CN112790782A - 基于深度学习的盆腔肿瘤ctv的自动勾画方法 - Google Patents
基于深度学习的盆腔肿瘤ctv的自动勾画方法 Download PDFInfo
- Publication number
- CN112790782A CN112790782A CN202110142618.1A CN202110142618A CN112790782A CN 112790782 A CN112790782 A CN 112790782A CN 202110142618 A CN202110142618 A CN 202110142618A CN 112790782 A CN112790782 A CN 112790782A
- Authority
- CN
- China
- Prior art keywords
- ctv
- partition
- drainage
- clinical
- network
- 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 23
- 238000013135 deep learning Methods 0.000 title claims abstract description 21
- 206010061336 Pelvic neoplasm Diseases 0.000 title claims abstract description 14
- 238000005192 partition Methods 0.000 claims abstract description 48
- 206010008342 Cervix carcinoma Diseases 0.000 claims abstract description 31
- 208000006105 Uterine Cervical Neoplasms Diseases 0.000 claims abstract description 31
- 201000010881 cervical cancer Diseases 0.000 claims abstract description 31
- 208000015634 Rectal Neoplasms Diseases 0.000 claims abstract description 30
- 206010038038 rectal cancer Diseases 0.000 claims abstract description 30
- 201000001275 rectum cancer Diseases 0.000 claims abstract description 30
- 210000002751 lymph Anatomy 0.000 claims abstract description 22
- 238000002372 labelling Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 230000011218 segmentation Effects 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims abstract description 4
- 238000005070 sampling Methods 0.000 claims description 26
- 230000004927 fusion Effects 0.000 claims description 7
- 230000001926 lymphatic effect Effects 0.000 claims description 6
- 238000007796 conventional method Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 4
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 3
- 238000012952 Resampling Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000012805 post-processing Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 210000001015 abdomen Anatomy 0.000 claims description 2
- 201000010099 disease Diseases 0.000 abstract description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 210000001165 lymph node Anatomy 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 206010009944 Colon cancer Diseases 0.000 description 1
