[发明专利]自动分割食管癌放疗靶区和危及器官的方法及系统

说明书

本发明公开了一种自动分割食管癌放疗靶区和危及器官的方法及系统，涉及医学图像分割领域，该方法包括以下步骤：通过残差网络提取输入的CT图像的特征，通过特征金字塔网络融合多尺度特征图；通过区域建议网络对特征图中每个点的感兴趣区域进行筛选；结合感兴趣区域对齐层将区域建议网络筛选出的感兴趣区域池化到一个固定尺寸；将池化到固定尺寸的感兴趣区域输入到全连接层进行器官分类，并进行器官位置边框回归；同时将池化到固定尺寸的感兴趣区域输入到器官分割网络。本发明的优点在于：提高了自动分割食管癌放疗靶区和多种危及器官的准确度。

技术领域

本发明涉及医学图像分割领域，尤其涉及一种自动分割食管癌放疗靶区和危及器官的方法及系统。

背景技术

食管癌是食管的原发性恶性肿瘤，在中国，每年有多达20万人受到影响。放射治疗是食管癌的主要治疗方法之一，其治疗计划高度依赖于对规划靶体积PTV和多个危及器官OAR的准确分割，分割的准确性决定了放射治疗计划剂量优化的质量，从而直接影响放疗的成败或并发症的发生率。由于食管癌靶区形状多变，人体之间存在差异，靶区与器官之间的界限模糊不清，在临床实践中，一般由医生手动勾画。然而，人工勾画的准确性高度依赖于放射科医师的临床经验，而且效率低下。因此，多器官自动分割一直是许多学者的研究方向，各种不同的医学图像自动分割算法也应运而生。

现有技术一采用基于区域特征的区域分割算法，该算法的基本思想是从一组生长点开始，生长点可以是单个像素，也可以为某个小区域，将与该生长点性质相似的相邻像素或者区域与生长点合并，形成新的生长点，重复此过程直到不能生长为止；该算法对于灰度分布差异不大的区域分割效果不佳。

现有技术二采用基于形变模型的医学图像分割算法，该算法首先在图像上给出一条对应对象边界大概位置的闭曲线，即初始模型；然后曲线在图像信息和曲线本身信息的指引下运动，即模型的形变过程；最终曲线运动到正确的对象边界处，停止运动，即模型收敛；该算法对模型质量敏感，分割效果难以满足临床要求。

发明内容

本发明所要解决的技术问题是提供一种能够提高自动分割的准确度的自动分割食管癌放疗靶区和危及器官的方法及系统。

本发明是通过以下技术方案解决上述技术问题的：自动分割食管癌放疗靶区和危及器官的方法，包括以下步骤：

步骤A，通过残差网络提取输入的CT图像的特征，通过特征金字塔网络融合多尺度特征图，通过区域建议网络对特征图中每个点的感兴趣区域进行筛选；

步骤B，结合感兴趣区域对齐层将区域建议网络筛选出的感兴趣区域池化到一个固定尺寸；

步骤C，将池化到固定尺寸的感兴趣区域输入到全连接层进行器官分类，并进行器官位置边框回归；同时将池化到固定尺寸的感兴趣区域输入到器官分割网络。

本发明自动分割食管癌放疗靶区和危及器官的方法相较于现有技术更加简洁有效，对输入图片直接在像素水平上进行预测，避免了区域搜索、区域合并的过程；不需要前期的包含目标图像的区域搜索，也不需要在后期进行合并等操作；卷积和池化提取特征，缩小特征映射，通过反卷积层来进行逆向操作，将特征重新映射到原来的图像上；解决了现有技术对于灰度分布差异不大的区域分割效果不佳，以及对模型质量敏感的问题。

作为优化的技术方案，步骤A具体步骤如下：

步骤a1，输入一张包含多器官的医学CT图像，经过残差网络进行深度卷积，Res2，Res3，Res4，Res5分别是ResNet层的输出；

步骤a2，采用金字塔网络获得一个语义信息，其具体做法是对Res4上面的特征进行降维操作，即添加一层1*1的卷积层，对P5上面的特征上采样操作，使得他们具有相同的尺寸；