CN112057751A - 一种盆腔放疗危及器官自动勾画方法 - Google Patents
一种盆腔放疗危及器官自动勾画方法 Download PDFInfo
- Publication number
- CN112057751A CN112057751A CN202010816077.1A CN202010816077A CN112057751A CN 112057751 A CN112057751 A CN 112057751A CN 202010816077 A CN202010816077 A CN 202010816077A CN 112057751 A CN112057751 A CN 112057751A
- Authority
- CN
- China
- Prior art keywords
- organ
- risk
- image
- image data
- irradiation plan
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 210000000056 organ Anatomy 0.000 title claims abstract description 33
- 238000001959 radiotherapy Methods 0.000 title claims abstract description 25
- 206010008342 Cervix carcinoma Diseases 0.000 claims abstract description 39
- 208000006105 Uterine Cervical Neoplasms Diseases 0.000 claims abstract description 39
- 201000010881 cervical cancer Diseases 0.000 claims abstract description 39
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 37
- 210000000920 organ at risk Anatomy 0.000 claims description 58
- 238000012549 training Methods 0.000 claims description 38
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000002372 labelling Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 description 15
- 230000011218 segmentation Effects 0.000 description 12
- 230000005855 radiation Effects 0.000 description 10
- 239000002184 metal Substances 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 210000003484 anatomy Anatomy 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 210000000664 rectum Anatomy 0.000 description 2
- 210000001599 sigmoid colon Anatomy 0.000 description 2
- 210000003932 urinary bladder Anatomy 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000002640 perineum Anatomy 0.000 description 1
- 210000000813 small intestine Anatomy 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N5/00—Radiation therapy
- A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
- A61N5/103—Treatment planning systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N5/00—Radiation therapy
- A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
