[go: up one dir, main page]

CN107403201A - 肿瘤放射治疗靶区和危及器官智能化、自动化勾画方法 - Google Patents

肿瘤放射治疗靶区和危及器官智能化、自动化勾画方法 Download PDF

Info

Publication number
CN107403201A
CN107403201A CN201710687331.0A CN201710687331A CN107403201A CN 107403201 A CN107403201 A CN 107403201A CN 201710687331 A CN201710687331 A CN 201710687331A CN 107403201 A CN107403201 A CN 107403201A
Authority
CN
China
Prior art keywords
tumor
image
target area
organs
risk
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201710687331.0A
Other languages
English (en)
Inventor
刘国才
田娟秀
官文静
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Shenzhen Intelligent Medical Technology (kunshan) Co Ltd
Original Assignee
Shenzhen Shenzhen Intelligent Medical Technology (kunshan) Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Shenzhen Intelligent Medical Technology (kunshan) Co Ltd filed Critical Shenzhen Shenzhen Intelligent Medical Technology (kunshan) Co Ltd
Priority to CN201710687331.0A priority Critical patent/CN107403201A/zh
Publication of CN107403201A publication Critical patent/CN107403201A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T15/00—3D [Three Dimensional] image rendering
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10104—Positron emission tomography [PET]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30096—Tumor; Lesion
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images
    • G06V2201/032—Recognition of patterns in medical or anatomical images of protuberances, polyps nodules, etc.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Graphics (AREA)
  • Image Analysis (AREA)

Abstract

本发明为肿瘤放射治疗靶区和危及器官智能化、自动化勾画方法，步骤为：1）肿瘤多模态（式）影像重建、去噪、增强、配准、融合等预处理；2）肿瘤影像特征自动提取：自动地从预处理后的CT、CBCT、MRI、PET、和（或）超声等多模态（式）肿瘤医学图像数据中提取一个或多个肿瘤影像组（纹理特征谱）信息；3）采用深度学习、机器学习、人工智能、区域生长、图论（随机游走）、几何水平集、和（或）统计理论方法，进行肿瘤放射治疗靶区和危及器官的智能化、自动化勾画。采用本发明能够高精度地勾画肿瘤放射治疗靶区（GTV）和危及器官(OAR)。

