CN112270660A - 基于深度神经网络的鼻咽癌放疗靶区自动分割方法 - Google Patents
基于深度神经网络的鼻咽癌放疗靶区自动分割方法 Download PDFInfo
- Publication number
- CN112270660A CN112270660A CN202011059919.XA CN202011059919A CN112270660A CN 112270660 A CN112270660 A CN 112270660A CN 202011059919 A CN202011059919 A CN 202011059919A CN 112270660 A CN112270660 A CN 112270660A
- Authority
- CN
- China
- Prior art keywords
- neural network
- deep neural
- target area
- training
- nasopharyngeal carcinoma
- 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.)
- Granted
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 55
- 230000011218 segmentation Effects 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000001959 radiotherapy Methods 0.000 title claims abstract description 39
- 208000002454 Nasopharyngeal Carcinoma Diseases 0.000 title claims abstract description 33
- 206010061306 Nasopharyngeal cancer Diseases 0.000 title claims abstract description 33
- 201000011216 nasopharynx carcinoma Diseases 0.000 title claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 60
- 210000000920 organ at risk Anatomy 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000012795 verification Methods 0.000 claims abstract description 9
- 210000000056 organ Anatomy 0.000 claims abstract description 8
- 230000000694 effects Effects 0.000 claims abstract description 7
- 210000002569 neuron Anatomy 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 15
- 238000011176 pooling Methods 0.000 claims description 13
- 239000011800 void material Substances 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000013519 translation Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 5
- 241000287196 Asthenes Species 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000008447 perception Effects 0.000 claims description 3
- 239000004576 sand Substances 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 3
- 238000002591 computed tomography Methods 0.000 description 34
- 206010028980 Neoplasm Diseases 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 4
- 201000011510 cancer Diseases 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 210000004027 cell Anatomy 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/32—Indexing scheme for image data processing or generation, in general involving image mosaicing
-
