CN110766693B - 一种基于多模型神经网络联合预测放疗结构位置的方法 - Google Patents

一种基于多模型神经网络联合预测放疗结构位置的方法 Download PDF

Info

Publication number
CN110766693B
CN110766693B CN201910730460.2A CN201910730460A CN110766693B CN 110766693 B CN110766693 B CN 110766693B CN 201910730460 A CN201910730460 A CN 201910730460A CN 110766693 B CN110766693 B CN 110766693B
Authority
CN
China
Prior art keywords
neural network
organ
result
model
segmentation
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.)
Active
Application number
CN201910730460.2A
Other languages
English (en)
Other versions
CN110766693A (zh
Inventor
胡志强
崔德琪
章桦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Linking Medical Technology Co ltd
Original Assignee
Beijing Linking Medical Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Linking Medical Technology Co ltd filed Critical Beijing Linking Medical Technology Co ltd
Publication of CN110766693A publication Critical patent/CN110766693A/zh
Application granted granted Critical
Publication of CN110766693B publication Critical patent/CN110766693B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • 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
    • G06N3/08—Learning methods
    • 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
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • 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
    • G06T2207/10132—Ultrasound image
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30008—Bone
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30028—Colon; Small intestine
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30041—Eye; Retina; Ophthalmic
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30048—Heart; Cardiac
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30061—Lung
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular

Abstract

本发明属于医学影像和计算机技术领域，涉及一种基于多模型神经网络联合预测放疗结构位置的方法、设备和存储介质。本发明使用多个不同的模型对同一器官的医学图像进行分割，根据器官在医学影像上下层的跟随性，通过比较不同模型预测出的掩模与上一层掩模质心距离的接近程度来降低小器官分割中掩模的假阴、假阳；通过比较不同模型预测出的掩模与上一层掩模的dice系数的高低程度来降低大器官分割中掩模的假阴、假阳。相比于单模型的调优，本发明通过多模型联合预测放疗结构可以明显的改善上述问题，具有很强的普适性。

