CN113012144A - 一种肺部肿瘤的自动勾画方法、勾画系统、计算设备和存储介质 - Google Patents

一种肺部肿瘤的自动勾画方法、勾画系统、计算设备和存储介质 Download PDF

Info

Publication number
CN113012144A
CN113012144A CN202110378619.6A CN202110378619A CN113012144A CN 113012144 A CN113012144 A CN 113012144A CN 202110378619 A CN202110378619 A CN 202110378619A CN 113012144 A CN113012144 A CN 113012144A
Authority
CN
China
Prior art keywords
lung
tumor
region
image
planned
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.)
Pending
Application number
CN202110378619.6A
Other languages
English (en)
Inventor
李庆
谢辉
谢开红
黄长兵
周定中
龙文兴
徐敏仙
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.)
Affiliated Hospital Of Xiangnan University
Original Assignee
Affiliated Hospital Of Xiangnan University
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 Affiliated Hospital Of Xiangnan University filed Critical Affiliated Hospital Of Xiangnan University
Priority to CN202110378619.6A priority Critical patent/CN113012144A/zh
Publication of CN113012144A publication Critical patent/CN113012144A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • G06T2207/30061—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
    • G06T2207/30096—Tumor; Lesion

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Medical Informatics (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明公开了一种肺部肿瘤的自动勾画方法、勾画系统、计算设备和存储介质，包括：获取预设数量肺部肿瘤患者在放射治疗前的计划CT影像、肺部肿瘤的二值化图像和肺部区域的二值化图像；对划分后的计划CT影像及对应的二值化图像进行三维裁剪，并提取肿瘤区域；将肿瘤区域内计划CT影像作为输入、肺部区域的二值化图像作为输出，训练得到肺部区域分割模型A；将肺部区域的分割结果和肿瘤区域内预处理后的计划CT影像作为输入、肺部肿瘤的二值化图像作为输出，训练得到的肺部肿瘤分割优化模型B；将待测肺部肿瘤患者的计划CT影像经处理后，依次输入到训练好的肺部区分割模型A和肺部肿瘤分割优化模型B中，得到肺部肿瘤的分割结果。

