本發(fā)明涉及醫(yī)學(xué)圖像處理領(lǐng)域，尤其涉及一種放療計(jì)劃中復(fù)雜形狀靶區(qū)的自動(dòng)分割方法及設(shè)備。

背景技術(shù)：

1、在放療計(jì)劃中，肺部腫瘤、腦瘤等常見(jiàn)腫瘤的靶區(qū)分割已經(jīng)比較完善，但是另外一些覆蓋范圍廣、形狀復(fù)雜多變的靶區(qū)仍是勾畫(huà)的一個(gè)難點(diǎn)。通常這樣的靶區(qū)具備以下幾個(gè)特點(diǎn)：

2、1.覆蓋范圍廣，有些甚至覆蓋了半身或全身。

3、2.形狀復(fù)雜多變，即形狀或者尺寸隨位置變化而劇烈變化。

4、例如，髓母瘤需要使用的全腦全脊髓靶區(qū)。又例如，為了防止乳腺癌患者的癌細(xì)胞擴(kuò)散或轉(zhuǎn)移，經(jīng)常會(huì)將靶區(qū)擴(kuò)大至下胸到上鎖骨之間的區(qū)域。

5、在放療計(jì)劃中，通常采用的勾畫(huà)的方法包括：

6、1、醫(yī)生在影像資料上手工勾畫(huà)復(fù)雜靶區(qū)。這種方法困難耗時(shí)，主觀性較強(qiáng)，精確度有限，而且醫(yī)生的經(jīng)驗(yàn)和知識(shí)可能因人而異沒(méi)有統(tǒng)一標(biāo)準(zhǔn)，很容易出錯(cuò)。

7、2、由于靶區(qū)區(qū)域范圍越廣、形狀越復(fù)雜，使用ai領(lǐng)域的傳統(tǒng)方法以及深度學(xué)習(xí)方法的分割效果差。例如，采用機(jī)器學(xué)習(xí)svm算法來(lái)自動(dòng)識(shí)別和勾畫(huà)復(fù)雜靶區(qū)，該方法的決策邊界通常是復(fù)雜的超平面，難以直觀解釋模型決策過(guò)程，另外，由于svm的性能高度依賴(lài)于超參數(shù)，參數(shù)越多在處理復(fù)雜數(shù)據(jù)時(shí)容易過(guò)擬合，分割效果越差。又例如，用nnunet等深度學(xué)習(xí)網(wǎng)絡(luò)來(lái)自動(dòng)識(shí)別和勾畫(huà)復(fù)雜靶區(qū)，該方法在網(wǎng)絡(luò)訓(xùn)練時(shí)使用三維滑窗的形式提取特征，復(fù)雜靶區(qū)的形狀通常隨位置改變而劇烈變化，而滑動(dòng)窗口的空間尺度有限，滑動(dòng)窗口尺度太大會(huì)超出計(jì)算機(jī)顯存范圍，增加計(jì)算機(jī)資源消耗和訓(xùn)練成本，滑窗窗口尺寸太小，就無(wú)法提取到形狀復(fù)雜且變化劇烈的靶區(qū)區(qū)域的足夠的全貌特征，導(dǎo)致識(shí)別效果不好。

8、綜上，目前沒(méi)有針對(duì)復(fù)雜形狀靶區(qū)的針對(duì)性分割方法，而已有的靶區(qū)或者危及器官的分割方法也不適用于復(fù)雜形狀靶區(qū)。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明提供了一種放療計(jì)劃中復(fù)雜形狀靶區(qū)的自動(dòng)分割方法及設(shè)備，旨在對(duì)復(fù)雜形狀靶區(qū)進(jìn)行自動(dòng)、準(zhǔn)確地分割。

2、本發(fā)明提供了一種放療計(jì)劃中復(fù)雜形狀靶區(qū)的自動(dòng)分割方法，所述方法包括：利用定位靶區(qū)模型，對(duì)患者的包含復(fù)雜形狀靶區(qū)的圖像進(jìn)行靶區(qū)定位，得到已初步定位復(fù)雜形狀靶區(qū)分布區(qū)域的定位靶區(qū)特征圖；基于所述定位靶區(qū)特征圖中復(fù)雜形狀靶區(qū)的變化情況，將所述定位靶區(qū)特征圖劃分為靶區(qū)變化穩(wěn)定的固定層特征圖和靶區(qū)變化明顯的變動(dòng)層特征圖；對(duì)所述變動(dòng)層特征圖進(jìn)行分段裁剪，得到多個(gè)子變動(dòng)層特征圖；對(duì)所述固定層特征圖和多個(gè)所述子變動(dòng)層特征圖分別進(jìn)行靶區(qū)推理，得到固定層靶區(qū)特征圖和多個(gè)子變動(dòng)層靶區(qū)特征圖；將所述固定層靶區(qū)特征圖和多個(gè)所述變動(dòng)層靶區(qū)特征圖進(jìn)行拼接，得到復(fù)雜形狀靶區(qū)特征圖。