Description

一种基于多模型神经网络联合预测放疗结构位置的方法
技术领域
本发明属于医学影像和计算机技术领域，主要涉及一种基于多模型神经网络放疗结构位置的方法、设备和存储介质。
背景技术
在医院对病人进行放射治疗的过程中，往往涉及到目标靶区的分割，目前医生主要是采用手工分割的方式，手工分割费时费力，影响医生的工作效率，更影响病人的及时治疗。随着深度学习技术的发展，基于深度学习技术的医学图像自动分割技术成为医学领域的热门研究。北京连心医疗科技有限公司已经开发完成了多个人体多部位危及器官和靶区的自动分割并在多个国内医院中使用该技术。但现有的放疗结构(放疗结构包括靶区和危及器官)的自动分割(勾画)中的分割结果往往存在一定比例的假阳或假阴，其中所谓假阳就是分割CT影像中放疗结构时将不是放疗结构的地方也错误地分割为放疗结构，造成自动分割时预测的放疗结构比实际偏大或者分割到其他器官位置上去；假阴就是分割CT影像中放疗结构时将本属于放疗结构的位置错误地识别为空白，造成自动分割时预测的放疗结构比实际偏小或者不分割，例如，对于肺部这种大器官，很容易会出现豁口现象，使得本来属于肺部的区域被漏画－－假阴。不论假阴还是假阳都会对自动分割结果的精度产生很大影响。自动分割不准确将导致后续放疗剂量计算发生偏差，影响最终放疗效果。
在基于深度学习网络模型的自动分割中，使用单一模型由于同一位置的结果只有一个模型给出，没有备选项，无法横向比较，因此很难避免上述假阴和假阳现象。
发明内容
本发明的目的在于为克服现有技术的缺陷而提供一种基于多模型神经网络联合预测放疗结构位置的方法、设备和存储介质。
为实现上述目的，本发明采用以下技术方案：
本发明通过利用多个神经网络模型对人体医学影像(例如CT影像、MR影像、超声波影像等)进行放疗结构分割，对于同一位置会给出很多种模型预测的结果，当各模型的分割结果相同，则认为分割结果正确；而如果各模型的分割结果不一致，则表明某些(个)模型的分割结果出现错误，而需要根据器官上下层的跟随性这一生理特征，从多个模型预测结果中选择一个与上一层结果最接近的，即认为是该层的最优结果，这就控制了假阳，改善了分割效果；当该层结果在单一模型下预测为空时，使用多模型时，其他模型不一定也预测为空，这就控制了假阴。
一种基于多模型神经网络联合预测放疗结构位置的方法，适于在计算设备中执行，包括如下步骤：
(1)、构建并训练若干不同的用于预测放疗结构的神经网络模型；
(2)、分别使用训练好的多个神经网络模型对医学影像中的目标器官进行分割预测；
(3)、判断各神经网络模型对同一个目标器官所预测的掩模(mask)是否为空；如果各模型的预测结果均为空，则检查下一层影像的预测结果；如果通过多个模型仅预测得到一个包含掩模的结果，将该预测结果作为最终结果；如果多个神经网络模型预测得到一个以上包含掩模的结果，进入步骤(4)；
(4)、判断医学影像中目标器官属于大器官还是小器官；如果属于小器官进入步骤(5)；如果属于大器官进入步骤(6)；
(5)、比较不同神经网络模型预测出的当前层掩模(mask)与上一层掩模目标器官的质心距离，选择质心距离最近的分割结果作为最优结果；通过本步骤操作可以降低小器官分割中mask的假阴、假阳；
(6)、比较不同模型预测出的目标器官的当前层掩模与上一层掩模的dice系数，将dice系数最高的掩模结果作为最终分割结果；降低对医学影像中大器官自动分割掩模中的假阴。
所述的医学影像为CT影像、磁共振(MR)影像或超声波影像。
所述的神经网络模型为2D和/或3D神经网络模型，优选地，构建大于等于3个神经网络模型对医学影像进行放疗结构分割。
所述的步骤(4)前，还包括通过器官分类神经网络模型或人工筛选的方式找出含有目标器官的CT图像层的步骤。
所述的小器官为平均横截面积小于200平方毫米的器官，所述的大器官为除小器官以外的其他器官；优选的，所述的大器官包括肺、心脏、股骨头等；所述的小器官包括气管、食管、血管、眼睛、垂体、脊髓、晶状体、肠道等。
本发明还提供一种计算设备，包括：
一个或多个处理器；
存储器；以及
一个或多个程序，其中所述一个或多个程序存储在所述存储器中并被配置为由一个或多个处理器执行，所述的一个或多个程序包括基于多模型神经网络联合预测放疗结构位置的方法的指令。
