【技術實現步驟摘要】
本專利技術涉及靶區分割方法，具體為基于深度學習的靶區自動分割方法及系統，屬于醫學圖像分割。
技術介紹
1、在腫瘤的治療過程中，常采用放射線進行治療，而放射性治療是通過對局部性的癌細胞進行破壞處理，在放射性治療過程中為了避免損傷人體的良好組織器官，通常需要在治療前對癌細胞的局部區域拍攝ct定位圖，然后人工進行勾畫區域，這些癌細胞的區域即為靶區，靶區的分割非常重要，其直接影響治療難度、手段以及治療效果，為了盡可能的提高勾畫精度減少醫生的工作強度，現有技術中常使用智能系統來自動進行靶區勾畫，然后經由醫生審查后在投入使用，這樣能夠大大提升工作效率。
2、如公布號為cn115762724a的中國專利技術專利申請文件，提供了一種醫學圖像的靶區自動勾畫方法、裝置和系統。
3、所述靶區自動勾畫方法，首先采用訓練好的靶區定位模型對待勾畫醫學圖像的目標靶區進行定位，以獲取所述目標靶區的多通道信息；然后根據所述多通道信息，采用訓練好的靶區分割模型對所述待勾畫醫學圖像進行分割，得到所述待勾畫醫學圖像的目標靶區勾畫結果。
4、該專利技術能夠實現端到端的流程，勾畫效率高且泛用性強；而且整個勾畫過程無需人工參與，可以減少人為因素可能產生的差異化的問題，能夠更好地輔助醫生提高放療計劃設計的質量和效率。
5、上述文件中通過靶區定位模型對圖像進行自動勾畫，然而本申請人認為在進行勾畫過程中由于病灶位置不同，癌細胞的擴散情況不同，因此勾畫區域多變，具體執行時還需要人為介入進行靶區變化等干預操作。
6、有鑒于此
技術實現思路
1、本專利技術的目的就在于為了解決上述問題而提供基于深度學習的靶區自動分割方法及系統，能夠在自動勾畫時介入人力輔助，便于糾錯，在單次訓練后能夠準確提高勾畫精度，保證數據庫內的圖譜準確，避免重復出現勾畫錯誤。
2、本專利技術通過以下技術方案來實現上述目的，基于深度學習的靶區自動分割方法及系統，包括步驟s1：準備待勾畫的醫學圖像源文件，并將單獨的醫學圖像源文件復制成為兩份識別圖像副本；
3、步驟s2：分別由靶區識別模塊以及良性識別模塊對識別圖像副本進行特征識別，識別后在醫學圖像源文件上進行范圍標注形成初次特征識別區域；
4、步驟s3：利用深度學習模型對初次特征識別區域進行對比，并結合圖譜庫進行整合勾畫，勾畫出初次目標靶區；
5、步驟s4：對各醫學圖像資源文件進行逐個標記，形成初次目標靶區，在標記時介入深度學習模塊，對靶區的變化進行監測，并且對于監測后的區域進行參考標記，形成參考圖形；
6、步驟s5：在形成初次特征識別區域后能夠形成特征更新圖形，在勾畫出初次目標靶區后形成初次靶區更新圖形，特征更新圖形、初次靶區更新圖形以及參考圖形存儲在更新模塊內，醫生能夠通過操作端進行查看以及修改，修改后的數據圖形能夠替換原有數據；
7、步驟s6：在更新模塊內存儲的各階段圖形被抽取部分儲存至摘出模塊內，醫生通過操作端對各階段圖形進行檢查，并能夠同步改變圖形數據；
8、步驟s7：勾畫完成的參考圖形最終形成固圖形文件，然后存儲在數據模塊內。
9、進一步的，步驟s1中醫學圖像源文件為連續的逐漸深入的醫學圖形組成，且醫學圖形存在30張以上。
10、進一步的，步驟s2中靶區識別模塊以及良性識別模塊分別對識別圖像副本進行特征識別，調用不同的圖譜庫，靶區識別模塊僅標記靶區區域，而良性識別模塊對于除癌細胞區域外的區域進行識別標記。
11、進一步的，步驟s3中的圖譜庫內儲存有已勾畫的圖譜資源，在勾畫時僅調用對應參考病灶所在位置的圖譜。
12、進一步的，步驟s4中采用卷積神經網絡，提取圖譜庫內的醫學圖形，并進行特征識別并在醫學圖形上進行范圍標記。
13、進一步的，步驟s5中的更新模塊內的醫學圖形不參與特征識別的參考范圍，且難于識別的醫學圖形也被收集至更新模塊內，難以識別的圖形標準為標記完成度在95％以下的特征更新圖形、初次靶區更新圖形以及參考圖形。
14、進一步的，步驟s6中的抽取部分按三十分之一、五十分之一或者十分之一進行隨機抽取。
15、基于深度學習的靶區自動分割方法的系統，包括數據庫，數據庫內存儲有醫療圖譜；深度學習模型，深度學習模型為卷積神經網絡模型，還包括輸入模塊和操作端，輸入模塊和外部數據傳輸裝置相數據連通。
