[发明专利]基于深度神经网络的鼻咽癌放疗靶区自动分割方法

权利要求书

1.基于深度神经网络的鼻咽癌放疗靶区自动分割方法，其特征在于，包括：

获取患者的CT图像数据，基于所述CT图像数据勾画鼻咽癌放疗靶区和危及器官，并将勾画后的CT图像数据划分为训练集和验证集；

构建深度神经网络分割模型，并对训练集中的训练样本进行预处理，利用预处理后的训练样本训练深度神经网络分割模型，所述预处理包括将训练样本的数值范围缩小至规定范围和增广训练样本；

将验证集中的训练样本的数值范围缩小至规定范围，并输入至训练好的深度神经网络分割模型中，对模型的识别效果进行定量评价。

2.根据权利要求1所述的基于深度神经网络的鼻咽癌放疗靶区自动分割方法，其特征在于，通过CT机采集拍摄患者的断层扫描图像，来获取患者的CT图像数据。

3.根据权利要求2所述的基于深度神经网络的鼻咽癌放疗靶区自动分割方法，其特征在于，当获取到患者的CT图像数据后，手动勾画其中的靶区以及危及器官，作为训练和验证模型的数据。

4.根据权利要求1所述的基于深度神经网络的鼻咽癌放疗靶区自动分割方法，其特征在于，所述训练集和验证集的划分比例为4：1。

5.根据权利要求1所述的基于深度神经网络的鼻咽癌放疗靶区自动分割方法，其特征在于，所述构建的深度神经网络分割模型包括编码器、多尺度模块和解码器；

所述编码器，用于从输入的经预处理后的CT图像数据中提取到具有平移不变性的抽象特征，并输出至多尺度模块；

所述多尺度模块，位于编码器中，用于在所述具有平移不变性的抽象特征中提取不同尺度大小的抽象特征，并输出至解码器；

所述解码器，用于将所述不同尺度大小的抽象特征恢复到原始输入图像的大小，并预测该输入图像中每个像素所属的类别，完成像素级别的分割任务。

6.根据权利要求5所述的基于深度神经网络的鼻咽癌放疗靶区自动分割方法，其特征在于，所述编码器包括多个卷积和池化层，通过卷积的各个卷积核在输入图像中进行滑动，通过池化层在不增加可学习参数的情况下，对输入图像的特征进行降维，通过多个卷积和池化层的配合使用，从输入的经预处理后的CT图像数据中提取到具有平移不变性的抽象特征。

7.根据权利要求5所述的基于深度神经网络的鼻咽癌放疗靶区自动分割方法，其特征在于，所述多尺度模块包括五个部分，具体为：1x1 conv、3个卷积核大小为3x3的空洞卷积和全局均值池化；

所述1x1 conv代表卷积核大小为1x1的卷积操作；

所述3个卷积核大小为3x3的空洞卷积中各空洞率卷积的空洞率分别为6、12和18，根据空洞率的不同各空洞卷积具有不同大小的感知视野；

通过上述五个部分的操作，将其分别的输出在通道维度上拼接起来，输出至解码器。

8.根据权利要求5所述的基于深度神经网络的鼻咽癌放疗靶区自动分割方法，其特征在于，所述解码器的输入来自于多尺度模块的深层特征，以及编码器隐层的浅层特征，并对深层特征和浅层特征进行融合，并采用双线性插值的方式将对融合后的特征进行一定倍率的上采样，从而完成像素级别的分割任务。