3、優(yōu)選地，所述定位靶區(qū)模型包括深度可分離卷積、多個(gè)串聯(lián)的3d?unet、fpn、softmax函數(shù)。

4、優(yōu)選地，所述基于所述定位靶區(qū)特征圖中復(fù)雜形狀靶區(qū)的變化情況，將所述定位靶區(qū)特征圖劃分為靶區(qū)變化穩(wěn)定的固定層特征圖和靶區(qū)變化明顯的變動(dòng)層特征圖包括：按照所述定位靶區(qū)特征圖中復(fù)雜形狀靶區(qū)的形狀變化情況和位置變化情況中的至少一個(gè)，將所述定位靶區(qū)特征圖劃分為靶區(qū)變化穩(wěn)定的固定層特征圖和靶區(qū)變化明顯的變動(dòng)層特征圖。

5、優(yōu)選地，所述復(fù)雜形狀靶區(qū)的形狀變化情況通過(guò)以下步驟確定：計(jì)算所述定位靶區(qū)特征圖的每層熱力圖中的連通域數(shù)量；根據(jù)每層熱力圖中的連通域數(shù)量與第一閾值的比較結(jié)果，或者相鄰兩層熱力圖中的連通域數(shù)量變化，確定靶區(qū)形狀變化穩(wěn)定的部分和靶區(qū)形狀變化劇烈的部分。

6、優(yōu)選地，所述復(fù)雜形狀靶區(qū)的靶區(qū)位置變化情況通過(guò)以下步驟確定：計(jì)算所述定位靶區(qū)特征圖的每層熱力圖中像素點(diǎn)概率值大于第二閾值的像素點(diǎn)個(gè)數(shù)，作為目標(biāo)區(qū)域面積；根據(jù)相鄰兩層熱力圖中目標(biāo)區(qū)域面積的差值，確定靶區(qū)位置變化穩(wěn)定的部分或靶區(qū)位置變化明顯的部分。

7、優(yōu)選地，所述對(duì)所述變動(dòng)層特征圖進(jìn)行分段裁剪，得到多個(gè)子變動(dòng)層特征圖包括：在所述變動(dòng)層特征圖的xy方向，以靶區(qū)位置作為中心位置進(jìn)行切割；在所述變動(dòng)層特征圖的z方向，以上下兩個(gè)子層疊層的方式進(jìn)行切割，以保留靶區(qū)邊界信息。

8、優(yōu)選地，所述對(duì)所述固定層特征圖和多個(gè)所述子變動(dòng)層特征圖分別進(jìn)行靶區(qū)推理，得到固定層靶區(qū)特征圖和多個(gè)子變動(dòng)層靶區(qū)特征圖包括：利用固定層推理模型，對(duì)所述固定層特征圖進(jìn)行靶區(qū)推理，得到固定層靶區(qū)特征圖；利用變動(dòng)層推理模型，對(duì)多個(gè)所述子變動(dòng)層特征圖分別進(jìn)行靶區(qū)推理，得到多個(gè)子變動(dòng)層靶區(qū)特征圖；其中，所述固定層推理模型和所述變動(dòng)層推理模型是結(jié)構(gòu)相同但參數(shù)不同的模型。

9、優(yōu)選地，所述固定層推理模型和所述變動(dòng)層推理模型均包括：第一2d?unet組、第二2d?unet組、3dunet組和三個(gè)串聯(lián)的卷積層，其中，所述第一2d?unet組將從輸入特征圖中提取的二維特征輸出給第一個(gè)卷積層，所述第二2d?unet組將從輸入特征圖中提取的二維特征圖輸入至第二個(gè)卷積層，所述3dunet組將從輸入特征圖中提取的三維特征圖輸入至第三個(gè)卷積層。

10、優(yōu)選地，在訓(xùn)練所述固定層推理模型時(shí)，利用dice損失函數(shù)和豪斯多夫距離計(jì)算所述固定層推理模型的訓(xùn)練損失；在訓(xùn)練所述變動(dòng)層推理模型時(shí)，利用三維邊界損失函數(shù)和三維球體表面損失函數(shù)計(jì)算所述變動(dòng)層推理模型的訓(xùn)練損失。

11、本發(fā)明還提供了一種放療計(jì)劃中復(fù)雜形狀靶區(qū)的自動(dòng)分割設(shè)備，所述設(shè)備包括存儲(chǔ)器、處理器、存儲(chǔ)在所述存儲(chǔ)器上并可在所述處理器上運(yùn)行的程序，所述程序被所述處理器執(zhí)行時(shí)實(shí)現(xiàn)如上述的放療計(jì)劃中復(fù)雜形狀靶區(qū)的自動(dòng)分割方法的步驟。

