[发明专利]基于深度学习的盆腔肿瘤CTV的自动勾画系统

权利要求书

1.一种基于深度学习的盆腔肿瘤CTV的自动勾画系统，其适用于CT影像中盆腔淋巴引流区、宫颈癌CTV及直肠癌CTV，其特征在于，所述自动勾画系统包括：

采集CT图像数据和临床医生标注引流区分区，并预处理图像数据的模块；

构建引流区分区深度学习分割模型的模块；

经过所述采集CT图像数据和临床医生标注引流区分区，并预处理图像数据的模块和所述构建引流区分区深度学习分割模型的模块处理得到CT图像数据和临床医生标注引流区分区图像，输入网络，训练网络，得到分区轮廓；

通过所述分区轮廓自动生成宫颈癌CTV轮廓；以及

通过所述分区轮廓自动生成直肠癌CTV轮廓；

其中所述经过所述采集CT图像数据和临床医生标注引流区分区，并预处理图像数据的模块和所述构建引流区分区深度学习分割模型的模块处理得到CT图像数据和临床医生标注引流区分区图像，输入网络，训练网络，得到分区轮廓包括：

输入大量的经过预处理后多模态CT患者数据，通过数据增强，防止过拟合，将标注图像引流区分成两个组，第一组是临床分区，第二组是仅用于辅助直肠癌CTV和宫颈癌CTV生成的分区；

所述数据增强后的图像随机组成一个组，输入网络，训练网络，直到在评价标准保存不变，并保存此模型；

将新数据输入已保存的网络模型中，输出临床淋巴分区和辅助淋巴分区概率图；及

后处理分区；

其中所述通过所述分区轮廓自动生成宫颈癌CTV轮廓包括：

将所述分区轮廓的临床引流区和辅助分区分别都转成二值图像；

根据病例分期情况以及宫颈癌特性，保留或去除一部分的所述临床引流区和所述辅助分区；

将左右对称结构的所述临床引流区利用传统方法分别融合生成为两个大区域；及

将宫颈癌所述辅助分区和所述融合生成的两个大区域利用传统方法融合，以生成宫颈癌CTV；

所述通过所述分区轮廓自动生成直肠癌CTV轮廓包括：

将所述分区轮廓的临床引流区和辅助分区分别都转成二值图像；

根据病例分期情况以及直肠癌特性，保留或去除一部分的所述临床引流区和所述辅助分区；

将所述临床分区分成可直接融合临床分区和可间接融合临床分区，将直肠癌的所述辅助分区和所述可直接融合临床分区融合生成一个大区域；及

利用传统方法将所述可间接融合临床分区和融合生成的所述一个大区域融合为一个区域，以生成直肠癌CTV。

2.根据权利要求1所述的基于深度学习的盆腔肿瘤CTV的自动勾画系统，其特征在于，所述集CT图像数据和临床医生标注引流区分区，并预处理图像数据的模块中，所述预处理图像数据包括：

采集大量的多模态CT三维图像和相应的临床医生标注引流区分区轮廓图；

获得图像身体轮廓，按照所述图像身体轮廓的生成大小将CT图像截取CT图像；

对二维 CT 图像像素值规范化到腹部窗；

图像重采样到固定大小，再归一化；以及

进行数据增强包括：随机翻转、随机旋转、随机扭曲、随机噪声、随机仿射变换。

3.根据权利要求1所述的基于深度学习的盆腔肿瘤CTV的自动勾画系统，其特征在于，所述构建引流区分区深度学习分割模型的模块包括：

构造淋巴引流区分割网络模型，首先，构建其子模块基本块，编码块是由残差模块和池化层组成，同时其有三个输入和三个输出，输入来自其上一层父节点下采样特征、同一层兄弟节点特征、下一层儿子节点上采样特征，输出上采样特征、同层次节点特征、下采样特征；

构建盆腔引流区识别模型架构，通过由基本块组成的三条路径，包括下采样路径、中间层路径、上采样路径；下采样路径的基本块的输入只有来自父节点的特征图，下采样路径的基本块只会输出上采样特征，同时下采样路径和上采样路径之间也存在短连接，以便加速网络收敛；以及

在网络模型中，第一层基本块中引入膨胀卷积，扩大网络感受野，增强网络对大引流区的识别能力。