CN114796901A - 一种腰骶神经根的自动勾画方法、设备及存储介质 - Google Patents

一种腰骶神经根的自动勾画方法、设备及存储介质 Download PDF

Info

Publication number
CN114796901A
CN114796901A CN202210595695.7A CN202210595695A CN114796901A CN 114796901 A CN114796901 A CN 114796901A CN 202210595695 A CN202210595695 A CN 202210595695A CN 114796901 A CN114796901 A CN 114796901A
Authority
CN
China
Prior art keywords
image
radiotherapy
nerve root
lumbosacral
model
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
Application number
CN202210595695.7A
Other languages
English (en)
Other versions
CN114796901B (zh
Inventor
高献书
刘义
曹汐
刘水
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.)
Peking University First Hospital
Original Assignee
Peking University First Hospital
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 Peking University First Hospital filed Critical Peking University First Hospital
Priority to CN202210595695.7A priority Critical patent/CN114796901B/zh
Publication of CN114796901A publication Critical patent/CN114796901A/zh
Application granted granted Critical
Publication of CN114796901B publication Critical patent/CN114796901B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N5/00—Radiation therapy
    • A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
    • A61N5/1048—Monitoring, verifying, controlling systems and methods
    • A61N5/1049—Monitoring, verifying, controlling systems and methods for verifying the position of the patient with respect to the radiation beam
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N5/00—Radiation therapy
    • A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
    • A61N5/1048—Monitoring, verifying, controlling systems and methods
    • A61N5/1049—Monitoring, verifying, controlling systems and methods for verifying the position of the patient with respect to the radiation beam
    • A61N2005/1054—Monitoring, verifying, controlling systems and methods for verifying the position of the patient with respect to the radiation beam using a portal imaging system
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N5/00—Radiation therapy
    • A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
    • A61N5/1048—Monitoring, verifying, controlling systems and methods
    • A61N5/1049—Monitoring, verifying, controlling systems and methods for verifying the position of the patient with respect to the radiation beam
    • A61N2005/1055—Monitoring, verifying, controlling systems and methods for verifying the position of the patient with respect to the radiation beam using 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
    • G06T2207/10081—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
    • G06T2207/20—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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging

Landscapes

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

Abstract

本发明公开了一种腰骶神经根的自动勾画方法、设备及存储介质，涉及立体定向体部放疗技术，所述方法包括：从数据库获取多个目标放疗患者的以CT检查方式得到的腹盆部CT图像，作为第一图像；从所述数据库中获取所述多个目标放疗患者的以其他检查方式得到的具有清晰腰骶神经根走形的图像，作为第二图像；利用所述第二图像，对所述第一图像进行修正，得到具有清晰腰骶神经根走形的CT图像，作为第三图像；获取待放疗患者的以CT检查方式得到的腹盆部CT图像，作为第四图像；利用由所述第一图像和所述第三图像训练得到的自动勾画模型，对所述待放疗患者的所述第四图像进行处理，得到所述待放疗患者的已勾画腰骶神经根走形的CT图像。本发明能够克服在CT平扫图像上人工勾画腰骶神经根走形一致性差、学习较困难的缺点，相较于CT成像的神经根走形更清晰，相较于MRI成像的价格更低，要求也更低。