Description

一种肺部肿瘤的自动勾画方法、勾画系统、计算设备和存储 介质
技术领域
本发明涉及医疗图像处理技术和深度学习技术领域，具体涉及一种肺部肿瘤的自动勾画方法、勾画系统、计算设备和存储介质。
背景技术
肺肿瘤大多数起源于支气管粘膜上皮，因此也称支气管肺癌。近50年来，全世界肺癌的发病率明显增高，据统计，在欧美某些国家和我国大城市中，肺肿瘤的发病率已居男性各种肿瘤的首位。如果能在早期诊断，那么肺癌患者的5年存活率能够提升到70％，改善患者的预后效果。
在医院对肺部肿瘤病人进行放射治疗的过程中，往往涉及到目标靶区的勾画；目前医生主要是采用手工勾画的方式，手工勾画对专家知识和经验要求很高，而且不可避免存在人为误差，影响病人的治疗；同时，手工勾画费时费力，影响医生的工作效率。
在此基础上，研究一种自动勾画方法实现对肺部肿瘤的精准自动勾画，具有极大的研究意义和价值。
发明内容
针对现有技术中存在的上述问题，本发明提供一种基于人工智能的肺部肿瘤的自动勾画方法、勾画系统、计算设备和存储介质。
本发明公开了一种肺部肿瘤的自动勾画方法，包括：
步骤1、获取预设数量肺部肿瘤患者在放射治疗前的计划CT影像，并进行归一化预处理；
步骤2、获取所述计划CT影像已勾画肺部肿瘤的勾画轮廓，并将轮廓线以内的区域赋值为1、轮廓线以外的区域赋值为0，得到肺部肿瘤的二值化图像；
步骤3、识别所述计划CT影像的肺部区域，得到肺部区域的二值化图像；
步骤4、以所述肺部区域沿左右方向的中心线作为左右肺部区域左右分割线，对所述计划CT影像及对应的二值化图像进行左右划分；
步骤5、对划分后的所述计划CT影像及对应的二值化图像进行三维裁剪，基于肺部区域的勾画结果提取左右、前后和头脚方向的肿瘤区域；
步骤6、将所述肿瘤区域内预处理后的计划CT影像作为输入、肺部区域的二值化图像作为输出，对人工智能模型A进行对半交叉训练和验证，得到训练好的肺部区域分割模型A和所有训练病例的肺部区域验证的分割结果；
步骤7、将经肺部区域分割模型A得到的肺部区域的分割结果和肿瘤区域内预处理后的计划CT影像作为输入、肺部肿瘤的二值化图像作为输出，对多任务人工智能模型B进行训练，得到训练好的肺部肿瘤分割优化模型B；
步骤8、将待测肺部肿瘤患者的计划CT影像进行步骤1～步骤5的处理，得到左右两侧的肿瘤区域内的计划CT影像，并输入到训练好的肺部区分割模型A中，得到左右肺部区的初步分割结果；
步骤9、将左右两侧的肿瘤区域内的计划CT影像以及左右肺部区的初步分割结果输入到训练好的肺部肿瘤分割优化模型B中，得到肺部肿瘤的分割结果。
作为本发明的进一步改进，在所述步骤1中，所述归一化预处理，包括：
将每例计划CT影像的CT值截取在[-886,22]Hu范围内，并归一化至[-1,1]范围内。
作为本发明的进一步改进，在所述步骤3中，所述识别所述计划CT影像的肺部区域，包括：
采用阈值分割方法从所述计划CT影像中取CT值大于-886的闭合区域作为肺部区域。
作为本发明的进一步改进，在所述步骤5中，基于肺部区域的勾画结果提取左右、前后和头脚方向的肿瘤区域的大小为120*190*90，各方向单位均为像素。
作为本发明的进一步改进，在所述步骤6中，所述肺部区域分割模型A的训练和验证，包括：
步骤61、将提取的肿瘤区域内的计划CT影像和肺部区的二值化图像以病人为单位划分为五组；
步骤62、建立人工智能模型A，将步骤61中划分的五组数据中的四组的肿瘤区域内的计划CT影像作为人工智能模型A输入、以对应的肺部区的二值化图像作为输出，训练人工智能模型A-1，得到训练好的人工智能模型A-1；
步骤63、将剩下的一组数据的肿瘤区域内的计划CT影像作为人工智能模型A-1的输入，得到非肿瘤区域的分割结果；
步骤64、更换验证数据，重复步骤62～63，分别训练人工智能模型A-2，A-3，A-4，A-5，得到对应验证数据的肺部区的全部分割结果。
作为本发明的进一步改进，在所述步骤7中，所述肺部肿瘤分割优化模型B的训练，包括：
步骤71、构建人工智能模型B，其输入通道数为2，第一个输入通道为肿瘤区域的计划CT影像，第二个通道为非肿瘤区域分割结果；其输出通道数为2，第一个输出通道为肿瘤区域的分割结果，第二个输出为非肿瘤区域的分割结果；
