[发明专利]医学影像的勾画方法、装置、存储介质及处理器

说明书

本申请公开了一种医学影像的勾画方法、装置、存储介质及处理器。该方法包括：获取目标患者的当日医学影像，其中，当日医学影像是目标患者待进行第N次治疗前拍摄的医学影像，其中，N为大于1的自然数；采用目标模型对当日医学影像进行病灶勾画，其中，目标模型是基于前N次中每一次目标患者的医学影像和治疗计划迭代训练后生成的模型；基于勾画结果，生成目标治疗计划。解决了现有技术中自动勾画模型在训练期间不能够根据病例的个性化特征来自适应调整，从而没有高效高质的勾画精度的问题。通过本申请的技术方案，实现对每个患者的个性化特征的准确把握，及时调整针对患者的治疗计划，进而保证了生成的目标治疗计划能够让患者治疗更精准。

技术领域

本申请涉及影像处理技术领域，具体而言，涉及一种医学影像的勾画方法、装置、存储介质及处理器。

背景技术

放射治疗是目前临床上三大肿瘤治疗手段之一。现代放疗有着一套完整的治疗流程，主要包括危及器官以及靶区的勾画，根据剂量学原理制定放疗计划，计划实施等。其中，靶区和危及器官勾画对放射治疗的精确度和疗效有着至关重要的影响，直接决定了放疗计划的精确程度。目前的靶区和危及器官勾画工作通常由医生、物理师手工完成，极大的浪费了医生、物理师的时间和精力。更重要的是，目前的放疗流程里，勾画工作通常只在第一次治疗前完成，之后的每次治疗都是以第一次的治疗计划为模板，结合患者的当日影像进行刚性配准后评估并实施。由于患者体内的器官每天都在发生少量的位移和体积变化，这种方式在剂量的实施上并不能做到自适应。针对这一问题，相关技术中，以磁共振成像(MR)作为引导，在每次治疗之前会将第一次的治疗计划的ROI与当日影像的ROI进行柔性配准，而这需要先对当日影像进行完整的靶区和危及器官的ROI进行勾画，来达到精准的自适应放疗。同样的计划流程也可以应用到CBCT引导的直线加速器上，而目前由于该流程的勾画、配准以及评估过程太过耗时，无法在临床上大规模应用。

近年来，由于深度学习方法的迅速发展，基于深度学习的图像分割算法在医学图像分割领域取得了显著的成就。深度学习是机器学习领域中一系列试图使用多重非线性变换对数据进行多层抽象的算法，不仅学习输入和输出之间的非线性映射，还学习输入数据向量的隐藏结构，以用来对新的样本进行智能识别或预测。深度学习的图像分割算法在自动勾画中已经有了诸多应用，然而，绝大多数算法或者模型都是基于一个较大的数据库建立的，其输出的勾画效果和规则通常是与数据库中的数据和标注同源，但缺少了每位患者的个性化的数据特征。自适应放疗的勾画要求其对于每个病人的个性化特点的准确把握，来及时调整患者的治疗计划。并且，由于相关技术中对于不同的患者的机器设置，以及不同患者的身体条件和环境干扰，以深度学习方法难以构建一个适应性和泛化能力足够好的模型。同时，模型部署之后，也无法根据每位患者的当日影像进行相应的算法调整。

针对相关技术中在放疗过程中，对医学影像勾画的精准性较差的问题，目前尚未提出有效的解决方案。

发明内容

本申请的主要目的在于提供一种医学影像的勾画方法、装置、存储介质及处理器，以解决在放疗过程中，对医学影像勾画的精准性较差的问题。

为了实现上述目的，根据本申请的一个方面，提供了一种医学影像的勾画方法。该方法包括：获取目标患者的当日医学影像，其中，当日医学影像是目标患者待进行第N次治疗前拍摄的医学影像，其中，N为大于1的自然数；采用目标模型对当日医学影像进行病灶勾画，其中，目标模型是基于前N次中每一次目标患者的医学影像和治疗计划迭代训练后生成的模型；基于勾画结果，生成目标治疗计划。