CN112582048A - 一种基于深度学习的放射治疗靶区自动勾画系统及方法 - Google Patents

Abstract

本发明涉及放射治疗靶区自动勾画技术领域，具体是一种基于深度学习的放射治疗靶区自动勾画系统及方法，用于解决对放射治疗靶区自动勾画的过程中对医师的资质要求高，耗时耗力的问题。包括管理客户端、逻辑服务端、转发服务端和模型服务端；所述管理客户端用于DCM数据的统计、查询、查看和系统用户与权限的管理；所述逻辑服务端用于定义前端主要数据的交互逻辑；所述转发服务端用于提供勾画系统与伽玛刀计划系统或本地PACS系统间DCM数据的转发服务；所述模型服务端用于提供医学数据诊断的模型算法服务，且模型服务端可为病例数据生成包含勾画结果的RTSS文件。本发明降低了医师学习成本、部署成本资质要求，同时节省了时间和劳动力。

Description

一种基于深度学习的放射治疗靶区自动勾画系统及方法

技术领域

本发明涉及放射治疗靶区自动勾画技术领域，更具体的是涉及一种基于深度学习的放射治疗靶区自动勾画系统及方法。

背景技术

伽玛刀是立体定向放射外科的主要治疗手段，其疗法是根据立体几何定向原理将颅内的正常组织或病变组织选择性地确定为靶点，通过伽玛射线聚焦照射使之产生局灶性坏死或功能改变而达到治疗疾病的目的，伽玛刀治疗主要用于功能性神经疾病（包括顽固性疼痛、原发性三叉神经痛、帕金森氏病、以强迫症和焦虑症为主的精神性疾病、癫痫等），脑血管畸形（包括脑AVM 脑动静脉畸形，有出血经过或症状的海绵体血管瘤），各类颅内实质性肿瘤，伽玛刀具有无需手术、无需麻醉、高精度、无手术禁忌症、价格便宜的优点，可以像手术刀一样准确地一次性摧毁病灶。

伽玛刀治疗有着一套严格的流程，首先用立体定位系统将患者相对固定，然后通过CT磁共振成像对病灶进行断层扫描显示出病灶与坐标系各参照点的相对位置，定位后治疗伽玛刀计划系统自动对CT扫描的图像进行处理，重建颅骨、病灶及其周围组织的三维形态，并依据医生给予的处方剂量进行治疗计划的设计，计算出治疗需要的靶点数、靶点坐标、照射时间和每个靶点使用的准直器号等，最终由电气系统根据计算出的相关参数对各靶点进行聚焦照射，其中CT图像上病灶靶区的选择需要医生根据经验来进行勾画，病灶靶区勾画得越准确对于危机器官的危害越小且治疗效果也越好。

现有技术方中首先通过CT设备对患者的脑部进行断层扫描，然后CT切片数据会通过伽玛刀计划系统传输到工作站系统上由医师进行靶区的勾画，随后再由工作站将勾画结果返回伽玛刀计划系统来指定治疗计划的设计。

上述通过伽玛刀治疗过程中，医师需要对病例的每张切片的靶区和危机器官进行勾画，这个过程不仅消耗时间，同时也对操作医师的资质提出很高的要求，在实际临床场景中，该过程是主要的人力消耗；其次在实际的伽玛刀治疗中，每个科室的病例数据都在一个独立的局域网下的伽玛刀计划系统和工作站之间进行传输，传输协议需要灵活定制。

综上，现有技术中通过伽玛刀治疗过程中，对放射治疗靶区自动勾画的过程中对医师的资质要求高，耗时耗力。因此，对伽玛刀治疗需要一套定制化的软件系统辅助医师完成CT的肿瘤靶点勾画，并嵌入到实际的治疗工作流程当中。

发明内容

基于以上问题，本发明提供了一种基于深度学习的放射治疗靶区自动勾画系统及方法，用于解决现有技术中通过伽玛刀治疗过程中，对放射治疗靶区自动勾画的过程中对医师的资质要求高，耗时耗力的问题。本发明中通过由管理客户端、逻辑服务端、转发服务端和模型服务端组成该系统，仅需将部署有该系统的计算机接入到局域网内即可实现与伽玛刀计划系统的互通，而无需对伽玛刀的现有使用流程或硬/软件设施进行调整，降低了医师学习成本、部署成本资质的要求，同时节省了时间和劳动力。