步骤72、将模型B的第二个输入通道设置为全零的数据，对人工智能模型B进行训练，提取CT图像的特征，对肺部区进行分割，训练直至模型稳定；
步骤73、将模型B的第二个通道设置为非肿瘤区域的分割结果，对步骤72中已训练稳定模型进行在训练，直至稳定。
本发明还公开了一种肺部肿瘤的自动勾画系统，基于所述勾画系统实现上述的勾画方法，包括：
预处理模块，用于获取预设数量肺部肿瘤患者在放射治疗前的计划CT影像，并进行归一化预处理；
二值化处理模块，用于获取所述计划CT影像已勾画肺部肿瘤的勾画轮廓，并将轮廓线以内的区域赋值为1、轮廓线以外的区域赋值为0，得到肺部肿瘤的二值化图像；
识别模块，用于识别所述计划CT影像的肺部区域，得到肺部区域的二值化图像；
划分模块，用于以所述肺部区域沿左右方向的中心线作为左右肺部区域左右分割线，对所述计划CT影像及对应的二值化图像进行左右划分；
提取模块，用于对划分后的所述计划CT影像及对应的二值化图像进行三维裁剪，基于肺部区域的勾画结果提取左右、前后和头脚方向的肿瘤区域；
第一训练模块，用于将所述肿瘤区域内预处理后的计划CT影像作为输入、肺部区域的二值化图像作为输出，对人工智能模型A进行对半交叉训练和验证，得到训练好的肺部区域分割模型A和所有训练病例的肺部区域验证的分割结果；
第二训练模块，用于将经肺部区域分割模型A得到的肺部区域的分割结果和肿瘤区域内预处理后的计划CT影像作为输入、肺部肿瘤的二值化图像作为输出，对多任务人工智能模型B进行训练，得到训练好的肺部肿瘤分割优化模型B；
第一分割模块，用于将待测肺部肿瘤患者的计划CT影像进行步骤1～步骤5的处理，得到左右两侧的肿瘤区域内的计划CT影像，并输入到训练好的肺部区分割模型A中，得到左右肺部区的初步分割结果；
第二分割模块，用于将左右两侧的肿瘤区域内的计划CT影像以及左右肺部区的初步分割结果输入到训练好的肺部肿瘤分割优化模型B中，得到肺部肿瘤的分割结果。
本发明还公开了一种计算设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机指令，所述处理器执行所述指令时实现上述勾画方法的步骤。
本发明还公开了一种存储介质，其存储有计算机指令，所述计算机指令指令被处理器执行时实现上述勾画方法的步骤。
与现有技术相比，本发明的有益效果为：
本发明利用肺部的具有特别显著的CT值范围，当出现肿瘤的时候，肿瘤特别容易识别；在此基础上，将人工智能运用到医学影像的自动勾靶中，可提高勾画的准确率和稳定性。
附图说明
图1为本发明一种实施例公开的肺部肿瘤的自动勾画方法的流程图；
图2为本发明一种实施例公开的肺部肿瘤的自动勾画系统的框架图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面结合附图对本发明做进一步的详细描述：
本发明公开了一种肺部肿瘤的自动勾画方法，包括：
步骤1、获取预设数量肺部肿瘤患者在放射治疗前的计划CT影像，并进行归一化预处理；
其中，归一化预处理，具体包括：
将每例计划CT影像的CT值截取在[-886,22]Hu范围内，并归一化至[-1,1]范围内，使各个患者的图像数据更加统一。
步骤2、获取计划CT影像已勾画肺部肿瘤的勾画轮廓，并将轮廓线以内的区域赋值为1、轮廓线以外的区域赋值为0，得到肺部肿瘤的二值化图像；
步骤3、识别计划CT影像的肺部区域，得到肺部区域的二值化图像；
其中，本发明采用阈值分割方法从计划CT影像中取CT值大于-886的闭合区域作为肺部区域。
步骤4、以肺部区域沿左右方向的中心线作为左右肺部区域左右分割线，对计划CT影像及对应的二值化图像进行左右划分；
步骤5、对划分后的计划CT影像及对应的二值化图像进行三维裁剪，基于肺部区域的勾画结果提取左右、前后和头脚方向的肿瘤区域；
其中，基于肺部区域的勾画结果提取左右、前后和头脚方向的肿瘤区域的大小为120*190*90，各方向单位均为像素。
步骤6、将肿瘤区域内预处理后的计划CT影像作为输入、肺部区域的二值化图像作为输出，对人工智能模型A进行对半交叉训练和验证，得到训练好的肺部区域分割模型A和所有训练病例的肺部区域验证的分割结果；
其中，肺部区域分割模型A的训练和验证，具体包括：
步骤61、将提取的肿瘤区域内的计划CT影像和肺部区的二值化图像以病人为单位划分为五组；
