CN108460813A - 一种靶区勾画方法和装置 - Google Patents
一种靶区勾画方法和装置 Download PDFInfo
- Publication number
- CN108460813A CN108460813A CN201810001052.9A CN201810001052A CN108460813A CN 108460813 A CN108460813 A CN 108460813A CN 201810001052 A CN201810001052 A CN 201810001052A CN 108460813 A CN108460813 A CN 108460813A
- Authority
- CN
- China
- Prior art keywords
- image
- target
- target area
- modality
- target region
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000001959 radiotherapy Methods 0.000 claims abstract description 51
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000002591 computed tomography Methods 0.000 claims description 44
- 238000002600 positron emission tomography Methods 0.000 claims description 42
- 238000002595 magnetic resonance imaging Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 2
- 238000006073 displacement reaction Methods 0.000 description 7
- 238000013507 mapping Methods 0.000 description 6
- 206010028980 Neoplasm Diseases 0.000 description 5
- 230000002902 bimodal effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 210000001835 viscera Anatomy 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/203—Drawing of straight lines or curves
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10104—Positron emission tomography [PET]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本公开提供一种靶区勾画方法和装置，其中方法包括：将第一模态图像的靶区图像，作为预先训练完成的靶区勾画模型的输入图像；通过所述靶区勾画模型的处理得到输出图像，所述输出图像是第二模态图像的靶区图像，所述第一模态图像的靶区图像和第二模态图像的靶区图像对应同一放疗部位。本公开使得靶区勾画更加准确，提高了靶区勾画的效率和准确率。
Description
技术领域
本公开涉及医疗成像技术，特别涉及一种靶区勾画方法和装置。
背景技术
现代放射治疗技术的核心是适形调强放疗，其特点是射野的形状需要与病变(靶区)的形状一致，射野内诸点的剂量能按要求调整，所以照射剂量分布也与靶区一致。例如，将适形调强放疗应用在肿瘤放疗时，可以在三维立体方向使放疗高剂量分布与肿瘤靶区的形状一致，能够对每束射线内的子射线进行强度控制，当它与精确勾画的靶区结合，就可达到最大限度控制剂量分布，使肿瘤的控制率提高、正常组织及器官的损伤降低的目的。可见，在放疗之前，需要进行靶区的勾画，准确地勾画靶区有助于制定更加合适的放疗计划。