- 208000001333 Colorectal Neoplasms Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 230000003187 abdominal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000001959 radiotherapy Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
- 238000011269 treatment regimen Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30028—Colon; Small intestine
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30204—Marker
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- High Energy & Nuclear Physics (AREA)
- Veterinary Medicine (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Optics & Photonics (AREA)
- Public Health (AREA)
- Radiology & Medical Imaging (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Theoretical Computer Science (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Pulmonology (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种基于深度学习的盆腔肿瘤CTV的自动勾画方法，其适用于盆腔淋巴引流区、***CTV及直肠癌CTV，自动勾画方法包括以下步骤：步骤S1：采集CT图像数据和临床医生标注引流区分区，并预处理图像数据；步骤S2：构建引流区分区深度学习分割模型；步骤S3：经过步骤S1和步骤S2处理得到CT图像数据和临床医生标注引流区分区图像，输入网络，训练网络，得到分区轮廓；步骤S4：通过分区轮廓自动生成***CTV轮廓；以及步骤S5：通过分区轮廓自动生成直肠癌CTV轮廓。本发明的自动勾画方法能够根据患者病患情况和分期情况辅助医生勾画***CTV和直肠癌CTV，引入的密集网络能有效的提高盆腔淋巴引流区的识别能力。
Description
技术领域
本发明涉及医疗影像和计算机技术领域，尤其涉及一种基于深度学习网络的CT影像中盆腔淋巴引流区、***CTV和直肠癌CTV自动勾画方法。
背景技术
在放疗领域，***CTV(肿瘤靶区)和直肠癌CTV精准勾画具有重要的临床意义。在***CTV和直肠癌CTV勾画过程中，临床医生必须参考盆腔淋巴引流区，同时考虑病人的临床分期和治疗方案进行CTV勾画。另外，临床医生在勾画靶区时，也要结合盆腔淋巴引流区来进行勾画。因此，盆腔淋巴引流区、***CTV和直肠癌CTV自动勾画具有非常重要的临床意义。
而目前临床上纵膈引流区、***CTV和直肠癌CTV完全是通过临床医生手动勾画。这种传统手动方法存在以下缺点：第一，手动勾画消耗大量时间，往往勾画一个病人需要几个小时；第二，勾画容易存在客观误差，难以被发现，容易引起医疗事故。第三，医生的临床经验决定了勾画质量。第四，不同的医生在考虑同一病人的临床分期和治疗方案主观认识存在差异，导致勾画风格存在不一致。因此，自动勾画盆腔淋巴引流区、***CTV和直肠癌CTV能有效的避免上述问题，同时又能辅助医生快速、简洁、准确、高一致性的勾画。
公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。
公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。
发明内容
本发明的目的在于提供一种基于深度学习的盆腔肿瘤CTV的自动勾画方法，其能够根据患者病患情况和分期情况辅助医生勾画***CTV和直肠癌CTV，引入的密集网络能有效的提高盆腔淋巴引流区的识别能力。
为实现上述目的，本发明提供了一种基于深度学习的盆腔肿瘤CTV的自动勾画方法，其适用于盆腔淋巴引流区、***CTV及直肠癌CTV，自动勾画方法包括以下步骤：步骤S1：采集CT图像数据和临床医生标注引流区分区，并预处理图像数据；步骤S2：构建引流区分区深度学习分割模型；步骤S3：经过步骤S1和步骤S2处理得到CT图像数据和临床医生标注引流区分区图像，输入网络，训练网络，得到分区轮廓；步骤S4：通过分区轮廓自动生成***CTV轮廓；以及步骤S5：通过分区轮廓自动生成直肠癌CTV轮廓。
在一优选的实施方式中，步骤S1中，预处理图像数据包括以下步骤：步骤S11：采集大量的多模态CT三维图像和相应的临床医生标注引流区分区轮廓图；步骤S12：获得图像身体轮廓，按照图像身体轮廓的生成大小将CT图像截取CT图像；步骤S13：对二维CT图像像素值规范化到腹部窗；步骤S14：图像重采样到固定大小，再归一化；以及步骤S15：进行数据增强包括：随机翻转、随机旋转、随机扭曲、随机噪声、随机仿射变换。