- 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
- G06T2207/20—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]
-
- 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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度神经网络的鼻咽癌放疗靶区自动分割方法,属于鼻咽癌放疗靶区自动分割领域。本发明包括:获取患者的CT图像数据,基于CT图像数据勾画鼻咽癌放疗靶区和危及器官,并将勾画后的CT图像数据划分为训练集和验证集;构建深度神经网络分割模型,并对训练集中的训练样本进行预处理,利用预处理后的训练样本训练深度神经网络分割模型,预处理包括将训练样本的数值范围缩小至规定范围和增广训练样本;将验证集中的训练样本的数值范围缩小至规定范围,并输入至训练好的深度神经网络分割模型中,对模型的识别效果进行定量评价。本发明中仅需输入患者的CT图像数据,模型即可在短时间内自动输出鼻咽癌放疗靶区以及危及器官的分割结果。
Description
技术领域
本发明涉及鼻咽癌放疗靶区自动分割领域,特别涉及一种基于深度神经网络的鼻咽癌放疗靶区自动分割方法。
背景技术
鼻咽癌是一种在鼻咽部位形成的恶性肿瘤,其已是目前国内最常见的癌症之一。据统计,2008年-2012年我国男性鼻咽癌患者的发病率约为7.5人/十万人,女性发病率约为2.8人/十万人。放射治疗简称放疗,放疗使用高能X射线摧毁癌细胞或减慢生长速度,放疗已成为鼻咽癌的主要治疗手段之一。患者在接受放疗之前,需拍摄计算机断层扫描图像(Computed Tomography,CT)或磁共振图像(Magnetic Resonance Imaging,MRI),再由专业医生勾画出患者的靶区以及危及器官,从而实现摧毁癌细胞的同时,尽可能减少正常组织或器官受到的辐射影响。靶区指肿瘤所在区域和潜在的受侵组织,基于患者的CT或MRI影像,准确勾画出患者靶区的边界,这一过程在放疗中称为靶区勾画。靶区勾画是放疗的关键一步,靶区勾画范围太大将使正常器官受到辐射影响,而勾画范围过小将无法实现癌症的有效治疗。
现有的靶区勾画主要以医生手动勾画为主,根据病种不同,医生手动勾画一个病例通常需要花费若干小时的时间。手动勾画指医生基于患者的CT影像,逐张地去勾画出靶区以及危及器官。手动勾画的过程不仅耗时耗力,且勾画的准确度依赖于医生的主观经验,已有研究表明,不同医生间的勾画结果差异较大。除开医生手动勾画,目前也已有软件可实现自动勾画,这些软件主要以自动勾画危及器官为主,大部分不涉及靶区的自动勾画。这些软件使用的方法主要以模板匹配为主,即预先定义好一个模板,包括CT以及标准的勾画结果,当有一个新的待勾画的CT数据时,计算模板CT至新的CT的形变矩阵,并将该形变矩阵应用至模板的勾画结果上,即可得到新的CT数据对应的勾画结果。
从模板匹配方法的计算流程中可以看出,基于模板匹配的自动勾画的精度取决于模板是否合理,以及待勾画CT数据与模板CT间的差异。在现实情况中,病人间的个体差异往往较大,往往难以定义一个通用的模板来满足勾画的需求,这些因素严重影响了自动勾画的精度。
发明内容
本发明的目的是提供一种基于深度神经网络的鼻咽癌放疗靶区自动分割方法,能够在短时间内自动输出鼻咽癌放疗靶区以及危及器官的分割结果。
本发明解决其技术问题,采用的技术方案是:基于深度神经网络的鼻咽癌放疗靶区自动分割方法,包括:
获取患者的CT图像数据,基于所述CT图像数据勾画鼻咽癌放疗靶区和危及器官,并将勾画后的CT图像数据划分为训练集和验证集;
构建深度神经网络分割模型,并对训练集中的训练样本进行预处理,利用预处理后的训练样本训练深度神经网络分割模型,所述预处理包括将训练样本的数值范围缩小至规定范围和增广训练样本;
将验证集中的训练样本的数值范围缩小至规定范围,并输入至训练好的深度神经网络分割模型中,对模型的识别效果进行定量评价。
进一步的是,通过CT机采集拍摄患者的断层扫描图像,来获取患者的CT图像数据。
进一步的是,当获取到患者的CT图像数据后,手动勾画其中的靶区以及危及器官,作为训练和验证模型的数据。
进一步的是,所述训练集和验证集的划分比例为4:1。
进一步的是,所述构建的深度神经网络分割模型包括编码器、多尺度模块和解码器;
所述编码器,用于从输入的经预处理后的CT图像数据中提取到具有平移不变性的抽象特征,并输出至多尺度模块;
所述多尺度模块,位于编码器中,用于在所述具有平移不变性的抽象特征中提取不同尺度大小的抽象特征,并输出至解码器;
所述解码器,用于将所述不同尺度大小的抽象特征恢复到原始输入图像的大小,并预测该输入图像中每个像素所属的类别,完成像素级别的分割任务。
进一步的是,所述编码器包括多个卷积和池化层,通过卷积的各个卷积核在输入图像中进行滑动,通过池化层在不增加可学习参数的情况下,对输入图像的特征进行降维,通过多个卷积和池化层的配合使用,从输入的经预处理后的CT图像数据中提取到具有平移不变性的抽象特征。
进一步的是,所述多尺度模块包括五个部分,具体为:1x1 conv、3个卷积核大小为3x3的空洞卷积和全局均值池化;
所述1x1 conv代表卷积核大小为1x1的卷积操作;
所述3个卷积核大小为3x3的空洞卷积中各空洞率卷积的空洞率分别为6、12和18,根据空洞率的不同各空洞卷积具有不同大小的感知视野;
