[发明专利]一种基于深度学习的器官自动勾画算法

权利要求书

1.一种基于深度学习的器官自动勾画算法，其特征在于，具体包括以下步骤：

(1)使用图像部位分类算法，筛选出当前器官所在部位的图像；

(2)获取器官在图像中的窗口位置和大小，按照器官在图像中的窗口位置及大小，将筛选出的图像剪裁为固定大小；

(3)将剪裁后的图像插值为神经网络输入所要求的大小；

(4)将经过步骤(1)-(3)处理后的图像输入到训练好的3D Unet卷积神经网络，以对器官进行预测；

(5)将预测的器官图像反插值到剪裁图像的大小，并填充为原图像大小，得到器官的真实预测；

(6)提取真实预测的器官的边缘线，即为该器官的勾画；

所述步骤(1)具体包括以下步骤：

(1.1)输入当前病人的所有图像，利用训练好的所述图像部位分类算法预测每张图像所属的部位；

(1.2)保留属于当前器官所在部位的图像，剔除掉在层厚方向与其它图像相距比较远的异常图像；

(1.3)分别记录下剩余的最上层、最下层图像所在的序号k1、k2，序号在[k1-k，k2+k]之间的图像则是最终的图像；

其中：k为配置项；

所述步骤(2)中，获取器官在图像中的窗口位置及大小具体包括以下步骤：

(2.1)将训练数据拆分为图像和标签两部分，根据标签获取能够覆盖所有图像中器官的最小矩形，记录下该矩形在图像中的位置和大小；

(2.2)将所述步骤(2.1)中得到的最小矩形沿上、下两个方向分别外扩1/2矩形高度，沿左、右方向分别外扩矩形的1/2宽度，得到新矩形，该新矩形即为器官的窗口，记录下该窗口在图像中的位置和大小。

2.根据权利要求1所述的基于深度学习的器官自动勾画算法，其特征在于，

在所述步骤(1)之前，需要对使用的所述图像部位分类算法进行训练，具体步骤如下：

(a1)将按部位标记好的医学图像分为训练集和测试集两大类；

(a2)将训练集中的图像进行预处理，然后和其标签一起输入所述图像部位分类算法中，训练该算法的权重；

(a3)将测试集中的图像进行预处理，然后和标签一起输入训练好的所述图像部位分类算法中，测试所述图像部位分类算法的预测精度，

若精度没有达到阈值，则对所述图像部位分类算法的超参或所述图像部位分类算法的预处理方法进行调整，然后再进入所述步骤(a2)进行迭代；

若预测精度达到阈值，则停止迭代，保存训练好的所述图像部位分类算法。

3.根据权利要求2所述的基于深度学习的器官自动勾画算法，其特征在于，所述步骤(1)中的所述图像部位分类算法用于将图像按头部、颈部、胸部、腹部、盆部、腿部分为6大类，所述图像部位分类算法为VGG16卷积神经网络或SVM+HOG算法。

4.根据权利要求3所述的基于深度学习的器官自动勾画算法，其特征在于，对于VGG16卷积神经网络，图像预处理方法优先采用图像归一和去噪两种方法；

对于SVM+HOG算法，图像预处理方法优先采用缩放方法。

5.根据权利要求1所述的基于深度学习的器官自动勾画算法，其特征在于，所述步骤(4)中提及的所述3D Unet卷积神经网络的训练具体包括以下内容：

将训练数据拆分为图像和标签两部分，将图像和标签分别做图像预处理，然后将它们放进神经网络中进行训练；

训练时，采用的损失函数为图像分割中常用的Dice相似度，具体表达为：

DSC(A，B)＝2V(A∩B)/(V(A)+V(B))

其中，V(A)、V(B)分别表示自动勾画和专家手动勾画的结果的体积；

V(A∩B)表示自动勾画与专家手动勾画的结果的重叠体积，自动分割与专家手动勾画的结果的重叠体积越大，DSC值就越大，自动勾画的精度也就越高，DSD值最大能达到1。