CN115984297A - 构建mri勾画模型和mri图像勾画处理的方法及装置 - Google Patents

Abstract

本公开涉及一种构建MRI勾画模型和MRI图像勾画处理的方法及装置，能快速生成准确的勾画结果，上述方法包括：构建图像生成模型，该图像生成模型的输入为CT图像，输出为伪MRI图像，该伪MRI图像的图像结构和该CT图像的图像结构一致；构建群体化分割模型，该群体化分割模型的输入为该伪MRI图像，输出为预测勾画结果，该预测勾画结果与该CT图像的目标区域的参考勾画结果一致；将该群体化分割模型确定为用于处理目标对象的MRI图像的目标MRI勾画模型；或者，根据目标对象的目标CT图像和该目标CT图像的目标区域的参考勾画结果，对该群体化分割模型的参数进行微调，得到个性化分割模型，将该个性化分割模型确定为用于处理该目标对象的MRI图像的目标MRI勾画模型。

Description

构建MRI勾画模型和MRI图像勾画处理的方法及装置

技术领域

本公开涉及图像处理、医疗技术和计算机技术领域，尤其涉及一种构建MRI勾画模型和MRI图像勾画处理的方法及装置。

背景技术

磁共振影像引导放射治疗(MRIgRT)是目前重要的自适应放疗方式,其通过集成成像系统获取实时的磁共振图像(MRI)，既可用于放射治疗前患者的摆位校正，以量化治疗分次内肿瘤移动和器官运动等因素造成的影响，又可实施作用日益重要的在线自适应放疗，对提高放疗精度作用重大。

在自适应放疗中，需要在MRI图像上勾画肿瘤区(GTV)，肿瘤临床靶区(CTV)和危及器官(OARs)等感兴趣区域。是一项非常耗时的工作，会大幅度增加自适应放疗的总时长，延长患者等待时间，降低临床运转效率。此外，不同医生勾画差距较大，基于有限数据规模训练的群体化深度学习分割模型，难以针对有大的解剖结构变化或体型特殊的个体，准确预测其感兴趣区的形状。

发明内容

为了解决或者至少部分地解决以下发现的技术问题：采用人工在MRI图像上勾画得到感兴趣区域，非常耗时，大幅度增加自适应放疗的总时长，延长患者等待时间，降低临床运转效率；有些方案中采用人工勾画的结果来监督得到用于勾画MRI图像的群体化深度学习分割模型，需要预先针对大量MRI图像进行人工勾画，工作量较大；本公开的实施例提供了一种构建MRI勾画模型和MRI图像勾画处理的方法及装置。

第一方面，本公开的实施例提供了一种构建MRI勾画模型的方法。上述构建MRI勾画模型的方法包括：构建图像生成模型，上述图像生成模型的输入为CT图像，输出为伪MRI图像，上述伪MRI图像的图像结构和上述CT图像的图像结构一致；构建群体化分割模型，上述群体化分割模型的输入为上述伪MRI图像，输出为预测勾画结果，上述预测勾画结果与上述CT图像的目标区域的参考勾画结果一致；将上述群体化分割模型确定为用于处理目标对象的MRI图像的目标MRI勾画模型；或者，根据目标对象的目标CT图像和上述目标CT图像的目标区域的参考勾画结果，对上述群体化分割模型的参数进行微调，得到个性化分割模型，将上述个性化分割模型确定为用于处理上述目标对象的MRI图像的目标MRI勾画模型。

在一些实施例中，根据目标对象的目标CT图像和上述目标CT图像的目标区域的参考勾画结果，对上述群体化分割模型的参数进行微调，得到个性化分割模型，包括：将上述目标对象的目标CT图像输入至上述图像生成模型，输出的目标伪MRI图像作为上述群体化分割模型的输入，上述群体化分割模型输出得到个体预测勾画结果；根据上述个体预测勾画结果和上述目标CT图像的目标区域的参考勾画结果的差距，对上述群体化分割模型进行参数微调，得到个性化分割模型。

根据本公开的实施例，上述构建图像生成模型，包括：获取第一训练数据和第一训练标签，上述第一训练数据包括：多个第一训练用对象的第一CT图像，上述第一训练标签包括：上述第一训练用对象的MRI图像的参考图像结构；其中同一个训练对象的上述MRI图像和上述第一CT图像中携带的结构信息是相同的；将上述第一CT图像输入至第一模型进行训练，上述第一模型的输出为与上述第一CT图像对应的第一伪MRI图像，在上述第一伪MRI图像的图像结构和上述MRI图像的参考图像结构的差距小于第一设定阈值的情况下训练完成，训练完成的第一模型为上述图像生成模型。