步骤62、建立人工智能模型A，将步骤61中划分的五组数据中的四组的肿瘤区域内的计划CT影像作为人工智能模型A输入、以对应的肺部区的二值化图像作为输出，训练人工智能模型A-1，得到训练好的人工智能模型A-1；
步骤63、将剩下的一组数据的肿瘤区域内的计划CT影像作为人工智能模型A-1的输入，得到非肿瘤区域的分割结果；
步骤64、更换验证数据，重复步骤62～63，分别训练人工智能模型A-2，A-3，A-4，A-5，得到对应验证数据的肺部区的全部分割结果。
步骤7、将经肺部区域分割模型A得到的肺部区域的分割结果和肿瘤区域内预处理后的计划CT影像作为输入、肺部肿瘤的二值化图像作为输出，对多任务人工智能模型B进行训练，得到训练好的肺部肿瘤分割优化模型B；
其中，肺部肿瘤分割优化模型B的训练，具体包括：
步骤71、构建人工智能模型B，其输入通道数为2，第一个输入通道为肿瘤区域的计划CT影像，第二个通道为非肿瘤区域分割结果；其输出通道数为2，第一个输出通道为肿瘤区域的分割结果，第二个输出为非肿瘤区域的分割结果；
步骤72、将模型B的第二个输入通道设置为全零的数据，对人工智能模型B进行训练，提取CT图像的特征，对肺部区进行分割，训练直至模型稳定；
步骤73、将模型B的第二个通道设置为非肿瘤区域的分割结果，对步骤72中已训练稳定模型进行在训练，直至稳定。
步骤8、将待测肺部肿瘤患者的计划CT影像进行步骤1～步骤5的处理，得到左右两侧的肿瘤区域内的计划CT影像，并输入到训练好的肺部区分割模型A中，得到左右肺部区的初步分割结果；
步骤9、将左右两侧的肿瘤区域内的计划CT影像以及左右肺部区的初步分割结果输入到训练好的肺部肿瘤分割优化模型B中，得到肺部肿瘤的分割结果。
本发明的优点为：
本发明利用肺部的具有特别显著的CT值范围，当出现肿瘤的时候，肿瘤特别容易识别；在此基础上，将人工智能运用到医学影像的自动勾靶中，可提高勾画的准确率和稳定性。
如图2所示，本发明提供一种肺部肿瘤的自动勾画系统，包括：
预处理模块，用于实现上述步骤1；
二值化处理模块，用于实现上述步骤2；
识别模块，用于实现上述步骤3；
划分模块，用于实现上述步骤4；
提取模块，用于实现上述步骤5；
第一训练模块，用于实现上述步骤6；
第二训练模块，用于实现上述步骤7；
第一分割模块，用于实现上述步骤8；
第二分割模块，用于实现上述步骤9。
本发明提供一种计算设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机指令，处理器执行指令时实现上述勾画方法的步骤；其中，
该计算设备的技术方案与上述勾画方法的技术方案属于同一构思，计算设备的技术方案未详细描述的细节内容，均可以参见上述勾画方法的技术方案的描述。
计算设备可以是任何类型的静止或移动计算设备，包括移动计算机或移动计算设备(例如，平板计算机、个人数字助理、膝上型计算机、笔记本计算机、上网本等)、移动电话(例如，智能手机)、可佩戴的计算设备(例如，智能手表、智能眼镜等)或其他类型的移动设备，或者诸如台式计算机或PC的静止计算设备；计算设备还可以是移动式或静止式的服务器。
计算机指令包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。
本发明提供一种存储介质，其存储有计算机指令，计算机指令指令被处理器执行时实现上述勾画方法的步骤；其中，
该存储介质的技术方案与上述勾画方法的技术方案属于同一构思，存储介质的技术方案未详细描述的细节内容，均可以参见上述勾画方法的技术方案的描述。
存储介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
需要说明的是，对于前述的各方法实施例，为了简便描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定都是本发明所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其它实施例的相关描述。
以上公开的本发明优选实施例只是用于帮助阐述本发明。可选实施例并没有详尽叙述所有的细节，也不限制该发明仅为的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (9)