本发明为了实现上述目的具体采用以下技术方案：

一种基于深度学习的放射治疗靶区自动勾画方法，包括以下步骤：

步骤1：数据接收与转发，使用伽玛刀治疗流程中的标准传输协议，在接收到伽玛刀计划系统发送的未经勾画的DCM格式的CT数据之后，转发服务端会将该数据转发至本地PACS系统进行存储，并将CT数据接收情况告知逻辑服务端，逻辑服务端会生成一条对应的数据在管理客户端进行记录；

步骤2：数据查询与处理，通过管理客户端查询传入的数据，选择数据传输至模型服务端进行处理，并在管理客户端实时展示数据的处理进度；

步骤3：勾画结果查看，在管理客户端选择完成处理数据并跳转至勾画查看页面，根据勾画结果的准确性来决定是否需要对其进行微调，若对数据处理结果满意，则直接跳转至勾画结果转发，若对数据处理结果不满意，则跳转至勾画结果微调；

步骤4：勾画结果微调，对处理结果不满意的数据进行微调；

步骤5：勾画结果回传，在管理客户端选择勾画结果并将勾画结果传输至对应的本地PACS系统的应用实体当中。

优选的，以上通过局域网协议传输和/或本地手动导入来实现数据的接收。

具体的，所述局域网协议传输在伽玛刀治疗过程中，伽玛刀计划系统通过局域网传输DCM格式的CT数据，CT数据的发送与接收均由应用实体发动。

其中，应用实体为AE全称Application entity，应用程序实体（AE）是本地或远程DCM服务，在图像档案（PACS）系统中，常见的DCM服务包括存储和查询/检索，设备（本地或远程成像设备或计算机）可以支持一项或多项服务以及一项或多项服务角色，角色将设备定义为服务类用户（SCU）或服务类提供者（SCP）。SCU角色通常与客户端操作关联，SCP角色通常与服务器操作相关联。

所述本地手动导入在局域网未连通时，在管理客户端中选择包含DCM格式的CT数据的文件夹并上传CT数据至勾画系统。

进一步的，步骤2中数据的处理包括以下步骤：

步骤2.1：发送处理请求，数据管理客户端会向模型服务端发送处理请求，通过模型服务端将靶区或危及器官对应的分割模型预加载在内存内，每个勾画任务到达后将被封装成一个线程交由线程池控制；

步骤2.2：创建长连接，勾画任务使用模型时将会为模型服务端加上互斥锁；

步骤2.3：维持长连接，在勾画任务处理过程中，模型服务端通过与数据管理客户端实时更新分割模型处理的进度；

步骤2.4：提示处理完成、断开长连接，当处理完成后，管理客户端将会提示用户处理完成，并断开长连接，互斥锁解开并从线程池中选取新的任务进行新的处理。

进一步的，数据在模型服务端的中处理包括以下步骤：

步骤（1）：解析输入图像的相关靶区和危及器官参数信息；

步骤（2）：根据靶区和危及器官的参数信息选择对应的分割模型及处理顺序；

步骤（3）：按照既定的处理顺序将图像输入网络中生成相应的分割结果；

步骤（4）：将分割结果序列构造融合成一个RTSS文件。

进一步的，步骤4中，查看模型服务端生成的勾画结果后，若对处理结果不满意，则勾画系统在勾画结果查看界面提供标注微调工具，通过标注微调工具可实现勾画结果的在线微调，将勾画结果调节好后，对微调后的勾画结果进行保存，保存后的勾画结果会被传回后端代替模型生成结果。

进一步的，步骤5中，确认勾画结果后，勾选一至多个勾画结果构成一个任务组进行发送，将存储勾画结果的RTSS文件通过转发服务端发送至伽玛刀计划系统并实现更新任务组发送进度。

一种基于深度学习的放射治疗靶区自动勾画系统，包括管理客户端、逻辑服务端、转发服务端和模型服务端；

所述管理客户端用于DCM数据的统计、查询、查看和系统用户与权限的管理；

所述逻辑服务端用于定义前端主要数据的交互逻辑，提供数据库中数据的增删查找功能；

所述转发服务端用于提供勾画系统与伽玛刀计划系统或本地PACS系统间DCM数据的转发服务，通过该转发服务，勾画系统可接收来自伽玛刀计划系统或本地PACS系统的DCM数据，同时发送RTSS文件到伽玛刀计划系统；

