[发明专利]基于深度学习的CT影像乳腺癌临床靶区的自动勾画系统

权利要求书

1.一种基于深度学习的CT影像乳腺癌临床靶区的自动勾画系统，其特征在于，包括：

数据采集模块：首先从医院采集乳腺癌患者接受放疗前的CT影像以及医生手动勾画的临床靶区的轮廓数据；

数据预处理模块：对采集的所述临床靶区的轮廓数据进行预处理后，按照8:2的比例划分为训练集和测试集；

其中，所述数据预处理模块的处理方法包括：

利用合适的灰度阈值对所述CT影像的身体进行分割之后，保留身体掩膜的三维最大连通域；

将所述CT影像的相邻三层定义为一个块，以一个块的身体掩膜的中心点为中心，截取感兴趣区域，并通过线性插值归一化到相同尺寸的像素区域；

提取所述临床靶区的轮廓点，并将其插值成为掩膜，以所述一个块的身体掩膜的中心点为中心，截取相同的像素区域，并通过线性插值归一化；及

利用数据翻转、加入噪声及旋转的方法对上述步骤之后的数据进行增广；

模型训练模块：将预处理之后的训练集送入搭建的卷积神经网络中进行模型训练，当测试集的损失函数达到最小时，停止训练；其中，使用的卷积神经网络在卷积模块中加入了残差模块和通道注意力机制，并将第一个卷积模块设置为三维卷积模块，其余均为二维残差卷积模块；以及

预测结果融合模块：利用上述模型进行预测可得到颈部引流区的掩膜、乳房靶区的掩膜及内乳引流区的掩膜，将上述三个掩膜进行后处理融合成一个整体的乳腺癌临床靶区；

其中乳腺癌的所述临床靶区包括颈部引流区、乳房靶区以及内乳引流区；

其中所述模型训练模块中的损失函数为dice相似系数；

其中所述dice相似系数的计算方式为：P为网络输出的结果，G为金标准矩阵；

其中对所述颈部引流区的输出通道、所述乳房靶区的输出通道以及所述内乳引流区的输出通道的dice相似系数设置不同的权重，所述权重分别为0.2、0.2、0.6；在训练过程中为保证数据的均衡性，采用加权随机采样方式进行数据加载；

将训练数据送入神经网络，经过前向计算得到预测结果，将所述预测结果与所述训练数据中的掩膜计算损失函数，并将该损失函数按照递进反向传入神经网络，并不断优化神经网络的参数以及不断重复上述训练过程；在此训练过程中，根据测试集的损失函数评估网络的学习能力，当测试集的损失函数最小且稳定时，即结束训练。

2.如权利要求1所述的基于深度学习的CT影像乳腺癌临床靶区的自动勾画系统，其特征在于，所述数据预处理模块的处理方法还包括CT影像身体分割步骤：首先根据所述CT影像的图像灰度选择合适的阈值，将所述CT影像中低于阈值的像素值置为1，其余像素置为0，能够得到与所述CT影像相对应的二维掩膜；其次在所述二维掩膜中，保留二维层面上的最大连通域，最后保留所述二维掩膜中像素值为0的区域的三维最大连通域即能够得到所述CT影像的身体掩膜。

3.如权利要求1所述的基于深度学习的CT影像乳腺癌临床靶区的自动勾画系统，其特征在于，所述数据预处理模块的处理方法还包括感兴趣区域的裁剪步骤：以所述CT影像的相邻三层为一个块，以每个所述块为单位，选取每个所述块对应的所述身体掩膜的中心点为中心，截取固定像素尺寸的感兴趣区域，之后将所述固定像素尺寸的感兴趣区域通过线性插值归一化到320像素。

4.如权利要求3所述的基于深度学习的CT影像乳腺癌临床靶区的自动勾画系统，其特征在于，所述数据预处理模块的处理方法还包括所述临床靶区的轮廓数据的预处理步骤：根据所述临床靶区的轮廓数据，将所述临床靶区的轮廓数据的轮廓点数据提取出来，并生成掩膜，在所述掩膜上，同样以所述感兴趣区域的裁剪步骤截取得到像素尺寸为320×320的掩膜区域。

5.如权利要求4所述的基于深度学习的CT影像乳腺癌临床靶区的自动勾画系统，其特征在于，所述数据翻转为将根据权利要求3获取的感兴趣区域的裁剪数据和根据权利要求4获取的掩膜区域数据同时进行上下翻转及左右翻转；所述加入噪声包括加入高斯噪声或椒盐噪声；所述旋转为将所述感兴趣区域的裁剪数据和所述掩膜区域数据进行相同角度的旋转，旋转角度介于0-180度之间。