【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 ...
【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
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。