通过上述五个部分的操作,将其分别的输出在通道维度上拼接起来,输出至解码器。
进一步的是,所述解码器的输入来自于多尺度模块的深层特征,以及编码器隐层的浅层特征,并对深层特征和浅层特征进行融合,并采用双线性插值的方式将对融合后的特征进行一定倍率的上采样,从而完成像素级别的分割任务。
进一步的是,在构建完深度神经网络分割模型后,对模型进行训练,训练的目标是找到一组合适的权值,使得网络对目标函数最小,其具体步骤包括:
a、CT图像数据预处理:对输入的CT图像根据窗位进行归一化操作,将训练样本的数值范围缩小至规定范围,并进行随机翻转、平移和旋转,扩充训练样本的多样性;
b、前向计算:对一个L层的前馈神经网络,设其训练样本集合为X∈Rm×n,其中,m为单个样本的维度,n表示训练样本的个数,那么,第i个样本可表示为Xi,设第l层的第j个神经元到l+1层的第k个神经元连接权值记为那么,第l层到l+1层的连接权值矩阵W(l),设第l层上神经元的激活函数为f(·),从输入层到输出层,不断进行前向计算,其过程为:
其中,ai l表示第l层神经元对于第i个样本的激活值,那么,网络输出层神经元的激活值为:
ai L=f(L-1)(W(L-1)·f(L-2)(W(L-2)…ai 0));
c、权值更新:神经网络采用交叉熵作为分类或分割任务的目标函数,其定义如下:
其中α代表的是学习率常数。
进一步的是,在深度神经网络分割模型训练完成之后,定量地评价模型在测试集上的识别效果,常用的评价指标包括TPVF、PPV、DSC,其定义如下:
其中,VS与VG分别代表模型预测的正样本像素数目与真实正样本像素数目,TPVF代表所有真实的正样本像素中有多少被预测正确,PPV代表所有预测的正样本像素中有多少是真实的正样本,DSC则是一种同时权衡了TPVF和PPV的指标。
本发明的有益效果是,通过上述基于深度神经网络的鼻咽癌放疗靶区自动分割方法,由深度神经网络分割模型自动分割放疗中的靶区和危及器官,模型训练完成后,仅需输入患者的CT图像,模型即可自动输出靶区以及危及器官的分割结果,该过程不需要人工提取特征或设定参数。并且,深度神经网络模型经训练完成后,能在数分钟内快速分割出患者的靶区以及危及器官,有效提高了放疗科医生的工作效率,加速了患者的放疗方案制定。
附图说明
图1为本发明基于深度神经网络的鼻咽癌放疗靶区自动分割方法的流程图;
图2为本发明实施例中整体流程示意图;
图3为本发明实施例中深度神经网络分割模型示意图。
具体实施方式
下面结合附图及实施例,详细描述本发明的技术方案。
本发明提出一种基于深度神经网络的鼻咽癌放疗靶区自动分割方法,其流程图见图1,其中,该方法包括:首先,获取患者的CT图像数据,基于CT图像数据勾画鼻咽癌放疗靶区和危及器官,并将勾画后的CT图像数据划分为训练集和验证集;其次,构建深度神经网络分割模型,并对训练集中的训练样本进行预处理,利用预处理后的训练样本训练深度神经网络分割模型,其中,预处理包括将训练样本的数值范围缩小至规定范围和增广训练样本;最后,将验证集中的训练样本的数值范围缩小至规定范围,并输入至训练好的深度神经网络分割模型中,对模型的识别效果进行定量评价。
这里,通过训练好的深度神经网络分割模型,只需输入患者的CT图像数据,模型即可自动勾画靶区和危及器官,且勾画时间一般较短,仅需几分钟,便可完成全部勾画过程,大大提高了鼻咽癌放疗靶区的勾画效率。
实施例
本实施例提供的一种基于深度神经网络的鼻咽癌放疗靶区自动分割方法,其整体流程示意图见图2,本实施例与传统的基于手工特征的分割方法不同,深度神经网络会自动地从数据中学习如何提取任务相关的抽象特征,其提取到的特征具有更强的表达能力与更高的平移不变性。
本实施例中所提供的分割方法大体分为三个步骤:数据获取、模型训练和模型验证。
具体应用过程中,训练深度神经网络往往需要大量带标签的数据,因此流程的第一步为数据获取,具体包含以下步骤:
(1a)CT图像采集:可以由专业的CT机采集拍摄患者的断层扫描图像;
(1b)基于CT图像勾画靶区以及危及器官:放疗科医生对获取到的CT图像手动勾画其中的靶区以及危及器官;
(1c)数据集划分:为了训练和验证深度神经网络模型,将勾画后的CT数据集按照4:1分为训练集和验证集。
需要指出的是,在数据获取完成后,需要利用获取的数据进行模型训练。一遍来说,神经网络由神经元以及神经元之间的连接组成。神经网络分为输入层、隐藏层和输出层。深度神经网络通过多个隐藏层从输入图像中提取抽象特征,并由输出层根据提取到的特征进行预测。深度神经网络与浅层神经网络相比,“深度”体现在隐层数量更多,连接方式更加灵活和复杂,具有更强大的非线性表达能力,能从输入图像中提取到更本质特征,从而实现更高精度的预测。本实施例中,设计的深度神经网络模型包括三个模块,深度神经网络分割模型示意图见图3。其中:
编码器:编码器由一系列的卷积、池化层构成,用于从输入的CT图像中提取抽象特征。卷积是神经元之间的一种特殊的连接方式,其通过小卷积核(如3x3大小)在输入中进行滑动,具有特征复用、参数量小等优点,适合于处理图像等类型的空间数据。池化是另一种特殊的特征处理方式,其目的在于不增加可学习参数的情况下,对特征进行降维。卷积与池化层配合使用后,可以从输入的OCT图像中提取到具有平移不变性的抽象特征。
