【技术实现步骤摘要】
本专利技术涉及医学图像处理的，具体而言，涉及一种基于深度学习的宫颈癌放疗靶区及危及器官的自动勾画方法。
技术介绍
1、在深度学习兴起之前，宫颈癌放疗领域的图像分割技术主要依赖于传统方法和基于机器学习的手段。在早期阶段，研究者们主要采用手动勾画和传统分割方法来提取图像中的宫颈癌放疗靶区及危及器官的信息。然而，这些方法存在着显著的缺陷，限制了其在实际临床应用中的效果。其中，手动勾画的主观性和耗时性成为制约因素。由于宫颈癌放疗图像通常较为复杂，手动标记靶区需要经验丰富的专业医生花费大量时间和精力，而且容易受到主观因素的影响，导致结果的不一致性。而传统的分割方法，例如阈值分割、边缘检测和区域生长等，往往对于复杂的图像结构和变化较大的宫颈癌放疗图像效果欠佳。这些方法难以应对不同光照条件、图像噪声和器官形态的多样性，导致分割结果的不准确性和不稳定性。
2、随着机器学习技术的发展，基于机器学习的方法逐渐成为图像分割的研究热点。利用机器学习算法，研究者们尝试通过学习特定的图像特征和规律来实现宫颈癌放疗图像的自动分割。然而，这些方法仍然面临一些困难。首先，基于机器学习的方法通常需要手工设计和选择特征，这依赖于领域专家的经验，而且特征的选择对于不同类型的宫颈癌放疗图像可能需要不同的策略，增加了方法的局限性。其次，模型的泛化能力受到限制。由于宫颈癌放疗图像的多样性，机器学习模型在面对新的、具有不同特征的图像时往往表现不佳，需要更多的、具有代表性的训练数据来提高泛化性能。
3、而在深度学习技术崭露头角后，基于深度学习的方法在宫颈
4、(1)模型复杂性：深度学习模型通常具有复杂的结构，包括多个卷积层、池化层和全连接层。这些模型需要大量的计算资源来进行训练和推断，这可能对硬件和计算资源构成挑战。
5、(2)网络结构：仅使用普通的卷积和池化操作来提取特征，容易导致部分特征丢失。通过增加网络深度可以学习到更多的特征信息，但是随着网络的加深会出现不同程度的梯度发散、准确度下降的现象。
6、(3)泛化能力：宫颈癌图像的质量可能受到多种因素的影响，例如扫描设备、扫描参数、患者体位、肌肉张力等，这就需要分割算法具有较好的泛化性。深度学习模型的泛化能力对于处理不同类型的宫颈癌放疗图像至关重要。确保模型能够准确处理多样性图像数据是一个挑战。
7、(4)过度拟合：深度学习模型容易过度拟合训练数据，特别是在数据稀缺的情况下。过度拟合可能导致模型在新数据上的性能下降。
8、(5)数据标注困难：标记医学图像通常需要专业医生的干预，这是一项耗时且费力的任务。同时，标签之间可能存在主观性和不一致性，这可能对深度学习模型的训练造成困难。
9、(6)数据需求：深度学习方法通常需要大量的训练数据，以便模型能够学到足够的特征和模式。在某些医学领域，如宫颈癌放疗，获取大规模标记数据可能是困难的，这可能限制了深度学习方法的应用。
10、尽管基于深度学习的方法在宫颈癌放疗图像分割方面取得了显著的进展，但仍然需要进一步的研究和技术改进，以克服现有技术的局限性，提高宫颈癌放疗图像分割的精确性和实用性。
技术实现思路
1、本专利技术旨在至少解决现有技术或相关技术中存在的技术问题之一。
2、为此，本专利技术的目的在于提出一种基于深度学习的宫颈癌放疗靶区及危及器官的自动勾画方法。
3、为了实现上述目的，本专利技术的技术方案，提供了一种基于深度学习的宫颈癌放疗靶区及危及器官的自动勾画方法，包括：步骤s1：获取宫颈癌图像数据集，并按照预设比例将所述宫颈癌图像数据集划分为训练集、验证集和测试集；其中，所述宫颈癌图像数据集为有标签的ct图像数据集；步骤s2：对所述训练集和验证集进行预处理；步骤s3：搭建resau-net分割模型；所述resau-net分割模型为编码器解码器架构，所述resau-net分割模型包括：左侧编码器和右侧解码器；所述左侧编码器使用resnet作为特征提取的前端主干网络，resnet进行了5次降采样，包括一次7×7的卷积和4次卷积块；所述右侧解码器与左侧编码器相对应，所述右侧解码器包括4个块，每个块包括两次3×3卷积、relu和一次上采样操作；所述左侧编码器的最后一层之后是一个中间层，所述中间层用于连接所述左侧编码器和右侧解码器；所述左侧编码器的某一层，通过attention block与所述右侧解码器的对应的层进行连接；步骤s4：构建损失函数，用于衡量训练所述resau-net分割模型时输出的实际值和预测值之间的差异；步骤s5：基于所述损失函数，并使用预处理后的训练数据集对所述resau-net分割模型进行训练，使用预处理后的验证集对所述resau-net分割模型进行优化，保存最优模型；步骤s6：将所述测试集输入最优模型，输出宫颈图像的宫颈癌放疗靶区及危及器官的自动勾画结果。