Description

一种腰骶神经根的自动勾画方法、设备及存储介质
技术领域
本发明涉及立体定向体部放疗(Stereotactic body radiation therapy,SBRT)，特别涉及一种腰骶神经根的自动勾画方法、设备及存储介质。
背景技术
SBRT是一种现在临床使用比较多的高精度的放疗技术。随着立体定向体外消融放射治疗(Stereotactic ablative radiotherapy,SABR)技术的不断推广，对靠近腰部神经丛(例如，肾癌)和坐骨神经(例如，下肢转移瘤)等肿瘤的大剂量照射在临床实践中也日益频繁。治疗前若缺乏对腰骶部神经的精确勾画，则容易造成患者在接受放疗后出现不同程度的神经损伤，如放射性腰骶丛神经病(Radiation-induced lumbosacral plexopathy,RILSP)，主要表现为不同程度的下肢疼痛、麻木、无力，重者可表现为瘫痪。绝大部分RILSP病例中，常规分割放疗时神经结构都接受了超过6000cGy照射剂量。因此在治疗实践中，避免对腰骶丛神经(Lumbosacral plexus,LSP)进行高剂量照射，可以有效降低RILSP的发生率。
为达到对LSP的照射剂量进行限制的目的，首先需要在定位腹盆部电子计算机断层扫描(Computed tomography,CT)成像上对腰骶部神经进行精确勾画，这也是临床亟需解决的问题。目前主要采用的方法是基于解剖学与影像学的腰骶丛神经根图谱方法。传统的腹盆部立体定向放疗中，为避免腰骶部神经丛损伤，通常根据患者的腹盆部CT成像结果，依据医师经验基于解剖结构大致走行方向进行放疗野的制定及勾画。由于神经根在CT图像上显示模糊，需要医师具有较深厚的解剖基础，基于经验以避免神经根损伤，这种方式一致性较差，对医师的要求较高，并且学习较困难。近年来，也有研究及机构基于核磁共振成像(Magnetic resonance imaging,MRI)较好的软组织对比等优点，采用MRI引导立体定向放疗的方式，避免腰骶部神经根损伤。但MRI设备本身相对于CT更加昂贵，且磁场兼容的放疗设备相较CT兼容设备更昂贵且要求更高。另外，对患者来说，MRI的检查禁忌症较CT更多、更严格，许多身体内具有起搏器、铁磁性植入物的患者无法进行MRI检查。
发明内容
本发明实施例提供一种腰骶神经根的自动勾画方法、设备及存储介质，旨在解决传统的腹盆部立体定向放疗中，基于CT成像结果的医师人工勾画方法一致性较差、学习较困难等问题，而MR引导下的立体定向放疗昂贵、检查禁忌症较多且对场地和患者身体素质要求比较高的问题。
本发明实施例提供了一种腰骶神经根的自动勾画方法，所述方法包括以下步骤：从数据库获取多个目标放疗患者的以CT检查方式得到的腹盆部CT图像，作为第一图像；从所述数据库中获取所述多个目标放疗患者的以其他检查方式得到的具有清晰腰骶神经根走形的图像，作为第二图像；利用所述第二图像，对所述第一图像进行修正，得到具有清晰腰骶神经根走形的CT图像，作为第三图像；获取待放疗患者的以CT检查方式得到的腹盆部CT图像，作为第四图像；利用由所述第一图像和所述第三图像训练得到的自动勾画模型，对所述待放疗患者的所述第四图像进行处理，得到所述待放疗患者的已勾画腰骶神经根走形的CT图像。
优选地，所述其他检查方式是核磁共振成像MRI检查方式。
优选地，以其他检查方式得到具有清晰腰骶神经根走形的图像包括：在MRI检查方式中，采用磁共振周围神经成像MRN中的重T2加权脂肪抑制成像方式，得到腰骶神经根MRI图像。
优选地，所述利用所述第二图像，对所述第一图像进行修正，得到具有清晰腰骶神经根走形的CT图像，作为第三图像包括：将所述第一图像和所述第二图像进行配准、校正和融合处理，得到所述第三图像。
优选地，所述利用由所述第一图像和所述第三图像训练得到的自动勾画模型，对所述待放疗患者的所述第四图像进行处理，得到所述待放疗患者的已勾画腰骶神经根走形的CT图像包括：将所述多个目标放疗患者的所述第一图像及对应的所述第三图像作为数据样本集；利用所述数据样本集，对所述自动勾画模型进行训练，得到经训练的自动勾画模型；将所述待放疗患者的所述第四图像输入所述经训练的自动勾画模型，得到所述经训练的自动勾画模型处理后输出的已勾画腰骶神经根走形的CT图像。