传统的靶区勾画方法，可以是针对放疗部位的图像，提取某一图像断层中的特征作为先验知识，在断层序列间逐层进行靶区勾画。但是，当前在靶区勾画方面存在一种发展方向即通过多模态影像引导精确放疗，比如，对于同一放疗部位，既获取PET(PositronEmission Tomograph，正电子发射计算机断层扫描)图像，也获取CT(ComputerTomography,X线计算机断层)图像，利用PET图像和CT图像这两种模态图像都去指导放疗，那么这两种模态图像都要进行靶区勾画。然而，当前并没有合适的多模态图像进行靶区勾画的方法，假使仍然采用上述的图像断层序列间逐层勾画的方式，最终得到的靶区位置存在较大的偏差，操作技师或专家还需要对靶区勾画结果进行大量的修正。
发明内容
有鉴于此，本公开提供一种靶区勾画方法和装置，以提高双模态图像的靶区勾画的准确性。
具体地，本公开是通过如下技术方案实现的：
第一方面，提供一种靶区勾画方法，所述方法包括：
将第一模态图像的靶区图像，作为预先训练完成的靶区勾画模型的输入图像；
通过所述靶区勾画模型的处理得到输出图像，所述输出图像是第二模态图像的靶区图像，所述第一模态图像的靶区图像和第二模态图像的靶区图像对应同一放疗部位。
第二方面，提供一种靶区勾画装置，所述装置包括：
输入获取模块，用于将第一模态图像的靶区图像，作为预先训练完成的靶区勾画模型的输入图像；
模型输出模块，用于通过所述靶区勾画模型的处理得到输出图像，所述输出图像是第二模态图像的靶区图像，所述第一模态图像的靶区图像和第二模态图像的靶区图像对应同一放疗部位。
第三方面，提供一种靶区勾画设备，所述设备包括：存储器、处理器，以及存储在存储器上并可在处理器上运行的计算机指令，所述处理器执行指令时实现以下步骤：
将第一模态图像的靶区图像，作为预先训练完成的靶区勾画模型的输入图像；
通过所述靶区勾画模型的处理得到输出图像，所述输出图像是第二模态图像的靶区图像，所述第一模态图像的靶区图像和第二模态图像的靶区图像对应同一放疗部位。
第四方面，提供一种计算机可读存储介质，其具有存储在其上的指令，当由一个或多个处理器执行时，使得一个或多个处理器执行靶区勾画方法，该方法包括：
将第一模态图像的靶区图像，作为预先训练完成的靶区勾画模型的输入图像；
通过所述靶区勾画模型的处理得到输出图像，所述输出图像是第二模态图像的靶区图像，所述第一模态图像的靶区图像和第二模态图像的靶区图像对应同一放疗部位。
本公开提供的靶区勾画方法和装置，通过采用经过训练的全卷积网络模型得到进行靶区输出，由于该模型已经能够准确的实现两个模态图像的靶区之间的映射，使得模型输出的模态图像和输入靶区图像间的靶区对应同一放疗部位，从而靶区勾画更加准确，提高了靶区勾画的效率和准确率。
附图说明
图1是本公开一示例性实施例示出的一种全卷积网络模型的结构示意图；
图2是本公开一示例性实施例示出的一种模型训练的流程示意图；
图3是本公开一示例性实施例示出的一种使用模型进行靶区勾画的流程；
图4是本公开一示例性实施例示出的一种靶区勾画装置的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
双模态图像有助于通过多种方式更加清晰准确的观察同一个放疗部位，例如，PET/CT双模态图像，可以对于同一放疗部位(如，肿瘤)获取PET图像和CT图像，PET图像可以清晰的显示放疗部位的代谢情况，但可能对体内器官的位置定位不准确，而CT图像可以清晰显示和准确定位体内各器官的影像，如果将PET图像和CT图像这两种模态图像结合，可以得到更丰富的信息来了解放疗部位。还可以利用双模态图像来引导精确放疗，即在每一种模态的图像上进行靶区勾画，这样可以在不同模态的图像上来更加准确和细致的观察靶区。
本公开提供了一种靶区勾画方法，该方法可以应用于在双模态图像中的不同模态的图像中进行靶区勾画。其中，不同模态的图像是不同性质的图像，在分辨率、成像特性、成像原理等方面都不同，比如，PET图像和CT图像的图像分辨率相差较大。因此，如果独立的对PET图像和CT图像分别进行靶区勾画，可能出现这两个图像勾画的靶区不能准确对应到同一放疗部位。例如，以对某一放疗部位进行放疗为例，可以采用自动勾画算法分别对PET图像和CT图像进行靶区勾画，但是最终得到的靶区位置在这两个图像中可能会出现偏差，这样将影响后续对上述的放疗部位的观察。
基于上述，为了使得双模态图像中，不同模态的图像中勾画的靶区能够对应同一放疗部位，保证医师在这两个模态图像中观察的靶区是同一个位置区域，本公开的例子中将深度学习模型引入到靶区勾画中。因为，如上所述，对于同一放疗部位来说，在该放疗部位的不同模态图像上勾画靶区时，不同靶区之间存在着复杂的关系，这种复杂关系可以是由不同模态图像的成像原理、分辨率等因素导致的。而深度学习模型可以综合考虑多种因素，较为准确的反映不同模态图像的靶区之间的映射关系。
