肿瘤容积智能勾画方法和装置制造方法及图纸

本发明专利技术适用于图像分析技术领域，提供了一种肿瘤容积智能勾画方法和装置。所述方法包括：获取已勾画的肿瘤容积的CT图像数据库，对所述CT图像数据库的CT图像进行归一化处理，得到第一图像库；将所述第一图像库的CT图像输入到卷积神经网络模型进行训练，得到第一勾画模型；根据所述第一勾画模型对临床CT图像的肿瘤容积进行勾画。本发明专利技术能够实现肿瘤容积的自动勾画，大幅降低人工勾画成本，减轻医师工作强度，提高放疗靶区和危及器官纹理勾画的精准性，保证了放射治疗的疗效。

A method and device for intelligent detection of tumor volume

The invention is applicable to the field of image analysis technology, and provides a method and device for intelligent delineation of tumor volume. The method includes: obtaining the CT image database of the outlined tumor volume, normalizing the CT image of the CT image database, and obtaining the first image library; input the CT image of the first image library into the convolution neural network model for training and get the first outline model; according to the first sketch model, the first drawing model is obtained. The tumor volume of the clinical CT image was outlined. The invention can automatically draw the tumor volume, reduce the cost of artificial delineation, reduce the intensity of the doctor's work, improve the precision of the target area and endanger the organ texture, and ensure the curative effect of the radiotherapy.

