鼻腔NKT细胞淋巴瘤放疗靶区自动勾画方法和装置

技术领域

本发明涉及医学图像技术领域，具体是指一种鼻腔NKT细胞淋巴瘤放疗靶区自动勾画方法和装置。

背景技术

鼻腔NK/T细胞淋巴瘤是亚洲、拉丁美洲、南美洲较常见的恶性淋巴瘤，在亚洲以东亚地区的中国、日本、韩国多见，常发生在30-50岁中青年男性。放射治疗简称放疗，放疗使用高能射线的电离辐射作用损伤DNA，促使肿瘤细胞停止生长减慢生长速度。由于鼻腔NK/T细胞淋巴瘤对放疗敏感，对化疗抗拒，放疗已成为早期鼻腔NK/T细胞淋巴瘤的主要治疗手段之一。

患者在接受放疗之前，需拍摄计算机断层扫描图像（Computed Tomography, CT），再由放疗医师在CT图像上面勾画出包含肿瘤的区域。肿瘤区包含肿瘤所在区域和潜在的受侵组织。为了在实现杀灭癌细胞的同时，尽可能减少肿瘤周围的正常器官在治疗中的受照剂量，还需放疗医师勾画肿瘤周围的正常器官。基于患者的CT图像，准确地勾画肿瘤和正常器官的所分布的区域，这一过程在放疗中统称为靶区勾画。靶区勾画是放疗的关键一步，靶区勾画范围太大将使正常器官受到辐射影响，而勾画范围过小将无法实现癌症的有效治疗。

现有的勾画主要以放疗医师手动勾画为主，由于鼻腔NK/T细胞淋巴瘤病灶位于头颈部，周围存在众多对射线敏感的正常器官。为了在在制定放疗计划时尽可能的保护肿瘤周围的正常器官，放疗医师需要基于患者的CT影像手动逐层勾画每一个正常器官和靶区。因此一个病例通常需要花费2~3个小时的时间。手动勾画的过程不仅耗时耗力，而且勾画的准确度依赖于医生的个人经验和主观感受，已有研究表明，不同医生间的勾画结果差异较大。

目前也已有软件可实现自动生成正常器官，上述软件使用的方法主要以形变配准为主，即预先一个或多个患者的CT图像上面勾画靶区和正常器官作为标准模板库，将待勾画的CT图像与模板库CT图像进行弹性形变配准获得形变矩阵，最后通过形变矩阵和模板库勾画结果，生成待勾画CT图像对应的靶区和正常器官。由于患者病灶位置和病灶形态存在差异，目前还没有软件能完成鼻腔NK/T细胞淋巴瘤靶区和正常器官的自动勾画。

发明内容

基于以上技术问题，本发明提供了一种鼻腔NKT细胞淋巴瘤放疗靶区自动勾画方法，解决了现有情况下，由于病人间的个体差异往往较大，采用现有形变配准作为勾画方法，往往难以定义一个通用的模板来满足勾画的需求，从而导致勾画精度低的问题。

