CN116258735B - 一种宫颈癌组织间插植针重建系统 - Google Patents
一种宫颈癌组织间插植针重建系统 Download PDFInfo
- Publication number
- CN116258735B CN116258735B CN202310547485.5A CN202310547485A CN116258735B CN 116258735 B CN116258735 B CN 116258735B CN 202310547485 A CN202310547485 A CN 202310547485A CN 116258735 B CN116258735 B CN 116258735B
- Authority
- CN
- China
- Prior art keywords
- representing
- target image
- neural network
- convolutional neural
- network 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.)
- Active
Links
- 238000003780 insertion Methods 0.000 title claims abstract description 58
- 230000037431 insertion Effects 0.000 title claims abstract description 56
- 206010008342 Cervix carcinoma Diseases 0.000 title claims abstract description 23
- 208000006105 Uterine Cervical Neoplasms Diseases 0.000 title claims abstract description 23
- 201000010881 cervical cancer Diseases 0.000 title claims abstract description 23
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 47
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000004519 manufacturing process Methods 0.000 claims abstract description 11
- 238000005520 cutting process Methods 0.000 claims abstract description 4
- 238000012360 testing method Methods 0.000 claims description 13
- 230000011218 segmentation Effects 0.000 claims description 12
- 238000000034 method Methods 0.000 claims description 10
- 238000001959 radiotherapy Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000009499 grossing Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000013441 quality evaluation Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 2
- 206010028980 Neoplasm Diseases 0.000 description 4
- 238000002513 implantation Methods 0.000 description 4
- 210000000920 organ at risk Anatomy 0.000 description 4
- 238000002591 computed tomography Methods 0.000 description 2
- 238000003325 tomography Methods 0.000 description 2