12、本發(fā)明提供了一種放療計(jì)劃中復(fù)雜形狀靶區(qū)的自動(dòng)分割方法及設(shè)備，基于定位靶區(qū)特征圖的劃分和分段裁剪結(jié)果進(jìn)行靶區(qū)推理和特征拼接，能夠自動(dòng)、準(zhǔn)確地識(shí)別/勾畫(huà)/分割任意形狀和/或覆蓋范圍廣的復(fù)雜形狀靶區(qū)。

技術(shù)特征：

1.一種放療計(jì)劃中復(fù)雜形狀靶區(qū)的自動(dòng)分割方法，其特征在于，所述方法包括：

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述定位靶區(qū)模型包括依次連接的深度可分離卷積、多個(gè)串聯(lián)的3d?unet、fpn、softmax函數(shù)。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述基于所述定位靶區(qū)特征圖中復(fù)雜形狀靶區(qū)的變化情況，將所述定位靶區(qū)特征圖劃分為靶區(qū)變化穩(wěn)定的固定層特征圖和靶區(qū)變化明顯的變動(dòng)層特征圖包括：

4.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述復(fù)雜形狀靶區(qū)的形狀變化情況通過(guò)以下步驟確定：

5.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述復(fù)雜形狀靶區(qū)的靶區(qū)位置變化情況通過(guò)以下步驟確定：

6.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述對(duì)所述變動(dòng)層特征圖進(jìn)行分段裁剪，得到多個(gè)子變動(dòng)層特征圖包括：

7.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述對(duì)所述固定層特征圖和多個(gè)所述子變動(dòng)層特征圖分別進(jìn)行靶區(qū)推理，得到固定層靶區(qū)特征圖和多個(gè)子變動(dòng)層靶區(qū)特征圖包括：

8.根據(jù)權(quán)利要求7所述的方法，其特征在于，所述固定層推理模型和所述變動(dòng)層推理模型均包括：第一2d?unet組、第二2d?unet組、3dunet組和三個(gè)串聯(lián)的卷積層，其中，所述第一2d?unet組將從輸入特征圖中提取的二維特征輸出給第一個(gè)卷積層，所述第二2d?unet組將從輸入特征圖中提取的二維特征圖輸入至第二個(gè)卷積層，所述3dunet組將從輸入特征圖中提取的三維特征圖輸入至第三個(gè)卷積層。

9.根據(jù)權(quán)利要求7或8所述的方法，其特征在于，

10.一種放療計(jì)劃中復(fù)雜形狀靶區(qū)的自動(dòng)分割設(shè)備，其特征在于，所述設(shè)備包括存儲(chǔ)器、處理器、存儲(chǔ)在所述存儲(chǔ)器上并可在所述處理器上運(yùn)行的程序，所述程序被所述處理器執(zhí)行時(shí)實(shí)現(xiàn)如權(quán)利要求1-9任意一項(xiàng)所述的放療計(jì)劃中復(fù)雜形狀靶區(qū)的自動(dòng)分割方法的步驟。

技術(shù)總結(jié)
本發(fā)明公開(kāi)一種放療計(jì)劃中復(fù)雜形狀靶區(qū)的自動(dòng)分割方法及設(shè)備，所述方法包括：利用定位靶區(qū)模型，對(duì)患者的包含復(fù)雜形狀靶區(qū)的圖像進(jìn)行靶區(qū)定位，得到已初步定位復(fù)雜形狀靶區(qū)分布區(qū)域的定位靶區(qū)特征圖；基于所述定位靶區(qū)特征圖中復(fù)雜形狀靶區(qū)的變化情況，將所述定位靶區(qū)特征圖劃分為靶區(qū)變化穩(wěn)定的固定層特征圖和靶區(qū)變化明顯的變動(dòng)層特征圖；對(duì)所述變動(dòng)層特征圖進(jìn)行分段裁剪，得到多個(gè)子變動(dòng)層特征圖；對(duì)所述固定層特征圖和多個(gè)所述子變動(dòng)層特征圖分別進(jìn)行靶區(qū)推理，得到固定層靶區(qū)特征圖和多個(gè)子變動(dòng)層靶區(qū)特征圖；將所述固定層靶區(qū)特征圖和多個(gè)所述變動(dòng)層靶區(qū)特征圖進(jìn)行拼接，得到復(fù)雜形狀靶區(qū)特征圖。本發(fā)明可以自動(dòng)、準(zhǔn)確地分割復(fù)雜形狀靶區(qū)。

技術(shù)研發(fā)人員：付強(qiáng)南,羅召洋,鄭超
受保護(hù)的技術(shù)使用者：海創(chuàng)未來(lái)（杭州）醫(yī)療科技有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/17