本发明还提供一种存储一个或多个程序的计算机可读存储介质，所述的一个或多个程序包括指令，所述指令适于由存储器加载并执行上述基于多模型神经网络联合预测放疗结构位置的方法。
本发明具有以下有益结果：
使用多个不同的模型对同一器官的CT图像进行分割分割，根据器官CT上下层的跟随性。对于人体小器官(例如气管、食管、血管等)，通过比较不同模型预测出的mask与上一层mask质心距离的接近程度来降低小器官分割中mask的假阴、假阳；对于人体大器官(例如肺)通过比较不同模型预测出的mask与上一层mask的dice系数的高低程度来降低大器官分割中mask的豁口、假阴。与单个神经网络模型的调优相比，多模型可以明显的改善上述问题，具有很强的普适性，并且还能将2D与3D的U-net网络模型有机结合起来，同时还能针对spacing的不同分别调用最适合它的模型。
附图说明
图1为本发明一个示例实施例中对CT影像中的食道进行自动分割结果示意图，其中
(a)为通过单一2D模型分割的结果，分割结果中存在假阴；
(b)为本发明实施例1中通过3个2D神经网络模型联合分割的结果。
图2为本发明一个示例实施例中对CT影像中的食道进行自动分割结果示意图，其中
(a)为单一2D模型分割的结果，分割结果中存在假阴和假阳；
(b)为本发明实施例1中通过3个2D神经网络模型联合分割的结果。
图3为本发明一个示例实施例中对CT影像中的食道进行自动分割结果示意图，其中
(a)为通过单一2D模型分割的结果，分割结果存在假阴；
(b)为通过3个2D模型联合分割的结果。
图4为本发明一个示例实施例中对CT影像中的气管进行自动分割结果示意图，其中
(a)为通过单一2D模型分割的结果，分割结果存在假阴；
(b)为通过3个2D模型联合分割的筛选结果。
图5为本发明一个示例实施例中对CT影像中的降主总动脉进行自动分割结果示意图，其中
(a)为通过单个3D模型分割的结果，分割结果存在假阴；
(b)为通过单个2D模型分割的结果，该结果明显改善；
(c)为通过单个3D归一化模型分割的结果，不饱满，假阴。
图6为本发明一个示例实施例中对CT影像中的降主总动脉进行自动分割结果示意图，其中
(a)为单个3D模型分割的结果，很好；
(b)为单个2D模型分割的结果，存在假阳和假阴；
(c)为单个3D归一化模型分割的结果，略次与(a)。
图7为本发明一个示例实施例中对CT影像中的降主总动脉进行自动分割结果示意图，其中
(a)为单个3D模型分割的结果，分割效果一般；
(b)为单个2D模型分割的结果，大范围假阴；
(c)为单个3D归一化模型分割的结果，最好。
图8为本发明一个示例实施例中对CT影像中的右肺进行自动分割结果示意图，其中
(a)为基于单一2D模型分割的结果，不饱满有一定的假阴；
(b)为基于3个2D联合模型分割的结果。
图9为本发明一个示例实施例中对CT影像中的左肺进行自动分割结果示意图，其中
(a)为基于单一2D模型分割的结果，下侧部分缺失，有假阴；
(b)为基于3个2D联合模型分割的结果。
图10为本发明一个优选的实施例中基于多模型神经网络联合预测放疗结构位置的方法。
具体实施方式
以下结合附图和实施例进一步说明本发明。
实施例1
本实施例提供一种通过多模型神经网络联合预测医学影像中的放疗结构(本发明中的放疗结构包括靶区及危及器官)的方法。本实施例旨在说明实施本发明方法，并不用于限定神经网络的种类及搭建方法，该方法包括如下步骤(其流程如附图10所示)：
步骤210，构建若干不同的用于预测放疗结构的神经网络模型；
步骤220，分别使用构建的多个神经网络模型对医学影像的目标器官进行分割；本发明进一步优选地，可用于对CT影像、核磁影像、超声波影像等多种医学影像中的器官进行分割；
步骤230，判断各神经网络模型对同一个目标器官所预测的掩模(mask)是否为空；如果各模型的预测结果均为空，则进入步骤231检查下一层影像的预测结果；如果否，进入步骤232，进一步判断通过多个模型是否仅预测得到一个包含掩模的结果，如果是，进入步骤233将该预测结果作为最终结果；如果多个神经网络模型预测得到一个以上包含掩模的结果，进入步骤240；
在一个可选的实施例中，还包括步骤240’，通过器官分类神经网络模型或人工筛选的方式找出含有目标器官的CT图像层(图10未示出本步骤)；
