【技术实现步骤摘要】
本专利技术涉及医疗影像处理，具体为基于深度学习的宫颈癌靶区自动勾画系统。
技术介绍
1、宫颈癌作为女性常见的恶性肿瘤之一，严重威胁着患者的生命健康。放射治疗在宫颈癌的治疗中占据着重要地位，而靶区和危及器官的准确勾画以及剂量计算是放疗成功的关键环节。
2、传统的宫颈癌靶区和危及器官勾画主要依赖于放疗医生的手工操作，这一过程不仅耗时费力，通常需要医生花费大量时间仔细分析每一张ct图像，而且由于不同医生的经验和判断标准存在差异，导致勾画结果的一致性难以保证。这种不一致性可能会影响放疗计划的准确性，进而影响治疗效果。
3、在剂量计算方面，准确计算内外照射累积剂量对于评估放疗疗效和减少并发症至关重要。然而，传统方法在处理不同照射方式的剂量累积时面临诸多挑战，如不同扫描条件下图像的配准问题等，容易出现剂量计算不准确的情况，可能导致肿瘤区域剂量不足影响治疗效果，或者危及器官受到过量照射引发严重并发症。
4、因此，针对上述问题提出基于深度学习的宫颈癌靶区自动勾画系统。
技术实现思路
1、本专利技术的目的在于提供基于深度学习的宫颈癌靶区自动勾画系统，以解决上述
技术介绍
中提出的问题。
2、为实现上述目的，本专利技术提供如下技术方案：
3、基于深度学习的宫颈癌靶区自动勾画系统，包括：
4、数据采集模块；数据采集模块确定宫颈癌患者的入组标准和排除标准，采集患者内外照射定位ct图像，对ct图像中的靶区和危及器官进行专家勾画并采集剂量分布
5、深度学习模型构建模块；深度学习模型构建模块包括：
6、分割模型构建单元；分割模型构建单元收集并预处理宫颈癌患者的内外照射定位ct图像，筛选数据并整理专家勾画结果；以v-net模型为基础，搭建输入层接收128×128×64三维体数据，构建包含卷积核、跳转连接及attention block模块的编码网络，再用转置卷积构建解码网络；随机初始化模型参数，设置学习率、迭代次数和批处理大小；
7、配准模型构建单元；配准模型构建单元输入目标图和源图两组体数据，通过卷积层提取特征，利用空洞卷积扩大感受野后，基于包含可逆形变损失、配准相似性测度损失及形变场连续性损失的目标函数计算形变场，采用adam优化算法结合学习率衰减策略，利用数据变换策略扩充数据量，基于训练集和验证集调整模型；
8、模型训练与优化模块；模型训练与优化模块使用训练集对分割模型和配准模型进行训练，采用数据变换策略扩充训练数据量，通过优化算法更新模型参数，依据验证集评估结果调整模型结构和训练策略；
9、自动勾画与剂量计算模块；利用训练好的分割模型进行自动勾画，通过计算dsc和95hd指标评估勾画准确性，运用配准模型配准图像获取空间变换关系，将空间变换关系应用于剂量图进行内外照射剂量的统一坐标系和累积计算，最终得到累积总剂量图。
10、作为一种优选方案，分割模型构建单元中，编码网络卷积操作公式为：
11、；
12、其中，表示输出特征图，表示三维体数据中的坐标位置，表示卷积核大小，表示卷积核权重，表示输入数据；
13、通过编码网络卷积操作后由relu函数激活；
14、attention block计算方式为：
15、设和为不同尺度特征图；
16、，其中，为可学习的权重矩阵，用于计算query；
17、，其中，为可学习的权重矩阵，用于计算key；
18、，其中，为可学习的权重矩阵，用于计算value；
19、，其中，为的维度，表示注意力矩阵，softmax函数用于归一化得到注意力矩阵；
20、后通过以下公式得到注意力加权后的特征图：
21、。
22、作为一种优选方案，配准模型构建单元中，可逆形变损失公式为：
23、；
24、其中，表示图像中像素点的坐标位置，表示将源图配准到目标图的空间形状变换，表示将目标图配准到源图的空间形状变换，表示计算范数，用于衡量空间形状变换前后像素点位置的差异；
25、配准相似性测度损失公式为：
