[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

说明书

本发明提出了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，该方法包括对模型的训练过程和推理过程。在图像分割的模型设计中采用的深度学习神经网络，提出新的损失函数设计，实现了对靶区器官的勾画。该方法优势在不仅靶区器官勾画准确度高，同时兼顾了大器官和小器官的勾画，对小器官的勾画准确度也很高。

技术领域

本发明属于医疗影像处理技术领域，具体涉及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及勾画系统。

背景技术

疾病的治疗经常是在跟时间赛跑，对于治疗靶区的勾画可能需要很长时间。现有技术中报道了采用自动化软件可以将勾画时间大大缩短。例如，多伦多大学研究者开发的自动化放疗靶区勾画软件，利用人工智能学习历史放疗数据，可用于开发治疗计划。

然而，在医疗影像处理技术领域中，靶区勾画的相关技术大多针对的是大器官(如常见恶性肿瘤)的临床靶区的勾画，如针对淋巴瘤、脑膜瘤、鼻咽癌等的靶区勾画，而针对小器官、微小器官、微小组织的靶区勾画鲜有报道。

治疗方案优化的过程即是治疗方案的不断改进过程，贯穿于整个治疗计划涉及和执行过程中，包括靶区的确定。随着立体定向放射治疗的发展，在治疗技术系统中能够精确地勾画出靶区的边界，一直以来是人们追求的目标。而开发对于小器官、微小器官、微小组织的精确靶区勾画技术，更是科研人员面临的重大难题和挑战。如，视觉神经是非常微小的组织器官，其在整个人体影像中所占比例极小，约为1/10000.左右，而采用现有技术方法无法实现对这类微小组织器官进行精确、准确地勾画。

发明内容

针对于现有技术存在的上述问题，本发明提出了一种基于深度学习的针对微小组织器官的放疗影像靶区勾画方法及勾画系统，本发明所述方法和系统，可对大器官、小组织器官、微小组织器官的医学影像的目标靶区进行勾画，且具有高精确度、高准确性的特点。所述影像包括但不限于CT、CBCT、MRI、PET等肿瘤医学影像。

本发明中，所述小组织器官、微小组织器官是指在一幅影像中，小于总量10％的器官，包括头颈部的视觉神经、眼、鼻、涎腺、颌面部与颈部、甲状腺、甲状旁腺、乳腺和浅表淋巴结、躯体及四肢软组织肿块等。优选地，为头颈部的视觉神经。

本发明中，所述目标靶区是指作为疾病治疗靶点的区域。

为实现上述目的，本发明采用以下技术方案：

本发明提出的基于深度学习的微小组织器官的放疗影像靶区勾画方法，所述方法包括如下步骤：

(一)图像训练过程

1)训练图像数据导入和预处理；

其中，所述预处理包括对训练图像数据进行三维重建、去噪、增强、配准、融合处理。

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；

c表示待预测的种类数目+1，+1是表示有一类是背景；如在一张医疗图像中需要预测的种类是2种，那么在算法中带预测的种类数是3。