CN112001925A - 图像的分割方法、放射治疗系统、计算机设备和存储介质 - Google Patents

Abstract

本申请涉及一种图像的分割方法、放射治疗系统、计算机设备和存储介质，所述方法包括：获取被扫描对象的医学图像数据；将所述医学图像数据输入到第一分割模型，获取感兴趣区域的解剖信息；设置所述感兴趣区域内靶区参数，并根据所述解剖信息及所述靶区参数，确定靶区解剖位置信息；将所述医学图像数据及所述解剖位置信息输入到第二分割模型中，完成所述感兴趣区域中靶区的分割。本申请实施例中，通过第一分割模型、第二分割模型的联合使用，可实现医学图像中的骨骼、血管、囊肿等自动化分割，进而实现靶区精确分割。

Description

图像的分割方法、放射治疗系统、计算机设备和存储介质

技术领域

本申请涉及医疗器械技术领域，特别是涉及一种医学图像的分割方法、放射治疗系统、计算机设备和存储介质。

背景技术

医学影像是指为了医疗或医学研究，对人体或人体某部分，以非侵入方式取得内部组织影像的技术与处理过程。它包含以下两个相对独立的方向：医学成像系统(medicalimaging system)和医学图像处理(medical image processing)。前者是指图像形成的过程，包括对成像机理、成像设备、成像系统分析等问题；后者是指对已经获得的图像作进一步的处理，例如对原来的图像进行去噪、分割等，并以此作为后续的临床诊断、治疗等辅助手段。

肿瘤放射治疗是目前肿瘤治疗的主要手段之一，其中，肿瘤放疗靶区的精确勾画/分割是成功实施放射治疗的关键。目前，肿瘤放疗靶区的勾画主要依靠放疗医师手动勾画。

然而，临床应用中的放疗靶区勾画因人而异，不同医院甚至不同医师的勾画特点差异性较大，勾画标准短期内难以统一，且精准性不够，需要医师的大量手动修改，还不能满足临床放疗的要求。

发明内容

本申请实施例提供了涉及一种图像的分割方法、放射治疗系统、计算机设备和存储介质，以至少解决相关技术中医学图像分割不准确的问题。

第一方面，本申请实施例提供了一种图像的分割方法，所述方法包括：获取被扫描对象的医学图像数据；将所述医学图像数据输入到第一分割模型，获取感兴趣区域的解剖信息；设置所述感兴趣区域内靶区参数，并根据所述解剖信息及所述靶区参数，确定靶区解剖位置信息；将所述医学图像数据及所述解剖位置信息输入到第二分割模型中，完成所述感兴趣区域中靶区的分割。

在其中一个实施例中，所述第一分割模型为经过训练的神经网络模型。

在其中一个实施例中，所述神经网络模型通过以下方法获取：构建初始深度学习神经网络模型；获取若干个训练样本，所述训练样本包括影像序列及影像序列上的器官或组织的标注；将所述训练样本输入所述初始深度学习神经网络模型，通过误差反向传播更新所述初始深度学习神经网络模型的参数，直至模型收敛或者损失函数收敛。

在其中一个实施例中，所述将所述医学图像数据输入到第一分割模型，获取所述感兴趣区域的解剖信息包括:获取所述感兴趣区域内的各器官或组织的勾画结果。

在其中一个实施例中，所述获取所述感兴趣区域内的器官或组织的勾画结果包括获取骨骼、血管和囊肿的几何边界或/和尺寸。

在其中一个实施例中，所述第二分割模型为靶区分割模型，所述第二分割模型通过以下方式获取：构建初始深度学习神经网络模型；获取若干个训练样本，所述训练样本包括影像序列、影像序列上的靶区标注；将所述训练样本及解剖位置信息输入所述初始深度学习神经网络模型，通过误差反向传播更新所述初始深度学习神经网络模型的参数，直至模型收敛或者损失函数收敛。