步骤240，判断医学影像中目标器官属于大器官还是小器官；如果属于小器官进入步骤250；如果属于大器官进入步骤260；其中，小器官为平均横截面积小于200平方毫米的器官；大器官为除小器官以外的其他器官；本实施例进一步优选的，上述大器官包括肺、心脏、股骨头等；上述小器官包括气管、食管、血管、眼睛、垂体、脊髓、晶状体、肠道等。
步骤250、比较不同神经网络模型预测出的当前层掩模(mask)与上一层掩模目标器官的质心距离，选择质心距离最近的分割结果作为最优结果；通过本步骤操作可以降低小器官分割中mask的假阴、假阳；
步骤260、比较不同模型预测出的目标器官的当前层掩模与上一层掩模的dice系数，将dice系数最高的掩模结果作为最终分割结果；降低对医学影像中大器官自动分割掩模中的假阴。
在一个示例性实施例中，通过本发明提供的基于多模型神经网络放疗结构位置的方法对CT影像中的食道进行分割。
图1为一个示例实施例中对CT影像中的食道进行自动分割结果示意图，其中(a)为通过单一2D模型分割的结果，分割结果中存在假阴；图(b)为通过构建3个不同的2D神经网络模型，根据上述实施例方法利用上述三个神经网络联合分割后筛选最优的分割结果，将3个神经网络的分割结果经过筛选后得到的最佳分割结果。
图2为一个示例实施例中对CT影像中的食道进行自动分割结果示意图，其中(a)为通过单一2D模型分割的结果，分割结果中存在假阴和假阳；本该分割的区域为空白，而错误地分割到其他位置；图2(b)为通过构建3个不同的2D神经网络模型，将3个神经网络的分割结果经过筛选后得到的最佳分割结果。
图3为一个示例实施例中对CT影像中的食道进行自动分割结果示意图，其中(a)为通过单一2D模型分割的结果，分割结果中食道的位置不饱满，存在部分假阴；图3(b)为通过构建3个不同的2D神经网络模型，将3个神经网络的分割结果经过筛选后得到的最佳分割结果。
在另一个示例性实施例中，通过本发明提供的基于多模型神经网络放疗结构位置的方法对CT影像中的气管进行自动分割结果示意图，如图4所示。其中(a)为通过单一2D模型分割的结果，分割的不饱满，存在假阴；(b)为通过构建3个不同的2D神经网络模型，将3个神经网络的分割结果经过筛选后得到的最佳分割结果。
在另一个示例性实施例中，通过本发明提供的基于多模型神经网络放疗结构位置的方法对CT影像中的降主总动脉进行自动分割结果示意图，如图5(a)～(c)所示，其中(a)为通过单个3D模型分割的结果，分割结果存在假阴；(b)为通过单个2D模型分割的结果，该结果明显改善；(c)为通过单个3D归一化模型分割的结果(这里的归一化，即减均值除方差，做标准正态分布化)，不饱满，因此也存在假阴问题；通过筛选，确定图5(b)为最优掩模。
图6为一个示例实施例中对CT影像中的降主总动脉进行自动分割结果示意图，其中(a)为通过单个3D模型分割的结果，分割结果与器官的轮廓基本一致，分割效果好；(b)为通过单个2D模型分割的结果，该结果在目标器官的位置分割结果为空白，且错误地分割在其他区域，因此分割结果存在假阳和假阴；(c)为通过单个3D归一化模型分割的结果，该分割区域不饱满，与器官实际轮廓相比较小，因此也存在假阴问题；通过筛选，确定图6(a)为最优掩模。
图7为一个示例实施例中对CT影像中的降主总动脉进行自动分割结果示意图，其中图7(a)为单个3D模型分割的结果，分割效果一般；图7(b)为单个2D模型分割的结果，目标器官的大部分区域没被标记，存在大范围假阴；图7(c)为单个3D归一化模型分割的结果，分割轮廓与目标器官轮廓契合度最好，因此通过筛选，确定图7(c)为最优掩模。
在另一个示例性实施例中，通过本发明提供的基于多模型神经网络放疗结构位置的方法对CT影像中的右肺进行自动分割结果示意图，如图8(a)～(b)所示，其中图(a)为基于单一2D模型分割的结果，不饱满有一定的假阴；(b)为通过构建3个不同的2D神经网络模型，将3个神经网络的分割结果经过筛选后得到的最佳分割结果。
在另一个示例性实施例中，通过本发明提供的基于多模型神经网络放疗结构位置的方法对CT影像中的左肺进行自动分割结果示意图，如图9(a)～(b)所示，其中图9(a)为基于单一2D模型分割的结果，不饱满有一定的假阴；图9(b)为通过构建3个不同的2D神经网络模型，将3个神经网络的分割结果经过筛选后得到的最佳分割结果。