- A61N5/1001—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy using radiation sources introduced into or applied onto the body; brachytherapy
- A61N5/1002—Intraluminal radiation therapy
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N5/00—Radiation therapy
- A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
- A61N5/103—Treatment planning systems
- A61N5/1039—Treatment planning systems using functional images, e.g. PET or MRI
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N5/00—Radiation therapy
- A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
- A61N5/1048—Monitoring, verifying, controlling systems and methods
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种盆腔放疗危及器官自动勾画方法，该方法同时利用了***外照射和腔内照射的CT图像，对同一个卷积神经网络模型进行半监督学习，提高了相同数据量下的勾画准确度，能有效提高医疗工作者的工作效率的勾画的一致性，提高***放射治疗的精准度。
Description
技术领域
本发明属于放疗技术领域，具体涉及一种盆腔放疗危及器官自动勾画方法。
背景技术
在***患者的临床放射方案中，一般采用调强放射(外照射)和后装放射(腔内照射)两种方案结合的方式进行，而外照射和内照射需要勾画的危及器官存在一定的差异。比如，在外照射中，一般需要勾画股骨头、直肠、膀胱、乙状结肠、小肠、***等危及器官；而在腔内照射中，一般需要勾画直肠、膀胱、乙状结肠等危及器官。在腔内照射中，图像中包含外置的施源器，病人盆腔解剖结构会发生变化，且施源器中的金属部件也会导致CT影像中存在严重的金属伪影，使得分割难度加大。
在放射技术领域，精准的放射技术可以大幅提高治疗效果和癌症患者的生存率，而放射技术中，轮廓勾画是精准放射的基本保障。轮廓勾画的准确度直接决定了放射治疗剂量分布的可靠性，错误的勾画可能带来严重的放射治疗事故，危及患者的生命安全。现有技术中，临床上放射治疗轮廓勾画一般由人工进行勾画，人工勾画效率低，可重复性差，且严重依赖于勾画医生的经验水平。发展高精确度的快速自动勾画方法有利于提高临床放射技术的效率和精准度。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种盆腔放疗危及器官自动勾画方法。
本发明提供了一种盆腔放疗危及器官自动勾画方法，包括以下步骤：
S1：获得训练数据集中***患者的外照射计划CT图像数据和腔内照射计划CT图像数据，对所述的外照射计划CT图像数据和腔内照射计划CT图像数据进行预处理；
S2：提取训练数据集中***患者外照射计划CT图像上勾画的每个危及器官轮廓，并将轮廓线以内的区域赋值为1，轮廓线以外的区域赋值为0，得到外照射危及器官的二进制掩模图像；
S3：提取训练数据集中***患者腔内照射计划CT图像上勾画的每个危及器官轮廓，并将轮廓线以内的区域赋值为1，轮廓线以外的区域赋值为0，得到腔内照射危及器官的二进制掩模图像；
S4：利用步骤S1预处理后的外照射计划CT图像数据和腔内照射计划CT图像数据，以及步骤S2得到的外照射危及器官的二进制掩模图像和步骤S3得到的腔内照射危及器官的二进制掩模图像对多任务卷积神经网络进行训练；
S5：获得测试数据集中***患者的外照射计划CT图像数据和腔内照射计划CT图像数据，对所述的外照射计划CT图像数据和腔内照射计划CT图像数据进行预处理；
S6：将步骤S5预处理后的外照射计划CT图像数据和腔内照射计划CT图像数据输入步骤S4训练的多任务卷积神经网络中，输出两种临床场景下危及器官的目标疑似概率，对同一场景下的危及器官通道进行最大值标签化处理，得到危及器官的分割的二进制掩模图像；
S7：将步骤S6得到的危及器官的分割的二进制掩模图像转化为勾画轮廓线。
其中，训练数据集中***患者指已有的***患者，测试数据集中***患者指新***患者。
根据本发明的一些实施方式，步骤S1和步骤S5中，所述预处理的方法为：先将CT灰度值截取在[-150，250]范围内，再将其归一化至[-1，1]范围内。