在一优选的实施方式中，步骤S2包括以下步骤：步骤S21：构造淋巴引流区分割网络模型，首先，构建其子模块基本块，编码块是由残差模块和池化层组成，同时其有三个输入和三个输出，输入来自其上一层父节点下采样特征、同一层兄弟节点特征、下一层儿子节点上采样特征，输出上采样特征、同层次节点特征、下采样特征；步骤S22：构建盆腔引流区识别模型架构，通过由基本块组成的三条路径，包括下采样路径、中间层路径、上采样路径；下采样路径的基本块的输入只有来自父节点的特征图，下采样路径的基本块只会输出上采样特征，同时下采样路径和上采样路径之间也存在短连接，以便加速网络收敛；以及步骤S23：在网络模型中，第一层基本块中引入膨胀卷积，扩大网络感受野，增强网络对大引流区的识别能力；
在一优选的实施方式中，步骤S3包括以下步骤：步骤S31：输入大量的经过预处理后多模态CT患者数据，通过数据增强，防止过拟合，将标注图像引流区分成两个组，第一组是临床分区，第二组是仅用于辅助直肠癌CTV和***CTV生成的分区；步骤S32：数据增强后的图像随机组成一个组，输入网络，训练网络，直到在评价标准保存不变，并保存此模型；步骤S33：将新数据输入已保存的网络模型中，输出临床淋巴分区和辅助淋巴分区概率图；以及步骤S34：后处理分区。
在一优选的实施方式中，步骤S4包括以下步骤：步骤S41：将分区轮廓的临床引流区和辅助分区分别都转成二值图像；步骤S42：根据病例分期情况以及***特性，保留或去除一部分的临床引流区和辅助分区；步骤S43：将左右对称结构的临床引流区利用传统方法分别融合生成为两个大区域；步骤S44：将***辅助分区和别融合生成的两个大区域利用传统方法融合，以生成***CTV。
在一优选的实施方式中，步骤S5包括以下步骤：步骤S51：将分区轮廓的临床引流区和辅助分区分别都转成二值图像；步骤S52：根据病例分期情况以及直肠癌特性，保留或去除一部分的临床引流区和辅助分区；步骤S53：将临床分区分成可直接融合临床分区和可间接融合临床分区，将直肠癌的辅助分区和可直接融合临床分区融合生成一个大区域；以及步骤S54：利用传统方法将可间接融合临床分区和融合生成的一个大区域融合为一个区域，以生成直肠癌CTV。
与现有技术相比，本发明的基于深度学习的盆腔肿瘤CTV的自动勾画方法具有以下有益效果：通过引入密集的残差网络结构，同时网络能提取多尺度信息，使得网络可以更好的定位和分割小引流区；通过引入膨胀卷积，扩大感受野，使得大引流区也能很好的分割；网络同时可以生成临床淋巴分区和辅助分区，使得CTV可控的自动生成成为可能。通过盆腔淋巴引流区分割模型能够帮助医生更准确的勾画靶区和***，同时自动按照病人分期生成***CTV和直肠癌CTV；进而能够大大的提高了医生的勾画效率，同时也改进整个勾画的流程。
附图说明
图1是根据本发明一实施方式的自动勾画方法的流程示意图；
图2是根据本发明一实施方式的自动勾画方法的深度学习网络结构示意图。
具体实施方式
下面结合附图，对本发明的具体实施方式进行详细描述，但应当理解本发明的保护范围并不受具体实施方式的限制。
除非另有其它明确表示，否则在整个说明书和权利要求书中，术语“包括”或其变换如“包含”或“包括有”等等将被理解为包括所陈述的元件或组成部分，而并未排除其它元件或其它组成部分。
如图1至图所示，根据本发明优选实施方式的一种基于深度学习的盆腔肿瘤CTV的自动勾画方法，其适用于盆腔淋巴引流区、***CTV及直肠癌CTV，自动勾画方法包括以下步骤：
步骤S1：采集CT图像数据和临床医生标注引流区分区，并预处理图像数据。步骤S1中的预处理图像数据包括以下步骤：步骤S11：采集大量的多模态CT三维图像和相应的临床医生标注引流区分区轮廓图；步骤S12：获得图像身体轮廓，按照图像身体轮廓生成大小将CT图像截取CT图像；步骤S13：对二维CT图像像素值规范化到腹部窗。
规范化计算方法：
lower＝c-w/2；
higher＝c+w/2；
x[x＜lower]＝0；
x[x＞higher]＝higher；
x＝(x-lower)/(higher-lower)；
其中，x是CT像素矩阵，c是窗位，w是窗宽；
步骤S14：图像重采样到固定大小，再归一化；步骤S15：进行数据增强包括：随机翻转、随机旋转、随机扭曲、随机噪声、随机仿射变换。
步骤S2：构建引流区分区深度学习分割模型。步骤S2中包括以下步骤：
步骤S21：构造淋巴引流区分割网络模型。首先，构建其子模块基本块，编码块是由残差模块和池化层组成，同时其有三个输入和三个输出，输入来自其上一层父节点下采样特征、同一层兄弟节点特征、下一层儿子节点上采样特征，输出上采样特征、兄弟节点特征、下采样特征。步骤S22：构建盆腔引流区识别模型架构，通过由基本块组成的三条路径，包括下采样路径、中间层路径、上采样路径；下采样路径的基本块的输入只有来自父节点的特征图，下采样路径的基本块只会输出上采样特征。同时下采样路径和上采样路径之间也存在短连接，以便加速网络收敛。步骤S23：在网络模型中，第一层基本块中引入膨胀卷积，扩大网络感受野，增强网络对大引流区的识别能力。
