[發(fā)明專利]一種基于深度學習的靶區(qū)自動勾畫方法、設(shè)備和存儲介質(zhì)

在審

• 申請?zhí)枺?/td>: 201810134407.1
• 申請日: 2018-02-09
• 公開（公告）號: CN108447551A
• 公開（公告）日: 2018-08-24
• 發(fā)明（設(shè)計）人: 劉春雷;崔德琪
• 申請（專利權(quán)）人: 北京連心醫(yī)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

本發(fā)明屬于醫(yī)學影像和計算機技術(shù)領(lǐng)域，涉及一種基于深度學習的放射治療計劃中靶區(qū)自動勾畫方法。該方法包括如下步驟：(1)將患者圖像數(shù)據(jù)進行預處理；(2)將預處理的圖像數(shù)據(jù)輸入到訓練好的卷積神經(jīng)網(wǎng)絡模型中對靶區(qū)進行預測；(3)將預測出的靶區(qū)進行邊緣提取，得到自動勾畫的靶區(qū)。本發(fā)明提供的基于深度學習的靶區(qū)自動勾畫方法能夠?qū)崿F(xiàn)快速勾靶，并且具有很高的精確度，同樣器官如果醫(yī)生手工勾畫需要5～10分鐘，本發(fā)明提供的靶區(qū)自動勾畫算法只需要15秒左右，與手工勾畫相比，時間縮短了約95％，這極大地提高醫(yī)生的工作效率，同時又為病人及時治療提供寶貴的時間。

技術(shù)領(lǐng)域

本發(fā)明屬于醫(yī)學影像和計算機技術(shù)領(lǐng)域，涉及一種基于深度學習的放射治療計劃中靶區(qū)自動勾畫方法。

背景技術(shù)

在醫(yī)院對病人進行放射治療的過程中，往往涉及到目標靶區(qū)的勾畫，目前醫(yī)生主要是采用手工勾畫的方式，手工勾畫費時費力，影響醫(yī)生的工作效率，且容易導致人為失誤，影響病人的治療。

深度學習是用神經(jīng)網(wǎng)絡嘗試對數(shù)據(jù)做高層次的抽象，它專注于學習數(shù)據(jù)的表征，此外，對數(shù)據(jù)做高層次抽象跟人工智能很相像，也就是知識可以被表現(xiàn)出來并且做智能的回應。深度學習已被大量應用到圖像和模式識別領(lǐng)域。

卷積神經(jīng)網(wǎng)絡(Convolutional Neural Network，CNN)是一種前饋神經(jīng)網(wǎng)絡，它的人工神經(jīng)元可以響應一部分覆蓋范圍內(nèi)的周圍單元，對于大型圖像處理有出色表現(xiàn)。卷積神經(jīng)網(wǎng)絡是近年發(fā)展起來，并引起廣泛重視的一種高效識別方法。 CNN一般有幾層網(wǎng)絡，每個層會捕獲對象抽象層次中的不同級別。第一層是抽象層次的最底級，CNN一般把圖片中的較小的部分識別成簡單的形狀，例如水平、豎直的直線，簡單的色塊。下一層將會上升到更高的抽象層次，一般會識別更復雜的概念，例如形狀(線的組合)，以此類推直至最終識別整個物體，例如小腦靶區(qū)。CNN通過自主學習，無需告訴CNN如何去尋找任何直線、曲線等等。CNN從訓練集中學習并發(fā)現(xiàn)靶區(qū)中值得尋找的特征。

鑒于各醫(yī)院中的醫(yī)學影像例如CT影像或核磁影像的圖像數(shù)據(jù)具有很大的差異性，若將卷積神經(jīng)網(wǎng)絡運用到醫(yī)學影像自動勾靶中，必須提高CNN神經(jīng)網(wǎng)絡模型的魯棒性和自動勾畫的準確率，這正是本發(fā)明要解決的問題。

發(fā)明內(nèi)容

本發(fā)明的目的在于為克服現(xiàn)有技術(shù)的缺陷而提供一種基于深度學習的放射治療計劃中靶區(qū)自動勾畫方法。

為實現(xiàn)上述目的，本發(fā)明采用以下技術(shù)方案：

本發(fā)明利用卷積神經(jīng)網(wǎng)絡技術(shù)，把經(jīng)過醫(yī)生勾畫的靶區(qū)圖像數(shù)據(jù)分離出訓練圖像image和訓練標簽label，然后利用搭建的卷積神經(jīng)網(wǎng)絡進行訓練，把訓練好的模型和權(quán)重進行保存，然后就可以利用保存的模型和權(quán)重對一個新的靶區(qū)進行預測，對預測出來的靶區(qū)進行邊緣提取，就可以得到靶區(qū)自動勾畫效果。

一種基于深度學習的放射治療計劃中靶區(qū)自動勾畫方法，包括如下步驟：

(1)將患者圖像數(shù)據(jù)進行預處理；

(2)將預處理的圖像數(shù)據(jù)輸入到訓練好的卷積神經(jīng)網(wǎng)絡模型中對靶區(qū)進行預測；

(3)將預測出的靶區(qū)進行邊緣提取，得到自動勾畫的靶區(qū)。

步驟(1)中，所述的患者圖像為CT圖像、核磁圖像或PET圖像等。

步驟(1)中，所述的預處理為對患者圖像進行插值處理，優(yōu)選地，待預測 (勾畫)圖像的分辨率與訓練圖片的分辨率相同。

所述的卷積神經(jīng)網(wǎng)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。

所述的卷積神經(jīng)網(wǎng)絡模型中，每個卷積層都包括權(quán)重初始化函數(shù)和激活函數(shù)。