【技术实现步骤摘要】
基于神经网络的危及器官自动勾画方法、设备和存储介质
本专利技术属于医学影像和计算机
,涉及一种基于三级联卷积神经网络的危及器官自动勾画方法、设备和存储介质。
技术介绍
放射治疗是癌症治疗的三大手段之一,它能够通过电离辐射来破坏癌细胞的DNA链,进而导致癌细胞的死亡。为了降低治疗过程中射线对正常组织的影响,医生需要在放疗前制定一个周密的放疗计划。CT影像由于具有成像速度快,空间精度和分辨率高等特点,通常被用于放疗计划的制定,医生需要在每张CT切片中精确勾画出每个危及器官,这是一个费时费力的过程,另外,由于软组织在CT影像中的对比度较低,例如:腮腺没有清晰的边界且形态复杂,这使得医生手工勾画时容易出错和费时,因此需要一个准确和快速的危及器官全自动分割算法,来辅助医生勾画危及器官,减少计划制定过程中的体力劳动和时间。目前市面上的产品都是采用基于Multi-Atlas(多图谱)配准的方法,这种方法的分割准确率取决于模板的选择,鲁棒性较差,无法适应不同医院具有不同分辨率的CT影像数据,并且,由于采用了形变配准而导致分割时间较长。另一方面,为了提高分割的准确率,会尽量多的选择模板,但是分割的时间也会随着模板的增多而增加,并且目前的很多方法使用了大量的先验知识,泛化能力差。深度学习是一个复杂的机器学习算法,其中的卷积神经网络近年来在图像识别和医学影像处理方面取得的效果,远远超过先前的相关技术。深度学习的核心是特征学习,旨在通过分层网络自动获取分层次的特征信息,从而解决以往需要人工设计特征的重要难题。
技术实现思路
本专利技术的目的在于为克服上述现有技术的缺陷而提供一种 ...
【技术保护点】
1.一种基于三级联卷积神经网络的危及器官自动勾画方法,适于在计算设备中执行,其特征在于:包括步骤:(1)输入三维医学影像;(2)对三维医学图像进行预处理;(3)将预处理的三维医学影像输入到训练好的三级联卷积神经网络的第一级网络中识别待分割器官所存在的横断面;(4)将第一级网络筛选出的横断面输入到训练好的三级联卷积神经网络的第二级网络中粗定位待分割器官的感兴趣区域;(5)对第二级网络输出的感兴趣区域进行标准化,随后输入到训练好的三级联卷积神经网络的第三级网络中,对感兴趣区域中的所有像素点进行分类,输出三维的二值分割结果;(6)对三维的二值分割结果进行后处理;(7)对经过后处理的二值分割结果进行边缘提取,经过边缘平滑后,得到自动勾画的危及器官;其中,所述的三级联卷积神经网络模型由第一级网络、第二级网络和第三级网络三个卷积神经网络级联而成。
【技术特征摘要】
1.一种基于三级联卷积神经网络的危及器官自动勾画方法,适于在计算设备中执行,其特征在于:包括步骤:(1)输入三维医学影像;(2)对三维医学图像进行预处理;(3)将预处理的三维医学影像输入到训练好的三级联卷积神经网络的第一级网络中识别待分割器官所存在的横断面;(4)将第一级网络筛选出的横断面输入到训练好的三级联卷积神经网络的第二级网络中粗定位待分割器官的感兴趣区域;(5)对第二级网络输出的感兴趣区域进行标准化,随后输入到训练好的三级联卷积神经网络的第三级网络中,对感兴趣区域中的所有像素点进行分类,输出三维的二值分割结果;(6)对三维的二值分割结果进行后处理;(7)对经过后处理的二值分割结果进行边缘提取,经过边缘平滑后,得到自动勾画的危及器官;其中,所述的三级联卷积神经网络模型由第一级网络、第二级网络和第三级网络三个卷积神经网络级联而成。2.根据权利要求1所述的基于三级联卷积神经网络的危及器官自动勾画方法,其特征在于:步骤(1)中,所述的医学影像选自CT影像、核磁共振影像或PET影像。3.根据权利要求1所述的基于三级联卷积神经网络的危及器官自动勾画方法,其特征在于:所述的预处理包括以下步骤:(i)将医学影像插值成统一的空间分辨率;(ii)将医学影像的灰度值进行Min-Max标准化;优选地,所述的预处理还包括在步骤(i)与(ii)之间进行截取医学影像有效数据的步骤。4.根据权利要求1所述的基于三级联卷积神经网络的危及器官自动勾画方法,其特征在于:步骤(5)中,所述的标准化为Z-score标准化。5.根据权利要求1所述的基于三级联卷积神经网络的危及器官自动勾画方法,其特征在于:步骤(6)中,所述的后处理包括腐蚀、膨胀、空洞填充、提取联通区域、并将分辨率恢复到与原医学影像初始空间分辨率相同中的一种或一种以上。6.根据权利要求1所述的基于三级联卷积神经网络的危及器官自动勾画方法,其特征在于:所述的第一级网络为二维的卷积神经网络,包括卷积层、BatchNormalization层、ReLU激活层和最大池化层,最后连接有全连接层并通过Softmax函数产生预测概率值;所述的第二级网络为三维卷积神经网络,包括三维卷积层、ReLU激活层和三维池化层,深层网络产生的高维特征通过全连接层和Softmax函数产生对三维小块预测概率值,从而定位待分割器官的感兴趣区域;所述的第三级网络为全卷积网络,用于对第二级网络产生的感兴趣区域中的每一个像素做识别分类,包括卷积层、最大池化层、拼接层、反卷积层,通过sigmoid函数产生对每个像素的预测概率值,对概率值做阈值处...
【专利技术属性】
技术研发人员:孙鑫龙,崔德琪,章桦,
申请(专利权)人:北京连心医疗科技有限公司,
类型:发明
国别省市:北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。