一种肝肿瘤消融路径规划方法及装置制造方法及图纸

本发明专利技术提供一种肝肿瘤消融路径规划方法及装置。所述方法包括以下步骤：利用深度神经网络对输入的多期相肝脏CT图像进行肿瘤区域分割；基于消融针参数在分割出的肿瘤区域确定消融靶点；建立消融路径规划约束条件，利用强化学习规划最佳的消融路径。本发明专利技术利用强化学习方法，通过反复迭代优化自动获得最佳消融路径，提高了肝肿瘤消融效率，解决了传统手工消融路径规划存在的效率低、误差大、消融范围不完全等问题。完全等问题。完全等问题。

【技术实现步骤摘要】
一种肝肿瘤消融路径规划方法及装置


[0001]本专利技术属于医学影像
，具体涉及一种肝肿瘤消融路径规划方法及装置。

技术介绍

[0002]肝肿瘤是世界上最常见的恶性肿瘤之一，近年来发病率不断上升。根据肝肿瘤的进展情况，临床上可采用不同的治疗方法，其中肝肿瘤消融治疗是目前临床上应用非常广泛的一种微创治疗方法。
[0003]肝肿瘤消融治疗的主要过程和原理是：先通过CT图像等方式确定肿瘤病灶及其周围组织结构的位置；然后将消融针插入到患者体内肿瘤位置，通过消融针产生的高温对局部病灶进行消融，从而达到对肝肿瘤的治疗。在治疗前，医生需要根据肿瘤位置及其周围器官、血管等的分布情况制定消融方案，即确定消融针进针的路径及具体消融位置。一般来说，消融针形成的消融区域为椭球体(为了方便计算也可近似为球体)，不同规格的消融针可以对不同大小的椭球体区域进行消融。每次进针，消融针需要从皮肤进针点插入患者体内，行进到消融位置，从而对该位置附近的椭球体区域进行消融。消融方案的制定在临床上存在两个难点：一是基于人工观察和分析，难以做到精准的计算和规划；二是依赖医生临床经验，耗时费力。为此，本专利技术提出一种基于强化学习的消融路径自动规划方法及装置。