步骤S3：经过上述步骤处理得到CT图像数据和临床医生标注引流区分区图像输入网络，训练网络，得到分区轮廓。步骤S3中包括以下步骤：
步骤S31：输入大量的经过预处理后多模态CT患者数据，通过数据增强，防止过拟合，将标注图像引流区分成两个组，第一组是临床分区；第二组是仅用于辅助直肠癌CTV和***CTV生成的分区；步骤S32：所述数据增强后的图像随机组成一个组，输入网络，训练网络；计算预测结果和医生标注之间的训练误差，引导网络学习淋巴引流区的监督信息。计算评价误差，直到评价误差保存不变，并保存此模型。
训练误差的计算方法：
其中N是指N个数据，表示的是预测结果图像中第i个像素点，表示的是金标图像中第i个像素点。
步骤S33：将新数据输入已保存的网络模型中，输出临床淋巴分区和辅助淋巴分区概率图；步骤S34：后处理分区。
步骤S4：通过分区轮廓自动生成***CTV轮廓。步骤S4中构建深度学习分割模型包括以下步骤：步骤S41：将分区轮廓的临床引流区和辅助分区分别都转成二值图像；步骤S42：根据病例分期情况以及***特性，保留或去除某些临床引流区和辅助分区；步骤S43：将左右对称结构的临床引流区利用传统方法分别融合成两个大区域；步骤S44：将***辅助分区和上述生成的两个大区域利用传统方法融合，此时***CTV被生成。
步骤S5：通过分区轮廓自动生成直肠癌CTV轮廓。步骤S5包括以下步骤：步骤S51：将分区轮廓的临床引流区和辅助分区分别都转成二值图像；步骤S52：根据病例分期情况以及直肠癌特性，保留或去除某些临床引流区和辅助分区；步骤S53：将临床分区分成可直接融合临床分区和可间接融合临床分区；将直肠癌辅助分区和可直接融合临床分区融合成一个大区域；步骤S54：利用传统方法将可间接融合临床分区和上述生成的大区域融合一个区域，即直肠癌CTV。
综上所述，本发明的基于深度学习的盆腔肿瘤CTV的自动勾画方法具有以下优点：通过引入密集的残差网络结构，同时网络能提取多尺度信息，使得网络可以更好的定位和分割小引流区；通过引入膨胀卷积，扩大感受野，使得大引流区也能很好的分割；网络同时可以生成临床淋巴分区和辅助分区，使得CTV可控的自动生成成为可能。通过盆腔淋巴引流区分割模型能够帮助医生更准确的勾画靶区和***，同时自动按照病人分期生成***CTV和直肠癌CTV；进而能够大大的提高了医生的勾画效率，同时也改进整个勾画的流程。同时能根据患者病患情况和分期情况辅助医生勾画***CTV和直肠癌CTV；引入的密集网络能有效的提高盆腔淋巴引流区的识别能力。
前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式，并且很显然，根据上述教导，可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用，从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。
Claims (6)
1.一种基于深度学习的盆腔肿瘤CTV的自动勾画方法，其适用于CT影像中盆腔淋巴引流区、***CTV及直肠癌CTV，其特征在于，所述自动勾画方法包括以下步骤：
步骤S1：采集CT图像数据和临床医生标注引流区分区，并预处理图像数据；
步骤S2：构建引流区分区深度学习分割模型；
步骤S3：经过所述步骤S1和所述步骤S2处理得到CT图像数据和临床医生标注引流区分区图像，输入网络，训练网络，得到分区轮廓；
步骤S4：通过所述分区轮廓自动生成***CTV轮廓；以及
步骤S5：通过所述分区轮廓自动生成直肠癌CTV轮廓。
2.根据权利要求1所述的基于深度学习的盆腔肿瘤CTV的自动勾画方法，其特征在于，所述步骤S1中，所述预处理图像数据包括以下步骤：
步骤S11：采集大量的多模态CT三维图像和相应的临床医生标注引流区分区轮廓图；
步骤S12：获得图像身体轮廓，按照所述图像身体轮廓的生成大小将CT图像截取CT图像；
步骤S13：对二维CT图像像素值规范化到腹部窗；
步骤S14：图像重采样到固定大小，再归一化；以及
步骤S15：进行数据增强包括：随机翻转、随机旋转、随机扭曲、随机噪声、随机仿射变换。
3.根据权利要求1所述的基于深度学习的盆腔肿瘤CTV的自动勾画方法，其特征在于，所述步骤S2包括以下步骤：
步骤S21：构造淋巴引流区分割网络模型，首先，构建其子模块基本块，编码块是由残差模块和池化层组成，同时其有三个输入和三个输出，输入来自其上一层父节点下采样特征、同一层兄弟节点特征、下一层儿子节点上采样特征，输出上采样特征、同层次节点特征、下采样特征；
步骤S22：构建盆腔引流区识别模型架构，通过由基本块组成的三条路径，包括下采样路径、中间层路径、上采样路径；下采样路径的基本块的输入只有来自父节点的特征图，下采样路径的基本块只会输出上采样特征，同时下采样路径和上采样路径之间也存在短连接，以便加速网络收敛；以及
步骤S23：在网络模型中，第一层基本块中引入膨胀卷积，扩大网络感受野，增强网络对大引流区的识别能力。
4.根据权利要求1所述的基于深度学习的盆腔肿瘤CTV的自动勾画方法，其特征在于，所述步骤S3包括以下步骤：
步骤S31：输入大量的经过预处理后多模态CT患者数据，通过数据增强，防止过拟合，将标注图像引流区分成两个组，第一组是临床分区，第二组是仅用于辅助直肠癌CTV和***CTV生成的分区；
