本發(fā)明涉及的一種ct圖像腫瘤靶區(qū)自動勾畫方法，特別是涉及應(yīng)用于醫(yī)學(xué)圖像的一種基于剛性配準(zhǔn)定位的ct圖像腫瘤靶區(qū)自動勾畫方法。
背景技術(shù)：
1、放射治療是一種重要的腫瘤治療手段，約有70％的腫瘤病人需要接受放射治療。腫瘤臨床靶區(qū)的勾畫是放射治療過程中的關(guān)鍵步驟，手動勾畫費時費力，且不同臨床醫(yī)生的勾畫存在觀察者差異，快速準(zhǔn)確的腫瘤靶區(qū)自動勾畫方法在臨床中有著迫切的需求。
2、圖像分割是醫(yī)學(xué)圖像分析中的常見任務(wù)之一，在放療流程中具體指識別并標(biāo)注腫瘤靶區(qū)和危及器官的區(qū)域，賦予特定的標(biāo)簽，與自然圖像相比，醫(yī)學(xué)圖像有著自身的獨特性，人體結(jié)構(gòu)差異較大和組織之間的復(fù)雜性導(dǎo)致實現(xiàn)醫(yī)學(xué)圖像分割的任務(wù)具有一定的難度，尤其對于腫瘤臨床靶區(qū)，臨床醫(yī)生往往需要大量的時間完成勾畫。
3、常見的自動勾畫算法包括傳統(tǒng)方法和人工智能方法，其中在許多研究中都驗證了人工智能方法優(yōu)于傳統(tǒng)方法，特別是卷積神經(jīng)網(wǎng)絡(luò)的應(yīng)用，如中國專利cn116258671b公開了一種基于mr圖像智能勾畫方法、系統(tǒng)、設(shè)備及存儲介質(zhì)，包括：獲取初始mr圖像和初始ct圖像，并分別進(jìn)行劃分，對應(yīng)得到多組第一mri圖像和第一ct圖像；并同時作為第一神經(jīng)網(wǎng)絡(luò)模型的輸入，對應(yīng)輸出多組第一器官預(yù)測概率圖；依次計算第一器官預(yù)測概率圖中危及區(qū)域器官的中心位置坐標(biāo)，對應(yīng)得到危及器官所在的第一圖像；依次對第一圖像分類，并對應(yīng)使用不同的分割方式，對應(yīng)得到全部靶區(qū)和危及器官的第一分割結(jié)果；確定腫瘤分割的目標(biāo)區(qū)域，并其對應(yīng)的第一mri圖像、第一ct圖像和各危及器官對應(yīng)的第一分割結(jié)果作為第二神經(jīng)網(wǎng)絡(luò)模型的輸入，輸出對腫瘤的第二分割結(jié)果。本發(fā)明能夠?qū)趍r圖像進(jìn)行多器官同時快速自動精細(xì)分割。
4、然而，臨床中在掃描ct的時候為了足夠覆蓋臨床靶區(qū)，往往會掃描足夠長的ct圖像，這個時候靶區(qū)在ct圖像中的位置對于自動勾畫模型是未知的，如果將整個ct圖像輸入到自動勾畫模型預(yù)測，會出現(xiàn)無關(guān)區(qū)域的干擾，導(dǎo)致精度和速度大大降低，若能夠在輸入自動勾畫模型之前對靶區(qū)進(jìn)行準(zhǔn)確的定位，則對于提高自動勾畫模型的精度會有較大幫助，因此如何在輸入自動勾畫模型之前對靶區(qū)進(jìn)行準(zhǔn)確的定位是亟待改進(jìn)的問題。
技術(shù)實現(xiàn)思路
1、針對上述現(xiàn)有技術(shù)，本發(fā)明要解決的技術(shù)問題是如何在輸入自動勾畫模型之前對靶區(qū)進(jìn)行準(zhǔn)確的定位，實現(xiàn)提高自動勾畫模型的精度。
2、為解決上述問題，本發(fā)明提供了一種基于剛性配準(zhǔn)定位的ct圖像腫瘤靶區(qū)自動勾畫方法，包括以下步驟：
3、s1、獲取并解析dicom文件，包括已經(jīng)勾畫完成的ct圖像、與ct圖像對應(yīng)的腫瘤靶區(qū)勾畫信息以及待勾畫的ct圖像，其中，將已經(jīng)勾畫完成的ct圖像記為ct1，腫瘤靶區(qū)勾畫信息記為ctv1，待勾畫的ct圖像記為ct2；
4、s2、實現(xiàn)ct1和對應(yīng)ct2的圖像剛性配準(zhǔn)，通過配準(zhǔn)過程中產(chǎn)生的形變場映射ctv1的勾畫信息到ct2圖像，得到rigid?ctv1；
5、s3、基于rigid?ctv1的輪廓，六個方向均外擴(kuò)預(yù)先設(shè)定的距離，實現(xiàn)ct2中腫瘤靶區(qū)定位并裁剪，得到cropped?ct2；
6、s4、基于多個ct圖像以及多個與ct圖像對應(yīng)的ctv輪廓，，訓(xùn)練得到ctv自動勾畫模型；
7、s5、將croppedct2輸入到訓(xùn)練好的ctv自動勾畫模型中，得到初步預(yù)測輪廓，將初步預(yù)測輪廓經(jīng)過后處理操作得到最終的輪廓信息；