技术实现思路

[0004]为了解决现有技术中存在的上述问题，本专利技术提供一种肝肿瘤消融路径规划方法及装置。
[0005]为了实现上述目的，本专利技术采用以下技术方案。
[0006]第一方面，本专利技术提供一种肝肿瘤消融路径规划方法，包括以下步骤：
[0007]利用深度神经网络对输入的多期相肝脏CT图像进行肿瘤区域分割；
[0008]基于消融针参数在分割出的肿瘤区域确定消融靶点；
[0009]建立消融路径规划约束条件，利用强化学习规划最佳的消融路径。
[0010]进一步地，所述进行肿瘤区域分割的方法包括：
[0011]构建基于HR
‑
net深度神经网络分割模型；
[0012]建立由多期相肝脏CT图像及对应的标签组成的训练数据集，并利用所述数据集对所述分割模型进行训练；
[0013]将患者的多期相肝脏CT图像输入到训练好的分割模型中，分割出肿瘤区域。
[0014]进一步地，所述确定消融靶点的方法包括：
[0015]作所述肿瘤区域的最小外接椭球体；
[0016]将所述椭球体的长轴和短轴分别向外扩展一段长度得到椭球体A，设A的最大长径为2L，体积为V0；
[0017]计算A的质心坐标I1，并作以I1为球心、以最大消融针长度l为半径的球体，球体积为V1，其中，l>L/2；
[0018]若V1≥V0，则I1点为唯一的消融靶点；
[0019]若V1<V0，则A的最大长径上左端点右侧l处和右端点左侧l处分别为第一消融靶点和第二消融靶点。
[0020]进一步地，建立消融路径规划安全约束条件的方法包括：
[0021]构建基于注意力机制的3DU
‑
net深度神经网络分割模型；
[0022]利用训练好的分割模型从输入的多期相肝脏CT图像中分割出包括血管、骨骼的腹部组织器官；
[0023]基于分割结果，确定消融路径避开所述腹部组织器官的最小距离，得到消融路径规划安全性约束条件。
[0024]更进一步地，所述约束条件还包括：
[0025]消融路径长度小于消融针最大长度；
[0026]消融路径与肝包膜夹角大于20度。
[0027]进一步地，利用强化学习规划最佳消融路径的方法包括：
[0028]S1、初始化收益期望矩阵Q(s,a)，s为状态即消融针位置，a为对应s的动作即当前子路径下消融针方向所决定的方向向量，设定马尔可夫链状态转移方程中的固定参数
ɑ
、γ；
[0029]S2、根据epsilon贪婪策略，基于当前时刻t的状态s
t
、动作a
t
及约束条件，计算奖励函数r
t
和下一时刻的状态s
t+1
；
[0030]S3、根据马尔可夫链状态转移方程，按下式更新Q(s
t
,a
t
)：
[0031]New Q(s
t
,a
t
)＝Q(s
t
,a
t
)+α[r
t
+γ
×
maxQ(s
t+1
,a
t+1
)
‑
Q(s
t
,a
t
)][0032]式中，New Q(s
t
,a
t
)为Q(s
t
,a
t
)的更新值，maxQ(s
t+1
,a
t+1
)表示在状态s
t+1
下执行所有动作能够获得的最大收益期望值；
[0033]S4、重复步骤S3，直到目标消融靶点状态，得到一条路径；
[0034]S5、重复步骤S2～S4，直到Q(s
t
,a
t
)达到局部极小值，从而得到最佳消融路径。
[0035]第二方面，本专利技术提供一种肝肿瘤消融路径规划装置，包括：
[0036]肿瘤区域分割模块，用于利用深度神经网络对输入的多期相肝脏CT图像进行肿瘤区域分割；
[0037]消融靶点确定模块，用于基于消融针参数在分割出的肿瘤区域确定消融靶点；
[0038]消融路径规划模块，用于建立消融路径规划约束条件，利用强化学习规划最佳的消融路径。
[0039]进一步地，所述肿瘤区域分割模块具体用于：
[0040]构建基于HR
‑
net深度神经网络分割模型；
[0041]建立由多期相肝脏CT图像及对应的标签组成的训练数据集，并利用所述数据集对所述分割模型进行训练；
[0042]将患者的多期相肝脏CT图像输入到训练好的分割模型中，分割出肿瘤区域。
[0043]进一步地，所述消融靶点确定模块具体用于：
[0044]作所述肿瘤区域的最小外接椭球体；
[0045]将所述椭球体的长轴和短轴分别向外扩展一段长度得到椭球体A，设A的最大长径为2L，体积为V0；
[0046]计算A的质心坐标I1，并作以I1为球心、以最大消融针长度l为半径的球体，球体积为V1，其中，l>L/2；
[0047]若V1≥V0，则I1点为唯一的消融靶点；
[0048]若V1<V0，则A的最大长径上左端点右侧l处和右端点左侧l处分别为第一消融靶点和第二消融靶点。
[0049]进一步地，所述消融路径规划模块按以下步骤建立消融路径规划安全约束条件：
[0050]构建基于注意力机制的3DU
‑
net深度神经本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种肝肿瘤消融路径规划方法，其特征在于，包括以下步骤：利用深度神经网络对输入的多期相肝脏CT图像进行肿瘤区域分割；基于消融针参数在分割出的肿瘤区域确定消融靶点；建立消融路径规划约束条件，利用强化学习规划最佳的消融路径。2.根据权利要求1所述的肝肿瘤消融路径规划方法，其特征在于，所述进行肿瘤区域分割的方法包括：构建基于HR
‑
net深度神经网络分割模型；建立由多期相肝脏CT图像及对应的标签组成的训练数据集，并利用所述数据集对所述分割模型进行训练；将患者的多期相肝脏CT图像输入到训练好的分割模型中，分割出肿瘤区域。3.根据权利要求1所述的肝肿瘤消融路径规划方法，其特征在于，所述确定消融靶点的方法包括：作所述肿瘤区域的最小外接椭球体；将所述椭球体的长轴和短轴分别向外扩展一段长度得到椭球体A，设A的最大长径为2L，体积为V0；计算A的质心坐标I1，并作以I1为球心、以最大消融针长度l为半径的球体，球体积为V1，其中，l>L/2；若V1≥V0，则I1点为唯一的消融靶点；若V1<V0，则A的最大长径上左端点右侧l处和右端点左侧l处分别为第一消融靶点和第二消融靶点。4.根据权利要求1所述的肝肿瘤消融路径规划方法，其特征在于，建立消融路径规划安全约束条件的方法包括：构建基于注意力机制的3D U
‑
net深度神经网络分割模型；利用训练好的分割模型从输入的多期相肝脏CT图像中分割出包括血管、骨骼的腹部组织器官；基于分割结果，确定消融路径避开所述腹部组织器官的最小距离，得到消融路径规划安全性约束条件。5.根据权利要求4所述的肝肿瘤消融路径规划方法，其特征在于，所述约束条件还包括：消融路径长度小于消融针最大长度；消融路径与肝包膜夹角大于20度。6.根据权利要求1所述的肝肿瘤消融路径规划方法，其特征在于，利用强化学习规划最佳消融路径的方法包括：S1、初始化收益期望矩阵Q(s,a)，s为状态即消融针位置，a为对应s的动作即当前子路径下消融针方向所决定的方向向量，设定马尔可夫链状态转移方程中的固定参数
ɑ
、γ；S2、根据epsilon贪婪策略，基于当前时刻t的状态s
t
、动作a
t
及约束条件，计算奖励函数r
t
和下一时刻的状态s
t+1
；S3、根据马尔可夫链状态转移方程，按下式更新Q(s
t
,a
t
)：New Q(s
t
,a
t
)＝Q(s
t
,a
...

【专利技术属性】
技术研发人员：王贵生，陈晓霞，滑蓉蓉，何绪成，董玉茹，张步环，叶菊，陆静，
申请(专利权)人：陈晓霞滑蓉蓉，
类型：发明
国别省市：