【技术实现步骤摘要】
本专利技术涉及医疗临床，尤其涉及一种基于医学影像的靶区自动勾画方法及系统。
技术介绍
1、在医学影像靶区规划中，ct医学图像的准确靶区勾画对于确保处理的精准性至关重要。传统的靶区勾画方法通常依赖于手工设计的特征和规则，无法充分捕捉靶区在不同图像中的多样性和复杂性，因此能够实现自动准确地识别和分割医学图像中的靶区，成为一个重要的问题。
技术实现思路
1、基于此，本专利技术有必要提供一种基于医学影像的靶区自动勾画方法及系统，以解决至少一个上述技术问题。
2、为实现上述目的，一种基于医学影像的靶区自动勾画方法，包括以下步骤：
3、步骤s1：获取ct医学图像数据集；利用多尺度稀疏表示方法对ct医学图像数据集进行图像消噪处理，以得到ct医学图像稀疏消噪数据集；对ct医学图像稀疏消噪数据集进行异常识别分析，得到ct医学图像异常区域数据集；
4、步骤s2：对ct医学图像异常区域数据集进行图像靶区标注处理，以构建ct医学图像靶区实例训练数据集；
5、步骤s3：按照预设的划分规则将ct医学图像靶区实例训练数据集划分为靶区实例网络框架训练数据集以及靶区实例模型训练数据集；利用靶区实例网络框架训练数据集构建靶区实例分割网络u-net框架；利用靶区实例模型训练数据集对靶区实例分割网络u-net框架进行模型训练，得到医学图像靶区分割模型；获取新的ct医学图像数据集，并利用医学图像靶区分割模型对新的ct医学图像数据集进行靶区自动并行勾画处理，以得到医学图像靶区分
6、步骤s4：对医学图像靶区分割结果进行孤立区域去除以及边界优化处理，以得到靶区分割区域边界优化结果。
7、本专利技术首先通过收集获取包含患者ct扫描的医学图像数据集，这些数据集通常包含多个患者的ct图像，能够为后续的处理过程提供基础的数据保障。同时，通过使用多尺度稀疏表示方法对ct医学图像数据集进行图像消噪处理，可以有效地去除图像中的噪声和干扰，以改善图像质量和减少干扰。通过噪声消噪处理有助于提高ct医学图像的可视化效果和处理能力，噪声和冗余信息得到了有效的减少，图像质量也得到了明显的提升。并且，通过对ct医学图像稀疏消噪数据集进行异常识别分析，可以自动识别并提取图像中存在的异常区域，如病变、肿瘤和异常组织，这样的分析对于后续的处理过程具有重要意义，能够帮助医生更准确地评估患者的健康状况。通过异常识别分析，可以有效区分正常和异常区域，为后续的靶区实例训练提供有针对性的数据集。其次，通过对ct医学图像异常区域数据集进行图像靶区标注处理，这一步骤有益于为机器学习模型提供训练样本，使其能够学习并理解靶区实例的特征。标注的过程有助于模型准确地捕捉靶区实例的形态和结构信息，为后续的网络训练奠定基础。然后，通过按照预设的划分规则将ct医学图像靶区实例训练数据集划分为两个子集，分别为靶区实例网络框架训练数据集和靶区实例模型训练数据集。随后，通过使用靶区实例网络框架训练数据集构建靶区实例分割网络u-net框架，同时使用靶区实例模型训练数据集对该框架进行训练，最终得到医学图像靶区分割模型。这一步骤的关键在于通过两个子集的训练，分别针对网络的通用特征和靶区实例的任务特定信息，提高模型的泛化性和准确性，能够充分捕捉靶区实例在不同图像中的多样性和复杂性。另外，通过获取新的ct医学图像数据集，并利用医学图像靶区分割模型对新的ct医学图像数据集进行靶区自动并行勾画处理，以得到医学图像靶区分割结果，这有益于实现自动化的靶区分割，为医学图像的进一步分析和处理提供了基础数据。最后，通过对医学图像靶区分割结果进行孤立区域去除以及边界优化处理，这一过程有益于提高分割结果的准确性和可视化效果。孤立区域的去除减少了分割结果中的噪声点，而边界优化则通过平滑和精炼边界，进一步增强了图像的清晰度和质量，这有助于更精确地提取靶区域，使医学图像的分割结果更符合实际情况，从而能够准确地识别和分割医学图像中的靶区。
8、优选地，本专利技术还提供了一种基于医学影像的靶区自动勾画系统，用于执行如上所述的基于医学影像的靶区自动勾画方法，该基于医学影像的靶区自动勾画系统包括：
