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勾画出肿瘤危及器官以及危及器官的轮廓。目前，OARs勾画的工作主要由放疗医生手动完成的，这种人工勾画需要耗时半小时至几个小时。人工勾画的准确性高度依赖于放射科医师的临床经验，过程繁琐，效率低下，导致治疗病人数量有限，勾画的精确度不高，不同医师的勾画水平、能力及标准等各方面难以达到一致。因此，医务工作者们迫切希望有一种高精度的危及器官自动分割的技术，把他们从这种繁琐、重复、单调的工作流程中解放出来，节省出时间用于接待和治疗更多的病人。
[0005]基于放疗科医生急切需求，危及器官自动分割勾画技术一直是许多学者的研究方向。目前医学图像分割的技术大体分为传统图像处理方法、传统机器学习方法、深度学习方法这3类。传统图像处理方法采用较多的是“模板匹配”方法，对数据集要求较高，这种方法需要在数据库中保存数据巨大的模板，是一种自适应性低的解决方法，勾画的准确率较差，医生仍需要花费很大的工作量对勾画结果进行修改完善。传统机器学习是基于统计特征和函数拟合的方法，在分割医学图像时，在个别图像实例上会由于分类不准确造成较严重的假阳性现象。人工智能深度学习是一类模式分析方法的统称，深度学习技术因近几年的快速发展而越来越多地运用在各领域中，卷积神经网络(CNN)模型是深度学习技术中最重要的方法之一。CNN由多层的神经元组成，从而具有很强的特征学习能力，其基本原理是使用神经网络自动学习对于分割有益的图像特征，而后通过逐层的特征变换，将样本在原空间的特征表示变换到另一个新的特征空间，经过不断地特征提取和变换再进行分割任务。跟传统的机器学习方法相比，深度学习的模型参数更多，表达能力更强。现有的基于CNN的全自动分割方法勾画精度有了很大的提高，仍无法达到医学临床要求的足够高的精度，还需要医生人工地、进一步地修复分割错误。
[0006]因此，需要提供一种针对上述现有技术不足的改进技术方案。

技术实现思路

[0007]本专利技术的目的在于提供一种基于深度学习的危及器官勾画方法及系统，以实现危及器官的高精度自动勾画。
[0008]为了实现上述目的，本专利技术提供如下技术方案：
[0009]一种基于深度学习的危及器官勾画方法，所述勾画方法包括以下步骤：
[0010]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；
[0011]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。
[0012]如上所述的基于深度学习的危及器官勾画方法，作为可选实施例，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。
[0013]如上所述的基于深度学习的危及器官勾画方法，作为可选实施例，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VectorBoosting算法，得到Vector Boosting模型。
[0014]如上所述的基于深度学习的危及器官勾画方法，作为可选实施例，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VectorBoosting算法，得到Vector Boosting模型。
[0015]如上所述的基于深度学习的危及器官勾画方法，作为可选实施例，基于修改中心变换，按照公式：
[0016][0017][0018]对所述医疗图片进行特征提取，得到医疗图片的MCT特征；
[0019]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；
[0020]基于局部梯度模式，按照公式：
[0021][0022][0023]对所述医疗图片进行特征提取，得到医疗图片的LGP特征；
[0024]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
[0025]如上所述的基于深度学习的危及器官勾画方法，作为可选实施例，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；
[0026]所述RBF核函数的非线性支持向量机模型为：
[0027][0028][0029]其中，α
i
是对第i个医疗图片的隐藏变量，y
i
是图片的类别标签，取值为
±
1，分别对应正样本和负样本，n为训练样本数，x
i
是第i个医疗图片的MCT特征和LGP特征，特征，k(x
i
,x
j
)是用来计算第i个医疗图片和第j个医疗图片之间的相似度，C是惩罚参数。
[0030]如上所述的基于深度学习的危及器官勾画方法，作为可选实施例，在步骤S20中，基于残差神经网络和全连接的卷积神经网络，根据所述标注数据库中存储的危及器官的轮廓数据，构建所述器官勾画模型。
[0031]如上所述的基于深度学习的危及器官勾画方法，作为可选实施例，在步骤S20中，根据交叉熵损失函数和预先构建的可鉴别损失函数，对构建的所述器官勾画模型进行本文档来自技高网...

【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：