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方案

本发明专利技术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，其方法包括：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，并将数据集划分为训练集、验证集和测试集；步骤S2：构建2D

【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)成为了深度学习的代表网络之一，CNN能很好地表示出图像的层次特征，并利用图像中的语义信息，实现语义分割。医学图像的语义分割主要是针对于图像的像素进行处理，将像素进行分类考虑，也有研究者在卷积神经网络基础上，提出了全卷积神经网络(fully convolutional networks,FCN)，Unet等一系列网络来不断提高图像分割的效果。
[0006]但是使用卷积神经网络类似于FCN，Unet等进行分割仍然具有局限性：卷积神经网络在训练时不能很好地学习到目标图像的特点，它一般会将图像中的每个像素点单独考虑，就会使得网络在像素层面分割准确性较好，但是会缺失图像的上下文信息，导致最后的分割结果不够准确。

技术实现思路

[0007]为了解决上述技术问题，本专利技术提供一种基于深度学习的鼻咽癌靶区自动勾画方法及系统。
[0008]本专利技术技术解决方案为：一种基于深度学习的鼻咽癌靶区自动勾画方法，包括：
[0009]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；
[0010]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；
[0011]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。
[0012]本专利技术与现有技术相比，具有以下优点：
[0013]本专利技术公开了一种基于深度学习的鼻咽癌靶区自动勾画方法，通过构建全新的2D
‑
PE
‑
Block对GAN网络的生成器进行改进，解决了传统卷积神经网络由于损失函数的影响，在图像分割中缺少图像像素点的上下文信息的问题；充分利用图像的语义信息，提升网络的学习能力，提高鼻咽癌靶区自动勾画的准确度。同时，相比较于全卷积神经网络Unet、GAN以及加入注意力机制的生成对抗网络来说，在尽可能减少网络计算资源占有的前提下，提高网络对鼻咽癌靶区自动勾画的精确度。
附图说明
[0014]图1为本专利技术实施例中一种基于深度学习的鼻咽癌靶区自动勾画方法的流程图；
[0015]图2为本专利技术实施例中2D
‑
PE
‑
GAN网络结构示意图；
[0016]图3为本专利技术实施例中一种基于深度学习的鼻咽癌靶区自动勾画系统的结构框图。
具体实施方式
[0017]本专利技术提供了一种基于深度学习的鼻咽癌靶区自动勾画方法，通过构建全新的2D
‑
PE
‑
Block对GAN网络的生成器进行改进，充分利用图像的语义信息，提升网络的学习能力，提高鼻咽癌靶区自动勾画的准确度。
[0018]为了使本专利技术的目的、技术方案及优点更加清楚，以下通过具体实施，并结合附图，对本专利技术进一步详细说明。
[0019]实施例一
[0020]如图1所示，本专利技术实施例提供的一种基于深度学习的鼻咽癌靶区自动勾画方法，包括下述步骤：
[0021]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，并将数据集划分为训练集、验证集和测试集；
[0022]步骤S2：构建2D
‑
PE
‑
GAN网络模型，将训练集和验证集输入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，2D
‑
PE
‑
GAN网络模型包括：生成器和鉴别器，生成器包括2D
‑
PE
‑
Block模块；
[0023]步骤S3：将测试集输入训练好的2D
‑
PE
‑
GAN网络，输出对应鼻咽癌靶区的勾画结果。
[0024]在一个实施例中，上述步骤S1：收集鼻咽癌病人的医学图像并进行预处理，构建数据集，并将数据集划分为训练集、验证集和测试集，具体包括：
[0025]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，并对标有鼻咽癌靶区标签的医学图像进行图像处理，提取出对应的靶区勾画标签；
[0026]本专利技术实施例主要针对鼻咽癌CTV靶区进行自动勾画，收集了130例鼻咽癌病人的
CT图像，由专业放疗医师勾画其靶区标签；对标有鼻咽癌靶区标签的DICOM医学图进行查看和读取，使用Sante DICOM View可以查看和编辑DICOM格式文件，使用python中的pydicom、numpy等包来对医学图像进行读取，得到具有鼻咽癌靶区标签的医学图像。
[0027]步骤S12：对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；
[0028]由于CT图像的采集会受到设备设置的影响，导致图像灰度信息上存在差异，因此将CT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：