[发明专利]一种基于深度语义分割网络的自动识别鼻咽癌原发肿瘤方法

说明书

本发明公开了一种基于深度语义分割网络的自动识别鼻咽癌原发肿瘤方法，方法包括：采集患者的磁共振三维图像；对三维图像进行灰度偏差场的纠正处理；对预处理步骤后的三维图像利用改进的直方图匹配算法进行处理；对上述预处理步骤后的三维图像截取ROI区域，并分割为2*2个有重叠的patch作为模型的输入；对多个patch输入已训练的深度语义分割网络进行鼻咽癌原发肿瘤的识别，最终将输出的多个patch的识别结果合并，得到最终的原发肿瘤识别结果。本发明能有效提高输入数据的质量，并学习到高分辨率图像的全局信息和细节信息，结合后处理方法，能有效提高预测的准确度和模型的泛化能力，进而有效提高医疗工作者的工作效率。

技术领域

本发明涉及图像处理领域、深度学习领域、医疗领域，尤其是一种基于深度语义分割网络的自动识别鼻咽癌原发肿瘤方法。

背景技术

在医学领域，调强适形放射治疗技术能够大大提高癌症患者的生存率及生活质量。但是，这种先进的治疗方法需要对目标肿瘤的轮廓进行准确的判断，放射治疗方案的制定需要花费放疗科医生数小时时间。。同时，可以预期在接下来的十年中，癌症发病率上升将继续主导全球医疗保险负担的加重。尤其在中国及东南亚地区，根据统计，每年可以记录多达60000个新的鼻咽癌病例。由于鼻炎毗邻颅底，60％～70％的患者在就诊时即出现颅底骨质的破坏，18％的患者甚至伴有颅内及或海绵窦的侵犯，手术困难。同时85％的患者伴有颈部或咽喉淋巴结的转移，不适合手术。世卫组织将鼻咽癌分为三种类型：角化鳞状细胞癌、非角化癌、未分化癌。在中国及东南亚地区，95％的鼻咽癌为未分化癌，剩下的5％中绝大多数为非角化癌，对放射治疗具有中度敏感性，放射治疗是鼻咽癌的主要治疗方法。为保证在有限的医疗治疗资源下，使更多的患者能够接受及时有效的放射治疗，简化放疗医生的工作流程、提高放疗方案的制定效率至关重要。

近年来，人们对探索人工智能辅助医生进行疾病的诊断产生了浓厚的兴趣，并在某些领域利用AI算法建立了表现优于人类专家的数学模型。其中，在自动描绘鼻咽癌原发性肿瘤的初步研究中，可以发现人工智能(AI)作为一种强有力的方法，在正常组织分割任务中表现出相当的优势。因此有理由相信，采用深度学习构建一个基于AI的肿瘤轮廓绘制工具，在放射治疗计划工作流程中实施AI辅助的轮廓加工方法，能有效提高医疗工作者的工作效率。在对放射治疗的需求不断增加的背景下，对缺乏放射治疗资源的中低收入国家尤其具有吸引力。同时该方法可以扩展适用于所有其他癌症类型，对未来改变放射治疗的工作流程带来实质性的推进。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于深度语义分割网络的自动识别鼻咽癌原发肿瘤方法。

为解决上述技术问题，本发明采用的技术方案是：

一种基于深度语义分割网络的自动识别鼻咽癌原发肿瘤方法，包括以下步骤：

S1：采集患者的磁共振三维图像，并对所述磁共振三维图像进行初步的数据预处理；

S2：对数据预处理后的磁共振三维图像进行灰度偏差场的纠正处理，使同一图像中相同组织内的灰度值更加均匀；

S3：利用改进的直方图匹配算法对磁共振三维图像进行处理，通过训练一个灰度映射函数，使图像的直方图与预先挑选的模板图像的直方图进行匹配，使不同图像中相同组织内的灰度值更加相近；

S4：截取磁共振三维图像的ROI区域，并分割为2*2个有重叠的patch作为模型的输入；

S5：构建并训练深度语义分割网络对原发肿瘤进行识别；

S6：将多个patch输入至已训练的深度语义分割网络进行原发肿瘤的识别；

S7：将输出的多个patch的识别结果合并，得到最终的原发肿瘤识别结果；

S8：利用平均场迭代算法对原发肿瘤识别结果进行后处理。