[发明专利]一种基于神经网络模型生成内大体靶区的方法和系统

说明书

本发明属于放射性治疗技术领域，涉及一种基于神经网络模型生成内大体靶区的方法和系统，包括以下步骤：S1根据获得的4D‑CT图像勾画所有呼吸时相上的肿瘤靶区轮廓；S2生成代表内大体靶区的二值图像；S3将4D‑CT图像和二值图像输入卷积神经网络模型，对模型进行训练；S4将新患者的4D‑CT图像带入训练好的卷积神经网络模型，获得模型输出值；S5对模型输出值进行连通区域处理，生成最终的内大体靶区数据。其根据输入患者所有时相的4D‑CT图像数据，直接生成内大体靶区数据，解决临床勾画中耗时费力、重复性较差的问题。

技术领域

本发明涉及一种基于神经网络模型生成内大体靶区的方法和系统，属于放射性治疗技术领域，特别涉及放射性治疗中的靶区范围确定。

背景技术

放射治疗作为治疗恶性肿瘤的主要手段之一，其在肿瘤治疗中的作用和地位日益突出。精确放疗的最终目标是最大限度地将放射线剂量集中到靶区内，杀灭靶区内的细胞，并使周围正常组织，尤其是关键器官少受或不受放射线照射。然而放疗过程中由于呼吸运动会引起的靶区运动，从而影响靶区的实际照射剂量，导致部分靶区没有被照射或者使关键器官被高剂量放射性照射，最终造成局部控制不足或关键器官受损。

研究表明，对于胸腹部靶区，呼吸运动导致的靶区运动幅度可以超过2厘米，成为制约精确放射治疗效果的瓶颈。为了减小呼吸运动的影响，本领域中通常利用CT医学图像生成患者的个体化的内大体靶区(internal gross tumour volume，iGTV)。iGTV定义为在肿瘤靶区(gross tumour volume，GTV)数据的基础上，外扩由于呼吸运动导致的GTV内部运动范围，该内部运动范围是通过对可见病灶的运动来评估的，因而其勾画更为简单准确。

目前，生成iGTV数据最精确的方法是使用四维(four dimensional，4D)计算机断层成像(computed tomography，CT)数据，但该方法需要医生手动勾画内部运动范围，需要花费大量的时间和精力，并且同一医生不同时间勾画的结果以及不同医生勾画的结果都存在一定的差异，限制了其临床应用。

部分研究者提出使用部分呼吸时相如呼气末期和吸气末期上的GTV轮廓来生成iGTV数据，然而4D-CT数据中的呼气末期和吸气末期不一定是靶区实际运动的呼吸末期和吸气末期，并且靶区在头脚、上下和左右方向的最大运动可能表现在不同的呼吸时相中，使用部分时相上的GTV轮廓可能会低估iGTV数据。

也有研究者提出使用最大强度投影(maximum intensity projection，MIP)图像或者平均强度图像，在该图像上勾画的靶区的轮廓即是iGTV数据。MIP和平均强度图像上每个体素的灰度值分别是该体素在所有呼吸时相上灰度值的最大值和平均值，然而研究证明对于肺内末期肿瘤患者，使用MIP图像可能会低估iGTV数据，并且，如果毗邻的正常器官的组织密度与靶区的组织密度相似或者比靶区的组织密度更高，会使在MIP图像上无法区分正常组织和靶区，故而无法进行准确勾画。而使用平均强度图像勾画靶区轮廓则会低估iGTV数据。

发明内容

针对上述问题，本发明的目的是提供用于一种基于神经网络模型生成内大体靶区的方法和系统，其根据输入患者所有时相的4D-CT图像数据，直接生成内大体靶区数据，解决临床勾画中耗时费力、重复性较差的问题。

为实现上述目的，本发明采取以下技术方案：一种基于神经网络模型生成内大体靶区的方法，包括以下步骤：S1根据获得的4D-CT图像勾画所有呼吸时相上的肿瘤靶区轮廓；S2生成代表内大体靶区的二值图像；S3将4D-CT图像和二值图像输入卷积神经网络模型，对模型进行训练；S4将新患者的4D-CT图像带入训练好的卷积神经网络模型，获得模型输出值；S5对模型输出值进行连通区域处理，生成最终的内大体靶区数据。

进一步，步骤S1中勾画所有呼吸时相上的肿瘤靶区轮廓的方法为：由多个医生对同一患者肿瘤靶区轮廓进行勾画，然后将各个医生的勾画结果进行融合，保留各个勾画结果中相同的部分，对于不相同的部分，通过讨论投票，最终获得意见一致的勾画轮廓数据。