多尺度模块:多尺度模块位于编码器中,用于处理编码器中特征提取网络输出的抽象特征。多尺度模块由5个部分构成,其中1x1 conv代表卷积核大小为1x1的卷积操作,此外还有3个卷积核大小为3x3的空洞卷积,即dconv(dilated convolution),其中变量r代表空洞率,最后还包括一个全局均值池化(Global average pooling)。这5个操作的输出将在通道维度上拼接起来,并输出给解码器。由于空洞率不同,该多尺度模块中的各空洞卷积具有不同大小的感知野,可用于从输入的OCT图像中提取不同尺度大小的抽象特征,提高模型的鲁棒性。
解码器:解码器的目的在于将特征恢复到原始输入的大小,并预测每个像素所属类别。解码器的输入来自于多尺度模块的深层特征,以及编码器隐层的浅层特征,解码器融合了深层特征与浅层特征,从而提高特征复用,加速模型的收敛。其中解码器中的Upsample模块采用双线性插值的方式将对特征进行一定倍率的上采样,从而完成像素级别的分割任务。
在构建完深度神经网络模型后,即可对模型进行训练。训练的目标是找到一组合适的权值,使得网络对目标函数最小。具体步骤包括:
a、CT图像数据预处理:对输入的CT图像根据窗位进行归一化操作,将训练样本的数值范围缩小至规定范围,并进行随机翻转、平移和旋转,扩充训练样本的多样性;
b、前向计算:对一个L层的前馈神经网络,设其训练样本集合为X∈Rm×n,其中,m为单个样本的维度,n表示训练样本的个数,那么,第i个样本可表示为Xi,设第l层的第j个神经元到l+1层的第k个神经元连接权值记为那么,第l层到l+1层的连接权值矩阵W(l),设第l层上神经元的激活函数为f(·),从输入层到输出层,不断进行前向计算,其过程为:
其中,ai l表示第l层神经元对于第i个样本的激活值,那么,网络输出层神经元的激活值为:
ai L=f(L-1)(W(L-1)·f(L-2)(W(L-2)…ai 0));
c、权值更新:神经网络采用交叉熵作为分类或分割任务的目标函数,其定义如下:
其中α代表的是学习率常数。
在深度神经网络分割模型训练完成之后,定量地评价模型在测试集上的识别效果,常用的评价指标包括TPVF、PPV、DSC,其定义如下:
其中,VS与VG分别代表模型预测的正样本像素数目与真实正样本像素数目,TPVF代表所有真实的正样本像素中有多少被预测正确,PPV代表所有预测的正样本像素中有多少是真实的正样本,DSC则是一种同时权衡了TPVF和PPV的指标。
本实施例中,模型在编码器阶段采用了多个多尺度模块,可有效提取不同大小病灶的抽闲特征,具有较强的鲁棒性。并且,由于解码器同时接收深层与浅层特征作为输入,分割模型训练阶段具有较快的收敛速度。因此,本实施例中基于深度神经网络的鼻咽癌放疗靶区自动分割方法可在短时间内自动输出鼻咽癌放疗靶区以及危及器官的分割结果。
Claims (10)
1.基于深度神经网络的鼻咽癌放疗靶区自动分割方法,其特征在于,包括:
获取患者的CT图像数据,基于所述CT图像数据勾画鼻咽癌放疗靶区和危及器官,并将勾画后的CT图像数据划分为训练集和验证集;
构建深度神经网络分割模型,并对训练集中的训练样本进行预处理,利用预处理后的训练样本训练深度神经网络分割模型,所述预处理包括将训练样本的数值范围缩小至规定范围和增广训练样本;
将验证集中的训练样本的数值范围缩小至规定范围,并输入至训练好的深度神经网络分割模型中,对模型的识别效果进行定量评价。
2.根据权利要求1所述的基于深度神经网络的鼻咽癌放疗靶区自动分割方法,其特征在于,通过CT机采集拍摄患者的断层扫描图像,来获取患者的CT图像数据。
3.根据权利要求2所述的基于深度神经网络的鼻咽癌放疗靶区自动分割方法,其特征在于,当获取到患者的CT图像数据后,手动勾画其中的靶区以及危及器官,作为训练和验证模型的数据。
4.根据权利要求1所述的基于深度神经网络的鼻咽癌放疗靶区自动分割方法,其特征在于,所述训练集和验证集的划分比例为4:1。
5.根据权利要求1所述的基于深度神经网络的鼻咽癌放疗靶区自动分割方法,其特征在于,所述构建的深度神经网络分割模型包括编码器、多尺度模块和解码器;
所述编码器,用于从输入的经预处理后的CT图像数据中提取到具有平移不变性的抽象特征,并输出至多尺度模块;
所述多尺度模块,位于编码器中,用于在所述具有平移不变性的抽象特征中提取不同尺度大小的抽象特征,并输出至解码器;
所述解码器,用于将所述不同尺度大小的抽象特征恢复到原始输入图像的大小,并预测该输入图像中每个像素所属的类别,完成像素级别的分割任务。
6.根据权利要求5所述的基于深度神经网络的鼻咽癌放疗靶区自动分割方法,其特征在于,所述编码器包括多个卷积和池化层,通过卷积的各个卷积核在输入图像中进行滑动,通过池化层在不增加可学习参数的情况下,对输入图像的特征进行降维,通过多个卷积和池化层的配合使用,从输入的经预处理后的CT图像数据中提取到具有平移不变性的抽象特征。
7.根据权利要求5所述的基于深度神经网络的鼻咽癌放疗靶区自动分割方法,其特征在于,所述多尺度模块包括五个部分,具体为:1x1 conv、3个卷积核大小为3x3的空洞卷积和全局均值池化;
所述1x1 conv代表卷积核大小为1x1的卷积操作;
所述3个卷积核大小为3x3的空洞卷积中各空洞率卷积的空洞率分别为6、12和18,根据空洞率的不同各空洞卷积具有不同大小的感知视野;
通过上述五个部分的操作,将其分别的输出在通道维度上拼接起来,输出至解码器。