所述模型服务端用于提供医学数据诊断的模型算法服务，且模型服务端可为病例数据生成包含勾画结果的RTSS文件。

其中，所述模型服务端包括解析模块、选择模块、生成模块和融合模块；

所述解析模块用于解析输入图像的相关靶区和危及器官参数信息；

所述选择模块用于根据靶区和危及器官的参数信息选择对应的分割模型及处理顺序；

所述生成模块用于按照既定的处理顺序将图像输入网络中生成相应的分割结果；

所述融合模块用于将分割结果序列构造融合成一个RTSS文件。

本发明的有益效果如下：

（1）本发明中通过由管理客户端、逻辑服务端、转发服务端和模型服务端组成该系统，仅需将部署有该系统的计算机接入到局域网内即可实现与伽玛刀计划系统的互通，而无需对伽玛刀的现有使用流程或硬/软件设施进行调整，降低了医师学习成本、部署成本资质要求，同时节省了时间和劳动力。

（2）本发明中在进行危及器官任务分割时，可由计算机自动继续器官分类，然后进行分割，免去了人工进行器官分类的麻烦。

（3）本发明中对于单个病例分割任务，可在几分钟之内完成，且可实现多任务并行处理，减轻了勾画任务的人力成本和时间成本，提高了工作效率，可为临床中的实际伽玛刀治疗流程工作的改进提供指导意义。

附图说明

图1为本发明该勾画系统在实际放疗中使用的示意图；

图2为本发明该勾画系统的流程示意图；

图3为本发明数据处理的流程示意图；

图4为本发明模型服务端的处理流程简图。

具体实施方式

为了本技术领域的人员更好的理解本发明，下面结合附图和以下实施例对本发明作进一步详细描述。

实施例1：

如图1和2所示，一种基于深度学习的放射治疗靶区自动勾画方法，包括以下步骤：

步骤1：数据接收与转发，使用伽玛刀治疗流程中的标准传输协议，在接收到伽玛刀计划系统发送的未经勾画的DCM格式的CT数据之后，转发服务端会将该数据转发至本地PACS系统进行存储，并将CT数据接收情况告知逻辑服务端，逻辑服务端会生成一条对应的数据在管理客户端进行记录；为契合实际伽玛刀治疗工作流程中的数据传输方式，本系统提供了局域网协议传输和本地手动导入两种方式来实现数据的接受。

图1中各箭头处的文字解释如下：发送DCM数据：发送的未经勾画的DCM格式的CT数据；转发DCM数据：转发数据至本地PACS系统进行存储；提示数据到达：数据接收情况告知逻辑服务端；发送病例处理请求：选择待处理数据传入模型服务；数据实时处理进度：实施展示处理进度；发送RTSS请求：管理客户端发送RTSS文件至转发服务端，最终到达伽玛刀计划系统；返回数据：返回查询到的数据至管理客户端。

具体的，局域网协议传输在实际伽玛刀治疗过程中，伽玛刀计划系统通过局域网传输DCM格式的CT数据，本系统采用pynetDCM工具包来模拟这一过程，所有的发送与接收服务均由“应用实体（AE, Application entity）”发动，与伽玛刀计划系统的数据传输可以通过在管理客户端中配置其PACS的AE配置来实现，AE的配置主要包括了AE名称、IP号、端口号三个部分，本系统主要包括转发服务器和本地PACS系统两个AE配置。

本地手动导入是出于使用便利的目的，本系统的数据接收还配置了一种从本地导入的方式，在DCM数据所属本地PACS系统未连通科室局域网的情况下，可以在管理客户端中选择指定包含DCM格式的CT数据的文件夹并上传数据至系统；所称的“未连通科室局域网”是因为医院存在多个本地PACS系统，诊断需要的DCM数据所属本地PACS系统可能未连通科室的局域网，使得没有办法使用科室的设备发送DCM数据到本系统中，在这种情况下，医师可以使用网页客户端上传电脑本地的文件夹至本系统。

