[发明专利]基于神经网络的危及器官自动勾画方法、设备和存储介质

说明书

本发明属于医学影像技术领域，涉及一种基于三级联卷积神经网络的危及器官自动勾画方法、设备和存储介质。包括步骤：将三维医学影像预处理后输入到训练好的三级联卷积神经网络的第一、第二、第三级网络中依次进行识别待分割器官所存在的横断面、粗定位待分割器官的感兴趣区域、对感兴趣区域中的所有像素点进行分类，随后输出三维的二值分割结果；对二值分割结果进行后处理、边缘提取及边缘平滑后，得到自动勾画的危及器官。其中，本发明的三级联卷积神经网络模型由第一级网络、第二级网络和第三级网络三个卷积神经网络级联而成。本发明的三级联神经网络具有不需要先验知识，算法泛化能力好，鲁棒性强，速度快，全自动，分割准确率高的优点。

技术领域

本发明属于医学影像和计算机技术领域，涉及一种基于三级联卷积神经网络的危及器官自动勾画方法、设备和存储介质。

背景技术

放射治疗是癌症治疗的三大手段之一，它能够通过电离辐射来破坏癌细胞的DNA链，进而导致癌细胞的死亡。为了降低治疗过程中射线对正常组织的影响，医生需要在放疗前制定一个周密的放疗计划。CT影像由于具有成像速度快，空间精度和分辨率高等特点，通常被用于放疗计划的制定，医生需要在每张CT切片中精确勾画出每个危及器官，这是一个费时费力的过程，另外，由于软组织在CT影像中的对比度较低，例如：腮腺没有清晰的边界且形态复杂，这使得医生手工勾画时容易出错和费时，因此需要一个准确和快速的危及器官全自动分割算法，来辅助医生勾画危及器官，减少计划制定过程中的体力劳动和时间。

目前市面上的产品都是采用基于Multi-Atlas(多图谱)配准的方法，这种方法的分割准确率取决于模板的选择，鲁棒性较差，无法适应不同医院具有不同分辨率的CT影像数据，并且，由于采用了形变配准而导致分割时间较长。另一方面，为了提高分割的准确率，会尽量多的选择模板，但是分割的时间也会随着模板的增多而增加，并且目前的很多方法使用了大量的先验知识，泛化能力差。

深度学习是一个复杂的机器学习算法，其中的卷积神经网络近年来在图像识别和医学影像处理方面取得的效果，远远超过先前的相关技术。深度学习的核心是特征学习，旨在通过分层网络自动获取分层次的特征信息，从而解决以往需要人工设计特征的重要难题。

发明内容

本发明的目的在于为克服上述现有技术的缺陷而提供一种基于三级联卷积神经网络的危及器官自动勾画方法、设备和存储介质。

为实现上述目的，本发明采用以下技术方案：

本发明基于深度学习技术，设计了一种三级联卷积神经网络，用于准确和快速的全自动分割医学影像中的危及器官，本发明经过临床试验，被证明能够有效的在临床中辅助医生进行危及器官的勾画。

一种基于三级联卷积神经网络的危及器官自动勾画方法，适于在计算设备中执行，包括如下步骤：

(1)输入三维医学影像；

(2)对三维医学图像进行预处理；

(3)将预处理的三维医学影像输入到训练好的三级联卷积神经网络的第一级网络中识别待分割器官所存在的横断面；

(4)将第一级网络筛选出的横断面输入到训练好的三级联卷积神经网络的第二级网络中粗定位待分割器官的感兴趣区域；

(5)对第二级网络输出的感兴趣区域进行标准化，随后输入到训练好的三级联卷积神经网络的第三级网络中，对感兴趣区域中的所有像素点进行分类，输出三维的二值分割结果；

(6)对三维的二值分割结果进行后处理；

(7)对经过后处理的二值分割结果进行边缘提取，经过边缘平滑后，得到自动勾画的危及器官；

其中，所述的三级联卷积神经网络模型由第一级网络、第二级网络和第三级网络三个卷积神经网络级联(cascade，串联)而成。