MRI数据集得到的测试结果,在不同分割方向上,可以为使用该框架分割4D医学影像时获得的分割精度提供参考。本文的研究内容贯穿了4D医学影像分析的全过程。在重建阶段,解决了胸部4D医学影像重建中的关键问题,实现了呼吸节点的自动标注,异常呼吸信号检测,提升了重建效率。在医学影像分析阶段,本文分别实现了基于2D(2Dimensional)医学影像和4D医学影像的分割算法。