[發明專利]一種基于深度學習的靶區自動勾畫方法、設備和存儲介質

在審

• 申請號: 201810134407.1
• 申請日: 2018-02-09
• 公開（公告）號: CN108447551A
• 公開（公告）日: 2018-08-24
• 發明（設計）人: 劉春雷;崔德琪
• 申請（專利權）人: 北京連心醫療科技有限公司
• 主分類號: G16H30/40
• 分類號: G16H30/40;G06N3/04;G06N3/08;G06T7/00;G06T7/13;G06T7/62
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于深度學習的放射治療計劃中靶區自動勾畫方法，適于在計算設備中執行，其特征在于：包括如下步驟：

(1)將患者圖像數據進行預處理；

(2)將預處理的圖像數據輸入到訓練好的卷積神經網絡模型中對靶區進行預測；

(3)將預測出的靶區進行邊緣提取，得到自動勾畫的靶區。

2.根據權利要求1所述的基于深度學習的放射治療計劃中靶區自動勾畫方法，其特征在于：步驟(1)中，所述的患者圖像為CT圖像、核磁圖像或PET圖像等。

3.根據權利要求1所述的基于深度學習的放射治療計劃中靶區自動勾畫方法，其特征在于：步驟(1)中，所述的預處理為對患者圖像進行插值處理，優選地，待預測圖像的分辨率插值為與訓練圖片的分辨率相同。

4.根據權利要求1所述的基于深度學習的放射治療計劃中靶區自動勾畫方法，其特征在于：所述的卷積神經網絡包括輸入層，卷積層，激活層，最大池化層，上采樣層，融合層和輸出層，其中卷積層，激活層，最大池化層，上采樣層，融合層為隱藏層。

5.根據權利要求4所述的基于深度學習的放射治療計劃中靶區自動勾畫方法，其特征在于：所述的卷積神經網絡模型中，每個卷積層都包括權重初始化函數和激活函數；

所述的權重初始化函數選自Lecun_normal函數、Random_normal函數、He_normal函數或Glorot_normal函數；所述的激活函數選自SeLU函數、ReLU函數、PReLU函數或ELU函數。

6.根據權利要求1所述的基于深度學習的放射治療計劃中靶區自動勾畫方法，其特征在于：所述的卷積神經網絡的loss函數采用Dice相似度作為評價分割結果的標準，其定義式為：

其中，V(A)、V(B)分別表示自動分割結果和專家手動勾畫結果的體積，V(A∩B)表示自動分割結果和專家手動勾畫結果重疊部分的體積。

7.根據權利要求1-6中任一所述的基于深度學習的放射治療計劃中靶區自動勾畫方法，其特征在于：所述的步驟(2)中，卷積神經網絡模型的訓練步驟包括：

(i)將經過醫生勾畫完成的靶區圖像作為訓練數據并提取為訓練圖像(image)和訓練標簽(label)；

(ii)將拆分的訓練數據進行插值處理；

(iii)根據靶區器官所在的圖像位置，將訓練數據裁切成固定尺寸；

(iv)對裁切的訓練數據進行數據增強，從而增強卷積神經網絡模型的泛化能力；

(v)把數據增強后的訓練數據輸入到卷積神經網絡模型中進行訓練，得到訓練好的卷積神經網絡模型。

8.根據權利要求7中所述的基于深度學習的放射治療計劃中靶區自動勾畫方法，其特征在于：步驟(iv)中，所述的數據增強包括圍繞圖像中心點的旋轉、x、y軸方向的平移；

或步驟(v)中，所述的訓練包括前向傳播和反向傳播，一次前向傳播和反向傳播為一次迭代，本發明優選地，CNN模型訓練中的迭代次數大于5次，進一步優選地，迭代次數為10～100次，更優選地，迭代次數為20～50次。

9.一種計算設備，包括：

一個或多個處理器；

存儲器；以及

一個或多個程序，其中所述一個或多個程序存儲在所述存儲器中并被配置為由一個或多個處理器執行，所述的一個或多個程序包括用于上述權利要求1-8中任一所述的基于深度學習的放射治療計劃中靶區自動勾畫方法的指令。

10.一種存儲一個或多個程序的計算機可讀存儲介質，所述的一個或多個程序包括指令，所述指令適于由存儲器加載并執行上述權利要求1-8中任一所述的基于深度學習的放射治療計劃中靶區自動勾畫方法。