[发明专利]基于分割任务辅助的鼻咽癌三维剂量分布预测方法有效

专利信息
申请号: 202010814307.0 申请日: 2020-08-13
公开(公告)号: CN111898324B 公开(公告)日: 2022-06-28
发明(设计)人: 肖江洪;王艳;彭星辰;吴锡;周激流 申请(专利权)人: 四川大学华西医院;四川大学
主分类号: G06F30/27 分类号: G06F30/27;G06T7/00;G06T7/11
代理公司: 成都智涌知识产权代理事务所(普通合伙) 51313 代理人: 魏振柯
地址: 610000 四川*** 国省代码: 四川;51
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 基于 分割 任务 辅助 鼻咽癌 三维 剂量 分布 预测 方法
【权利要求书】:

1.基于分割任务辅助的鼻咽癌三维剂量分布预测方法,其特征在于,所述方法包括以下步骤:

步骤1:采集原始鼻咽癌图像,对原始鼻咽癌图像进行预处理,包括放疗剂量以及器官轮廓标注;

步骤2:构建剂量分布预测模型,所述预测模型包括辅助分割网络、剂量预测网络和对抗网络;

步骤3:将标注后的原始鼻咽癌图像分为大小为64×64×64的图像块集合,每一块用Ii表示,i=1,2,…n,将Ii输入到辅助分割网络中进行分割训练,具体包括:

步骤31:用大小为5×5×5,步长为1的卷积核对Ii进行卷积处理,然后对卷积后的输出图像做步长为2的平均池化处理得到Ii1

步骤32:对Ii1进行3×3×3,步长为2的卷积处理,然后对输出图像做步长为2的平均池化处理得到Ii2

步骤33:用大小为3×3×3,步长为1的卷积核对Ii2进行卷积处理,得到深层特征图Ii3

步骤34:对深层特征图Ii3进行大小为3×3×3,步长为1的逆卷积处理得到特征图IF1

步骤35:对特征图IF1进行采样规模为2的上采样,然后进行3×3×3,步长为1的逆卷积处理,得到特征图IF2

步骤36:对特征图IF2进行采样规模为2的上采样,然后进行3×3×3,步长为1的逆卷积处理,得到特征图IF3

步骤37:对特征图IF3进行采样规模为2的上采样,然后进行5×5×5,步长为1的逆卷积处理,得到分割结果,保存整个分割过程中的网络模型参数;

步骤4:将原始鼻咽癌图像分为大小为64×64×64的图像块集合,每一块用Ij表示,j=1,2,…n,将Ij输入到剂量预测网络中,同时,将辅助分割网络学习到的参数共享到剂量预测网络中,在辅助分割网络的辅助下,进行以下具体操作:

步骤41:用大小为5×5×5,步长为1的卷积核对Ij进行卷积处理,然后对卷积后的输出图像做步长为2的平均池化处理得到Ij1

步骤42:对Ij1进行3×3×3步长为2的卷积处理,然后对卷积后的图像做步长为2的平均池化处理得到特征图Ij2

步骤43:用大小为3×3×3,步长为1的卷积核对Ij2进行卷积处理,得到深层特征图Ij3

步骤44:对深层特征图Ij3做3×3×3,步长为1的逆卷积处理,得到特征图ID1,为了充分利用空间域信息,用跨层连接将ID1和Ij3连接起来得到IE1

步骤45:对特征图IE1进行采样规模为2的上采样,然后进行3×3×3,步长为1的逆卷积处理,得到ID2,为了充分利用空间域信息,用跨层连接将ID2和Ij2连接起来得到IE2

步骤46:对特征图IE2进行采样规模为2的上采样,然后进行3×3×3,步长为1的逆卷积处理,得到ID3,为了充分利用空间域信息,用跨层连接将ID3和Ij1连接起来得到IE3

步骤5:通过多尺度迭代融合策略将IE1,IE2,IE3融合得到预测剂量分布图像IE

步骤6:将真实剂量分布图像对和预测剂量分布图像对分别从不同通道输入到对抗网络中,通过对抗网络用来辨别预测剂量分布图和真实剂量分布图,进行对抗网络的训练,具体包括步骤:

步骤61:对所述真实剂量分布图像对和所述预测剂量分布图像对分别用大小为5×5×5,步长为2的卷积核进行卷积处理,然后对输出的图像做Maxout处理,再经过2×2×2的池化处理;

步骤62:对步骤61输出的特征图进行卷积核大小为3×3×3,步长为2的卷积处理,然后对输出图像做Maxout处理,再经过2×2×2的池化处理;

步骤63:最后将两个图像对对应的通道结合在一起,分别进行1×1×1的卷积处理,然后经过Sigmoid激活对其进行分类,从而判别图相对的真假;

步骤7:重复步骤3至步骤6,当对抗网络不能判别图像对真假,即对抗损失收敛于0.5时,剂量分布预测模型训练完成。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于四川大学华西医院;四川大学,未经四川大学华西医院;四川大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/202010814307.0/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top