根据本发明的一些实施方式，步骤S4中，所述多任务卷积神经网络的学习方式为半监督学习方式。即根据预先采集的病人影像数据、危及器官二进制掩模图像进行训练，得到稳定的危及器官分割模型。
根据本发明的一些实施方式，所述半监督学习方式的步骤包括：建立卷积神经网络模型，以病人图像作为输入，以对应场景下的危及器官的二进制掩模图像作为输出。
根据本发明的一些实施方式，所述半监督学习方式的步骤还包括：采用反向传播方法对所述卷积神经网络模型进行更新。
采用反向传播方法对所述卷积神经网络模型进行更新，指将步骤S1～S3中预处理完成的CT图像作为建立的卷积神经网络模型的输入，根据模型的输出和输入图像对应的危及器官二进制掩模图像，计算当前场景的分割结果的损失函数，而另一场景的模型数据不计算其损失函数，即不对其进行监督，采用反向传播方法对卷积神经网络模型的参数进行更新。
根据本发明的一些实施方式，步骤S6中，所述最大值标签化处理为：若图像中像素i在输出通道j中取得最大概率，则像素i的标签为j。
根据本发明的一些实施方式，所述半监督学习方式的步骤具体包括：
(a)建立卷积神经网络模型，网络模型以病人图像作为输入，以和对应场景下的危及器官的二进制掩模图像作为输出；
(b)将步骤S1～S3中预处理完成的CT图像作为步骤(a)中建立的卷积神经网络模型的输入，根据模型的输出和输入图像对应的危及器官二进制掩模图像，计算当前场景的分割结果的损失函数，而另一场景的模型数据不计算其损失函数，即不对其进行监督，采用反向传播方法对卷积神经网络模型的参数进行更新；
(c)依次按批次执行步骤(b)，每个批次中包含***外照射CT图像和腔内照射CT图像，反复迭代，当达到预设的模型训练迭代次数或损失函数达到预设阈值，卷积神经网络模型训练完成，保存模型参数。
根据本发明实施方式的一种盆腔放疗危及器官自动勾画方法，至少具有如下技术效果：
本发明提供的自动勾画方法，同时利用了***外照射和腔内照射的CT图像，对同一个卷积神经网络模型进行半监督学习，提高了相同数据量下的勾画准确度。
关于准确度：相同数据分别采用常规模型独立训练的模型和本发明的模型进行分割验证，对比其与手动勾画的Dice***，作为其准确度对比结果。
本发明提供的自动勾画方法中，使用多任务卷积神经网络模型，并采用***外照射治疗和后装治疗的多场景数据进行训练，使得模型能学习到存在较大解剖结构差异下的目标的特征变化，从而提高目标特征挖掘的可靠性和稳定，有效提高了模型的预测准确度和泛化能力。
本发明使用多任务卷积神经网络模型实现危及器官勾画方法，并采用***外照射治疗和后装治疗的多场景数据进行训练，从而在实际使用时使用者无需根据使用场景的差异调整勾画方法，满足了临床的灵活使用需求。
本发明在放射治疗计划工作流程中实施AI辅助的轮廓勾画方法，能有效提高医疗工作者的工作效率的勾画的一致性，提高***放射治疗的精准度。
现有技术中，一般直接采用单一类型数据对神经网络模型进行训练，或采用多种不相干数据对神经网络进行训练，本发明采用相关的多类型数据对同一网络模型进行多任务目标进行训练，在拓展功能的同时保障了数据的相关性，使得模型的训练更为高效和稳定。本发明自动根据输入数据，选择性计算损失函数对多任务模型进行训练，保障在多场景数据输入的情况下模型稳定训练。此外，***腔内照射场景下图像受施源器金属伪影影响大，利用外照射的影响数据可为腔内照射影像的特征挖掘提供引导，从而避免金属伪影的影响。
附图说明
图1是多任务卷积神经网络模型的训练流程示意图。
图2是盆腔放疗危及器官自动勾画方法的使用流程示意图。
图3是实施例2中外照射数据训练流程图。
图4是实施例2中腔内照射数据训练流程图。
具体实施方式
以下是本发明的具体实施例，并结合实施例对本发明的技术方案作进一步的描述，但本发明并不限于这些实施例。
实施例1
本例提供了一种盆腔放疗危及器官自动勾画方法，包括以下步骤：
S1：获得训练数据集中***患者的外照射计划CT图像数据和腔内照射计划CT图像数据，对所述的外照射计划CT图像数据和腔内照射计划CT图像数据进行预处理；
S2：提取训练数据集中***患者外照射计划CT图像上勾画的每个危及器官轮廓，并将轮廓线以内的区域赋值为1，轮廓线以外的区域赋值为0，得到外照射危及器官的二进制掩模图像；
S3：提取训练数据集中***患者腔内照射计划CT图像上勾画的每个危及器官轮廓，并将轮廓线以内的区域赋值为1，轮廓线以外的区域赋值为0，得到腔内照射危及器官的二进制掩模图像；
S4：利用步骤S1预处理后的外照射计划CT图像数据和腔内照射计划CT图像数据，以及步骤S2得到的外照射危及器官的二进制掩模图像和步骤S3得到的腔内照射危及器官的二进制掩模图像对多任务卷积神经网络进行训练，训练流程如图1所示；