优选地，所述利用所述数据样本集，对所述自动勾画模型进行训练，得到经训练的自动勾画模型包括：基于多个目标放疗患者的第一图像以及第三图像，构建数据样本集；利用所述数据样本集，采用十折交叉验证的方式，对所述自动勾画模型进行训练，得到经训练的自动勾画模型。
优选地，所述图像融合模型是脉冲耦合神经网络PCNN模型。
本发明实施例还提供了一种腰骶神经根的自动勾画设备，所述设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序，所述程序被所述处理器执行时实现如前述的腰骶神经根的自动勾画方法的步骤。
本发明实施例还提供了一种立体定向体部放疗系统，所述系统包括立体定向体部放疗设备和如前述的腰骶神经根的自动勾画设备。
本发明实施例还提供了一种存储介质，其特征在于，所述存储介质中存储有程序，所述程序被处理器执行时，实现如前述的腰骶神经根的自动勾画方法的步骤。
本发明实施例提供了一种腰骶神经根的自动勾画方法、设备及存储介质，其获取多个目标放疗患者的腹盆部的第一图像和通过修正所述第一图像而得到的具有神经根走形的第二图像；利用由多个目标放疗患者的第一图像以及第二图像训练得到的自动勾画模型，对待放疗患者的腹盆部的第四图像进行处理，得到待放疗患者的已勾画腰骶神经根走形的CT图像。这样，基于已勾画腰骶神经根走形的CT图像，可以达到精确化放疗的目标，避免放疗后出现腰骶神经根损伤，另外，克服了在CT平扫图像上人工勾画腰骶神经根走形一致性差、学习较困难的缺点，相较于单独的CT成像，本发明显示的神经根走形更清晰，相较于单独的MRI成像，价格更低，要求也更低。
附图说明
图1是本发明实施例提供的腰骶神经根的自动勾画方法的流程图；
图2是本发明实施例提供的将腰骶神经根的自动勾画方法应用于临床的流程图；
图3a、图3b是三维视图中的腰骶神经丛(LSP)结构图，分别为原始定位CT图像和形变配准后的MRN的轴位视图；
图4a、图4b、图4c、图4d是腰2椎间孔水平轴向视图中的LSP结构图，分别为原始定位CT图像、形变配准后的MRN的轴位视图、应用人工智能模型将原始定位CT图像和MRN图像自动融合的图像以及在融合图像上自动勾画的LSP结构图；
图5a、图5b、图5c、图5d是腰4椎间孔水平轴向视图中的LSP结构图，分别为原始定位CT图像、形变配准后的MRN的轴位视图、应用人工智能模型将原始定位CT图像和MRN图像自动融合的图像以及在融合图像上自动勾画的LSP结构图；
图6a、图6b、图6c、图6d是骶骨水平轴向视图中的LSP结构图，分别为原始定位CT图像、形变配准后的MRN的轴位视图、应用人工智能模型将原始定位CT图像和MRN图像自动融合的图像以及在融合图像上自动勾画的LSP结构图；
图7a、图7b、图7c、图7d是股骨头水平轴向视图中的LSP结构图，分别为原始定位CT图像、形变配准后的MRN的轴位视图、应用人工智能模型将原始定位CT图像和MRN图像自动融合的图像以及在融合图像上自动勾画的LSP结构图；
图8是本发明实施例提供的腰骶神经根的自动勾画设备的结构示意图。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明，其本身没有特有的意义。因此，“模块”、“部件”或“单元”可以混合地使用。
实施例一
图1是本发明实施例提供的腰骶神经根的自动勾画方法的流程图，如图1所示，可以包括以下步骤：
步骤S101：从数据库获取多个目标放疗患者的以CT检查方式得到的腹盆部CT图像，作为第一图像；
步骤S102：从所述数据库中获取所述多个目标放疗患者的以其他检查方式得到的具有清晰腰骶神经根走形的图像，作为第二图像；
步骤S103：利用所述第二图像，对所述第一图像进行修正，得到具有清晰腰骶神经根走形的CT图像，作为第三图像；
步骤S104：获取待放疗患者的以CT检查方式得到的腹盆部CT图像，作为第四图像；
步骤S105：利用由所述第一图像和所述第三图像训练得到的自动勾画模型，对所述待放疗患者的所述第四图像进行处理，得到所述待放疗患者的已勾画腰骶神经根走形的CT图像。
本发明步骤S102中的其他检查方式可以是核磁共振成像MRI检查方式。相应地，以其他检查方式得到具有清晰腰骶神经根走形的图像可以包括：在MRI检查方式中，采用磁共振周围神经成像MRN中的重T2加权脂肪抑制成像方式，得到腰骶神经根MRI图像。
