[发明专利]一种基于深度学习的靶区自动勾画方法、设备和存储介质

说明书

本发明属于医学影像和计算机技术领域，涉及一种基于深度学习的放射治疗计划中靶区自动勾画方法。该方法包括如下步骤：(1)将患者图像数据进行预处理；(2)将预处理的图像数据输入到训练好的卷积神经网络模型中对靶区进行预测；(3)将预测出的靶区进行边缘提取，得到自动勾画的靶区。本发明提供的基于深度学习的靶区自动勾画方法能够实现快速勾靶，并且具有很高的精确度，同样器官如果医生手工勾画需要5～10分钟，本发明提供的靶区自动勾画算法只需要15秒左右，与手工勾画相比，时间缩短了约95％，这极大地提高医生的工作效率，同时又为病人及时治疗提供宝贵的时间。

技术领域

本发明属于医学影像和计算机技术领域，涉及一种基于深度学习的放射治疗计划中靶区自动勾画方法。

背景技术

在医院对病人进行放射治疗的过程中，往往涉及到目标靶区的勾画，目前医生主要是采用手工勾画的方式，手工勾画费时费力，影响医生的工作效率，且容易导致人为失误，影响病人的治疗。

深度学习是用神经网络尝试对数据做高层次的抽象，它专注于学习数据的表征，此外，对数据做高层次抽象跟人工智能很相像，也就是知识可以被表现出来并且做智能的回应。深度学习已被大量应用到图像和模式识别领域。

卷积神经网络(Convolutional Neural Network，CNN)是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。卷积神经网络是近年发展起来，并引起广泛重视的一种高效识别方法。 CNN一般有几层网络，每个层会捕获对象抽象层次中的不同级别。第一层是抽象层次的最底级，CNN一般把图片中的较小的部分识别成简单的形状，例如水平、竖直的直线，简单的色块。下一层将会上升到更高的抽象层次，一般会识别更复杂的概念，例如形状(线的组合)，以此类推直至最终识别整个物体，例如小脑靶区。CNN通过自主学习，无需告诉CNN如何去寻找任何直线、曲线等等。CNN从训练集中学习并发现靶区中值得寻找的特征。

鉴于各医院中的医学影像例如CT影像或核磁影像的图像数据具有很大的差异性，若将卷积神经网络运用到医学影像自动勾靶中，必须提高CNN神经网络模型的鲁棒性和自动勾画的准确率，这正是本发明要解决的问题。

发明内容

本发明的目的在于为克服现有技术的缺陷而提供一种基于深度学习的放射治疗计划中靶区自动勾画方法。

为实现上述目的，本发明采用以下技术方案：

本发明利用卷积神经网络技术，把经过医生勾画的靶区图像数据分离出训练图像image和训练标签label，然后利用搭建的卷积神经网络进行训练，把训练好的模型和权重进行保存，然后就可以利用保存的模型和权重对一个新的靶区进行预测，对预测出来的靶区进行边缘提取，就可以得到靶区自动勾画效果。

一种基于深度学习的放射治疗计划中靶区自动勾画方法，包括如下步骤：

(1)将患者图像数据进行预处理；

(2)将预处理的图像数据输入到训练好的卷积神经网络模型中对靶区进行预测；

(3)将预测出的靶区进行边缘提取，得到自动勾画的靶区。

步骤(1)中，所述的患者图像为CT图像、核磁图像或PET图像等。

步骤(1)中，所述的预处理为对患者图像进行插值处理，优选地，待预测 (勾画)图像的分辨率与训练图片的分辨率相同。

所述的卷积神经网络包括输入层，卷积层，激活层，最大池化层，上采样层，融合层和输出层，其中卷积层，激活层，最大池化层，上采样层，融合层为隐藏层。

所述的卷积神经网络模型中，每个卷积层都包括权重初始化函数和激活函数。