S5：获得测试数据集中***患者的外照射计划CT图像数据和腔内照射计划CT图像数据，对所述的外照射计划CT图像数据和腔内照射计划CT图像数据进行预处理；
S6：将步骤S5预处理后的外照射计划CT图像数据和腔内照射计划CT图像数据输入步骤S4训练的多任务卷积神经网络中，输出两种临床场景下危及器官的目标疑似概率，对同一场景下的危及器官通道进行最大值标签化处理，得到危及器官的分割的二进制掩模图像；
S7：将步骤S6得到的危及器官的分割的二进制掩模图像转化为勾画轮廓线。
其中，训练数据集中***患者指已有的***患者，作为本发明的多任务卷积神经网络模型的训练数据集，测试数据集中***患者指新***患者，作为本发明的多任务卷积神经网络模型的训练数据集。
步骤S1和步骤S5中，预处理的方法为：先将CT灰度值截取在[-150，250]范围内，再将其归一化至[-1，1]范围内。
步骤S4中，所述多任务卷积神经网络的学习方式为半监督学习方式。即根据预先采集的病人影像数据、危及器官二进制掩模图像进行训练，得到稳定的危及器官分割模型。
半监督学习方式的步骤包括：建立卷积神经网络模型，以病人图像作为输入，以对应场景下的危及器官的二进制掩模图像作为输出。半监督学习方式的步骤还包括：采用反向传播方法对所述卷积神经网络模型进行更新。采用反向传播方法对所述卷积神经网络模型进行更新，指将步骤S1～S3中预处理完成的CT图像作为建立的卷积神经网络模型的输入，根据模型的输出和输入图像对应的危及器官二进制掩模图像，计算当前场景的分割结果的损失函数，而另一场景的模型数据不计算其损失函数，即不对其进行监督，采用反向传播方法对卷积神经网络模型的参数进行更新。
半监督学习方式的步骤具体包括：
(a)建立卷积神经网络模型，网络模型以病人图像作为输入，以和对应场景下的危及器官的二进制掩模图像作为输出；
(b)将步骤S1～S3中预处理完成的CT图像作为步骤(a)中建立的卷积神经网络模型的输入，根据模型的输出和输入图像对应的危及器官二进制掩模图像，计算当前场景的分割结果的损失函数，而另一场景的模型数据不计算其损失函数，即不对其进行监督。
Loss＝waLossa+wbLossb，
其中，当输入数据为外照射***数据时wa＝1,wb＝0，当输入数据为腔内照射***数据时wa＝0,wb＝1。Lossa和Lossb分别为对应场景下的损失函数，
和
分别表示外照射和墙内照射场景下第n个和第m个危及器官的模型分割结果和手动勾画结果。损失计算完成后，采用反向传播方法对卷积神经网络模型的参数进行更新；
(c)依次按批次执行步骤(b)，每个批次中包含***外照射CT图像和腔内照射CT图像，反复迭代，当达到预设的模型训练迭代次数或损失函数达到预设阈值，卷积神经网络模型训练完成，保存模型参数。
步骤S5中，使用本发明的方法时，将测试数据集中***患者的预处理后的CT图像逐层输入已训练的多任务卷积神经网络进行***放射治疗危及器官的自动勾画，该卷积神经网络为通过大量患者的经前述处理步骤后的***外照射和腔内照射CT图像数据训练得出，最终分别输出外照射治疗和腔内照射两种情况下危及器官的轮廓勾画结果，流程如图2所示。
挑选合适的模型输出结果，即上述多任务卷积神经网络能输出两种不同临床场景下的危及器官的轮廓勾画，分别满足对应临床常见的放射治疗需求。
计算训练损失时，仅计算输入图像所对应临床场景的危及器官的分割损失，而不计算其他危及器官的损失，进行半监督学习。
在训练过程中，每批次的训练数据均包含相同比例的两种临床场景的数据，以保障模型训练的稳定性和可靠性。
步骤S6中，最大值标签化处理为：若图像中像素i在输出通道j中取得最大概率，则像素i的标签为j。
实施例2
本实施例以实施例1为基础，将本发明：一种盆腔放疗危及器官自动勾画方法与其他常规方法进行对比，包括以下步骤：
S1：将实施例1中S1-S4步骤中获得并处理后的训练数据集中***患者的外照射计划CT图像数据、危及器官的二进制掩模图像对与本发明相同结构的卷积神经网络进行训练，其训练流程如图3所示，得到外照射危及器官勾画模型A；
S2：将实施例1中S1-S4步骤中获得并处理后的训练数据集中***患者的腔内照射计划CT图像数据、危及器官的二进制掩模图像对与本发明相同结构的卷积神经网络进行训练，其训练流程如图4所示，得到腔内照射危及器官勾画模型B；
S3：获得测试数据集中***患者的外照射计划CT图像数据和腔内照射计划CT图像数据，对所述的外照射计划CT图像数据和腔内照射计划CT图像数据进行预处理；
S4：将步骤S3预处理后的外照射计划CT图像数据和腔内照射计划CT图像数据输入实施例1中S4训练的多任务卷积神经网络中，输出两种临床场景下危及器官的目标疑似概率，对同一场景下的危及器官通道进行最大值标签化处理，得到危及器官的分割的二进制掩模图像；
S5：将步骤S3预处理后的外照射计划CT图像数据和腔内照射计划CT图像数据输入步骤S1训练的外照射危及器官勾画模型A中，输出两种临床场景下危及器官的目标疑似概率，对同危及器官通道进行最大值标签化处理，得到危及器官的分割的二进制掩模图像；