步骤S32：所述数据增强后的图像随机组成一个组，输入网络，训练网络，直到在评价标准保存不变，并保存此模型；
步骤S33：将新数据输入已保存的网络模型中，输出临床淋巴分区和辅助淋巴分区概率图；以及
步骤S34：后处理分区。
5.根据权利要求1所述的基于深度学习的盆腔肿瘤CTV的自动勾画方法，其特征在于，所述步骤S4包括以下步骤：
步骤S41：将所述分区轮廓的临床引流区和辅助分区分别都转成二值图像；
步骤S42：根据病例分期情况以及***特性，保留或去除一部分的所述临床引流区和所述辅助分区；
步骤S43：将左右对称结构的所述临床引流区利用传统方法分别融合生成为两个大区域；
步骤S44：将***所述辅助分区和别融合生成的所述两个大区域利用传统方法融合，以生成***CTV。
6.根据权利要求1所述的基于深度学习的盆腔肿瘤CTV的自动勾画方法，其特征在于，所述步骤S5包括以下步骤：
步骤S51：将所述分区轮廓的临床引流区和辅助分区分别都转成二值图像；
步骤S52：根据病例分期情况以及直肠癌特性，保留或去除一部分的所述临床引流区和所述辅助分区；
步骤S53：将所述临床分区分成可直接融合临床分区和可间接融合临床分区，将直肠癌的所述辅助分区和所述可直接融合临床分区融合生成一个大区域；以及
步骤S54：利用传统方法将所述可间接融合临床分区和融合生成的所述一个大区域融合为一个区域，以生成直肠癌CTV。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110142618.1A CN112790782B (zh) | 2021-02-02 | 2021-02-02 | 基于深度学习的盆腔肿瘤ctv的自动勾画*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110142618.1A CN112790782B (zh) | 2021-02-02 | 2021-02-02 | 基于深度学习的盆腔肿瘤ctv的自动勾画*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112790782A true CN112790782A (zh) | 2021-05-14 |
| CN112790782B CN112790782B (zh) | 2022-06-24 |
Family
ID=75813712
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110142618.1A Active CN112790782B (zh) | 2021-02-02 | 2021-02-02 | 基于深度学习的盆腔肿瘤ctv的自动勾画*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112790782B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113288193A (zh) * | 2021-07-08 | 2021-08-24 | 广州柏视医疗科技有限公司 | 基于深度学习的ct影像乳腺癌临床靶区的自动勾画方法 |
| CN113488146A (zh) * | 2021-07-29 | 2021-10-08 | 广州柏视医疗科技有限公司 | 一种头颈部鼻咽癌引流区和转移***的自动勾画方法 |
| CN113689419A (zh) * | 2021-09-03 | 2021-11-23 | 电子科技大学长三角研究院(衢州) | 一种基于人工智能的图像分割处理方法 |
| CN114494496A (zh) * | 2022-01-27 | 2022-05-13 | 深圳市铱硙医疗科技有限公司 | 基于头部ct平扫影像的颅内出血自动勾画方法及装置 |
| CN116570848A (zh) * | 2023-07-13 | 2023-08-11 | 神州医疗科技股份有限公司 | 一种基于自动勾画的放疗临床辅助决策方法及*** |
| CN117351489A (zh) * | 2023-12-06 | 2024-01-05 | 四川省肿瘤医院 | 面向全身pet/ct扫描的头颈肿瘤靶区的勾画*** |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106780491A (zh) * | 2017-01-23 | 2017-05-31 | 天津大学 | Gvf法分割ct骨盆图像中采用的初始轮廓生成方法 |
| CN108062754A (zh) * | 2018-01-19 | 2018-05-22 | 深圳大学 | 基于密集网络图像的分割、识别方法和装置 |
| CN109118490A (zh) * | 2018-06-28 | 2019-01-01 | 厦门美图之家科技有限公司 | 一种图像分割网络生成方法及图像分割方法 |
| CN109754402A (zh) * | 2018-03-15 | 2019-05-14 | 京东方科技集团股份有限公司 | 图像处理方法、图像处理装置以及存储介质 |
