[發明專利]基于分割任務輔助的鼻咽癌三維劑量分布預測方法

有效

• 申請號: 202010814307.0
• 申請日: 2020-08-13
• 公開（公告）號: CN111898324B
• 公開（公告）日: 2022-06-28
• 發明（設計）人: 肖江洪;王艷;彭星辰;吳錫;周激流
• 申請（專利權）人: 四川大學華西醫院;四川大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06T7/00;G06T7/11
• 代理公司: 成都智涌知識產權代理事務所(普通合伙) 51313
• 代理人: 魏振柯

1.基于分割任務輔助的鼻咽癌三維劑量分布預測方法，其特征在于，所述方法包括以下步驟：

步驟1：采集原始鼻咽癌圖像，對原始鼻咽癌圖像進行預處理，包括放療劑量以及器官輪廓標注；

步驟2：構建劑量分布預測模型，所述預測模型包括輔助分割網絡、劑量預測網絡和對抗網絡；

步驟3：將標注后的原始鼻咽癌圖像分為大小為64×64×64的圖像塊集合，每一塊用I_i表示，i＝1,2,…n，將I_i輸入到輔助分割網絡中進行分割訓練，具體包括：

步驟31：用大小為5×5×5，步長為1的卷積核對I_i進行卷積處理，然后對卷積后的輸出圖像做步長為2的平均池化處理得到I_i1；

步驟32：對I_i1進行3×3×3，步長為2的卷積處理，然后對輸出圖像做步長為2的平均池化處理得到I_i2；

步驟33：用大小為3×3×3，步長為1的卷積核對I_i2進行卷積處理，得到深層特征圖I_i3；

步驟34：對深層特征圖I_i3進行大小為3×3×3，步長為1的逆卷積處理得到特征圖I_F1；

步驟35：對特征圖I_F1進行采樣規模為2的上采樣，然后進行3×3×3，步長為1的逆卷積處理，得到特征圖I_F2；

步驟36：對特征圖I_F2進行采樣規模為2的上采樣，然后進行3×3×3，步長為1的逆卷積處理，得到特征圖I_F3；

步驟37：對特征圖I_F3進行采樣規模為2的上采樣，然后進行5×5×5，步長為1的逆卷積處理，得到分割結果，保存整個分割過程中的網絡模型參數；

步驟4：將原始鼻咽癌圖像分為大小為64×64×64的圖像塊集合，每一塊用I_j表示，j＝1,2,…n，將I_j輸入到劑量預測網絡中，同時，將輔助分割網絡學習到的參數共享到劑量預測網絡中，在輔助分割網絡的輔助下，進行以下具體操作：

步驟41：用大小為5×5×5，步長為1的卷積核對I_j進行卷積處理，然后對卷積后的輸出圖像做步長為2的平均池化處理得到I_j1；

步驟42：對I_j1進行3×3×3步長為2的卷積處理，然后對卷積后的圖像做步長為2的平均池化處理得到特征圖I_j2；

步驟43：用大小為3×3×3，步長為1的卷積核對I_j2進行卷積處理，得到深層特征圖I_j3；

步驟44：對深層特征圖I_j3做3×3×3，步長為1的逆卷積處理，得到特征圖I_D1，為了充分利用空間域信息，用跨層連接將I_D1和I_j3連接起來得到I_E1；

步驟45：對特征圖I_E1進行采樣規模為2的上采樣，然后進行3×3×3，步長為1的逆卷積處理，得到I_D2，為了充分利用空間域信息，用跨層連接將I_D2和I_j2連接起來得到I_E2；

步驟46：對特征圖I_E2進行采樣規模為2的上采樣，然后進行3×3×3，步長為1的逆卷積處理，得到I_D3，為了充分利用空間域信息，用跨層連接將I_D3和I_j1連接起來得到I_E3；

步驟5：通過多尺度迭代融合策略將I_E1,I_E2,I_E3融合得到預測劑量分布圖像I_E；

步驟6：將真實劑量分布圖像對和預測劑量分布圖像對分別從不同通道輸入到對抗網絡中，通過對抗網絡用來辨別預測劑量分布圖和真實劑量分布圖，進行對抗網絡的訓練，具體包括步驟：

步驟61：對所述真實劑量分布圖像對和所述預測劑量分布圖像對分別用大小為5×5×5,步長為2的卷積核進行卷積處理，然后對輸出的圖像做Maxout處理，再經過2×2×2的池化處理；

步驟62：對步驟61輸出的特征圖進行卷積核大小為3×3×3，步長為2的卷積處理，然后對輸出圖像做Maxout處理，再經過2×2×2的池化處理；

步驟63：最后將兩個圖像對對應的通道結合在一起，分別進行1×1×1的卷積處理，然后經過Sigmoid激活對其進行分類，從而判別圖相對的真假；

步驟7：重復步驟3至步驟6，當對抗網絡不能判別圖像對真假，即對抗損失收斂于0.5時，劑量分布預測模型訓練完成。