[发明专利]基于深度学习网络的纵隔淋巴引流区的自动勾画方法

说明书

本发明公开了一种基于深度学习网络的纵隔淋巴引流区的自动勾画方法，其适用于CT影像，自动勾画方法包括以下步骤：S1：采集CT图像数据和医生手工标注的纵隔淋巴引流区图像，并预处理CT图像数据和医生手工标注的纵隔淋巴引流区图像；S2：对预处理后的CT图像数据进行分组，得到训练集、验证集和测试集；S3：对训练集、验证集及测试集进行数据增强；步骤S4：构建深度学习分割模型；以及S5：将训练集中的CT图像数据和的医生手工标注纵隔淋巴引流区图像输入已经构建完的深度学习分割模型，训练迭代收敛后，保存纵隔淋巴引流区的分割模型，再进行纵隔淋巴引流区识别和预测，得到纵隔淋巴引流区的每个分区的概率图。网络可以更好的定位和分割小引流区。

技术领域

本发明是关于医疗图像领域，特别是关于一种基于深度学习网络的纵隔淋巴引流区的自动勾画方法。

背景技术

在放疗领域，精准的肿瘤放射放疗技术能有效提高患者的疗效，降低毒副作用，而精准的放疗依赖的是精准的靶区轮廓。在靶区勾画过程中，必须仔细的参考引流区引流范围勾画靶区。另外，纵隔淋巴引流区对于肺癌等患者的临床分期和治疗原则的制定，也有非常重要的作用。因此，引流区自动勾画具有非常重要的临床意义。本方法有助于临床医生快速、精准、高一致性地勾画纵隔引流区。

而目前临床上纵隔引流区完全是通过临床医生手动勾画。这种方法存在以下缺点：

第一，勾画速度慢，消耗医生大量宝贵时间；第二，勾画准确度依赖医生临床经验，而且需要大量的先验临床知识；第三，同一个医生在不同状态下勾画出来的结果存在较大差异。第四，不可避免存在人为误差。因此，在放疗数字化基础上，如何快速精确高一致性地帮助医生勾画出淋巴引流区是极其重要的。

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网络的纵隔淋巴引流区的自动勾画方法，其通过引入多尺度非局部注意力模块，网络可以更好的定位和分割小引流区，同时网络能更好的捕捉远距离的解剖结构信息改进欠分割或过分割的问题。

为实现上述目的，本发明提供了一种基于深度学习网络的纵隔淋巴引流区的自动勾画方法，其适用于CT影像，自动勾画方法包括以下步骤：步骤S1：采集CT图像数据和医生手工标注的纵隔淋巴引流区图像，并预处理CT图像数据和医生手工标注的纵隔淋巴引流区图像；步骤S2：对预处理后的CT图像数据进行分组，得到训练集、验证集和测试集；步骤S3：对训练集、验证集及测试集进行数据增强；步骤S4：构建深度学习分割模型；以及步骤S5：将训练集中的CT图像数据和医生手工标注的纵隔淋巴引流区图像输入已经构建完的深度学习分割模型，训练迭代收敛后，保存纵隔淋巴引流区的分割模型，再进行纵隔淋巴引流区识别和预测，得到纵隔淋巴引流区的每个分区的概率图。

在一优选的实施方式中，步骤S1中的预处理CT图像数据和医生手工标注的纵隔淋巴引流区图像包括以下步骤：步骤S11：采集大量的多模态和多分布CT三维图像和相应的临床医生手工勾画的轮廓图；步骤S12：对CT三维图像和的医生手工标注的纵隔淋巴引流区图像进行重采样，以生成具有相同物理尺度大小的图像；步骤S13：获取三维肺部区域和纵隔位置，依照肺部区域和纵隔位置将三维CT图像裁剪为固定的大小；以及步骤S14：对二维CT图像像素值规范化，根据肺窗和纵隔窗生成多分布CT图像输入分割网络。

在一优选的实施方式中，步骤S3中的数据增强包括：随机翻转、随机旋转、随机扭曲、随机噪声、随机仿射变换、随机修剪。