本發(fā)明涉及靶區(qū)勾畫，尤其涉及一種胰腺癌靶區(qū)自動勾畫方法和系統(tǒng)。

背景技術(shù)：

1、胰腺癌是一種惡性程度極高的腫瘤，其早期癥狀不明顯，發(fā)現(xiàn)時往往已到晚期，治療效果不佳。放射治療是胰腺癌的主要治療方法之一，而精確的靶區(qū)勾畫是放射治療的關(guān)鍵環(huán)節(jié)。然而，胰腺癌靶區(qū)的勾畫存在諸多困難，主要原因有：1、胰腺癌的特殊位置環(huán)境：胰腺處于腹腔深處，周圍有很多重要的組織和器官，如胃、十二指腸、脾臟、腎臟等，它們將整個胰腺包圍，而且各自密度和形態(tài)差異也較大，導(dǎo)致了胰腺本身較大的形狀差異并且難以區(qū)分；2、胰腺癌腫瘤的特殊性：胰腺癌通常是大小不規(guī)則的腫塊，而且會出現(xiàn)在胰腺不同部位，如胰頭、胰尾，它與胰腺的邊界并不清晰，增加了勾畫難度；3、單一模態(tài)影像的限制：由于胰腺癌的邊界不清晰，在普通的平掃ct中很難直接勾畫出胰腺癌，醫(yī)生也會利用增強(qiáng)ct的影像進(jìn)行輔助勾畫。

2、隨著機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等人工智能技術(shù)的發(fā)展，計算機(jī)輔助的靶區(qū)勾畫方法已開始應(yīng)用于臨床。在目前的醫(yī)療實踐中，胰腺癌的靶區(qū)自動勾畫效果普遍不如其他類型的癌癥。這主要是因為胰腺位于人體內(nèi)部的特殊位置，加上平掃ct在顯像能力上的局限性，使得胰腺癌的精確勾畫成為了一個挑戰(zhàn)。

3、在放射治療領(lǐng)域，利用多模態(tài)影像進(jìn)行靶區(qū)自動勾畫是一項重要的技術(shù)進(jìn)步。它能夠幫助醫(yī)生更精確地確定腫瘤的位置和范圍，從而提高治療的效果。然而，傳統(tǒng)的多模態(tài)影像勾畫方法通常將不同類型的影像數(shù)據(jù)同時輸入到深度學(xué)習(xí)模型中進(jìn)行訓(xùn)練。這種訓(xùn)練方式并沒有充分利用每種模態(tài)影像所包含的獨特信息，因此勾畫的準(zhǔn)確度不高。

技術(shù)實現(xiàn)思路

1、鑒于上述的分析，本發(fā)明實施例旨在提供一種胰腺癌靶區(qū)自動勾畫方法和系統(tǒng)，用以解決現(xiàn)有胰腺癌靶區(qū)自動勾畫準(zhǔn)確度低的問題。

2、一方面，本發(fā)明實施例提供了一種胰腺癌靶區(qū)自動勾畫方法，包括以下步驟：

3、獲取胰腺癌患者的多模態(tài)醫(yī)學(xué)圖像數(shù)據(jù)和對應(yīng)的標(biāo)簽，構(gòu)建訓(xùn)練樣本集；所述多模態(tài)醫(yī)學(xué)影像數(shù)據(jù)包括平掃ct圖像和增強(qiáng)ct圖像；

4、構(gòu)建危及器官分割模型，基于訓(xùn)練樣本集中的平掃ct圖像進(jìn)行危及器官分割模型的訓(xùn)練，得到訓(xùn)練好的危及器官分割模型；

5、構(gòu)建影像組學(xué)模型，所述影像組學(xué)模型用于進(jìn)行腫瘤分布概率預(yù)測，基于訓(xùn)練樣本集中的增強(qiáng)ct圖像進(jìn)行影像組學(xué)模型的訓(xùn)練，得到訓(xùn)練好的影像組學(xué)模型；

6、構(gòu)建靶區(qū)分割模型，基于訓(xùn)練樣本集、訓(xùn)練好的危及器官分割模型和訓(xùn)練好的影像組學(xué)模型對所述靶區(qū)分割模型進(jìn)行訓(xùn)練得到訓(xùn)練好的靶區(qū)分割模型；

7、將待勾畫患者的平掃ct圖像和增強(qiáng)ct圖像分別輸入訓(xùn)練好的危及器官分割模型和訓(xùn)練好的影像組學(xué)模型得到危及器官分割結(jié)果和腫瘤分布概率預(yù)測結(jié)果，將增強(qiáng)ct圖像、危及器官分割結(jié)果和腫瘤分布概率預(yù)測結(jié)果輸入訓(xùn)練好的靶區(qū)分割模型，得到胰腺癌靶區(qū)勾畫結(jié)果。