| CN109949309A (zh) * | 2019-03-18 | 2019-06-28 | 安徽紫薇帝星数字科技有限公司 | 一种基于深度学习的肝脏ct图像分割方法 |
| 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 |
| CN111797779A (zh) * | 2020-07-08 | 2020-10-20 | 兰州交通大学 | 基于区域注意力多尺度特征融合的遥感图像语义分割方法 |
| CN111862021A (zh) * | 2020-07-13 | 2020-10-30 | 中山大学 | 基于深度学习的头颈部***及引流区自动勾画方法 |
| CN111968120A (zh) * | 2020-07-15 | 2020-11-20 | 电子科技大学 | 一种3d多特征融合的牙齿ct图像分割方法 |
| CN112057751A (zh) * | 2020-08-14 | 2020-12-11 | 中南大学湘雅医院 | 一种盆腔放疗危及器官自动勾画方法 |
| CN112150470A (zh) * | 2020-09-22 | 2020-12-29 | 平安科技（深圳）有限公司 | 图像分割方法、装置、介质及电子设备 |
-
2021
- 2021-02-02 CN CN202110142618.1A patent/CN112790782B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106780491A (zh) * | 2017-01-23 | 2017-05-31 | 天津大学 | Gvf法分割ct骨盆图像中采用的初始轮廓生成方法 |
| CN108062754A (zh) * | 2018-01-19 | 2018-05-22 | 深圳大学 | 基于密集网络图像的分割、识别方法和装置 |
| CN109754402A (zh) * | 2018-03-15 | 2019-05-14 | 京东方科技集团股份有限公司 | 图像处理方法、图像处理装置以及存储介质 |
| CN109118490A (zh) * | 2018-06-28 | 2019-01-01 | 厦门美图之家科技有限公司 | 一种图像分割网络生成方法及图像分割方法 |
| CN109949309A (zh) * | 2019-03-18 | 2019-06-28 | 安徽紫薇帝星数字科技有限公司 | 一种基于深度学习的肝脏ct图像分割方法 |
| 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 |
| CN111797779A (zh) * | 2020-07-08 | 2020-10-20 | 兰州交通大学 | 基于区域注意力多尺度特征融合的遥感图像语义分割方法 |
| CN111862021A (zh) * | 2020-07-13 | 2020-10-30 | 中山大学 | 基于深度学习的头颈部***及引流区自动勾画方法 |
| CN111968120A (zh) * | 2020-07-15 | 2020-11-20 | 电子科技大学 | 一种3d多特征融合的牙齿ct图像分割方法 |
| CN112057751A (zh) * | 2020-08-14 | 2020-12-11 | 中南大学湘雅医院 | 一种盆腔放疗危及器官自动勾画方法 |
| CN112150470A (zh) * | 2020-09-22 | 2020-12-29 | 平安科技（深圳）有限公司 | 图像分割方法、装置、介质及电子设备 |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113288193A (zh) * | 2021-07-08 | 2021-08-24 | 广州柏视医疗科技有限公司 | 基于深度学习的ct影像乳腺癌临床靶区的自动勾画方法 |
| CN113288193B (zh) * | 2021-07-08 | 2022-04-01 | 广州柏视医疗科技有限公司 | 基于深度学习的ct影像乳腺癌临床靶区的自动勾画*** |
| CN113488146A (zh) * | 2021-07-29 | 2021-10-08 | 广州柏视医疗科技有限公司 | 一种头颈部鼻咽癌引流区和转移***的自动勾画方法 |
| CN113488146B (zh) * | 2021-07-29 | 2022-04-01 | 广州柏视医疗科技有限公司 | 一种头颈部鼻咽癌引流区和转移***的自动勾画方法 |
| CN113689419A (zh) * | 2021-09-03 | 2021-11-23 | 电子科技大学长三角研究院(衢州) | 一种基于人工智能的图像分割处理方法 |
| CN114494496A (zh) * | 2022-01-27 | 2022-05-13 | 深圳市铱硙医疗科技有限公司 | 基于头部ct平扫影像的颅内出血自动勾画方法及装置 |