26、；
27、其中，表示目标图像，表示源图像，表示源图像经过配准变换后的图像，表示目标图像经过配准变换后的图像，、、分别为相应图像的边缘熵和联合熵，计算涉及边缘概率密度和联合概率密度的公式如下：
28、；
29、其中，表示图像中像素值为的边缘概率密度，表示图像的边缘熵，衡量图像的不确定性或信息量；
30、；
31、其中，表示图像中像素值为的边缘概率密度，表示图像的边缘熵；
32、；
33、其中，表示图像和的联合熵；
34、形变场连续性损失公式为：
35、；
36、其中，表示梯度算子，表示以为目标图像、为源图像的配准估计得到的形变场，表示以为目标图像、为源图像的配准估计得到的形变场，和分别表示形变场和在坐标位置处的梯度范数，梯度范数越小表示形变越连续。
37、作为一种优选方案，模型训练与优化模块中，数据变换策略包括图像水平翻转、随机抠取、尺度变换和旋转；adam优化算法参数更新公式为：
38、；其中，表示第次迭代的一阶矩估计，为衰减率，表示第次迭代的一阶矩估计，表示第次迭代的梯度；
39、；其中，表示第次迭代的二阶矩估计，为衰减率，表示第次迭代的二阶矩估计，表示第次迭代梯度的平方；
40、利用公式对一阶矩估计进行修正，其中，为对一阶矩估计进行修正后的结果；
41、利用公式对二阶矩估计进行修正，其中，为对二阶矩估计进行修正后的结果；
42、；其中，表示第t次迭代的模型参数，表示第次迭代的模型参数，为学习率，决定参数更新的步长，为一个常数。
43、作为一种优选方案，自动勾画与剂量计算模块中，dsc计算公式为：
44、；
45、其中，tp表示被正确地划分为正例的个数，也就是实际属于靶区区域且被算法划分为靶区内像素的像素数；fp表示被错误地划分为正例的个数，也就是实际不属于靶区区域但被算法划分为靶区内像素的像素数；fn表示被错误地划分为负例的个数，也就是实际为属于靶区区域但被算法划分为非靶区内像素的像素数，dsc用于衡量自动勾画结果与专家勾画金标准之间的相似度，值越接近1表示勾画准确性越高；
46、95hd计算先通过以下公式计算预测结果和真实结果边缘点集距离矩阵：
47、；
48、其中，表示预测结果边缘点集，表示真实结果边缘点集，表示点和点之间的距离，这里采用l2范式距离或欧式距离，表示从点集中的每个点到点集中的最近点的距离组成的矩阵；
49、取95百分位数为95hd值。
50、由上述本专利技术提本文档来自技高网...
【技术保护点】
1.基于深度学习的宫颈癌靶区自动勾画系统，其特征在于：包括：
2.根据权利要求1所述的基于深度学习的宫颈癌靶区自动勾画系统，其特征在于：所述分割模型构建单元中，编码网络卷积操作公式为：
3.根据权利要求2所述的基于深度学习的宫颈癌靶区自动勾画系统，其特征在于：所述配准模型构建单元中，可逆形变损失公式为：
4.根据权利要求3所述的基于深度学习的宫颈癌靶区自动勾画系统，其特征在于：所述模型训练与优化模块中，数据变换策略包括图像水平翻转、随机抠取、尺度变换和旋转；Adam优化算法参数更新公式为：
5.根据权利要求4所述的基于深度学习的宫颈癌靶区自动勾画系统，其特征在于：所述自动勾画与剂量计算模块中，DSC计算公式为：
【技术特征摘要】
1.基于深度学习的宫颈癌靶区自动勾画系统，其特征在于：包括：
2.根据权利要求1所述的基于深度学习的宫颈癌靶区自动勾画系统，其特征在于：所述分割模型构建单元中，编码网络卷积操作公式为：
3.根据权利要求2所述的基于深度学习的宫颈癌靶区自动勾画系统，其特征在于：所述配准模型构建单元中，可逆形变损失公式为：
【专利技术属性】
技术研发人员：邹喜，郭飞宝，陈燕彬，蓝林臻，柳炫宇，陈舒影，
申请(专利权)人：福建医科大学附属第一医院，
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。