如下可以分为“模型的训练”和“模型的使用”两个部分，来描述本公开例子的靶区勾画方法。并且，以PET/CT双模态图像为例，但并不局限于此，例如，PET/MR(MagneticResonance，磁共振成像)双模态图像也同样适用于该方法。此外，如下例子中，可以将所使用的深度学习模型称为靶区勾画模型。
模型的训练
本例子中以训练全卷积网络模型(Fully Convolutional Networks)为例。图1示例了在一个例子中采用的全卷积网络模型的结构。
如图1所示，该全卷积网络模型的输入可以是PET图像的靶区图像，输出可以是CT图像的靶区图像，其中的靶区图像中可以只包括对某个放疗部位勾画的靶区，实际看起来该靶区可以是一个标识放疗部位所在位置的轮廓边界线。即可以先通过常规的靶区勾画方法(例如，聚类法等自动勾画算法)，在PET图像上进行靶区勾画，得到该PET图像对应的靶区图像，靶区图像上包括上述勾画的靶区。再通过全卷积网络模型输出对应同一放疗部位的CT图像的靶区图像，该靶区图像中也包括对同一放疗部位所在位置勾画的靶区。并且，全卷积网络模型的输入图像和输出图像可以尺寸不一致。
本例子中，PET图像上勾画的靶区和CT图像上勾画的靶区可以都是三维靶区，因此，全卷积网络模型的结构中，可以使用三维卷积方式，保留两种模态下靶区的空间邻域信息，以准确挖掘PET图像的三维靶区和CT图像的三维靶区在空间邻域中的映射关系，并根据PET图像和CT图像的特点选取适当的三维卷积核。
请继续参见图1，为了防止模型过拟合，还可以在卷积层间适当引入池化层。此外，由于输入的PET图像的靶区图像经过全卷积网络模型中的卷积层和池化层之后的尺寸降低，为了得到与CT图像的靶区图像尺寸一致的输出结果，可以进行反卷积操作，即对图像进行插值算法实现上采样。
在构建全卷积网络模型的结构后，可以按照图2所示流程进行模型训练：
在步骤200中，获取第一模态图像的样本靶区图像、以及第二模态图像的样本靶区图像。
例如，在PET/CT双模态图像中，可以将PET图像称为第一模态图像，可以将CT图像称为第二模态图像。
可以分别对大量患者的PET图像和CT图像进行靶区的勾画，例如可以采用聚类法、主动轮廓模型法等自动勾画算法，或者也可以通过经验丰富的放射学专家手工进行靶区勾画。
例如，PET图像的靶区图像可以称为第一模态图像的样本靶区图像，该样本靶区图像可以是在一个PET图像上进行某放疗部位的靶区勾画后，可以将只包括该靶区的图像称为样本靶区图像；CT图像的靶区图像可以称为第二模态图像的样本靶区图像，可以是在CT图像上勾画靶区得到，这些样本靶区图像都可以作为全卷积网络模型的训练样本。
本步骤中，所述第一模态图像的样本靶区图像和第二模态图像的样本靶区图像对应同一放疗部位，例如，均对应患者某一部位的肿瘤。并且，这两种样本靶区图像的数量可以较多，以作为训练样本输入待训练的全卷积网络模型。
需要说明的是，本步骤中的第一模态图像的样本靶区图像和第二模态图像的样本靶区图像需要尽可能的准确对应同一放疗部位，比如，这两种模态图像的样本靶区图像中的靶区都是在勾画标识对应同一放疗部位的位置。在获取训练样本时，尽量保证两种模态图像中的勾画靶区较为准确的对应同一放疗部位，有助于使得后续靶区勾画模型的训练更加准确。
在步骤201中，将第一模态图像的样本靶区图像作为待训练的靶区勾画模型的输入图像，将第二模态图像的样本靶区图像作为靶区勾画模型的输出图像的训练目标，训练所述靶区勾画模型。
上一个步骤中，将PET图像的样本靶区图像和对应的CT图像的样本靶区图像，输入模型进行模型训练，该CT图像的样本靶区图像相当于模型训练的目标。本步骤中，在模型训练过程中，可以通过三维卷积核对输入的PET图像的靶区图像进行特征提取，以得到模型的输出图像。
例如，该三维卷积核的大小，可以采用5×5×3，7×7×3等。在模型训练初始，可以对三维卷积核W进行初始化，卷积核初始化的方式有多种，根据模型的设计不同，可以采用常用的常量法、高斯法、Xavier法等。
接着，可以利用三维卷积核进行特征提取，三维卷积核W可以用来作为提取靶区图像的模版，即通过卷积核对输入的PET图像的样本靶区图像做卷积运算。在卷积操作的过程中，三维卷积核W就类似于一个滤波模版，移动的对整个PET图像的样本靶区图像进行过滤，提取出图像中符合三维卷积核所代表的靶区图像特征的部分。具体的，三维卷积核W通过与PET图像的样本靶区图像中各个部分进行卷积运算，可以根据卷积运算的结果获知图像中每个部分与三维卷积核的匹配程度，从而实现通过卷积核对图像中靶区部分的识别。
上述的卷积操作可以表示成如下公式：
