[发明专利]一种基于深度学习的器官自动勾画算法

说明书

本发明公开一种基于深度学习的器官自动勾画算法，具体包括以下步骤：(1)使用图像部位分类算法，筛选出当前器官所在部位的图像；(2)获取器官在图像中的窗口位置和大小，按照器官在图像中的窗口位置及大小，将筛选出的图像剪裁为固定大小；(3)将剪裁后的图像插值为神经网络输入所要求的大小；(4)将处理后的图像输入到训练好的3DUnet卷积神经网络，以对器官进行预测；(5)将预测的器官图像反插值到剪裁图像的大小，并填充为原图像大小，得到器官的真实预测；(6)提取真实预测的器官的边缘线，即为该器官的勾画。本发明在保证勾画精度的基础上，显著提升了勾画效率，可以有效解决小器官勾画精度不高的问题。

技术领域

本发明属于医学图像领域，主要用于放射治疗的危及器官勾画环节，具体涉及一种基于深度学习的器官自动勾画算法。

背景技术

在放射治疗的危及器官勾画环节，医院传统的做法是让放疗医生对危及器官进行手工勾画，这不但容易产生人为误差，且影响放疗医生的工作效率，进而影响病人的治疗时间。

深度学习是人工智能算法的一种，本质上是神经网络，因其隐含层较多，故而称为深度学习。大量的隐含层，让其可以提取出数据的高维特征，经过不断的训练，它可以拥有提取那些与数据的标签对应的高维特征的能力，进而得到数据与标签之间的一个映射。目前深度学习被大量应用于图像处理和模式识别。

卷积神经网络(Convolutional Neural Network，CNN)是深度学习的一种，与传统的深度学习的隐含层都是全链接层不同，它一般先添加大量的卷积层，然后再添加很少量的全链接层，故而称其为卷积神经网络。卷积层通过共用权重、部分链接的方式，大大减少了网络的参数个数，一定程度上解决了模型的过拟合问题。目前卷积神经网络在图像处理上应用广泛。

基于卷积神经网络的器官自动勾画算法容易产生下面问题，在大器官上精度高，在小器官上精度低。

发明内容

为了解决上述技术问题，本发明提出了一种基于深度学习的器官自动勾画算法，可以有效解决小器官勾画精度低的问题，在大小器官上都有较高的勾画精度。

为了达到上述目的，本发明的技术方案如下：

一种基于深度学习的器官自动勾画算法，具体包括以下步骤：

(1)使用图像部位分类算法，筛选出当前器官所在部位的图像；

(2)获取器官在图像中的窗口位置和大小，按照器官在图像中的窗口位置及大小，将筛选出的图像剪裁为固定大小；

(3)将剪裁后的图像插值为神经网络输入所要求的大小；

(4)将经过步骤(1)-(3)处理后的图像输入到训练好的3D Unet卷积神经网络，以对器官进行预测；

(5)将预测的器官图像反插值到剪裁图像的大小，并填充为原图像大小，得到器官的真实预测；

(6)提取真实预测的器官的边缘线，即为该器官的勾画。

本发明提出的一种基于深度学习的器官自动勾画算法，在保证勾画精度的基础上，显著提升了勾画效率，相同的器官若放疗医生勾画需要花费7分钟左右，该算法只需花费20s，节约了95％左右的工作时间，大大减轻了放疗医生的工作负担，同时也为肿瘤病人争取到了宝贵的治疗时间。另外本发明提出的自动勾画算法可以有效解决小器官勾画精度不高的问题。

在上述技术方案的基础上，还可做如下改进：

进一步，在步骤(1)之前，需要对使用的图像部位分类算法进行训练，具体步骤如下：

(a1)将按部位标记好的医学图像分为训练集和测试集两大类；

(a2)将训练集中的图像进行预处理，然后和其标签一起输入图像部位分类算法中，训练该算法的权重；