[發(fā)明專利]醫(yī)學(xué)影像的勾畫方法、裝置、存儲(chǔ)介質(zhì)及處理器

在審

• 申請(qǐng)?zhí)枺?/td>: 202110796442.1
• 申請(qǐng)日: 2021-07-14
• 公開（公告）號(hào): CN113689938A
• 公開（公告）日: 2021-11-23
• 發(fā)明（設(shè)計(jì)）人: 周琦超;尹勇;張煒;陳朝才
• 申請(qǐng)（專利權(quán)）人: 福建自貿(mào)試驗(yàn)區(qū)廈門片區(qū)Manteia數(shù)據(jù)科技有限公司;山東第一醫(yī)科大學(xué)附屬腫瘤醫(yī)院（山東省腫瘤防治研究院;山東省腫瘤醫(yī)院）
• 主分類號(hào): G16H30/20
• 分類號(hào): G16H30/20;G06N3/08
• 代理公司: 北京康信知識(shí)產(chǎn)權(quán)代理有限責(zé)任公司 11240
• 代理人: 周春枚

本申請(qǐng)公開了一種醫(yī)學(xué)影像的勾畫方法、裝置、存儲(chǔ)介質(zhì)及處理器。該方法包括：獲取目標(biāo)患者的當(dāng)日醫(yī)學(xué)影像，其中，當(dāng)日醫(yī)學(xué)影像是目標(biāo)患者待進(jìn)行第N次治療前拍攝的醫(yī)學(xué)影像，其中，N為大于1的自然數(shù)；采用目標(biāo)模型對(duì)當(dāng)日醫(yī)學(xué)影像進(jìn)行病灶勾畫，其中，目標(biāo)模型是基于前N次中每一次目標(biāo)患者的醫(yī)學(xué)影像和治療計(jì)劃迭代訓(xùn)練后生成的模型；基于勾畫結(jié)果，生成目標(biāo)治療計(jì)劃。解決了現(xiàn)有技術(shù)中自動(dòng)勾畫模型在訓(xùn)練期間不能夠根據(jù)病例的個(gè)性化特征來自適應(yīng)調(diào)整，從而沒有高效高質(zhì)的勾畫精度的問題。通過本申請(qǐng)的技術(shù)方案，實(shí)現(xiàn)對(duì)每個(gè)患者的個(gè)性化特征的準(zhǔn)確把握，及時(shí)調(diào)整針對(duì)患者的治療計(jì)劃，進(jìn)而保證了生成的目標(biāo)治療計(jì)劃能夠讓患者治療更精準(zhǔn)。

技術(shù)領(lǐng)域

本申請(qǐng)涉及影像處理技術(shù)領(lǐng)域，具體而言，涉及一種醫(yī)學(xué)影像的勾畫方法、裝置、存儲(chǔ)介質(zhì)及處理器。

背景技術(shù)

放射治療是目前臨床上三大腫瘤治療手段之一。現(xiàn)代放療有著一套完整的治療流程，主要包括危及器官以及靶區(qū)的勾畫，根據(jù)劑量學(xué)原理制定放療計(jì)劃，計(jì)劃實(shí)施等。其中，靶區(qū)和危及器官勾畫對(duì)放射治療的精確度和療效有著至關(guān)重要的影響，直接決定了放療計(jì)劃的精確程度。目前的靶區(qū)和危及器官勾畫工作通常由醫(yī)生、物理師手工完成，極大的浪費(fèi)了醫(yī)生、物理師的時(shí)間和精力。更重要的是，目前的放療流程里，勾畫工作通常只在第一次治療前完成，之后的每次治療都是以第一次的治療計(jì)劃為模板，結(jié)合患者的當(dāng)日影像進(jìn)行剛性配準(zhǔn)后評(píng)估并實(shí)施。由于患者體內(nèi)的器官每天都在發(fā)生少量的位移和體積變化，這種方式在劑量的實(shí)施上并不能做到自適應(yīng)。針對(duì)這一問題，相關(guān)技術(shù)中，以磁共振成像(MR)作為引導(dǎo)，在每次治療之前會(huì)將第一次的治療計(jì)劃的ROI與當(dāng)日影像的ROI進(jìn)行柔性配準(zhǔn)，而這需要先對(duì)當(dāng)日影像進(jìn)行完整的靶區(qū)和危及器官的ROI進(jìn)行勾畫，來達(dá)到精準(zhǔn)的自適應(yīng)放療。同樣的計(jì)劃流程也可以應(yīng)用到CBCT引導(dǎo)的直線加速器上，而目前由于該流程的勾畫、配準(zhǔn)以及評(píng)估過程太過耗時(shí)，無法在臨床上大規(guī)模應(yīng)用。