1.一种肺部肿瘤的自动勾画方法，其特征在于，包括：
步骤1、获取预设数量肺部肿瘤患者在放射治疗前的计划CT影像，并进行归一化预处理；
步骤2、获取所述计划CT影像已勾画肺部肿瘤的勾画轮廓，并将轮廓线以内的区域赋值为1、轮廓线以外的区域赋值为0，得到肺部肿瘤的二值化图像；
步骤3、识别所述计划CT影像的肺部区域，得到肺部区域的二值化图像；
步骤4、以所述肺部区域沿左右方向的中心线作为左右肺部区域左右分割线，对所述计划CT影像及对应的二值化图像进行左右划分；
步骤5、对划分后的所述计划CT影像及对应的二值化图像进行三维裁剪，基于肺部区域的勾画结果提取左右、前后和头脚方向的肿瘤区域；
步骤6、将所述肿瘤区域内预处理后的计划CT影像作为输入、肺部区域的二值化图像作为输出，对人工智能模型A进行对半交叉训练和验证，得到训练好的肺部区域分割模型A和所有训练病例的肺部区域验证的分割结果；
步骤7、将经肺部区域分割模型A得到的肺部区域的分割结果和肿瘤区域内预处理后的计划CT影像作为输入、肺部肿瘤的二值化图像作为输出，对多任务人工智能模型B进行训练，得到训练好的肺部肿瘤分割优化模型B；
步骤8、将待测肺部肿瘤患者的计划CT影像进行步骤1～步骤5的处理，得到左右两侧的肿瘤区域内的计划CT影像，并输入到训练好的肺部区分割模型A中，得到左右肺部区的初步分割结果；
步骤9、将左右两侧的肿瘤区域内的计划CT影像以及左右肺部区的初步分割结果输入到训练好的肺部肿瘤分割优化模型B中，得到肺部肿瘤的分割结果。
2.如权利要求1所述的勾画方法，其特征在于，在所述步骤1中，所述归一化预处理，包括：
将每例计划CT影像的CT值截取在[-886,22]Hu范围内，并归一化至[-1,1]范围内。
3.如权利要求1所述的勾画方法，其特征在于，在所述步骤3中，所述识别所述计划CT影像的肺部区域，包括：
采用阈值分割方法从所述计划CT影像中取CT值大于-886的闭合区域作为肺部区域。
4.如权利要求1所述的勾画方法，其特征在于，在所述步骤5中，基于肺部区域的勾画结果提取左右、前后和头脚方向的肿瘤区域的大小为120*190*90，各方向单位均为像素。
5.如权利要求1所述的勾画方法，其特征在于，在所述步骤6中，所述肺部区域分割模型A的训练和验证，包括：
步骤61、将提取的肿瘤区域内的计划CT影像和肺部区的二值化图像以病人为单位划分为五组；
步骤62、建立人工智能模型A，将步骤61中划分的五组数据中的四组的肿瘤区域内的计划CT影像作为人工智能模型A输入、以对应的肺部区的二值化图像作为输出，训练人工智能模型A-1，得到训练好的人工智能模型A-1；
步骤63、将剩下的一组数据的肿瘤区域内的计划CT影像作为人工智能模型A-1的输入，得到非肿瘤区域的分割结果；
步骤64、更换验证数据，重复步骤62～63，分别训练人工智能模型A-2，A-3，A-4，A-5，得到对应验证数据的肺部区的全部分割结果。
6.如权利要求1所述的勾画方法，其特征在于，在所述步骤7中，所述肺部肿瘤分割优化模型B的训练，包括：
步骤71、构建人工智能模型B，其输入通道数为2，第一个输入通道为肿瘤区域的计划CT影像，第二个通道为非肿瘤区域分割结果；其输出通道数为2，第一个输出通道为肿瘤区域的分割结果，第二个输出为非肿瘤区域的分割结果；