- 210000001215 vagina Anatomy 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002725 brachytherapy Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 210000000664 rectum Anatomy 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000000813 small intestine Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 210000003932 urinary bladder Anatomy 0.000 description 1
Classifications
-
- 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
- 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
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及一种宫颈癌组织间插植针重建系统,包括:数据预处理模块,用于裁剪CT图像中包含插植针的目标图像,并对目标图像进行预处理;掩膜处理模块,用于对预处理后的目标图像制作掩膜;模型训练模块,用于使用制作掩膜后的目标图像作为训练集对多核卷积神经网络模型进行训练,使得多核卷积神经网络模型能够预测分割CT图像中的插植针。本发明采用多核卷积神经网络模型对宫颈癌患者CT图像中的组织间插植针进行自动分割,并根据分割结果自动化重建插植针通道。
Description
技术领域
本发明涉及图像处理技术领域,特别涉及一种宫颈癌组织间插植针重建系统。
背景技术
对于局部晚期宫颈癌,肿瘤体积大、宫旁广泛扩展、外照射后反应不佳或靶点和高危器官(OAR)非常接近,通常需要联合采用腔内施源器和组织间插植来提升高剂量覆盖率。除此之外,此方法不但可以实现靶区的高剂量分布和对于梨形区有极好的适形度,还能够有效提高对OARs的保护,因此在宫颈癌中广泛使用。
通常宫颈癌的组织间插植具有如下几个步骤:a)对宫颈癌患者进行CT扫描,从患者肿瘤部位、大小等方面综合评估插植针所需数目和插入肿瘤组织的深度;b)经过经验丰富的医师将2-11根插植针经阴道插入患处;c)再次CT扫描患者的解剖轮廓和插植针的位置;d)医师勾画靶区和OARs的轮廓;e)通过放疗物理师重建插植针的位置,并优化插植针中的源停留位置和停留时间来制定治疗放疗计划;f)经医师审核后,采用后装机执行放疗计划。
其中,插植针的重建至关重要,虽然当前流程已经被广泛使用,但是仍存在一些问题,比如在放疗计划的制定中,物理师仍然采用手动重建插植针的位点,而且插植针与施源器相比本身细且长,在重建过程中,花费较多时间,增加了病人的等待治疗时间并且延长痛苦。其次,人工重建插植针具有一定的主观性,对于较为生疏的物理师,容易在重建中出错,因此综上所述,亟需一种快速精准并且客观的方法来重建插植针,能够通过图像识别处理的方式自动识别分割插植针,从而减轻物理师识别和重建插植针的时间和压力。
发明内容
本发明的目的在于对宫颈癌患者CT图像中组织间插植针进行自动分割,提供一种宫颈癌组织间插植针重建系统。
为了实现上述发明目的,本发明实施例提供了以下技术方案:
一种宫颈癌组织间插植针重建系统,包括:
数据预处理模块,用于裁剪CT图像中包含插植针的目标图像,并对目标图像进行预处理;
掩膜处理模块,用于对预处理后的目标图像制作掩膜;
模型训练模块,用于使用制作掩膜后的目标图像作为训练集对多核卷积神经网络模型进行训练,使得多核卷积神经网络模型能够预测分割CT图像中的插植针。
与现有技术相比,本发明的有益效果:
本发明采用多核卷积神经网络模型对宫颈癌患者CT图像中的组织间插植针进行自动分割,并根据分割结果自动化重建插植针通道。在多核卷积神经网络模型中,从多名患者的多层CT图像中提取插植针的图像特征进行训练,通过跳跃连接合并这些特征并加以预测。对于分割边缘细小的插植针图像,多核卷积神经网络模型可以达到较高的预测精度。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明系统模块框图;
图2为本发明实施例目标图像横截面坐标系,图2中的(a)为裁剪前横截面上的坐标系,图2中的(b)为裁剪后横截面上的坐标系;
图3为本发明实施例掩膜制作目标图像,图3中的(a)为CT切片,图3中的(b)为CT切片对应的掩膜层。
具体实施方式
下面将结合本发明实施例中附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域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。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
实施例:
本发明通过下述技术方案实现,如图1所示,一种宫颈癌组织间插植针重建系统,包括数据预处理模块、掩膜处理模块、模型训练模块、模型测试模块、重建模块、重建评估模块。
所述数据预处理模块包括裁剪单元,本实施例使用的数据集原自某医院接受组织间插植近距离放射治疗的100名宫颈癌患者的CT图像,如图2中的(a)所示,原始CT图像(即CT图像)的尺寸大小为512×512,输入多核卷积神经网络模型的图像尺寸为256×256,因此在输入前,通过所述数据预处理模块的裁剪单元将原始CT图像裁剪为包含插植针的目标图像,如图2中的(b)所示,该目标图像的尺寸大小为256×256,每位患者的目标图像的CT切片层数约为21~40层(M层),每层CT切片的厚度为3mm,目标图像的分辨率为1mm×1mm。
在裁剪时构建三维空间坐标系,请参见图2中的(a),在目标图像的横截面建立x轴、y轴,患者头脚直立方向建立z轴(图2中的(a)中未示出)。
所述数据预处理模块还包括数据转换单元、数据增强单元。所述数据转换单元将目标图像的像素值进行窗口化操作,即将Dicom文件中存储的数据转换为代表了物体真正密度的HU值(Hounsfiled Unit,HU),也就是CT值,转换公式为:
其中,HU表示CT值;pixel_p表示第p个像素点的灰度值,p∈P,P为像素点总数;slope、intercept在读取CT图像的头文件(即Dicom文件)时获得,表示不同位置的具体转换关系。
所述数据增强单元进一步对目标图像进行限制对比度自适应直方图均衡化处理,以增强图像的对比度,并归一化处理,再经过keras的数据增强处理,以提高训练效率。
其中,Sq表示进行对比度自适应直方图均衡化处理后的目标图像的灰度值;rq表示第q级灰度值,q∈Q,T表示进行对比度自适应直方图均衡化处理的操作;(Q-1)表示目标图像的最大灰度值级;c(rq)表示累积值,q=0,1,...,Q-1;p(rq)表示灰度值为rq在目标图像中出现的概率值;N1和N2表示目标图像的矩阵的行和列。
在宫颈癌的组织间插植放射治疗中,每名患者在超声引导下,将插植针经阴道插入肿瘤组织,经CT断层扫描后,获取患者整个盆腔扫描断层(约79~102层)。本实施例只选取患者体内具有插植针部分的CT切片为输入多核卷积神经网络模型的有效层,每名患者的CT切片层数约为21~40层,插植针的数量通常为4~8根(n等于4~8),插植针长度为24cm、直径为1.2mm。
对于多核卷积神经网络模型的深度学习中通常需要掩膜以获取目标图像分割中感兴趣的区域,而本方案研究待分割的组织间插植针细小、不便勾勒,因此通过提取放疗计划中驻留点坐标作为每层目标图像自动分割插植针的掩膜,其中每名患者的放疗计划均由经验丰富的物理师通过Onecentra治疗计划系统制定。
所述掩膜处理模块包括掩膜制作单元、掩膜输出单元。所述掩膜制作单元解析放疗计划中驻留点的空间坐标矩阵,获取掩膜坐标:
j_index=(j-origin_j)/spacing
其中,j_index为掩膜坐标,j∈coord,coord为驻留点坐标,包括x轴、y轴、z轴;spacing为层厚;origin_j表示CT图像坐标原点。
并将z轴的坐标值由小到大排序,根据患者插植针空间坐标矩阵的z轴坐标匹配到对应第m层CT切片:
coord(z_listmin→max,256,256)=CT_slice_m(z_listmin→max,256,256)
其中,z_listmin→max表示将z轴的坐标值由小到大排序;CT_slice_m表示第m层CT切片。
所述掩膜输出单元用于构建尺寸为256×256×M的0矩阵,将对应驻留点的x轴、y轴坐标值取1:
其中,f(x,y,z)表示驻留点的坐标值;m∈M。如图3中的(a)所示,每层CT切片包含6根插植针和1根金属宫腔管,输出对应的掩膜层如图3中的(b)所示。
本方案采用多核卷积神经网络模型分割患者CT图像中的插植针,使其能够识别任何大小的CT图像并产生相同大小的输出。多核卷积神经网络模型的输入为带掩膜的目标图像,所述多核卷积神经网络模型包括第一特征提取器、第二特征提取器。
所述模型训练模块用于将带掩膜的目标图像输入多核卷积神经网络模型,首先通过第一特征提取器对目标图像中的插植针进行特征提取:
其中,Ai表示插植针第i个通道的特征图,i∈n,n表示插植针通道总数;G表示插植针的长度向量,H表示插植针的直径向量;表示第一卷积层的权重;/>表示稀疏函数;
其中,表示迭代第k次的稀疏函数,/>表示迭代第k+1次的稀疏函数;/>表示线性操作参数;/>表示第二卷积层的权重;直到稀疏函数/>迭代K次后,得到Ai。
使用第二特征提取器驻留点的特征图B后,对驻留点的特征图B进行补零填充:
上端补零填充数量:;
左端补零填充数量:;
下端补零填充数量:;
右端补零填充数量:;