在其中一个实施例中，靶区参数包括靶区起始层面位置、终止层面位置、血管范围、最小/最大囊肿体积、骶骨内缩距离、诊断信息、分期信息、病例信息的一种或几种组合。

在其中一个实施例中，所述第一分割模型包括基于灰度值的骨骼识别算法、基于灰度值的血管识别算法或者基于灰度值梯度的囊肿识别算法所构建的模型。

在其中一个实施例中，所述训练样本包括具有骨骼、血管或者囊肿的图像序列及标注信息。

在其中一个实施例中，通过对被扫描对象进行磁共振成像扫描或者计算机断层成像扫描后获取所述医学图像数据。

第二方面，本申请实施例提供了一种放射治疗系统，其特征在于，包括：成像装置，具有沿前后方向延伸的扫描腔，用于获取被扫描对象的医学图像数据；治疗装置，与所述成像装置集成为一体式结构，所述治疗装置具有治疗头，所述治疗头可绕扫描腔的轴线所在的直线转动；控制装置，与所述成像装置和治疗装置连接，所述控制装置用于控制成像装置对被扫描对象扫描及治疗装置对被扫描对象的靶区放线；图像分割装置，与控制装置连接，所述图像分割装置配置有第一分割模型、第二分割模型；所述第一分割模型用于对所述医学图像数据分割，获取感兴趣区域的解剖信息；所述第二分割模型接收所述解剖信息及靶区参数，完成所述感兴趣区域中靶区的分割。

在其中一个实施例中，还包括与图像分割装置相连接的显示装置，所述靶区参数通过显示装置的窗口输入。

在其中一个实施例中，所述解剖信息包括感兴趣区域内的各器官或者组织的勾画信息，所述勾画信息显示于所述显示装置上。

第三方面，本申请实施例提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现所述第一方面的图像的分割方法的步骤。

第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现所述第一方面的图像的分割方法的步骤。

相比于相关技术，本申请实施例提供的图像的分割方法、放射治疗系统、计算机设备和存储介质，通过第一分割模型、第二分割模型的联合使用，可实现医学图像中的骨骼、血管、囊肿等自动化分割，进而实现靶区精确分割；能够避免由于医师经验不足导致获取器官或组织信息出现错误或偏差的问题，大大的提高了分割结果的精确度，并且减少了医师的工作量，为医师节省了大量时间资源。

本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为一个实施例中医学图像的分割方法的流程示意图；

图2为一个实施例中第一分割模型对应的神经网络的结构示意图；

图3为一个实施例中第一分割模型的结构示意图；

图4为一个实施例中放射治疗系统结构示意图；

图5为一个实施例中医学图像的分割装置的结构框图；

图6为一个实施例中计算机设备的硬件结构示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。基于本申请提供的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其他类似情景。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本申请公开的内容相关的本领域的普通技术人员而言，在本申请揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本申请公开的内容不充分。

在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是，本申请所描述的实施例在不冲突的情况下，可以与其它实施例相结合。

除非另作定义，本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形，意图在于覆盖不排他的包含；例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可以还包括没有列出的步骤或单元，或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电气的连接，不管是直接的还是间接的。本申请所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象，不代表针对对象的特定排序。

医学影像设备包括X线成像设备(数字X线摄影、CT、X线机)、核磁共振成像设备、超声成像设备(A型、B型、C型以及M型等)、热成像设备(红外成像以及光机扫描成像等)、核医学成像设备(PET以及SPECT等)以及光学成像设备(医专用内镜成像)。本申请适用于以上任意一种设备或多种设备的组合设备。