8、基于上述方法的進(jìn)一步改進(jìn)，所述危及器官分割模型包括：

9、第一編碼模塊，包括依次連接的多個下采樣單元；用于對樣本圖像進(jìn)行多層語義特征提??；

10、中間層，用于對第一編碼模塊最后一個下采樣單元提取的語義特征進(jìn)行壓縮，將壓縮后的語義特征傳遞至解碼模塊；

11、解碼模塊，包括依次連接的多個上采樣單元；用于進(jìn)行基于第一編碼模塊提取的語義特征進(jìn)行逐層特征圖恢復(fù)得到最終特征圖；所述第一編碼模塊的下采樣單元的數(shù)量和編碼模塊的上采樣單元的數(shù)量相同并且一一對應(yīng)；所述下采樣單元和對應(yīng)的上采樣單元間連接有注意力模塊，用于將下采樣單元提取的語義特征進(jìn)行注意力提取傳遞給對應(yīng)的上采樣單元；

12、輸出模塊，包括多個輸出通道，每個輸出通道用于基于所述最終特征圖預(yù)測該輸出通道對應(yīng)的危及器官區(qū)域。

13、基于上述方法的進(jìn)一步改進(jìn)，采用以下公式計算危及器官分割模型的訓(xùn)練損失：

14、；

15、；

16、；

17、；

18、其中，表示邊界dice損失，表示邊界距離損失，n表示樣本的像素數(shù)量，c表示危及器官的種類數(shù)量，m表示當(dāng)前訓(xùn)練批次的樣本的數(shù)量，表示第j個樣本的第i個像素是否屬于第k類危及器官，若屬于則為1，否則為0，表示模型預(yù)測的第j個樣本的第i個像素屬于第k類危及器官的概率，表示第j個樣本的第i個像素是否屬于危及器官，若屬于則為1，否則為0，表示模型預(yù)測的第j個樣本的第i個像素是否屬于危及器官的概率，、和表示權(quán)重，表示危及器官的邊界損失，表示危及器官的dice損失，表示危及器官的交叉熵?fù)p失。

19、基于上述方法的進(jìn)一步改進(jìn)，采用以下公式計算邊界距離損失：

20、；

21、其中，表示危及器官分割模型預(yù)測的第j個樣本的第k類危及器官的邊界到第j個樣本的第k類危及器官的真實邊界的變換矩陣，i表示單位矩陣，表示矩陣的f范數(shù)。

22、基于上述方法的進(jìn)一步改進(jìn)，采用以下公式計算邊界dice損失：

23、；

24、其中，表示第j個樣本的第i個像素是否是第k類危及器官的邊界，如果是邊界則為1，否則為0，表示模型學(xué)習(xí)的第j個樣本的第i個像素是第k類危及器官邊界的概率。

25、基于上述方法的進(jìn)一步改進(jìn)，所述靶區(qū)分割模型包括：

26、第二編碼模塊，包括第一編碼通道和第二編碼通道，第一編碼通道的輸入為樣本的增強(qiáng)圖像以及危及器官分割結(jié)果，第二編碼通道的輸入為樣本的增強(qiáng)圖像以及腫瘤分布概率預(yù)測結(jié)果；每個編碼通道均包括依次連接的多個下采樣單元；用于對輸入圖像進(jìn)行多層語義特征提??；

27、中間層，用于對第一編碼通道和第二編碼通道的最后一個下采樣單元提取的語義特征進(jìn)行融合，將融合后的語義特征傳遞至解碼模塊；

28、解碼模塊，包括依次連接的多個上采樣單元；用于進(jìn)行基于第二編碼模塊提取的語義特征進(jìn)行逐層特征圖恢復(fù)得到靶區(qū)預(yù)測特征圖；所述第一編碼模塊的下采樣單元的數(shù)量和編碼模塊的上采樣單元的數(shù)量相同并且一一對應(yīng)；

29、輸出模塊，用于基于所述靶區(qū)預(yù)測特征圖預(yù)測靶區(qū)。

30、基于上述方法的進(jìn)一步改進(jìn)，采用以下公式計算靶區(qū)分割模型的損失：

31、；

32、；

33、；

34、；

35、其中，表示靶區(qū)的邊界dice損失，表示靶區(qū)的邊界距離損失，n表示樣本的像素數(shù)量，m表示當(dāng)前訓(xùn)練批次的樣本的數(shù)量，表示第j個樣本的第i個像素是否是靶區(qū)，是靶區(qū)則為1，否則為0；表示模型預(yù)測的第j個樣本的第i個像素是靶區(qū)的概率，、和表示權(quán)重，表示靶區(qū)的邊界損失，表示靶區(qū)的dice損失，表示靶區(qū)的交叉熵?fù)p失。

