[發明專利]基于深度學習的盆腔腫瘤CTV的自動勾畫系統

有效

• 申請號: 202110142618.1
• 申請日: 2021-02-02
• 公開（公告）號: CN112790782B
• 公開（公告）日: 2022-06-24
• 發明（設計）人: 劉守亮;魏軍;沈爍
• 申請（專利權）人: 廣州柏視醫療科技有限公司;廣州柏視數據科技有限公司
• 主分類號: A61B6/03
• 分類號: A61B6/03;A61B6/00;G06T5/50;G06T7/11
• 代理公司: 北京興智翔達知識產權代理有限公司 11768
• 代理人: 張玉梅

1.一種基于深度學習的盆腔腫瘤CTV的自動勾畫系統，其適用于CT影像中盆腔淋巴引流區、宮頸癌CTV及直腸癌CTV，其特征在于，所述自動勾畫系統包括：

采集CT圖像數據和臨床醫生標注引流區分區，并預處理圖像數據的模塊；

構建引流區分區深度學習分割模型的模塊；

經過所述采集CT圖像數據和臨床醫生標注引流區分區，并預處理圖像數據的模塊和所述構建引流區分區深度學習分割模型的模塊處理得到CT圖像數據和臨床醫生標注引流區分區圖像，輸入網絡，訓練網絡，得到分區輪廓；

通過所述分區輪廓自動生成宮頸癌CTV輪廓；以及

通過所述分區輪廓自動生成直腸癌CTV輪廓；

其中所述經過所述采集CT圖像數據和臨床醫生標注引流區分區，并預處理圖像數據的模塊和所述構建引流區分區深度學習分割模型的模塊處理得到CT圖像數據和臨床醫生標注引流區分區圖像，輸入網絡，訓練網絡，得到分區輪廓包括：

輸入大量的經過預處理后多模態CT患者數據，通過數據增強，防止過擬合，將標注圖像引流區分成兩個組，第一組是臨床分區，第二組是僅用于輔助直腸癌CTV和宮頸癌CTV生成的分區；

所述數據增強后的圖像隨機組成一個組，輸入網絡，訓練網絡，直到在評價標準保存不變，并保存此模型；

將新數據輸入已保存的網絡模型中，輸出臨床淋巴分區和輔助淋巴分區概率圖；及

后處理分區；

其中所述通過所述分區輪廓自動生成宮頸癌CTV輪廓包括：

將所述分區輪廓的臨床引流區和輔助分區分別都轉成二值圖像；

根據病例分期情況以及宮頸癌特性，保留或去除一部分的所述臨床引流區和所述輔助分區；

將左右對稱結構的所述臨床引流區利用傳統方法分別融合生成為兩個大區域；及

將宮頸癌所述輔助分區和所述融合生成的兩個大區域利用傳統方法融合，以生成宮頸癌CTV；

所述通過所述分區輪廓自動生成直腸癌CTV輪廓包括：

將所述分區輪廓的臨床引流區和輔助分區分別都轉成二值圖像；

根據病例分期情況以及直腸癌特性，保留或去除一部分的所述臨床引流區和所述輔助分區；

將所述臨床分區分成可直接融合臨床分區和可間接融合臨床分區，將直腸癌的所述輔助分區和所述可直接融合臨床分區融合生成一個大區域；及

利用傳統方法將所述可間接融合臨床分區和融合生成的所述一個大區域融合為一個區域，以生成直腸癌CTV。

2.根據權利要求1所述的基于深度學習的盆腔腫瘤CTV的自動勾畫系統，其特征在于，所述集CT圖像數據和臨床醫生標注引流區分區，并預處理圖像數據的模塊中，所述預處理圖像數據包括：

采集大量的多模態CT三維圖像和相應的臨床醫生標注引流區分區輪廓圖；

獲得圖像身體輪廓，按照所述圖像身體輪廓的生成大小將CT圖像截取CT圖像；

對二維 CT 圖像像素值規范化到腹部窗；

圖像重采樣到固定大小，再歸一化；以及

進行數據增強包括：隨機翻轉、隨機旋轉、隨機扭曲、隨機噪聲、隨機仿射變換。

3.根據權利要求1所述的基于深度學習的盆腔腫瘤CTV的自動勾畫系統，其特征在于，所述構建引流區分區深度學習分割模型的模塊包括：

構造淋巴引流區分割網絡模型，首先，構建其子模塊基本塊，編碼塊是由殘差模塊和池化層組成，同時其有三個輸入和三個輸出，輸入來自其上一層父節點下采樣特征、同一層兄弟節點特征、下一層兒子節點上采樣特征，輸出上采樣特征、同層次節點特征、下采樣特征；

構建盆腔引流區識別模型架構，通過由基本塊組成的三條路徑，包括下采樣路徑、中間層路徑、上采樣路徑；下采樣路徑的基本塊的輸入只有來自父節點的特征圖，下采樣路徑的基本塊只會輸出上采樣特征，同時下采樣路徑和上采樣路徑之間也存在短連接，以便加速網絡收斂；以及

在網絡模型中，第一層基本塊中引入膨脹卷積，擴大網絡感受野，增強網絡對大引流區的識別能力。