本发明的步骤S103可以包括：将所述第一图像和所述第二图像进行配准、校正和融合处理，得到所述第三图像。在得到第一图像与第二图像的基础上，进行两类图像的常规配准、校正与融合，所述的配准、校正与融合技术为已有技术，在医学图像后处理中已广泛应用，在此不再赘述，通过该方法，第二图像中清晰的腰骶神经根走形就可以清晰的展现在了第一图像中，即得到第三图像。
另外，在进行配准、校正和融合处理后，如果参照腰骶部其他解剖结构的相对位置关系，确认所述第一图像中仍存在神经根走形显示不清的区域，则利用所述第二图像中显示的清晰神经根走形，对配准、校正和融合处理后的第一图像进行二次校准，得到所述第三图像。例如，对于每个目标放疗患者，根据所述第二图像中的腰骶神经根的位置信息，在所述第一图像中找到对应的位置并标注，即，可以将所述第一图像中显示不清的神经根走形标注出来，得到所述第三图像，标注时，可以采用人工方式，也可以采用自动方式。
本发明的步骤S105可以包括：将所述多个目标放疗患者的所述第一图像及对应的所述第三图像作为数据样本集；利用所述数据样本集，对所述自动勾画模型进行训练，得到经训练的自动勾画模型；将所述待放疗患者的所述第四图像输入所述经训练的自动勾画模型，得到所述经训练的自动勾画模型处理后输出的已勾画腰骶神经根走形的CT图像。
其中，所述利用所述数据样本集，对所述自动勾画模型进行训练，得到经训练的自动勾画模型可以包括：基于多个目标放疗患者的第一图像以及第三图像，构建数据样本集；利用所述数据样本集，采用十折交叉验证的方式，对所述自动勾画模型进行训练，得到经训练的自动勾画模型。也就是说，在样本量有限的情况下，本发明通过十折交叉验证的方式，进行多次抽样、交叉训练，使训练得到的初步模型的输出结果更精确、更贴合实际。另外，在增加新样本后，可以对上述初步模型进行优化，具体地说，将新增加的目标放疗患者的第一图像输入上述初步模型，得到输出图像，将所述输出图像与该新增加的目标放疗患者的第三图像进行比对，若不匹配，则调整该模型的参数，直至得到的输出图像与所述第三图像匹配，此时，参数调整后的模型即是优化后的模型，本发明在得到初步模型的基础上，进行模型的优化、迭代，可以使模型更准确、更符合实际情况。
本发明的自动勾画模型可以是脉冲耦合神经网络PCNN模型。
例如，对多个目标放疗患者中的每个目标放疗患者，首先获取目标放疗患者的腹盆部的CT图像及腰骶神经根MRI图像。由于该MRI图像中腰骶神经根走形清晰，因而可以该MRI图像为标准，修正CT图像上模糊的腰骶神经根走形，具体地，根据该目标放疗患者的腰骶神经根MRI图像中的腰骶神经根走形，在该目标放疗患者的CT图像上标注腰骶神经根走形，得到该历史放疗患者的具有清晰腰骶神经根走形的CT图像。这样，就可以构建数据样本集，该数据样本集中包含多个目标放疗患者的CT图像及对应的具有清晰腰骶神经根走形的CT图像，利用所述数据样本集，对PCNN模型进行训练就可以得到经训练的自动勾画模型，训练时，可以采用十折交叉验证的方式，对所述自动勾画模型进行训练和测试，具体地说，可以将数据样本集分成十份，轮流将其中9份作为训练数据，1份作为测试数据，进行测试，以得到准确度符合要求的模型。在得到经训练的自动勾画模型后，就可以利用所述经训练的自动勾画模型，对待放疗患者的CT图像进行处理，得到该放疗患者的具有清晰神经根走形的CT图像，并将之应用于放疗。实际上，本发明通过训练PCNN模型，使得PCNN模型学习到CT图像的原始数据和腰骶神经根的标注数据之间的映射关系，这样，在向PCNN模型输入待放疗患者的腹盆部的CT图像后，PCNN模型就可以映射出对应的腰骶神经根的标注数据，在CT图像上体现为已清晰的融合及自动勾画的腰骶神经根走形。
本实施例首先将磁共振周围神经根成像MRN作为金标准，将同一患者的MRN中清晰的神经根走行与CT图像进行融合，在该患者的CT图像中清晰的显示神经根的走行。将一个患者的CT图像和融合后的CT图像作为一个样本，获取大量的样本。然后基于人工智能深度学习的方法，建立人工智能自动化勾画模型，利用该人工智能自动化勾画模型，克服手工分割一致性较差的缺点，同时相较单独的CT成像显示更清晰准确，相较单独的MR成像更廉价、适应症更广，对场地及设备的要求比较低。
实施例二
图2是本发明实施例提供的将腰骶神经根的自动勾画方法应用于临床的流程图，如图2所示，可以包括以下步骤：
步骤1、病例入组
获取2021年1月1日至2021年5月31日的盆腔肿瘤患者的数据。
步骤2、数据清洗.
