[发明专利]一种基于深度学习的膀胱壁自动分割工具和方法

说明书

本发明涉及一种基于深度学习的膀胱壁自动分割工具和方法，该工具包括输入端、预训练Resnet50深度神经网络、输出端、训练验证和测试单元以及整合勾画单元；所述的输入端用于输入三幅一致的核磁共振图像，作为预训练Resnet50深度神经网络的输入端，所述的输出端为膀胱壁勾画图像，所述的训练验证和测试单元采用三个不同的损失函数进行训练验证和测试，得到三个不同的神经网络模型；所述的整合勾画单元用于基于三个神经网络模型的置信度分布图，结合阈值去整合勾画结果，得出最终膀胱壁的分割图。

技术领域

本发明涉及医疗辅助技术领域，具体涉及一种基于深度学习的膀胱壁自动分割工具和方法。

背景技术

放疗中膀胱壁的分割与勾画非常重要，尤其是在盆腔肿瘤的膀胱放疗预后评估分析中可以发挥重要作用。以前列腺癌为例，前列腺癌是男性患者中最常见的癌症之一，其五年生存率已升至98%以上。随着生存期的延长，需要充分考虑放疗后的生活质量，因此治疗相关的毒性已成为癌症生存率高的患者关注的主要问题。随着调强放疗的引入，泌尿生殖系统的毒性较过去显著降低。然而，根据一些临床试验，5年毒性率大于2级为12%-15%，常见的毒性是排尿困难、尿潴留、血尿和尿失禁。毒性的主要原因是膀胱壁和尿道的高剂量堆积。根据相关研究，膀胱是一个储存尿液的中空器官，膀胱壁的累积剂量可以代表真正涉及的剂量。此外，治疗期间膀胱的大小、形状和位置也会受到患者位置、膀胱充盈、周围器官运动等因素的影响，因此膀胱壁的精准分割将决定对于患者的治疗实施和精准预后评估具有重要意义。

现有技术中涉及膀胱壁分割的技术方案主要包括基于模型的方法和数据驱动方法。基于模型的方法的典型方案有两个分支，一个是基于各种先验模型自适应地提取膀胱壁的内外边界，另一个主要是通过选择图像低阶特征、纹理特征和小波特征来训练分类器，将其特征减少到选择中，从而服务于膀胱壁分割。其优点是相关特征定义明确，易于使用，缺点是当膀胱壁和周围背景具有相似的灰度和纹理特征时，分割结果往往有较大的误差。数据驱动的方法主要基于U-Net的分割算法及其改进的深度神经网络，这种方案的优点是深度神经网络能够识别多尺度的特征信息，更有利于分割，其缺点是受到训练数据的限制，需要提高其鲁棒性和泛化性能。

本申请提出的方案拟采用深度学习的方法，输入端为三幅一致的核磁共振图像，这样三通道图像作为预训练Resnet50深度神经网络的输入端，输出端为膀胱壁勾画图像，采用三个不同的损失函数，训练验证和测试，得到三个不同的神经网络模型，然后基于三个神经网络模型的置信度分布图，结合阈值去整合勾画结果，得出最终膀胱壁的分割图，其原理如图1所示。

发明内容

本发明旨在提供一种基于深度学习的膀胱壁自动分割工具和方法，所要解决的技术问题至少包括如何提高模型的泛化能力和鲁棒性，最大化解决数据不平衡的问题。

为了实现上述目的，本发明提供一种基于深度学习的膀胱壁自动分割工具，包括输入端、预训练Resnet50深度神经网络、输出端、训练验证和测试单元以及整合勾画单元；所述的输入端用于输入三幅一致的核磁共振图像，作为预训练Resnet50深度神经网络的输入端，所述的输出端为膀胱壁勾画图像，所述的训练验证和测试单元采用三个不同的损失函数进行训练验证和测试，得到三个不同的神经网络模型；所述的整合勾画单元用于基于三个神经网络模型的置信度分布图，结合阈值去整合勾画结果，得出最终膀胱壁的分割图。

优选地，所述的Resnet50深度神经网络采用迁移学习加数据增强的方案，解决深度学习有限训练数据的问题。

优选地，所述的Resnet50深度神经网络采用ImageNet数据集作为训练集，使用ResNet50 的深度学习网络结构，来训练网络参数，训练核磁共振图像时，并不需要重新训练网络结构，而是在已经学习到参数的预训练模型基础上再进行训练。

优选地，所述的ImageNet数据集是包含 2 万个以上图像类别的图像数据集。

优选地，所述的数据增强的方案是指几何增强方案。