[發(fā)明專利]一種基于深度學(xué)習(xí)的膀胱壁自動(dòng)分割工具和方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202310286877.0
• 申請(qǐng)日: 2023-03-23
• 公開（公告）號(hào): CN115994919B
• 公開（公告）日: 2023-05-30
• 發(fā)明（設(shè)計(jì)）人: 王明清;楊瑞杰
• 申請(qǐng)（專利權(quán)）人: 北京大學(xué)第三醫(yī)院（北京大學(xué)第三臨床醫(yī)學(xué)院）
• 主分類號(hào): G06T7/11
• 分類號(hào): G06T7/11;G06T7/00;G06T7/136;G06N3/045;G06N3/0464;G06N3/096
• 代理公司: 北京中和立達(dá)知識(shí)產(chǎn)權(quán)代理有限公司 11756
• 代理人: 張攀

本發(fā)明涉及一種基于深度學(xué)習(xí)的膀胱壁自動(dòng)分割工具和方法，該工具包括輸入端、預(yù)訓(xùn)練Resnet50深度神經(jīng)網(wǎng)絡(luò)、輸出端、訓(xùn)練驗(yàn)證和測試單元以及整合勾畫單元；所述的輸入端用于輸入三幅一致的核磁共振圖像，作為預(yù)訓(xùn)練Resnet50深度神經(jīng)網(wǎng)絡(luò)的輸入端，所述的輸出端為膀胱壁勾畫圖像，所述的訓(xùn)練驗(yàn)證和測試單元采用三個(gè)不同的損失函數(shù)進(jìn)行訓(xùn)練驗(yàn)證和測試，得到三個(gè)不同的神經(jīng)網(wǎng)絡(luò)模型；所述的整合勾畫單元用于基于三個(gè)神經(jīng)網(wǎng)絡(luò)模型的置信度分布圖，結(jié)合閾值去整合勾畫結(jié)果，得出最終膀胱壁的分割圖。

技術(shù)領(lǐng)域

本發(fā)明涉及醫(yī)療輔助技術(shù)領(lǐng)域，具體涉及一種基于深度學(xué)習(xí)的膀胱壁自動(dòng)分割工具和方法。

背景技術(shù)

放療中膀胱壁的分割與勾畫非常重要，尤其是在盆腔腫瘤的膀胱放療預(yù)后評(píng)估分析中可以發(fā)揮重要作用。以前列腺癌為例，前列腺癌是男性患者中最常見的癌癥之一，其五年生存率已升至98%以上。隨著生存期的延長，需要充分考慮放療后的生活質(zhì)量，因此治療相關(guān)的毒性已成為癌癥生存率高的患者關(guān)注的主要問題。隨著調(diào)強(qiáng)放療的引入，泌尿生殖系統(tǒng)的毒性較過去顯著降低。然而，根據(jù)一些臨床試驗(yàn)，5年毒性率大于2級(jí)為12%-15%，常見的毒性是排尿困難、尿潴留、血尿和尿失禁。毒性的主要原因是膀胱壁和尿道的高劑量堆積。根據(jù)相關(guān)研究，膀胱是一個(gè)儲(chǔ)存尿液的中空器官，膀胱壁的累積劑量可以代表真正涉及的劑量。此外，治療期間膀胱的大小、形狀和位置也會(huì)受到患者位置、膀胱充盈、周圍器官運(yùn)動(dòng)等因素的影響，因此膀胱壁的精準(zhǔn)分割將決定對(duì)于患者的治療實(shí)施和精準(zhǔn)預(yù)后評(píng)估具有重要意義。

