一种基于危及器官提示的宫颈癌放疗靶区自动勾画方法

技术领域

本发明涉及放疗靶区勾画技术领域，特别涉及一种基于危及器官提示的宫颈癌放疗靶区自动勾画方法。

背景技术

宫颈癌是全球女性癌症的主要病症之一。放疗作为宫颈癌的主要治疗方式，其治疗效果在很大程度上取决于放疗靶区(CTV)的精确勾画。在放疗过程中，要确保肿瘤组织受到足够的辐射剂量，同时，又要能最大程度地保护周围的健康组织和关键器官(如危及器官OAR)。

现有CTV勾画方法存在一些缺陷和不足：

a)人为因素的影响：传统的CTV勾画方法主要依赖于放疗师的经验和技能，这不仅导致勾画过程耗时，而且受到人为因素的影响，勾画结果可能存在一定的偏差。

b)技术局限性：市面上有一些半自动化的勾画工具，但它们往往受到图像质量、分辨率和对比度的限制，可能不适用于所有患者或所有设备。

c)勾画精度问题：在复杂的解剖结构或不清晰的图像条件下，传统的勾画方法可能无法达到理想的精度。

d)忽视OAR的重要性：传统方法没有充分考虑到危及器官OAR的位置和形态，这可能导致OAR受到过多的辐射，增加患者的并发症风险。

随着医学图像处理技术的进步，自动化算法被引入到CTV勾画中，旨在提高勾画的准确性和效率。然而，大多数现有的自动化算法仍然面临挑战，尤其是在图像质量不佳或解剖结构复杂的情况下。

发明内容

为了解决上述问题，本发明提供了一种基于危及器官提示的宫颈癌放疗靶区自动勾画方法，能够利用OAR的明显边界信息来提高CTV勾画的准确性和一致性。

为此，本发明的技术方案是：一种基于危及器官提示的宫颈癌放疗靶区自动勾画方法，包括以下步骤：

1)OAR、CTV自动勾画，具体步骤如下：

1.1)获取病人宫颈CT数据，并进行预处理；

1.2)根据数据标注，选择包含OAR的切片层作为训练数据；

1.3)从每个CT标准注选取CTV以及关键OAR勾画作为数据标签；

1.4)构建两个并行的3D Unet网络分别对OAR、CTV进行训练，两个3D Unet网络为OAR分割网络和CTV分割网络；

2)在OAR分割网络和CTV分割网络之间增加多尺度OAR提示融合模块，具体步骤如下：

2.1)获取不同尺度的OAR分割网络和CTV分割网络的特征输出；

2.2)使用交叉注意力机制获取注意力图；

2.3)将注意力图和CTV分割网络特征进行融合，即相加得到OAR提示后的融合特征；

2.4)对CTV分割网络进行深度监督，即解码器不同尺度融合后的特征预测结果都与CTV标签进行损失的计算，更新模型参数；

2.5)OAR分割网络和CTV分割网络分别训练，产生分割结果输出；

3)CTV粗分割结果校正，通过级联OAR分割网络和CTV分割网络的特征输出，经过结果校正模块，获取最终的CTV分割结果输出。

在上述方案的基础上并作为上述方案的优选方案：所述OAR分割网络和CTV分割网络的结构相同，均包括多层下采样、卷积模块，以及多层上采样、卷积模块。

在上述方案的基础上并作为上述方案的优选方案：所述多尺度OAR提示融合的具体步骤如下：

I)构建交叉注意力机制：即CTV提供查询Query，OAR提供键Key和值Value；

II)计算Query、Key和Value：分别由OAR、CTV特征输出和三个卷积相乘得来；

III)计算Query和Key之间的相似度矩阵；

IV)通过相似度矩阵和Value加权得到交叉注意力的输出结果；

V)将交叉注意力的输出结果和原始的CTV特征输出相加，从而对CTV区域进行特征加强，完成OAR提示功能；

VI)将OAR提示用于不同的尺度上，多次增强。

在上述方案的基础上并作为上述方案的优选方案：所述多尺度OAR提示融合由下列公式计算：

Value＝T

Key＝T

Query＝T

T'

其中：T

T

T'

W

在上述方案的基础上并作为上述方案的优选方案：步骤3)中，CTV粗分割结果校正的具体步骤如下：

3.1)获取步骤2.5)中的OAR分割网络和CTV分割网络的特征输出，并拼接两个特征输出；

3.2)构建两层3D卷积模块，并保持分割结果的图像分辨率不变；

3.3)获得卷积模块输出最终的CTV分割结果，并将分割结果和CTV标签对比，更新校正模块的模型参数。

在上述方案的基础上并作为上述方案的优选方案：步骤1.1)中，获取病人宫颈CT图像数据，并进行调整窗宽、窗位，数据归一化操作。

在上述方案的基础上并作为上述方案的优选方案：步骤1.3)中的关键OAR，包括腰椎、膀胱、直肠。

本发明构建了网络结构一致的双流分割网络，分别对OAR和CTV进行分割。这种双流的设计允许模型同时处理两种不同的结构，从而更好地捕捉它们之间的关系。具体地说，OAR由于其明显的边界和结构特征，其分割相对简单；而CTV的分割则更为复杂，需要更多的上下文信息和细节特征。因此，可以将来自不同尺度的OAR语义特征表示作为提示融合到CTV分割网络中。这种融合策略允许CTV分割网络利用OAR的特征信息，从而更好地进行CTV的分割。

