【技术实现步骤摘要】
一种基于深度学习的鼻咽癌靶区自动勾画方法及系统
[0001]本专利技术涉及靶区自动勾画
,具体涉及一种基于深度学习的鼻咽癌靶区自动勾画方法及系统。
技术介绍
[0002]鼻咽癌(nasopharyngeal carcinoma,NPC)是指发生在鼻咽腔的恶性肿瘤,是我国高发恶性肿瘤之一。对于早期鼻咽癌患者的治疗,首要选择就是放射治疗。对于放疗来说,合理准确地勾画靶区是治疗的关键因素,其中,靶区主要包括有大体肿瘤靶区(gross tumor volume,GTV),临床靶区(clinical tumor volume,CTV)以及计划靶区(planning tumor volume,PTV)。
[0003]由于鼻咽部本身的位置特点,导致在放射治疗过程中会造成危及器官受到射线的影响,所以在实际的临床治疗中,靶区勾画的精准度对于治疗效果起着很大的作用,放疗前的计划制定和结果评估是很重要的。当前鼻咽癌的靶区是由专业的医师手工勾画,但是会存在一些不可避免的问题:医师手动勾画会浪费大量的时间和人力;靶区勾画的结果受医师的经验影响,不同医师勾画的结果存在一定的差距。所以,需要找到一种合适的方法来使靶区勾画更高效和准确。
[0004]近年来,深度学习方法在医学图像处理上取得很大的成功,将深度学习引入图像分割领域后,使得分割区域具有更丰富的语义信息,图像分割的问题也取得了突破性的进展。
[0005]在医学图像分割领域中,卷积神经网络(Convolutional Neural Networks,CNN)成为 ...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的鼻咽癌靶区自动勾画方法,其特征在于,包括:步骤S1:收集鼻咽癌病人的医学图像并进行预处理,构建数据集,并将所述数据集划分为训练集、验证集和测试集;步骤S2:构建2D
‑
PE
‑
GAN网络模型,将所述训练集和验证集输入所述2D
‑
PE
‑
GAN网络进行训练和优化,直到得到训练好的2D
‑
PE
‑
GAN网络;其中,所述2D
‑
PE
‑
GAN网络模型包括:生成器和鉴别器,所述生成器包括2D
‑
PE
‑
Block模块;步骤S3:将所述测试集输入所述训练好的2D
‑
PE
‑
GAN网络,输出对应鼻咽癌靶区的勾画结果,并对自动勾画结果的准确性进行评估。2.根据权利要求1所述的基于深度学习的鼻咽癌靶区自动勾画方法,其特征在于,所述步骤S1:收集鼻咽癌病人的医学图像并进行预处理,构建数据集,并将所述数据集划分为训练集、验证集和测试集,具体包括:步骤S11:收集鼻咽癌病人的医学图像,由专业放疗医师勾画其靶区标签,并对其进行图像处理,提取出对应的靶区勾画标签,得到具有鼻咽癌靶区标签的医学图像;步骤S12:对所述具有鼻咽癌靶区标签的医学图像进行归一化处理,得到归一化后的医学图像;步骤S13:对所述归一化后的医学图像进行裁剪,使其包括肿瘤靶区,得到裁剪后的医学图像;步骤S14:对所述裁剪后的医学图像进行随机翻转和旋转,得到最终的数据集,并将所述数据集划分为训练集、验证集和测试集。3.根据权利要求1所述的基于深度学习的鼻咽癌靶区自动勾画方法,其特征在于,所述步骤S2:构建2D
‑
PE
‑
GAN网络模型,将所述训练集和验证集输入所述2D
‑
PE
‑
GAN网络进行训练和优化,直到得到训练好的2D
‑
PE
‑
GAN网络;其中,所述2D
‑
PE
‑
GAN网络模型包括:生成器和鉴别器,所述生成器包括2D
‑
PE
‑
Block模块,具体包括:步骤S21:构建2D
‑
PE
‑
GAN网络模型中的生成器,所述生成器包括:卷积操作、批归一化、ReLU激活函数、反卷积操作;步骤S22:将2D
‑
PE
‑
Block模块加入到所述生成器的每一层卷积和反卷积操作的最后,2D
‑
PE
‑
Block包括投影操作和激发操作;其中,所述投影操作使网络从两个维度分别计算得到对应的投影向量,通过池化操作利用到更多的空间信息,具体包括:所述投影操作沿着W和H两个维度进行平均池化,表示为公式(1)~(2);所述投影操作沿着W和H两个维度进行平均池化,表示为公式(1)~(2);其中,S代表的输入图像,c是通道数;S
C
表示输入图像S的第c个通道;O
pr...
【专利技术属性】
技术研发人员:王菲,钱立庭,任才俊,杨立山,陈欢欢,
申请(专利权)人:中国科学技术大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。