根据本公开的实施例，上述第一CT图像和上述MRI图像均为进行归一化处理后的图像，取值区间为[-1，1]。

根据本公开的实施例，上述构建群体化分割模型，包括：获取第二训练数据和第二训练标签，上述第二训练数据包括第二伪MRI图像，上述第二伪MRI图像是由多个第二训练用对象的第二CT图像输入至上述图像生成模型后输出得到；上述第二训练标签包括：上述第二CT图像的目标区域的训练用参考勾画结果；将上述第二伪MRI图像输入至第二模型进行训练，上述第二模型的输出为与上述第二伪MRI图像对应的训练用预测勾画结果，在上述训练用预测勾画结果和上述训练用参考勾画结果的差距小于第二设定阈值的情况下训练完成，训练完成的第二模型为上述群体化分割模型。

第二方面，本公开的实施例提供了一种MRI图像勾画处理的方法。上述MRI图像勾画处理的方法包括：获取待处理的目标对象的MRI图像；将上述目标对象的MRI图像输入至预先构建好的目标MRI勾画模型中，输出得到针对上述目标对象的MRI图像的勾画结果；上述目标MRI勾画模型采用如上所述的构建MRI勾画模型的方法构建得到。

第三方面，本公开的实施例提供了一种构建MRI勾画模型的装置。上述构建MRI勾画模型的装置包括：第一模型构建模块、第二模型构建模块、模型生成模块。上述第一模型构建模块用于构建图像生成模型，上述图像生成模型的输入为CT图像，输出为伪MRI图像，上述伪MRI图像的图像结构和上述CT图像的图像结构一致。上述第二模型构建模块用于构建群体化分割模型，上述群体化分割模型的输入为上述伪MRI图像，输出为预测勾画结果，上述预测勾画结果与上述CT图像的目标区域的参考勾画结果一致。上述模型生成模块用于：将上述群体化分割模型确定为用于处理目标对象的MRI图像的目标MRI勾画模型；或者，根据目标对象的目标CT图像和上述目标CT图像的目标区域的参考勾画结果，对上述群体化分割模型的参数进行微调，得到个性化分割模型，将上述个性化分割模型确定为用于处理上述目标对象的MRI图像的目标MRI勾画模型。

第四方面，本公开的实施例提供了一种MRI图像勾画处理的装置。上述MRI图像勾画处理的装置存储有目标MRI勾画模型或者能够调用目标MRI勾画模型；该目标MRI勾画模型采用上述构建MRI勾画模型的方法构建得到，或者采用上述构建MRI勾画模型的装置构建得到。上述MRI图像勾画处理的装置包括：数据获取模块和处理模块。上述数据获取模块用于获取待处理的目标对象的MRI图像。上述处理模块用于将上述目标对象的MRI图像输入至上述目标MRI勾画模型中，输出得到针对上述目标对象的MRI图像的勾画结果。

第五方面，本公开的实施例提供了一种电子设备。上述电子设备包括处理器、通信接口、存储器和通信总线，其中，处理器、通信接口和存储器通过通信总线完成相互间的通信；存储器，用于存放计算机程序；处理器，用于执行存储器上所存放的程序时，实现如上所述的构建MRI勾画模型的方法或MRI图像勾画处理的方法。

第六方面，本公开的实施例提供了一种计算机可读存储介质。上述计算机可读存储介质上存储有计算机程序，上述计算机程序被处理器执行时实现如上所述的构建MRI勾画模型的方法或MRI图像勾画处理的方法。

本公开实施例提供的上述技术方案至少具有如下优点的部分或全部：

通过构建由CT图像映射至伪MRI图像的图像生成模型，保证输入的CT图像和经由图像生成模型处理得到的伪MRI图像二者的图像结构是一致的，由此可以根据CT图像映射至伪MRI图像的映射关系，参考CT图像的已知勾画结果来进行伪MRI图像的勾画训练，构建得到群体化分割模型；在一些实施例中，将群体化分割模型确定为用于处理目标对象的MRI图像的目标MRI勾画模型，无需对大量训练用的MRI图像进行提前勾画标注，节约了对MRI图像进行标注的时间和人力成本，也无需针对待处理的MRI图像再进行人工标注，便可以快速得到针对MRI图像的目标区域的勾画结果，在保证准确度的基础上提升了目标区域的勾画效率；在另一些实施例中，还考虑到有大的解剖结构变化或体型特殊的个体存在的场景，为了提升勾画结果的精确度，通过将目标对象的目标CT图像输入至上述图像生成模型，并将上述图像生成模型的输出作为群体化分割模型的输入，并根据群体化分割模型输出的个体预测勾画结果与上述目标CT图像的目标区域的参考勾画结果之间的差距，对群体化分割模型进行参数微调，得到个性化分割模型，将个性化分割模型确定为目标MRI勾画模型，能够快速生成针对目标对象的MRI图像的勾画结果，而且进一步提升了针对目标对象的勾画精度。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。

