[发明专利]一种基于深度学习的肺部肿瘤自动勾画方法

权利要求书

1.一种基于深度学习的肺部肿瘤自动勾画方法，包括以下部分：

步骤1：输入病人的肺部图像并对图像进行预处理和图像增强处理；

步骤2：获取病人肺部肿瘤在图像中的窗口位置和肿瘤大小，按照肿瘤在图像中的窗口位置及大小，将筛选出的图像裁剪为固定的大小；

步骤3：将经过步骤1、2处理后的图像输入到训练好的V-Net模型，对肿瘤进行预测；

步骤4：将预测的肺部肿瘤反卷积到裁剪图像的大小，得到器官的真实预测；

步骤5：提取真实预测的肺部肿瘤的边缘线，即为该肿瘤的勾画结果。

2.根据权利要求1所述的一种基于深度学习的肺部肿瘤自动勾画方法，其特征在于：

步骤1中进行预处理时，需要对使用的肺癌病人的图像按肺肿瘤类型进行训练，将标记好的医学图像分为训练集和测试集两大类，将训练中的图像进行预处理，和标签一起输入，训练该算法的权重，将测试集中的图像进行预处理后和标签一起输入，测试预测精度。

若预测精度没有达到阈值，则不断进行调整；若预测精度达到阈值，则停止迭代。

3.根据权利要求1所述的一种基于深度学习的肺部肿瘤自动勾画方法，其特征在于：

步骤2中，获取肺部肿瘤在图像中的窗口位置及大小，将训练数据拆分为图像和标签两部分，根据标签获取能够覆盖所有图像中肿瘤的最小矩形，记录下该矩形在图像中的位置和大小；将得到的最小矩形沿上、下两个方向分别外扩1/2矩形高度，沿左右方向分别外扩矩形的1/2宽度，得到新矩形，该矩形即为肿瘤的窗口，记下在图像中的位置和大小。

4.根据权利要求1所述的一种基于深度学习的肺部肿瘤自动勾画方法，其特征在于：

步骤3中的V-Net网络的训练具体包括：将训练数据拆分为图像和标签两部分，将图像和标签分别做图像预处理，然后放入网络进行训练；训练时，采用的损失函数为图像分割中常用的Dice相似度，对比V-Net模型分割图像和GT图像之间的相似程度，从而提高对V-Net模型分割结果评估的效率和精确度。