其中,Xtop表示上端补零填充数量,Xleft表示左端补零填充数量,Xbotton表示下端补零填充数量,Xright表示下端补零填充数量;floor表示向下取整函数,ceil表示向上取整函数;h表示特征图长度,w表示特征图宽度;uh表示卷积核长度,uw表示卷积核宽度;fuh表示卷积核在x轴的位置,fuw表示卷积核在y轴的位置;sh表示长度方向的滑动步长,sw表示宽度方向的滑动步长;表示长度方向的平滑系数,/>表示宽度方向的平滑系数;/>表示长度方向的限制补零系数,/>表示宽度方向的限制补零系数;/>表示长度方向的弥补步长系数,表示宽度方向的弥补步长系数。
所述多核卷积神经网络模型的目标函数E为:
其中,表示真实的插植针和驻留点特征图;/>表示收敛因子;/>表示二范数;表示受权重/>约束的损失函数L的梯度。
本方案通过模型测试模块采用两个参数来评估插植针的自动分割结果,使用制作掩膜后的目标图像作为测试集对训练好的多核卷积神经网络模型进行戴斯相似系数测试和豪斯多夫距离测试。
其中,戴斯相似系数(DSC)测试用于评估两种插植针通道重建方式(手动和自动)的样本相似性,DSC的范围为0~1,越接近1则表示多核卷积神经网络模型对插植针的分割效果越好:
其中,DCS为戴斯相似系数,DCS的范围为0~1,越接近1则表示多核卷积神经网络模型对插植针的分割效果越好;A表示多核卷积神经网络模型输出的插植针分割图像,B表示输入多核卷积神经网络模型的带掩膜的目标图像;表示拉普拉斯平滑因子,通常取1,可以减少过拟合,避免分母为0。
豪斯多夫距离(HD)测试为:
其中,HD为豪斯多夫距离,HD(A,B)的值越小则表示多核卷积神经网络模型对插植针的分割效果越好;A表示多核卷积神经网络模型输出的插植针分割图像,B表示输入多核卷积神经网络模型的带掩膜的目标图像。
所述重建模块将CT图像输入训练好的多核卷积神经网络模型后,多核卷积神经网络模型输出断层切片分段的插植针由多个z轴方向的坐标点组成。本实施例采用k-means聚类算法来重建插植针的通道,对每个插植针通道,计算一个CT切片中所有点的平均坐标值,得到通道中心路径的轨迹。在重建过程中采用多项式曲线拟合方法,以减少系统误差。然后将插植针通道轨迹写入放疗计划文件,完成自动重建过程。
通过重建评估模块对多核卷积神经网络模型输出的插植针坐标点进行质量评估,质量评估的参数包括尖端误差Etip和轴误差Eshaft。其中,尖端误差Etip为:
其中,n为总插植针通道数;Predi表示第i个通道的预测长度;Gti表示第i个通道的注释长度;
轴误差Eshaft为:
其中,M为断层切片数量,n为插植针总通道数;Pred(x,y)表示多核卷积神经网络模型输出第m个切片的插植针坐标点;Gt(x,y)表示第m个切片的插植针注释坐标点。
所述重建评估模块还可以通过自动重建插植针通道与原计划手动重建插植针通道的剂量体积直方图参数(DVH)的计量学差异进行重建结果质量评估。其中剂量体积直方图参数包含高危临床霸区(HR-CTV)的D90%,危及器官(OAR)的D2cc,危及器官包括直肠、膀胱和小肠。
本方案采用多核卷积神经网络模型对宫颈癌患者CT图像中的组织间插植针进行自动分割,并根据分割结果自动化重建插植针通道。在多核卷积神经网络模型中,从多名患者的多层CT图像中提取插植针的图像特征进行训练。对于分割边缘细小的插植针图像,多核卷积神经网络模型可以达到较高的预测精度。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (6)
1.一种宫颈癌组织间插植针重建系统,其特征在于:包括:
数据预处理模块,用于裁剪CT图像中包含插植针的目标图像,并对目标图像进行预处理;
所述数据预处理模块包括裁剪单元,所述裁剪单元用于将尺寸大小为512×512的M层CT图像裁剪为包含插植针的目标图像,所述目标图像的尺寸大小为256×256;在裁剪时构建三维空间坐标系,每层目标图像的横截面为x轴、y轴,患者头脚方向为z轴;
掩膜处理模块,用于对预处理后的目标图像制作掩膜;
所述掩膜处理模块包括掩膜制作单元、掩膜输出单元,其中,
所述掩膜制作单元用于解析放疗计划中驻留点的空间坐标矩阵,获取掩膜坐标:
j_index=(j-origin_j)/spacing
其中,j_index为掩膜坐标,j∈coord,coord为驻留点坐标,包括x轴、y轴、z轴;spacing为层厚;origin_j表示CT图像坐标原点;
并将z轴的坐标值由小到大排序,根据患者插植针空间坐标矩阵的z轴坐标匹配到对应第m层CT切片:
coord(z_listmin→max,256,256)=CT_slice_m(z_listmin→max,256,256)
其中,z_listmin→max表示将z轴的坐标值由小到大排序;CT_slice_m表示第m层CT切片;