其中，Iout(x,y,z)可以是经过卷积后的靶区特征图像；W(p,q,r)可以是三维卷积核，用于提取靶区特征；p是x方向上的位移变量；q是y方向上的位移变量；r是z方向上的位移变量；P是x方向上的位移尺度；Q是y方向上的位移尺度；R是z方向上的位移尺度；Iin(x-p,y-q,z-r)是卷积操作的输入图像。上述的位移即在对输入图像的各个部位移动的进行卷积操作的过程的步长。
经过模型中多个卷积层连续的执行上述的卷积操作，即可以得到模型的输出图像，不过还需要经过最后步骤的上采样，以将图像尺寸还原到原始图像大小，得到模型输出的CT靶区图像。
最终输出的CT靶区图像，是否与CT图像的样本靶区图像相似，两者之间的误差有多少，例如可以通过损失函数来确定。通过损失函数可以用来判断模型的输出与作为目标的CT图像的样本靶区图像之间的误差，寻找两种图像之间的区别。并且，可以通过误差的反向传递，对卷积核的参数进行调整。具体使用的算法可以是梯度下降法(SGD，StochasticGradient Descent)。
在调整卷积核的参数后，可以重新进行一次输入图像到输出图像的处理过程，用新的卷积核进行图像特征的提取，判断新的输出图像是否与目标的CT图像的样本靶区图像更为接近。上述即为模型的训练过程，可以根据输出图像与CT图像的样本靶区图像之间的区别，自动的调整卷积核参数，以使得新的卷积核更容易发现输入图像中的靶区部分。经过不断的参数调整，以实现模型不断的收敛。
在步骤202中，当达到模型训练结束条件时，得到训练完成的所述靶区勾画模型。
本步骤中，当模型训练结束时，例如，达到了预定的迭代次数，或者模型的输出图像与训练目标之间的差距小于一定范围，此时可以得到训练完成的全卷积网络模型，将该模型应用于靶区勾画时，将可以准确的得到不同模态图像之间的对应靶区。
模型的使用
在完成模型训练后，可以应用该模型进行靶区勾画。其中，可以先通过常规方法勾画得到其中一个模态图像中的靶区，再通过全卷积网络模型，输出得到对应的另一个模态图像中的靶区。这种靶区勾画方式，一方面，由于全卷积网络模型经过训练，已经能够准确的实现两个模态图像的靶区之间的映射，使得模态图像间的靶区对应同一放疗部位，靶区勾画更加准确；另一方面，通过全卷积网络模型进行靶区输出，使得靶区勾画的效率得到提高，从而实现快速准确的靶区勾画。
图3示例了一种靶区勾画方法的流程，该方法可以应用于根据双模态图像中的其中一个图像的靶区，得到另一个模态图像的靶区。如图3所示，包括：
在步骤300中，获取第一模态图像的靶区图像，所述靶区图像中包括：在所述第一模态图像中勾画的靶区。
本步骤中，第一模态图像的靶区图像，可以是通过手工或自动勾画算法对患者的PET图像进行靶区勾画得到。靶区图像中包括的靶区可以是靶区的轮廓边界信息。
在步骤301中，将靶区图像作为预先训练完成的靶区勾画模型的输入图像，得到靶区勾画模型的输出图像，所述输出图像是第二模态图像的靶区图像。
本步骤中，可以将步骤300中的靶区图像作为全卷积网络模型的输入，模型的输出即可得到CT图像的靶区，并且是与输入的PET图像靶区对应同一放疗部位的靶区。
在该例子中，是通过全卷积网络模型进行CT图像靶区的勾画，由于经过训练的全卷积网络模型已经学习到PET靶区和CT靶区之间的复杂映射关系，因此，模型输出的CT靶区具有很高的精准度，与PET靶区准确对应同一放疗部位。
此外，在得到全卷积网络模型的输出图像之后，该方法还可以将第一模态图像的靶区图像和第二模态图像的靶区图像中的靶区，配准到融合图像中，该融合图像是所述第一模态图像和第二模态图像的融合。例如，PET图像和CT图像进行融合可以得到PET/CT融合图像，可以将通过模型得到的PET靶区(即PET图像的靶区图像中的靶区)和CT靶区(即CT图像的靶区图像中的靶区)配准到该融合图像中，那么医师可以由融合图像中同时观察PET靶区和CT靶区，有利于更加准确清晰的观察放疗部位。
上述例子中，是以全卷积网络模型进行三维靶区的映射为例，在实际实施中，还可以使用模型在二维图像序列间学习PET和CT的二维靶区图像之间的映射关系。例如，将二维的断层图像中的PET靶区作为全卷积网络模型的输入，输出对应的二维断层图像中的CT靶区，最后再将一个序列中的不同断层图像中的PET靶区组合得到三维靶区，或者将一个序列中的不同断层图像中的CT靶区组合得到三维靶区。在二维图像应用时的模型训练和使用方法，同三维示例，不再详述。
图4提供了一种靶区勾画装置，可以包括：输入获取模块41和模型输出模块42。其中，
输入获取模块41，用于将第一模态图像的靶区图像，作为预先训练完成的靶区勾画模型的输入图像；