S6：将步骤S4预处理后的外照射计划CT图像数据和腔内照射计划CT图像数据输入步骤S2训练的腔内照射危及器官勾画模型A中，输出两种临床场景下危及器官的目标疑似概率，对危及器官通道进行最大值标签化处理，得到危及器官的分割的二进制掩模图像；
S7：将S4-S6步骤中得到的外照射及腔内照射***数据的危及器官分割的二进制掩模图像分别与医生勾画的轮廓对应的二进制掩模图像计算Dice系数，Dice的计算公式如下：
其中，P为模型分割的危及器官的二进制掩模图像，G为医生勾画的危及器官轮廓对应的二进制掩模图像；
S8：对比外照射危及器官勾画模型A，腔内照射危及器官勾画模型B和本发明的多任务危及器官勾画模型的危及器官勾画结果，并进行统计分析，其结果如表1所示。结果表明，本发明方法相比较于单任务模型的勾画准确度有显著性提高。
表1
Claims (6)
1.一种盆腔放疗危及器官自动勾画方法，其特征在于，包括以下步骤：
S1：获得训练数据集中***患者的外照射计划CT图像数据和腔内照射计划CT图像数据，对所述的外照射计划CT图像数据和腔内照射计划CT图像数据进行预处理；
S2：提取训练数据集中***患者外照射计划CT图像上勾画的每个危及器官轮廓，并将轮廓线以内的区域赋值为1，轮廓线以外的区域赋值为0，得到外照射危及器官的二进制掩模图像；
S3：提取训练数据集中***患者腔内照射计划CT图像上勾画的每个危及器官轮廓，并将轮廓线以内的区域赋值为1，轮廓线以外的区域赋值为0，得到腔内照射危及器官的二进制掩模图像；
S4：利用步骤S1预处理后的外照射计划CT图像数据和腔内照射计划CT图像数据，以及步骤S2得到的外照射危及器官的二进制掩模图像和步骤S3得到的腔内照射危及器官的二进制掩模图像对多任务卷积神经网络进行训练；
S5：获得测试数据集中***患者的外照射计划CT图像数据和腔内照射计划CT图像数据，对所述的外照射计划CT图像数据和腔内照射计划CT图像数据进行预处理；
S6：将步骤S5预处理后的外照射计划CT图像数据和腔内照射计划CT图像数据输入步骤S4训练的多任务卷积神经网络中，输出两种临床场景下危及器官的目标疑似概率，对同一场景下的危及器官通道进行最大值标签化处理，得到危及器官的分割掩模图像；
S7：将步骤S6得到的危及器官的分割掩模图像转化为勾画轮廓线。
2.根据权利要求1所述的盆腔放疗危及器官自动勾画方法，其特征在于，步骤S1和步骤S5中，所述预处理的方法为：先将CT灰度值截取在[-150，250]范围内，再将其归一化至[-1，1]范围内。
3.根据权利要求1所述的盆腔放疗危及器官自动勾画方法，其特征在于，步骤S4中，所述多任务卷积神经网络的学习方式为半监督学习方式。
4.根据权利要求3所述的盆腔放疗危及器官自动勾画方法，其特征在于，所述半监督学习方式的步骤包括：建立卷积神经网络模型，以病人图像作为输入，以对应场景下的危及器官的二进制掩模图像作为输出。
5.根据权利要求4所述的盆腔放疗危及器官自动勾画方法，其特征在于，所述半监督学习方式的步骤还包括：采用反向传播方法对所述卷积神经网络模型进行更新。
6.根据权利要求1所述的盆腔放疗危及器官自动勾画方法，其特征在于，步骤S6中，所述最大值标签化处理为：若图像中像素i在输出通道j中取得最大概率，则像素i的标签为j。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010816077.1A CN112057751B (zh) | 2020-08-14 | 2020-08-14 | 一种盆腔放疗危及器官自动勾画方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010816077.1A CN112057751B (zh) | 2020-08-14 | 2020-08-14 | 一种盆腔放疗危及器官自动勾画方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112057751A true CN112057751A (zh) | 2020-12-11 |
| CN112057751B CN112057751B (zh) | 2022-11-29 |
Family
ID=73661683
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010816077.1A Active CN112057751B (zh) | 2020-08-14 | 2020-08-14 | 一种盆腔放疗危及器官自动勾画方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112057751B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112790782A (zh) * | 2021-02-02 | 2021-05-14 | 广州柏视医疗科技有限公司 | 基于深度学习的盆腔肿瘤ctv的自动勾画方法 |
