一种结合深度神经网络和概率图模型分割放疗影像的方法技术

本发明专利技术公开了一种使用一种结合深度神经网络和概率图模型分割放疗影像的方法。其内容包括：在图像分割前，先用一组二维医学影像、预分割影像和对应医学影像的的基准标注数据组成学习集，以训练深度神经网络模型。在图像分割时，使用深度神经网络模型处理输入影像和预分割影像，得到一组多通道评分图，其中每一个像素通道唯一对应于某一个感兴趣区，同时该像素通道内的评分值代表该像素属于该通道所对应的感兴趣区的概率；对每一张多通道评分图用一种概率图模型方法以生成一张多通道标注图，其中每个通道图像代表该通道对应的感兴趣区的位置标注；对于每一张原始二维医学影像，将其多通道标注图融合为一幅最终标注影像，作为影像分割的结果。

A method combining depth neural network and probability graph model to segment radiotherapy image

【技术实现步骤摘要】
一种结合深度神经网络和概率图模型分割放疗影像的方法
本专利技术涉及一种分割医学影像的方法，特别地，涉及一种结合深度神经网络和概率图模型分割放疗影像的方法。
技术介绍
放射治疗是指使用高能辐射来杀死肿瘤细胞以便治愈或减小肿瘤的治疗方法。该方法使用的辐射束的类型包括：X射线，伽马射线，和/或带电粒子束等。当靶区内的吸收剂量超过一定水平时，高能辐射会直接损伤该区域中的非正常细胞的DNA分子，或生成带电粒子并造成间接损伤；一部分受损严重的细胞会停止分裂或直接死亡。但是，该过程也也会影响位于周边重要器官或其他人体解剖结构中的健康细胞。一方面，针对靶区设计的放疗剂量通常足够对健康细胞造成较大的影响；另一方面，如果在放疗中遗漏部分靶区，则会幸存的肿瘤细胞有可能会额外的增加肿瘤复发的概率。因此，用于放疗的医学影像精确靶区和正常组织勾画是放疗流程的一个重要步骤。通常，放疗计划包含多个疗程，每个疗程的计划通常定义了一个或多个“治疗野”，每个“治疗野”用一组参数来定义实施放疗的具体方式，包括：机架位置，决定了照射靶区的辐射束的路径范围；准直器设置，决定了辐射束的外形和截面；辐射束的能量密度；持续时间，即每个辐射束在该“治疗野”中持续照射靶区的时间。为一次放射治疗制定计划，通常需要先关于病人体内需要接受放疗的部位获取一组医学影像并对影像做恰当的分割。通常需要使用一定的成像设备来获取这样的医学影像，依据DICOM协议来传输影响数据，并以对应格式保存在存储设备上。对这样的医学影像做分割是指，在医学影像中关于病人体内的各种结构绘制不相互重叠的感兴趣区。医生可以依据分割结果，来为该病人设计一个放疗计划用于实施放疗，以便以比较大的剂量照射肿瘤部位，并尽量减弱周边正常组织受到的影响。目前，医生需要手动分割医学影像，或借助一些工具来以半自动的方式做分割。虽然使用这些工具有助于提高分割精度，但是由于人体解剖结构因人而异，医生需要花费较多的时间来进一步做处理以便提高处理精度，同时也会增加整个放疗计划工作流程耗费的时间。因此，提高这样的工具的勾画精度，可以有效的为医生节省工时。如果这种方法能够全自动运行，并且也能够将当前的一些工具的预分割结果作为输入，则可以进一步提高放疗计划的医学影像分割工作的效率。进一步的，人体解剖结构在放疗过程中可能会出现细微的变化。例如，为了尽可能提高对靶区内细胞的DNA的辐射伤害，每一个疗程需要配合肿瘤细胞的细胞周期来实施放疗，这通常会延长放疗总时间。医生和病人难以在各疗程中均严格的保持同一个体位和姿势，因而需要医生为每一个疗程有针对性的调整分割结果和放疗计划，这会增加放疗计划的工作量。因此，需要一种高效的、自动化的二维医学影像分割方法来方便医生做分割，来帮助当前的放疗工作流程提高其适应性的设计和调整放疗计划的能力。综上所述，当前的放疗过程面临两难处境：为了在单位时间内可以治疗更多的病人，需要缩短治疗的疗程；但是为了确保治疗的精准度和疗效，需要适当增加治疗计划的时间。为了能够快速有效的治疗癌症和肿瘤患者，需要一种新的方法来减少医学影像分割工作的耗时，帮助医生克服放疗的治疗效果和计划耗时之间的两难处境。