模型输出模块42，用于通过所述靶区勾画模型的处理得到输出图像，所述输出图像是第二模态图像的靶区图像，所述第一模态图像的靶区图像和第二模态图像的靶区图像对应同一放疗部位。
在一个例子中，上述靶区图像可以是二维靶区图像或者三维靶区图像。
本公开的方法的功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本公开的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台图像处理设备执行本公开各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random AccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
本例子提供的一种计算机可读存储介质，其具有存储在其上的指令，当由一个或多个处理器执行时，使得一个或多个处理器执行数据处理方法，该方法包括：将第一模态图像的靶区图像，作为预先训练完成的靶区勾画模型的输入图像；通过所述靶区勾画模型的处理得到输出图像，所述输出图像是第二模态图像的靶区图像，所述第一模态图像的靶区图像和第二模态图像的靶区图像对应同一放疗部位，所述靶区图像包括对所述放疗部位勾画的靶区。
本公开还提供了一种靶区勾画设备，该靶区勾画设备可以包括：存储器、处理器，以及存储在存储器上并可在处理器上运行的计算机指令，所述处理器执行指令时实现以下步骤：将第一模态图像的靶区图像，作为预先训练完成的靶区勾画模型的输入图像；通过所述靶区勾画模型的处理得到输出图像，所述输出图像是第二模态图像的靶区图像，所述第一模态图像的靶区图像和第二模态图像的靶区图像对应同一放疗部位。
以上所述仅为本公开的较佳实施例而已，并不用以限制本公开，凡在本公开的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本公开保护的范围之内。
Claims (10)
1.一种靶区勾画方法，其特征在于，所述方法包括：
将第一模态图像的靶区图像，作为预先训练完成的靶区勾画模型的输入图像；
通过所述靶区勾画模型的处理得到输出图像，所述输出图像是第二模态图像的靶区图像，所述第一模态图像的靶区图像和第二模态图像的靶区图像对应同一放疗部位。
2.根据权利要求1所述的方法，其特征在于，
所述第一模态图像，是正电子发射计算机断层扫描PET图像；
所述第二模态图像，是X线计算机断层CT图像或者磁共振成像MR图像。
3.根据权利要求1所述的方法，其特征在于，
所述靶区勾画模型，是全卷积网络模型。
4.根据权利要求1所述的方法，其特征在于，在通过所述靶区勾画模型的处理得到输出图像之后，所述方法还包括：
将所述第一模态图像的靶区图像中的靶区、以及所述第二模态图像的靶区图像中的靶区，配准到融合图像中，所述融合图像是所述第一模态图像和第二模态图像的融合。
5.根据权利要求1所述的方法，其特征在于，所述靶区图像，包括：二维靶区图像或者三维靶区图像。
6.根据权利要求1所述的方法，其特征在于，所述将第一模态图像的靶区图像作为预先训练完成的靶区勾画模型的输入图像之前，所述方法包括：
获取所述第一模态图像的样本靶区图像、以及所述第二模态图像的样本靶区图像，所述第一模态图像的样本靶区图像和第二模态图像的样本靶区图像对应同一放疗部位；
将所述第一模态图像的样本靶区图像作为待训练的所述靶区勾画模型的输入图像，并将所述第二模态图像的样本靶区图像作为所述靶区勾画模型的训练目标，训练所述靶区勾画模型，直至达到模型训练结束条件时，得到训练完成的所述靶区勾画模型。
7.一种靶区勾画装置，其特征在于，所述装置包括：
输入获取模块，用于将第一模态图像的靶区图像，作为预先训练完成的靶区勾画模型的输入图像；
模型输出模块，用于通过所述靶区勾画模型的处理得到输出图像，所述输出图像是第二模态图像的靶区图像，所述第一模态图像的靶区图像和第二模态图像的靶区图像对应同一放疗部位。
8.根据权利要求7所述的装置，其特征在于，所述靶区图像，包括：二维靶区图像或者三维靶区图像。
9.一种靶区勾画设备，其特征在于，所述设备包括：存储器、处理器，以及存储在存储器上并可在处理器上运行的计算机指令，所述处理器执行指令时实现以下步骤：
将第一模态图像的靶区图像，作为预先训练完成的靶区勾画模型的输入图像；
通过所述靶区勾画模型的处理得到输出图像，所述输出图像是第二模态图像的靶区图像，所述第一模态图像的靶区图像和第二模态图像的靶区图像对应同一放疗部位。
