本发明专利技术公开了一种应用于宫颈癌放疗临床靶区识别方法及装置，包括：获取待识别的目标图像，所述目标图像为3D宫颈癌CT影像；基于目标分割网络模型对所述目标图像进行识别，获得分割结果，其中，所述目标分割网络模型为基于3D宫颈癌CT影像对应的训练样本，训练生成的神经网络模型，所述分割结果为所述目标分割网络模型识别出的待确定的放疗临床靶区；基于所述分割结果，确定宫颈癌目标放疗临床靶区。本发明专利技术基于目标分割网络模型实现了宫颈癌放疗临床靶区勾画，提高了宫颈癌放疗临床靶区自动勾画的效率和准确性，降低了人力成本。降低了人力成本。降低了人力成本。
【技术实现步骤摘要】
一种应用于宫颈癌放疗临床靶区识别方法及装置
[0001]本专利技术涉及医疗影像处理
，特别是涉及一种应用于宫颈癌放疗临床靶区识别方法及装置。
技术介绍
[0002]宫颈癌是最常见的妇科恶性肿瘤之一，严重危害我国女性健康与生命。在宫颈癌的临床治疗中，放射治疗(简称放疗)已成为主要治疗手段。随着影像学的不断发展，现在的放疗技术由二维放疗发展到三维放疗、四维放疗技术，放疗剂量分配也由点剂量发展到体积剂量分配。放疗实施过程主要包括影像采集、靶区勾画、放疗计划制定和放疗计划实施等。其中，放疗效果好坏的关键在于能否基于获取到的影像，快速而又精准的完成靶区勾画。涉及到的靶区有大体肿瘤靶区GTV，即肿瘤的病灶区域，这部分通常可从影像中直接观察到；临床靶区CTV，不仅包括肿瘤的病灶区域还包括亚临床病灶区域，即肿瘤可能转移的区域，这部分在影像上不容易直接观察到，也是靶区勾画的重点和难点；计划靶区PTV，即放疗实际实施的区域。
[0003]在临床放疗中，肿瘤临床靶区的勾画是由住院医生手动完成的。这种人工勾画的方式存在以下问题：人工勾画过程会占据医生大量的工作时间，费时费力；依赖医生主观经验，易产生误判；部分影像中靶区尺寸较小，人眼存在局限性，可能会遗漏部分靶区，造成漏判。可见现有的基于医疗影像人工勾画肿瘤临床靶区的方式已经无法满足实际的应用需求。
技术实现思路
[0004]针对于上述问题，本专利技术提供一种应用于宫颈癌放疗临床靶区识别方法及装置，提高了宫颈癌放疗临床靶区自动勾画的效率和准确性，降低了人力成本。
[0005]为了实现上述目的，本专利技术提供了如下技术方案：
[0006]一种应用于宫颈癌放疗临床靶区识别方法，包括：
[0007]获取待识别的目标图像，所述目标图像为3D宫颈癌CT影像；
[0008]基于目标分割网络模型对所述目标图像进行识别，获得分割结果，其中，所述目标分割网络模型为基于3D宫颈癌CT影像对应的训练样本，训练生成的神经网络模型，所述分割结果为所述目标分割网络模型识别出的待确定的放疗临床靶区；
[0009]基于所述分割结果，确定宫颈癌目标放疗临床靶区。
[0010]可选地，所述方法还包括：
[0011]获取初始样本集，所述目标样本集为标注有放疗临床靶区的区域信息的3D宫颈癌CT影像数据集；
[0012]对所述初始样本集进行图像预处理，获得目标样本集；
[0013]确定网络模型的目标结构，所述目标结构包括编码器、解码器、上采样分支和特征融合分支；
[0014]基于所述目标样本集对具有所述目标结构的网络模型进行训练，获得目标分割网络模型，所述目标分割网络模型具有预测得到的放疗临床靶区趋于实际标注的放疗临床靶区的能力。
[0015]可选地，所述对所述初始样本集进行图像预处理，获得目标样本集，包括：
[0016]对所述初始样本集中的样本数据进行数据清洗，得到第一样本数据；
[0017]利用目标阈值分割算法对所述第一样本数据进行处理，得到第二样本数据；
[0018]对所述第二样本数据进行重采样，得到目标样本集。
[0019]可选地，所述基于所述目标样本集对具有所述目标结构的网络模型进行训练，获得目标分割网络模型，包括：
[0020]获取具有目标结构的网络模型对所述目标样本集中的3D宫颈癌CT影像识别的预测靶区结果；
[0021]基于预测靶区结果与实际标注的放疗临床靶区的区域信息进行比较，获得比较结果；
[0022]基于所述比较结果，对所述目标结构中的参数信息进行调节，获得目标分割网络模型。
[0023]可选地，所述基于所述分割结果，确定宫颈癌放疗临床靶区，包括：
[0024]将所述分割结果转换为目标数组；
[0025]根据所述目标数组，提取区域轮廓信息；
[0026]基于所述区域轮廓信息，确定宫颈癌放疗临床靶区。
[0027]一种应用于宫颈癌放疗临床靶区识别装置，包括：
[0028]获取单元，用于获取待识别的目标图像，所述目标图像为3D宫颈癌CT影像；
[0029]识别单元，用于基于目标分割网络模型对所述目标图像进行识别，获得分割结果，其中，所述目标分割网络模型为基于3D宫颈癌CT影像对应的训练样本，训练生成的神经网络模型，所述分割结果为所述目标分割网络模型识别出的待确定的放疗临床靶区；
