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技术

本发明专利技术实施例提供一种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，该方法包括以下步骤：步骤S1：对CT三维图像进行预处理；步骤S2：得到CT三维图像中的每个二维图像所属的部位；步骤S3：分别构建针对盆腔、腹部、胸部、头颈部的深度语义分割模型；步骤S4：分别将属于盆腔、腹部、胸部、头颈部的二维图像，输入一个已训练的针对相应盆腔、腹部、胸部、头颈部的深度语义分割模型进行各自放疗危及器官的识别；步骤S5：将盆腔、腹部、胸部、头颈部的深度语义分割模型输出的结果进行合并。该方法在放射治疗计划及外科手术术前评估和手术规划工作流程中实施人工智能辅助的放疗危及器官轮廓勾画，能有效提高医疗工作者的工作效率。

A method of automatic recognition of organs endangered by radiotherapy in CT images based on deep semantic network

【技术实现步骤摘要】
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
本专利技术涉及医学影像处理
，尤其涉及一种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。
技术介绍
在医学领域，精准放射治疗技术已经大大提高了癌症患者的生存率。但是，这些先进的治疗方法不仅需要对目标肿瘤的轮廓进行准确的判断，还需要对肿瘤周围的重要器官的轮廓进行准确的识别，让这些器官在放射治疗中得到保护。另外，在外科应用领域，术前的精准评估和规范性的根治性手术是提高肿瘤诊治疗效的重要措施，基于CT影像数据的器官轮廓识别可以帮助医生快速、精准、高一致性地完成手术规划中器官勾画的步骤。而目前临床上CT影像中识别放疗危及器官主要通过医生手动勾画获得。由医生手动勾画，因而存在以下几点缺陷：一、勾画效率低；二、严重依赖医生的临床经验；三、可重复性差，不同医生在不同时间不同状态下勾画的结果均不一致。因此，临床上亟需精确快速的识别放疗危及器官的方法来减轻医生的负担，提高医学影像中识别放疗危及器官的精确度和自动化程度。公开于该
技术介绍
部分的信息仅仅旨在增加对本专利技术的总体背本文档来自技高网...

【技术保护点】
1.一种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，其特征在于，包括以下步骤：/n步骤S1：对CT三维图像进行预处理；/n步骤S2：得到CT三维图像中的每个二维图像所属的部位；/n步骤S3：分别构建针对盆腔、腹部、胸部、头颈部的深度语义分割模型；/n步骤S4：分别将属于盆腔、腹部、胸部、头颈部的二维图像，输入一个已训练的针对相应盆腔、腹部、胸部、头颈部的深度语义分割模型进行各自放疗危及器官的识别；/n步骤S5：将盆腔、腹部、胸部、头颈部的深度语义分割模型输出的结果进行合并。/n

【技术特征摘要】
1.一种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，其特征在于，包括以下步骤：
步骤S1：对CT三维图像进行预处理；
步骤S2：得到CT三维图像中的每个二维图像所属的部位；
步骤S3：分别构建针对盆腔、腹部、胸部、头颈部的深度语义分割模型；
步骤S4：分别将属于盆腔、腹部、胸部、头颈部的二维图像，输入一个已训练的针对相应盆腔、腹部、胸部、头颈部的深度语义分割模型进行各自放疗危及器官的识别；
步骤S5：将盆腔、腹部、胸部、头颈部的深度语义分割模型输出的结果进行合并。


2.根据权利要求1所述的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，其特征在于，所述步骤S1中，预处理CT三维图像包括以下步骤：
步骤S11：收集患者的CT三维图像；
步骤S12：对CT三维图像进行重采样；
步骤S13：通过像素值规范化生成多个不同窗宽、窗位下的CT二维图像，作为后续深度网络的一个多模态输入。


3.根据权利要求2所述的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，其特征在于，所述步骤S2包括以下步骤：
步骤S21：通过大量患者的经过预处理的多模态CT二维图像训练一个深度分类网络；
步骤S22：把特定患者的所有预处理后的多模态CT二维图像输入训练完成的深度分类网络，输出每个二维图像分别属于盆腔、腹部、胸部、头颈部的概率。


4.根据权利要求3所述的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，其特征在于，所述步骤S3包括以下步骤：
步骤S31：构建定位网络的网络结构，包括：以Unet为基础，通过卷积和降采样交替进行2次，得到高维的特征图，之后再通过对称的卷积上采样操作2次恢复空间分辨率，并通过跳跃式传递将相同分辨率的特征图融合；
步骤S32：构建细分割网络的网络结构，包括：以Unet为基础，通过残差模块和降采样交替进行4次，得到高维的特征图，之后再通过对称的卷积上采样操作4次恢复空间分辨率，并通过跳跃式传递将相同分辨率的特征图融合；
步骤S33：对于盆腔、胸部模型，在基础的细分割网络中加上空洞卷积和萎缩性空间金字塔池来扩大感受野并捕捉多尺度的特征；
步骤S34：对于腹部模型，在基础的细分割网络的跳跃式传递中加上若干个残差模块来处理拼接前的浅层特征。


5.根据权利要求4所述的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，其特征在于，所述步骤S4中进行盆腔放疗危及器官的识别具体包括以下步骤：
步骤S41：通过大量患者的经预处理后的属于盆腔的多模态CT二维图像训练一个深度语义分割网络作为定位网络；
步骤S42：把特定患者的属于盆腔的预处理后的每个多模态CT二维图像输入训练完成的深度语义分割网络，输出概率图，进而得到每个放疗危及器官的粗分割结果；
步骤S43：事先根据每个放疗危及器官的位置或大小，把所有盆腔放疗危及器官分为多组，并根据定位网络的粗分割结果对每组确定一个固定大小的区域；通过把所有的放疗危及器官分部位，并在部位内分组；
步骤S44：把定位网络的输入图像、定位网络中某层的特征图、定位网络输出的概率图通过拼接的方式融合，作为细分割网络的一个多模态输入；
步骤S45：根据该组的固定大小的区域进行剪裁后，输入已训练的针对该组的细分割网络并输出概率图，进而得到该组中每个放疗危及器官的分割结果；
步骤S46：对所有组的放疗危及器官结果进行合并，得到最终的二维分割结果。


6.根据权利要求5所述的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，其特征在于，所述步骤S4中进行腹部放疗危及器官的识别具体包括以下步骤：
步骤S51：通过大量患者的经预处理后的属于腹部的多模态CT二维图像训练一个深度语义分割网络作为定位网络；
步骤S52：把特定患者的属于腹部...

【专利技术属性】
技术研发人员：魏军，朱德明，李松峰，陈昌秀，蒋雪，陈海斌，田孟秋，
申请(专利权)人：广州柏视医疗科技有限公司，
类型：发明
国别省市：广东;44