对已获取的盆腔肿瘤患者的数据进行清洗，筛选出满足纳入标准的盆腔肿瘤患者。其中，纳入标准为：(1)患者能配合完成MRI及CT检查；(2)患者即将进行盆腔肿物放射治疗；(3)患者尚未接收任何治疗，例如手术、化疗、放疗等。
步骤3、入组结果
通过数据清洗，筛选出20例满足纳入标准的盆腔肿瘤患者。
步骤4、图像采集
对需进行盆腔区域放疗的20例入组患者中的每个患者分别进行腰骶神经根MRI成像及腹盆部CT平扫图像采集，得到MRN图像和腹盆部CT图像。
其中，腰骶神经根MRI成像采用现今已经较为成熟的MRN技术，即磁共振周围神经成像技术，借由神经纤维内部及周围各种微结构间含水量的差异，以重T2加权脂肪抑制成像技术进行3D成像，能清晰显示神经根走行。
步骤5、人工标注
即MRN及CT图像人工标注。具体地，针对采集所得数据，将腰骶神经根MRI成像及腹盆部CT平扫图像进行融合，经由高年资影像科医师及放疗医师进行手工图像融合及修正，这样，得到的腹盆部CT平扫图像上能够带有基于同一个患者MRN成像所标注出的精确神经根走形。
步骤6、模型训练
基于已有数据，进行人工智能模型训练，采用脉冲耦合神经网络(Pulse CoupledNeural network,PCNN)的模型，对需进行盆腔区域放疗的患者进行腰骶神经根MRI成像及腹盆部CT平扫图像的融合训练，训练数据来源于步骤5中高年资影像科医师及放疗医师手工图像融合及修正的带有MRN指导的精确神经根走形标注的腹盆部CT平扫图像，腹盆部CT平扫图像作为原始数据，而MRN指导下标注出的精确神经根走形作为标注数据，采用十则交叉验证的方法构建训练集及测试集，得到能够在腹部CT平扫图像中高精度自动勾画腰骶神经根的人工智能模型。
步骤7、临床应用
该模型能够应用于传统的腹部CT平扫图像，将CT上较为模糊的神经根走形标识出来，同时因本模型训练时所采用的标注依据了精确的MRN图像，因此该模型与人工经验勾画的神经根走形相比，具有较高的精确度和稳定性，可应用于临床治疗和科研研究。
将所得模型应用于临床实验，在实际临床工作中验证、迭代并提高该模型的能力，在治疗过程中准确的勾画出神经根走行，避免不必要的损失。
图3a、图3b是三维视图中的腰骶神经丛(LSP)结构图，分别为原始定位CT图像和形变配准后的MRN的轴位视图，图中包括胸12神经根、腰1神经根、腰2-4神经根和股神经以及腰5-骶3神经根和坐骨神经。图4a、图5a、图6a、图7a分别显示了原始定位CT腰2椎间孔、腰4椎间孔、骶骨和股骨头水平轴向视图中的LSP，图4b、图5b、图6b、图7b分别显示了腰2椎间孔、腰4椎间孔、骶骨和股骨头形变配准后的MRN的轴位视图，图4c、图5c、图6c、图7c以及图4d、图5d、图6d、图7d依次展示了应用人工智能模型分别将腰2椎间孔、腰4椎间孔、骶骨和股骨头的原始定位CT图像和MRN图像自动融合以及在融合图像上自动勾画的LSP结构。
本发明通过大样本量、高质量的CT及MRI图像，构建出基于CT并融合了MRI高精度优点的神经走形勾画算法，兼顾CT及MRI两者的优势。较传统方法更新颖、更准确、更廉价、场地及设备要求更低，对医院来说，能进一步降低设备费用，更易推广；对放疗医师来说，放疗野的制定更科学、便捷、信心更高；对接受放疗的患者来说，能更好的避免神经根的损伤。本发明是传统方法与新型技术的结合，能更好的使医院、医师及患者多方获利。
图8是本发明实施例提供的腰骶神经根的自动勾画设备的结构示意图，如图8所示，所述设备100包括存储器1、处理器2、存储在所述存储器1上并可在所述处理器2上运行的程序，所述程序被所述处理器2执行时实现前述的腰骶神经根的自动勾画方法的步骤。
进一步地，本发明实施例还提供一种立体定向体部放疗系统，所述系统包括立体定向体部放疗设备和前述的腰骶神经根的自动勾画设备。其中，所述腰骶神经根的自动勾画设备可以集成在所述立体定向体部放疗设备中，也可以独立于所述立体定向体部放疗设备。
进一步地，本发明实施例还提供了一种存储介质，所述存储介质中存储有程序，所述程序被处理器执行时，可实现前述的腰骶神经根的自动勾画方法的步骤。
本发明可以推广到可能导致神经损伤的其他放疗应用中，例如应用于四肢肿瘤放疗中，减少周围神经损伤。
以上参照附图说明了本发明的优选实施例，并非因此局限本发明的权利范围。本领域技术人员不脱离本发明的范围和实质内所作的任何修改、等同替换和改进，均应在本发明的权利范围之内。