与现有技术相比，本发明的有益效果是：

1、本发明利用双流网络和特征融合方法，不仅提高了模型的分割性能，还使得模型在处理复杂的解剖结构和不清晰的图像条件时具有更强的鲁棒性；可以确保CTV的精确勾画，同时最大程度地保护OAR，从而提高放疗的效果和患者的安全。

2、本发明利用OAR的明显边界信息，提高了CTV勾画的准确性和一致性；减少了放疗医师的工作量和主观性，提高了工作效率；同时，也为宫颈癌放疗提供了更加精确和一致的CTV勾画结果。

附图说明

以下结合附图和本发明的实施方式来作进一步详细说明

图1为本发明的分割流程图；

图2为本发明的模块结构图；

图3为本发明的分割模块网络结构图；

图4为本发明的OAR提示融合模块结构图；

图5为本发明的结果校正模块结构图。

具体实施方式

参见附图。本实施例所述的宫颈癌放疗靶区自动勾画方法，使用两个相同结构的分割网络分别提取OAR和CTV解码器特征图，通过构建基于OAR特征提示的特征融合模块对CTV特征图进行特征增强；然后对CTV分割网络在不同尺度上施加OAR提示模块，从而实现多尺度的OAR提示增强。此外，为了增强对CTV分割模型的约束，使用了深度监督的方式促进每一次OAR提示后的CTV特征图都向CTV标签对齐。为了得到有效的OAR提示表示和CTV分割结果，两个分割网络分别训练。最后，为了进一步加强CTV分割结果，使用分割校正模块进一步提高CTV的分割性能。

具体步骤如下：

1)获取病人的CT图像，调整窗宽、窗位，数据归一化等数据预处理操作。

2)根据数据标注，只选择包含OAR的切片层作为训练数据。

3)从每个CT标准注选取CTV、以及关键的OAR(包括腰椎、膀胱、直肠)勾画作为数据标签。

4)构建两个并行的3D Unet网络分别对OAR、CTV进行训练，3D Unet网络结构完全一致，可分别对OAR图像数据、CTV图像数据进行图像粗分割，形成OAR分割网络和CTV分割网络，输出对应的OAR、CTV分割结果。其中CTV分割网络的输出为2类，OAR分割网络的输出为4类；

3D Unet网络结构如图3所示，输入通道经过多次下采样、卷积，输出通道再经过多次上采样、卷积，实现图像粗分割。

5)在OAR分割网络和CTV分割网络之间增加多尺度OAR提示融合模块，用于增强CTV的特征信号；OAR提示融合模块如图4所示。

具体步骤如下：

5.1)获取不同尺度的OAR分割网络和CTV分割网络的特征输出；

5.2)使用交叉注意力机制获取注意力图；

5.3)将注意力图和CTV分割网络特征进行融合，即相加得到OAR提示后的融合特征；

5.3.1)构建交叉注意力机制：即CTV提供查询(Query)，OAR提供键(Key)和值(Value)；

5.3.2)计算Query、Key和Value：分别由OAR、CTV特征输出和三个卷积相乘得来；

Value＝T

Key＝T

Query＝T

其中：T

T

W

5.3.3)计算Query和Key之间的相似度矩阵：Key×Query；

5.3.4)通过相似度矩阵和Value加权得到交叉注意力的输出结果：Key×Query×Value；

5.3.5)将交叉注意力输出的结果和原始的CTV特征相加，从而对CTV区域进行特征加强，完成OAR提示功能；

T'

其中，T'

5.3.6)将OAR提示用于不同的尺度上，多次增强。

5.4)对CTV分割网络进行深度监督，即解码器不同尺度融合后的特征预测结果都与CTV标签进行损失的计算，更新模型参数；

5.5)OAR分割网络和CTV分割网络分别训练，产生分割结果输出。

6)通过级联OAR和CTV分割输出，经过结果校正模块，获取最终的CTV分割结果输出，结果校正模块的结构如图5所示。

具体步骤如下：

6.1)获取OAR分割网络和CTV分割网络的特征输出，并拼接两个特征输出；

6.2)构建两层3D卷积模块，并保持分割结果的图像分辨率不变；

6.3)获得卷积模块输出最终的CTV分割结果，并将分割结果和CTV标签对比，更新校正模块的模型参数。

本实施例构建了网络结构一致的双流分割网络，分别对OAR和CTV进行分割。这种双流的设计允许模型同时处理两种不同的结构，从而更好地捕捉它们之间的关系。具体地说，OAR由于其明显的边界和结构特征，其分割相对简单；而CTV的分割则更为复杂，需要更多的上下文信息和细节特征。因此，可以将来自不同尺度的OAR语义特征表示作为提示融合到CTV分割网络中。这种融合策略允许CTV分割网络利用OAR的特征信息，从而更好地进行CTV的分割。这种基于双流网络和特征融合的方法，不仅提高了模型的分割性能，还使得模型在处理复杂的解剖结构和不清晰的图像条件时具有更强的鲁棒性。这种方法可以确保CTV的精确勾画，同时最大程度地保护OAR，从而提高放疗的效果和患者的安全。

以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。