[發明專利]一種器官勾畫方法及裝置

在審

• 申請號: 202011477271.8
• 申請日: 2020-12-15
• 公開（公告）號: CN112466441A
• 公開（公告）日: 2021-03-09
• 發明（設計）人: 朱程;謝夢妮;鄭超;任信信;朱其奎;王騰達;尹磊
• 申請（專利權）人: 海創時代（深圳）醫療科技有限公司
• 主分類號: G16H30/40
• 分類號: G16H30/40;G06T7/00;G06T11/60;G06N3/04
• 代理公司: 北京元本知識產權代理事務所(普通合伙) 11308
• 代理人: 金海榮

本發明公開了一種器官勾畫方法及裝置，涉及醫學圖像處理領域，所述方法包括：利用已訓練的目標檢測神經網絡，對患者CT影像的冠狀面圖像進行目標檢測，檢測出與CT影像中的人體部位有關的檢測框信息；根據所述檢測框信息，對器官自動勾畫模型對所述CT影像進行自動勾畫得到的自動勾畫結果進行刪減，得到預測勾畫結果。本發明能夠提高勾畫結果的準確性。

技術領域

本發明涉及醫學圖像處理領域，尤其涉及一種器官勾畫方法及裝置。

背景技術

放射療法是治療腫瘤癌癥的常見選擇。在放射治療計劃期間，醫生需要在CT影像上手工勾畫出腫瘤和附件的危及器官(OARS)，這種方法耗時較長且容易受主觀影響。因此近年來，深度學習在CT影像器官勾畫領域發展迅速，利用深度學習技術和卷積神經網絡模型(CNN)，可以輔助醫生快速進行器官勾畫，極大地提高醫生的治療效率。

訓練CNN神經網絡需要輸入CT影像數據，將經過模型計算的輸出值與真實值進行比較，使用對應的公式計算出損失值，然后使用后向傳播算法迭代優化模型里的參數，最終得到訓練完成的CNN神經網絡，用于預測器官勾畫結果，輔助放射治療。

目前市場上多使用二維的用于器官自動分割的CNN網絡(即二維器官自動分割網絡)，輸入為CT影像橫向切片后的二維數據，訓練中缺乏人體縱向的結構信息，容易導致器官的誤判。使用三維的用于器官自動分割的CNN網絡也會因為圖形處理器(GPU)內存的限制，無法將整個三維CT數據輸入網絡中進行訓練，出現同樣的問題。例如將股骨位置預測為肱骨,一般對CT進行切片處理，即將一個CT數據切分成若干個小CT數據，股骨與肱骨都是連接處的骨頭，在切完片后在CT上數據表現相似，而一個切片不能同時完整包含股骨與肱骨，而且預測股骨與肱骨的算法是相互獨立的，單一算法也就較難同時學到兩者的特征，進而進行區分，因此容易出現誤分割。

優化模型預測結果的方案有很多。一種是對預測出來的結果再優化，最常見的是直接取最大的前N個連通域，但是在預測錯誤的連通域比正確連通域還大的情況時，這種方法往往會反而使結果更差，例如將股骨預測為肱骨的例子，股骨體積大于肱骨，則剛好留下預測錯誤的連通域。效果不及專利提出的解決方案好。一種是在器官自動勾畫的模型結構上就進行區域的限定，比如設計級聯的網絡結構，第一個簡單網絡先預測出該器官應該所處的區域的熱力圖，將熱力圖與CT影像特征圖再輸入第二個網絡實現器官勾畫，通過這種方式避免模型預測到錯誤的組織結構。然而這種方式需要重新訓練模型，并且不能推廣到已有的自動勾畫模塊中。實用性較差。

發明內容

本發明實施例提供一種器官勾畫方法及裝置，解決現有技術在勾畫器官時存在的器官誤判問題。

本發明實施例提供了一種器官勾畫方法，所述方法包括：利用已訓練的目標檢測神經網絡，對患者CT影像的冠狀面圖像進行目標檢測，檢測出與CT影像中的人體部位有關的檢測框信息；根據所述檢測框信息，對器官自動勾畫模型對所述CT影像進行自動勾畫得到的自動勾畫結果進行刪減，得到預測勾畫結果。

優選地，所述已訓練的目標檢測神經網絡通過以下步驟得到：獲取目標檢測神經網絡的訓練數據，所述訓練數據包括冠狀面圖像樣本及對應的檢測框真實信息；利用所述目標檢測神經網絡對所述冠狀面圖像樣本進行處理，得到檢測框預測信息；根據所述檢測框真實信息和預測信息，不斷調整所述目標檢測神經網絡的參數，直至達到預定的調整次數或所述目標檢測神經網絡的損失值收斂，將調整后的目標檢測神經網絡作為所述已訓練的目標檢測神經網絡。

優選地，所述獲取目標檢測神經網絡的訓練數據包括：根據器官自動勾畫模型的歷史錯誤勾畫結果，確定需要在冠狀面圖像中檢測的人體部位；將歷史CT影像轉換為冠狀面圖像樣本；對所述冠狀面圖像樣本進行打標，得到與需要檢測的人體部位有關的檢測框真實信息。