CN110827961B - 一种自适应放疗结构自动勾画方法、设备和存储介质 - Google Patents
一种自适应放疗结构自动勾画方法、设备和存储介质 Download PDFInfo
- Publication number
- CN110827961B CN110827961B CN201810911894.8A CN201810911894A CN110827961B CN 110827961 B CN110827961 B CN 110827961B CN 201810911894 A CN201810911894 A CN 201810911894A CN 110827961 B CN110827961 B CN 110827961B
- Authority
- CN
- China
- Prior art keywords
- training
- neural network
- data
- image
- patient
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/10072—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
- G06T2207/10—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
- G06T2207/20—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
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Radiology & Medical Imaging (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明属于放疗技术领域,涉及一种自适应放疗结构自动勾画方法、设备和存储介质。该方法包括如下步骤:输入患者数据;对患者医学影像进行预处理;利用第一级深度神经网络对患者影像中的人体器官结构进行分类定位;根据分类定位结果,利用第二级深度神经网络对人体器官结构进行分割勾画;将分割勾画结果输出。本发明提供的自适应放疗结构自动勾画方法充分发挥了深度神经网络对图像分类、分割全自动快速计算的优势,在放疗结构的分类和分割过程中避免人工干预,而能够根据影像数据,自适应扫描部位与器官结构,完成全自动勾画处理。将传统需要人工干预的数十分钟乃至数小时的勾画工作,缩短到数分钟即可完成。
Description
技术领域
本发明属于放疗技术领域,涉及一种自适应放疗结构自动勾画方法、设备和存储介质。
背景技术
肿瘤是危害人类健康的重要疾病。随着社会人口的老年化,其发病率和死亡率仍将继续提升。放射治疗是肿瘤治疗的重要手段之一。
肿瘤放疗危及器官勾画是保证放疗安全的前提,目前常用的勾画方式有两种:一种是手工勾画,即:对于每个器官,医生根据CT/MR等影像内容使用软件中的画笔或者笔刷,在图像上依据轮廓边界手动逐一勾画各个危及器官;纯手动勾画效率很低,一个病人的图像序列往往需要数小时才能完成勾画工作。另一种是半自动勾画,即:医生选择半自动勾画工具,分别对每个器官、结构进行勾画,在勾画过程中,医生根据器官结构特点,可以选择不同半自动勾画工具与方法(如边缘检测跟随,灰度值阈值,模板配准等)。这些工具或者方法,需要根据每个器官结构进行人工干预或人工参与交互,效率比纯手动勾画有一定提高;但是仍然需要一段时间来完成,根据医生经验,一般需要20~30分钟完成。如图1所示为放疗全流程示意图,在放疗过程中通过人工或半自动的形式对放疗结构包括靶区及危及器官进行勾画。
发明内容
本发明的目的在于为克服上述现有技术中的缺陷而提供一种自适应放疗结构的自动勾画方法、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:
一种自适应放疗结构的自动勾画方法,适于在计算设备中执行,包括如下步骤:
(1)输入患者数据,所述的患者数据包括患者医学影像;
(2)对患者医学影像进行预处理;
(3)利用第一级深度神经网络对患者影像中的人体器官结构进行分类定位;
(4)根据定位结果中包含器官的种类,选择与其相匹配的器官分割神经网络作为第二级深度神经网络对人体器官结构进行分割勾画;
(5)将分割勾画结果输出。
本发明进一步优选地,所述的放疗结构包括靶区及危及器官。
步骤(1)中,所述的患者数据通过本地读取或网络传输输入到计算设备。