| CN113077445A (zh) * | 2021-04-01 | 2021-07-06 | 中科院成都信息技术股份有限公司 | 数据处理方法及装置、电子设备、可读存储介质 |
| CN114242212A (zh) * | 2021-12-24 | 2022-03-25 | 四川省肿瘤医院 | 一种用于提高位置精度的施源器重建方法和*** |
| CN114796901A (zh) * | 2022-05-30 | 2022-07-29 | 北京大学第一医院 | 一种腰骶神经根的自动勾画方法、设备及存储介质 |
| CN115409739A (zh) * | 2022-10-31 | 2022-11-29 | 中山大学肿瘤防治中心（中山大学附属肿瘤医院、中山大学肿瘤研究所） | 一种危及器官自动勾画方法及*** |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2014023741A (ja) * | 2012-07-27 | 2014-02-06 | Univ Of Tokushima | 強度変調放射線治療計画装置、強度変調放射線照射装置の放射線ビーム係数演算方法、強度変調放射線治療計画プログラム及びコンピュータで読み取り可能な記録媒体並びに記録した機器 |
| CN109389584A (zh) * | 2018-09-17 | 2019-02-26 | 成都信息工程大学 | 基于cnn的多尺度鼻咽肿瘤分割方法 |
| CN110074809A (zh) * | 2019-06-17 | 2019-08-02 | 祁小龙 | Ct图像的肝静脉压力梯度分类方法以及计算机设备 |
| CN111127444A (zh) * | 2019-12-26 | 2020-05-08 | 广州柏视医疗科技有限公司 | 基于深度语义网络的ct影像中自动识别放疗危及器官的方法 |
-
2020
- 2020-08-14 CN CN202010816077.1A patent/CN112057751B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2014023741A (ja) * | 2012-07-27 | 2014-02-06 | Univ Of Tokushima | 強度変調放射線治療計画装置、強度変調放射線照射装置の放射線ビーム係数演算方法、強度変調放射線治療計画プログラム及びコンピュータで読み取り可能な記録媒体並びに記録した機器 |
| CN109389584A (zh) * | 2018-09-17 | 2019-02-26 | 成都信息工程大学 | 基于cnn的多尺度鼻咽肿瘤分割方法 |
| CN110074809A (zh) * | 2019-06-17 | 2019-08-02 | 祁小龙 | Ct图像的肝静脉压力梯度分类方法以及计算机设备 |
| CN111127444A (zh) * | 2019-12-26 | 2020-05-08 | 广州柏视医疗科技有限公司 | 基于深度语义网络的ct影像中自动识别放疗危及器官的方法 |
Non-Patent Citations (1)
| Title |
|---|
| 秦楠楠等: "基于U-net卷积神经网络的***临床靶区和危及器官自动勾画的研究", 《中国医学物理学杂志》, no. 04, 25 April 2020 (2020-04-25), pages 134 - 138 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112790782A (zh) * | 2021-02-02 | 2021-05-14 | 广州柏视医疗科技有限公司 | 基于深度学习的盆腔肿瘤ctv的自动勾画方法 |
| CN112790782B (zh) * | 2021-02-02 | 2022-06-24 | 广州柏视医疗科技有限公司 | 基于深度学习的盆腔肿瘤ctv的自动勾画*** |
| CN113077445A (zh) * | 2021-04-01 | 2021-07-06 | 中科院成都信息技术股份有限公司 | 数据处理方法及装置、电子设备、可读存储介质 |
| CN114242212A (zh) * | 2021-12-24 | 2022-03-25 | 四川省肿瘤医院 | 一种用于提高位置精度的施源器重建方法和*** |