Description

肿瘤放射治疗靶区和危及器官智能化、自动化勾画方法
技术领域
本发明涉及医学影像、医学图像分析处理、深度学习、机器学习、大数据分析、人工智能与肿瘤放射物理、放射生物、放射治疗、生物医学工程等技术领域；特别涉及智能化、自动化提取肿瘤医学影像特征的方法和智能化、自动化分类、检测、识别、分割肿瘤放射治疗靶区和放疗危及器官的方法；具体的，其展示肿瘤放射治疗靶区和危及器官智能化、自动化勾画方法。
背景技术
肿瘤放射治疗是目前三大肿瘤治疗技术之一。恶性肿瘤精确放疗依赖于计算机断层扫描成像(CT)、核磁共振成像(MRI)、正电子发射断层扫描成像(PET)、锥形束计算机断层扫描成像(CBCT)技术和相应的医学图像信息智能处理技术。肿瘤放疗靶区、或大体肿瘤区(GTV)的高精度勾画是成功实施精确放疗的前提和关键技术。目前基于肿瘤CT、MRI、PET和CBCT影像信息的放疗靶区自动勾画技术还不能满足临床放疗要求。临床上主要依靠临床放疗医生手工勾画肿瘤GTV，不仅效率低，而且主观性强，导致勾画结果不精确，影响放射治疗计划的精确性和治疗的疗效。
因此，有必要提供肿瘤放射治疗靶区和危及器官智能化、自动化勾画方法来解决上述问题。
发明内容
本发明的目的是提供肿瘤放射治疗靶区和危及器官智能化、自动化勾画方法，以解决目前临床上手工靶区勾画效率低、主观性强、精度差，并最终影响放射治疗计划精确性和治疗疗效等问题。
本发明通过如下技术方案实现上述目的：
肿瘤放射治疗靶区和危及器官智能化、自动化勾画方法，包括如下步骤：
1-1）肿瘤影像预处理：CT、CBCT、MRI、PET等肿瘤医学影像的三维重建、去噪、增强、配准、融合等预处理；
1-2）肿瘤影像特征自动提取：自动地从预处理后的CT、CBCT、MRI、PET、和（或）超声等多模态（式）肿瘤医学图像数据中提取一个或多个肿瘤影像组（纹理特征谱）信息；包括，但不限于：1）一阶统计纹理特征（方差、偏度、峰度）；2）基于邻域灰度级差异矩阵的纹理特征（对比度、频繁度、粗糙度、复杂度、纹理强度）；3）基于灰度级游程矩阵的纹理特征（短游程优势、长游程优势、灰度级不均匀性、游程不均匀性、游程百分比、低灰度级游程优势、高灰度级游程优势、短游程低灰度级优势、短游程高灰度级优势、长游程低灰度级优势、长游程高灰度级优势）；4）基于灰度级共生矩阵的纹理特征（能量/角二阶矩、熵、对比度、逆差矩、相关性、方差、均值和、方差和、差的方差、和的熵、差的熵、聚类阴影、显著聚类、最大概率）；5）基于灰度级区域大小矩阵的纹理特征；6）基于自适应回归核的影像特征；7）基于三维深度卷积神经网络深度学习获取的多层次的、隐含的肿瘤影像特征等；
1-3）肿瘤放射治疗靶区（GTV）和危及器官的智能、自动勾画：采用深度学习、机器学习、人工智能、区域生长、图论（随机游走）、几何水平集、和（或）统计理论方法，进行肿瘤放射治疗靶区（GTV）和危及器官的智能、自动勾画。
进一步的，步骤1-1）中影像预处理包括如下步骤：
2-1）影像获取：
（1)用于肿瘤诊断的PET/CT、PET/MRI、MRI、CT等影像，以及制定治疗计划的放疗模拟定位CT（SCT）。这些图像由医院商用成像设备扫描成像与三维重建归档，并通过医院临床PACS系统导出其DICOM文件获得，这些 DICOM影像文件还包括各扫描成像参数信息；
（2) 用于放射治疗引导的机载锥形束CT（CBCT），MRI或超声引导图像；
2-2）预处理：包括如下处理：
（1）提取图像及分辨率、层厚、坐标等有关信息；
（2）以SCT为参考图像，采用刚性粗配准、联合高精度形变弹性精配准方法，将各个模态的图像配准插值成与SCT等空间分辨率的图像；
（3) 剔除CT成像中的机架；PET图像去噪处理；图像增强处理；各模态的规范化处理，即将图像均值标准化为0，方差归一化；
（4）多模态影像融合。
进一步的，步骤1-2）中利用自适应回归核提取肿瘤影像特征。某些正常的像素点和肿瘤像素点具有相同的SUV值，但这些点的自适应回归核有明显差异，利用自适应回归核能够有效表征图像灰度值及其纹理的变化，具体步骤为：
3-1）用图像局部邻域协方差矩阵来估计自适应回归核函数值，相应的核函数定义如下：
（1）
其中， 表示第个像素点，表示为3D坐标形式 ；表示第个像素点处的灰度值；是附近的采样点；表示采样点的灰度值；为图像局部邻域协方差矩阵；=1, h是可调节参数；
3-2）图像的局部边缘结构与图像灰度的梯度协方差矩阵有关，可以用图像灰度的梯度信息估计图像局部邻域协方差矩阵，用表示为：
（2）
其中为处的灰度梯度矩阵；
3-3）医学图像为三维体数据，需计算图像三维空间自适应回归核，其梯度矩阵为：
（3）
其中，是图像灰度值函数在像素点处的三个正交方向的导数值，是肿瘤影像感兴趣区域（ROI）中像素点的局部邻域边缘结构分析窗口，其大小为，其中n为正奇数；
3-4）协方差估计矩阵一般情况下不是满秩的，且不稳定，因此，采用正则化方法将梯度矩阵进行特征值分解，其表达式如下：
（4）
（5）
其中，分别为伸缩和尺度参数，是正则化参数，对噪声有抑制作用，使的分母和不为零。在本发明实施实例实验中，取。特征值和特征向量由进行特征值分解得到：
。 （6）
进一步的，步骤1-3）为集成自适应回归核的随机游走肿瘤勾画方法，具体步骤为：
4-1）将图像的每一个像素定义为图的顶点，空间相邻像素的相似性定义为连接相应像素（顶点）的边的权值，从而构造一个无向加权图,其中，是图中顶点集，是边的集合，是连接图中相邻顶点和的一条边，其权值是。权值表示随机游走者沿这条边走过的概率，加权图中不相邻的两顶点间边的权值为0，即随机游走者不经过此条边；
4-2）利用如下公式进行集成自适应回归核的边权值计算：
（7）
4-3） 随机游走者从任意顶点首次到达已标记的某类目标顶点的概率与所谓的“Dirichlet最小化问题”的解相同，因此可以通过求解图像分割随机游走中Dirichlet最小值问题目标函数的最优解来获得：