为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1示意性地示出了根据本公开实施例的构建MRI勾画模型的方法的流程图；

图2示意性地示出了根据本公开实施例的步骤S110的详细实施流程图；

图3示意性地示出了根据本公开实施例的步骤S120的详细实施流程图；

图4示意性地示出了根据本公开实施例的步骤S132的详细实施流程图；

图5示意性地示出了根据本公开实施例的MRI图像勾画处理的方法的流程图；

图6示意性地示出了癌症患者的MRI图像的勾画处理效果对比图，其中(a)采用常规MRI勾画模型处理的效果，常规MRI勾画模型是由MRI图像和针对MRI图像的勾画标注数据训练得到，(b)采用本公开实施例中的群体化分割模型作为目标MRI勾画模型进行处理的效果，(c)采用本公开实施例中的个性化分割模型作为目标MRI勾画模型进行处理的效果；

图7示意性地示出了根据本公开实施例的构建MRI勾画模型的装置的结构框图；

图8示意性地示出了根据本公开实施例的MRI图像勾画处理的装置的结构框图；以及

图9示意性地示出了本公开实施例提供的电子设备的结构框图。

具体实施方式

为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本公开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公开的一部分实施例，而不是全部的实施例。基于本公开中的实施例，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，都属于本公开保护的范围。

本公开的第一个示例性实施例提供了一种构建MRI勾画模型的方法。

图1示意性地示出了根据本公开实施例的构建MRI勾画模型的方法的流程图。

参照图1所示，本公开实施例提供的构建MRI勾画模型的方法，包括以下步骤：S110，S120，S131或S132。

在步骤S110，构建图像生成模型，上述图像生成模型的输入为CT图像，输出为伪MRI图像，上述伪MRI图像的图像结构和上述CT图像的图像结构一致。

上述图像生成模型是由CT图像的训练数据训练得到，包含从CT图像映射至伪MRI图像的第一映射关系。在该图像生成模型中，输出得到的伪MRI图像的图像结构和输入的CT图像的图像结构一致的含义是指：在误差允许范围内，同一组输入-输出对应的CT图像和伪MRI图像二者的图像结构相同，即二者的图像结构的差距小于第一设定阈值，第一设定阈值可以是该图像生成模型的精度范围所对应的允许误差。

在步骤S120，构建群体化分割模型，上述群体化分割模型的输入为上述伪MRI图像，输出为预测勾画结果，上述预测勾画结果与上述CT图像的目标区域的参考勾画结果一致。

上述CT图像的目标区域的真实勾画结果作为群体化分割模型的训练标签，将其描述为参考勾画结果。该CT图像的目标区域的真实勾画结果可以是由医生在CT上勾画标注的标准数据。在医疗体系数据库中存储有大量的CT图像和对应的勾画标注数据，将勾画标注数据作为参考勾画结果。上述勾画标注数据是指框出目标区域的边界线或轮廓线。

上述群体化分割模型是由伪MRI图像的训练数据训练得到的，包含从伪MRI图像映射至预测勾画结果的第二映射关系。在该群体化分割模型中，输出得到预测勾画结果与CT图像的目标区域的参考勾画结果一致的含义是指：在误差允许范围内，伪MRI图像经过第二映射关系处理后得到的预测勾画结果与图像生成模型中对应输入的CT图像的目标区域的参考勾画结果是相同的。即，预测勾画结果和参考勾画结果的差距小于第二设定阈值，第二设定阈值可以是该群体化分割模型的精度范围所对应的允许误差。

在步骤S131，将上述群体化分割模型确定为用于处理目标对象的MRI图像的目标MRI勾画模型。

在一些实施例中，将群体化分割模型确定为用于处理目标对象的MRI图像的目标MRI勾画模型，无需对大量训练用的MRI图像进行提前勾画标注，节约了对MRI图像进行标注的时间和人力成本，也无需针对待处理的MRI图像再进行人工标注，便可以快速得到针对MRI图像的目标区域的勾画结果，在保证准确度的基础上提升了目标区域的勾画效率。