为解决以上技术问题，本发明采用的技术方案如下：

一种鼻腔NKT细胞淋巴瘤放疗靶区自动勾画方法，包括：

采集已勾画的鼻腔NKT细胞淋巴瘤的CT图像；

将CT图像预处理后得到深度学习数据集；

将深度学习数据集在深度神经网络模型中训练，得到鼻腔NKT细胞淋巴瘤勾画模型；

将临床CT图像预处理后输入鼻腔NKT细胞淋巴瘤勾画模型中进行勾画。

进一步的，将深度学习数据集在深度神经网络模型中训练，得到鼻腔NKT细胞淋巴瘤勾画模型包括：

将深度学习数据集中CT图像分为训练集和验证集；

将训练集的CT图像输入深度神经网络模型得到图像特征数据；

根据残差网络将图像特征数据进行训练得到训练模型；

将验证集的CT图像输入训练模型得到用于评价勾画效果的评估参数；

将评估参数与预设参数进行比对；

若评估参数大于或等于预设参数，训练模型为鼻腔NKT细胞淋巴瘤勾画模型。

进一步的，若评估参数小于预设参数，调整深度神经网络模型的参数；

其中，调整深度神经网络模型的参数的方法包括：

采用交叉熵作为深度神经网络模型的损失函数；

通过梯度下降算法对损失函数迭代更新至损失函数收敛，得到最优的深度神经网络参数。

进一步的，评估参数通过集合相似度度量函数DSC获得。

进一步的，残差网络采用resnet50残差网络模型。

进一步的，深度神经网络模型采用自适应Dropout优化算法解决深度神经网络模型中存在的过度拟合的问题。

进一步的，深度神经网络模型采用自适应Dropout优化算法解决深度神经网络模型中存在的过度拟合的问题方法包括：

构建代理模块，代理模块包括全局均值池化层、全连接层、非线性激活层、逻辑回归层；

通过代理模块获取深度神经网络模型中神经元的丢弃概率；

将丢弃概率与预设的重要性阈值进行比对；

若丢弃概率大于重要性阈值，则依照丢弃概率对神经元进行随机丢弃。

为解决上述技术问题，本申请还公开了一种鼻腔NKT细胞淋巴瘤放疗靶区自动勾画装置，包括：

图像采集模块，图像采集模块用于采集已勾画的鼻腔NKT细胞淋巴瘤的CT图像；

图像处理模块，图像处理模块将CT图像预处理后得到深度学习数据集；

模型生成模块，模型生成模块用于深度学习数据集在深度神经网络模型中训练，得到鼻腔NKT细胞淋巴瘤勾画模型；

自动勾画模块，自动勾画模块用于将临床CT图像预处理后输入鼻腔NKT细胞淋巴瘤勾画模型中进行勾画。

为解决上述技术问题，本申请还公开了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，处理器执行计算机程序时实现上述鼻腔NKT细胞淋巴瘤放疗靶区自动勾画方法的步骤。

未解决上述技术问题，本申请还公开了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述鼻腔NKT细胞淋巴瘤放疗靶区自动勾画方法的步骤。

与现有技术相比，本发明的有益效果是：

1、由深度神经网络模型自动勾画鼻腔NK/T细胞淋巴瘤的靶区和正常器官。模型训练完成后，仅需输入患者CT图像，模型即可自动生成包含靶区和正常器官的DICOM文件，该过程不需要配准图像或配置模板。

2、模型在编码器阶段采用了多个多尺度模块，可有效提取不同大小，不同形状和不同位置，不同密度的病灶特征。同时，训练集包含大量患者CT图像进一步增强了模型的健壮性。

3、由于解码器同时连接深层与浅层特征能增加模型的收敛速度对，各解码器中的神经元加入自适应的Dropout算法，缓解模型在样本量小时候的过拟合现象，提高模型的泛化能力。

4、深度神经网络模型经训练完成后，通过GPU加速运算能快速勾画出患者的靶区和正常器官，既能加快勾画效率又能降低人为勾画误差，又有利于减少鼻腔NK/T细胞淋巴瘤放疗患者的等待时间和靶区勾画的标准化和规范化。

附图说明

本申请将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述，其中：

图1为本申请鼻腔NKT细胞淋巴瘤放疗靶区自动勾画方法流程示意图。

图2为本申请获取鼻腔NKT细胞淋巴瘤勾画模型具体方法流程示意图。

图3为本申请深度神经网络分割模型示意图。

图4为自适应Dropout优化算法流程图。

图5为代理模块结构示意图。

具体实施方式

为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例的附图，对本公开实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本公开的一部分实施例，而不是全部的实施例。基于所描述的本公开的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本公开保护的范围。

参阅图1，在本实施方式中，一种鼻腔NKT细胞淋巴瘤放疗靶区自动勾画方法，包括：

S101，采集已勾画的鼻腔NKT细胞淋巴瘤的CT图像；

其中，鼻腔NKT细胞淋巴瘤的CT图像由放疗模拟定位CT机采集拍摄患者的断层扫描图像，具体的，CT图像层间距为3mm。

采集到的CT图像由放疗医师根据CT图像信息手动逐层勾画靶区和正常器官。

S102，将CT图像预处理后得到深度学习数据集；

其中，与传统的放疗医师基于CT图像手工勾画的方式不同，深度神经网络可以对数据进行深层次的抽象，并提取数据的在高纬度下的抽象特征，其提取到的特征具有更强的表达能力与更高的平移不变性。然而深度神经网络模型往往具有大量参数，需要大规模带标签的数据训练模型，因此CT数据预处理包括将医师勾画的靶区和正常器官数据转换为掩膜，并对训练集的CT图像数据根据图像灰度进行归一化、随机缩放、旋转、平移等，实现增广训练样本的目的。

S103，将深度学习数据集在深度神经网络模型中训练，得到鼻腔NKT细胞淋巴瘤勾画模型；

S104，将临床CT图像预处理后输入鼻腔NKT细胞淋巴瘤勾画模型中进行勾画。

其中，将患者临床CT图像数据进行预处理，预处理包括根据图像的图像灰度归一化和裁切。

具体的，勾画是指提取临床CT图像的靶区和正常器官轮廓，并将轮廓边缘线连通完成勾画。

优选的，临床CT图像勾画完成后对其进行平滑边缘和去除杂点处理后转化为DICOM文件，生成自动勾画的结果。

参阅图2，在一些实施例中，将深度学习数据集在深度神经网络模型中训练，得到鼻腔NKT细胞淋巴瘤勾画模型包括：

S201，将深度学习数据集中CT图像分为训练集和验证集；

其中，将深度学习数据集按比例划分为两个子集，即训练集和验证集，其中训练集用于训练深度神经网络模型内参数，验证集用于在训练过程中定量评估模型的分割效果，检验模型的状态，收敛情况和调整超参数。