| CN114494496B (zh) * | 2022-01-27 | 2022-09-20 | 深圳市铱硙医疗科技有限公司 | 基于头部ct平扫影像的颅内出血自动勾画方法及装置 |
| CN116570848A (zh) * | 2023-07-13 | 2023-08-11 | 神州医疗科技股份有限公司 | 一种基于自动勾画的放疗临床辅助决策方法及*** |
| CN116570848B (zh) * | 2023-07-13 | 2023-09-15 | 神州医疗科技股份有限公司 | 一种基于自动勾画的放疗临床辅助决策*** |
| CN117351489A (zh) * | 2023-12-06 | 2024-01-05 | 四川省肿瘤医院 | 面向全身pet/ct扫描的头颈肿瘤靶区的勾画*** |
| CN117351489B (zh) * | 2023-12-06 | 2024-03-08 | 四川省肿瘤医院 | 面向全身pet/ct扫描的头颈肿瘤靶区的勾画*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112790782B (zh) | 2022-06-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112790782B (zh) | 基于深度学习的盆腔肿瘤ctv的自动勾画*** | |
| CN112950651B (zh) | 基于深度学习网络的纵隔淋巴引流区的自动勾画方法 | |
| CN111798462B (zh) | 一种基于ct图像的鼻咽癌放疗靶区自动勾画方法 | |
| US6961454B2 (en) | System and method for segmenting the left ventricle in a cardiac MR image | |
| Commowick et al. | An efficient locally affine framework for the smooth registration of anatomical structures | |
| CN113674253B (zh) | 基于U-Transformer的直肠癌CT影像自动分割方法 | |
| CN111127444B (zh) | 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 | |
| CN106683104B (zh) | 基于集成深度卷积神经网络的***磁共振图像分割方法 | |
| CN110706246A (zh) | 一种血管图像分割方法、装置、电子设备和存储介质 | |
| CN109214397A (zh) | 一种肺部ct图像中肺结节的分割方法 | |
| CN110363802B (zh) | 基于自动分割和骨盆对齐的***图像配准***及方法 | |
| CN109509193B (zh) | 一种基于高精度配准的肝脏ct图谱分割方法及*** | |
| CN111275712B (zh) | 一种面向大尺度图像数据的残差语义网络训练方法 | |
| CN105389811A (zh) | 一种基于多级阈值分割的多模态医学图像处理方法 | |
| CN104424629A (zh) | 一种x光胸片肺部分割方法和装置 | |
| CN112529909A (zh) | 一种基于图像补全的肿瘤图像脑区分割方法及*** | |
| CN112102373A (zh) | 一种基于强约束仿射形变特征学习的颈动脉多模态图像配准方法 | |
| Jin et al. | Object recognition in medical images via anatomy-guided deep learning | |
| EP2191440A1 (en) | Object segmentation using dynamic programming | |
| Lee et al. | Tubule segmentation of fluorescence microscopy images based on convolutional neural networks with inhomogeneity correction | |
| Park et al. | Cardiac segmentation on CT Images through shape-aware contour attentions | |
| CN113362360B (zh) | 基于流体速度场的超声颈动脉斑块分割方法 | |
| Wang et al. | Accurate lung nodule segmentation with detailed representation transfer and soft mask supervision | |
| CN116523983B (zh) | 融合多路径特征与器官形态导向的胰腺ct图像配准方法 | |
| CN116862930B (zh) | 适用于多模态的脑血管分割方法、装置、设备和存储介质 |
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 |