8.根据权利要求5所述的基于深度神经网络的鼻咽癌放疗靶区自动分割方法,其特征在于,所述解码器的输入来自于多尺度模块的深层特征,以及编码器隐层的浅层特征,并对深层特征和浅层特征进行融合,并采用双线性插值的方式将对融合后的特征进行一定倍率的上采样,从而完成像素级别的分割任务。
9.根据权利要求5-8任意一项所述的基于深度神经网络的鼻咽癌放疗靶区自动分割方法,其特征在于,在构建完深度神经网络分割模型后,对模型进行训练,训练的目标是找到一组合适的权值,使得网络对目标函数最小,其具体步骤包括:
a、CT图像数据预处理:对输入的CT图像根据窗位进行归一化操作,将训练样本的数值范围缩小至规定范围,并进行随机翻转、平移和旋转,扩充训练样本的多样性;
b、前向计算:对一个L层的前馈神经网络,设其训练样本集合为X∈Rm×n,其中,m为单个样本的维度,n表示训练样本的个数,那么,第i个样本可表示为Xi,设第l层的第j个神经元到l+1层的第k个神经元连接权值记为那么,第l层到l+1层的连接权值矩阵W(l),设第l层上神经元的激活函数为f(·),从输入层到输出层,不断进行前向计算,其过程为:
其中,ai l表示第l层神经元对于第i个样本的激活值,那么,网络输出层神经元的激活值为:
ai L=f(L-1)(W(L-1)·f(L-2)(W(L-2)…ai 0));
c、权值更新:神经网络采用交叉熵作为分类或分割任务的目标函数,其定义如下:
其中α代表的是学习率常数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011059919.XA CN112270660B (zh) | 2020-09-30 | 2020-09-30 | 基于深度神经网络的鼻咽癌放疗靶区自动分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011059919.XA CN112270660B (zh) | 2020-09-30 | 2020-09-30 | 基于深度神经网络的鼻咽癌放疗靶区自动分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112270660A true CN112270660A (zh) | 2021-01-26 |
CN112270660B CN112270660B (zh) | 2022-09-09 |
Family
ID=74337464
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011059919.XA Active CN112270660B (zh) | 2020-09-30 | 2020-09-30 | 基于深度神经网络的鼻咽癌放疗靶区自动分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112270660B (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112546463A (zh) * | 2021-02-25 | 2021-03-26 | 四川大学 | 基于深度神经网络的放疗剂量自动预测方法 |
CN112634273A (zh) * | 2021-03-10 | 2021-04-09 | 四川大学 | 一种基于深度神经网络的脑转移瘤分割系统及其构建方法 |
CN112686898A (zh) * | 2021-03-15 | 2021-04-20 | 四川大学 | 一种基于自监督学习的放疗靶区自动分割方法 |
CN112837782A (zh) * | 2021-02-04 | 2021-05-25 | 北京大学第三医院(北京大学第三临床医学院) | 一种基于深度学习的放疗三维剂量预测方法 |
CN112926604A (zh) * | 2021-03-31 | 2021-06-08 | 四川大学华西医院 | 一种唾液腺显像自动分析方法及系统 |
CN113035334A (zh) * | 2021-05-24 | 2021-06-25 | 四川大学 | 鼻腔nkt细胞淋巴瘤放疗靶区自动勾画方法和装置 |
CN113129327A (zh) * | 2021-04-13 | 2021-07-16 | 中国科学院近代物理研究所 | 一种基于神经网络模型生成内大体靶区的方法和系统 |
CN113288193A (zh) * | 2021-07-08 | 2021-08-24 | 广州柏视医疗科技有限公司 | 基于深度学习的ct影像乳腺癌临床靶区的自动勾画方法 |
CN113488146A (zh) * | 2021-07-29 | 2021-10-08 | 广州柏视医疗科技有限公司 | 一种头颈部鼻咽癌引流区和转移淋巴结的自动勾画方法 |
CN113780425A (zh) * | 2021-09-13 | 2021-12-10 | 四川大学 | 一种肾小球滤过率自动计算方法 |
CN113975662A (zh) * | 2021-11-16 | 2022-01-28 | 福建医科大学附属第一医院 | 一种基于数据挖掘技术的鼻咽癌精准放疗平台 |
CN114022491A (zh) * | 2021-10-27 | 2022-02-08 | 安徽医科大学 | 基于改进空间金字塔模型的小数据集食管癌肿瘤靶区影像自动勾画方法 |
