[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

说明书

本发明公开了一种基于CT图像的鼻咽癌放疗靶区自动勾画方法，属于医学图像分割技术领域，特别是针对于三维医学图像分割中鼻咽癌目标靶区的卷积神经网络自动分割方法。针对基于深度学习的医学图像分割方法存在的问题，提出了一种基于2.5维卷积神经网络与注意力机制相结合的多尺度集成模型。使其对目标靶区进行分割时，对大间距图像有更强的特征学习能力，在分割过程中更加关注目标分割区域从而获更好的分割效果，并通过集成多个尺度下的模型提高分割精度，并根据模型集成结果提供分割结果不确定性评估，以更好辅助医生决策。

技术领域

本发明属于医学图像分割技术领域，特别是针对于三维医学图像分割中鼻咽癌目标靶区的卷积神经网络自动分割方法。

背景技术

鼻咽癌是指发生在鼻咽腔壁上的恶性肿瘤，其发生率在耳，鼻，喉的恶性肿瘤中最高。鼻咽癌经常出现在中国南部，东南亚，中东和北非。鼻咽癌的发现和治疗时间越早，治疗的成功率就越高，放射治疗是鼻咽癌最常用的治疗方法。在进行放疗，需要在医学图像中勾画出目标靶区以避免放疗损伤人体的健康区域。目前，勾画任务通常是由经验丰富的放射科医生通过逐个二维切片来手动勾画完成的，这不仅繁琐而且费时费力。

医学图像中肿瘤放疗靶区的自动分割是一个充满挑战的课题。由于不同软组织之间对比度低、边界模糊、图像存在采样伪影、局部体效应等因素使医学图像中存在许多不确定干扰，所以医学图像分割具有很强的针对性，使得医学图像分割至今都没有统一的标准和普遍适用的规则。

医学图像分割经历了一个由传统的区域增长、边界检测算法发展到活动轮廓模型算法和基于学习的方法等算法的过程。由于医学图像的特殊性，上述算法进行医学图像分割时容易出现欠分割和过分割。近几年来，深度学习技术特别是深度卷积神经网络已经迅速发展成为医学图像分割的重要方法，它能够从医学图像大数据中自动提取有效的特征，通过大量的学习，可以得到较好的分割结果。

对目前已有的深度学习分割模型进行考察发现，尽管这些基于深度学习的自动分割模型在医学图像中对正常器官的分割可以达到较高水平，但对于鼻咽癌的靶区进行准确的自动分割仍然是一项艰巨的任务，目前仍然存在很多困难。这里主要存在着三个问题：第一个问题是目前大多数基于深度学习的鼻咽癌靶区自动分割方法都是在单模态医学图像(如CT图像)上实现的，这意味着在CT图像中鼻咽癌靶区区域与周围的软组织对比度较低。第二，鼻咽癌靶区区域的边界是难以识别的，这导致了即使对于人类专家也很难获得准确的轮廓。而这会导致训练出现偏差。第三，鼻咽癌病变区域在整个头部和颈部CT图像中仅占据很小的区域，这在分割目标和背景之间造成了很大的不平衡。另外，在临床上采取的图像通常有着较高的切片内分辨率和较低的切片间分辨率，这导致相邻切片中目标区域会出现较的大形状变化。这也给分割任务带来了很大的困难。现有的绝大多数形状建模方法都专注于解决上述一个或者两个问题，而同时有效地处理这三个问题具有十分重要的意义。

发明内容

本发明的目的在于克服现有的头颈部鼻咽癌放疗靶区分割算法的不足,针对基于深度学习的医学图像分割方法存在的问题，提出了一种基于2.5维卷积神经网络与注意力机制相结合的多尺度集成模型。使其对目标靶区进行分割时，对大间距图像有更强的特征学习能力，在分割过程中更加关注目标分割区域从而获更好的分割效果，并通过集成多个尺度下的模型提高分割精度，并根据模型集成结果提供分割结果不确定性评估，以更好辅助医生决策。

本发明采用一种新的一种基于2.5维卷积神经网络与注意力机制相结合的多尺度采样集成模型来解决鼻咽癌目标靶区分割中存在的上述难点。具体是通过以下技术方案实现的：首先将原始CT图像通过裁剪变成三种不同尺度的用于输入网络的图片。其次将标准三维卷积与二维卷积结合使用，构建出一个2.5维卷积神经网络作为基础框架。针对需要分割的目标区域，使用两种不同的注意力机制使其相结合来对目标区域重点进行特征学习。最后，将转化裁剪后的图像输入网络中，通过优化器来训练网络优化损失函数。训练完成后，通过对多个模型的集成，在新的测试图像上得到最终的分割结果和相应的分割不确定性信息。