（8）
其中，表示从每个某个非种子点的像素点到达某类对象已标记种子点的概率。拉普拉斯矩阵L定义为：
（9）
与顶点相关，表示顶点的度，即为所有与顶点相连接的边的权重之和；
4-4）将图中的顶点分为两类，即已标记的某对象类的像素点集合和未标记的像素点集合。并且根据不同的顶点属于不同的集合，则可以将拉普拉斯矩阵分解为如下形式：
（10）
Dirichlet问题可以分解为如下形式：
（11）
其中，分别表示随机游走者从一个已标记像素点和未标记像素点第一次到达某对象类的已标记像素点的概率向量；
为求解最小值问题（11）式的最优解，可以求在的微分，并令其等于零，得到下列代数矩阵方程，并求解：
（12）
4-5）根据4-4)中的求解结果概率值进行肿瘤和危及器官勾画。从每个像素点对应的对象类别概率向量中选取最大概率值对应的类别，对此像素点进行分类标记。如选定肿瘤区域的概率阈值为0.5，则其概率值大于0.5的像素点标记为肿瘤区域的点，否则标记为正常组织区域的点。
进一步的， 1）步骤1-2）中利用深度神经网络自动提取肿瘤影像特征；2）步骤1-3）中采用三维（3D）对称深度卷积神经网络（AgideepIRT）实现肿瘤靶区和危及器官勾画。具体包括如下步骤：
5-1）肿瘤放疗靶区和危及器官勾画网络模型深度学习：采用一个集成多模态影像、多尺度影像特征信息的3D对称深度卷积神经网络AgideepIRT，将深度学习特征提取与肿瘤放疗靶区、或危及器官分类、识别、检测集成AgideepIRT网络模型中；利用临床医生勾画的肿瘤放疗靶区和危及器官信息，监督训练AgideepIRT网络模型。
5-2）肿瘤放疗靶区和危及器官勾画：基于训练学习好的AgideepIRT网络模型，进行肿瘤放疗靶区和危及器官的分类、识别、检测与勾画。具体步骤为：
1）建立分类识别网络模型：由于不同的组织器官或肿瘤靶区具有不同的影像特征，本发明实例同时采用肿瘤CT、PET和MRI影像作为AgideepIRT网络的输入，利用多级迁移学习和监督学习方法，训练、学习肿瘤放疗靶区和危及器官的多层次、高级别影像特征，分别建立起肿瘤放疗靶区和各危及器官的检测、分类和识别模型；
2）从粗到精、自动勾画肿瘤放疗靶区和危及器官：利用正常器官组织的分类识别模型确定该器官是否有病变；然后，将病变区域影像输入到肿瘤靶区检测、分类、识别网络AgideepIRT；最后，联合肿瘤放疗临床专家先验知识，对肿瘤靶区AgideepIRT检测、分类、识别结果作进一步后处理，最终高精度地勾画肿瘤放疗靶区。
进一步的， AgideepIRT基于3D卷积残差学习模块Res(Ch,l,k)实现的对称网络，通过各个阶段的处理，输出结果的尺寸与单模态输入图像大小相同，实现密集性预测。采用DICE相似度系数作为AgideepIRT训练学习优化目标函数，进行端到端的3D深度监督学习。
进一步的， AgideepIRT通过跳转连接将相同分辨率的特征融合、汇聚、集成到对应层特征信息，结合不同层的特征，从而有效地融合由粗到精的多尺度信息，精细化最终的勾画结果。
进一步的，步骤5-1）的深度神经网络学习方法包括多级迁移学习和监督学习。
进一步的，多级迁移学习为按照特征相似性最大原则分4个层级：
9-1）从自然图像目标识别集ImageNet迁移到肿瘤放疗靶区和危及器官识别PET、CT、MRI影像序列集。本专利实施实例采用自然图像集ImageNet预训练学习AgideepIRT网络特征参数，并将预训练结果作为初始值迁移到AgideepIRT网络特征参数精调学习过程；
9-2）从一个解剖区域到另一个解剖区域迁移：首先从头颈部区域开始深度神经网络训练学习；由于不同解剖区域的肿瘤PET、CT、和MRI影像存在一定的相似性，通过头颈部区域训练学习到的网络参数可以迁移到脑部和胸腹部区域，再从胸腹部区域迁移到盆腔区域；
9-3）从一种肿瘤/器官到同一解剖区域内其它肿瘤、器官迁移：本专利实例从鼻咽癌迁移到头颈部肿瘤、从肺癌迁移到胸腹部肿瘤、从前列腺癌迁移到盆腔部肿瘤、从脑神经胶质瘤迁移到脑部肿瘤；
9-4) 从正常器官到同一解剖区域内肿瘤迁移。
进一步的，监督学习为用临床医生手工勾画的某类肿瘤和危及器官信息进行网络精调训练、学习。通过有监督学习和反向传播算法，从输出层开始自顶向下地反向调整AgideepIRT网络所有隐层节点；通过AgideepIRT网络的监督学习精调网络特征参数，抽取特定类肿瘤靶区和危及器官的、多层次、高级别的区分性特征，提高肿瘤和危及器官分类、检测和识别的准确率；通过大量的数据训练，得到稳定的AgideepIRT危及器官与肿瘤靶区3D勾画模型。
本发明能够高精度、智能、自动地勾画肿瘤放射治疗靶区和危及器官。
附图说明
图1是本发明的实施例的步骤示意图；图2是本发明的实施例1中图像预处理步骤示意图；图3是本发明的实施例2的纹理示意图；图4是本发明的实施例2的肿瘤勾画示意图；图5是本发明的实施例3的示意图之一；图6是本发明的实施例3的示意图之二；图7是本发明的实施例3的示意图之三；图8是本发明的实施例3的示意图之四；图9是本发明的实施例3的示意图之五；图10是本发明的实施例3的示意图之六；图11是本发明的实施例3的示意图之七；图12是本发明的实施例3的示意图之八。
具体实施方式
实施例1：
本实施例展示一种图像预处理方法，包括图像获取和对获取的图形进行预处理：
图像获取包括获取两部分的图像：（a)用于肿瘤诊断的PET/CT、PET/MRI、MRI、CT等影像，以及制定治疗计划的放疗模拟定位CT（SCT），这些图像由医院商用成像设备成像，通过医院临床中PACS系统导出的DICOM文件获得，同时DICOM文件还提供了扫描参数信息。（b)用于放射治疗引导的机载锥形束CT（CBCT），MRI或超声引导图像。