图1为本申请一个实施例中医学图像的分割方法的流程示意图，如图1所示，该流程包括如下步骤：

步骤S102，获取被扫描对象的医学图像数据；

步骤S104，将所述医学图像数据输入到第一分割模型，获取感兴趣区域的解剖信息；

步骤S106，设置所述感兴趣区域内靶区参数，并根据所述解剖信息及所述靶区参数，确定靶区解剖位置信息；

步骤S108，将所述医学图像数据及所述解剖位置信息输入到第二分割模型中，完成所述感兴趣区域中靶区的分割。

本申请的一个实施中，步骤S102，获取被扫描对象的医学图像数据，详细描述如下。

可选的，可通过医学影像设备对被扫描对象进行现场成像扫描，获取对应的医学图像数据；例如，所述医学图像数据可以是CT图像、MR图像等；所述医学图像数据可以是2D图像、3D图像等；所述图像可以是全身图像、局部图像(头部图像、胸部图像或者腹部图像等)。

可选的，获取被扫描对象的医学图像数据还可以先通过医学影像设备，例如磁共振成像设备、计算机断层扫描成像设备、超声诊断设备或者X线成像设备等，对受检者进行扫描，得到医学图像，将医学图像存储至存储器，需要使用时从存储器内获取医学图像。医学影像设备可以为上述任意一种设备或多种设备的组合设备。

本申请的一个实施中，步骤S104，将所述医学图像数据输入到第一分割模型，获取感兴趣区域的解剖信息，详细描述如下。

可选的，所述第一分割模型可以为经过训练的神经网络模型或者机器学习模型；本申请中实施例中，对神经网络模型的类型不做限制，只需要能够较为精确的完成感兴趣区域的分割，获得相应的解剖信息即可。对应的解剖信息包括感兴趣区域内器官或组织的勾画(分割)结果；例如，可以通过不同的颜色、线条等对器官或者组织进行区分或渲染，以更好的识别相应的器官或者组织。

进一步的，所述获取所述感兴趣区域内的器官或组织的勾画结果包括获取骨骼、血管和囊肿的几何形状、边界及尺寸等相关的信息。

其中，所述第一分割模型可以为基于深度学习的神经网络构建的分割模型、也可以是基于机器学习的神经网络建立的分割模型，本实施例不做具体限定，只需将感兴趣区域内的组织或者器官准确的分割(识别)出来即可。

示例性的，本申请中的神经网络模型通过以下方法获得：首先，构建初始深度学习神经网络模型；其次，获取若干个训练样本，所述训练样本包括影像序列及影像序列上的器官或组织的标注(金标准数据)；再次，将所述训练样本输入所述初始深度学习神经网络模型，通过误差反向传播更新所述初始深度学习神经网络模型的参数，直至模型收敛或者损失函数收敛，从而获取深度学习神经网络模型参数。

步骤S106，设置所述感兴趣区域内靶区参数，并根据所述感兴趣区域的解剖信息及所述靶区参数，确定靶区解剖位置信息，详细描述如下。

示例性的，所述靶区参数包括靶区起始层面位置、终止层面位置、血管范围、最小/最大囊肿体积、骶骨内缩距离的一种或者几种组合。

进一步的，所述靶区参数还可以包括诊断信息、分期信息、病例信息的一种或几种组合。

步骤S108，将所述医学图像数据及所述靶区解剖位置信息输入到第二分割模型中，完成所述感兴趣区域中靶区的分割，详细描述如下。

示例性的，所述第二分割模型为靶区分割模型，所述第二分割模型通过以下方式获取：构建初始深度学习神经网络模型；获取若干个训练样本，所述训练样本包括影像序列、影像序列上的靶区标注；将所述训练样本及所述解剖位置信息输入所述初始深度学习神经网络，通过误差反向传播更新所述初始深度学习神经网络的参数，直至模型收敛或者损失函数收敛。可选的，所述第二分割模型也可以是基于机器学习的神经网络模型。

本申请实施例中，通过第一分割模型、第二分割模型的联合使用，可实现医学图像中的骨骼、血管、囊肿等自动化分割，进而实现靶区精确分割；能够避免由于医师经验不足导致获取器官或组织信息出现错误或偏差的问题，大大的提高了分割结果的精确度，并且减少了医师的工作量，为医师节省了大量时间资源。