技术实现思路
这一部分用于简单介绍本专利技术的内容，详细介绍见“具体实施方式”。这里的内容，不用于对本专利技术的关键因素、重要特征、权利声明提出限制。基于上文提到的当前医学影像分割方法存在的一些不足，以及实际使用中面临的在放疗的治疗效果和计划耗时之间做取舍的两难处境，本专利技术提出一种方法来对用于放疗的二维医学影像做自动分割，来帮助医生提高放疗计划的效率。本专利技术提供了一种结合深度神经网络和概率图模型分割放疗影像的方法，该方法的步骤包括：获取一组二维医学影像和对应的基准标注数据作为学习集，其中，医学影像数据集合可从已有的医学影像数据库和/或放疗计划系统中获取，并且，学习集合的每一幅二维医学影像基本标注数据代表对一个或多个不重叠的感兴趣区的分割；对该学习集中的每一个影像做预分割并与原有影像融合，得到融合影像，并将融合图像加入学习集；利用学习集来训练一个可用于分割二维医学影像的深度卷积神经网络(DCNN)；获取一组需要做分割的二维医学影像作为目标集；对该目标集中的每一个二维影像做预分割并与原有影像融合，得到融合影像；使用训练完毕的DCNN处理每一张融合影像，得到一组多通道评分图，其中每一个像素通道唯一对应于某一个感兴趣区，同时该像素通道内的评分值代表该像素属于该通道所对应的感兴趣区的概率；对每一张多通道评分图使用一种概率图模型(PGM)方法以生成一张多通道标注图，其中每个通道图像代表该通道对应的感兴趣区的位置标注；对于每一张原始二维医学影像，将其多通道标注图融合为一幅最终标注影像，作为影像分割的结果。在一些实施例中，二维影像的预分割并与原有影像融合包括如下步骤：使用一个或多个非深度学习方法来对每一个影像做预分割；在每张已经预分割的二维医学影像中，对每个像素用感兴趣区编号做标注，生成一幅对应于该医学影像的初始标注影像；将原始二维医学影像与初始标注影像做图像融合，为每个二维医学影像的像素添加一个通道用于保存对应的标注影像数据，得到一幅融合影像。在一些实施例中，非深度学习方法可以选择一种或多种图像分割方法组成，包括：基于阈值的方法、基于导数的方法、形态学方法、区域生长方法、分水岭方法、水平集方法和主动轮廓方法。在一些实施例中，目标集中的二维医学影像可以使用一种或多种成像模式来获取，包括：计算机断层扫描成像(CT)、磁共振成像(MRI)、正电子发射断层成像(PET)和单光子发射计算机断层成像(SPECT)。在一些实施例中，DCNN包含一组前后相继链接的变换层，每一层变换的输出作为后一层变换的输入；其中，变换的输入和输出采取特征图的形式，每一个特征图是h*w*d的三维矩阵，其中h和w表示该特征图的空间尺寸的长度和宽度，d表示具有d个通道；其中，每一层变换通过不断对输入特征图的子区域进行函数处理以逐像素地生成一幅输出特征图；在一些实施例中，变换用四维张量描述，其元组为：[第m层的特征图的通道数，第m-1层的特征图的通道数，过滤器高度，过滤器宽度]，其中该张量的一个元素代表层与层之间的一个函数，将上一层的某个像素的某个通道值经过函数计算后叠加到下一层某个像素的某个通道上。在一些实施例中，变换可以选择一种或多种操作组成，包括：基于核的线性卷积、逐像素计算的非线性激活函数、池化函数和上采样函数。在一些实施例中，逐像素计算的非线性激活函数可以选择一种或多种函数组成，包括：Sigmoid函数、双曲正切函数和线性修正单元(ReLU)函数。在一些实施例中，池化函数可以选择一种或多种函数组成，包括：最大值池化、平均值池化L2池化和随机池化。在一些实施例中，上采样函数可以选择一种或多种方法组成，包括：上采样方法和插值方法。在一些实施例中，训练DCNN的步骤包括：使用DCN本文档来自技高网...