针对各种模态的图像信息进行预处理，并且以SCT为参考图像，将各个模态的图像配准、插值成与SCT等空间分辨率的图像。具体来讲，肿瘤PET/CT/MRI医学成像系统具有不同的成像原理和特征，相互提供肿瘤和危及器官互补的功能和解剖结构信息。肿瘤PET与正常组织之间的对比度强、灵敏性高、生物学特异性很好，但空间分辨率低、部分容器效应大、噪声强；MRI空间分辨率很高、软组织之间对比度强，但组织器官之间的空隙容易导致伪影，且难避免和校正；CT空间分辨率也很高，但软组织之间对比度低，难以区分肿瘤和正常组织；超声图像可连贯地、动态地观察人体内脏器官的运动和功能，但具有噪声大，容易产生伪影的特点。针对基于单一CT、MRI或PET影像进行肿瘤靶区勾画的不足，需要联合肿瘤诊断PET/CT、PET/MRI、MRI、CT和放疗模拟定位CT、在线CBCT、MRI等临床上所有可用影像信息进行肿瘤放疗靶区和危及器官高精度勾画。
为进一步说明图像预处理，举例说明从DICOM文件获取PET与放疗模拟定位SCT图像并进行预处理的过程，如图2所示。包括以下处理：
（1）提取图像及分辨率、层厚、坐标等有关信息；
（2）以SCT为参考图像，采用刚性粗配准、联合高精度形变弹性精配准方法，将各个模态的图像配准插值成与SCT等空间分辨率的图像；
（3) 剔除CT成像中的机架；PET图像去噪处理；图像增强处理；各模态的规范化处理，即将图像均值标准化为0，方差归一化。
实施例2：
本实施例展示一种集成自适应回归核的随机游走肿瘤勾画方法：
传统的随机游走方法只考虑了图像的灰度信息，利用无向图的边权值函数表征空间相邻像素点之间的相似性，而没有考虑像素的邻域信息；而肿瘤的PET图像具有明显的各向异性特性，主要表现在肿瘤区域SUV值分布不均匀；在PET影像中，SUV（Standard UptakeValue）值受组织代谢强度影响，代谢越活跃则其相应的SUV值越高；而在头颈部肿瘤周围的正常脑组织代谢也活跃，其SUV值分布与肿瘤区域接近，边权值函数接近于1，此时随机游走算法不能对其进行有效区分。因此，仅利用PET SUV值进行靶区勾画不能得到令人满意的结果；本实例针对传统的随机游走方法的不足，通过将肿瘤PET自适应回归核集成到随机游走算法中，改进其相应无向图的边权值构造方法，提高其区分肿瘤和正常高代谢组织的能力。
具体包括如下步骤：
1）利用自适应回归核提取肿瘤影像特征：
自适应回归核同时考虑图像的灰度信息和结构信息，用图像局部邻域协方差矩阵来估计核函数值，相应的核函数定义如下：
（1）
其中， 表示第个像素点，表示为3D坐标形式 ；表示第个像素点处的灰度值；是附近的采样点；表示采样点的灰度值；为图像局部邻域协方差矩阵。=1, h是可调节参数；
因为图像的局部边缘结构与图像灰度的梯度协方差矩阵有关，因此可以用图像灰度的梯度信息估计图像局部邻域协方差矩阵，用表示为：
（2）
其中为处的灰度梯度矩阵；
医学图像为三维体数据，需计算图像三维空间自适应回归核，其梯度矩阵为：
（3）
其中，是图像灰度值函数在像素点处的三个正交方向的导数值，是肿瘤影像感兴趣区域（ROI）中像素点的局部邻域边缘结构分析窗口，其大小为，其中n为正奇数；
式（2）中协方差估计矩阵的估计一般情况下不是满秩的，且不稳定。为了更好地估计协方差矩阵，采用正则化方法将梯度矩阵进行特征值分解，其表达式如下：
（4）
（5）
其中，分别为伸缩和尺度参数，是正则化参数，对噪声有抑制作用，使的分母和不为零。在实验中，取。特征值和特征向量由进行特征值分解得到：
（6）
正常组织与肿瘤区域的自适应回归核有明显差异，如图3所示，其中，像素点a位于肿瘤内部，像素点b位于脑正常组织内部，a和b具有相同的SUV值，但这两点的自适应回归核有明显差异，自适应回归核能够有效表征图像灰度值及其纹理的变化，有利于肿瘤放疗靶区高精度勾画；
2）进行一种集成自适应回归核的随机游走肿瘤勾画方法，具体步骤为：
（1）将图像的每一个像素定义为图的顶点，空间相邻像素的相似性定义为连接相应像素（顶点）的边的权值，从而构造一个无向加权图,其中，是图中顶点集，是边的集合，是连接图中相邻顶点和的一条边，其权值是。权值表示随机游走者沿这条边走的概率，加权图中不相邻的两顶点间边的权值为0，即随机游走者不经过此条边；
（2）集成自适应回归核的边权值计算：
（7）
其中，表示PET图像中像素点处的SUV值，表示像素点处对应的维自适应回归核矩阵的列拉伸向量，的大小为k为正奇数，为自由参数。式（7）融合使用了PET SUV值和自适应核。在相邻的正常组织与肿区域SUV值相近时，近似于零，但其自适应核纹理相差较大，大于零，此时像素点间的权值将减小，从而有助于区分肿瘤正常组织；
（3） 随机游走者从任意顶点首次到达已标记的某类目标顶点的概率与所谓的“Dirichlet最小化问题”的解相同，因此可以通过求解图像分割随机游走中Dirichlet最小值问题目标函数的最优解来获得：
（8）
其中，表示从每个某个非种子点的像素点到达某类对象已标记种子点的概率，拉普拉斯矩阵L定义为：
（9）
与顶点相关，表示顶点的度，即为所有与顶点相连接的边的权重之和；
（4）为了式（8）的Dirichlet问题，将图中的顶点分为两类，即已标记的某对象类的像素点集合和未标记的像素点集合。并且根据不同的顶点属于不同的集合，则可以将拉普拉斯矩阵分解为如下形式：
（10）
Dirichlet问题式（8）可以分解为如下形式：
（11）
其中，分别表示随机游走者从一个已标记像素点和未标记像素点第一次到达某对象类已标记像素点的概率向量；
为求解最小值问题（11）式的最优解，可以求在的微分，并令其等于零，得到下式：
（12）
从每个像素点对应的概率向量中选取最大的概率对应的类别，对此像素点进行标记。如选定肿瘤区域的概率阈值为0.5，则概率值大于0.5的像素点标记为肿瘤区域，否则标记为正常组织区域，以完成肿瘤勾画。图4是利用集成自适应回归核随机游走方法进行肿瘤勾画的效果，分别表示自适应回归核随机游走方法结果和医生视觉分辨法手工勾画结果。
实施例3：