实施例2
本发明还提供一种计算设备，包括：
一个或多个处理器；
存储器；以及
一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为由一个或多个处理器执行，上述一个或多个程序包括基于多模型神经网络放疗结构位置的方法的指令，该方法包括如下步骤：
(1)、构建并训练若干不同的用于预测放疗结构的神经网络模型；
(2)、分别使用训练好的多个神经网络模型对医学影像中的目标器官进行分割预测；
(3)、判断各神经网络模型对同一个目标器官所预测的掩模是否为空；如果各模型的预测结果均为空，则检查下一层影像的预测结果；如果通过多个模型仅预测得到一个包含掩模的结果，将该预测结果作为最终结果；如果多个神经网络模型预测得到一个以上包含掩模的结果，进入步骤(4)；
(4)、判断医学影像中目标器官属于大器官还是小器官；如果属于小器官进入步骤(5)；如果属于大器官进入步骤(6)；
(5)、比较不同神经网络模型预测出的当前层掩模与上一层掩模目标器官的质心距离，选择质心距离最近的分割结果作为最优结果；
(6)、比较不同模型预测出的目标器官的当前层掩模与上一层掩模的dice系数，将dice系数最高的掩模结果作为最终分割结果。
实施例3
本发明还提供一种存储一个或多个程序的计算机可读存储介质，上述的一个或多个程序包括指令，该指令适于由存储器加载并执行上述基于多模型神经网络放疗结构位置的方法，该方法包括如下步骤：
(1)、构建并训练若干不同的用于预测放疗结构的神经网络模型；
(2)、分别使用训练好的多个神经网络模型对医学影像中的目标器官进行分割预测；
(3)、判断各神经网络模型对同一个目标器官所预测的掩模是否为空；如果各模型的预测结果均为空，则检查下一层影像的预测结果；如果通过多个模型仅预测得到一个包含掩模的结果，将该预测结果作为最终结果；如果多个神经网络模型预测得到一个以上包含掩模的结果，进入步骤(4)；
(4)、判断医学影像中目标器官属于大器官还是小器官；如果属于小器官进入步骤(5)；如果属于大器官进入步骤(6)；
(5)、比较不同神经网络模型预测出的当前层掩模与上一层掩模目标器官的质心距离，选择质心距离最近的分割结果作为最优结果；
(6)、比较不同模型预测出的目标器官的当前层掩模与上一层掩模的dice系数，将dice系数最高的掩模结果作为最终分割结果。
应当理解，这里描述的各种技术可结合硬件或软件，或者它们的组合一起实现。从而，本发明的方法和设备，或者本发明的方法和设备的某些方面或部分可采取嵌入有形媒介，例如软盘、CD-ROM、硬盘驱动器或者其它任意机器可读的存储介质中的程序代码(即指令)的形式，其中当程序被载入诸如计算机之类的机器，并被该机器执行时，该机器变成实践本发明的设备。
以示例而非限制的方式，计算机可读介质包括计算机存储介质和通信介质。计算机存储介质存储诸如计算机可读指令、数据结构、程序模块或其它数据等信息。通信介质一般以诸如载波或其它传输机制等已调制数据信号来体现计算机可读指令、数据结构、程序模块或其它数据，并且包括任何信息传递介质。以上的任一种的组合也包括在计算机可读介质的范围之内。
本领域的技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
如在此所使用的那样，除非另行规定，使用序数词“第一”、“第二”、“第三”等等来描述普通对象仅仅表示涉及类似对象的不同实例，并且并不意图暗示这样被描述的对象必须具有时间上、空间上、排序方面或者以任意其它方式的给定顺序。
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
上述的对实施例的描述是为便于该技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对这些实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于这里的实施例，本领域技术人员根据本发明的揭示，不脱离本发明范畴所做出的改进和修改都应该在本发明的保护范围之内。