10.一种计算机可读存储介质，其具有存储在其上的指令，当由一个或多个处理器执行时，使得一个或多个处理器执行靶区勾画方法，该方法包括：
将第一模态图像的靶区图像，作为预先训练完成的靶区勾画模型的输入图像；
通过所述靶区勾画模型的处理得到输出图像，所述输出图像是第二模态图像的靶区图像，所述第一模态图像的靶区图像和第二模态图像的靶区图像对应同一放疗部位。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810001052.9A CN108460813A (zh) | 2018-01-02 | 2018-01-02 | 一种靶区勾画方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810001052.9A CN108460813A (zh) | 2018-01-02 | 2018-01-02 | 一种靶区勾画方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108460813A true CN108460813A (zh) | 2018-08-28 |
Family
ID=63221415
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810001052.9A Pending CN108460813A (zh) | 2018-01-02 | 2018-01-02 | 一种靶区勾画方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108460813A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109961491A (zh) * | 2019-04-12 | 2019-07-02 | 上海联影医疗科技有限公司 | 多模态图像截断补偿方法、装置、计算机设备和介质 |
| CN111784705A (zh) * | 2020-06-24 | 2020-10-16 | 上海联影医疗科技有限公司 | 感兴趣区域的勾画方法、装置、设备和存储介质 |
| CN113041516A (zh) * | 2021-03-25 | 2021-06-29 | 中国科学院近代物理研究所 | 三维图像引导摆位的方法、系统及存储介质 |
| CN113192053A (zh) * | 2021-05-18 | 2021-07-30 | 北京大学第三医院（北京大学第三临床医学院） | 基于深度学习的宫颈肿瘤靶区智能勾画方法、设备和介质 |
| CN113487579A (zh) * | 2021-07-14 | 2021-10-08 | 广州柏视医疗科技有限公司 | 自动勾画模型的多模态迁移方法 |
| CN116433851A (zh) * | 2023-06-13 | 2023-07-14 | 天津市肿瘤医院（天津医科大学肿瘤医院） | 一种基于磁共振影像的放疗靶区图像融合标定方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170053405A1 (en) * | 2015-08-21 | 2017-02-23 | Samsung Electronics Co., Ltd. | Method and system for calibration of a medical imaging system |
| CN107358600A (zh) * | 2017-06-14 | 2017-11-17 | 北京全域医疗技术有限公司 | 放疗计划中的自动勾靶方法、装置和电子设备 |
| CN107481272A (zh) * | 2016-06-08 | 2017-12-15 | 瑞地玛医学科技有限公司 | 一种放射治疗计划图像配准与融合的方法及系统 |
-
2018
- 2018-01-02 CN CN201810001052.9A patent/CN108460813A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170053405A1 (en) * | 2015-08-21 | 2017-02-23 | Samsung Electronics Co., Ltd. | Method and system for calibration of a medical imaging system |
