[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

说明书

本发明公开了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，包括：数据采集：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：对采集的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；模型训练：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；以及预测结果融合：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。本发明的自动勾画系统能够减少放疗时医生勾画乳腺癌靶区的时间，并可提高医生勾画结果的一致性。

技术领域

本发明是关于医学图像处理技术领域，特别是关于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。

背景技术

据全球统计数据显示，乳腺癌已经成为全球女性多发的恶性肿瘤之一，且随着生活水平的提高，乳腺癌的发病率逐年提升且发病年龄日益年轻化。随着医疗手段的进步，放射治疗技术已经成为乳腺癌主要治疗手段之一，乳腺癌放疗可以大大提高病人的生活质量，同时提高患者的生存率。然而靶区勾画是放射治疗的关键点也是难点，靶区勾画耗费医生大量的时间和精力，且完全依赖医生的临床经验，主观性较强，因此靶区自动勾画应运而生。

目前乳腺癌临床靶区的勾画主要存在以下几种技术：第一种为医生手动勾画，这种技术关键点在于医生，临床医生根据经验进行靶区勾画，一致性较差，且耗费医生大量的时间和精力。第二种为模板匹配，这种技术需要医生挑选模板，在勾画时，先进行图像配准，然后将模板的靶区通过配准矩阵融合到病人图像上。第三种为利用深度学习进行乳房靶区自动勾画，这种技术需要收集大量数据，训练网络模型，利用训练较好的模型进行靶区自动勾画。

医生手动勾画靶区，一方面，CT影像的层数较多，导致医生手动勾画耗费较长时间，加重医生负担。另一方面，每个病人独特的解剖结构以及拍摄CT影像时不同摆位的差异，还有放疗医生的主观经验，这些因素都导致靶区勾画的结果过于主观，不同医生勾画的靶区存在较大差异，对放疗效果评估会产生非常不利的影响。

基于模板匹配的乳腺癌临床靶区勾画主要依赖医生选择的模板以及配准算法的精度。在进行靶区勾画时，需要首先进行图像配准，图像配准的精度直接影响靶区勾画的准确度，并且图像配准对图像的完整性要求较高，缺层以及不同层厚拼接的CT影像都会导致配准失败进而导致靶区勾画失败。

目前现有的基于深度学习的乳腺癌临床靶区勾画方法主要集中在勾画乳房区域的靶区，然而忽略了内乳引流区和颈部引流区，其次，现存的多种方法仅考虑到二维区域上乳房靶区的勾画，忽略了三维上靶区的连续性，导致靶区三维连续性较差，进而导致放疗时剂量的差异较大。

公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。

发明内容

本发明的目的在于提供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，其能够减少乳腺癌病人放疗时医生勾画靶区的时间，并可提高医生勾画的一致性。