Claims (10)

1.一种腰骶神经根的自动勾画方法，其特征在于，所述方法包括以下步骤：
从数据库获取多个目标放疗患者的以CT检查方式得到的腹盆部CT图像，作为第一图像；
从所述数据库中获取所述多个目标放疗患者的以其他检查方式得到的具有清晰腰骶神经根走形的图像，作为第二图像；
利用所述第二图像，对所述第一图像进行修正，得到具有清晰腰骶神经根走形的CT图像，作为第三图像；
获取待放疗患者的以CT检查方式得到的腹盆部CT图像，作为第四图像；
利用由所述第一图像和所述第三图像训练得到的自动勾画模型，对所述待放疗患者的所述第四图像进行处理，得到所述待放疗患者的已勾画腰骶神经根走形的CT图像。
2.根据权利要求1所述的方法，其特征在于，所述其他检查方式是核磁共振成像MRI检查方式。
3.根据权利要求2所述的方法，其特征在于，以其他检查方式得到具有清晰腰骶神经根走形的图像包括：在MRI检查方式中，采用磁共振周围神经成像MRN中的重T2加权脂肪抑制成像方式，得到腰骶神经根MRI图像。
4.根据权利要求1所述的方法，其特征在于，所述利用所述第二图像，对所述第一图像进行修正，得到具有清晰腰骶神经根走形的CT图像，作为第三图像包括：
将所述第一图像和所述第二图像进行配准、校正和融合处理，以得到所述第三图像。
5.根据权利要求1所述的方法，其特征在于，所述利用由所述第一图像和所述第三图像训练得到的自动勾画模型，对所述待放疗患者的所述第四图像进行处理，得到所述待放疗患者的已勾画腰骶神经根走形的CT图像包括：
将所述多个目标放疗患者的所述第一图像及对应的所述第三图像作为数据样本集；
利用所述数据样本集，对所述自动勾画模型进行训练，得到经训练的自动勾画模型；
将所述待放疗患者的所述第四图像输入所述经训练的自动勾画模型，得到所述经训练的自动勾画模型处理后输出的已勾画腰骶神经根走形的CT图像。
6.根据权利要求5所述的方法，其特征在于，所述利用所述数据样本集，对所述自动勾画模型进行训练，得到经训练的自动勾画模型包括：
基于多个目标放疗患者的第一图像以及第三图像，构建数据样本集；
利用所述数据样本集，采用十折交叉验证的方式，对所述自动勾画模型进行训练，得到经训练的自动勾画模型。
7.根据权利要求1-6任一项所述的方法，所述自动勾画模型是脉冲耦合神经网络PCNN模型。
8.一种腰骶神经根的自动勾画设备，其特征在于，所述设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序，所述程序被所述处理器执行时实现如权利要求1-7任一项所述的腰骶神经根的自动勾画方法的步骤。
9.一种立体定向体部放疗系统，其特征在于，所述系统包括立体定向体部放疗设备和如权利要求8所述的腰骶神经根的自动勾画设备。
10.一种存储介质，其特征在于，所述存储介质中存储有程序，所述程序被处理器执行时，实现如权利要求1-7任一项所述的腰骶神经根的自动勾画方法的步骤。
CN202210595695.7A 2022-05-30 2022-05-30 一种腰骶神经根的自动勾画方法、设备及存储介质 Active CN114796901B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210595695.7A CN114796901B (zh) 2022-05-30 2022-05-30 一种腰骶神经根的自动勾画方法、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210595695.7A CN114796901B (zh) 2022-05-30 2022-05-30 一种腰骶神经根的自动勾画方法、设备及存储介质

