一种放射治疗计划中肺癌靶区的分割方法与流程

本发明涉及图像处理，尤其是一种放射治疗计划中肺癌靶区的分割方法。

背景技术：

1、肺癌作为全球最常见的恶性肿瘤之一，每年新发病例超过220万例，死亡约170万例，是新发病例最多且死亡率第二高的癌症类型。根据世界卫生组织国际癌症研究机构的统计数据，2021年全球因肺癌导致的死亡人数约为180万，使其成为最致命的癌症类型。此外，中国国家癌症中心在2022年2月发布的数据显示，肺癌不仅是中国最常见的恶性肿瘤，也是癌症相关死亡的首要原因。

2、尽管过去十年在多模式治疗方面取得了显著进展，肺癌仍是导致死亡的主要原因之一，占所有癌症相关死亡的25％。当前的治疗方式包括手术、放射治疗、化疗和免疫治疗，其中放射治疗是主要方法之一，约60％-70％的肺癌患者需要接受此治疗。特别是立体定向放射治疗(sbrt)适用于早期非小细胞肺癌患者，通过多个共形共平面和非共平面光束，将高剂量的辐射集中在小的目标上，分几次治疗。准确地划定肿瘤总体积(gtvs)对于精确创建临床靶体积(ctvs)和计划靶体积(ptvs)至关重要。

3、传统的手动轮廓描绘方法要求放射肿瘤科医生根据计算机断层扫描(ct)图像描绘肿瘤区域。然而，手动描绘可能导致观察者在gtv轮廓上的变异，影响治疗计划的准确性，并可能引起治疗计划的随机和系统变化，从而影响治疗剂量的分布。因此，自动分割方法在临床sbrt中变得越来越重要。

4、随着医学影像和计算机技术的快速发展，肿瘤放疗已进入高精度图像引导的时代。在放射治疗计划中，精确描绘目标区域和危险器官(oars)尤为关键。尽管有统一的原则和共识可供参考，手动描绘放疗目标仍主要依赖于从业者的经验，这种方法不仅变化大且耗时，还可能影响放疗的效果。人工智能技术的应用，特别是卷积神经网络(cnns)，一种深度学习技术，由于对图像噪声、模糊和对比度不敏感，显著提高了放疗中目标描绘的效率和一致性。在肿瘤放射学领域，经训练的cnn模型可以通过图形处理单元(gpus)加速，快速完成肿瘤总体积(gtv)和正常组织器官的分割任务。

5、尽管基于深度学习的自动分割技术已迅速应用于肺癌放疗中gtv的描绘，但在肺癌放疗计划的自动分割研究仍然不足。当前的挑战包括医学图像中肿瘤与周围组织之间对比度低，这大大增加了自动识别和分割的难度；肺ct图像中肿瘤区域比例相对较小，导致数据集不平衡，直接影响自动分割算法的性能；以及肺癌肿瘤内部的高异质性，如囊性区域、钙化和坏死，使得自动分割任务更加复杂。

技术实现思路

1、本发明要解决的技术问题是提供一种放射治疗计划中肺癌靶区的分割方法，能够解决现有技术的不足，提高分割精度。

2、为解决上述技术问题，本发明所采取的技术方案如下。

3、一种放射治疗计划中肺癌靶区的分割方法，包括以下步骤：

4、a、导入肺部ct图像文件，识别图像中白色区域的坐标；

5、b、创建完全包围图像中的白色区域的矩形框；

6、c、选取能够完全包围所有白色区域的最小矩形框，使用此矩形框进行裁剪图像；

7、d、使用sea-unet模型对裁剪图像进行分割；sea-unet模型包括编码器和解码器，编码器和解码器之间设置有两条平行的跳跃路径。

8、作为优选，所述编码器包括，

9、8个卷积单元，每个卷积单元包括4x4卷积层、批量归一化层和relu激活函数，用于扩大接收场；

10、卷积单元使用步长为2的卷积下采样，用于减少特征信息的损失。

11、作为优选，所述解码器使用八次上采样以恢复图像分辨率，上采样首先通过最近邻插值等方法对深层特征图进行尺度扩展，然后将扩展的特征图与编码路径中相应尺度的特征图融合，作为下一个上采样步骤的输入。

12、作为优选，所述跳跃路径分别为注意力模块路径和压缩激发模块路径，注意力模块和压缩激发模块在相同层级上共享相同的输入。

13、作为优选，在进入注意力模块之前，深层特征图通过使用4x4核大小和步长为2的反卷积进行扩展，深层特征图利用其深层语义信息指导在与浅层特征图同层级的注意力模块路径中特征权重的重新分配；同时，浅层特征图也作为压缩激发模块路径的输入，其中通过压缩激发模块调整通道信息权重；最终，来自注意力模块路径的输出与来自压缩激发模块路径的输出结合，形成下一个注意力模块路径的输入。

14、作为优选，注意力模块路径通过深层语义分析，调整目标区域和非目标区域之间的权重比例，强调目标区域并为模型提供关键的特征信息；深层特征图和浅层特征图首先通过带有1x1卷积核的卷积层，然后通过批量归一化层调整通道数和特征混合；随后，深层特征图和浅层特征图叠加以突出模型学习的焦点，非目标区域通过relu激活函数被抑制；注意力系数通过卷积层、批量归一化层和sigmoid激活层调节为0至1之间；最后，生成的注意力系数矩阵与原始的浅层特征图相乘，生成一个新的特征图，其权重被最优化调整以增强模型识别重要特征的能力。