【技术实现步骤摘要】
肿瘤容积智能勾画方法和装置
本专利技术属于图像分析
，尤其涉及一种肿瘤容积智能勾画方法和装置。
技术介绍
肿瘤是危害人类健康的重要疾病。随着社会人口的老年化，其发病率和死亡率仍将继续提升。放疗是重要的治疗手段之一，在我国每年新增的400多万癌症患者中，60％以上的患者都需要接受放射治疗。目前，临床上先根据肿瘤CT(ComputedTomography，电子计算机断层扫描)医学图像或MRI(MagneticResonanceImaging，磁共振成像)数据勾画大体肿瘤靶区GTV(GrossTumorVolume，肿瘤靶区)，再根据病人群体临床病理组织切片肿瘤浸润范围统计规律外放确定包括GTV在内的CTV(ClinicalTargetVolume，临床靶区)，最后根据临床放疗实施时的靶区位置和肿瘤生理运动，统计规律外放包括CTV在内的PTV(PlanningTargetVolume，计划靶区)。肿瘤容积的准确勾画是放疗实施的基础，对提高放疗疗效和减少病人不良反应具有重要意义。但目前肿瘤容积的勾画多数还是人为手动勾画，重复性的勾画工作占据工作人员临床的30％以上的工作时间，而且勾画的精度容易受勾画者水平或者习惯等主观因素的影响，极大地影响了肿瘤容积勾画的精确性，降低了治疗的可靠性，严重影响治疗疗效。
技术实现思路
有鉴于此，本专利技术实施例提供了一种肿瘤容积智能勾画方法和装置，以解决现有技术中肿瘤容积勾画多数还是人为手动勾画，极大地影响肿瘤容积勾画的精确性，降低治疗的可靠性，严重影响放射治疗疗效的问题。本专利技术实施例的第一方面提供了一种肿瘤容积智能勾画方法，包括：获取已勾画的肿瘤容积的电子计算机断层扫描CT图像数据库，对所述CT图像数据库的CT图像进行归一化处理，得到第一图像库；将所述第一图像库的CT图像输入到卷积神经网络模型进行训练，得到第一勾画模型；根据所述第一勾画模型对临床CT图像的肿瘤容积进行勾画。可选的，所述对所述CT图像数据库的CT图像进行归一化处理包括：获取所述CT图像数据库的每个CT图像的像素值，通过Dicom(Digitalimagingandcommunicationsinmedicine，数字化影像传输协议)将每个所述CT图像的像素值均转换为亨氏单位，得到亨氏单位CT图像；对每个所述亨氏单位CT图像进行图像分割处理，并根据图像裁剪函数将每个经过图像分割处理的亨氏单位CT图像进行尺寸归一化处理；通过主成分分析法将每个经过尺寸归一化处理的亨氏单位CT图像降维到预设维度，得到降维后的CT图像，并根据降维后的CT图像建立降维图像库；获取所述降维图像库中的第一参考CT图像，将所述降维图像库中的其他CT图像与所述第一参考CT图像依次进行图像配准；经过图像配准后的所述其他CT图像和所述第一参考CT图像组成所述第一图像库。可选的，所述将所述第一图像库的CT图像输入到卷积神经网络模型进行训练，得到第一勾画模型包括：将所述第一图像库的CT图像分为训练CT图像集和测试CT图像集；将所述训练CT图像集的CT图像输入到卷积神经网络模型，得到第一图像特征数据，根据残差网络将所述第一图像特征数据进行训练，生成第一训练模型；将所述测试CT图像集的CT图像输入到所述第一训练模型进行测试，得到第一勾画正确率；比较所述第一勾画正确率与预设正确率的大小，得出比较结果，并根据所述比较结果得出所述第一勾画模型。可选的，所述卷积神经网络模型的建立过程包括：采用Inception(开端)网络设置卷积层的卷积核尺寸，根据所述卷积核尺寸对所述第一图像库中的CT图像进行卷积，得到卷积特征；采用非饱和激活函数将所述卷积层的所述卷积特征链接到池化层；对链接到池化层的所述卷积特征进行最大池化下采样处理，得到采样特征；采用梯度下降法收敛所述采样特征，得到所述第一图像特征数据。可选的，所述根据所述比较结果得出所述第一勾画模型包括：所述第一勾画正确率大于或等于所述预设正确率，所述第一训练模型为所述第一勾画模型；所述第一勾画正确率小于所述预设正确率，调整所述卷积神经网络的卷积核函数的参数；将所述训练CT图像集的CT图像输入到经过调整的所述卷积神经网络模型，得到第二图像特征数据，根据残差网络将所述第二图像特征数据进行训练，生成第二训练模型；将所述测试CT图像集的CT图像输入到所述第二训练模型中，得到第二勾画正确率；若所述第二勾画正确率大于或等于预设正确率，停止调整所述卷积神经网络的卷积核函数的参数，所述第二训练模型为所述第一勾画模型。可选的，所述根据所述第一勾画模型对临床CT图像的肿瘤容积进行勾画之后还包括：基于可视化方法监测并统计根据所述第一勾画模型对所述临床CT图像的肿瘤容积进行勾画的准确率，存储所述准确率数据。本专利技术实施例的第二方面提供了一种基于人工智能的肿瘤容积智能勾画装置，包括：归一化模块，用于获取已勾画的肿瘤容积的CT图像数据库，对所述CT图像数据库的CT图像进行归一化处理，得到第一图像库；模型生成模块，用于将所述第一图像库的CT图像输入到卷积神经网络模型进行训练，得到训练的第一勾画模型；勾画模块，用于根据所述第一勾画模型对临床CT图像的肿瘤容积进行勾画。可选的，所述装置还包括：监控模块，用于基于可视化方法监测并统计根据所述第一勾画模型对所述临床CT图像的肿瘤容积进行勾画的准确率，存储所述准确率数据。本专利技术实施例的第三方面提供了一种终端设备，包括图像显示装置、存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如实施例的第一方面提供的任一项所述方法的步骤。本专利技术实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储计算机程序和已勾画的肿瘤容积的CT图像数据库，所述计算机程序被处理器执行时实现如实施例的第一方面提供的任一项所述方法的步骤。本专利技术实施例与现有技术相比存在的有益效果是：本专利技术实施例通过获取已勾画的肿瘤容积的CT图像数据库，并对所述CT图像数据库中的CT图像进行归一化处理得到第一图像库；将所述第一图像库的CT图像输入到卷积神经网络模型进行训练，得到训练的第一勾画模型；根据所述第一勾画模型对临床CT图像进行勾画肿瘤容积，实现了肿瘤容积自动精准勾画，大幅降低人工勾画成本，减轻医师工作强度，大大提高了放疗靶区和危及器官纹理勾画的精准性，确保了放疗计划方案的可靠性，保证了放射治疗的疗效。附图说明为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1是本专利技术实施例提供的肿瘤容积智能勾画方法的实现流程示意图；图2是图1中步骤S101的实现流程示意图；图3是图1中步骤S102的实现流程示意图；图4是本专利技术实施例提供的卷积神经网络模型的建立过程示意图；图5是图3中步骤S304的实现流程示意图；图6是本专利技术实施例提供的基于肿瘤容积智能勾画方法的对脑部CT图像中腮腺和脊髓部位进行勾画的实现效果图；图7是本专利技术实施例提供的基于肿瘤容积智能勾画方法的对脑部CT图像中眼球、脑干和脑室部位进本文档来自技高网...

