[发明专利]基于深度学习的盆腔肿瘤CTV的自动勾画系统

说明书

本发明公开了一种基于深度学习的盆腔肿瘤CTV的自动勾画系统，其适用于盆腔淋巴引流区、宫颈癌CTV及直肠癌CTV，自动勾画系统包括以下步骤：步骤S1：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；步骤S2：构建引流区分区深度学习分割模型；步骤S3：经过步骤S1和步骤S2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；步骤S4：通过分区轮廓自动生成宫颈癌CTV轮廓；以及步骤S5：通过分区轮廓自动生成直肠癌CTV轮廓。本发明的自动勾画系统能够根据患者病患情况和分期情况辅助医生勾画宫颈癌CTV和直肠癌CTV，引入的密集网络能有效的提高盆腔淋巴引流区的识别能力。

技术领域

本发明涉及医疗影像和计算机技术领域，尤其涉及一种基于深度学习网络的CT影像中盆腔淋巴引流区、宫颈癌CTV和直肠癌CTV自动勾画系统。

背景技术

在放疗领域，宫颈癌CTV(肿瘤靶区)和直肠癌CTV精准勾画具有重要的临床意义。在宫颈癌CTV和直肠癌CTV勾画过程中，临床医生必须参考盆腔淋巴引流区，同时考虑病人的临床分期和治疗方案进行CTV勾画。另外，临床医生在勾画靶区时，也要结合盆腔淋巴引流区来进行勾画。因此，盆腔淋巴引流区、宫颈癌CTV和直肠癌CTV自动勾画具有非常重要的临床意义。

而目前临床上纵膈引流区、宫颈癌CTV和直肠癌CTV完全是通过临床医生手动勾画。这种传统手动方法存在以下缺点：第一，手动勾画消耗大量时间，往往勾画一个病人需要几个小时；第二，勾画容易存在客观误差，难以被发现，容易引起医疗事故。第三，医生的临床经验决定了勾画质量。第四，不同的医生在考虑同一病人的临床分期和治疗方案主观认识存在差异，导致勾画风格存在不一致。因此，自动勾画盆腔淋巴引流区、宫颈癌CTV和直肠癌CTV能有效的避免上述问题，同时又能辅助医生快速、简洁、准确、高一致性的勾画。

公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。

公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。

发明内容

本发明的目的在于提供一种基于深度学习的盆腔肿瘤CTV的自动勾画系统，其能够根据患者病患情况和分期情况辅助医生勾画宫颈癌CTV和直肠癌CTV，引入的密集网络能有效的提高盆腔淋巴引流区的识别能力。

为实现上述目的，本发明提供了一种基于深度学习的盆腔肿瘤CTV的自动勾画系统，其适用于盆腔淋巴引流区、宫颈癌CTV及直肠癌CTV，自动勾画系统包括以下步骤：步骤S1：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；步骤S2：构建引流区分区深度学习分割模型；步骤S3：经过步骤S1和步骤S2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；步骤S4：通过分区轮廓自动生成宫颈癌CTV轮廓；以及步骤S5：通过分区轮廓自动生成直肠癌CTV轮廓。

在一优选的实施方式中，步骤S1中，预处理图像数据包括以下步骤：步骤S11：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；步骤S12：获得图像身体轮廓，按照图像身体轮廓的生成大小将CT图像截取CT图像；步骤S13：对二维CT图像像素值规范化到腹部窗；步骤S14：图像重采样到固定大小，再归一化；以及步骤S15：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。