具体的，训练集和验证集的数量比例为4∶1。

S202，将训练集的CT图像输入深度神经网络模型得到图像特征数据；

其中，对于深度神经网络，深度神经网络由神经元以及神经元之间的连接组成。神经网络分为输入层、隐藏层和输出层,其中隐藏层由一个或多个卷积层（CONV），激活层（RELU），池化层（POOL），上采样层（UpSample），叠加层（CONCAT）组成。深度神经网络主要通过多个隐藏层从输入图像中提取深层次抽象特征，并由输出层根据提取到的特征对输入图像进行分割。

S203，根据残差网络将图像特征数据进行训练得到训练模型；

其中，残差网络采用resnet50残差网络模型。本申请采用resnet50残差网络既能加深模型深度，又能避免梯度消失防止模型退化以提高模型性能；模型通过跳转连接，结合图像的浅层和深层义信息，对图像进行多尺度的勾画。本申请中，设计的深度神经网络模型如图3所示。

其中，编码器由一系列的基于resnet50残差网络块构成，用于从输入的CT图像中提取边缘纹理等抽象特征。resnet50残差网络由五组卷积组成，第一组卷积包含1层卷积层conv（7×7×64，stride=2）和1层池化层maxpool（3×3，stride=2）；第二组卷积包含3个卷积块，每个卷积块主要包含3个卷积层，分别为conv（1×1×64），conv（3×3×64）, conv（1×1×256）；第三组卷积包含4个卷积块，每个卷积块主要包含3个卷积层，分别为conv（1×1×128），conv（3×3×128）, conv（1×1×512）；第四组卷积包含6个卷积块，每个卷积块主要包含3个卷积层，分别为conv（1×1×256），conv（3×3×256）, conv（1×1×1024）；第五组卷积包含3个卷积块，每个卷积块主要包含3个卷积层，分别为conv（1×1×512），conv（3×3×512）, conv（1×1×2048）。

其中，解码器的作用是将提取的特征恢复到原始输入图像的尺寸，可恢复图像数据的边界信息从而预测原始CT图像每个像素所属类别。解码器的输入来自于resnet50残差网络模块的深层特征，以及编码器隐藏层的浅层特征，解码器融合了深层特征与浅层特征，从而提高特征复用，加速模型的收敛。其中解码器中的Upsample模块采用双线性插值的方式将对特征进行一定倍率的上采样，从而完成像素级别的分割任务。

S204，将验证集的CT图像输入训练模型得到用于评价勾画效果的评估参数；

其中，对所有训练集图像在神经网络中都进行了一次完整的正向传播和一次反向传播之后，需要采用测试集图像定量地评价模型在上的勾画效果。优选的，评估参数通过集合相似度度量函数DSC获得，其定义公式为：

其中，

S205，将评估参数与预设参数进行比对；

其中，由步骤S204可知，在采用集合相似度度量函数DSC获取评估参数时，预设参数取值范围是0-1。结合实际情况，具体的，预设参数取值为0.9。

S206，若评估参数大于或等于预设参数，训练模型为鼻腔NKT细胞淋巴瘤勾画模型。

在一些实施例中，若评估参数小于预设参数，调整深度神经网络模型的参数；

其中，调整深度神经网络模型的参数的方法包括：

采用交叉熵作为深度神经网络模型的损失函数；

通过梯度下降算法对损失函数迭代更新至损失函数收敛，得到最优的深度神经网络参数。

在本实施例中，在构建完深度神经网络模型后，即可对模型进行训练。训练的具体过程为输入图像前向传导输出分割图像的估计值，根据反向传导技术最小化深度神经网络模型输出分割图像与标记图像之间的损失函数，寻找最优的神经网络模型参数。本发明中采用交叉熵作为模型的损失函数，其定义如下：

其中，

其中

在一些实施例中，深度神经网络模型采用自适应Dropout优化算法解决深度神经网络模型中存在的过度拟合的问题。

参阅图4，具体的，深度神经网络模型采用自适应Dropout优化算法解决深度神经网络模型中存在的过度拟合的问题方法包括：

S401，构建代理模块，代理模块包括全局均值池化层、全连接层、非线性激活层、逻辑回归层；

S402，通过代理模块获取深度神经网络模型中神经元的丢弃概率；

其中，代理模块获取神经元的丢弃概率的过程是，对于卷积层提取的三维抽象特征，首先基于全局均值池化层将三维抽象特征降至二维，以将一个通道上整个空间特征编码为一个全局特征。之后基于全连接层对二维特征进行映射以构建通道间的相关性，并基于非线性激活层对特征进行非线性处理，最后基于逻辑回归层实现归一化将丢弃概率的值始终保持在0-1之间。其中，丢弃概率可用于评估神经元的重要性，其值越接近于1表明神经元越重要。