在步骤S132，根据目标对象的目标CT图像和上述目标CT图像的目标区域的参考勾画结果，对上述群体化分割模型的参数进行微调，得到个性化分割模型，将上述个性化分割模型确定为用于处理上述目标对象的MRI图像的目标MRI勾画模型。

目标对象是指待处理的MRI图像所对应的对象，将目标对象要进行处理的CT图像描述为目标CT图像，以和模型训练阶段或者模型使用阶段其他的CT图像进行区分。

在另一些实施例中，考虑到有大的解剖结构变化或体型特殊的个体存在的场景，为了提升勾画结果的精确度，通过将目标对象的目标CT图像输入至上述图像生成模型，并将上述图像生成模型的输出作为群体化分割模型的输入，并根据群体化分割模型输出的个体预测勾画结果与上述目标CT图像的目标区域的参考勾画结果之间的差距，对群体化分割模型进行参数微调，得到个性化分割模型，将个性化分割模型确定为目标MRI勾画模型，能够快速生成针对目标对象的MRI图像的勾画结果，而且进一步提升了针对目标对象的勾画精度。

在一些实施例中，上述步骤S131或步骤S132得到的目标MRI勾画模型用于在输入上述目标对象真实的MRI图像后，输出得到针对上述MRI图像的勾画结果。

包含上述步骤S110，S120，S131或S132的实施例中，通过构建由CT图像映射至伪MRI图像的图像生成模型，保证输入的CT图像和经由图像生成模型处理得到的伪MRI图像二者的图像结构是一致的，由此可以根据CT图像映射至伪MRI图像的映射关系，参考CT图像的已知勾画结果来进行伪MRI图像的勾画训练，构建得到群体化分割模型；将群体化分割模型或者对群体化分割模型针对目标对象进行参数微调后得到的个性化分割模型确定为目标MRI勾画模型，能够兼具准确度高且对目标区域的勾画效率高的优点，无需针对MRI图像预先进行标注训练或者对待处理的MRI图像进行人工标注，节省了大量的人力和时间成本。在医疗领域应用时，例如应用于癌症患者的MRI图像的肿瘤区(GTV)、肿瘤临床靶区(CTV)或危及器官(GTV)等目标区域的勾画时，能够快速且准确地生成勾画结果，有助于减少自适应放疗的总时长，减少患者等待时间，提升临床运转效率。

图2示意性地示出了根据本公开实施例的步骤S110的详细实施流程图。

在一些实施例中，参照图2所示，上述步骤S110中，构建图像生成模型，包括以下步骤：S210和S220。

在步骤S210，获取第一训练数据和第一训练标签，上述第一训练数据包括：多个第一训练用对象的第一CT图像，上述第一训练标签包括：上述第一训练用对象的MRI图像的参考图像结构；其中同一个训练对象的上述MRI图像和上述第一CT图像中携带的结构信息是相同的。

第一训练用对象是指用于构建图像生成模型的训练集数据采集的对象。为了和后续用于构建群体化分割模型的训练集数据采集对象进行区分，将这里的训练用对象描述为第一训练用对象，将后续用于群体化分割模型的训练用对象描述为第二训练用对象。

上述第一训练数据可以是从医疗体系数据库中获取的患者的身体部位、器官、组织区域等的CT图像。

另外，还可以从医疗体系数据库中获取与CT图像对应于同一个身体部位、器官、组织区域等的MRI图像，将该MRI图像的图像结构作为第一训练标签。

同一个训练对象的上述MRI图像和上述第一CT图像中携带的结构信息是相同的，在一些实施例中，同一个训练对象的上述MRI图像和上述第一CT图像是相互配准(具有位置映射匹配关系)的图像数据。配准的方式可以采用刚性配准或形变配准，在刚性配准中，可以是基于几何进行配准或基于图像灰度进行配准。例如，利用解剖标记点、人工标记点、坐标系校正、多种标记点结合配准等方式实现刚性配准；利用图像像素灰度信息，通过B样条自由形变模型、光流法等实现形变配准等。