4、优选地，所述损失函数的具体实现过程为：
5、给定真实标签y*和预测标签则类别c的jaccard index被定义为式(1)：
6、
7、则得到对应的损失函数为式(2)：
8、
9、对于给定真实标签y*和预测标签y～，则类别c的错误预测部分为式(3)：
10、
11、基于式(3)改写上述损失函数式(2)，得到想要优化的损失函数为式(4)：
12、
13、对式(4)作光滑沿拓，沿拓后的函数总是凸的，则损失函数的表达式为：
14、
15、gi(m)＝δ({π1,···,πi})-δ({π1,···,πi-1})
16、其中，此时新函数δ的定义域已从离散变为连续，可以直接对误差进行求导。
17、优选地，所述attention block具体用于：
18、1)特征提取，以通过均值池化得到特征图；所述特征图包括c个通道信息的权重特征矩阵wg和wx；所述wg和wx的表达式分别为：
19、
20、
21、其中，g和x分别为编码图矩阵和解码图矩阵，h、w为特征图的高和宽，c为通道数；
22、2)特征权重更新；所述特征权重更新具体包括：wg点乘g、wx点乘x实现一次编码部分特征图和解码部分特征图的全连接操作，然后将全连接层结果求和后经过σ1，将经过σ1后输出的结果与φ点乘做一次全连接，得到qatt，qatt再经过σ2，θatt表示一组包含wg、wx和φ的参数，以使得wg和wx完成权重反向传播学习，完成g和x特征图的特征权重更新，以方便将更新后的权重矩阵α映射到特征图；
23、所述qatt和更新后的权重矩阵α的表达式分别如下：
24、
25、α＝σ2(qatt(x；θatt))
26、其中，qatt为attention中间矩阵，σ1表示relu激活函数，σ2为sigmoi本文档来自技高网...
【技术保护点】
1.一种基于深度学习的宫颈癌放疗靶区及危及器官的自动勾画方法，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的宫颈癌放疗靶区及危及器官的自动勾画方法，其特征在于，所述损失函数的具体实现过程为：
3.根据权利要求1所述的基于深度学习的宫颈癌放疗靶区及危及器官的自动勾画方法，其特征在于，所述Attention Block具体用于：
4.根据权利要求1至3中任一项所述的基于深度学习的宫颈癌放疗靶区及危及器官的自动勾画方法，其特征在于，所述基于所述Lovász损失函数，并使用预处理后的训练数据集对所述ResAU-Net分割模型进行训练，使用预处理后的验证集对所述ResAU-Net分割模型进行优化，保存最优模型的步骤，具体包括：
5.根据权利要求1至3中任一项所述的基于深度学习的宫颈癌放疗靶区及危及器官的自动勾画方法，其特征在于，所述对所述训练集和验证集进行预处理的步骤具体包括：
【技术特征摘要】
1.一种基于深度学习的宫颈癌放疗靶区及危及器官的自动勾画方法，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的宫颈癌放疗靶区及危及器官的自动勾画方法，其特征在于，所述损失函数的具体实现过程为：
3.根据权利要求1所述的基于深度学习的宫颈癌放疗靶区及危及器官的自动勾画方法，其特征在于，所述attention block具体用于：
4.根据权利要求1至3中任一项所述的基于深度...
【专利技术属性】
技术研发人员：刘学平，赵桂平，丁丝露，杜晶晶，卢玉凯，王鹤潼，
申请(专利权)人：沈阳航空航天大学，
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。