【技术保护点】
1.一种使用深度卷积神经网络自动分割放疗医学影像的方法，步骤包括：/n获取一组二维医学影像和对应的基准标注数据作为学习集，其中，医学影像数据集合可从已有的医学影像数据库和/或放疗计划系统中获取，并且，学习集合的每一幅二维医学影像基本标注数据代表对一个或多个不重叠的感兴趣区的分割；/n对该学习集中的每一个影像做预分割并与原有影像融合，得到融合影像，并将融合图像加入训练集；/n利用学习集来训练一个可用于分割二维医学影像的深度卷积神经网络(DCNN)；/n获取一组需要做分割的二维医学影像作为目标集；/n对该目标集中的每一个二维影像做预分割并与原有影像融合，得到融合影像；/n使用训练完毕的DCNN处理每一张融合影像，得到一组多通道评分图，其中每一个像素通道唯一对应于某一个感兴趣区，同时该像素通道内的评分值代表该像素属于该通道所对应的感兴趣区的概率；/n对每一张多通道评分图使用一种概率图模型(PGM)方法以生成一张多通道标注图，其中每个通道图像代表该通道对应的感兴趣区的位置标注；/n对于每一张原始二维医学影像，将其多通道标注图融合为一幅最终标注影像，作为影像分割的结果。/n

【技术特征摘要】
1.一种使用深度卷积神经网络自动分割放疗医学影像的方法，步骤包括：
获取一组二维医学影像和对应的基准标注数据作为学习集，其中，医学影像数据集合可从已有的医学影像数据库和/或放疗计划系统中获取，并且，学习集合的每一幅二维医学影像基本标注数据代表对一个或多个不重叠的感兴趣区的分割；
对该学习集中的每一个影像做预分割并与原有影像融合，得到融合影像，并将融合图像加入训练集；
利用学习集来训练一个可用于分割二维医学影像的深度卷积神经网络(DCNN)；
获取一组需要做分割的二维医学影像作为目标集；
对该目标集中的每一个二维影像做预分割并与原有影像融合，得到融合影像；
使用训练完毕的DCNN处理每一张融合影像，得到一组多通道评分图，其中每一个像素通道唯一对应于某一个感兴趣区，同时该像素通道内的评分值代表该像素属于该通道所对应的感兴趣区的概率；
对每一张多通道评分图使用一种概率图模型(PGM)方法以生成一张多通道标注图，其中每个通道图像代表该通道对应的感兴趣区的位置标注；
对于每一张原始二维医学影像，将其多通道标注图融合为一幅最终标注影像，作为影像分割的结果。


2.权利要求1的方法中，二维影像的预分割并与原有影像融合包括如下步骤：
使用一个或多个非深度学习方法来对每一个影像做预分割；
在每张已经预分割的二维医学影像中，对每个像素用感兴趣区编号做标注，生成一幅对应于该医学影像的初始标注影像；
将原始二维医学影像与初始标注影像做图像融合，为每个二维医学影像的像素添加一个通道用于保存对应的标注影像数据，得到一幅融合影像。


3.权利要求2的方法中，非深度学习方法可以选择一种或多种图像分割方法组成，包括：基于阈值的方法、基于导数的方法、形态学方法、区域生长方法、分水岭方法、水平集方法和主动轮廓方法。


4.权利要求1的方法中，目标集中的二维医学影像可以使用一种或多种成像模式来获取，包括：计算机断层扫描成像(CT)、磁共振成像(MRI)、正电子发射断层成像(PET)和单光子发射计算机断层成像(SPECT)。


5.权利要求1的方法中，DCNN包含一组前后相继链接的变换层，每一层变换的输出作为后一层变换的输入；其中，变换的输入和输出采取特征图的形式，每一个特征图是h*w*d的三维矩阵，其中h和w表示该特征...

【专利技术属性】
技术研发人员：不公告发明人，
申请(专利权)人：苏州同调医学科技有限公司，苏州寻正医学科技有限公司，
类型：发明
国别省市：江苏;32