近年來，由于深度學(xué)習(xí)方法的迅速發(fā)展，基于深度學(xué)習(xí)的圖像分割算法在醫(yī)學(xué)圖像分割領(lǐng)域取得了顯著的成就。深度學(xué)習(xí)是機(jī)器學(xué)習(xí)領(lǐng)域中一系列試圖使用多重非線性變換對(duì)數(shù)據(jù)進(jìn)行多層抽象的算法，不僅學(xué)習(xí)輸入和輸出之間的非線性映射，還學(xué)習(xí)輸入數(shù)據(jù)向量的隱藏結(jié)構(gòu)，以用來對(duì)新的樣本進(jìn)行智能識(shí)別或預(yù)測(cè)。深度學(xué)習(xí)的圖像分割算法在自動(dòng)勾畫中已經(jīng)有了諸多應(yīng)用，然而，絕大多數(shù)算法或者模型都是基于一個(gè)較大的數(shù)據(jù)庫(kù)建立的，其輸出的勾畫效果和規(guī)則通常是與數(shù)據(jù)庫(kù)中的數(shù)據(jù)和標(biāo)注同源，但缺少了每位患者的個(gè)性化的數(shù)據(jù)特征。自適應(yīng)放療的勾畫要求其對(duì)于每個(gè)病人的個(gè)性化特點(diǎn)的準(zhǔn)確把握，來及時(shí)調(diào)整患者的治療計(jì)劃。并且，由于相關(guān)技術(shù)中對(duì)于不同的患者的機(jī)器設(shè)置，以及不同患者的身體條件和環(huán)境干擾，以深度學(xué)習(xí)方法難以構(gòu)建一個(gè)適應(yīng)性和泛化能力足夠好的模型。同時(shí)，模型部署之后，也無法根據(jù)每位患者的當(dāng)日影像進(jìn)行相應(yīng)的算法調(diào)整。

針對(duì)相關(guān)技術(shù)中在放療過程中，對(duì)醫(yī)學(xué)影像勾畫的精準(zhǔn)性較差的問題，目前尚未提出有效的解決方案。

發(fā)明內(nèi)容

本申請(qǐng)的主要目的在于提供一種醫(yī)學(xué)影像的勾畫方法、裝置、存儲(chǔ)介質(zhì)及處理器，以解決在放療過程中，對(duì)醫(yī)學(xué)影像勾畫的精準(zhǔn)性較差的問題。

為了實(shí)現(xiàn)上述目的，根據(jù)本申請(qǐng)的一個(gè)方面，提供了一種醫(yī)學(xué)影像的勾畫方法。該方法包括：獲取目標(biāo)患者的當(dāng)日醫(yī)學(xué)影像，其中，當(dāng)日醫(yī)學(xué)影像是目標(biāo)患者待進(jìn)行第N次治療前拍攝的醫(yī)學(xué)影像，其中，N為大于1的自然數(shù)；采用目標(biāo)模型對(duì)當(dāng)日醫(yī)學(xué)影像進(jìn)行病灶勾畫，其中，目標(biāo)模型是基于前N次中每一次目標(biāo)患者的醫(yī)學(xué)影像和治療計(jì)劃迭代訓(xùn)練后生成的模型；基于勾畫結(jié)果，生成目標(biāo)治療計(jì)劃。