| CN107481272A (zh) * | 2016-06-08 | 2017-12-15 | 瑞地玛医学科技有限公司 | 一种放射治疗计划图像配准与融合的方法及系统 |
| CN107358600A (zh) * | 2017-06-14 | 2017-11-17 | 北京全域医疗技术有限公司 | 放疗计划中的自动勾靶方法、装置和电子设备 |
Non-Patent Citations (4)
| Title |
|---|
| DONG NIE等: "Estimating MRI Data Using 3D Fully Convolutional CT Image from Networks", 《DEEP LEARNING AND DATA LABELING FOR MEDICAL APPLICATIONS》 * |
| XIMING XU等: "CT image fusion in the optimization of replanning during the course of 3-dimensional conformal radiotherapy for non-small-cell lung cancer", 《 2010 3RD INTERNATIONAL CONFERENCE ON BIOMEDICAL ENGINEERING AND INFORMATICS》 * |
| 林奈尔等: "PET_CT在肺癌精准放疗中的应用进展", 《国际医学放射学杂志》 * |
| 陈意标等: "CT-MRI图像融合技术在脑胶质瘤术后放疗靶区勾画中的应用", 《中国癌症防治杂志》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109961491A (zh) * | 2019-04-12 | 2019-07-02 | 上海联影医疗科技有限公司 | 多模态图像截断补偿方法、装置、计算机设备和介质 |
| CN109961491B (zh) * | 2019-04-12 | 2023-05-26 | 上海联影医疗科技股份有限公司 | 多模态图像截断补偿方法、装置、计算机设备和介质 |
| CN111784705A (zh) * | 2020-06-24 | 2020-10-16 | 上海联影医疗科技有限公司 | 感兴趣区域的勾画方法、装置、设备和存储介质 |
| CN111784705B (zh) * | 2020-06-24 | 2024-04-02 | 上海联影医疗科技股份有限公司 | 感兴趣区域的勾画方法、装置、设备和存储介质 |
| CN113041516A (zh) * | 2021-03-25 | 2021-06-29 | 中国科学院近代物理研究所 | 三维图像引导摆位的方法、系统及存储介质 |
| CN113041516B (zh) * | 2021-03-25 | 2022-07-19 | 中国科学院近代物理研究所 | 三维图像引导摆位的方法、系统、处理设备及存储介质 |
| CN113192053A (zh) * | 2021-05-18 | 2021-07-30 | 北京大学第三医院（北京大学第三临床医学院） | 基于深度学习的宫颈肿瘤靶区智能勾画方法、设备和介质 |
| CN113487579A (zh) * | 2021-07-14 | 2021-10-08 | 广州柏视医疗科技有限公司 | 自动勾画模型的多模态迁移方法 |
| CN116433851A (zh) * | 2023-06-13 | 2023-07-14 | 天津市肿瘤医院（天津医科大学肿瘤医院） | 一种基于磁共振影像的放疗靶区图像融合标定方法 |
| CN116433851B (zh) * | 2023-06-13 | 2023-08-11 | 天津市肿瘤医院（天津医科大学肿瘤医院） | 一种基于磁共振影像的放疗靶区图像融合标定方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108460813A (zh) | 一种靶区勾画方法和装置 | |
| WO2021088747A1 (zh) | 基于深度学习的预测消融术后肝脏肿瘤形态变化的方法 | |
| CN109906470B (zh) | 使用神经网络方法的图像分割 | |
| US11455732B2 (en) | Knowledge-based automatic image segmentation | |