CN114155215A (zh) * | 2021-11-24 | 2022-03-08 | 中山大学肿瘤防治中心(中山大学附属肿瘤医院、中山大学肿瘤研究所) | 一种基于mr图像的鼻咽癌识别及肿瘤分割方法及系统 |
CN114187293A (zh) * | 2022-02-15 | 2022-03-15 | 四川大学 | 基于注意力机制和集成配准的口腔腭部软硬组织分割方法 |
CN114882301A (zh) * | 2022-07-11 | 2022-08-09 | 四川大学 | 基于感兴趣区域的自监督学习医学图像识别方法及装置 |
CN115359881A (zh) * | 2022-10-19 | 2022-11-18 | 成都理工大学 | 一种基于深度学习的鼻咽癌肿瘤自动勾画方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106845529A (zh) * | 2016-12-30 | 2017-06-13 | 北京柏惠维康科技有限公司 | 基于多视野卷积神经网络的影像特征识别方法 |
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 |
CN108198621A (zh) * | 2018-01-18 | 2018-06-22 | 中山大学 | 一种基于神经网络的数据库数据综合诊疗决策方法 |
CN108206056A (zh) * | 2018-01-18 | 2018-06-26 | 中山大学 | 一种鼻咽癌人工智能辅助诊疗决策终端 |
CN108257134A (zh) * | 2017-12-21 | 2018-07-06 | 深圳大学 | 基于深度学习的鼻咽癌病灶自动分割方法和系统 |
CA3069612A1 (en) * | 2017-07-13 | 2019-01-17 | Institut Gustave-Roussy | A radiomics-based imaging tool to monitor tumor-lymphocyte infiltration and outcome in cancer patients treated by anti-pd-1/pd-l1 |
CN109919948A (zh) * | 2019-02-26 | 2019-06-21 | 华南理工大学 | 基于深度学习的鼻咽癌病灶分割模型训练方法及分割方法 |
CN110555856A (zh) * | 2019-09-09 | 2019-12-10 | 成都智能迭迦科技合伙企业(有限合伙) | 一种基于深度神经网络的黄斑水肿病变区域分割方法 |
CN111657945A (zh) * | 2020-06-16 | 2020-09-15 | 中南大学湘雅医院 | 一种基于增强mri影像组学的鼻咽癌预后辅助评估方法 |
-
2020
- 2020-09-30 CN CN202011059919.XA patent/CN112270660B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106845529A (zh) * | 2016-12-30 | 2017-06-13 | 北京柏惠维康科技有限公司 | 基于多视野卷积神经网络的影像特征识别方法 |
CA3069612A1 (en) * | 2017-07-13 | 2019-01-17 | Institut Gustave-Roussy | A radiomics-based imaging tool to monitor tumor-lymphocyte infiltration and outcome in cancer patients treated by anti-pd-1/pd-l1 |
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 |
CN108257134A (zh) * | 2017-12-21 | 2018-07-06 | 深圳大学 | 基于深度学习的鼻咽癌病灶自动分割方法和系统 |
CN108198621A (zh) * | 2018-01-18 | 2018-06-22 | 中山大学 | 一种基于神经网络的数据库数据综合诊疗决策方法 |
CN108206056A (zh) * | 2018-01-18 | 2018-06-26 | 中山大学 | 一种鼻咽癌人工智能辅助诊疗决策终端 |
CN109919948A (zh) * | 2019-02-26 | 2019-06-21 | 华南理工大学 | 基于深度学习的鼻咽癌病灶分割模型训练方法及分割方法 |
CN110555856A (zh) * | 2019-09-09 | 2019-12-10 | 成都智能迭迦科技合伙企业(有限合伙) | 一种基于深度神经网络的黄斑水肿病变区域分割方法 |
CN111657945A (zh) * | 2020-06-16 | 2020-09-15 | 中南大学湘雅医院 | 一种基于增强mri影像组学的鼻咽癌预后辅助评估方法 |
Non-Patent Citations (2)
Title |
---|