步骤72、将模型B的第二个输入通道设置为全零的数据，对人工智能模型B进行训练，提取CT图像的特征，对肺部区进行分割，训练直至模型稳定；
步骤73、将模型B的第二个通道设置为非肿瘤区域的分割结果，对步骤72中已训练稳定模型进行在训练，直至稳定。
7.一种肺部肿瘤的自动勾画系统，其特征在于，基于所述勾画系统实现权利要求1-6中任一项所述的勾画方法，包括：
预处理模块，用于获取预设数量肺部肿瘤患者在放射治疗前的计划CT影像，并进行归一化预处理；
二值化处理模块，用于获取所述计划CT影像已勾画肺部肿瘤的勾画轮廓，并将轮廓线以内的区域赋值为1、轮廓线以外的区域赋值为0，得到肺部肿瘤的二值化图像；
识别模块，用于识别所述计划CT影像的肺部区域，得到肺部区域的二值化图像；
划分模块，用于以所述肺部区域沿左右方向的中心线作为左右肺部区域左右分割线，对所述计划CT影像及对应的二值化图像进行左右划分；
提取模块，用于对划分后的所述计划CT影像及对应的二值化图像进行三维裁剪，基于肺部区域的勾画结果提取左右、前后和头脚方向的肿瘤区域；
第一训练模块，用于将所述肿瘤区域内预处理后的计划CT影像作为输入、肺部区域的二值化图像作为输出，对人工智能模型A进行对半交叉训练和验证，得到训练好的肺部区域分割模型A和所有训练病例的肺部区域验证的分割结果；
第二训练模块，用于将经肺部区域分割模型A得到的肺部区域的分割结果和肿瘤区域内预处理后的计划CT影像作为输入、肺部肿瘤的二值化图像作为输出，对多任务人工智能模型B进行训练，得到训练好的肺部肿瘤分割优化模型B；
第一分割模块，用于将待测肺部肿瘤患者的计划CT影像进行步骤1～步骤5的处理，得到左右两侧的肿瘤区域内的计划CT影像，并输入到训练好的肺部区分割模型A中，得到左右肺部区的初步分割结果；
第二分割模块，用于将左右两侧的肿瘤区域内的计划CT影像以及左右肺部区的初步分割结果输入到训练好的肺部肿瘤分割优化模型B中，得到肺部肿瘤的分割结果。
8.一种计算设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机指令，其特征在于，所述处理器执行所述指令时实现权利要求1-6中任一项所述的勾画方法的步骤。
9.一种存储介质，其存储有计算机指令，其特征在于，所述计算机指令指令被处理器执行时实现权利要求1-6中任一项所述的勾画方法的步骤。
CN202110378619.6A 2021-04-08 2021-04-08 一种肺部肿瘤的自动勾画方法、勾画系统、计算设备和存储介质 Pending CN113012144A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110378619.6A CN113012144A (zh) 2021-04-08 2021-04-08 一种肺部肿瘤的自动勾画方法、勾画系统、计算设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110378619.6A CN113012144A (zh) 2021-04-08 2021-04-08 一种肺部肿瘤的自动勾画方法、勾画系统、计算设备和存储介质