| US10229517B2 (en) | Method and apparatus for automated determination of contours in iterative reconstruction of image data | |
| CN111008984B (zh) | 医学影像中正常器官的轮廓线自动勾画方法 | |
| KR102410955B1 (ko) | 의료 영상에서 딥러닝에 기반한 복부 장기 자동분할 방법 및 그 컴퓨터 프로그램 | |
| Vesal et al. | A 2D dilated residual U-Net for multi-organ segmentation in thoracic CT | |
| JP2023507109A (ja) | 医用画像による自動化された腫瘍識別およびセグメンテーション | |
| CN110619635B (zh) | 基于深度学习的肝细胞癌磁共振图像分割系统和方法 | |
| JP2012503500A (ja) | Ａｃ−ｐｃセグメント化システム及び方法 | |
| US9727975B2 (en) | Knowledge-based automatic image segmentation | |
| CN113327225B (zh) | 用于提供气道信息的方法 | |
| CN113140035B (zh) | 一种基于多模态影像融合技术的人脑血管全自动重建方法、装置 | |
| CN107680107A (zh) | 一种基于多图谱的扩散张量磁共振图像的自动分割方法 | |
| CN108694007B (zh) | 从磁共振图像展开肋骨 | |
| CN112184720A (zh) | 一种ct图像的内直肌和视神经分割方法及系统 | |
| Bazgir et al. | Kidney segmentation using 3D U-Net localized with Expectation Maximization | |
| CN116258671B (zh) | 一种基于mr图像智能勾画方法、系统、设备及存储介质 | |
| Kurugol et al. | Centerline extraction with principal curve tracing to improve 3D level set esophagus segmentation in CT images | |
| JP2024527911A (ja) | 解剖学的特徴構造の識別 | |
| CN116168097A (zh) | 构建cbct勾画模型和勾画cbct图像的方法、装置、设备及介质 | |
| Schoop et al. | Framework for deep learning based Multi-Modality image registration of snapshot and pathology images | |
| Zhu et al. | Label fusion for segmentation via patch based on local weighted voting | |
| CN117831757B (zh) | 基于病理ct多模态先验知识引导的肺癌诊断方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB02 | Change of applicant information |
Address after: 110167 No. 177-1 Innovation Road, Hunnan District, Shenyang City, Liaoning Province Applicant after: Shenyang Neusoft Medical Systems Co.,Ltd. Address before: 110167 No. 177-1 Innovation Road, Hunnan District, Shenyang City, Liaoning Province Applicant before: SHENYANG NEUSOFT MEDICAL SYSTEMS Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180828 |
|
| RJ01 | Rejection of invention patent application after publication |