[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

说明书

本发明涉及及一种基于分割任务辅助的鼻咽癌三维剂量分布预测方法，具体包括：采集原始鼻咽癌图像并对其进行标注；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；分割网络和预测网络共享编码器网络参数，通过联合训练分割任务和剂量预测任务来获取两者之间的共享表示信息，增强共享编码器的特征表达能力，促使网络在有限训练数据下最大限度地挖掘分割任务中对剂量预测有辅助功能的本质特征。同时，为了有效利用预测解码器不同尺度下的特征信息，本发明在预测任务解码器端提出一种多尺度迭代融合IMF策略，获得更加精准的预测结果。

技术领域

本发明涉及图像处理领域，尤其涉及一种基于分割任务辅助的鼻咽癌三维剂量分布预测方法。

背景技术

医学图像分割作为图像处理的一个重要领域，该领域的研究目的是分割医学图像中患者病情的重要信息，为临床诊断和治疗提供科学依据，这对于医生对病情的判断具有重要价值。在肿瘤治疗中，放射治疗是最有效且对患者身体健康最有保障的一种治疗技术，其无创低毒的特性也受到了医学界的肯定。严格按照处方剂量进行放射治疗是治疗成功的关键所在。但是对于临床放射治疗过程中剂量的把控，是一个难度较大的课题，现有的研究成果还远远不足以临床应用。

尽管对肿瘤放疗的剂量分布进行预测十分困难，但还是有许多效果显著研究成果。基于危机器官DVH(dose-volume histogram)的指征项，wu等人提出了与之具有强相关性的新概念OVH(overlap volume histogram)。在临床经验的指导下，提出了离靶区距离越远，体素所受剂量应越低的假设。在服从该假设的前提下，根据某一器官OVH比较情况，找到相应的上(下)限，但是该模型较为主观和粗糙。Zhu等人在某一器官的DTH(distance-to-target histogram)与对应的DVH之间建立起了多变量非线性关联模型，则新患者可以通过代入患病器官的DTH至关联模型从而得到该器官的DVH预测。该模型在一定程度上能够得到较好的预测结果。但是除了DTH外，器官的体积与靶区的体积也是影响DVH的重要因素，而且需要解决数据量少所导致的过拟合问题。孔繁图在其硕士论文中提出了基于机器学习方法支持向量回归(support vector regression，SVR)与人工神经网络(artificial neuralnetwork，ANN)建立患者几何结构和器官三维剂量分布之间的关联模型。但是没有考虑靶区及危及器官的区别(即分割出危及器官和靶区)以及剂量预测过程中的评价指标较少，只使用了三维剂量分布误差和器官DVH的差异。

随着医学成像技术不断发展，基于传统机器学习和深度神经网络对医学图像靶区勾画的算法的研究成果日益丰硕。尤其是在肿瘤图像的处理中，分割肿瘤区域的技术已经取得了显著的成就。在肿瘤治疗方面，放疗是当前肿瘤治疗的主要手段之一，具有低毒无创等优势。放射治疗不但有治愈或控制肿瘤的最大可能性，还能让患者愈后生活质量得到保障。为了提高临床放射治疗的准确性和安全性，研究靶区器官和其周边危及器官(organ atrisk,OAR)放疗剂量分布具有重要意义。目前国内关于通过分割任务辅助三维剂量分布预测的研究成果较少，现有的剂量分布预测算法要么基于传统的机器学习，要么采用原CT图像和所分割的解剖结构作为先验信息，仅仅使用深度神经网络做剂量分布预测，没有考虑分割任务对预测任务的指导作用。