[发明专利]基于影像组学的靶区及危及器官勾画轮廓准确性检验方法

说明书

本发明公开了一种基于影像组学的靶区及危及器官勾画轮廓准确性检验方法。其中，该方法包括：获取图像中目标对象的勾画轮廓；通过不同的缩放尺寸对勾画轮廓进行缩放，并根据预设缩放尺寸与大小相邻的不同缩放尺寸的缩放轮廓，确定预设缩放尺寸的差值特征；根据差值特征建立针对预设尺寸的第一神经网络模型；根据第一神经网络模型测试勾画轮廓是否准确。本发明解决了相关技术中的图像分割算法对图像的勾画效果较差，准确度和稳定性低并且难以快速评估勾画质量，导致图形勾画的结果需要人为鉴定的技术问题。

技术领域

本发明涉及图像处理领域，具体而言，涉及一种基于影像组学的靶区及危及器官勾画轮廓准确性检验方法。

背景技术

从医学图像(例如CT或MRI图像)中识别器官或病变区域的图像分割是医学图像分析中最具挑战性的任务之一，该任务是捕捉这些器官的形状和体积的关键信息。许多研究人员通过应用现有技术提出了各种自动分割系统。较早的系统建立在传统方法的基础上，例如边缘检测滤波器和数学方法。

通过提取手工特征的机器学习方法在很长一段时间内已成为一种占主导地位的技术。设计和提取这些功能一直是开发此类系统的主要考虑因素，这些方法的复杂性已被视为对其部署的重大限制。近几年，由于硬件的改进，深度学习方法应运而生，并开始展示其在图像处理任务中的强大功能。深度学习方法强大性能促使科研人员将它们作为图像分割的主要选择，尤其是医学图像分割。尤其是在过去的几年中，基于深度学习技术的图像分割受到了广泛的关注，并强调了对其进行全监督的必要性。

许多文献指出深度学习对医学图像的训练是不稳定的，而且大部分实验需要大量的数据做支撑。当前的图像分割算法对具有模糊边界的目标区域的分割效果较差，缺乏较好的泛化性能。相关技术中的图像分割算法对图像的勾画效果较差，准确度和稳定性低并且难以快速评估勾画质量，导致图形勾画的结果需要人为鉴定，在临床中，医生很难相信不稳定且缺乏解释的模型结果，难以评估模型输出的自动分割结果的质量，并且不同经验的医生勾画标准难以统一，不同经验年限的医生勾画质量参差不齐，缺乏统一标准。

现有技术主要研究目标区域的自动分割，边界模糊的目标分割研究也颇多，但其对边界模糊的目标分割效果仍然较差，模型也缺乏可解释性。现有研究缺乏对不易分割的目标的自动分割结果进行有效评估，其自动分割结果很难应用于临床中。没有分析靶区或危及器官边界的影像组学特征变化，没有针对深度学习无法很好分割的目标区域，进行边界特征变化分析。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种基于影像组学的靶区及危及器官勾画轮廓准确性检验方法，以至少解决相关技术中的图像分割算法对图像的勾画效果较差，准确度和稳定性低并且难以快速评估勾画质量，导致图形勾画的结果需要人为鉴定的技术问题。

根据本发明实施例的一个方面，提供了一种图像勾画轮廓的测试方法，包括：获取图像中目标对象的勾画轮廓；通过不同的缩放尺寸对所述勾画轮廓进行缩放，并根据预设缩放尺寸对应的缩放轮廓，以及与所述预设缩放尺寸大小相邻的不同缩放尺寸的缩放轮廓，确定所述预设缩放尺寸的差值特征；根据所述差值特征建立针对所述预设尺寸的第一神经网络模型；根据所述第一神经网络模型测试所述勾画轮廓是否准确。

可选的，通过不同的缩放尺寸对所述勾画轮廓进行缩放，并根据预设缩放尺寸对应的缩放轮廓，以及与所述预设缩放尺寸大小相邻的不同缩放尺寸的缩放轮廓，确定所述预设缩放尺寸的差值特征包括：通过不同的缩放尺寸对所述勾画轮廓分别扩大和缩小，得到多个缩放轮廓；提取原始轮廓，以及多个缩放轮廓的影像组学特征；对与预设缩放尺寸相邻的两个缩放尺寸的勾画轮廓的对应的影像组学特征，分别与所述预设缩放尺寸的影像组学特征求差值，作为所述预设缩放尺寸的差值特征。

可选的，根据所述差值特征建立针对所述预设尺寸的第一神经网络模型包括：通过第二神经网络模型对所述差值特征进行筛选，得到对所述第二神经网络模型具有分类能力的重要特征；通过所述重要特征建立针对所述预设缩放尺寸的第一神经网络模型。