9、医学图像数据处理模块，用于获取ct医学图像数据集；利用多尺度稀疏表示方法对ct医学图像数据集进行图像消噪处理，以得到ct医学图像稀疏消噪数据集；对ct医学图像稀疏消噪数据集进行异常识别分析，从而得到ct医学图像异常区域数据集；
10、靶区实例数据集构建模块，用于对ct医学图像异常区域数据集进行图像靶区标注处理，以构建ct医学图像靶区实例训练数据集；
11、图像靶区分割勾画模块，用于利用深度学习卷积神经网络构建靶区实例分割网络u-net框架；利用ct医学图像靶区实例训练数据集对靶区实例分割网络u-net框架进行模型训练，得到医学图像靶区分割模型；通过ct医学影像设备获取新的ct医学图像数据集，并利用医学图像靶区分割模型对新的ct医学图像数据集进行靶区自动并行勾画处理，从而得到医学图像靶区分割结果；
12、靶区分割结果优化模块，用于对医学图像靶区分割结果进行孤立区域去除以及边界优化处理，以得到靶区分割区域边界优化结果。
13、综上所述，本专利技术提供了一种基于医学影像的靶区自动勾画系统，该基于医学影像的靶区自动勾画系统由医学图像数据处理模块、靶区实例数据集构建模块、图像靶区分割勾画模块以及靶区分割结果优化模块组成，能够实现本专利技术所述任意一种基于医学影像的靶区自动勾画方法，用于联合各个模块上运行的计算机程序之间的操作实现一种基于医学影像的靶区自动勾画方法，系统内部结构互相协作，通过获取ct医学图像并构建一个包含丰富多样的靶区实例训练集，以提高后续网络模型的泛化能力和鲁棒性，同时，通过基于深度学习卷积神经网络训练一个学习靶区的特征表示的靶区实例分割网络u-net框架，能够快速、精确地定位靶区并生成高质量的分割结果，另外，为了得到更准确的靶区分割结果，还通过使用优化分割边界和去除孤立的分割区域等的后处理方法来提高分割的准确性和平滑性，这样能够大大减少重复工作和人力投入，还能够快速有效地提供更准确、更高效的医学图像靶区勾画过程，从而简化了基于医学影像的靶区自动勾画系统的操作流程。
本文档来自技高网...【技术保护点】
1.一种基于医学影像的靶区自动勾画方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于医学影像的靶区自动勾画方法，其特征在于，步骤S1包括以下步骤：
3.根据权利要求2所述的基于医学影像的靶区自动勾画方法，其特征在于，步骤S13包括以下步骤：
4.根据权利要求2所述的基于医学影像的靶区自动勾画方法，其特征在于，步骤S14包括以下步骤：
5.根据权利要求4所述的基于医学影像的靶区自动勾画方法，其特征在于，步骤S142中的特征噪声程度计算公式具体为：
6.根据权利要求2所述的基于医学影像的靶区自动勾画方法，其特征在于，步骤S15包括以下步骤：
7.根据权利要求1所述的基于医学影像的靶区自动勾画方法，其特征在于，步骤S3包括以下步骤：
8.根据权利要求7所述的基于医学影像的靶区自动勾画方法，其特征在于，步骤S31包括以下步骤：
9.根据权利要求1所述的基于医学影像的靶区自动勾画方法，其特征在于，步骤S4包括以下步骤：
10.一种基于医学影像的靶区自动勾画系统，其特征在于
...【技术特征摘要】
1.一种基于医学影像的靶区自动勾画方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于医学影像的靶区自动勾画方法，其特征在于，步骤s1包括以下步骤：
3.根据权利要求2所述的基于医学影像的靶区自动勾画方法，其特征在于，步骤s13包括以下步骤：
4.根据权利要求2所述的基于医学影像的靶区自动勾画方法，其特征在于，步骤s14包括以下步骤：
5.根据权利要求4所述的基于医学影像的靶区自动勾画方法，其特征在于，步骤s142中的特征噪声程度计算公式具体为：
6.根据权利要求2所述的...
【专利技术属性】
技术研发人员：姜冠群，
申请(专利权)人：山东卓业医疗科技有限公司，
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。