15、作为优选，压缩激发模块路径将se模块嵌入残差块中，包括一个卷积路径和一个快捷连接，卷积路径由三个卷积块组成，每个块包括一个卷积层、一个批量归一化层和一个relu激活函数层，se模块位于第三个卷积块的批量归一化层和快捷连接之间，用于分析特征通道之间的关系，se模块自动学习不同通道特征的重要性，其中挤压操作通过全局平均池化层对每个通道的二维特征图进行平均，消除空间信息干扰；然后通过两个全连接层和一个sigmoid激活层完成提取操作；通道权重系数在全连接层中训练，用于反映通道间的相关性；sigmoid层的输出与残差块中最后一个批量归一化层的输出相乘；快捷连接将浅层特征图添加到se模块输出上，随后通过relu激活函数层进行处理。

16、作为优选，所述sea-unet模型采用二元交叉熵和dice损失函数的加权组合所得到的混合损失函数，

17、二元交叉熵(bce)损失函数为，

18、

19、其中，yi为预测掩码，为标签，n为训练总量；

20、dice损失函数为，

21、

22、其中，x为标签，y为预测掩码，|x∩y|为标签和预测掩码之间的交集，|x|为标签的样本数量，|y|为预测掩码的样本数量；

23、二元交叉熵损失占比为α，dice损失占比为1-α，混合损失函数为，

24、l＝αlbce+(1-α)ldice。

25、作为优选，所述α为0.9。

26、采用上述技术方案所带来的有益效果在于：本发明使用rau-net通过在roi提取中使用对象检测精确定位gtv区域，提高了分割精度。通过优化u-net模型配备了并行跳跃连接以及集成的注意力和se-res模块，改善了多尺度特征处理和分割精度。通过结合二进制交叉熵和dice损失函数，该模型有效地处理了不平衡问题，并增强了小面积识别的像素级分类。

技术特征：

1.一种放射治疗计划中肺癌靶区的分割方法，其特征在于包括以下步骤：

2.根据权利要求1所述的放射治疗计划中肺癌靶区的分割方法，其特征在于：所述编码器包括，

3.根据权利要求2所述的放射治疗计划中肺癌靶区的分割方法，其特征在于：所述解码器使用八次上采样以恢复图像分辨率，上采样首先通过最近邻插值等方法对深层特征图进行尺度扩展，然后将扩展的特征图与编码路径中相应尺度的特征图融合，作为下一个上采样步骤的输入。

4.根据权利要求3所述的放射治疗计划中肺癌靶区的分割方法，其特征在于：所述跳跃路径分别为注意力模块路径和压缩激发模块路径，注意力模块和压缩激发模块在相同层级上共享相同的输入。

5.根据权利要求4所述的放射治疗计划中肺癌靶区的分割方法，其特征在于：在进入注意力模块之前，深层特征图通过使用4x4核大小和步长为2的反卷积进行扩展，深层特征图利用其深层语义信息指导在与浅层特征图同层级的注意力模块路径中特征权重的重新分配；同时，浅层特征图也作为压缩激发模块路径的输入，其中通过压缩激发模块调整通道信息权重；最终，来自注意力模块路径的输出与来自压缩激发模块路径的输出结合，形成下一个注意力模块路径的输入。

6.根据权利要求5所述的放射治疗计划中肺癌靶区的分割方法，其特征在于：注意力模块路径通过深层语义分析，调整目标区域和非目标区域之间的权重比例，强调目标区域并为模型提供关键的特征信息；深层特征图和浅层特征图首先通过带有1x1卷积核的卷积层，然后通过批量归一化层调整通道数和特征混合；随后，深层特征图和浅层特征图叠加以突出模型学习的焦点，非目标区域通过relu激活函数被抑制；注意力系数通过卷积层、批量归一化层和sigmoid激活层调节为0至1之间；最后，生成的注意力系数矩阵与原始的浅层特征图相乘，生成一个新的特征图，其权重被最优化调整以增强模型识别重要特征的能力。

7.根据权利要求6所述的放射治疗计划中肺癌靶区的分割方法，其特征在于：压缩激发模块路径将se模块嵌入残差块中，包括一个卷积路径和一个快捷连接，卷积路径由三个卷积块组成，每个块包括一个卷积层、一个批量归一化层和一个relu激活函数层，se模块位于第三个卷积块的批量归一化层和快捷连接之间，用于分析特征通道之间的关系，se模块自动学习不同通道特征的重要性，其中挤压操作通过全局平均池化层对每个通道的二维特征图进行平均，消除空间信息干扰；然后通过两个全连接层和一个sigmoid激活层完成提取操作；通道权重系数在全连接层中训练，用于反映通道间的相关性；sigmoid层的输出与残差块中最后一个批量归一化层的输出相乘；快捷连接将浅层特征图添加到se模块输出上，随后通过relu激活函数层进行处理。

8.根据权利要求7所述的放射治疗计划中肺癌靶区的分割方法，其特征在于：所述sea-unet模型采用二元交叉熵和dice损失函数的加权组合所得到的混合损失函数，

9.根据权利要求8所述的放射治疗计划中肺癌靶区的分割方法，其特征在于：所述α为0.9。

技术总结本发明公开了一种基放射治疗计划中肺癌靶区的分割方法，包括以下步骤：A、导入肺部CT图像文件，识别图像中白色区域的坐标；B、创建完全包围图像中的白色区域的矩形框；C、选取能够完全包围所有白色区域的最小矩形框，使用此矩形框进行裁剪图像；D、使用SEA‑Unet模型对裁剪图像进行分割；SEA‑Unet模型包括编码器和解码器，编码器和解码器之间设置有两条平行的跳跃路径。本发明能够改进现有技术的不足，提高分割精度。技术研发人员：张怀文,易晨,江少峰,胡博受保护的技术使用者：江西省肿瘤医院（江西省第二人民医院、江西省癌症中心）技术研发日：技术公布日：2024/9/12