本实施例展示一种基于深度神经网络学习方法的危及器官与肿瘤勾画方法：在恶性肿瘤临床放疗计划过程中，不仅需要精准地勾画恶性肿瘤，以实现高度适形的肿瘤照射，而且，需要同时高精度地勾画肿瘤邻近的正常组织器官，以最大限度地避免正常组织器官受到照射。利用深度学习方法，从肿瘤PET/CT/MRI影像中自动学习获得肿瘤放疗靶区和危及器官深层次、高级别、隐含的特异性特征。根据这些特征进行高精度危及器官及恶性肿瘤靶区勾画，可以提高危及器官及肿瘤勾画的准确率。本实例联合所有临床上可用的肿瘤CT、PET和MRI影像，通过深度神经网络学习方法，检测、分类、识别与勾画肿瘤放疗靶区和危及器官。
具体包括如下步骤：
步骤1）采用一个集成多模态、多尺度特征信息的3D对称深度卷积神经网络AgideepIRT，如图5所示，将深度学习特征提取与肿瘤放疗靶区、或危及器官分类、识别、检测集成在同一个深度卷积神经网络模型AgideepIRT中。利用临床医生勾画的肿瘤放疗靶区和危及器官，监督训练AgideepIRT模型；
（1）AgideepIRT基于3D卷积残差学习模块Res(Ch,l,k)，模块输入经过l层卷积运算提取特征和非线性处理后，通过构建残差函数进行学习。模块Res(Ch,l,k)示意图如图6所示，其中参数k确定3D卷积核的大小为k*k*k，参数l确定模块中采用的卷积运算次数，而参数Ch表示利用卷积核提取的特征通道个数；
其中：（a) “”符号表示卷积运算，可以从数据中自动地学习特征，模块Res中卷积核一般为3*3*3。卷积层通常采用多个卷积核，用于提取多个特征映射；。
设卷积核 表示第l-1层的特征映射i与第l层特征映射j之间的连接权值，卷积层的作用是利用核 在输入不同位置检测局部特征；
(13)
其中，*表示卷积操作， 是偏置值，f(.)是非线性激活函数。具体来说，卷积层l中第j个特征映射 依据其邻接较低l-1层的特征映射 来计算, 表示第l-1层的特征映射数目；
(b) “”符号表示第l个卷积层提取的特征与模块输入之间的残差；
(c) “” 符号表示非线性激活函数，采用PreLU方法，用公式（14）计算，其中a是一个很小的常数，如a=0.01.
（14）
(2) AgideepIRT输入的图像数据的大小根据具体勾画和识别对象而设定，在本方案中，采用2的整数次幂，大小为2 n *2 n *2 n 。实际应用中，可调整参数n或将图像插值成2 n *2 n *2 n ；
（3）AgideepIRT网络的输入可以是单模态图像，也可以是多模态图像，若用M种模态的数据作为输入，则输入向量是M个通道2 n *2 n *2 n 大小的体积，M是大于等于1的自然数；
(4) AgideepIRT输入的图像数据需先进行预处理：包括以SCT为参考图像，采用刚性粗配准、联合高精度形变弹性精配准方法，将各个模态的图像配准插值成与SCT等空间分辨率的图像；PET和超声图像去噪处理；各模态的规范化处理，即将图像均值标准化为0，方差归一化；剔除CT成像中的机架等，见图2及其说明；
（5）图5是一个对称的U形网络模型，由左、右两种通路组成；
（6）图5的左侧网络为压缩通路，由针对不同分辨率执行的(n-3)个3D卷积残差学习模块和下采样操作组成。其作用是提取特征的同时，利用下采样卷积实现尺寸的压缩；
（7）图5的右侧网络为扩展通路，可以进一步地提取特征，并利用上采样卷积运算扩展低分辨率特征图。由与左侧通路对应的处理相应分辨率的(n-4) 个3D卷积残差学习模块和上采样操作组成，3D卷积残差学习模块的卷积层数与左侧对应模块相同；
（8）表示下采样操作，该操作的输出数据尺寸为输入数据大小的一半，分辨率下降，利用步长为2、卷积核2*2*2的卷积运算实现，如图7所示。下采样可以减少输入信息的表示尺寸，增加后继网络层的特征感受域；
（9） 表示上采样操作，该操作的输出数据尺寸为输入数据大小的2倍，分辨率提高，利用步长为2、卷积核2*2*2的逆卷积运算实现，如图8所示。上采样可以扩展输入信息的表示尺寸，以便与左侧同一尺度的特征融合；
（10）在压缩通路上各个3D卷积残差学习模块（除第1个模块外）提取的特征映射图数量为上一模块的特征映射图的数量的2倍；
（11）在扩展通路上各个3D卷积残差学习模块提取的特征映射图的数量为上一模块的特征映射图的数量的一半；
（12）通过扩展通路上的(n-4)个上采样操作，扩展低分辨率特征图，可以逐层恢复到输入数据相同大小；
（13）左侧通路各个3D卷积残差学习模块提取的特征图通过跳转连接(图5中的横向灰色箭头）与相同分辨率的右侧通路的特征图融合，补偿在下采样压缩过程中损失掉的细节，精化最终的预测勾画结果；
（14）跳转连接汇聚集成了对应层特征信息，结合不同层的特征，从而有效地融合由粗而精的多尺度信息；
（15）网络提取的所有特征信息最后由1*1*1大小卷积核的卷积层L实现全连接操作，得到与输入体数据大小相同的两通道的概率估计，分别表示对应体素为肿瘤(或OAR)和背景的概率；
（16）通过soft-max分类肿瘤与非肿瘤。设某体素的坐标为x，该体素x预测为类别c的后验概率用式（15）估计。其中，L表示最后一个卷积层， 表示总的类别数，本实例当中 ，表示肿瘤与非肿瘤两类。通过比较 和 的大小确定最终归属于肿瘤还是非肿瘤；
(15)
（17）图5中各阶段采用全卷积网络实现，通过各个阶段的处理，输出结果的尺寸与单模态图像输入图像大小相同，实现了密集性预测；
（18）采用DICE相似度系数作为AgideepIRT训练学习优化目标函数，进行端到端地3D深度监督学习。设待勾画的体积包括V个体素，PT是预测的二值分割结果PT={0，1}，第i个体素的预测 ，T是病理学金标准或者临床专家的二值勾画标记T={0，1}，临床专家勾画的第i个体素的 ，DICE系数可用式（16）计算：
(16)
第j个体素对应的DICE系数梯度由对式（16）求导得到，用式（17）计算：
(17)
