[发明专利]基于深度学习的微小组织器官的放疗影像靶区勾画方法及系统有效
| 申请号： | 201910221344.8 | 申请日： | 2019-03-22 |
| 公开（公告）号： | CN109978852B | 公开（公告）日： | 2022-08-16 |
| 发明（设计）人： | 曾亮;路志鹏;汤豪;刘洋 | 申请（专利权）人： | 邃蓝智能科技（上海）有限公司 |
| 主分类号： | G06T7/00 | 分类号： | G06T7/00 |
| 代理公司： | 上海麦其知识产权代理事务所(普通合伙) 31257 | 代理人： | 董红曼 |
| 地址： | 201210 上海市浦东新区中国（*** | 国省代码： | 上海;31 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明提出了一种基于深度学习的微小组织器官的放疗影像靶区勾画方法，该方法包括对模型的训练过程和推理过程。在图像分割的模型设计中采用的深度学习神经网络，提出新的损失函数设计，实现了对靶区器官的勾画。该方法优势在不仅靶区器官勾画准确度高，同时兼顾了大器官和小器官的勾画，对小器官的勾画准确度也很高。 | ||
| 搜索关键词： | 基于 深度 学习 微小 组织 器官 放疗 影像 勾画 方法 系统 | ||
【主权项】：
1.一种基于深度学习的微小组织器官的放疗影像靶区勾画方法，其特征在于，所述方法包括：(一)图像训练过程1)训练放疗影像数据导入和预处理；2)定义网络结构；3)定义损失函数![]()
其中，所述损失函数![]()
如下所示：![]()
式中，TPp(c)表示被判定为正样本、且事实上也是正样本；FNp(c)表示被判定为负样本、但事实上是正样本；FPp(c)表示被判定为正样本、但事实上是负样本；pn(c)表示第n个体素被预测为种类C的概率；C表示待预测的种类数目+1，+1是表示有一类是背景；λ表示LDice和focal loss LFocal的调节参数，为0～1之间的数；α，β表示针对于FN和FP的调节参数，为0～1之间的数；N表示在放疗影像中体素的个数；4)定义优化算法以及调节学习率；5)训练模型；(二)推理过程6)获取患者的序列影像；7)测试数据导入和预处理；8)导入训练好的模型；9)应用训练好的模型对测试数据进行处理，对靶区进行预测；10)通过预测的靶区进行边缘提取，得到勾画的靶区。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于邃蓝智能科技（上海）有限公司，未经邃蓝智能科技（上海）有限公司许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201910221344.8/，转载请声明来源钻瓜专利网。