在一些实施例中，上述第一CT图像和上述MRI图像均为进行归一化处理后的图像，取值区间为[-1，1]。

例如，在一实施例中，在构建从CT图像映射至伪MRI(sMRI)图像的图像生成模型的过程中，选取患者的定位CT图像和治疗时采集的MRI图像，将CT图像配准(具有位置映射匹配关系)到MRI图像上，配准可使用刚性配准，也可使用形变配准。然后，对CT图像和MRI图像进行预处理，可以先将图像上患者身体轮廓外(非身体部位区域)的部分置零，然后对CT图像和MRI图像进行归一化处理，使其范围在[-1，1]。

在步骤S220，将上述第一CT图像输入至第一模型进行训练，上述第一模型的输出为与上述第一CT图像对应的第一伪MRI图像，在上述第一伪MRI图像的图像结构和上述MRI图像的参考图像结构的差距小于第一设定阈值的情况下训练完成，训练完成的第一模型为上述图像生成模型。

伪MRI图像是指用计算设备模拟生成的MRI图像或经过神经网络模型生成的MRI图像，区别于仪器测试得到的真实的MRI图像。

例如，采用深度学习方式来学习从CT图像到sMRI图像的映射，学习任务是输入单通道的CT图像，输出单通道的sMRI图像。通过对第一模型的训练，确保CT图像和sMRI图像具有相同的解剖结构。

在一实施例中，可以基于CycleGAN网络的一部分结构来实现图像生成模型的训练。CycleGAN网络包括两个生成器和两个判别器，分别描述为生成器A和生成器B，判别器C和判别器D。数据输入和输出流向表示为：真实的CT图像→生成器A→伪MRI图像→生成器B→重建CT图像，在训练过程中还包括判别器C和判别器D，判别器C用于判断生成的伪MRI图像和真实的MRI图像(该MRI图像和输入的CT图像是预先经过配准的图像)之间的图像结构是否一致，判别器D用于判断重建CT图像和真实的CT图像是否一致。其中，可以选取包含生成器A和判别器C部分对应的网络进行训练来得到图像生成模型。

图3示意性地示出了根据本公开实施例的步骤S120的详细实施流程图。

根据本公开的实施例，上述步骤S120中，构建群体化分割模型，包括以下步骤：S310、S320

在步骤S310，获取第二训练数据和第二训练标签，上述第二训练数据包括第二伪MRI图像，上述第二伪MRI图像是由多个第二训练用对象的第二CT图像输入至上述图像生成模型后输出得到；上述第二训练标签包括：上述第二CT图像的目标区域的训练用参考勾画结果。

在一实施例中，第二训练用对象和第一训练用对象可以是不同的对象，或者具有交集。在图像生成模型构建完成的情况下，采用一组新的训练数据(第二CT图像和第一CT图像完全不同)或者采用和之前的第一训练数据具有交集的另一组训练数据(第二CT图像和第一CT图像具有交集)输入至该图像生成模型，将该图像生成模型输出得到的第二伪MRI图像作为用于训练第二模型的第二训练数据。

在步骤S320，将上述第二伪MRI图像输入至第二模型进行训练，上述第二模型的输出为与上述第二伪MRI图像对应的训练用预测勾画结果，在上述训练用预测勾画结果和上述训练用参考勾画结果的差距小于第二设定阈值的情况下训练完成，训练完成的第二模型为上述群体化分割模型。

由于输入的CT图像和经由图像生成模型处理得到的伪MRI图像二者的图像结构是一致的，由此可以根据CT图像映射至伪MRI图像的映射关系，参考CT图像的已知勾画结果来进行伪MRI图像的勾画训练，构建得到群体化分割模型。

图4示意性地示出了根据本公开实施例的步骤S132的详细实施流程图。

参照图4所示，上述步骤S132中，根据目标对象的目标CT图像和上述目标CT图像的目标区域的参考勾画结果，对上述群体化分割模型的参数进行微调，得到个性化分割模型，包括以下步骤：S410和S420。

在步骤S410，将上述目标对象的目标CT图像输入至上述图像生成模型，输出的目标伪MRI图像作为上述群体化分割模型的输入，上述群体化分割模型输出得到个体预测勾画结果。