所述的预处理是对输入的患者医学影像进行数据格式调整;所述的预处理包括统一所输入医学影像的空间分辨率和/或将医学影像裁剪为相同大小,和/或噪声归一化处理。通过预处理将数据统一处理为与后续第一级与第二级深度神经网络模型相匹配的格式。
所述的第一级深度神经网络的训练步骤包括:
(i)把人体从头到脚依次分割成若干区域;使用独热编码或文本标签制作与上述分割区域对应的人体分类标签并对训练数据进行标注;其中,所述的标注是以文本标签或者数据编码的形式对每张训练图像标注出所包括的器官内容
(ii)将训练数据进行插值处理;
(iii)对裁切的训练数据进行数据增强,从而增强深度卷积神经网络模型的泛化能力;
(iv)把数据增强后的训练数据输入到第一级深度卷积神经网络中,训练神经网络中各个连接层连接关系与权重系数,当验证数据集的loss值小于等于设定阈值时,得到训练好的第一级深度卷积神经网络模型。
本发明进一步优选地,所述的步骤(ii)与步骤(iii)之间还包括根据放疗结构所在的图像位置将训练数据裁切或填充为固定尺寸的步骤。
所述的第二级深度神经网络的训练步骤包括:
(a)将经过医生勾画完成的靶区图像作为训练数据并提取为训练图像和训练标签;在训练图像上通过训练标签标注每张训练图片中各器官轮廓点;
(b)将训练图像进行插值处理;
(c)对裁切的训练数据进行数据增强,从而增强卷积神经网络模型的泛化能力;
(d)把数据增强后的训练数据输入到卷积神经网络模型中进行训练,训练该深度卷积神经网络中各个链接层链接关系与权重系数;得到训练好的第二级卷积神经网络。
本发明进一步优选地,步骤(c)与步骤(d)之间,还包括根据靶区器官所在的图像位置将训练图像裁切成固定尺寸的步骤。
所述的结果输出是将完成分割勾画的患者医学影像中的轮廓点转换为放疗用标准存储格式(如DICOM RT标准中的RS文件)。这样,输出的标准文件就可以直接进行下一步治疗流程中的剂量计算,并确保能够后续完成实际治疗。
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用于上述自适应放疗结构自动勾画方法的指令。
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自适应放疗结构自动勾画方法。
本发明具有以下优点:
本发明提供的自适应放疗结构自动勾画方法充分发挥了深度神经网络对图像分类,分割全自动快速计算的优势,在放疗结构的分类和分割过程中避免人工干预,而能够根据影像数据,自适应扫描部位与器官结构,完成全自动勾画处理。将传统需要人工干预的数十分钟乃至数小时的勾画工作,缩短到数分钟在系统中自动完成。对于医生用户来说,当他调阅到图像数据时候,可以实时看到勾画结果,极大地提高了工作效率及易用性。
附图说明
图1为现有技术中放疗全流程示意图。
图2为本发明一个示例实施例中放疗全流程示意图。
图3为本发明一个优选的实施例中人体从上到下分类方法示意图。
图4为本发明一个示例实施例中第一级卷积神经网络结构示意图。
图5为本发明一个优选的实施例中基于深度卷积神经网络对人体各类别危及器官预测结果。
图6为本发明一个示例实施例中第二级卷积神经网络结构示意图。
图7为本发明一个示例实施例中利用本发明的方法对人体小脑CT影像进行自动勾画靶区与医生手动勾画靶区的对照图。
图8为本发明一个示例实施例中对测试集中10例病人数据的DSC统计示意图。
具体实施方式
现有技术中,放疗前通过人工或半自动的方式对患者影像中靶区及危及器官进行勾画,根据勾画的结果进行剂量计算。该人工或半自动勾画过程费时费力,且不同的物理师(医生)对同一放疗结构的勾画结果可能会不同。为了提高放疗过程的效率,本发明提供一种自适应放疗结构的自动勾画方法。图2为采用自适应放疗结构的放疗全流程示意图。在自适应放疗过程中,根据患者的医学影像,首先通过第一级神经网格将患者影像中的器官进行分类,然后根据定位结果中包含器官的种类,选择与其相匹配的器官分割神经网络作为第二级神经网络,利用该网络将分类后的器官进行自动勾画,从而实现了自适应放疗结构的全自动勾画。
以下结合附图和实施例进一步说明本发明。
一种自适应放疗结构的自动勾画方法,其中放疗结构包括靶区及危及器官,适于在计算设备中执行,包括如下步骤:
(1)输入患者数据,其中,患者数据包括患者医学影像;其中的医学影像为CT图像、核磁图像、PET图像、超声波影像等;本发明中进一步可选地,患者数据可以通过本地读取或网络传输输入到计算设备中;
(2)对患者医学影像进行预处理;
