[发明专利]基于深度学习的微小组织器官的放疗影像靶区勾画方法及系统

权利要求书

1.一种基于深度学习的微小组织器官的放疗影像靶区勾画方法，其特征在于，所述方法包括：

一、图像训练过程

1)训练放疗影像数据导入和预处理；

2)定义网络结构；

3)定义损失函数

其中，所述损失函数如下所示：

式中，TP_p(c)表示被判定为正样本、且事实上也是正样本；FN_p(c)表示被判定为负样本、但事实上是正样本；FP_p(c)表示被判定为正样本、但事实上是负样本；p_n(c)表示第n个体素被预测为种类c的概率；种类c的数目比需要预测的种类数量多1个，多出的1个种类是背景；λ表示L_Dice和L_Focal的调节参数，λ∈[0,1]；α，β表示针对于FN_p(c)和FP_p(c)的调节参数，α，β∈[0,1]；N表示在放疗影像中体素的个数；

4)定义优化算法以及调节学习率；

5)训练模型；

二、推理过程

6)获取患者的序列影像；

7)测试数据导入和预处理；

8)导入训练好的模型；

9)应用训练好的模型对测试数据进行处理，对靶区进行预测；

10)通过预测的靶区进行边缘提取，得到勾画的靶区。

2.如权利要求1所述的方法，其特征在于，所述微小组织器官是指在一幅影像中，小于总量10％的器官。

3.一种基于深度学习的微小组织器官的放疗影像靶区勾画装置，所述勾画装置适于权利要求1或2所述的方法，包括以下部分：

一、图像训练模块

1)训练图像数据导入和预处理模块；

2)定义网络结构模块；

3)定义损失函数模块；

4)定义优化算法以及调节学习率模块；

5)模型训练模块；

二、推理模块

6)获取用户的序列影像模块；

7)测试数据导入和预处理模块；

8)导入训练好的模型模块；

9)应用训练好的模型对测试数据进行处理，对靶区进行预测模块；

10)靶区勾画模块。

4.如权利要求1或2所述的方法在大组织器官、微小组织器官的放疗影像靶区勾画中的应用。