Publications (2)

Publication Number Publication Date
CN114796901A true CN114796901A (zh) 2022-07-29
CN114796901B CN114796901B (zh) 2024-08-27

Family

ID=82519493

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210595695.7A Active CN114796901B (zh) 2022-05-30 2022-05-30 一种腰骶神经根的自动勾画方法、设备及存储介质

Country Status (1)

Country Link
CN (1) CN114796901B (zh)

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060253030A1 (en) * 2005-04-26 2006-11-09 Altmann Andres C Registration of electro-anatomical map with pre-acquired image using ultrasound
CN105139442A (zh) * 2015-07-23 2015-12-09 昆明医科大学第一附属医院 一种结合ct和mri二维图像建立人体膝关节三维仿真模型的方法
CN109389603A (zh) * 2018-09-10 2019-02-26 北京大学 一种基于预加重策略的全自动腰椎图像分割方法
US20190192880A1 (en) * 2016-09-07 2019-06-27 Elekta, Inc. System and method for learning models of radiotherapy treatment plans to predict radiotherapy dose distributions
CN109949352A (zh) * 2019-03-22 2019-06-28 邃蓝智能科技(上海)有限公司 一种基于深度学习的放疗影像靶区勾画方法及勾画系统
CN110363802A (zh) * 2018-10-26 2019-10-22 西安电子科技大学 基于自动分割和骨盆对齐的前列腺图像配准系统及方法
US20190362522A1 (en) * 2016-09-06 2019-11-28 Elekta, Inc. Neural network for generating synthetic medical images
CN111462116A (zh) * 2020-05-13 2020-07-28 吉林大学第一医院 基于影像组学特征的多模态参数模型优化融合方法
CN112001925A (zh) * 2020-06-24 2020-11-27 上海联影医疗科技股份有限公司 图像的分割方法、放射治疗系统、计算机设备和存储介质
CN112057751A (zh) * 2020-08-14 2020-12-11 中南大学湘雅医院 一种盆腔放疗危及器官自动勾画方法
CN113298855A (zh) * 2021-05-27 2021-08-24 广州柏视医疗科技有限公司 基于自动勾画的图像配准方法
CN113469945A (zh) * 2021-06-03 2021-10-01 山东大学 基于ct与mri显像融合的骶神经建模方法及系统
CN113674834A (zh) * 2021-08-16 2021-11-19 于金明 基于剂量分布预览系统的放疗靶区确立和修正方法
CN114360718A (zh) * 2022-03-10 2022-04-15 之江实验室 一种基于特征拟合的pet/ct自动肺癌诊断分类系统及构建方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060253030A1 (en) * 2005-04-26 2006-11-09 Altmann Andres C Registration of electro-anatomical map with pre-acquired image using ultrasound
CN105139442A (zh) * 2015-07-23 2015-12-09 昆明医科大学第一附属医院 一种结合ct和mri二维图像建立人体膝关节三维仿真模型的方法
US20190362522A1 (en) * 2016-09-06 2019-11-28 Elekta, Inc. Neural network for generating synthetic medical images
US20190192880A1 (en) * 2016-09-07 2019-06-27 Elekta, Inc. System and method for learning models of radiotherapy treatment plans to predict radiotherapy dose distributions
CN109389603A (zh) * 2018-09-10 2019-02-26 北京大学 一种基于预加重策略的全自动腰椎图像分割方法
CN110363802A (zh) * 2018-10-26 2019-10-22 西安电子科技大学 基于自动分割和骨盆对齐的前列腺图像配准系统及方法
CN109949352A (zh) * 2019-03-22 2019-06-28 邃蓝智能科技(上海)有限公司 一种基于深度学习的放疗影像靶区勾画方法及勾画系统
CN111462116A (zh) * 2020-05-13 2020-07-28 吉林大学第一医院 基于影像组学特征的多模态参数模型优化融合方法
CN112001925A (zh) * 2020-06-24 2020-11-27 上海联影医疗科技股份有限公司 图像的分割方法、放射治疗系统、计算机设备和存储介质
CN112057751A (zh) * 2020-08-14 2020-12-11 中南大学湘雅医院 一种盆腔放疗危及器官自动勾画方法
CN113298855A (zh) * 2021-05-27 2021-08-24 广州柏视医疗科技有限公司 基于自动勾画的图像配准方法
CN113469945A (zh) * 2021-06-03 2021-10-01 山东大学 基于ct与mri显像融合的骶神经建模方法及系统
CN113674834A (zh) * 2021-08-16 2021-11-19 于金明 基于剂量分布预览系统的放疗靶区确立和修正方法
CN114360718A (zh) * 2022-03-10 2022-04-15 之江实验室 一种基于特征拟合的pet/ct自动肺癌诊断分类系统及构建方法