在步骤S420，根据上述个体预测勾画结果和上述目标CT图像的目标区域的参考勾画结果的差距，对上述群体化分割模型进行参数微调，得到个性化分割模型。

例如，上述目标区域为癌症患者(目标对象的一种示例)的靶向区域、靶向位置、患病组织区域等。

包含上述步骤S410～S420的实施例中，通过将图像生成模型和群体化分割模型构建为一个串联模型，将目标对象的目标CT图像作为图像生成模型的输入，图像生成模型的输出作为群体化分割模型的输入，群体化分割模型的输出对应为个体预测勾画结果，将目标对象的目标CT图像在目标区域的参考勾画结果作为标签，对群体化分割模型的参数进行微调，由于图像生成模型不变，能够保证目标CT图像和输出的目标伪MRI图像的结构是一致的，那么对应于目标对象的真实MRI图像，也能够保证目标伪MRI图像和真实MRI图像之间的结构一致性(解剖结构相同)，通过对群体化分割模型的参数进行微调，得到的个性化分割模型能够跨域应用至真实的MRI图像。

本公开实施例提供的方法中，在构建目标MRI模型的过程中，包括对第一模型、第二模型的训练过程，无需收集MRI的勾画标注数据，通过利用大量可获得的CT勾画标注数据，建立可靠的群体化分割模型。此外还可以利用每个对象(例如为癌症患者)模拟定位阶段的CT图像和对应的勾画数据(作为参考勾画结果)，对每个对象建立其在MRIgRT治疗时使用的个性化分割模型。

在实际场景中，当新患者入院后，医生首先会对其完成CT定位及对应的感兴趣区勾画工作，得到目标对象的目标CT图像和该目标CT图像在目标区域的参考勾画结果。在该患者进行第一次MRI扫描前，将目标CT图像先输入至图像生成模型得到目标sMRI图像，再将得到的目标sMRI图像和目标CT图像上的参考勾画结果用于群体化分割模型的微调，得到的个性化分割模型作为用于进行该目标对象的MRI图像处理的目标MRI勾画模型。在患者进行当日的MRI扫描后，便能将MRI图像输入到微调后的个性化分割模型中，获得高精度的自动勾画的感兴趣区域的结构。

医生和物理师可基于勾画得到的结构观察患者的解剖变化，或进行自适应放疗等，不仅精度相对于群体化分割模型更高，基于深度学习构建的模型自动化处理效率高，相较于人工实时对待处理的MRI图像进行手动勾画，还可大幅度提升处理效率，节约患者等待时间，提高临床运转效率。

本公开的第二个示例性实施例提供了一种MRI图像勾画处理的方法。

图5示意性地示出了根据本公开实施例的MRI图像勾画处理的方法的流程图。

参照图5所示，本公开实施例提供的MRI图像勾画处理的方法，包括以下步骤：S510和S520。

在步骤S510，获取待处理的目标对象的MRI图像。

需要说明的是，该步骤S510中的目标对象和构建MRI勾画模型的方法中描述的步骤S132中的目标对象是同一个对象。

在步骤S520，将上述目标对象的MRI图像输入至预先构建好的目标MRI勾画模型中，输出得到针对上述目标对象的MRI图像的勾画结果。

上述目标MRI勾画模型采用第一个实施例描述的构建MRI勾画模型的方法构建得到，具体实施细节可以参照第一个实施例的详细描述，这里不再赘述。

图6示意性地示出了癌症患者的MRI图像的勾画处理效果对比图，其中(a)采用常规MRI勾画模型处理的效果，常规MRI勾画模型是由MRI图像和针对MRI图像的勾画标注数据训练得到，(b)采用本公开实施例中的群体化分割模型作为目标MRI勾画模型进行处理的效果，(c)采用本公开实施例中的个性化分割模型作为目标MRI勾画模型进行处理的效果。

为了对比常规采用MRI图像的勾画标注数据得到的常规MRI勾画模型的勾画效果和本公开实施例提供的群体化分割模型和个性化分割模型的勾画效果，参照图6中(a)～(c)所示，均示意了前列腺癌症患者的示例性MRI图像的真实CTV(肿瘤临床靶区)区域，并分别示意了采用常规MRI勾画模型对MRI图像处理的勾画结果A，采用本公开实施例提供的群体化分割模型对MRI图像处理的勾画结果B，采用本公开实施例提供的个性化分割模型对MRI图像处理的勾画结果C。

对比图6中(b)的勾画结果B和真实CTV可知，采用群体化分割模型能够涵盖目标区域，在精度允许的误差范围内实现快速勾画的效果。对比图6中(b)和(a)可知，采用本公开实施例提供的群体化分割模型进行目标区域轮廓的勾画效果与采用常规MRI勾画模型进行目标区域轮廓的勾画效果相当，相较于现有的需要人工大量标注MRI图像来得到常规MRI分割模型而言，本公开提供的方法无需针对MRI图像进行人工标注，只需要利用医疗体系数据库中的CT图像和CT图像的勾画标注数据即可(CT图像对应的数据非常丰富且应用已经很广泛，其勾画标注数据已经达到很高的精确度)。