步骤2：数据查询与处理，通过管理客户端查询传入的数据，选择数据传输至模型服务端进行处理，并在管理客户端实时展示数据的处理进度；在接收到伽玛刀计划系统发送的病例数据之后，勾画系统就存在了该条病例的图像数据与记录数据，医师可以通过登录进入该勾画系统查看该条病灶数据的记录，接着医师可以通过选择病例与相应的危及器官对其发起勾画处理。

如图3所示，进一步的，步骤2中数据的勾画处理包括以下步骤：

步骤2.1：发送处理请求，数据管理客户端会向模型服务端发送处理请求，通过模型服务端将靶区或危及器官对应的分割模型预加载在内存内，每个勾画任务到达后将被封装成一个线程交由线程池控制，勾画任务分为危及器官勾画任务和肿瘤靶区勾画任务，危及器官勾画任务为：因脑部不同的部位存在着不同的危及器官，根据医师选择不同的危及器官，CT数据被分配到不同的分割模型进行处理，分割结果被封装为标准的RTSS文件并存储在服务器端中；肿瘤靶区勾画任务为：对特定部位的靶区，将会被输入到对应病种的一系列分割模型中进行计算，分割结果会被封装为标准的RTSS文件并存储在服务器端中。

步骤2.2：创建长连接，勾画任务使用模型时将会为模型服务端加上互斥锁；

步骤2.3：维持长连接，在勾画任务处理过程中，模型服务端通过与数据管理客户端实时更新分割模型处理的进度；

步骤2.4：提示处理完成、断开长连接，当处理完成后，管理客户端将会提示用户处理完成，并断开长连接，互斥锁解开并从线程池中选取新的任务进行新的处理。

也就是在数据勾画处理的步骤中，管理客户端会向模型服务端发送处理请求，通过模型服务端将靶区或危及器官对应的分割模型预加载在内存内，每个勾画任务到达后将被封装成一个线程交由线程池控制，在勾画任务使用模型时将会为模型服务端加上互斥锁，当处理完成时互斥锁解开并从线程池中选取新的任务进行新的处理，在勾画任务处理过程中，模型服务器通过与管理客户端构建一个长连接实现处理进度的实时更新。

进一步的，如图4所示，数据在模型服务端的中处理包括以下步骤：

步骤（1）：解析输入图像的相关靶区和危及器官参数信息；

步骤（2）：根据靶区和危及器官的参数信息选择对应的分割模型及处理顺序；

步骤（3）：按照既定的处理顺序将图像输入网络中生成相应的分割结果；

步骤（4）：将分割结果序列构造融合成一个RTSS文件；首先，在本系统中待分割MRI图像至少包含一个靶区或危及器官，每个靶区或危及器官都存在着对应的分割模型和相应的参数信息，系统会根据用户选择的靶区以及危及器官，来确定该待分割图像关联的各个靶区或危及器官分割模型以及它们的处理顺序，确定对应分割模型后，该图像将会按照既定的顺序被输入不同的分割模型中，以此获得相应的分割结果，最终所有的分割结果将会被统一合并到一个RTSS文件当中并发送至本地PACS系统以供查看；

其中，靶区指的是需要进行伽玛刀治疗的区域，危及器官指的是制定伽玛刀治疗计划时需要尽可能少影响的器官，在本系统的数据库中，每一个靶区都存在其对应的多个危及器官的选择，对于一例输入的图像来说，至少应该存在一个以上靶区，可以存在零个或多个危及器官；本申请中用到的靶区有多个，把多个靶区列为一个表，称之为靶区表，如表一所示，其中编号代表靶区表中靶区的列表顺序；本申请中用到的危及器官有多个，把多个危及器官列为一个表，称之为危及器官表，如表二所示，其中编号代表危及器官表中危及器官的列表顺序。

表一

表二

步骤3：勾画结果查看，在管理客户端选择完成处理数据并跳转至勾画查看页面，根据勾画结果的准确性来决定是否需要对其进行微调，若对数据处理结果满意，则直接跳转至勾画结果转发，若对数据处理结果不满意，则跳转至勾画结果微调，勾画系统还提供了窗宽窗位的调整，放大与缩小调整，危及器官点击调整等功能，方便医师评估勾画结果；