所述掩膜输出单元用于构建尺寸为256×256×M的0矩阵,将对应驻留点的x轴、y轴坐标值取1:
其中,f(x,y,z)表示驻留点的坐标值;m∈M,M为CT切片层数;
模型训练模块,用于使用制作掩膜后的目标图像作为训练集对多核卷积神经网络模型进行训练,使得多核卷积神经网络模型能够预测分割CT图像中的插植针;
重建模块,所述重建模块用于将制作掩膜后的目标图像输入训练好的多核卷积神经网络模型后,得到多核卷积神经网络模型输出的插植针坐标点,所述插植针坐标点由多个断层切片分段中插植针在z轴方向上的坐标点组成。
2.根据权利要求1所述的一种宫颈癌组织间插植针重建系统,其特征在于:所述数据预处理模块还包括数据转换单元、数据增强单元,其中,
所述数据转换单元用于将目标图像的像素值转换为CT值:
其中,HU表示CT值;pixel_p表示第p个像素点的灰度值,p∈P,P为像素点总数;slope、intercept在读取CT图像的头文件时获得,表示不同位置的具体转换关系;
所述数据增强单元用于对目标图像进行对比度自适应直方图均衡化处理,以增强图像的对比度:
其中,Sq表示进行对比度自适应直方图均衡化处理后的目标图像的灰度值;rq表示第q级灰度值,q∈Q,T表示进行对比度自适应直方图均衡化处理的操作;(Q-1)表示目标图像的最大灰度值级;c(rq)表示累积值,q=0,1,...,Q-1;p(rq)表示灰度值为rq在目标图像中出现的概率值;N1和N2表示目标图像的矩阵的行和列。
3.根据权利要求1所述的一种宫颈癌组织间插植针重建系统,其特征在于:所述多核卷积神经网络模型包括第一特征提取器、第二特征提取器;
所述模型训练模块用于将带掩膜的目标图像输入多核卷积神经网络模型,首先通过第一特征提取器对目标图像中的插植针进行特征提取:
其中,Ai表示插植针第i个通道的特征图,i∈n,n表示插植针通道总数;G表示插植针的长度向量,H表示插植针的直径向量;表示第一卷积层的权重;/>表示稀疏函数;
其中,表示迭代第k次的稀疏函数,/>表示迭代第k+1次的稀疏函数;/>表示线性操作参数;/>表示第二卷积层的权重;直到稀疏函数/>迭代K次后,得到Ai;
使用第二特征提取器驻留点的特征图B后,对驻留点的特征图B进行补零填充:
上端补零填充数量:;
左端补零填充数量:;
下端补零填充数量:;
右端补零填充数量:;
其中,Xtop表示上端补零填充数量,Xleft表示左端补零填充数量,Xbotton表示下端补零填充数量,Xright表示下端补零填充数量;floor表示向下取整函数,ceil表示向上取整函数;h表示特征图长度,w表示特征图宽度;uh表示卷积核长度,uw表示卷积核宽度;fuh表示卷积核在x轴的位置,fuw表示卷积核在y轴的位置;sh表示长度方向的滑动步长,sw表示宽度方向的滑动步长;表示长度方向的平滑系数,/>表示宽度方向的平滑系数;/>表示长度方向的限制补零系数,/>表示宽度方向的限制补零系数;/>表示长度方向的弥补步长系数,/>表示宽度方向的弥补步长系数。
4.根据权利要求3所述的一种宫颈癌组织间插植针重建系统,其特征在于:所述多核卷积神经网络模型的目标函数E为:
其中,表示真实的插植针和驻留点特征图;/>表示收敛因子;/>表示二范数;/>表示受权重/>约束的损失函数L的梯度。
5.根据权利要求3所述的一种宫颈癌组织间插植针重建系统,其特征在于:还包括模型测试模块,所述模型测试模块用于使用制作掩膜后的目标图像作为测试集对训练好的多核卷积神经网络模型进行戴斯相似系数测试和豪斯多夫距离测试,其中,戴斯相似系数测试为:
其中,DCS为戴斯相似系数,DCS的范围为0~1,越接近1则表示多核卷积神经网络模型对插植针的分割效果越好;A`表示多核卷积神经网络模型输出的插植针分割图像,B`表示输入多核卷积神经网络模型的带掩膜的目标图像;表示拉普拉斯平滑因子;
豪斯多夫距离测试为:
其中,HD为豪斯多夫距离,HD(A`,B`)的值越小则表示多核卷积神经网络模型对插植针的分割效果越好;A`表示多核卷积神经网络模型输出的插植针分割图像,B`表示输入多核卷积神经网络模型的带掩膜的目标图像。
6.根据权利要求1所述的一种宫颈癌组织间插植针重建系统,其特征在于:还包括重建评估模块,所述重建评估模块用于对多核卷积神经网络模型输出的插植针坐标点进行质量评估,质量评估的参数包括尖端误差Etip和轴误差Eshaft,其中,尖端误差Etip为:
其中,n为总插植针通道数;Predi表示第i个通道的预测长度;Gti表示第i个通道的注释长度;
轴误差Eshaft为:
其中,M为断层切片数量,n为插植针总通道数;Pred(x,y)表示多核卷积神经网络模型输出第m个切片的插植针坐标点;Gt(x,y)表示第m个切片的插植针注释坐标点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310547485.5A CN116258735B (zh) | 2023-05-16 | 2023-05-16 | 一种宫颈癌组织间插植针重建系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310547485.5A CN116258735B (zh) | 2023-05-16 | 2023-05-16 | 一种宫颈癌组织间插植针重建系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116258735A CN116258735A (zh) | 2023-06-13 |
CN116258735B true CN116258735B (zh) | 2023-07-21 |
Family
ID=86684748
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310547485.5A Active CN116258735B (zh) | 2023-05-16 | 2023-05-16 | 一种宫颈癌组织间插植针重建系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116258735B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117238489A (zh) * | 2023-11-16 | 2023-12-15 | 四川省肿瘤医院 | 多模态核医学影像中头颈肿瘤远处转移的预测方法及系统 |
CN117745731B (zh) * | 2024-02-21 | 2024-04-26 | 四川省肿瘤医院 | 一种虚拟现实辅助近距离放射治疗插植训练系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106204447A (zh) * | 2016-06-30 | 2016-12-07 | 北京大学 | 基于总变差分和卷积神经网络的超分辨率重建方法 |
CN106237547A (zh) * | 2016-08-29 | 2016-12-21 | 西南医科大学附属医院 | 一种个体化近距离单管施源器的制作方法 |
CN107041998A (zh) * | 2017-02-16 | 2017-08-15 | 西南医科大学附属医院 | 一种用于提高宫颈癌后装放射治疗计划准确度的制定方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190080795A1 (en) * | 2017-09-14 | 2019-03-14 | Foram Mahendra Sanghavi | Digitized needle biopsies nuclei information based prostate cancer detection, grading, scoring, and reporting systems and methods |
CN112957620B (zh) * | 2021-01-28 | 2022-09-27 | 苏州普能医疗科技有限公司 | 近距离放射治疗计划设计系统和方法 |
CN112933428B (zh) * | 2021-01-28 | 2022-09-27 | 苏州普能医疗科技有限公司 | 插植导板设计方法和插植导板 |
CN112862783A (zh) * | 2021-02-08 | 2021-05-28 | 杭州电子科技大学 | 一种基于神经网络的甲状腺ct图像结节自动诊断系统 |
CN113018674B (zh) * | 2021-03-18 | 2022-08-19 | 广西医科大学附属肿瘤医院 | 组织间插植导板的制作方法和组织间插植导板 |
CN113793699B (zh) * | 2021-11-16 | 2022-03-01 | 四川省肿瘤医院 | 基于5g云放疗专网的肺部肿瘤勾画方法 |
CN114242212A (zh) * | 2021-12-24 | 2022-03-25 | 四川省肿瘤医院 | 一种用于提高位置精度的施源器重建方法和系统 |
CN114596934A (zh) * | 2022-05-10 | 2022-06-07 | 四川省肿瘤医院 | 一种宫颈癌近距离治疗剂量预测系统 |
CN114939241A (zh) * | 2022-06-04 | 2022-08-26 | 李文泰 | 近距离治疗中3d打印施源模体分块进入狭窄腔隙后重组固定技术 |
