放射粒子内放疗介入手术机器人的多脏器分割方法及介质技术

本发明专利技术涉及一种放射粒子内放疗介入手术机器人的多脏器分割方法及介质的技术方案，包括：预分割及交互优化；其中预分割包括：通过V‑Net级联神经网络对三维脏器图像进行基于图像块的全分辨训练；其中交互优化包括：根据预分割的训练结果，以及根据输入的边界框，对三维脏器图像的脏器目标和背景进行分离。本发明专利技术的有益效果为：实现了高效的多脏器分割能力，又具备分割结果二次修复编辑能力。

【技术实现步骤摘要】
放射粒子内放疗介入手术机器人的多脏器分割方法及介质
本专利技术涉及计算机及医学影像处理领域，具体涉及了一种放射粒子内放疗介入手术机器人的多脏器分割方法及介质。
技术介绍
医学图像中的器官分割在计算机辅助诊断(CAD)、诊断干预、治疗规划和治疗执行等诸多应用中均是一项至关重要的任务。靶器官轮廓的勾划是放射治疗计划中一项必不可少的重要环节，但其过程需要大量繁琐的手工操作。近年来，深度学习用于器官分割的相关技术得到了极大的关注，许多基于深度学习的分割模型，如FCNs、U-Net、V-Net及其变体，被提出并在在图像分割方面都取得了很好的效果。现阶段，这些研究专注于某些特定器官或组织的分割，如肝脏、胰腺、血管、胶质瘤等。单类别的分割方法使得网络更容易处理特定的器官，并可以根据目标脏器的先验信息采用特殊的策略以进一步优化分割结果。但是，从放射治疗计划对于器官分割的要求来看，训练多个特定任务的分割网络是低效的，因此该领域的研究重点应放在多脏器分割或者多任务分割网络，如何实现多器官精准分割仍然是一项具有挑战性的任务。手术机器人不具备医师资深的医学背景本文档来自技高网...

【技术保护点】
1.一种放射粒子内放疗介入手术机器人的多脏器分割方法，其特征在于，该方法包括：/n预分割及交互优化；/n所述预分割包括：通过V-Net级联神经网络对三维脏器图像进行基于图像块的全分辨训练；/n所述交互优化包括：根据所述预分割的训练结果，以及根据输入的边界框，对所述三维脏器图像的脏器目标和背景进行分离。/n

【技术特征摘要】
1.一种放射粒子内放疗介入手术机器人的多脏器分割方法，其特征在于，该方法包括：
预分割及交互优化；
所述预分割包括：通过V-Net级联神经网络对三维脏器图像进行基于图像块的全分辨训练；
所述交互优化包括：根据所述预分割的训练结果，以及根据输入的边界框，对所述三维脏器图像的脏器目标和背景进行分离。


2.根据权利要求1所述的放射粒子内放疗介入手术机器人的多脏器分割方法，其特征在于，所述预分割包括：
预处理，将所述三维脏器图像所有的数据裁剪到非零区域；
数据增强，将作为训练数据的所述三维脏器图像所有的数据执行数据增强，所述数据增强包括随机旋转、随机缩放、随机弹性变形、伽马校正增强和镜像；
训练细节优化，采用dice损失函数和交叉熵损失函数作为最终的损失函数来训练模型；
后处理，在训练数据上对所有标注数据的分割标签进行连通度分析。


3.根据权利要求2所述的放射粒子内放疗介入手术机器人的多脏器分割方法，其特征在于，所述预处理包括：
获取重采样的所述三维脏器图像数据集体素间距的中值，将三阶样条插值用于图像数据，将最近邻插值用于相应的分割掩模，对训练数据集中的分割掩模内出现的强度值进行统一，并通过clip函数将强度值限制在整个数据集强度的[0.5％，99.5％]内，根据所有强度值的平均值和标准差进行归一化处理。


4.根据权利要求2所述的放射粒子内放疗介入手术机器人的多脏器分割方法，其特征在于，所述训练细节优化包括：
通过Adam优化器，以及设置初始学习率为3×10-4,以每训练250个图像块作为一轮，设置图像块大小为128×128×128，批次大小为2，在训练过程中，对训练损失和验证损失分别设置一个指数移动平均值，当训练损失的指数移动平均值在过去的30轮里没有改善，学习率将降低5倍；当验证损失的指数移动平均值在过去的60轮里没有改善，且当前学习率小于10-6，则提前终止训练；以及，在同一批训练数据的样本中，超过三分之一的样本至少包括一个随机选择的前景类数据。


5.根据权利要求2所述的放射粒子内放疗介入手术机器人的...

【专利技术属性】
技术研发人员：朱建军，王澄，滕皋军，
申请(专利权)人：珠海横乐医学科技有限公司，
类型：发明
国别省市：广东;44