（19）图5采用AgideepIRT模型对放疗靶区和危及器官进行分类、识别、检测结果可能会出现毛刺和非常小的孔洞区域。本发明实例进一步联合放疗临床专家先验知识和几何约束，采用3D条件随机场CRF、水平集方法、超像素方法或形态学滤波等后处理方法，对通过AgideepIRT获得的正常组织器官或放疗靶区分类、识别、检测结果作进一步处理，最终高精度地勾画出正常组织器官或肿瘤放疗靶区。
步骤2）：
采取从粗到精的正常组织器官与肿瘤靶区识别、勾画方法，如图9所示。图9中的正常器官组织和肿瘤放疗靶区的分类、识别、检测都是采用步骤1）已经训练学习好的相应AgideepIRT网络模型。由于不同的组织器官或肿瘤靶区具有不同的影像特征，通过联合CT、PET和MRI影像作为AgideepIRT网络的输入，利用AgideepIRT学习正常器官组织或肿瘤靶区的多层次、高级别影像特征，分别建立起各个正常器官组织或肿瘤靶区的检测、分类和识别模型；
AgideepIRT正常器官分类识别建模与肿瘤分类识别建模不同之处在于监督图像的不同，分别采用特定正常器官标签图像和某类肿瘤标签图像，以监督学习和反向传播方法精调正常器官或肿瘤分类识别网络特征参数，学习训练好的相应AgideepIRT网络最高层作为当前器官或肿瘤的特征模型；
图9从粗到精、自动勾画正常组织器官与肿瘤靶区。首先，利用正常器官组织的分类识别模型确定该器官是否有病变；然后，将病变区域影像输入到肿瘤靶区检测、分类、识别网络AgideepIRT；最后，联合肿瘤放疗临床专家先验知识，对肿瘤靶区AgideepIRT检测、分类、识别结果作进一步后处理，最终高精度地勾画肿瘤放疗靶区。
步骤3）：
深度学习成功应用的前提是拥有海量的数据，特别是足够多的已标记好的数据。但是在高分辨率的三维PET、CT、MRI影像序列集上进行肿瘤和危及器官标注不是一件简单的工作，不仅需要花费本已非常紧缺的临床专家大量的时间和精力，而且很难做到客观、正确地标注。因此目前还不具备用海量的、由临床专家标记好的影像金标准训练数据进行肿瘤本质影像特征的深度神经网络训练学习。采用联合迁移学习和监督学习的AgideepIRT网络学习方法配合实现：
迁移学习是指先采用非待分类识别目标的样本数据集（即所谓的源域训练样本集）训练深度神经网络特征参数，并将训练好的网络参数作为待分类识别深度神经网络的初始参数，对待分类识别目标网络进行再训练。如图10所示，源域样本集为自然图像集，目标域样本集为医学图像集；
采用多层次的迁移学习方法，按照特征相似性最大原则分4个层级进行AgideepIRT迁移学习：
（1）从自然图像目标识别集ImageNET迁移到肿瘤PET、CT、MRI影像放疗靶区和危及器官识别训练集。拟将用自然图像ImageNet预训练学习AgideepIRT网络特征参数，并将预训练结果作为初始值迁移到AgideepIRT网络特征参数精调学习过程；
（2）从一个解剖区域到另一个解剖区域迁移：由于人体的解剖结构与自然图像最为接近，而头颈部的解剖结构最为明显。首先从头颈部区域开始深度神经网络训练学习。由于不同解剖区域的肿瘤PET、CT、和MRI影像存在一定的相似性，通过头颈部区域训练学习到的网络参数可以迁移到到脑部和胸腹部区域，再从胸腹部区域迁移到盆腔区域；
（3）从一种肿瘤/器官到同一解剖区域内其它肿瘤、器官迁移：可以从鼻咽癌迁移到头颈部肿瘤、从肺癌迁移到胸腹部肿瘤、从前列腺癌迁移到盆腔部肿瘤、从脑神经胶质瘤迁移到脑部肿瘤；
(4) 从正常器官到同一解剖区域内肿瘤迁移；
迁移学习和监督学习的联合，一方面，可以有效地联合PET、CT和MRI中的功能和结构互补信息，帮助提高分类和勾画的精度；另一方面，借助自然图像与医学图像、不同部位的医学图像以及不同类型的肿瘤之间存在一定程度的特征参数相似性，采用迁移学习方法初始化深度学习网络，然后，用标签数据精调网络，从输出层开始自顶向下地通过监督学习和反向传播算法调整网络所有隐层参数，使其更好地表达医学图像中正常器官和肿瘤特征。本发明实例联合迁移学习和监督学习的AgideepIRT网络学习方法如图11所示。
先用随机数初始化AgideepIRT网络，通过已有大规模自然图像集预训练网络，并将预训练好的网络特征参数迁移到AgideepIRT，再采用监督学习的训练方式，得到某类肿瘤、或危及器官分类识别AgideepIRT网络特征参数。图11中的主要处理模块如下：
(a)迁移学习：有两个输入，实心箭头表示复用前一模块输出的网络参数，源域影像样本集为前一模块的训练样本集；空心箭头表示目标域影像输入；模块本身利用复用的网络参数初始化目标域网络参数，然后利用规模相对较小的目标域样本集再训练AgideepIRT网络。图11中的三个“迁移学习DL”模块分别代表不同层次的网络参数复用迁移：从自然图像域迁移到医学图像域；从某个解剖区域的医学图像域迁移到另一个解剖区域的医学图像域；从某类肿瘤、或危及器官图像域迁移到同部位邻近区域肿瘤、危及器官图像域。借助源域和目标域之间存在某种程度的特征参数相似性，从而确保有效肿瘤和危及器官标签数据相对少的情况下，肿瘤和危及器官分类AgideepIRT网络有较高准确性；
(b) 监督学习：用某类肿瘤和危及器官标签数据精调网络，通过有监督学习和反向传播算法，从输出层开始自顶向下地反向调整AgideepIRT网络所有隐层节点。通过AgideepIRT网络的监督学习精调网络特征参数，抽取特定类肿瘤和危及器官的、多层次、高级别的区分性特征，提高肿瘤和危及器官分类、检测和识别的准确率。
通过大量的数据训练，得到稳定的AgideepIRT的危及器官与肿瘤3D勾画模型。利用测试图像对肿瘤3D勾画模型进行验证，结果如图12如示。
结合实施例1-3，其可得到一种肿瘤放射治疗靶区和危及器官智能勾画方法，如图1所示。
采用本发明方法能够高精度、智能、自动地勾画肿瘤放射治疗靶区和危及器官。
以上所述的仅是本发明的一些实施方式。对于本领域的普通技术人员来说，在不脱离本发明创造构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (10)