CN115221926A (zh) * | 2022-07-20 | 2022-10-21 | 吉林大学 | 基于cnn-gru网络模型的心拍信号分类方法 |
CN115359143A (zh) * | 2022-09-07 | 2022-11-18 | 浙江大学医学院附属妇产科医院 | 一种施源器自动重建方法和装置 |
-
2023
- 2023-05-16 CN CN202310547485.5A patent/CN116258735B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106204447A (zh) * | 2016-06-30 | 2016-12-07 | 北京大学 | 基于总变差分和卷积神经网络的超分辨率重建方法 |
CN106237547A (zh) * | 2016-08-29 | 2016-12-21 | 西南医科大学附属医院 | 一种个体化近距离单管施源器的制作方法 |
CN107041998A (zh) * | 2017-02-16 | 2017-08-15 | 西南医科大学附属医院 | 一种用于提高宫颈癌后装放射治疗计划准确度的制定方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116258735A (zh) | 2023-06-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116258735B (zh) | 一种宫颈癌组织间插植针重建系统 | |
US11615879B2 (en) | System and method for automated labeling and annotating unstructured medical datasets | |
US11501438B2 (en) | Cone-beam CT image enhancement using generative adversarial networks | |
CN108778416B (zh) | 使用组织参数估计根据mr数据的伪ct生成的系统、方法和介质 | |
CN108770373B (zh) | 使用特征回归模型根据mr数据的伪ct生成 | |
US20220318956A1 (en) | Sct image generation using cyclegan with deformable layers | |
CN109069858B (zh) | 一种放射治疗系统及计算机可读存储装置 | |
CN108815721B (zh) | 一种照射剂量确定方法及系统 | |
CN101184527B (zh) | 并入功能性成像信息的放射治疗方案设备 | |
CN111680447A (zh) | 血流特征预测方法、装置、计算机设备和存储介质 | |
CN108428233B (zh) | 基于知识的自动图像分割 | |
CN111028914A (zh) | 人工智能引导的剂量预测方法与系统 | |
CN111815597A (zh) | 基于ct影像的左心室长短轴切面提取方法、装置、计算机设备和存储介质 | |
CN116563533A (zh) | 基于目标位置先验信息的医学图像分割方法及系统 | |
CN116258732A (zh) | 一种基于pet/ct图像跨模态特征融合的食管癌肿瘤靶区分割方法 | |
CN117076655A (zh) | 一种手术规划方案生成方法、系统、装置和介质 | |
CN115471512A (zh) | 一种基于自监督对比学习的医学影像分割方法 | |
CN111192268A (zh) | 医学图像分割模型构建方法与cbct图像骨分割方法 | |
CN113035334B (zh) | 鼻腔nkt细胞淋巴瘤放疗靶区自动勾画方法和装置 | |
KR101968671B1 (ko) | 지능형 자동 방사선 치료계획 수립방법 및 시스템 | |
Fontanella et al. | Diffusion models for counterfactual generation and anomaly detection in brain images | |
CN117523204A (zh) | 面向医疗场景的肝脏肿瘤图像分割方法、装置和可读存储介质 | |
CN111179373B (zh) | 医学图像去骨模型构建方法与骨信息去除方法 | |
CN114820730B (zh) | 一种基于伪ct的ct与cbct配准方法 | |
CN113823382B (zh) | 一种肿瘤放疗的造血功能副反应分析方法及装置 |
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 |