步骤4：勾画结果微调，对处理结果不满意的数据进行微调，查看模型服务端生成的勾画结果后，若对处理结果不满意，则勾画系统在勾画结果查看界面提供标注微调工具，通过标注微调工具可实现勾画结果的在线微调，将勾画结果调节好后，对微调后的勾画结果进行保存，保存后的勾画结果会被传回后端代替模型生成结果；

步骤5：勾画结果回传，在管理客户端选择勾画结果并将勾画结果传输至对应的本地PACS系统的应用实体当中，在确认了勾画结果之后，医师可以勾选一至多个勾画结果构成一个任务组进行发送，在发送前，医师需要从预先配置好的AE列表中选取相应的发送目的地设备，如果不存在对应AE配置，则需要去配置管理模块进行添加，点击发送，本系统会将存储勾画结果的RTSS文件通过转发服务端发送至伽玛刀计划系统并实现更新任务组发送进度。

通过由管理客户端、逻辑服务端、转发服务端和模型服务端组成该系统，仅需将部署有该系统的计算机接入到局域网内即可实现与伽玛刀计划系统的互通，而无需对伽玛刀的现有使用流程或硬/软件设施进行调整，降低了医师学习成本、部署成本资质要求，同时节省了时间和劳动力。

实施例2：

如图1所示，一种基于深度学习的放射治疗靶区自动勾画系统，包括管理客户端、逻辑服务端、转发服务端和模型服务端；

所述管理客户端用于DCM数据的统计、查询、查看和系统用户与权限的管理；

所述逻辑服务端用于定义前端主要数据的交互逻辑，提供数据库中数据的增删查找功能；

所述转发服务端用于提供勾画系统与伽玛刀计划系统或本地PACS系统间DCM数据的转发服务，通过该转发服务，勾画系统可接收来自伽玛刀计划系统或本地PACS系统的DCM数据，同时发送RTSS文件到伽玛刀计划系统；

所述模型服务端用于提供医学数据诊断的模型算法服务，且模型服务端可为病例数据生成包含勾画结果的RTSS文件。

其中，所述模型服务端包括解析模块、选择模块、生成模块和融合模块；

所述解析模块用于解析输入图像的相关靶区和危及器官参数信息；

所述选择模块用于根据靶区和危及器官的参数信息选择对应的分割模型及处理顺序；

所述生成模块用于按照既定的处理顺序将图像输入网络中生成相应的分割结果；

所述融合模块用于将分割结果序列构造融合成一个RTSS文件。

上述提到的本地PACS系统Picture Archiving and Communication Systems的缩写，意为影像归档和通信系统。它是应用在医院影像科室的系统，主要的任务就是把日常产生的各种医学影像以数字化的方式海量保存起来，在本系统架构中，存在两类本地PACS系统，一类是医院自己用于数据管理的医院PACS，另一类是为了方便系统数据的管理在本系统内搭建的本地PACS系统，通过由管理客户端、逻辑服务端、转发服务端和模型服务端组成该系统，仅需将部署有该系统的计算机接入到局域网内即可实现与伽玛刀计划系统的互通，而无需对伽玛刀的现有使用流程或硬/软件设施进行调整，降低了医师学习成本、部署成本资质要求，同时节省了时间和劳动力。

如上即为本发明的实施例。上述实施例以及实施例中的具体参数仅是为了清楚表述发明验证过程，并非用以限制本发明的专利保护范围，本发明的专利保护范围仍然以其权利要求书为准。

Claims (10)

1.一种基于深度学习的放射治疗靶区自动勾画方法，其特征在于：包括以下步骤：

步骤1：数据接收与转发，使用伽玛刀治疗流程中的标准传输协议，在接收到伽玛刀计划系统发送的未经勾画的CT数据之后，转发服务端将CT数据转发至本地PACS系统进行存储，并将CT数据接收情况告知逻辑服务端，逻辑服务端会生成一条对应的数据在管理客户端进行记录；

步骤2：数据查询与处理，通过管理客户端查询传入的数据，选择数据传输至模型服务端进行处理，并在管理客户端实时展示数据的处理进度；

步骤3：勾画结果查看，在管理客户端选择完成处理数据并跳转至勾画查看页面，根据勾画结果的准确性来决定是否需要对其进行微调，若对数据处理结果满意，则直接跳转至勾画结果转发，若对数据处理结果不满意，则跳转至勾画结果微调；