1.肿瘤放射治疗靶区和危及器官智能化、自动化勾画方法，其特征在于：包括如下步骤：
1-1）肿瘤影像预处理：CT、CBCT、MRI、PET等肿瘤医学影像三维重建、去噪、增强、配准、融合等预处理；
1-2）肿瘤影像特征自动提取：自动地从预处理后的CT、CBCT、MRI、PET、和（或）超声等多模态（式）肿瘤医学图像数据中提取一个或多个肿瘤影像组（纹理特征谱）信息；包括，但不限于：1）一阶统计纹理特征（方差、偏度、峰度）；2）基于邻域灰度级差异矩阵的纹理特征（对比度、频繁度、粗糙度、复杂度、纹理强度）；3）基于灰度级游程矩阵的纹理特征（短游程优势、长游程优势、灰度级不均匀性、游程不均匀性、游程百分比、低灰度级游程优势、高灰度级游程优势、短游程低灰度级优势、短游程高灰度级优势、长游程低灰度级优势、长游程高灰度级优势）；4）基于灰度级共生矩阵的纹理特征（能量/角二阶矩、熵、对比度、逆差矩、相关性、方差、均值和、方差和、差的方差、和的熵、差的熵、聚类阴影、显著聚类、最大概率）；5）基于灰度级区域大小矩阵的纹理特征；6）基于自适应回归核的影像特征；7）基于三维深度卷积神经网络深度学习获取的多层次的、隐含的肿瘤影像特征等；
1-3）肿瘤放射治疗靶区（GTV）和危及器官（OAR）的智能化、自动化勾画：采用深度学习、机器学习、人工智能、区域生长、图论（随机游走）、几何水平集、和（或）统计理论方法，进行肿瘤放射治疗靶区（GTV）和危及器官（OAR）的智能、自动勾画。
2.根据权利要求1所述的一种肿瘤放射治疗靶区和危及器官智能化、自动化勾画方法，其特征在于：图像预处理包括如下步骤：
2-1）图像获取：包括获取两部分的图像：
(a)用于肿瘤诊断的PET/CT、PET/MRI、MRI、CT等影像，以及制定治疗计划的放疗模拟定位CT（SCT），这些图像由医院商用成像设备扫描成像与三维重建归档，并通过医院临床PACS系统导出其DICOM文件获得，这些 DICOM影像文件还包括各扫描成像参数信息；
(b) 用于放射治疗引导的机载锥形束CT（CBCT），MRI或超声引导图像。
3.2-2）预处理：包括如下处理：
（1）提取图像及分辨率、层厚、坐标等有关信息；
（2）以SCT为参考图像，采用刚性粗配准、联合高精度形变弹性精配准方法，将各个模态的图像配准插值成与SCT等空间分辨率的图像；
（3) 剔除CT成像中的机架；PET图像去噪处理；图像增强处理；各模态的规范化处理，即将图像均值标准化为0，方差归一化；
（4）多模态影像信息融合。
4.根据权利要求2所述的一种肿瘤放射治疗靶区和危及器官智能化、自动化勾画方法，其特征在于：步骤1-2）中利用自适应回归核提取肿瘤影像特征，具有相同SUV值的正常组织像素点和肿瘤像素点的自适应回归核有明显差异，利用自适应回归核能够有效表征图像灰度值及其纹理的变化，具体步骤为：
3-1）用图像局部邻域协方差矩阵来估计自适应回归核函数值，相应的核函数定义如下：
（1）
其中，表示第个像素点，表示为3D坐标形式；表示第个像素点处的灰度值；是附近的采样点；表示采样点的灰度值；为图像局部邻域协方差矩阵；=1, h是可调节参数；
3-2）图像的局部边缘结构与图像灰度的梯度协方差矩阵有关，可以用图像灰度的梯度信息估计图像局部邻域协方差矩阵，用表示为：
（2）
其中为处的灰度梯度矩阵；
3-3）医学图像为三维体数据，需计算图像三维空间自适应回归核，其梯度矩阵为：
（3）
其中，是图像灰度值函数在像素点处的三个正交方向的导数值，是肿瘤影像中感兴趣区域（ROI）中像素点的局部邻域边缘结构分析窗口，其大小为，其中n为正奇数；
3-4）协方差估计矩阵一般情况下不是满秩的，且不稳定，因此，采用正则化方法将梯度矩阵进行特征值分解，其表达式如下：
（4）
（5）
其中，分别为伸缩和尺度参数，是正则化参数，对噪声有抑制作用，使的分母和不为零，在本发明实施实例实验中，取，特征值和特征向量由进行特征值分解得到：
（6）
根据权利要求3所述的一种肿瘤放射治疗靶区和危及器官智能化、自动化勾画方法，其特征在于：步骤1-3）中采用集成自适应回归核的随机游走勾画方法，具体步骤为：
4-1）将图像的每一个像素定义为图的顶点，空间相邻像素的相似性定义为连接相应像素（顶点）的边的权值，从而构造一个无向加权图,其中，是图中顶点集，是边的集合，是连接图中相邻顶点和的一条边，其权值是；权值表示随机游走者沿这条边走过的概率，加权图中不相邻的两顶点间边的权值为0，即随机游走者不经过此条边；
4-2）利用如下公式进行集成自适应回归核的边权值计算：
（7）
4-3）随机游走者从任意顶点首次到达已标记的某类目标顶点的概率与所谓的“Dirichlet最小化问题”的解相同，因此可以通过求解图像分割随机游走中Dirichlet最小值问题目标函数的最优解来获得：
（8）
其中，表示每个从某个非种子点的像素点到达某类对象已标记种子点的概率；
拉普拉斯矩阵L的定义为：
（9）
与顶点相关，表示顶点的度，即为所有与顶点相连接的边的权重之和；
4-4）将图中的顶点分为两类，即已标记的某对象类的像素点集合和未标记的像素点集合；并且根据不同的顶点属于不同的集合，则可以将拉普拉斯矩阵分解为如下形式：
（10）
Dirichlet问题可以分解为如下形式：
（11）
其中，分别表示随机游走者从一个已标记像素点和未标记像素点第一次到达已某对象类的标记像素点的概率向量；
为求解Dirichlet问题的最优解，可以求在的微分，并令其等于零，得到下列代数矩阵方程，并求解：
（12）
4-5）根据4-4)中的求解结果（概率值）进行肿瘤和危及器官勾画；从每个像素点对应的对象类别概率向量中选取最大概率值对应的类别对此像素点进行分类标记；如选定肿瘤区域的概率阈值为0.5，则其概率值大于0.5的像素点标记为肿瘤区域的点，否则标记为正常组织区域的点。
5.根据权利要求2所述的一种肿瘤放射治疗靶区和危及器官智能化、自动化勾画方法，其特征在于：1）步骤1-2）中利用深度神经网络自动提取肿瘤影像特征；2）步骤1-3）中采用三维（3D）对称深度卷积神经网络（AgideepIRT）实现肿瘤靶区和危及器官勾画，具体包括如下步骤：
5-1）肿瘤放疗靶区和危及器官勾画网络模型深度学习：采用一个集成多模态影像、多尺度影像特征信息的3D对称深度卷积神经网络AgideepIRT，将深度学习特征提取与肿瘤放疗靶区、或危及器官分类、识别、检测集成AgideepIRT网络模型中；利用临床医生勾画的肿瘤放疗靶区和危及器官信息，监督训练AgideepIRT网络模型；
5-2）肿瘤放疗靶区和危及器官勾画：基于训练学习好的AgideepIRT网络模型，进行肿瘤放疗靶区和危及器官的分类、识别、检测与勾画，具体步骤为：
1）建立分类识别网络模型：由于不同的组织器官或肿瘤靶区具有不同的影像特征，本发明同时采用肿瘤CT、PET和MRI影像作为AgideepIRT网络的输入，利用多级迁移学习和监督学习方法，训练、学习肿瘤放疗靶区和危及器官的多层次、高级别影像特征，分别建立起肿瘤放疗靶区和各危及器官的检测、分类和识别模型；
2）从粗到精、自动勾画肿瘤放疗靶区和危及器官：利用正常器官组织的分类识别模型确定该器官是否有病变；然后，将病变区域影像输入到肿瘤靶区检测、分类、识别网络AgideepIRT；最后，联合肿瘤放疗临床专家先验知识，对肿瘤靶区AgideepIRT检测、分类、识别结果作进一步后处理，最终高精度地勾画肿瘤放疗靶区。
6.根据权利要求5所述的一种肿瘤放射治疗靶区和危及器官智能化、自动化勾画方法，其特征在于：AgideepIRT基于3D卷积残差学习模块Res(Ch,l,k)实现的对称网络，通过各个阶段的处理，输出结果的尺寸与单模态输入图像大小相同，实现密集性预测，采用DICE相似度系数作为AgideepIRT训练学习优化目标函数，进行端到端的3D深度监督学习。
7.根据权利要求6所述的一种肿瘤放射治疗靶区和危及器官智能化、自动化勾画方法，其特征在于：AgideepIRT通过跳转连接将相同分辨率的特征融合、汇聚、集成到对应层特征信息，结合不同层的特征，从而有效地融合由粗到精的多尺度信息，精细化最终的勾画结果。
8.根据权利要求7所述的一种肿瘤放射治疗靶区和危及器官智能化、自动化勾画方法，其特征在于：步骤5-1）的深度神经网络学习方法包括多级迁移学习和监督学习。
9.根据权利要求8所述的一种肿瘤放射治疗靶区和危及器官智能化、自动化勾画方法，其特征在于：多级迁移学习为按照特征相似性最大原则分4个层级：
9-1）从自然图像目标识别集ImageNet迁移到肿瘤放疗靶区和危及器官识别PET、CT、MRI影像序列集，本专利实施实例采用自然图像集ImageNet预训练学习AgideepIRT网络特征参数，并将预训练结果作为初始值迁移到AgideepIRT网络特征参数精调学习过程；
9-2）从一个解剖区域到另一个解剖区域迁移：首先从头颈部区域开始深度神经网络训练学习；由于不同解剖区域的肿瘤PET、CT、和MRI影像存在一定的相似性，通过头颈部区域训练学习到的网络参数可以迁移到脑部和胸腹部区域，再从胸腹部区域迁移到盆腔区域；
9-3）从一种肿瘤/器官到同一解剖区域内其它肿瘤、器官迁移：本专利实例从鼻咽癌迁移到头颈部肿瘤、从肺癌迁移到胸腹部肿瘤、从前列腺癌迁移到盆腔部肿瘤、从脑神经胶质瘤迁移到脑部肿瘤；
9-4) 从正常器官到同一解剖区域内肿瘤迁移。
10.根据权利要求9所述的一种肿瘤放射治疗靶区和危及器官智能化、自动化勾画方法，其特征在于：监督学习为用临床医生手工勾画的某类肿瘤和危及器官信息进行网络精调训练、学习，通过有监督学习和反向传播算法，从输出层开始自顶向下地反向调整AgideepIRT网络所有隐层节点；通过AgideepIRT网络的监督学习精调网络特征参数，抽取特定类肿瘤靶区和危及器官的、多层次、高级别的区分性特征，提高肿瘤和危及器官分类、检测和识别的准确率；通过大量的数据训练，得到稳定的AgideepIRT危及器官与肿瘤靶区3D勾画模型。
CN201710687331.0A 2017-08-11 2017-08-11 肿瘤放射治疗靶区和危及器官智能化、自动化勾画方法 Pending CN107403201A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710687331.0A CN107403201A (zh) 2017-08-11 2017-08-11 肿瘤放射治疗靶区和危及器官智能化、自动化勾画方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710687331.0A CN107403201A (zh) 2017-08-11 2017-08-11 肿瘤放射治疗靶区和危及器官智能化、自动化勾画方法