16、進一步的，深度學習模型包括特征識別模塊、更新模塊以及摘出模塊。
17、進一步的，特征識別模塊包括靶區識別模塊以及良性識別模塊。
18、本專利技術的技術效果和優點：本專利技術能夠在自動勾畫時介入人力輔助，便于糾錯，在單次訓練后能夠準確提高勾畫精度，保證數據庫內的圖譜準確，避免重復出現勾畫錯誤，在實際應用時，本方法能夠對醫學圖像源文件進行雙重特征識別，在深度學習模塊中利用調用圖譜對比，對不同的特征進行展現對比，提高后續的勾畫參考，使勾畫出初次目標靶區時擁有更多的對比參考特征，而且本專利技術在進行的過程中能夠便于外部專業人員進行輔助勾畫圖形，提升自動勾畫的精準度，在提升精準度的同時也減少了訓練難度以及更好的減少醫生的勾畫工作的強度。
本文檔來自技高網...【技術保護點】
1.基于深度學習的靶區自動分割方法，其特征在于：包括步驟S1：準備待勾畫的醫學圖像源文件，并將單獨的醫學圖像源文件復制成為兩份識別圖像副本；
2.根據權利要求1所述的基于深度學習的靶區自動分割方法，其特征在于：步驟S1中醫學圖像源文件為連續的逐漸深入的醫學圖形組成，且醫學圖形存在30張以上。
3.根據權利要求1所述的基于深度學習的靶區自動分割方法，其特征在于：步驟S2中靶區識別模塊以及良性識別模塊分別對識別圖像副本進行特征識別，調用不同的圖譜庫，靶區識別模塊僅標記靶區區域，而良性識別模塊對于除癌細胞區域外的區域進行識別標記。
4.根據權利要求1所述的基于深度學習的靶區自動分割方法，其特征在于：步驟S3中的圖譜庫內儲存有已勾畫的圖譜資源，在勾畫時僅調用對應參考病灶所在位置的圖譜。
5.根據權利要求1所述的基于深度學習的靶區自動分割方法，其特征在于：步驟S4中采用卷積神經網絡，提取圖譜庫內的醫學圖形，并進行特征識別并在醫學圖形上進行范圍標記。
6.根據權利要求1所述的基于深度學習的靶區自動分割方法，其特征在于：步驟S5中的更
7.根據權利要求1所述的基于深度學習的靶區自動分割方法，其特征在于：步驟S6中的抽取部分按三十分之一、五十分之一或者十分之一進行隨機抽取。
8.基于深度學習的靶區自動分割方法的系統，根據權利要求1-7任意一項的靶區自動分割方法應用的系統，其特征在于：包括數據庫，數據庫內存儲有醫療圖譜；深度學習模型，深度學習模型為卷積神經網絡模型，還包括輸入模塊和操作端，輸入模塊和外部數據傳輸裝置相數據連通。
9.根據權利要求8所述的基于深度學習的靶區自動分割方法的系統，其特征在于：深度學習模型包括特征識別模塊、更新模塊以及摘出模塊。
10.根據權利要求9所述的基于深度學習的靶區自動分割方法的系統，其特征在于：特征識別模塊包括靶區識別模塊以及良性識別模塊。
...【技術特征摘要】
1.基于深度學習的靶區自動分割方法，其特征在于：包括步驟s1：準備待勾畫的醫學圖像源文件，并將單獨的醫學圖像源文件復制成為兩份識別圖像副本；
2.根據權利要求1所述的基于深度學習的靶區自動分割方法，其特征在于：步驟s1中醫學圖像源文件為連續的逐漸深入的醫學圖形組成，且醫學圖形存在30張以上。
3.根據權利要求1所述的基于深度學習的靶區自動分割方法，其特征在于：步驟s2中靶區識別模塊以及良性識別模塊分別對識別圖像副本進行特征識別，調用不同的圖譜庫，靶區識別模塊僅標記靶區區域，而良性識別模塊對于除癌細胞區域外的區域進行識別標記。
4.根據權利要求1所述的基于深度學習的靶區自動分割方法，其特征在于：步驟s3中的圖譜庫內儲存有已勾畫的圖譜資源，在勾畫時僅調用對應參考病灶所在位置的圖譜。
5.根據權利要求1所述的基于深度學習的靶區自動分割方法，其特征在于：步驟s4中采用卷積神經網絡，提取圖譜庫內的醫學圖形，并進行特征識別并在醫學圖形上進行范圍標記。
6.根據權利要求1所...
【專利技術屬性】
技術研發人員：畢卉，王蕃，董招輝，
申請(專利權)人：無錫輝富創科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。