具体的，非线性激活层函数的非线性激活函数采用ReLu函数；

具体的，逻辑回归层的逻辑回归函数采用Sigmoid函数。

则参阅图5，代理模块的结构可由下列公式描述：

其中，

S403，将丢弃概率与预设的重要性阈值进行比对；

S404，若丢弃概率大于重要性阈值，则依照丢弃概率对神经元进行随机丢弃。

在本实施例中，已知现有深度神经网络模型中，传统Dropout算法中神经元的丢弃概率遵循概率θ的伯努利分布，同一层的神经元共享超参数θ，并借助网格搜索获取最优的丢弃概率θ值。即在现有深度神经网络模型中，采用传统Dropout算法中所有神经元均是遵循概率θ进行丢弃操作来避免深度神经网络模型过度拟合。

而在本申请的深度神经网络模型中设计了一个代理模块，在此代理模块中，通过Sigmoid函数量化归一和评估神经元的重要性，其值越接近于1表明神经元越重要。由于在深度神经网络模型的训练过程中，全连接层的连接权值W会进行学习并发生改变。再由代理模块的结构公式可知，连接权值W的变化会影响到单个神经元的丢弃概率

由此，代理模块衡量每个神经元的丢弃概率

其中，具体的，对于预设的重要性阈值β其是通过人工设定，需根据具体任务设定其具体参数值。

即在本申请中，会通过代理模块对每个神经元进行判断并决定是否对其进行丢弃，从而实现对神经元进行自适应Dropout。由此，自适应Dropout算法相较于传统Dropout算法，其能够有效防止特征对部分神经元的依赖，减少了神经元的共适应性，增强了网络的泛化能力。并解决了现有Dropout算法确定合适的Dropout参数方面存在困难的问题，同时，由于传统dropout算法的使用范围有限，通常被限制在神经网络的最后几层，本申请中的自适应Dropout算法还能够扩大Dropout算法的使用范围。

参阅图，在一些实施例中，鼻腔NKT细胞淋巴瘤放疗靶区自动勾画装置，包括：

图像采集模块，图像采集模块用于采集已勾画的鼻腔NKT细胞淋巴瘤的CT图像；

图像处理模块，图像处理模块将CT图像预处理后得到深度学习数据集；

模型生成模块，模型生成模块用于深度学习数据集在深度神经网络模型中训练，得到鼻腔NKT细胞淋巴瘤勾画模型；

自动勾画模块，自动勾画模块用于将临床CT图像预处理后输入鼻腔NKT细胞淋巴瘤勾画模型中进行勾画。

在一些实施例中，本申请还公开了一种计算机设备，其特征在于，包括存储器和处理器，存储器中存储有计算机程序，处理器执行计算机程序时实现上述鼻腔NKT细胞淋巴瘤放疗靶区自动勾画方法的步骤。

其中，所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。

所述存储器至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或D界面显示存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器可以是所述计算机设备的内部存储单元，例如该计算机设备的硬盘或内存。在另一些实施例中，所述存储器也可以是所述计算机设备的外部存储设备，例如该计算机设备上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。当然，所述存储器还可以既包括所述计算机设备的内部存储单元也包括其外部存储设备。本实施例中，所述存储器常用于存储安装于所述计算机设备的操作系统和各类应用软件，例如基于深度学习的腔NKT细胞淋巴瘤放疗靶区自动勾画方法的程序代码等。此外，所述存储器还可以用于暂时地存储已经输出或者将要输出的各类数据。

所述处理器在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器通常用于控制所述计算机设备的总体操作。本实施例中，所述处理器用于运行所述存储器中存储的程序代码或者处理数据，例如运行所述基于深度学习的腔NKT细胞淋巴瘤放疗靶区自动勾画方法的程序代码。

在一些实施例中，本申请还公开了一种计算机可读存储介质，其特征在于，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述鼻腔NKT细胞淋巴瘤放疗靶区自动勾画方法的步骤。

其中，所述计算机可读存储介质存储有界面显示程序，所述界面显示程序可被至少一个处理器执行，以使所述至少一个处理器执行如上述的基于深度学习的深度图像获取方法的步骤。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器或者网络设备等)执行本申请各个实施例所述的方法。

如上即为本发明的实施例。上述实施例以及实施例中的具体参数仅是为了清楚表述发明的验证过程，并非用以限制本发明的专利保护范围，本发明的专利保护范围仍然以其权利要求书为准，凡是运用本发明的说明书及附图内容所作的等同结构变化，同理均应包含在本发明的保护范围内。