需要说明的是，在上述流程中或者附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

如图2所示，本申请一个实施例中的用于图像分割的神经网络的结构示意图。图像分割神经网络包括：输入层、卷积层、批量归一化层、池化层、全连接层、损失层以及输出层。其中，输入层，用于数据的输入。在训练过程中输入数据是若干个训练样本，所述训练样本可以是若干张影像序列及影像序列上的器官或组织的标注，所述标注可以是由医生在影像上的标注或者是现有的一些金标准标注数据。卷积层，用于进行特征提取和特征映射。低卷积层可能只能提取一些低级的特征如边缘、线条和角等层级，更多层的网络能从低级特征中迭代提取更复杂的特征。批量归一化层，用于把逐渐向非线性函数映射后向取值区间极限饱和区靠拢的输入分布强制拉回到均值为0方差为1的比较标准的正态分布，使得非线性变换函数的输入值落入对输入比较敏感的区域，以此避免梯度消失问题。池化层，用于对数据做下采样，对多尺度数据特征进行学习分类，提高模型分类辨识度，并提供了非线性，减少模型参数数量，减少过拟合问题。全连接层，用于在模型的尾部进行重新拟合，减少特征信息的损失。损失层，接受两个输入，其中的一个是神经网络的预测值，另一个是真实标签。损失层则将这两个输入进行一系列运算，得到当前网络的损失函数。深度学习的目的是在权值空间中找到让损失函数最小的权值。损失函数是在前向传播计算中得到的，同时也是反向传播的起点，损失函数基本都是由真实值和预测值两部分组成，正确的损失函数，可以起到让预测值一直逼近真实值的效果，当预测值和真实值相等时，损失值最小。在本实施例中采用的损失函数优选为归一化指数函数、交叉熵损失函数或者平方误差损失函数。输出层，用于输出结果图像分割结果，在本实例中图像分割结果为器官或组织的几何边界、标注或尺寸等方面的信息。

如图3所示，为本申请其中一个实施例的第一分割模型的结构示意图。

本申请的一个实施例中，第一分割模型包括器官分割(识别)模型1011、骨骼分割(识别)模型1012、血管分割(识别)模型1013及囊肿分割(识别)神经网络模型1014等子分割模型。所述各子分割模型可以是基于机器学习模型，也可以是基于深度学习的神经网络模型。所述第一分割模型中，按照图像数据流的接收(输入)顺序，可以是器官分割(识别)模型1011、骨骼分割(识别)模型1012、血管分割(识别)模型1013及囊肿分割(识别)模型1014依次构成串联的连接方式；该方式构建的模型，可先完成较大形状、容易识别的器官、骨骼等，然后再完成形状较小、形状不定的血管、囊肿的分割，该方式分割结果更为准确。

可选的，所述第一分割模型中，按照图像数据流的接收(输入)顺序，可以是器官分割(识别)模型、骨骼分割(识别)模型、血管分割(识别)模型及囊肿分割(识别)神经网络模型也可以为并联的连接方式，该方式可实现该等几个子分割模型的同步执行，效率较高。可选的，所述第一分割模型中，按照图像数据流的接收(输入)顺序，可以是器官分割(识别)模型、骨骼分割(识别)模型、血管分割(识别)模型及囊肿分割(识别)神经网络模型也可以为串并联的连接方式，例如：器官分割模型、骨骼分割模型先并联，然后与血管分割模型、囊肿分割模型依次串联，该方式可实现较为快速、准确的图像(影像)分割。