本实施例中进一步优选地,预处理是对输入的患者医学影像进行数据格式调整;预处理包括统一所输入医学影像的空间分辨率和/或将医学影像裁剪为相同大小,和/或噪声归一化处理;通过预处理将数据统一处理为与后续第一级与第二级深度神经网络模型相匹配的格式。
(3)利用第一级深度神经网络对患者影像中的人体器官结构进行分类定位;
如图4所示的示例中,本发明中第一级深度神经网络为深度卷积神经网络,包括输入层、卷积层、激活层、归一化层、池化层、上采样层和输出层。该深度卷积神经网络模型中,每个卷积层都包括权重初始化函数和激活函数。其中权重初始化函数可以选自Lecun_normal函数、Random_normal函数、He_normal函数或Glorot_normal函数;激活函数可以选自SeLU函数、ReLU函数、PReLU函数或ELU函数等。
其中,第一级深度神经网络训练步骤包括:
(i)把人体从头到脚依次分割成若干区域(如图3和表1所示);使用独立编码(如表2所示)或文本标签制作与上述分割区域对应的人体分类标签并对训练数据进行标注;其中,标注是以数据编码或文本标签的形式对每张训练图像标注出所包括的器官内容。
表1
表2
(ii)将训练数据进行插值处理;
该插值处理是把各训练数据图像中x,y方向统一插值为固定的大小x0mm,y0mm。
(iii)根据靶区器官所在的图像位置,将训练数据裁切成固定尺寸;其中,该步骤为本实施例的优选步骤,如果插值后的训练数据的大小一致,则无需进行本步骤;
(iv)对训练数据进行数据增强,从而增强深度卷积神经网络模型的泛化能力;
本实施例中进一步优选地,数据增强包括围绕图像中心点的旋转或x,y轴方向的平移等一种或一种以上。例如通过图像x,y轴方向的抖动,绕中心点的旋转等可以人为地创造出一些新的数据,从而增强模型的泛化能力,当模型遇到一些头部偏斜等数据时也可以很好的识别。
(v)把数据增强后的训练数据输入到第一级深度卷积神经网络中,训练神经网络中各个连接层连接关系与权重系数,当验证数据集的loss值小于等于设定阈值时,得到训练好的第一级深度卷积神经网络模型。本实施例中进一步优选地,CNN神经网络训练过程的优化方法可以采用AdaDelta或Adam的优化方法。
训练包括前向传播和反向传播,一次前向传播和反向传播为一次迭代,本实施例中优选地,迭代次数大于等于10次,进一步优选地,迭代次数为10~100次,更优选地,迭代次数为20~50次。训练好的深度卷积神经网络模型的准确率趋于稳定。一次迭代中的前向传播和反向传播覆盖所有隐藏层。
图5为利用本实施例中所示深度卷积神经网络(Adam网络优化方法,设定验证数据集loss的阈值为0.01)对人体各类别危及器官预测结果。其中,纵坐标是真实标签,横坐标是预测标签,对角线是预测正确的数量,以类别2为例,一共对1289(9+1269+11)例类别2的CT图像进行自动分类,其中本实施例中CNN网络预测为类别2的数量为1269例,预测为类别1的为9例,预测为类别3的为11例,预测准确率为
(4)根据定位结果中包含器官的种类,选择与其相匹配的器官分割神经网络作为第二级深度神经网络对人体器官结构进行分割勾画;
其中,在本发明一个示例实施例中(如图6所示)第二级卷积神经网络包括输入层,卷积层,激活层,最大池化层,上采样层,融合层和输出层,其中卷积层,激活层,最大池化层,上采样层,融合层为隐藏层。每个卷积层都包括权重初始化函数和激活函数;
其中,权重初始化函数选自Lecun_normal函数、Random_normal函数、He_normal函数或Glorot_normal函数;激活函数选自SeLU函数、ReLU函数、PReLU函数或ELU函数。
第二级深度神经网络的训练步骤包括:
(a)将经过医生勾画完成的靶区图像作为训练数据并提取为训练图像和训练标签;在训练图像上通过训练标签标注每张训练图片中各器官轮廓点;
(b)将训练图像进行插值处理;
(c)根据靶区器官所在的图像位置,将训练图像裁切成固定尺寸;其中,本步骤为本实施例的优选步骤,如果插值后的训练数据的大小一致,则不需要进行裁切处理;
(d)对训练数据进行数据增强,从而增强卷积神经网络模型的泛化能力;
(e)把数据增强后的训练数据输入到卷积神经网络模型中进行训练,训练该深度卷积神经网络中各个链接层链接关系与权重系数;得到训练好的第二级卷积神经网络。
上述训练包括前向传播和反向传播,一次前向传播和反向传播为一次迭代,训练好的卷积神经网络模型的准确率趋于稳定;一次迭代过程中前向传播和反向传播覆盖所有隐藏层。