Publications (1)

Publication Number Publication Date
CN113012144A true CN113012144A (zh) 2021-06-22

Family

ID=76388079

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110378619.6A Pending CN113012144A (zh) 2021-04-08 2021-04-08 一种肺部肿瘤的自动勾画方法、勾画系统、计算设备和存储介质

Country Status (1)

Country Link
CN (1) CN113012144A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115100155A (zh) * 2022-07-01 2022-09-23 广州医科大学附属肿瘤医院 放射性肺炎预测模型的建立方法与系统
CN116342859A (zh) * 2023-05-30 2023-06-27 安徽医科大学第一附属医院 一种基于影像学特征识别肺部肿瘤区域的方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105574859A (zh) * 2015-12-14 2016-05-11 中国科学院深圳先进技术研究院 一种基于ct图像的肝脏肿瘤分割方法及装置
US20190287242A1 (en) * 2018-03-16 2019-09-19 Infervision Computed tomography pulmonary nodule detection method based on deep learning
CN111105424A (zh) * 2019-12-19 2020-05-05 广州柏视医疗科技有限公司 淋巴结自动勾画方法及装置
CN111862021A (zh) * 2020-07-13 2020-10-30 中山大学 基于深度学习的头颈部淋巴结及引流区自动勾画方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105574859A (zh) * 2015-12-14 2016-05-11 中国科学院深圳先进技术研究院 一种基于ct图像的肝脏肿瘤分割方法及装置
US20190287242A1 (en) * 2018-03-16 2019-09-19 Infervision Computed tomography pulmonary nodule detection method based on deep learning
CN111105424A (zh) * 2019-12-19 2020-05-05 广州柏视医疗科技有限公司 淋巴结自动勾画方法及装置
CN111862021A (zh) * 2020-07-13 2020-10-30 中山大学 基于深度学习的头颈部淋巴结及引流区自动勾画方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115100155A (zh) * 2022-07-01 2022-09-23 广州医科大学附属肿瘤医院 放射性肺炎预测模型的建立方法与系统
CN116342859A (zh) * 2023-05-30 2023-06-27 安徽医科大学第一附属医院 一种基于影像学特征识别肺部肿瘤区域的方法及系统
CN116342859B (zh) * 2023-05-30 2023-08-18 安徽医科大学第一附属医院 一种基于影像学特征识别肺部肿瘤区域的方法及系统

Similar Documents

Publication Publication Date Title
Rahane et al. Lung cancer detection using image processing and machine learning healthcare
EP3553742A1 (en) Method and device for identifying pathological picture
Lin et al. Deeptongue: tongue segmentation via resnet
US20210366122A1 (en) Method and apparatus for segmenting G-banded adhered chromosome based on geometrical characteristic and regional fusion, and chromosome karyotype analysis device
CN108921019B (zh) 一种基于GEI和TripletLoss-DenseNet的步态识别方法
CN108648182B (zh) 一种基于分子亚型的乳腺癌核磁共振图像肿瘤区域分割方法
WO2015066618A1 (en) Context based algorithmic framework for identifying and classifying embedded images of follicle units
CN113012144A (zh) 一种肺部肿瘤的自动勾画方法、勾画系统、计算设备和存储介质
WO2018176189A1 (zh) 图像分割的方法及系统
CN111161268B (zh) 图像处理方法、装置、电子设备及计算机存储介质
Montaha et al. A shallow deep learning approach to classify skin cancer using down-scaling method to minimize time and space complexity
CN114092450B (zh) 一种基于胃镜检查视频的实时图像分割方法、系统、装置
CN111353978B (zh) 一种识别心脏解剖学结构的方法及装置
Bisla et al. Skin lesion segmentation and classification with deep learning system
Chen et al. Functional region annotation of liver CT image based on vascular tree
Swetha et al. Detection of Breast cancer with Hybrid image segmentation and Otsu's thresholding
US10559080B2 (en) Adaptive segmentation of lesions in medical images
CN118279596B (zh) 一种水下鱼类阳光折射图像去噪方法及系统
CN112907581A (zh) 一种基于深度学习的mri多类脊髓肿瘤分割方法
CN117237322A (zh) 一种基于医学图像的器官分割建模方法及终端
Li et al. Assessing test-time variability for interactive 3d medical image segmentation with diverse point prompts
CN112598591B (zh) 图像处理方法、装置、电子设备及存储介质
CN113850792A (zh) 一种基于计算机视觉的细胞分类计数方法及系统
CN110428431B (zh) 一种心脏医学图像的分割方法、装置、设备及存储介质
Bouzid-Daho et al. Detection of abnormal blood cells by segmentation and classification

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