XIAOJUN YANG等: "Evaluation of human epidermal growth factor receptor 2 status of breast cancer using preoperative multidetector computed tomography with deep learning and handcrafted radiomics features", 《CHINESE JOURNAL OF CANCER RESEARCH》 * |
伍日照等: "18F-FDG PET/CT显像评估鼻咽癌治疗后疗效的价值", 《当代医学》 * |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112837782A (zh) * | 2021-02-04 | 2021-05-25 | 北京大学第三医院(北京大学第三临床医学院) | 一种基于深度学习的放疗三维剂量预测方法 |
CN112546463B (zh) * | 2021-02-25 | 2021-06-01 | 四川大学 | 基于深度神经网络的放疗剂量自动预测方法 |
CN112546463A (zh) * | 2021-02-25 | 2021-03-26 | 四川大学 | 基于深度神经网络的放疗剂量自动预测方法 |
CN112634273A (zh) * | 2021-03-10 | 2021-04-09 | 四川大学 | 一种基于深度神经网络的脑转移瘤分割系统及其构建方法 |
CN112686898A (zh) * | 2021-03-15 | 2021-04-20 | 四川大学 | 一种基于自监督学习的放疗靶区自动分割方法 |
CN112686898B (zh) * | 2021-03-15 | 2021-08-13 | 四川大学 | 一种基于自监督学习的放疗靶区自动分割方法 |
CN112926604A (zh) * | 2021-03-31 | 2021-06-08 | 四川大学华西医院 | 一种唾液腺显像自动分析方法及系统 |
CN113129327A (zh) * | 2021-04-13 | 2021-07-16 | 中国科学院近代物理研究所 | 一种基于神经网络模型生成内大体靶区的方法和系统 |
CN113035334B (zh) * | 2021-05-24 | 2021-10-29 | 四川大学 | 鼻腔nkt细胞淋巴瘤放疗靶区自动勾画方法和装置 |
CN113035334A (zh) * | 2021-05-24 | 2021-06-25 | 四川大学 | 鼻腔nkt细胞淋巴瘤放疗靶区自动勾画方法和装置 |
CN113288193B (zh) * | 2021-07-08 | 2022-04-01 | 广州柏视医疗科技有限公司 | 基于深度学习的ct影像乳腺癌临床靶区的自动勾画系统 |
CN113288193A (zh) * | 2021-07-08 | 2021-08-24 | 广州柏视医疗科技有限公司 | 基于深度学习的ct影像乳腺癌临床靶区的自动勾画方法 |
CN113488146B (zh) * | 2021-07-29 | 2022-04-01 | 广州柏视医疗科技有限公司 | 一种头颈部鼻咽癌引流区和转移淋巴结的自动勾画方法 |
CN113488146A (zh) * | 2021-07-29 | 2021-10-08 | 广州柏视医疗科技有限公司 | 一种头颈部鼻咽癌引流区和转移淋巴结的自动勾画方法 |
CN113780425A (zh) * | 2021-09-13 | 2021-12-10 | 四川大学 | 一种肾小球滤过率自动计算方法 |
CN113780425B (zh) * | 2021-09-13 | 2023-07-21 | 四川大学 | 一种肾小球滤过率自动计算方法 |
CN114022491A (zh) * | 2021-10-27 | 2022-02-08 | 安徽医科大学 | 基于改进空间金字塔模型的小数据集食管癌肿瘤靶区影像自动勾画方法 |
CN113975662A (zh) * | 2021-11-16 | 2022-01-28 | 福建医科大学附属第一医院 | 一种基于数据挖掘技术的鼻咽癌精准放疗平台 |
CN114155215A (zh) * | 2021-11-24 | 2022-03-08 | 中山大学肿瘤防治中心(中山大学附属肿瘤医院、中山大学肿瘤研究所) | 一种基于mr图像的鼻咽癌识别及肿瘤分割方法及系统 |
CN114155215B (zh) * | 2021-11-24 | 2023-11-10 | 中山大学肿瘤防治中心(中山大学附属肿瘤医院、中山大学肿瘤研究所) | 一种基于mr图像的鼻咽癌识别及肿瘤分割方法及系统 |
CN114187293A (zh) * | 2022-02-15 | 2022-03-15 | 四川大学 | 基于注意力机制和集成配准的口腔腭部软硬组织分割方法 |
CN114882301A (zh) * | 2022-07-11 | 2022-08-09 | 四川大学 | 基于感兴趣区域的自监督学习医学图像识别方法及装置 |
CN114882301B (zh) * | 2022-07-11 | 2022-09-13 | 四川大学 | 基于感兴趣区域的自监督学习医学图像识别方法及装置 |