(5)将分割勾画结果输出:
结果输出是将完成分割勾画的患者医学影像中的轮廓点转换为放疗用标准存储格式(如DICOM RT标准中的RS文件)。这样,输出的标准文件就可以直接进行下一步治疗流程中的剂量计算,并确保能够后续完成实际治疗。
图7为医生手工勾画的小脑靶区与利用本发明提供的自动勾画方法实现的靶区自动勾画图,可以看出自动勾画的靶区示意图的精确度和医生手工勾画几乎无异。采用本发明上述实施例中的放疗结构自动勾画方法对测试集中任选的10例病人医学图像的放疗结构进行自动勾画,如图8所示为上述10例病人医学影像中自动勾靶的DSC统计示意图。可以看到自动勾画的靶区与测试集中勾画靶区的相似度Dice值均大于0.9。可见本发明提供的自适应放疗结构自动勾画方法勾画准确。
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用于上述自适应放疗结构自动勾画方法的指令,其中该方法包括如下步骤:
该方法包括如下步骤:
(1)输入患者数据,所述的患者数据包括患者医学影像;
(2)对患者医学影像进行预处理;
(3)利用第一级深度神经网络对患者影像中的人体器官结构进行分类定位;
(4)根据定位结果中包含器官的种类,选择与其相匹配的器官分割神经网络作为第二级深度神经网络对人体器官结构进行分割勾画;
(5)将分割勾画结果输出。
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自适应放疗结构自动勾画方法,该方法包括如下步骤:
(1)输入患者数据,所述的患者数据包括患者医学影像;
(2)对患者医学影像进行预处理;
(3)利用第一级深度神经网络对患者影像中的人体器官结构进行分类定位;
(4)根据定位结果中包含器官的种类,选择与其相匹配的器官分割神经网络作为第二级深度神经网络对人体器官结构进行分割勾画;
(5)将分割勾画结果输出。
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)
1.一种自适应放疗结构的自动勾画方法,适于在计算设备中执行,其特征在于:包括如下步骤:
(1)输入患者数据,所述的患者数据包括患者医学影像;
(2)对患者医学影像进行预处理;
(3)利用第一级深度神经网络对患者影像中的人体器官结构进行分类定位;
所述第一级深度神经网络的训练步骤包括:
(i)把人体从头到脚依次分割成若干区域;使用独热编码或文本标签制作与上述分割区域对应的人体分类标签并对训练数据进行标注;其中,所述的标注是以文本标签或者数据编码的形式对每张训练图像标注出所包括的器官内容;
(ii)将训练数据进行插值处理;
(iii)对裁切的训练数据进行数据增强,从而增强深度卷积神经网络模型的泛化能力;
(iv)把数据增强后的训练数据输入到第一级深度卷积神经网络中,训练神经网络中各个连接层连接关系与权重系数,当验证数据集的loss值小于等于设定阈值时,得到训练好的第一级深度卷积神经网络模型;
训练包括前向传播和反向传播,一次前向传播和反向传播为一次迭代,代次数大于等于10次;
优选地,所述的步骤(ii)与步骤(iii)之间还包括根据放疗结构所在的图像位置将训练数据裁切或填充为固定尺寸的步骤;
(4)根据定位结果中包含器官的种类,选择与其相匹配的器官分割神经网络作为第二级深度神经网络对人体器官结构进行分割勾画;
所述第二级深度神经网络的训练步骤包括:
(a)将经过医生勾画完成的靶区图像作为训练数据并提取为训练图像和训练标签;在训练图像上通过训练标签标注每张训练图片中各器官轮廓点;
(b)将训练图像进行插值处理;
(c)对裁切的训练数据进行数据增强,从而增强卷积神经网络模型的泛化能力;
(d)把数据增强后的训练数据输入到卷积神经网络模型中进行训练,训练该深度卷积神经网络中各个链接层链接关系与权重系数;得到训练好的第二级卷积神经网络;
优选地,步骤(c)与步骤(d)之间,还包括根据靶区器官所在的图像位置将训练图像裁切成固定尺寸的步骤;
(5)将分割勾画结果输出。
2.根据权利要求1所述的自适应放疗结构的自动勾画方法,其特征在于:所述的放疗结构包括靶区及危及器官。
3.根据权利要求1所述的自适应放疗结构的自动勾画方法,其特征在于:步骤(1)中,所述的患者数据通过本地读取或网络传输输入到计算设备。
4.根据权利要求1所述的自适应放疗结构的自动勾画方法,其特征在于:所述的预处理是对输入的患者医学影像进行数据格式调整;所述的预处理包括统一所输入医学影像的空间分辨率和/或将医学影像裁剪为相同大小,和/或噪声归一化处理。
