[发明专利]一种基于深度学习的肿瘤定位系统

摘要

本申请公开了一种基于深度学习的肿瘤定位系统，包括用于获取训练数据的训练数据生成模块、用于估计肿瘤运动与CBCT透视图像之间关系的肿瘤定位模型模块、用于实现治疗过程中肿瘤实时精确定位的肿瘤定位应用模块。通过本发明的技术方案，可以应用于任意机架角度下，利用单幅CBCT透视图像对肿瘤进行实时精确三维定位的装置，从而满足包含VMAT等治疗模式下对肿瘤定位的临床需要。

主权项

1.一种基于深度学习的肿瘤定位系统，其特征在于，包括用于获取训练数据的训练数据生成模块、用于估计肿瘤运动与CBCT透视图像之间关系的肿瘤定位模型模块、用于实现治疗过程中肿瘤实时精确定位的肿瘤定位应用模块，其中，所述训练数据生成模块的处理过程如下：S11:构建Principal Component Analysis(PCA)呼吸运动模型：在4D‑CT图像序列中选择某一时相的3D‑CT图像作为参考图像I_ref，并将其他时相的3D‑CT图像向所述参考图像I_ref形变配准，得到一组形变场；利用PCA方法对所述形变场降维，得到包含一个平均运动向量场和少数主运动模式P_i的呼吸运动模型；通过调整所述主运动模式P_i的系数u_i得到从所述参考图像I_ref到呼吸周期中任一时相t的运动向量场i为所述主运动模式P_i的序号；利用所述运动向量场V_t对所述参考图像I_ref进行形变变换得到对应的三维图像I_t，所述主运动模式P_i的系数u_i是PCA呼吸运动参数；S12:对所述PCA呼吸运动参数u_i随机采样，生成不同呼吸时相的三维形变场以及3D‑CT图像数据；S13:利用治疗前的3D‑CBCT图像数据对所述3D‑CT图像数据进行灰度修正，以消除DRR与CBCT透视图像之间的灰度差异；S14:对修正后的3D‑CT图像，在[0°,360°]的范围内随机选择不同的投影角度计算DRR图像；S15:将步骤S14获取的DRR图像及相应的角度信息作为训练数据，PCA呼吸运动参数u_i作为训练标签，进行深度学习训练获取卷积神经网络模型；所述肿瘤定位模型模块的处理过程如下：S21：所述卷积神经网络模型包括输入层、Layerl₁层、Layerl₂层、Layerl₃层、Layerl₄层、全连接层、输出层，在所述的Layerl₁层对输入的训练图像进行如下角度加权：R(k)＝(m_k×a+n_k)×S(k)，其中，S是输入的训练图像，R是加权后的图像，k是输入图像与加权后图像中像素的坐标，a是与所述输入的训练图像相对应的成像角度，m与n是待训练的网络参数；S22：所述的Layerl₂层、Layerl₃层、Layerl₄层均包含若干的卷积层和ReLU激活函数、若干的池化层，利用Layerl₂层、Layerl₃层、Layerl₄层的卷积操作，在三个不同尺度下对CBCT透视图像的特征进行自动选择与提取；S23：在全连接层中根据如下公式将成像角度信息引入至卷积神经网络模型：其中，Out为所述全连接层的输出，i∈[1,1024]为输出层元素的序号，I₄为全连接层的输入，即Layerl₄层的输出，其本质是由所述Layerl₂层至Layerl₄层提取出来的维度为32×32×32的特征矩阵，j为I₄特征矩阵中元素的序号，a是与所述输入的训练图像相对应的成像角度，w_i、b_i是待训练的应用于I₄特征矩阵的网络参数，w_angle、b_angle是待训练的应用于成像角度a线性加权参数，输出层输出与CBCT透视图像相对应的PCA呼吸模型运动参数；所述肿瘤定位应用模块的处理过程如下：S31：将治疗中的CBCT透视图像与成像角度a输入至所述肿瘤定位模型模块，得到相应的PCA呼吸运动参数；S32：根据步骤S31输出的PCA呼吸运动参数，结合步骤S11构建的PCA呼吸运动模型，获得当前病人组织结构相对于所述参考图像I_ref的三维形变场：其中，F_patient为希望获得的病人形变场，是所述PCA呼吸运动模型中的平均运动向量场，P_i是所述PCA呼吸运动模型中的主运动模式，Q_i为获得的与当前病人组织结构相对应的PCA呼吸运动参数，i为所述主运动模式P_i的序号；S33：根据在治疗前获取的参考图像I_ref中肿瘤的三维轮廓以及质心位置，结合S32步骤获得的形变场F_patient，计算得到当前时刻肿瘤的三维轮廓以及相应的肿瘤质心位置。