CN115359881A (zh) * | 2022-10-19 | 2022-11-18 | 成都理工大学 | 一种基于深度学习的鼻咽癌肿瘤自动勾画方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112270660B (zh) | 2022-09-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112270660B (zh) | 基于深度神经网络的鼻咽癌放疗靶区自动分割方法 | |
Sun et al. | Deep learning-based classification of liver cancer histopathology images using only global labels | |
Iqbal et al. | Deep learning model integrating features and novel classifiers fusion for brain tumor segmentation | |
Demyanov et al. | Classification of dermoscopy patterns using deep convolutional neural networks | |
Gunasekara et al. | A systematic approach for MRI brain tumor localization and segmentation using deep learning and active contouring | |
CN107464250B (zh) | 基于三维mri图像的乳腺肿瘤自动分割方法 | |
CN110084318B (zh) | 一种结合卷积神经网络和梯度提升树的图像识别方法 | |
CN112150428B (zh) | 一种基于深度学习的医学图像分割方法 | |
EP3480786A1 (en) | Medical image object detection with dense feature pyramid network architecture in machine learning | |
CN112270666A (zh) | 基于深度卷积神经网络的非小细胞肺癌病理切片识别方法 | |
CN114332572B (zh) | 基于显著图引导分层密集特征融合网络用于提取乳腺病变超声图像多尺度融合特征参数方法 | |
CN111080658A (zh) | 基于可形变配准和dcnn的宫颈mri图像分割方法 | |
Ha et al. | Automatic Breast Tumor Diagnosis in MRI Based on a Hybrid CNN and Feature‐Based Method Using Improved Deer Hunting Optimization Algorithm | |
Das et al. | Techniques for MRI brain tumor detection: a survey | |
Singh et al. | An efficient combined approach for medical brain tumour segmentation | |
Patel et al. | Hybrid approach for feature extraction of lung cancer detection | |
Katiyar et al. | A Comparative study of Lung Cancer Detection and Classification approaches in CT images | |
CN110634118A (zh) | 基于人工智能的乳腺影像识别系统及方法 | |
Doshi et al. | (Retracted) Deep belief network-based image processing for local directional segmentation in brain tumor detection | |
Shanid et al. | Lung cancer detection from CT images using salp-elephant optimization-based deep learning | |
Ibrahim et al. | Deep learning based Brain Tumour Classification based on Recursive Sigmoid Neural Network based on Multi-Scale Neural Segmentation | |
CN116206160A (zh) | 基于卷积神经网络模型的鼻咽癌病变组织的自动识别网络模型和自动勾画网络模型的搭建方法 | |
Jehangir et al. | Lung Cancer Detection using Ensemble of Machine Learning Models | |
CN115880245A (zh) | 一种基于自监督的乳腺癌疾病分类方法 | |
Rashid et al. | Early-Stage Segmentation and Characterization of Brain Tumor. |
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 |