現(xiàn)有技術(shù)中涉及膀胱壁分割的技術(shù)方案主要包括基于模型的方法和數(shù)據(jù)驅(qū)動(dòng)方法?；谀Ｐ偷姆椒ǖ牡湫头桨赣袃蓚€(gè)分支，一個(gè)是基于各種先驗(yàn)?zāi)Ｐ妥赃m應(yīng)地提取膀胱壁的內(nèi)外邊界，另一個(gè)主要是通過選擇圖像低階特征、紋理特征和小波特征來訓(xùn)練分類器，將其特征減少到選擇中，從而服務(wù)于膀胱壁分割。其優(yōu)點(diǎn)是相關(guān)特征定義明確，易于使用，缺點(diǎn)是當(dāng)膀胱壁和周圍背景具有相似的灰度和紋理特征時(shí)，分割結(jié)果往往有較大的誤差。數(shù)據(jù)驅(qū)動(dòng)的方法主要基于U-Net的分割算法及其改進(jìn)的深度神經(jīng)網(wǎng)絡(luò)，這種方案的優(yōu)點(diǎn)是深度神經(jīng)網(wǎng)絡(luò)能夠識(shí)別多尺度的特征信息，更有利于分割，其缺點(diǎn)是受到訓(xùn)練數(shù)據(jù)的限制，需要提高其魯棒性和泛化性能。

本申請(qǐng)?zhí)岢龅姆桨笖M采用深度學(xué)習(xí)的方法，輸入端為三幅一致的核磁共振圖像，這樣三通道圖像作為預(yù)訓(xùn)練Resnet50深度神經(jīng)網(wǎng)絡(luò)的輸入端，輸出端為膀胱壁勾畫圖像，采用三個(gè)不同的損失函數(shù)，訓(xùn)練驗(yàn)證和測試，得到三個(gè)不同的神經(jīng)網(wǎng)絡(luò)模型，然后基于三個(gè)神經(jīng)網(wǎng)絡(luò)模型的置信度分布圖，結(jié)合閾值去整合勾畫結(jié)果，得出最終膀胱壁的分割圖，其原理如圖1所示。

發(fā)明內(nèi)容

本發(fā)明旨在提供一種基于深度學(xué)習(xí)的膀胱壁自動(dòng)分割工具和方法，所要解決的技術(shù)問題至少包括如何提高模型的泛化能力和魯棒性，最大化解決數(shù)據(jù)不平衡的問題。

為了實(shí)現(xiàn)上述目的，本發(fā)明提供一種基于深度學(xué)習(xí)的膀胱壁自動(dòng)分割工具，包括輸入端、預(yù)訓(xùn)練Resnet50深度神經(jīng)網(wǎng)絡(luò)、輸出端、訓(xùn)練驗(yàn)證和測試單元以及整合勾畫單元；所述的輸入端用于輸入三幅一致的核磁共振圖像，作為預(yù)訓(xùn)練Resnet50深度神經(jīng)網(wǎng)絡(luò)的輸入端，所述的輸出端為膀胱壁勾畫圖像，所述的訓(xùn)練驗(yàn)證和測試單元采用三個(gè)不同的損失函數(shù)進(jìn)行訓(xùn)練驗(yàn)證和測試，得到三個(gè)不同的神經(jīng)網(wǎng)絡(luò)模型；所述的整合勾畫單元用于基于三個(gè)神經(jīng)網(wǎng)絡(luò)模型的置信度分布圖，結(jié)合閾值去整合勾畫結(jié)果，得出最終膀胱壁的分割圖。

優(yōu)選地，所述的Resnet50深度神經(jīng)網(wǎng)絡(luò)采用遷移學(xué)習(xí)加數(shù)據(jù)增強(qiáng)的方案，解決深度學(xué)習(xí)有限訓(xùn)練數(shù)據(jù)的問題。

優(yōu)選地，所述的Resnet50深度神經(jīng)網(wǎng)絡(luò)采用ImageNet數(shù)據(jù)集作為訓(xùn)練集，使用ResNet50?的深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)，來訓(xùn)練網(wǎng)絡(luò)參數(shù)，訓(xùn)練核磁共振圖像時(shí)，并不需要重新訓(xùn)練網(wǎng)絡(luò)結(jié)構(gòu)，而是在已經(jīng)學(xué)習(xí)到參數(shù)的預(yù)訓(xùn)練模型基礎(chǔ)上再進(jìn)行訓(xùn)練。

優(yōu)選地，所述的ImageNet數(shù)據(jù)集是包含?2?萬個(gè)以上圖像類別的圖像數(shù)據(jù)集。

優(yōu)選地，所述的數(shù)據(jù)增強(qiáng)的方案是指幾何增強(qiáng)方案。