[发明专利]一种基于CT图像的鼻咽癌放疗靶区自动勾画方法

权利要求书

1.一种基于CT图像的鼻咽癌放疗靶区自动勾画方法，其特征在于，该方法采用训练好的2.5维注意力卷积神经网络对输入CT图像进行鼻咽癌放疗靶区的自动勾画；

所述2.5维注意力卷积神经网络由依次级联的编码器、底层卷积模块、解码器结构；

所述编码器由K个依次级联的卷积模块组成，其中相邻的两个卷积模块通过下采样实现分辨率的依次降低，除第一个卷积模块外，每个卷积模块之前都设有一个投影-激发单元；各卷积模块包括两个非线性卷积层，每个非线性卷积层包括：一个线性卷积层、一个批处理归一化层、一个泄漏线性整流单元，其中前L个卷积模块中的卷积核尺寸为1×3×3，其余卷积模块中的卷积核尺寸为3×3×3；

所述底层卷积模块之前还设置有空间注意力单元和投影-激发单元，编码器的输出依次经过空间注意力单元、投影-激发单元后输入底层卷积模块，底层卷积模块依次包括卷积核尺寸为3×3×3的线性卷积层、批处理归一化、泄漏线性整流单元，底层卷积模块通过上采样与解码器连接；

所述解码器也由K个依次级联的卷积模块组成，其中相邻的两个卷积模块通过上采样实现分辨率的依次升高，每个卷积模块之前还设置有空间注意力单元和投影-激发单元，各卷积模块的输入首先依次经过空间注意力单元、投影-激发单元后再输入本卷积模块，各卷积模块包括两个非线性卷积层，每个非线性卷积层包括：一个线性卷积层、一个批处理归一化层、一个泄漏线性整流单元，其中后L个卷积模块中的卷积核尺寸为1×3×3，其余卷积模块中的卷积核尺寸为3×3×3；

同时在网络当中还使用了跳跃连接来提升网络的表现，具体方法为：将解码器中卷积模块的上采样结果与编码器中具有相同分辨率的卷积子模块的输出特征图在通道方向进行拼接，作为解码器中下一个子模块的输入；

解码器的输出通过一个卷积层和的softmax函数输出分割结果，分割结果为图像各像素点为鼻咽癌放疗靶区的概率，称为概率图；

所述空间注意力单元由卷积核大小为1×3×3的两个卷积层组成；第一个卷积层将特征图的通道数减少到一半，然后接着一个ReLU激活函数；第二个卷积层将通道数进一步减少为1，然后通过Sigmoid型激活函数生成空间注意力图；然后，将空间注意图与输入特征图相乘得到输出结果以此实现对目标区域进行重点特征学习；

所述投影-激发单元由两部分组成，分别为投影和激发；投影是对每个维度使用平均池化操作，以此保留更多的空间信息；激发是对不同通道的投影之间的相互依赖性进行学习；对于投影，令x_c表示输入特征图X的第c个通道，c＝1,2，…，C，而分别表示每个维度的平均池化操作的输出；详细定义如下所示：

然后将中的每一个扩展为输入特征图X的原始形状，即H×W×D×C，H、W、D、C分别表示输入特征图的高度，宽度，长度和通道数；然后将这些扩展的张量相加以获得Z作为激发操作F_ex的输入；激发操作的详细定义如下：

其中F₁和F₂分别表示卷积层，和分别表示ReLU函数和Sigmoid激活函数；F₁将通道数减少到C/d，d的值设置为2；然后F₂将通道数恢复为其原始数目；投影-激发单元的最终输出是通过X和Z逐元素进行相乘得到的，详细定义如下所示：

所述2.5维注意力卷积神经网络的训练方法为：

步骤1：建立训练图像数据集；

事先通过对临床数据的收集，将大量病人的三维头颈部CT图像中的鼻咽癌靶区由医院的临床专家手工分割出来作为金标准，建立训练数据集；

步骤2：对图像数据按照局部、中等和全局三种尺度进行采样，获得三种不同尺度下的鼻咽癌分割训练图像；局部采样是在x，y方向上使用基于头部区域的粗糙边界框裁剪图像，在z方向上仅对头部区域进行采样；中等尺度采样是在z方向上从包括头部和颈部在内的区域进行采样；全局采样是对整个图像区域进行采样；

步骤3：采用步骤2得到的训练图像对2.5维注意力卷积神经网络进行训练，直到训练结束；

所述2.5维注意力卷积神经网络训练时对局部、中等和全局三种尺度的训练图像分开训练；针对每种尺度的训练图像在训练过程中调整训练的侧重点，每种尺度都得到M个训练结果，最终得到N＝3M个分割模型；实际分割时，对N个模型的输出概率图取平均，得到的平均概率图进行argmax运算以获得初始分割结果；取最大的连通区域进行边界识别，得到最终分割结果。

2.如权利要求1所述的一种基于CT图像的鼻咽癌放疗靶区自动勾画方法，其特征在于，计算最终分割结果的不确定性，计算方法为：

步骤a：设表示第i个像素的预测标签，预测标签表示是鼻咽癌放疗靶区或不是鼻咽癌放疗靶区，根据该像素点为鼻咽癌放疗靶区的概率和设定的概率阈值确定；通过N个分割模型的预测，获得一系列的值；令表示中第n个值的频率，根据熵信息定义像素级不确定性H：

对于来自不同模型的N个预测样本，令V＝*v₁,v₂,v₃,…,v_n+表示对应预测结果中鼻咽癌放疗靶区体积的集合，其中v_i是第i个模型获得的预测鼻咽癌放疗靶区体积；使用体积变化系数VVC来估计结构方面的不确定性，其定义如下：

其中，σ_v和μ_v分别表示V的标准偏差和平均值。