步骤4：勾画结果微调，对处理结果不满意的数据进行微调；

步骤5：勾画结果回传，在管理客户端选择勾画结果并将勾画结果传输至对应的本地PACS系统的应用实体当中。

2.根据权利要求1所述的一种基于深度学习的放射治疗靶区自动勾画方法，其特征在于：通过局域网协议传输和/或本地手动导入来实现数据的接收。

3.根据权利要求2所述的一种基于深度学习的放射治疗靶区自动勾画方法，其特征在于：所述局域网协议传输在伽玛刀治疗过程中，伽玛刀计划系统通过局域网传输DCM格式的CT数据，CT数据的发送与接收均由应用实体发动。

4.根据权利要求2所述的一种基于深度学习的放射治疗靶区自动勾画方法，其特征在于：所述本地手动导入在局域网未连通时，在管理客户端中选择包含DCM格式的CT数据的文件夹并上传CT数据至勾画系统。

5.根据权利要求1所述的一种基于深度学习的放射治疗靶区自动勾画方法，其特征在于：步骤2中数据的处理包括以下步骤：

步骤2.1：发送处理请求，数据管理客户端会向模型服务端发送处理请求，通过模型服务端将靶区或危及器官对应的分割模型预加载在内存内，每个勾画任务到达后将被封装成一个线程交由线程池控制；

步骤2.2：创建长连接，勾画任务使用模型时将会为模型服务端加上互斥锁；

步骤2.3：维持长连接，在勾画任务处理过程中，模型服务端通过与数据管理客户端实时更新分割模型处理的进度；

步骤2.4：提示处理完成、断开长连接，当处理完成后，管理客户端将会提示用户处理完成，并断开长连接，互斥锁解开并从线程池中选取新的任务进行新的处理。

6.根据权利要求5所述的一种基于深度学习的放射治疗靶区自动勾画方法，其特征在于：数据在模型服务端的中处理包括以下步骤：

步骤（1）：解析输入图像的相关靶区和危及器官参数信息；

步骤（2）：根据靶区和危及器官的参数信息选择对应的分割模型及处理顺序；

步骤（3）：按照既定的处理顺序将图像输入网络中生成相应的分割结果；

步骤（4）：将分割结果序列构造融合成一个RTSS文件。

7.根据权利要求1所述的一种基于深度学习的放射治疗靶区自动勾画方法，其特征在于：步骤4中，查看模型服务端生成的勾画结果后，若对处理结果不满意，则勾画系统在勾画结果查看界面提供标注微调工具，通过标注微调工具可实现勾画结果的在线微调，将勾画结果调节好后，对微调后的勾画结果进行保存，保存后的勾画结果会被传回后端代替模型生成结果。

8.根据权利要求1所述的一种基于深度学习的放射治疗靶区自动勾画方法，其特征在于：步骤5中，确认勾画结果后，勾选一至多个勾画结果构成一个任务组进行发送，将存储勾画结果的RTSS文件通过转发服务端发送至伽玛刀计划系统并实现更新任务组发送进度。

9.一种基于深度学习的放射治疗靶区自动勾画系统，其特征在于：包括管理客户端、逻辑服务端、转发服务端和模型服务端；

所述管理客户端用于DCM数据的统计、查询、查看和系统用户与权限的管理；

所述逻辑服务端用于定义前端主要数据的交互逻辑，提供数据库中数据的增删查找功能；

所述转发服务端用于提供勾画系统与伽玛刀计划系统或本地PACS系统间DCM数据的转发服务，通过该转发服务，勾画系统可接收来自伽玛刀计划系统或本地PACS系统的DCM数据，同时发送RTSS文件到伽玛刀计划系统；

所述模型服务端用于提供医学数据诊断的模型算法服务，且模型服务端可为病例数据生成包含勾画结果的RTSS文件。

10.根据权利要求9所述的一种基于深度学习的放射治疗靶区自动勾画系统，其特征在于：所述模型服务端包括解析模块、选择模块、生成模块和融合模块；

所述解析模块用于解析输入图像的相关靶区和危及器官参数信息；

所述选择模块用于根据靶区和危及器官的参数信息选择对应的分割模型及处理顺序；

所述生成模块用于按照既定的处理顺序将图像输入网络中生成相应的分割结果；

所述融合模块用于将分割结果序列构造融合成一个RTSS文件。

Images