图像的分割方法、放射治疗系统、计算机设备和存储介质技术方案

本申请涉及一种图像的分割方法、放射治疗系统、计算机设备和存储介质，所述方法包括：获取被扫描对象的医学图像数据；将所述医学图像数据输入到第一分割模型，获取感兴趣区域的解剖信息；设置所述感兴趣区域内靶区参数，并根据所述解剖信息及所述靶区参数，确定靶区解剖位置信息；将所述医学图像数据及所述解剖位置信息输入到第二分割模型中，完成所述感兴趣区域中靶区的分割。本申请实施例中，通过第一分割模型、第二分割模型的联合使用，可实现医学图像中的骨骼、血管、囊肿等自动化分割，进而实现靶区精确分割。

【技术实现步骤摘要】
图像的分割方法、放射治疗系统、计算机设备和存储介质
本申请涉及医疗器械
，特别是涉及一种医学图像的分割方法、放射治疗系统、计算机设备和存储介质。
技术介绍
医学影像是指为了医疗或医学研究，对人体或人体某部分，以非侵入方式取得内部组织影像的技术与处理过程。它包含以下两个相对独立的方向：医学成像系统(medicalimagingsystem)和医学图像处理(medicalimageprocessing)。前者是指图像形成的过程，包括对成像机理、成像设备、成像系统分析等问题；后者是指对已经获得的图像作进一步的处理，例如对原来的图像进行去噪、分割等，并以此作为后续的临床诊断、治疗等辅助手段。肿瘤放射治疗是目前肿瘤治疗的主要手段之一，其中，肿瘤放疗靶区的精确勾画/分割是成功实施放射治疗的关键。目前，肿瘤放疗靶区的勾画主要依靠放疗医师手动勾画。然而，临床应用中的放疗靶区勾画因人而异，不同医院甚至不同医师的勾画特点差异性较大，勾画标准短期内难以统一，且精准性不够，需要医师的大量手动修改，还不能满足临床放疗的要求。r>专利技术本文档来自技高网...

【技术保护点】
1.一种图像的分割方法，其特征在于，所述方法包括：/n获取被扫描对象的医学图像数据；/n将所述医学图像数据输入到第一分割模型，获取感兴趣区域的解剖信息；/n设置所述感兴趣区域内靶区参数，并根据所述解剖信息及所述靶区参数，确定靶区解剖位置信息；/n将所述医学图像数据及所述解剖位置信息输入到第二分割模型中，完成所述感兴趣区域中靶区的分割。/n

【技术特征摘要】
1.一种图像的分割方法，其特征在于，所述方法包括：
获取被扫描对象的医学图像数据；
将所述医学图像数据输入到第一分割模型，获取感兴趣区域的解剖信息；
设置所述感兴趣区域内靶区参数，并根据所述解剖信息及所述靶区参数，确定靶区解剖位置信息；
将所述医学图像数据及所述解剖位置信息输入到第二分割模型中，完成所述感兴趣区域中靶区的分割。


2.根据权利要求1所述的方法，其特征在于，所述第一分割模型为经过训练的神经网络模型。


3.根据权利要求2所述的方法，其特征在于，所述神经网络模型通过以下方法获取：
构建初始深度学习神经网络模型；
获取若干个训练样本，所述训练样本包括影像序列及影像序列上的器官或组织的标注；
将所述训练样本输入所述初始深度学习神经网络模型，通过误差反向传播更新所述初始深度学习神经网络模型的参数，直至模型收敛或者损失函数收敛。


4.根据权利要求1所述的方法，其特征在于，所述将所述医学图像数据输入到第一分割模型，获取所述感兴趣区域的解剖信息包括:获取所述感兴趣区域内的各器官或组织的勾画结果。


5.根据权利要求4所述的方法，其特征在于，所述获取所述感兴趣区域内的器官或组织的勾画结果包括获取骨骼、血管和囊肿的几何边界或/和尺寸。


6.根据权利要求1或2所述的方法，其特征在于，所述第二分割模型为靶区分割模型，所述第二分割模型通过以下方式获取：
构建初始深度学习神经网络模型；
获取若干个训练样本，所述训练样本包括影像序列、影像序列上的靶区标注；
将所述训练样本及解剖位置信息输入所述初始深度学习神经网络模型，通过误差反向传播更新所述初始深度学习神经网络模型的参数，直至模型收敛或者损失函数收敛。


7.根据权利要求6所述的方法，其特征在于，所述靶区参数包括靶区起始层面位置、终止层面位置、血管范围、最小/最大囊肿体积、骶骨内缩距离、诊断信息、分期信息、病例信...

【专利技术属性】
技术研发人员：王章龙，周菊英，马辰莹，徐晓婷，秦颂兵，周婧劼，
申请(专利权)人：上海联影医疗科技股份有限公司，
类型：发明
国别省市：上海;31