[发明专利]肿瘤放射治疗靶区和危及器官智能化、自动化勾画方法

说明书

技术领域

本发明涉及医学影像、医学图像分析处理、深度学习、机器学习、大数据分析、人工智能与肿瘤放射物理、放射生物、放射治疗、生物医学工程等技术领域；特别涉及智能化、自动化提取肿瘤医学影像特征的方法和智能化、自动化分类、检测、识别、分割肿瘤放射治疗靶区和放疗危及器官的方法；具体的，其展示肿瘤放射治疗靶区和危及器官智能化、自动化勾画方法。

背景技术

肿瘤放射治疗是目前三大肿瘤治疗技术之一。恶性肿瘤精确放疗依赖于计算机断层扫描成像(CT)、核磁共振成像(MRI)、正电子发射断层扫描成像(PET)、锥形束计算机断层扫描成像(CBCT)技术和相应的医学图像信息智能处理技术。肿瘤放疗靶区、或大体肿瘤区(GTV)的高精度勾画是成功实施精确放疗的前提和关键技术。目前基于肿瘤CT、MRI、PET和CBCT影像信息的放疗靶区自动勾画技术还不能满足临床放疗要求。临床上主要依靠临床放疗医生手工勾画肿瘤GTV，不仅效率低，而且主观性强，导致勾画结果不精确，影响放射治疗计划的精确性和治疗的疗效。

因此，有必要提供肿瘤放射治疗靶区和危及器官智能化、自动化勾画方法来解决上述问题。

发明内容

本发明的目的是提供肿瘤放射治疗靶区和危及器官智能化、自动化勾画方法，以解决目前临床上手工靶区勾画效率低、主观性强、精度差，并最终影响放射治疗计划精确性和治疗疗效等问题。

本发明通过如下技术方案实现上述目的：

肿瘤放射治疗靶区和危及器官智能化、自动化勾画方法，包括如下步骤：

1-1）肿瘤影像预处理：CT、CBCT、MRI、PET等肿瘤医学影像的三维重建、去噪、增强、配准、融合等预处理；

1-2）肿瘤影像特征自动提取：自动地从预处理后的CT、CBCT、MRI、PET、和（或）超声等多模态（式）肿瘤医学图像数据中提取一个或多个肿瘤影像组（纹理特征谱）信息；包括，但不限于：1）一阶统计纹理特征（方差、偏度、峰度）；2）基于邻域灰度级差异矩阵的纹理特征（对比度、频繁度、粗糙度、复杂度、纹理强度）；3）基于灰度级游程矩阵的纹理特征（短游程优势、长游程优势、灰度级不均匀性、游程不均匀性、游程百分比、低灰度级游程优势、高灰度级游程优势、短游程低灰度级优势、短游程高灰度级优势、长游程低灰度级优势、长游程高灰度级优势）；4）基于灰度级共生矩阵的纹理特征（能量/角二阶矩、熵、对比度、逆差矩、相关性、方差、均值和、方差和、差的方差、和的熵、差的熵、聚类阴影、显著聚类、最大概率）； 5）基于灰度级区域大小矩阵的纹理特征；6）基于自适应回归核的影像特征；7）基于三维深度卷积神经网络深度学习获取的多层次的、隐含的肿瘤影像特征等；

1-3）肿瘤放射治疗靶区（GTV）和危及器官的智能、自动勾画：采用深度学习、机器学习、人工智能、区域生长、图论（随机游走）、几何水平集、和（或）统计理论方法，进行肿瘤放射治疗靶区（GTV）和危及器官的智能、自动勾画。

进一步的，步骤1-1）中影像预处理包括如下步骤：

2-1）影像获取：

（1)用于肿瘤诊断的PET/CT、PET/MRI、MRI、CT等影像，以及制定治疗计划的放疗模拟定位CT（SCT）。这些图像由医院商用成像设备扫描成像与三维重建归档，并通过医院临床PACS系统导出其DICOM文件获得，这些 DICOM影像文件还包括各扫描成像参数信息；

（2) 用于放射治疗引导的机载锥形束CT（CBCT），MRI或超声引导图像；

2-2）预处理：包括如下处理：

（1）提取图像及分辨率、层厚、坐标等有关信息；

（2）以SCT为参考图像，采用刚性粗配准、联合高精度形变弹性精配准方法，将各个模态的图像配准插值成与SCT等空间分辨率的图像；

（3) 剔除CT成像中的机架；PET图像去噪处理；图像增强处理；各模态的规范化处理，即将图像均值标准化为0，方差归一化；

（4）多模态影像融合。

进一步的，步骤1-2）中利用自适应回归核提取肿瘤影像特征。某些正常的像素点和肿瘤像素点具有相同的SUV值，但这些点的自适应回归核有明显差异，利用自适应回归核能够有效表征图像灰度值及其纹理的变化，具体步骤为：

3-1）用图像局部邻域协方差矩阵来估计自适应回归核函数值，相应的核函数定义如下：

（1）