对比图6中(c)和(a)可知，采用本公开实施例提供的个性化分割模型进行目标区域轮廓的勾画效果比采用常规MRI勾画模型进行目标区域轮廓的勾画效果要好很多，提升了勾画的精确度，同时也省却了对MRI图像进行标注的人力和时间成本。

本公开的第三个示例性实施例提供了一种构建MRI勾画模型的装置。

图7示意性地示出了根据本公开实施例的构建MRI勾画模型的装置的结构框图。

参照图7所示，本公开实施例提供的构建MRI勾画模型的装置700包括：第一模型构建模块701、第二模型构建模块702和模型生成模块703。

上述第一模型构建模块701用于构建图像生成模型，上述图像生成模型的输入为CT图像，输出为伪MRI图像，上述伪MRI图像的图像结构和上述CT图像的图像结构一致。

上述第二模型构建模块702用于构建群体化分割模型，上述群体化分割模型的输入为上述伪MRI图像，输出为预测勾画结果，上述预测勾画结果与上述CT图像的目标区域的参考勾画结果一致。

上述模型生成模块703用于：将上述群体化分割模型确定为用于处理目标对象的MRI图像的目标MRI勾画模型；或者，根据目标对象的目标CT图像和上述目标CT图像的目标区域的参考勾画结果，对上述群体化分割模型的参数进行微调，得到个性化分割模型，将上述个性化分割模型确定为用于处理上述目标对象的MRI图像的目标MRI勾画模型。

上述第一模型构建模块701、第二模型构建模块702和模型生成模块703的具体功能实现细节以及还可以进一步包含的功能可以参照第一个实施例中关于方法的描述，这里不再赘述。

本公开的第四个示例性实施例提供了一种MRI图像勾画处理的装置。

图8示意性地示出了根据本公开实施例的MRI图像勾画处理的装置的结构框图。

参照图8所示，本公开一种实施例提供的MRI图像勾画处理的装置800存储有目标MRI勾画模型或者能够调用目标MRI勾画模型。该目标MRI勾画模型采用上述构建MRI勾画模型的方法构建得到，或者采用上述构建MRI勾画模型的装置构建得到。

上述MRI图像勾画处理的装置800包括：数据获取模块801和处理模块802。

上述数据获取模块801用于获取待处理的目标对象的MRI图像。

上述处理模块802用于将上述目标对象的MRI图像输入至上述目标MRI勾画模型中，输出得到针对上述目标对象的MRI图像的勾画结果。

上述装置700或装置800所包含的功能模块中的任意多个可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。上述装置700或装置800所包含的功能模块中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，上述装置700或装置800所包含的功能模块中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

本公开的第五个示例性实施例提供了一种电子设备。

图9示意性地示出了本公开实施例提供的电子设备的结构框图。

参照图9所示，本公开实施例提供的电子设备900包括处理器901、通信接口902、存储器903和通信总线904，其中，处理器901、通信接口902和存储器903通过通信总线904完成相互间的通信；存储器903，用于存放计算机程序；处理器901，用于执行存储器上所存放的程序时，实现如上所述的构建MRI勾画模型的方法或MRI图像勾画处理的方法。

本公开的第六个示例性实施例还提供了一种计算机可读存储介质。上述计算机可读存储介质上存储有计算机程序，上述计算机程序被处理器执行时实现如上所述的构建MRI勾画模型的方法或MRI图像勾画处理的方法。

该计算机可读存储介质可以是上述实施例中描述的设备/装置中所包含的；也可以是单独存在，而未装配入该设备/装置中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。

根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅是本公开的具体实施方式，使本领域技术人员能够理解或实现本公开。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本公开的精神或范围的情况下，在其它实施例中实现。因此，本公开将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种构建MRI勾画模型的方法，其特征在于，包括：

构建图像生成模型，所述图像生成模型的输入为CT图像，输出为伪MRI图像，所述伪MRI图像的图像结构和所述CT图像的图像结构一致；

构建群体化分割模型，所述群体化分割模型的输入为所述伪MRI图像，输出为预测勾画结果，所述预测勾画结果与所述CT图像的目标区域的参考勾画结果一致；

将所述群体化分割模型确定为用于处理目标对象的MRI图像的目标MRI勾画模型；或者，根据目标对象的目标CT图像和所述目标CT图像的目标区域的参考勾画结果，对所述群体化分割模型的参数进行微调，得到个性化分割模型，将所述个性化分割模型确定为用于处理所述目标对象的MRI图像的目标MRI勾画模型。