Also Published As

Publication number Publication date
CN114796901B (zh) 2024-08-27

Similar Documents

Publication Publication Date Title
Tyagi et al. Clinical workflow for MR-only simulation and planning in prostate
Dowling et al. An atlas-based electron density mapping method for magnetic resonance imaging (MRI)-alone treatment planning and adaptive MRI-based prostate radiation therapy
US8787648B2 (en) CT surrogate by auto-segmentation of magnetic resonance images
US7817836B2 (en) Methods for volumetric contouring with expert guidance
US9014446B2 (en) Efficient user interaction with polygonal meshes for medical image segmentation
CN101443816B (zh) 用于图像引导下辐射治疗的图像可变形配准
Ébastien Clippe et al. Patient setup error measurement using 3D intensity-based image registration techniques
EP3148643B1 (en) Systems for brachytherapy planning based on imaging data
Farjam et al. Dosimetric evaluation of an atlas‐based synthetic CT generation approach for MR‐only radiotherapy of pelvis anatomy
JP2004530467A (ja) 不完全なデータを融合整合し、再投影するためのシステムおよび方法
Farjam et al. Multiatlas approach with local registration goodness weighting for MRI‐based electron density mapping of head and neck anatomy
JP2019511268A (ja) 脳深部刺激療法の電極の三次元画像における回転配向の決定
US10149724B2 (en) Accurate radiographic calibration using multiple images
US10004564B1 (en) Accurate radiographic calibration using multiple images
EP3011358B1 (en) Cortical bone segmentation from mr dixon data
CN109350059B (zh) 用于肘部自动对准的组合的转向引擎和界标引擎
US20230140951A1 (en) System for generating images for a fluoroscopy-based navigation system
CN114796901B (zh) 一种腰骶神经根的自动勾画方法、设备及存储介质
Neylon et al. Clinical assessment of geometric distortion for a 0.35 T MR‐guided radiotherapy system
US20130079625A1 (en) Ct - mri hyrbrid apparatus and method of implementing the same
Dobbe et al. Precision of image-based registration for intraoperative navigation in the presence of metal artifacts: application to corrective osteotomy surgery
Firle et al. Mutual-information-based registration for ultrasound and CT datasets
Pawiro et al. A new gold-standard dataset for 2D/3D image registration evaluation
Pallotta et al. Accuracy evaluation of image registration and segmentation tools used in conformal treatment planning of prostate cancer
Jung et al. Relevant reduction effect with a modified thermoplastic mask of rotational error for glottic cancer in IMRT

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