示例性的，本申请一个实施例中，器官分割(识别)神经网络模型按照以下方式获得：建立基于深度学习的器官分割网络模型，输入影像序列及影像序列上的器官标注，将影像序列及影像序列上的器官标注输入到图像分割神经网络模型，计算后即可获取器官自动识别网络模型参数(例如大脑、小脑、脑干、心脏、肺、肝、胃、肠、肾等模型)。例如，通过将设定数量(例如十个、五十个、一百个)的影像序列及影像序列中相应的器官标注输入到初始深度学习神经网络模型中进行模型训练，即可获得对应的深度学习网络模型。

示例性的，本申请一个实施例中，骨骼分割(识别)神经网络模型按照以下方式获得：建立基于深度学习的骨骼分割网络模型，输入影像序列及影像序列上的骨骼标注，将影像序列及影像序列上的骨骼标注输入到图像分割神经网络模型，计算后获取骨骼自动识别网络模型参数(对于宫颈癌，需要包括第一腰椎、第二腰椎、第三腰椎、第四腰椎、第五腰椎、骶骨、尾骨、左髂骨、右髂骨、左耻骨、右耻骨、左坐骨、右坐骨、左股骨头、右股骨头、左股骨、右股骨等模型)。例如，通过将设定数量(例如十个、五十个、一百个)的影像序列及影像序列中相应的骨骼标注输入到初始深度学习神经网络模型中进行模型训练，即可获得对应的深度学习网络模型。

示例性的，本申请一个实施例中，血管分割(识别)神经网络模型按照以下方式获得：建立基于深度学习的血管自动识别网络模型，输入影像序列及影像序列上的血管标注，将影像序列及影像序列上的血管标注输入图像分割神经网络模型，计算后获取血管自动识别网络模型参数(对于宫颈癌，需要包括腹主动脉、左髂总动脉、右髂总动脉、左髂内动脉、右髂内动脉、左髂外动脉、右髂外动脉、左股动脉、右股动脉等模型)。例如，通过将设定数量(例如十个、五十个、一百个)的影像序列及影像序列中相应的血管标注输入到初始深度学习神经网络模型中进行模型训练，即可获得对应的深度学习网络模型。

示例性的，本申请一个实施例中，在其中的一个实施例中，囊肿分割(识别)神经网络模型按照以下方式获得：建立基于深度学习的囊肿自动识别网络模型，输入影像序列及影像序列上的囊肿标注，将影像序列及影像序列上的囊肿标注输入图像分割神经网络模型，计算后获取囊肿自动识别网络模型参数。例如，通过将设定数量(例如十个、五十个、一百个)的影像序列及影像序列中相应的囊肿标注输入到初始深度学习神经网络模型中进行模型训练，即可获得对应的深度学习网络模型。

可选的，本申请实施例中的所述第一分割模型中的骨骼分割神经网络模型、血管分割神经网络模型、囊肿分割神经网络模型的训练可以是全人体统一的模型进行，通过一次训练学习完成后，即可对整个人体的骨骼、血管及囊肿任意分割，具有更加广泛的应用范围。

示例性的，所述将所述医学图像数据输入到第一分割模型，获取所述感兴趣区域的解剖信息包括:获取所述感兴趣区域内的各器官或组织的勾画结果。所述获取所述感兴趣区域内的器官或组织的勾画结果包括获取骨骼、血管和囊肿的几何边界及尺寸。所述几何边界可以通过标注信息来识别，例如，标注可以为点标注、线标注、面标注以及体积标注中的一种或多种，标注的形式可以通过坐标进行表示。

可选的，本申请一个实施例中，所述第一分割模型可以包括基于灰度值的骨骼识别算法、基于灰度值的血管识别算法或基于灰度值梯度的囊肿识别算法所构建的图像分割模型。其中，基于灰度值的骨骼识别算法可构建骨骼分割(识别)子模型，基于灰度值的血管识别算法所构建血管分割(识别)子模型，基于灰度值梯度的囊肿识别算法可构建囊肿分割(识别)子模型。当图像序列的分辨率较高时，利用灰度值/灰度值梯度信息的差异，也可以较为准确的实现骨骼、血管或者囊肿的分割/识别，并可节省利用神经网络模型进行学习训练的时间。该第一分割模型中，所述基于灰度值的骨骼识别算法所构建骨骼分割(识别)子模型、基于灰度值的血管识别算法所构建血管分割(识别)子模型、基于灰度值梯度的囊肿识别算法所构建囊肿分割(识别)子模型等三个子模型依次顺序连接，并执行相对应的分割任务，效率高，且能得到较为准确的分割结果。