[0030]确定单元，用于基于所述分割结果，确定宫颈癌目标放疗临床靶区。
[0031]可选地，所述装置还包括：
[0032]样本获取单元，用于获取初始样本集，所述目标样本集为标注有放疗临床靶区的区域信息的3D宫颈癌CT影像数据集；
[0033]预处理单元，用于对所述初始样本集进行图像预处理，获得目标样本集；
[0034]结构确定单元，用于确定网络模型的目标结构，所述目标结构包括编码器、解码器、上采样分支和特征融合分支；
[0035]训练单元，用于基于所述目标样本集对具有所述目标结构的网络模型进行训练，获得目标分割网络模型，所述目标分割网络模型具有预测得到的放疗临床靶区趋于实际标注的放疗临床靶区的能力。
[0036]可选地，所述预处理单元包括：
[0037]清洗子单元，用于对所述初始样本集中的样本数据进行数据清洗，得到第一样本数据；
[0038]第一处理子单元，用于利用目标阈值分割算法对所述第一样本数据进行处理，得到第二样本数据；
[0039]重采样子单元，用于对所述第二样本数据进行重采样，得到目标样本集。
[0040]可选地，所述训练单元具体用于：
[0041]获取具有目标结构的网络模型对所述目标样本集中的3D宫颈癌CT影像识别的预测靶区结果；
[0042]基于预测靶区结果与实际标注的放疗临床靶区的区域信息进行比较，获得比较结果；
[0043]基于所述比较结果，对所述目标结构中的参数信息进行调节，获得目标分割网络模型。
[0044]可选地，所述确定单元具体用于：
[0045]将所述分割结果转换为目标数组；
[0046]根据所述目标数组，提取区域轮廓信息；
[0047]基于所述区域轮廓信息，确定宫颈癌放疗临床靶区。
[0048]相较于现有技术，本专利技术提供了一种应用于宫颈癌放疗临床靶区识别方法及装置，包括：获取待识别的目标图像，所述目标图像为3D宫颈癌CT影像；基于目标分割网络模型对所述目标图像进行识别，获得分割结果，其中，所述目标分割网络模型为基于3D宫颈癌CT影像对应的训练样本，训练生成的神经网络模型，所述分割结果为所述目标分割网络模型识别出的待确定的放疗临床靶区；基于所述分割结果，确定宫颈癌目标放疗临床靶区。本专利技术基于目标分割网络模型实现了宫颈癌放疗临床靶区自动勾画，提高了宫颈癌放疗临床靶区勾画的效率和准确性，降低了人力成本。
附图说明
[0049]为了更清楚地说明本专利技术实施例或现有技术中的本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种应用于宫颈癌放疗临床靶区识别方法，其特征在于，包括：获取待识别的目标图像，所述目标图像为3D宫颈癌CT影像；基于目标分割网络模型对所述目标图像进行识别，获得分割结果，其中，所述目标分割网络模型为基于3D宫颈癌CT影像对应的训练样本，训练生成的神经网络模型，所述分割结果为所述目标分割网络模型识别出的待确定的放疗临床靶区；基于所述分割结果，确定宫颈癌目标放疗临床靶区。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：获取初始样本集，所述目标样本集为标注有放疗临床靶区的区域信息的3D宫颈癌CT影像数据集；对所述初始样本集进行图像预处理，获得目标样本集；确定网络模型的目标结构，所述目标结构包括编码器、解码器、上采样分支和特征融合分支；基于所述目标样本集对具有所述目标结构的网络模型进行训练，获得目标分割网络模型，所述目标分割网络模型具有预测得到的放疗临床靶区趋于实际标注的放疗临床靶区的能力。3.根据权利要求2所述的方法，其特征在于，所述对所述初始样本集进行图像预处理，获得目标样本集，包括：对所述初始样本集中的样本数据进行数据清洗，得到第一样本数据；利用目标阈值分割算法对所述第一样本数据进行处理，得到第二样本数据；对所述第二样本数据进行重采样，得到目标样本集。4.根据权利要求2所述的方法，其特征在于，所述基于所述目标样本集对具有所述目标结构的网络模型进行训练，获得目标分割网络模型，包括：获取具有目标结构的网络模型对所述目标样本集中的3D宫颈癌CT影像识别的预测靶区结果；基于预测靶区结果与实际标注的放疗临床靶区的区域信息进行比较，获得比较结果；基于所述比较结果，对所述目标结构中的参数信息进行调节，获得目标分割网络模型。5.根据权利要求1所述的方法，其特征在于，所述基于所述分割结果，确定宫颈癌放疗临床靶区，包括：将所述分割结果转换为目标数组；根据所述目标数组，提取区域轮廓信息；基于所述区域轮廓信息，确定宫颈癌放疗临床靶区。6.一种应用于宫颈癌放疗临床...
【专利技术属性】
技术研发人员：安虹，易会特，石军，赵敏帆，朱子琦，郝晓宇，韩文廷，王朝晖，
申请(专利权)人：中国科学技术大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。