[发明专利]基于深度学习的肿瘤靶区云检测装置、系统、方法及介质

说明书

本申请公开了一种基于深度学习的肿瘤靶区云检测装置、系统、方法及介质，包括数据获取模块和检测模块，数据获取模块，用于获取待检测多模态医学图像和放射源参数；检测模块包括勾画子模块，勾画子模块用于利用训练后的靶区勾画模型对待检测多模态医学图像中的肿瘤靶区进行勾画；其中，靶区勾画模型为利用训练集对基于深度学习算法构建的模型进行训练后得到的模型，训练集包括多模态医学样本图像和相应的样本标签，样本标签包括多模态医学样本图像中的肿瘤靶区信息及放射源参数。本申请在肿瘤靶区云检测装置上设置数据获取模块以及包括勾画子模块的检测模块，通过上述各模块实现对肿瘤靶区的自动化勾画，提高对肿瘤靶区的检测准确度及效率。

技术领域

本发明涉及图像处理技术领域，特别涉及一种基于深度学习的肿瘤靶区云检测装置、系统、方法及介质。

背景技术

肿瘤放射治疗是利用放射线治疗肿瘤的一种局部治疗方法，放射治疗在肿瘤医疗中的作用和地位日益突出，已成为治疗恶性肿瘤的主要手段之一。现代放射治疗技术的核心是适形调强放射治疗，其特点是射野的形状需要与病变也即靶区的形状一致，从而使肿瘤的控制率提高，正常组织及器官的损伤降到最低。因此，放疗图像的靶区及危及器官的勾画是制定放疗计划的关键步骤。

传统的靶区勾画方法是基于放疗部位的CT的图像，提取某一图像断层中的特征作为先验知识，在断层序列上逐层进行手工靶区勾画。一方面，目前临床中多由放疗师手工勾画为主，放疗师工作量大，效率低，且不同的物理师勾画水平、能力及标准等各方面难以达到一致。另一方面，现有的自动辅助系统中采用“模板匹配”方法，无法自适应影像做出勾画结果，需要人工提前设置病人的身高、体重等参数，无法有效降低工作量，工作效率较低，当遇到新的病例时，勾画的正确率难以保证，仍需要花费很大工作量再次进行人工勾画及修改。

发明内容

有鉴于此，本发明的目的在于提供一种基于深度学习的肿瘤靶区云检测装置、系统、方法及介质，能够实现对肿瘤靶区的自动化勾画，同时提高对肿瘤靶区的检测准确度及效率，其具体方案如下：

本申请的第一方面提供了一种基于深度学习的肿瘤靶区云检测装置，包括数据获取模块和检测模块，其中：

所述数据获取模块，用于获取待检测多模态医学图像和相应的放射源参数；

所述检测模块包括勾画子模块，所述勾画子模块用于利用训练后的靶区勾画模型对所述待检测多模态医学图像中的肿瘤靶区进行勾画；其中，所述靶区勾画模型为利用训练集对基于深度学习算法构建的模型进行训练后得到的模型，所述训练集包括多模态医学样本图像和相应的样本标签，所述样本标签包括所述多模态医学样本图像中的肿瘤靶区信息及相应的放射源参数。

可选的，所述检测模块还包括剂量计算子模块，所述剂量计算子模块用于利用体内剂量吸收分布计算模型对放射线的吸收剂量的分布情况进行计算。

可选的，所述剂量计算子模块还用于利用单一均匀剂量学模型对所述放射线的吸收剂量的分布情况进行计算。

可选的，所述勾画子模块包括：

预处理单元，用于对所述多模态医学图像进行预处理；

图像融合单元，用于利用多模态医学图像融合技术得到预处理后的所述多模态医学图像之间的坐标对应关系，并基于所述坐标对应关系对所述多模态医学图像进行坐标匹配操作；

识别单元，用于利用基于卷积神经网络的目标检测算法对坐标匹配后的所述多模态医学图像中的全部目标部位进行识别，并对所述多模态医学图像中的肿瘤位置进行标记；

靶区勾画单元，用于基于全部目标部位信息及肿瘤位置信息，利用三维卷积神经网络对所述多模态医学图像中的肿瘤靶区进行勾画。

可选的，所述预处理单元包括去噪子单元和归一化子单元，其中：

所述去噪子单元，具体用于通过高斯滤波方法对所述多模态医学图像进行去噪处理；