5.根据权利要求1所述的自适应放疗结构的自动勾画方法,其特征在于:所述的第一级、第二级深度神经网络为卷积神经网络,包括输入层、卷积层、激活层、归一化层、池化层、上采样层和输出层。
6.根据权利要求1所述的自适应放疗结构的自动勾画方法,其特征在于:所述的将分割勾画结果输出是将完成分割勾画的患者医学影像中的轮廓点转换为放疗用标准存储格式。
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用于上述权利要求1-6中任一所述的自适应放疗结构自动勾画方法的指令。
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1-7中任一所述的自适应放疗结构自动勾画方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810911894.8A CN110827961B (zh) | 2018-08-10 | 2018-08-10 | 一种自适应放疗结构自动勾画方法、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810911894.8A CN110827961B (zh) | 2018-08-10 | 2018-08-10 | 一种自适应放疗结构自动勾画方法、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110827961A CN110827961A (zh) | 2020-02-21 |
CN110827961B true CN110827961B (zh) | 2022-08-23 |
Family
ID=69541421
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810911894.8A Active CN110827961B (zh) | 2018-08-10 | 2018-08-10 | 一种自适应放疗结构自动勾画方法、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110827961B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111738989B (zh) * | 2020-06-02 | 2023-10-24 | 北京全域医疗技术集团有限公司 | 一种器官勾画方法及装置 |
CN111863203A (zh) * | 2020-07-20 | 2020-10-30 | 上海联影医疗科技有限公司 | 一种放疗数据的分类方法、装置、设备及存储介质 |
CN112466441B (zh) * | 2020-12-15 | 2024-08-13 | 海创未来(杭州)医疗科技有限公司 | 一种器官勾画方法及装置 |
WO2022140990A1 (zh) * | 2020-12-28 | 2022-07-07 | 西安大医集团股份有限公司 | 医学图像轮廓勾画方法、装置及系统 |
CN113744320B (zh) * | 2021-09-10 | 2024-03-29 | 中国科学院近代物理研究所 | 一种智能型的离子束自适应放疗系统、存储介质及设备 |
CN117351489B (zh) * | 2023-12-06 | 2024-03-08 | 四川省肿瘤医院 | 面向全身pet/ct扫描的头颈肿瘤靶区的勾画系统 |
CN117695534B (zh) * | 2023-12-14 | 2024-05-28 | 陕西省人民医院(陕西省临床医学研究院) | 一种宫颈癌放疗精准定位与剂量控制系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN107492099A (zh) * | 2017-08-28 | 2017-12-19 | 京东方科技集团股份有限公司 | 医学图像分析方法、医学图像分析系统以及存储介质 |
CN108288496A (zh) * | 2018-01-26 | 2018-07-17 | 中国人民解放军总医院 | 肿瘤容积智能勾画方法和装置 |
-
2018
- 2018-08-10 CN CN201810911894.8A patent/CN110827961B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN107492099A (zh) * | 2017-08-28 | 2017-12-19 | 京东方科技集团股份有限公司 | 医学图像分析方法、医学图像分析系统以及存储介质 |
