[发明专利]全身多部位放射治疗危及器官自动勾画方法

权利要求书

1.一种全身多部位放射治疗危及器官自动勾画方法，其特征在于，其基于先验约束深度学习模型，并包括以下步骤：

步骤（1）：采集各类肿瘤病人放射治疗前的计划CT图像数据和危及器官轮廓勾画数据，并对其进行预处理；

步骤（2）：提取步骤（1）中采集的计划CT图像上危及器官勾画结果，并将轮廓线以内的区域赋值为1，轮廓线以外的区域赋值为0，得到每个危及器官的二进制掩模图像；

步骤（3）：对步骤（1）中采集的计划CT图像进行身体分割，将CT值小于等于-200的区域置为1，CT值大于-200的区域置为0，得到图像中的空气区域的掩模图像；保留空气区域的三维最大连通区域后，再将处理后的掩模图像中值为1的区域置为0，值为0的区域置为1，得到病人的身体区域的掩模图像，并将掩模图像转化为身体表面点云；

步骤（4）：选择一个病人作为参考病人，采用点云刚性配准算法将其余病人的身体表面点云配准至参考病人，得到刚性配准参数；利用刚性配准参数将每个其余病人的危及器官勾画掩模图像刚性映射至参考病人图像坐标系，将各个危及器官按照病人进行平均，得到各个危及器官的空间分布概率图，其取值范围为0至1的浮点数；

步骤（5）：利用步骤（4）中计算得到的刚性配准参数将步骤（4）中生成的危及器官空间分布概率图刚性映射至每个其余病人的图像坐标系，得到每个其余病人的危及器官分布的先验知识图；

步骤（6）：构建基于金字塔结构的卷积神经网络模型，将步骤（1）中采集的计划CT图像和步骤（5）中处理后的对应的各危及器官先验知识图作为卷积神经网络模型的输入，各危及器官的掩模图像作为卷积神经网络模型的输出，对卷积神经网络模型进行训练；

步骤（7）：获取测试病人的计划CT图像数据，按照步骤（1）~步骤（5）获取测试病人的危及器官先验知识图，以验证模式输入步骤（6）中训练好的基于金字塔结构的卷积神经网络模型，输出各危及器官的激励函数预测概率，以最大预测概率取对应通道的标签，得到各危及器官的自动分割掩模图像；

其中，所述步骤（6）中的卷积神经网络模型的训练具体包括以下步骤:

步骤（a）：建立卷积神经网络模型，该卷积神经网络模型以病人计划CT图像和各危及器官先验知识图作为输入，以对应危及器官的二进制掩模图像作为输出；

步骤（b）：将步骤（a）中定义的输入数据进行数据增广；

步骤（c）：将步骤（a）中定义的计划CT图像及先验知识图和步骤（b）中增广后的数据进行打乱后，按批次输入建立的卷积神经网络模型，根据模型的输出和输入图像对应的危及器官二进制掩模图像，计算所有危及器官分割结果的平均Dice损失，采用反向传播方法对卷积神经网络模型的参数进行更新；

步骤(d)：迭代执行步骤（c），当达到预设的模型训练迭代次数或损失函数达到预设阈值，卷积神经网络模型训练完成，保存模型参数；

其中，所述步骤（a）中还包括:对卷积神经网络的输入进行随机dropout处理的步骤，其实现方法是对输入通道中需要进行规避处理的通道进行拆分，并在其后接入随机舍弃概率为(0, 1)范围内的dropout层，在训练过程中对对应通道的输入进行随机舍弃。

2.根据权利要求1所述的全身多部位放射治疗危及器官自动勾画方法，其特征在于，所述步骤（1）中对计划CT图像数据和危及器官轮廓勾画数据进行如下预处理：将CT灰度值截取在[-1024, 1024]范围内，再将其归一化至[-1, 1]范围内。

3.根据权利要求1所述的全身多部位放射治疗危及器官自动勾画方法，其特征在于，所述步骤（3）中通过匹配多维数据集算法将掩模图像转化为身体表面点云。

4.根据权利要求1所述的全身多部位放射治疗危及器官自动勾画方法，其特征在于，所述步骤（4）中的点云刚性配准算法为最近点迭代算法。

5.根据权利要求1所述的全身多部位放射治疗危及器官自动勾画方法，其特征在于，所述步骤（b）中的数据增广方法包括：

步骤i：对计划CT图像增加高斯噪声；

步骤ii：对先验知识图进行正负5°旋转；

步骤iii：对先验知识图进行正负5个像素内的平移；

步骤iv：对计划CT图像及先验知识图同时进行180°旋转；

步骤v：对计划CT图像及先验知识图同时进行左右对称翻转；

步骤vi：对计划CT图像及先验知识图同时进行前后对侧旋转。