基于深度学习的危及器官勾画方法及系统技术方案

本申请提供一种基于深度学习的危及器官勾画方法及系统，其中，勾画方法包括以下步骤：步骤S10、基于计算机视觉模型，对载入的医疗图片进行检测，确定所述医疗图片中包含标注数据库中预先存储的危及器官，其中，所述标注数据库包含多个不同的所述危及器官；步骤S20、调用预先构建的器官勾画模型，对所述医疗图片中的危及器官的轮廓进行自动勾画。本申请的技术方案可以实现危及器官的高精度自动勾画，并且可以有效地辅助医生来进行危及器官的轮廓勾画，从而大幅度提高医生的勾画效率和准确率。从而大幅度提高医生的勾画效率和准确率。从而大幅度提高医生的勾画效率和准确率。

【技术实现步骤摘要】
基于深度学习的危及器官勾画方法及系统


[0001]本专利技术属于医学图像
，具体涉及一种基于深度学习的危及器官勾画方法及系统。

技术介绍

[0002]恶性肿瘤是全球人类的主要死因之一。放射治疗，简称放疗，是肿瘤治疗三大重要手段之一，在美国有70％的恶性肿瘤患者接受过放疗，我国由于放疗设备普及度及支付能力等方面的原因，仅有30％的恶性肿瘤患者进行了放疗。
[0003]放疗的理想状态是只照射肿瘤区域而不照射肿瘤周围的正常组织，现实情况难以达到，只能在肿瘤危及器官照射范围且剂量足够的前提下，尽量少照射肿瘤危及器官附近的正常组织，并确保使这些周围器官的照射剂量在安全值范围之内。因此，在实施放疗之前，需要把肿瘤照射危及器官和其邻近的正常器官的轮廓精细的勾画出来，照射危及器官周围受照射的正常器官即危及器官(Organs at risk，OARs)。
[0004]在放疗实施前，患者一般进行了多种影像学检查，如CT、核磁、PET
‑
CT等，这些影像资料往往有几十甚至上百个断层层面，医生需要在这些影像资料的每个层面上精确的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的危及器官勾画方法，其特征在于，所述勾画方法包括以下步骤：步骤S10、基于计算机视觉模型，对载入的医疗图片进行检测，确定所述医疗图片中包含标注数据库中预先存储的危及器官，其中，所述标注数据库包含多个不同的所述危及器官；步骤S20、调用预先构建的器官勾画模型，对所述医疗图片中的危及器官的轮廓进行自动勾画。2.如权利要求1所述的基于深度学习的危及器官勾画方法，其特征在于，步骤S10具体为：基于预先训练的Vector Boosting模型，对载入的所述医疗图片进行检测，确定所述医疗图片中包含所述标注数据库中预先存储的危及器官。3.如权利要求2所述的基于深度学习的危及器官勾画方法，其特征在于，在步骤S10中，分别基于修改中心变换和局部梯度模式，对所述医疗图片进行特征提取，并根据提取得到的医疗图片的MCT特征和LGP特征，基于Vector Boosting算法，得到Vector Boosting模型。4.如权利要求3所述的基于深度学习的危及器官勾画方法，其特征在于，基于修改中心变换，按照公式：基于修改中心变换，按照公式：对所述医疗图片进行特征提取，得到医疗图片的MCT特征；其中，N'(x)＝N'(x)∪x是医疗图片中像素点x相邻的多个像素点，I(x)是像素点x的灰度值，是像素点x的所有相邻像素点的平均灰度值，定义等同于C；基于局部梯度模式，按照公式：基于局部梯度模式，按照公式：对所述医疗图片进行特征提取，得到医疗图片的LGP特征；其中，(x
c
,y
c
)是像素中心点，p是指当前像素中心点(x
c
,y
c
)周围相邻像素点的数量，r表示如何采样周围像素，中心点i
c
与相邻点i
n
之间的灰度值差为g
n
＝|i
n
‑
i
c
|，平均灰度差值为5.如权利要求1所述的基于深度学习的危及器官勾画方法，其特征在于，步骤S10还可以为：基于RBF核函数的非线性支持向量机模型对载入的所述医疗图片进行检测，确定所述医疗图片中包含所述标注数据库中预先存储的危及器官；所述RBF核函数的非线性支持向量机模型为：
0≤α
i
≤C其中，α
i
是对第i个医疗图片的隐藏变量，y

【专利技术属性】
技术研发人员：王海，夏启胜，武建安，熊强，邹尧，
申请(专利权)人：锐视智慧北京医疗科技有限公司，
类型：发明
国别省市：