36、基于上述方法的進(jìn)一步改進(jìn)，采用以下公式計算靶區(qū)的邊界距離損失：

37、；

38、其中，表示靶區(qū)分割模型預(yù)測的第j個樣本的靶區(qū)的邊界到第j個樣本的靶區(qū)的真實邊界的變換矩陣，i表示單位矩陣，表示矩陣的f范數(shù)。

39、基于上述方法的進(jìn)一步改進(jìn)，采用以下公式計算靶區(qū)的邊界dice損失：

40、；

41、其中，表示第j個樣本的第i個像素是否是靶區(qū)的邊界，如果是邊界則為1，否則為0，表示模型學(xué)習(xí)的第j個樣本的第i個像素是靶區(qū)邊界的概率。

42、另一方面，本發(fā)明實施例提供了一種胰腺癌靶區(qū)自動勾畫系統(tǒng)，包括以下模塊：

43、樣本構(gòu)建模塊，用于獲取胰腺癌患者的多模態(tài)醫(yī)學(xué)圖像數(shù)據(jù)和對應(yīng)的標(biāo)簽，構(gòu)建訓(xùn)練樣本集；所述多模態(tài)醫(yī)學(xué)影像數(shù)據(jù)包括平掃ct圖像和增強(qiáng)ct圖像；

44、危及器官分割模型，用于進(jìn)行危及器官分割；

45、影像組學(xué)模型，用于基于進(jìn)行腫瘤分布概率預(yù)測；

46、靶區(qū)分割模型，用于進(jìn)行胰腺癌靶區(qū)分割；

47、基于訓(xùn)練樣本集中的平掃ct圖像進(jìn)行危及器官分割模型的訓(xùn)練，得到訓(xùn)練好的危及器官分割模型；基于訓(xùn)練樣本集中的增強(qiáng)ct圖像進(jìn)行影像組學(xué)模型的訓(xùn)練，得到訓(xùn)練好的影像組學(xué)模型；構(gòu)建靶區(qū)分割模型，基于訓(xùn)練樣本集、訓(xùn)練好的危及器官分割模型和訓(xùn)練好的影像組學(xué)模型對所述靶區(qū)分割模型進(jìn)行訓(xùn)練得到訓(xùn)練好的靶區(qū)分割模型；

48、勾畫模塊，用于將待勾畫患者的平掃ct圖像和增強(qiáng)ct圖像分別輸入訓(xùn)練好的危及器官分割模型和訓(xùn)練好的影像組學(xué)模型得到危及器官分割結(jié)果和腫瘤分布概率預(yù)測結(jié)果，將增強(qiáng)ct圖像、危及器官分割結(jié)果和腫瘤分布概率預(yù)測結(jié)果輸入訓(xùn)練好的靶區(qū)分割模型，得到胰腺癌靶區(qū)勾畫結(jié)果。

49、與現(xiàn)有技術(shù)相比，本發(fā)明通過獲取胰腺癌患者的多模態(tài)醫(yī)學(xué)圖像數(shù)據(jù)和對應(yīng)的標(biāo)簽，從而利用平掃ct聯(lián)合增強(qiáng)ct的多模態(tài)影像自動勾畫，可以提高胰腺癌腫瘤的勾畫準(zhǔn)確性。通過構(gòu)建影像組學(xué)模型和危及器官分割模型，從而獲取胰腺及危及器官的信息，即腫瘤分布概率和危及器官分割信息，將這些信息作為約束條件加以利用，從而更全面地挖掘和利用多模態(tài)影像中的有用信息，提高自動勾畫的準(zhǔn)確性和效果。在勾畫訓(xùn)練中，同時引入兩種約束，可以有效提高勾畫的準(zhǔn)確性，改善了傳統(tǒng)方法中缺乏有效約束而導(dǎo)致的靶區(qū)勾畫位置錯誤問題，提高了自動勾畫的質(zhì)量。

50、本發(fā)明中，上述各技術(shù)方案之間還可以相互組合，以實現(xiàn)更多的優(yōu)選組合方案。本發(fā)明的其他特征和優(yōu)點將在隨后的說明書中闡述，并且，部分優(yōu)點可從說明書中變得顯而易見，或者通過實施本發(fā)明而了解。本發(fā)明的目的和其他優(yōu)點可通過說明書以及附圖中所特別指出的內(nèi)容中來實現(xiàn)和獲得。