CN108288496A (zh) * | 2018-01-26 | 2018-07-17 | 中国人民解放军总医院 | 肿瘤容积智能勾画方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110827961A (zh) | 2020-02-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110827961B (zh) | 一种自适应放疗结构自动勾画方法、设备和存储介质 | |
Emami et al. | Generating synthetic CTs from magnetic resonance images using generative adversarial networks | |
US10346986B2 (en) | System and methods for image segmentation using convolutional neural network | |
US10489907B2 (en) | Artifact identification and/or correction for medical imaging | |
US11455774B2 (en) | Automated 3D root shape prediction using deep learning methods | |
US11100647B2 (en) | 3-D convolutional neural networks for organ segmentation in medical images for radiotherapy planning | |
CN109285200B (zh) | 一种基于人工智能的多模态医学影像的转换方法 | |
US9947102B2 (en) | Image segmentation using neural network method | |
CN110310287B (zh) | 基于神经网络的危及器官自动勾画方法、设备和存储介质 | |
CN109801272B (zh) | 肝脏肿瘤自动分割定位方法、系统及存储介质 | |
CN107644225A (zh) | 肺部病灶识别方法、装置和实现装置 | |
CN111179372B (zh) | 图像衰减校正方法、装置、计算机设备和存储介质 | |
CN106462974B (zh) | 用于分割图像的参数优化 | |
CN111568451A (zh) | 一种曝光剂量调节方法和系统 | |
CN111738975B (zh) | 图像辨识方法及图像辨识装置 | |
CN113538495A (zh) | 一种基于多模态影像的颞叶勾画方法、勾画系统、计算设备和存储介质 | |
WO2022271838A1 (en) | Detecting and segmenting regions of interest in biomedical images using neural networks | |
EP4207063A1 (en) | Device, system and method for segmentation of images | |
CN113689353A (zh) | 三维图像的增强方法、图像增强模型的训练方法及装置 | |
CN113469172B (zh) | 目标定位、模型训练、界面交互方法及设备 | |
KR102701151B1 (ko) | 콘빔 전산화 단층촬영 영상 화질 개선을 위한 방법 및 장치 | |
CN117078612B (zh) | 一种基于cbct图像的快速三维剂量验证方法及装置 | |
US20230197249A1 (en) | Synthetic ct using mri | |
KR20230149067A (ko) | 콘빔 전산화 단층촬영 영상 화질 개선을 위한 방법 및 장치 | |
CN117174264A (zh) | 基于前列腺mri影像的自动标注方法、系统、介质及设备 |
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 |