Claims (8)

1.一种基于多模型神经网络联合预测放疗结构位置的方法，适于在计算设备中执行，其特征在于：包括如下步骤：
(1)、构建并训练若干不同的用于预测放疗结构的神经网络模型；
(2)、分别使用训练好的多个神经网络模型对医学影像中的目标器官进行分割预测；
(3)、判断各神经网络模型对同一个目标器官所预测的掩模是否为空；如果各模型的预测结果均为空，则检查下一层影像的预测结果；如果通过多个模型仅预测得到一个包含掩模的结果，将该预测结果作为最终结果；如果多个神经网络模型预测得到一个以上包含掩模的结果，进入步骤(4)；
(4)、判断医学影像中目标器官属于大器官还是小器官；如果属于小器官进入步骤(5)；如果属于大器官进入步骤(6)；
(5)、比较不同神经网络模型预测出的当前层掩模与上一层掩模目标器官的质心距离，选择质心距离最近的分割结果作为最优结果；
(6)、比较不同模型预测出的目标器官的当前层掩模与上一层掩模的dice系数，将dice系数最高的掩模结果作为最终分割结果。
2.根据权利要求1所述的基于多模型神经网络联合预测放疗结构位置的方法，其特征在于：所述的医学影像为CT影像、磁共振影像或超声波影像。
3.根据权利要求1所述的基于多模型神经网络联合预测放疗结构位置的方法，其特征在于：所述的神经网络模型为2D和/或3D神经网络模型。
4.根据权利要求1所述的基于多模型神经网络联合预测放疗结构位置的方法，其特征在于：构建大于等于3个神经网络模型对医学影像进行放疗结构分割。
5.根据权利要求1所述的基于多模型神经网络联合预测放疗结构位置的方法，其特征在于：所述的步骤(4)前，还包括通过器官分类神经网络模型或人工筛选的方式找出含有目标器官的CT图像层的步骤。
6.根据权利要求1所述的基于多模型神经网络联合预测放疗结构位置的方法，其特征在于：步骤(4)中，所述的小器官为平均横截面积小于200平方毫米的器官，所述的大器官为除小器官以外的其他器官。
7.一种计算设备，包括：
一个或多个处理器；
存储器；以及
一个或多个程序，其中所述一个或多个程序存储在所述存储器中并被配置为由一个或多个处理器执行，所述的一个或多个程序包括权利要求1-6中任一所述的基于多模型神经网络联合预测放疗结构位置的方法的指令。
8.一种存储一个或多个程序的计算机可读存储介质，所述的一个或多个程序包括指令，所述指令适于由存储器加载并执行上述权利要求1-6中任一所述的基于多模型神经网络联合预测放疗结构位置的方法。
CN201910730460.2A 2018-09-06 2019-08-08 一种基于多模型神经网络联合预测放疗结构位置的方法 Active CN110766693B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201811036399 2018-09-06
CN2018110363993 2018-09-06

