【技术实现步骤摘要】
非小细胞肺癌大体肿瘤靶区自动分割方法
[0001]本专利技术涉及计算机视觉领域，特别涉及一种基于深度学习的医学图像自动分割领域，应用于小样本数据集的非小细胞肺癌的大体肿瘤靶区的自动分割。
技术介绍
[0002]肺癌的死亡率在世界范围居于首位，并且发病率也呈逐年上升的趋势，其中非小细胞肺癌约占肺癌的80
‑
85％。对于无法接受手术或者拒绝接受手术的患者，根治性放疗依然是目前治疗非小细胞肺癌的有效手段之一。放疗中需要医师根据医学影像信息分割大体肿瘤靶区等肿瘤组织，然后由物理师制定放疗计划。医师手动分割靶区工作量大，效率较低，且分割结果易受到主观经验、工作状态等因素的影响从而出现错分割和漏分割的问题。若分割区域时遗漏了实际的肿瘤组织，那么放疗时无法对肿瘤进行有效治疗；若分割区域时包含了周围的正常组织，那么将对正常组织造成不必要的放射损伤。由此可见，分割精度直接影响放疗的效果。因此，为了提高医生工作效率，实现高精度的放疗自动化与智能化，需要研究非小细胞肺癌靶区自动分割方法。
[0003]传统的CT图像分割技...
【技术保护点】
【技术特征摘要】
1.一种非小细胞肺癌大体肿瘤靶区自动分割方法，其特征在于，包括：获取包含非小细胞肺癌大体肿瘤区域的病例图像的步骤；通过卷积神经网络对所述病例图像进行处理来获取所述病例图像的特征图的步骤，和基于所述特征图获得所述病例图像的非小细胞肺癌大体肿瘤靶区自动分割结果的步骤，其中，所述卷积神经网络中包括至少一个注意力残差块，每一注意力残差块包括：卷积层、批归一化层、空间与通道级联注意力层、以及块输入到块输出的跃层连接，所述注意力残差块中，所述空间与通道级联注意力层包括空间注意力阶段与通道注意力阶段，两者分别沿着特征图的通道维度以及宽、高两个空间维度进行全局最大池化以及全局平均池化，获得压缩后的全局最大池化特征图与全局平均池化特征图并将它们拼接，同时使用变尺度卷积实现通道融合，将激活后的权重回乘到特征图中，获得空间特征与通道特征重标定后的特征图。2.如权利要求1所述的非小细胞肺癌大体肿瘤靶区自动分割方法，其特征在于，所述卷积神经网络包括任意深度的U形网络，所述注意力残差块的输入为所述卷积神经网络中的上一级模块的特征图，经过所述卷积层、所述批归一化层、和所述空间与通道级联注意力层将特征重标定，与经过跃层连接的上一级模块的特征图进行拼接，输出拼接后的特征图。3.如权利要求1或2所述的非小细胞肺癌大体肿瘤靶区自动分割方法，其特征在于，所述注意力残差块为恒等注意力残差块和卷积注意力残差块的任一者，其中，所述的恒等注意力残差块中，所述卷积层、所述批归一化层、所述空间与通道级联注意力层依次级联，所述块输入到块输出的跃层连接为直通连接，所述的卷积注意力残差块中，所述卷积层、所述批归一化层、所述空间与通道级联注意力层依次级联，所述块输入到块输出的跃层连接为通过连接卷积层的连接。4.如权利要求3所述的非小细胞肺癌大体肿瘤靶区自动分割方法，其特征在于，所述的恒等注意力残差块中，所述卷积层由多个步长为1的3
×
3卷积核组成，使用权重滑动平均法时，所述批归一化层的衰减率(momentum)设置为0.99，所述的卷积注意力残差块中，所述卷积层由多个步长为2的3
×
3卷积核组成，使用权重滑动平均法时，所述批归一化层的衰减率(momentum)设置为0.99，所述连接卷积层由多个步长为2的3
×
3卷积核组成。5.如权利要求3所述的非小细胞肺癌大体肿瘤靶区自动分割方法，其特征在于，所述卷积神经网络包括任意深度的U形网络，在所述U形网络的下采样阶段，每个下采样层级均包括1个所述恒等注意力残差块和1个卷积注意力残差块，在所述U形网络的上采样阶段，每个上采样层级均包括1个所述恒等注意力残差块和1个上采样操作。6.如权利要求1或2所述的非小细胞肺癌大体肿瘤靶区自动分...
【专利技术属性】
技术研发人员：张富利，王秋生，路娜，蒋华勇，陈点点，王雅棣，樊恩雨，
申请(专利权)人：中国人民解放军总医院第七医学中心，
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。