可选的，本申请一个实施例中，所述第一分割模型，还可以由基于灰度值的血管识别算法所构建血管分割(识别)子模型，基于灰度值梯度的血管识别算法所构建囊肿分割(识别)子模型，以及基于深度学习的囊肿自动分割(识别)网络模型所构建/组成。其中，按照医学影像数据的传递顺序，基于灰度值的血管识别算法所构建血管分割(识别)子模型，基于灰度值梯度的血管识别算法所构建囊肿分割(识别)子模型，以及基于深度学习的囊肿自动分割(识别)网络模型等三个分割(识别)子模型顺寻连接。该第一分割模型执行分割任务，具有效率高、分割结果准确的优点。

本申请实施例通过以上的第一分割模型，对医学图像数据进行分割，即可获得骨骼、血管及囊肿的解剖位置信息(标注信息)，完成医学图像中相对应的器官或者组织的自动分割。

如图4所示，本申请一个实施例中的放射治疗系统的结构示意图。

放射治疗系统200，包括：成像装置202，具有沿前后方向延伸的扫描腔，用于获取被扫描对象的医学图像数据；治疗装置203，与所述成像装置202集成为一体式结构，所述治疗装置具有治疗头，所述治疗头可绕扫描腔的轴线所在的直线转动；控制装置205，与所述成像装置和治疗装置连接，所述控制装置用于控制成像装置对被扫描对象扫描及治疗装置对被扫描对象的靶区放线(放射治疗)；图像分割装置206，与控制装置连接，所述图像分割装置配置有第一分割模型、第二分割模型；所述第一分割模型用于对所述医学图像数据分割，获取感兴趣区域的解剖信息；所述第二分割模型接收所述解剖信息及靶区参数，完成所述感兴趣区域中靶区的分割。可选的，所述成像装置202与所述治疗装置203通过机架装置201连接成一体式结构。可选的，放射治疗系统200，还包括与图像分割装置相连接的显示装置(未示出)，所述靶区参数通过显示装置的窗口输入。可选的，所述解剖信息包括感兴趣区域内的各器官或者组织的勾画信息，所述勾画信息显示于所述显示装置上。

本实施例还提供了一种医学图像分割装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

图5为一个实施例中医学图像分割装置的结构框图，如图5所示，该装置包括：医学图像数据获取模块302、解剖信息获取模块304、靶区解剖位置确定模块306以及靶区分割模块308。医学图像数据获取模块302，用于获取被扫描对象的医学图像数据；解剖信息获取模块304，包括第一分割模型，用于接收所述医学图像数据，自动分割所述医学图像数据，并获取感兴趣区域的解剖信息；靶区解剖位置确定模块306，用于设置所述感兴趣区域内靶区参数，并根据所述解剖信息及所述靶区参数，确定靶区解剖位置信息；靶区分割模块308，包括第二分割模型，用于接收将所述医学图像数据及所述靶区解剖位置信息，完成所述感兴趣区域中靶区的分割。

需要说明的是，上述各个模块可以是功能模块也可以是程序模块，既可以通过软件来实现，也可以通过硬件来实现。对于通过硬件来实现的模块而言，上述各个模块可以位于同一处理器中；或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。