Publications (2)

Publication Number Publication Date
CN110766693A CN110766693A (zh) 2020-02-07
CN110766693B true CN110766693B (zh) 2022-06-21

Family

ID=69329284

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910730460.2A Active CN110766693B (zh) 2018-09-06 2019-08-08 一种基于多模型神经网络联合预测放疗结构位置的方法

Country Status (1)

Country Link
CN (1) CN110766693B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111862066B (zh) * 2020-07-28 2024-04-09 平安科技（深圳）有限公司 基于深度学习的脑瘤图像分割方法、装置、设备及介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106709917A (zh) * 2017-01-03 2017-05-24 青岛海信医疗设备股份有限公司 神经网络模型训练方法、装置及系统
CN107016665A (zh) * 2017-02-16 2017-08-04 浙江大学 一种基于深度卷积神经网络的ct肺结节检测方法
CN107403201A (zh) * 2017-08-11 2017-11-28 强深智能医疗科技（昆山）有限公司 肿瘤放射治疗靶区和危及器官智能化、自动化勾画方法
CN108364294A (zh) * 2018-02-05 2018-08-03 西北大学 基于超像素的腹部ct图像多器官分割方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102397070B (zh) * 2011-01-26 2013-06-19 嘉兴医孚软件有限公司 一种全自动分割量化心脏磁共振图像左心室的方法
CN104143190B (zh) * 2014-07-24 2017-06-09 东软集团股份有限公司 Ct图像中组织的分割方法及系统
US9965863B2 (en) * 2016-08-26 2018-05-08 Elekta, Inc. System and methods for image segmentation using convolutional neural network
CN107491633A (zh) * 2017-06-30 2017-12-19 上海联影医疗科技有限公司 一种图像处理的方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106709917A (zh) * 2017-01-03 2017-05-24 青岛海信医疗设备股份有限公司 神经网络模型训练方法、装置及系统
CN107016665A (zh) * 2017-02-16 2017-08-04 浙江大学 一种基于深度卷积神经网络的ct肺结节检测方法
CN107403201A (zh) * 2017-08-11 2017-11-28 强深智能医疗科技（昆山）有限公司 肿瘤放射治疗靶区和危及器官智能化、自动化勾画方法
CN108364294A (zh) * 2018-02-05 2018-08-03 西北大学 基于超像素的腹部ct图像多器官分割方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Vision 20/20: perspectives on automated image segmentation for radiotherapy.;Sharp Gregory;Fritscher Karl D;Pekar Vladimir;Peroni Marta et al;《Medical physics》;20140529;第41卷(第5期);（050902-1）-（050902-13） *
深度卷积神经网络在放射治疗计划图像分割中的应用;邓金城;彭应林;刘常春;陈子杰;雷国胜;吴江华;张广顺;邓小武;《中国医学物理学杂志》;20180625;第35卷(第6期);621-627 *

Also Published As

Publication number Publication date
CN110766693A (zh) 2020-02-07

Similar Documents

Publication Publication Date Title
CN106920234B (zh) 一种复合式自动放疗计划的方法
CN108367161B (zh) 放疗系统、数据处理方法及存储介质
US7822291B2 (en) Non-rigid multi-modal registration using statistical learning methods
CN106846317B (zh) 一种基于特征提取和相似匹配的医学影像检索方法
Wimmer et al. A generic probabilistic active shape model for organ segmentation
CN111028914B (zh) 人工智能引导的剂量预测方法与系统
Zhong et al. A preliminary experience of implementing deep-learning based auto-segmentation in head and neck cancer: a study on real-world clinical cases
Peng et al. Segmentation of lung in chest radiographs using hull and closed polygonal line method
US10628659B2 (en) Intelligent tumor tracking system
US9727975B2 (en) Knowledge-based automatic image segmentation
Men et al. Automated quality assurance of OAR contouring for lung cancer based on segmentation with deep active learning
Depa et al. Robust atlas-based segmentation of highly variable anatomy: Left atrium segmentation
CN110766693B (zh) 一种基于多模型神经网络联合预测放疗结构位置的方法
Ma et al. Ensembling low precision models for binary biomedical image segmentation
CN115511997A (zh) 一种血管造影图像处理方法和系统
US9336458B2 (en) Image processing device, method and program
Shi et al. Pulmonary nodule registration in serial CT scans based on rib anatomy and nodule template matching
Li et al. Applications of artificial intelligence in radiophysics
CN115035133A (zh) 一种模型训练方法、图像分割方法及相关装置
Werner et al. Assessing accuracy of non-linear registration in 4D image data using automatically detected landmark correspondences
Razeghi et al. Atrial fibrillation ablation outcome prediction with a machine learning fusion framework incorporating cardiac computed tomography
CN110866935A (zh) 基于hu值分布的去除放疗结构自动分割中假阳的方法
Cheon et al. Beam angle optimization for double-scattering proton delivery technique using an eclipse application programming interface and convolutional neural network
US11836926B2 (en) System and method for contouring a set of medical images based on deep learning algorithm and anatomical properties
CN116934757B (zh) 一种用于肺结节假阳性删减的方法、设备及存储介质

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
GR01 Patent grant
GR01 Patent grant