2.根据权利要求1所述的方法，其特征在于，根据目标对象的目标CT图像和所述目标CT图像的目标区域的参考勾画结果，对所述群体化分割模型的参数进行微调，得到个性化分割模型，包括：

将所述目标对象的目标CT图像输入至所述图像生成模型，输出的目标伪MRI图像作为所述群体化分割模型的输入，所述群体化分割模型输出得到个体预测勾画结果；

根据所述个体预测勾画结果和所述目标CT图像的目标区域的参考勾画结果的差距，对所述群体化分割模型进行参数微调，得到个性化分割模型。

3.根据权利要求1所述的方法，其特征在于，所述构建图像生成模型，包括：

获取第一训练数据和第一训练标签，所述第一训练数据包括：多个第一训练用对象的第一CT图像，所述第一训练标签包括：所述第一训练用对象的MRI图像的参考图像结构；其中同一个训练对象的所述MRI图像和所述第一CT图像中携带的结构信息是相同的；

将所述第一CT图像输入至第一模型进行训练，所述第一模型的输出为与所述第一CT图像对应的第一伪MRI图像，在所述第一伪MRI图像的图像结构和所述MRI图像的参考图像结构的差距小于第一设定阈值的情况下训练完成，训练完成的第一模型为所述图像生成模型。

4.根据权利要求3所述的方法，其特征在于，所述第一CT图像和所述MRI图像均为进行归一化处理后的图像，取值区间为[-1，1]。

5.根据权利要求1所述的方法，其特征在于，所述构建群体化分割模型，包括：

获取第二训练数据和第二训练标签，所述第二训练数据包括第二伪MRI图像，所述第二伪MRI图像是由多个第二训练用对象的第二CT图像输入至所述图像生成模型后输出得到；所述第二训练标签包括：所述第二CT图像的目标区域的训练用参考勾画结果；

将所述第二伪MRI图像输入至第二模型进行训练，所述第二模型的输出为与所述第二伪MRI图像对应的训练用预测勾画结果，在所述训练用预测勾画结果和所述训练用参考勾画结果的差距小于第二设定阈值的情况下训练完成，训练完成的第二模型为所述群体化分割模型。

6.一种MRI图像勾画处理的方法，其特征在于，包括：

获取待处理的目标对象的MRI图像；

将所述目标对象的MRI图像输入至预先构建好的目标MRI勾画模型中，输出得到针对所述目标对象的MRI图像的勾画结果；所述目标MRI勾画模型采用权利要求1-5中任一项所述的方法构建得到。

7.一种构建MRI勾画模型的装置，其特征在于，包括：

第一模型构建模块，用于构建图像生成模型，所述图像生成模型的输入为CT图像，输出为伪MRI图像，所述伪MRI图像的图像结构和所述CT图像的图像结构一致；

第二模型构建模块，用于构建群体化分割模型，所述群体化分割模型的输入为所述伪MRI图像，输出为预测勾画结果，所述预测勾画结果与所述CT图像的目标区域的参考勾画结果一致；

勾画模型生成模块，用于将所述群体化分割模型确定为用于处理目标对象的MRI图像的目标MRI勾画模型；或者，根据目标对象的目标CT图像和所述目标CT图像的目标区域的参考勾画结果，对所述群体化分割模型的参数进行微调，得到个性化分割模型，将所述个性化分割模型确定为用于处理所述目标对象的MRI图像的目标MRI勾画模型。

8.一种MRI图像勾画处理的装置，其特征在于，所述MRI图像勾画处理的装置存储有目标MRI勾画模型或者能够调用目标MRI勾画模型；所述目标MRI勾画模型采用权利要求1-5中任一项所述的方法构建得到，或者采用权利要求7所述的装置构建得到；所述装置包括：

数据获取模块，用于获取待处理的目标对象的MRI图像；

处理模块，用于将所述目标对象的MRI图像输入至所述目标MRI勾画模型中，输出得到针对所述目标对象的MRI图像的勾画结果。

9.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器、通信接口和存储器通过通信总线完成相互间的通信；

存储器，用于存放计算机程序；

处理器，用于执行存储器上所存放的程序时，实现权利要求1-6中任一项所述的方法。

10.一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1-6中任一项所述的方法。

Images