另外，结合图1描述的本申请实施例自动获取病例模板的方法可以由计算机设备来实现。图6为一个实施例中计算机设备的硬件结构示意图。

计算机设备可以包括处理器61以及存储有计算机程序指令的存储器62。

具体地，上述处理器61可以包括中央处理器(CPU)，或者特定集成电路(Application Specific Integrated Circuit，简称为ASIC)，或者可以被配置成实施本申请实施例的一个或多个集成电路。

其中，存储器62可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器62可包括硬盘驱动器(Hard Disk Drive，简称为HDD)、软盘驱动器、固态驱动器(SolidState Drive，简称为SSD)、闪存、光盘、磁光盘、磁带或通用串行总线(Universal SerialBus，简称为USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器62可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器62可在数据处理装置的内部或外部。在特定实施例中，存储器62是非易失性(Non-Volatile)存储器。在特定实施例中，存储器62包括只读存储器(Read-Only Memory，简称为ROM)和随机存取存储器(RandomAccess Memory，简称为RAM)。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM(ProgrammableRead-Only Memory，简称为PROM)、可擦除PROM(Erasable ProgrammableRead-Only Memory，简称为EPROM)、电可擦除PROM(Electrically Erasable ProgrammableRead-Only Memory，简称为EEPROM)、电可改写ROM(Electrically Alterable Read-OnlyMemory，简称为EAROM)或闪存(FLASH)或者两个或更多个以上这些的组合。在合适的情况下，该RAM可以是静态随机存取存储器(Static Random-Access Memory，简称为SRAM)或动态随机存取存储器(Dynamic Random Access Memory，简称为DRAM)，其中，DRAM可以是快速页模式动态随机存取存储器(Fast Page Mode Dynamic Random Access Memory，简称为FPMDRAM)、扩展数据输出动态随机存取存储器(Extended Date Out Dynamic RandomAccess Memory，简称为EDODRAM)、同步动态随机存取内存(Synchronous Dynamic Random-Access Memory，简称SDRAM)等。

存储器62可以用来存储或者缓存需要处理和/或通信使用的各种数据文件，以及处理器61所执行的可能的计算机程序指令。

处理器61通过读取并执行存储器62中存储的计算机程序指令，以实现上述实施例中的任意一种自动获取病例模板的方法。

在其中一些实施例中，计算机设备还可包括通信接口63和总线60。其中，如图6所示，处理器61、存储器62、通信接口63通过总线60连接并完成相互间的通信。

通信接口63用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。通信端口63还可以实现与其他部件例如：外接设备、图像/数据采集设备、数据库、外部存储以及图像/数据处理工作站等之间进行数据通信。

总线60包括硬件、软件或两者，将计算机设备的部件彼此耦接在一起。总线60包括但不限于以下至少之一：数据总线(Data Bus)、地址总线(Address Bus)、控制总线(Control Bus)、扩展总线(Expansion Bus)、局部总线(Local Bus)。举例来说而非限制，总线60可包括图形加速接口(Accelerated Graphics Port，简称为AGP)或其他图形总线、增强工业标准架构(Extended Industry Standard Architecture，简称为EISA)总线、前端总线(Front Side Bus，简称为FSB)、超传输(Hyper Transport，简称为HT)互连、工业标准架构(Industry Standard Architecture，简称为ISA)总线、无线带宽(InfiniBand)互连、低引脚数(Low Pin Count，简称为LPC)总线、存储器总线、微信道架构(Micro ChannelArchitecture，简称为MCA)总线、外围组件互连(Peripheral Component Interconnect，简称为PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(Serial AdvancedTechnology Attachment，简称为SATA)总线、视频电子标准协会局部(Video ElectronicsStandards Association Local Bus，简称为VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线60可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线，但本申请考虑任何合适的总线或互连。

该计算机设备可以基于获取到的计算机指令，执行本申请实施例中的自动获取病例模板的方法，从而实现结合图1描述的自动获取病例模板的方法。

另外，结合上述实施例中的自动获取病例模板的方法，本申请实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种自动获取病例模板的方法。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (15)