| CN114796901A (zh) * | 2022-05-30 | 2022-07-29 | 北京大学第一医院 | 一种腰骶神经根的自动勾画方法、设备及存储介质 |
| CN115409739A (zh) * | 2022-10-31 | 2022-11-29 | 中山大学肿瘤防治中心（中山大学附属肿瘤医院、中山大学肿瘤研究所） | 一种危及器官自动勾画方法及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112057751B (zh) | 2022-11-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112057751B (zh) | 一种盆腔放疗危及器官自动勾画方法 | |
| CN108717866B (zh) | 一种预测放疗计划剂量分布的方法、装置、设备及存储介质 | |
| US11715203B2 (en) | Image processing method and apparatus, server, and storage medium | |
| US10548552B2 (en) | Method and device for generating anatomical labels for a physiological tree structure | |
| CN111008984A (zh) | 医学影像中正常器官的轮廓线自动勾画方法及*** | |
| WO2011106440A1 (en) | Method of analyzing a medical image | |
| CN111862021B (zh) | 基于深度学习的头颈部***及引流区自动勾画方法 | |
| CN109712163B (zh) | 冠脉提取方法、装置、图像处理工作站和可读存储介质 | |
| US10864382B2 (en) | System and method for radiation therapy treatment planning | |
| CN110246580A (zh) | 基于神经网络和随机森林的颅侧面影像分析方法和*** | |
| CN109785962B (zh) | 一种基于学习模型智能预测放疗中射野参数的方法和*** | |
| CN116258735B (zh) | 一种***组织间插植针重建*** | |
| Sartor et al. | Auto-segmentations by convolutional neural network in cervical and anorectal cancer with clinical structure sets as the ground truth | |
| US20230290480A1 (en) | Systems and methods for clinical target contouring in radiotherapy | |
| CN112907581A (zh) | 一种基于深度学习的mri多类脊髓肿瘤分割方法 | |
| CN114707742A (zh) | 自适应放疗策略的人工智能预测方法和*** | |
| CN112635024A (zh) | 一种放射治疗自动计划设计***及其构建方法 | |
| CN114820730B (zh) | 一种基于伪ct的ct与cbct配准方法 | |
| CN112419348B (zh) | 基于多任务学习边缘校正网络的男性盆腔ct分割方法 | |
| CN113129327A (zh) | 一种基于神经网络模型生成内大体靶区的方法和*** | |
| CN114242212A (zh) | 一种用于提高位置精度的施源器重建方法和*** | |
| Liu et al. | AutoPET Challenge 2022: Step-by-Step Lesion Segmentation in Whole-body FDG-PET/CT | |
| Pnev et al. | Modified U-net with Different Attention Mechanisms for Acute Ischemic Stroke Segmentation using Non-Contrast CT | |
| Xu | Automated Segmentation of Organs at Risk for Nasopharyngeal Carcinoma by Dropout U-Net | |
| CN115409837B (zh) | 一种基于多模态ct图像的子宫内膜癌ctv自动勾画方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |