[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

摘要

本发明为肿瘤放射治疗靶区和危及器官智能化、自动化勾画方法，步骤为1）肿瘤多模态（式）影像重建、去噪、增强、配准、融合等预处理；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；3）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和危及器官的智能化、自动化勾画。采用本发明能够高精度地勾画肿瘤放射治疗靶区（GTV）和危及器官(OAR)。

主权项

肿瘤放射治疗靶区和危及器官智能化、自动化勾画方法，其特征在于：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（OAR）的智能化、自动化勾画：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（OAR）的智能、自动勾画。