1.一种图像的分割方法，其特征在于，所述方法包括：

获取被扫描对象的医学图像数据；

将所述医学图像数据输入到第一分割模型，获取感兴趣区域的解剖信息；

设置所述感兴趣区域内靶区参数，并根据所述解剖信息及所述靶区参数，确定靶区解剖位置信息；

将所述医学图像数据及所述解剖位置信息输入到第二分割模型中，完成所述感兴趣区域中靶区的分割。

2.根据权利要求1所述的方法，其特征在于，所述第一分割模型为经过训练的神经网络模型。

3.根据权利要求2所述的方法，其特征在于，所述神经网络模型通过以下方法获取：

构建初始深度学习神经网络模型；

获取若干个训练样本，所述训练样本包括影像序列及影像序列上的器官或组织的标注；

将所述训练样本输入所述初始深度学习神经网络模型，通过误差反向传播更新所述初始深度学习神经网络模型的参数，直至模型收敛或者损失函数收敛。

4.根据权利要求1所述的方法，其特征在于，所述将所述医学图像数据输入到第一分割模型，获取所述感兴趣区域的解剖信息包括:获取所述感兴趣区域内的各器官或组织的勾画结果。

5.根据权利要求4所述的方法，其特征在于，所述获取所述感兴趣区域内的器官或组织的勾画结果包括获取骨骼、血管和囊肿的几何边界或/和尺寸。

6.根据权利要求1或2所述的方法，其特征在于，所述第二分割模型为靶区分割模型，所述第二分割模型通过以下方式获取：

构建初始深度学习神经网络模型；

获取若干个训练样本，所述训练样本包括影像序列、影像序列上的靶区标注；

将所述训练样本及解剖位置信息输入所述初始深度学习神经网络模型，通过误差反向传播更新所述初始深度学习神经网络模型的参数，直至模型收敛或者损失函数收敛。

7.根据权利要求6所述的方法，其特征在于，所述靶区参数包括靶区起始层面位置、终止层面位置、血管范围、最小/最大囊肿体积、骶骨内缩距离、诊断信息、分期信息、病例信息的一种或几种组合。

8.根据权利要求1所述的方法，其特征在于，所述第一分割模型包括基于灰度值的骨骼识别算法、基于灰度值的血管识别算法或者基于灰度值梯度的囊肿识别算法所构建的模型。

9.根据权利要求1所述的方法，其特征在于，所述训练样本包括具有骨骼、血管或者囊肿的图像序列及标注信息。

10.根据权利要求1所述的方法，其特征在于，通过对被扫描对象进行磁共振成像扫描或者计算机断层成像扫描后获取所述医学图像数据。

11.一种放射治疗系统，其特征在于，包括：

成像装置，具有沿前后方向延伸的扫描腔，用于获取被扫描对象的医学图像数据；

治疗装置，与所述成像装置集成为一体式结构，所述治疗装置具有治疗头，所述治疗头可绕扫描腔的轴线所在的直线转动；

控制装置，与所述成像装置和治疗装置连接，所述控制装置用于控制成像装置对被扫描对象扫描及治疗装置对被扫描对象的靶区放线；

图像分割装置，与控制装置连接，所述图像分割装置配置有第一分割模型、第二分割模型；所述第一分割模型用于对所述医学图像数据分割，获取感兴趣区域的解剖信息；所述第二分割模型接收所述解剖信息及靶区参数，完成所述感兴趣区域中靶区的分割。

12.根据权利要求11所述的放射治疗系统，其特征在于，还包括与图像分割装置相连接的显示装置，所述靶区参数通过显示装置的窗口输入。

13.根据权利要求11所述的放射治疗系统，其特征在于，所述解剖信息包括感兴趣区域内的各器官或者组织的勾画信息，所述勾画信息显示于所述显示装置上。

14.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至10中任一项所述方法的步骤。

15.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至10中任一项所述的方法的步骤。

Images