【技术保护点】
1.一种肿瘤容积智能勾画方法，其特征在于，包括：获取已勾画的肿瘤容积的电子计算机断层扫描CT图像数据库，对所述CT图像数据库的CT图像进行归一化处理，得到第一图像库；将所述第一图像库的CT图像输入到卷积神经网络模型进行训练，得到第一勾画模型；根据所述第一勾画模型对临床CT图像的肿瘤容积进行勾画。

【技术特征摘要】
1.一种肿瘤容积智能勾画方法，其特征在于，包括：获取已勾画的肿瘤容积的电子计算机断层扫描CT图像数据库，对所述CT图像数据库的CT图像进行归一化处理，得到第一图像库；将所述第一图像库的CT图像输入到卷积神经网络模型进行训练，得到第一勾画模型；根据所述第一勾画模型对临床CT图像的肿瘤容积进行勾画。2.如权利要求1所述的肿瘤容积智能勾画方法，其特征在于，所述对所述CT图像数据库的CT图像进行归一化处理包括：获取所述CT图像数据库的每个CT图像的像素值，通过数字化影像传输协议Dicom将每个所述CT图像的像素值均转换为亨氏单位，得到亨氏单位CT图像；对每个所述亨氏单位CT图像进行图像分割处理，并根据图像裁剪函数将每个经过图像分割处理的亨氏单位CT图像进行尺寸归一化处理；通过主成分分析法将每个经过尺寸归一化处理的亨氏单位CT图像降维到预设维度，得到降维后的CT图像，并根据降维后的CT图像建立降维图像库；获取所述降维图像库中的第一参考CT图像，将所述降维图像库中的其他CT图像与所述第一参考CT图像依次进行图像配准；经过图像配准后的所述其他CT图像和所述第一参考CT图像组成所述第一图像库。3.如权利要求1所述的肿瘤容积智能勾画方法，其特征在于，所述将所述第一图像库的CT图像输入到卷积神经网络模型进行训练，得到第一勾画模型包括：将所述第一图像库的CT图像分为训练CT图像集和测试CT图像集；将所述训练CT图像集的CT图像输入到卷积神经网络模型，得到第一图像特征数据，根据残差网络将所述第一图像特征数据进行训练，生成第一训练模型；将所述测试CT图像集的CT图像输入到所述第一训练模型进行测试，得到第一勾画正确率；比较所述第一勾画正确率与预设正确率的大小，得出比较结果，并根据所述比较结果得出所述第一勾画模型。4.如权利要求3所述的肿瘤容积智能勾画方法，其特征在于，所述卷积神经网络模型的建立过程包括：采用开端Inception网络设置卷积层的卷积核尺寸，根据所述卷积核尺寸对所述第一图像库中的CT图像进行卷积，得到卷积特征；采用非饱和激活函数将所述卷积层的所述卷积特征链接到池化层；对链接到池化层的所述卷积特征进行最大池化下采...

【专利技术属性】
技术研发人员：鞠忠建，
申请(专利权)人：中国人民解放军总医院，
类型：发明
国别省市：北京,11