8、s6、將生成的輪廓信息上傳到放射治療計劃系統(tǒng)tps上，供醫(yī)師修改確認(rèn)。
9、作為本申請的進(jìn)一步補(bǔ)充，步驟s2具體包括以下步驟：
10、s21、以ct2作為參考圖像，ct1作為浮動圖像，實現(xiàn)ct1和ct2的剛性配準(zhǔn)過程，圖像的分辨率與參考圖像ct2相同，形變場包括7個參數(shù)，分別為三個維度的平移量、三個維度的旋轉(zhuǎn)量以及縮放因子；
11、s22、通過剛性配準(zhǔn)產(chǎn)生的形變場，將ctv1的勾畫信息映射到待勾畫圖像ct2的對應(yīng)位置上，得到與ct2對應(yīng)位置的rigid?ctv1。
12、作為本申請的進(jìn)一步補(bǔ)充，在步驟s3中，cropped?ct2的具體構(gòu)建方法包括以下操作：在ct2圖像上得到rigid?ctv1之后，在ct2圖像上找出rigid?ctv1六個方向的邊界，并將六個邊界外擴(kuò)預(yù)先設(shè)定的距離，然后對ct2圖像進(jìn)行裁剪得到cropped?ct2，保證croppedct2能夠包含足夠的靶區(qū)結(jié)構(gòu)。
13、作為本申請的進(jìn)一步補(bǔ)充，所述步驟s4中訓(xùn)練ctv自動勾畫模型的具體操作包括如下：
14、s41、基于u-net基本結(jié)構(gòu)，搭建三維卷積神經(jīng)網(wǎng)絡(luò)，ct圖像作為網(wǎng)絡(luò)的輸入，ctv輪廓作為網(wǎng)絡(luò)的輸出；
15、s42、收集多組數(shù)據(jù)，每組數(shù)據(jù)均包括ct圖像和對應(yīng)的ctv輪廓，對數(shù)據(jù)經(jīng)過重采樣、裁剪這一數(shù)據(jù)前處理操作后，將其輸入到網(wǎng)絡(luò)中訓(xùn)練，得到ctv自動勾畫模型。
16、作為本申請的進(jìn)一步補(bǔ)充，在步驟s5中，初步預(yù)測輪廓的構(gòu)建方法如下：
17、將croppedct2裁剪成若干個固定尺寸的三維矩陣，其中三維矩陣的尺寸大小與訓(xùn)練好的ctv自動勾畫模型保持一致，將三維矩陣輸入到ctv自動勾畫模型進(jìn)行預(yù)測，將預(yù)測后的ctv輪廓融合得到初步預(yù)測輪廓。
18、作為本申請的進(jìn)一步補(bǔ)充，在步驟s5中，后處理操作包括去除孔洞、排除異常預(yù)測區(qū)域和邊緣平滑。
19、綜上所述，本發(fā)明通過已有的ct圖像和勾畫信息，利用剛性配準(zhǔn)算法對待勾畫的ct圖像進(jìn)行準(zhǔn)確的靶區(qū)定位，再結(jié)合基于卷積神經(jīng)網(wǎng)絡(luò)的自動勾畫模型，從而提高基于ct影像的靶區(qū)自動勾畫模型精度，進(jìn)而提高腫瘤放射治療中關(guān)鍵步驟的精度和效率，減少臨床醫(yī)生手動修改輪廓的時間，使患者接受更精確的腫瘤放射治療，且本申請適用于全身的腫瘤靶區(qū)自動勾畫，可嵌入臨床靶區(qū)自動勾畫流程，提高放療的效率和精度。
1.一種基于剛性配準(zhǔn)定位的ct圖像腫瘤靶區(qū)自動勾畫方法，其特征在于：包括以下步驟：
2.根據(jù)權(quán)利要求1所述的一種基于剛性配準(zhǔn)定位的ct圖像腫瘤靶區(qū)自動勾畫方法，其特征在于：所述步驟s2具體包括以下步驟：
3.根據(jù)權(quán)利要求1所述的一種基于剛性配準(zhǔn)定位的ct圖像腫瘤靶區(qū)自動勾畫方法，其特征在于：在所述步驟s3中，cropped?ct2的具體構(gòu)建方法包括以下操作：在ct2圖像上得到rigid?ctv1之后，在ct2圖像上找出rigid?ctv1六個方向的邊界，并將六個邊界外擴(kuò)預(yù)先設(shè)定的距離，然后對ct2圖像進(jìn)行裁剪得到cropped?ct2，保證cropped?ct2能夠包含足夠的靶區(qū)結(jié)構(gòu)。
4.根據(jù)權(quán)利要求1所述的一種基于剛性配準(zhǔn)定位的ct圖像腫瘤靶區(qū)自動勾畫方法，其特征在于：所述步驟s4中訓(xùn)練ctv自動勾畫模型的具體操作包括如下：
5.根據(jù)權(quán)利要求1所述的一種基于剛性配準(zhǔn)定位的ct圖像腫瘤靶區(qū)自動勾畫方法，其特征在于：在步驟s5中，初步預(yù)測輪廓的構(gòu)建方法如下：
6.根據(jù)權(quán)利要求1所述的一種基于剛性配準(zhǔn)定位的ct圖像腫瘤靶區(qū)自動勾畫方法，其特征在于：在步驟s5中，后處理操作包括去除孔洞、排除異常預(yù)測區(qū)域和邊緣平滑。