Publications (1)

Publication Number Publication Date
CN107403201A true CN107403201A (zh) 2017-11-28

Family

ID=60396378

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710687331.0A Pending CN107403201A (zh) 2017-08-11 2017-08-11 肿瘤放射治疗靶区和危及器官智能化、自动化勾画方法

Country Status (1)

Country Link
CN (1) CN107403201A (zh)

Cited By (145)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107910061A (zh) * 2017-12-01 2018-04-13 中南大学 一种医疗数据处理方法及系统
CN108109152A (zh) * 2018-01-03 2018-06-01 深圳北航新兴产业技术研究院 医学图像分类和分割方法和装置
CN108170712A (zh) * 2017-11-29 2018-06-15 浙江大学 一种利用包含社会地理信息的多媒体网络学习最大边界多媒体网络表达的方法
CN108198181A (zh) * 2018-01-23 2018-06-22 电子科技大学 一种基于区域分割和图像融合的红外热图像处理方法
CN108229658A (zh) * 2017-12-27 2018-06-29 深圳先进技术研究院 基于有限样本的物体检测器的实现方法及装置
CN108257134A (zh) * 2017-12-21 2018-07-06 深圳大学 基于深度学习的鼻咽癌病灶自动分割方法和系统
CN108288496A (zh) * 2018-01-26 2018-07-17 中国人民解放军总医院 肿瘤容积智能勾画方法和装置
CN108447551A (zh) * 2018-02-09 2018-08-24 北京连心医疗科技有限公司 一种基于深度学习的靶区自动勾画方法、设备和存储介质
CN108492309A (zh) * 2018-01-21 2018-09-04 西安电子科技大学 基于迁移卷积神经网络的磁共振图像中静脉血管分割方法
CN108491856A (zh) * 2018-02-08 2018-09-04 西安电子科技大学 一种基于多尺度特征卷积神经网络的图像场景分类方法
CN108492873A (zh) * 2018-03-13 2018-09-04 山东大学 一种用于辅助诊断阿兹海默症的知识迁移学习方法
CN108537773A (zh) * 2018-02-11 2018-09-14 中国科学院苏州生物医学工程技术研究所 针对胰腺癌与胰腺炎性疾病进行智能辅助鉴别的方法
CN108564567A (zh) * 2018-03-15 2018-09-21 中山大学 一种超高分辨率病理图像癌变区域可视化方法
CN108629772A (zh) * 2018-05-08 2018-10-09 上海商汤智能科技有限公司 图像处理方法及装置、计算机设备和计算机存储介质
CN108648193A (zh) * 2018-06-06 2018-10-12 南方医科大学 生物组织影像识别的方法及其系统、计算机储存介质
CN108734210A (zh) * 2018-05-17 2018-11-02 浙江工业大学 一种基于跨模态多尺度特征融合的对象检测方法
CN108765417A (zh) * 2018-06-15 2018-11-06 西安邮电大学 一种基于深度学习和数字重建放射影像的股骨x线片生成系统及方法
CN108815721A (zh) * 2018-05-18 2018-11-16 山东省肿瘤防治研究院（山东省肿瘤医院） 一种照射剂量确定方法及系统
CN108898557A (zh) * 2018-05-30 2018-11-27 商汤集团有限公司 图像恢复方法及装置、电子设备、计算机程序及存储介质
CN108898608A (zh) * 2018-05-28 2018-11-27 广东技术师范学院 一种前列腺超声图像分割方法及设备
CN109003269A (zh) * 2018-07-19 2018-12-14 哈尔滨工业大学 一种能提高医生效率的医学影像病灶的标注提取方法
CN109035160A (zh) * 2018-06-29 2018-12-18 哈尔滨商业大学 医学影像的融合方法及基于融合医学影像学习的图像检测方法
CN109146899A (zh) * 2018-08-28 2019-01-04 众安信息技术服务有限公司 Ct图像的危及器官分割方法及装置
CN109146845A (zh) * 2018-07-16 2019-01-04 中南大学 基于卷积神经网络的头颅影像标志点检测方法
CN109300136A (zh) * 2018-08-28 2019-02-01 众安信息技术服务有限公司 一种基于卷积神经网络的危及器官自动分割方法
CN109330616A (zh) * 2018-12-08 2019-02-15 宁波耀通管阀科技有限公司 肿瘤危害等级辨别系统
CN109378068A (zh) * 2018-08-21 2019-02-22 深圳大学 一种鼻咽癌疗效的自动评测方法及系统
CN109378054A (zh) * 2018-12-13 2019-02-22 山西医科大学第医院 一种多模态图像辅助诊断系统及其搭建方法
CN109461161A (zh) * 2018-10-22 2019-03-12 北京连心医疗科技有限公司 一种基于神经网络对医学影像中人体器官进行分割的方法
CN109523526A (zh) * 2018-11-08 2019-03-26 腾讯科技（深圳）有限公司 组织结节检测及其模型训练方法、装置、设备和系统
CN109523584A (zh) * 2018-10-26 2019-03-26 上海联影医疗科技有限公司 图像处理方法、装置、多模态成像系统、存储介质及设备
CN109559303A (zh) * 2018-11-22 2019-04-02 广州达美智能科技有限公司 钙化点的识别方法、装置和计算机可读存储介质
CN109615642A (zh) * 2018-11-05 2019-04-12 北京全域医疗技术有限公司 一种放疗计划中的危及器官自动勾画方法及装置
CN109727235A (zh) * 2018-12-26 2019-05-07 苏州雷泰医疗科技有限公司 一种基于深度学习的器官自动勾画算法
CN109754860A (zh) * 2018-12-21 2019-05-14 苏州雷泰医疗科技有限公司 一种基于dvh预测模型的自动预测计划难易程度的方法
CN109785306A (zh) * 2019-01-09 2019-05-21 上海联影医疗科技有限公司 器官勾画方法、装置、计算机设备和存储介质
CN109858428A (zh) * 2019-01-28 2019-06-07 四川大学 基于机器学习和深度学习的ana荧光片自动识别方法
CN109903272A (zh) * 2019-01-30 2019-06-18 西安天伟电子系统工程有限公司 目标检测方法、装置、设备、计算机设备和存储介质
CN109934796A (zh) * 2018-12-26 2019-06-25 苏州雷泰医疗科技有限公司 一种基于深度集成学习的器官自动勾画方法
CN109938764A (zh) * 2019-02-28 2019-06-28 佛山原子医疗设备有限公司 一种基于深度学习的自适应多部位扫描成像方法及其系统
CN109948667A (zh) * 2019-03-01 2019-06-28 桂林电子科技大学 用于对头颈部癌症远端转移预测的图像分类方法及装置
CN109949288A (zh) * 2019-03-15 2019-06-28 上海联影智能医疗科技有限公司 肿瘤类型确定系统、方法及存储介质
CN109978852A (zh) * 2019-03-22 2019-07-05 邃蓝智能科技(上海)有限公司 基于深度学习的微小组织器官的放疗影像靶区勾画方法及系统
CN110047080A (zh) * 2019-03-12 2019-07-23 天津大学 一种基于V-Net的多模态脑肿瘤图像精细分割的方法
CN110060300A (zh) * 2019-04-28 2019-07-26 中国科学技术大学 一种ct图像相对位置预测方法及系统
CN110070546A (zh) * 2019-04-18 2019-07-30 山东师范大学 一种基于深度学习的多目标危及器官的自动分割方法、装置及系统
CN110136840A (zh) * 2019-05-17 2019-08-16 山东管理学院 一种基于自加权分级生物特征的医学图像分类方法、装置和计算机可读存储介质
CN110211139A (zh) * 2019-06-12 2019-09-06 安徽大学 自动分割食管癌放疗靶区和危及器官的方法及系统
CN110232695A (zh) * 2019-06-18 2019-09-13 山东师范大学 基于混合模态图像的左心室图像分割方法及系统
CN110264479A (zh) * 2019-06-25 2019-09-20 南京景三医疗科技有限公司 基于随机游走和水平集的三维图像分割方法
CN110322426A (zh) * 2018-03-28 2019-10-11 北京连心医疗科技有限公司 基于可变人体模型的肿瘤靶区勾画方法、设备和存储介质
CN110378881A (zh) * 2019-07-05 2019-10-25 北京航空航天大学 一种基于深度学习的肿瘤定位系统
CN110390351A (zh) * 2019-06-24 2019-10-29 浙江大学 一种基于深度学习的致痫灶三维自动定位系统
CN110390660A (zh) * 2018-04-16 2019-10-29 北京连心医疗科技有限公司 一种医学图像危及器官自动分类方法、设备和储存介质
CN110415785A (zh) * 2019-08-29 2019-11-05 北京连心医疗科技有限公司 人工智能引导放疗计划的方法及系统
CN110415184A (zh) * 2019-06-28 2019-11-05 南开大学 一种基于正交元空间的多模态图像增强方法
CN110415239A (zh) * 2019-08-01 2019-11-05 腾讯科技（深圳）有限公司 图像处理方法、装置、设备、医疗电子设备以及介质
CN110473196A (zh) * 2019-08-14 2019-11-19 中南大学 一种基于深度学习的腹部ct图像目标器官配准方法
CN110610527A (zh) * 2019-08-15 2019-12-24 苏州瑞派宁科技有限公司 计算suv的方法、装置、设备、系统及计算机存储介质
CN110689521A (zh) * 2019-08-15 2020-01-14 福建自贸试验区厦门片区Manteia数据科技有限公司 一种医学影像所属人体部位的自动识别方法及系统
CN110706749A (zh) * 2019-09-10 2020-01-17 至本医疗科技（上海）有限公司 一种基于组织器官分化层次关系的癌症类型预测系统和方法
CN110706200A (zh) * 2019-09-02 2020-01-17 杭州深睿博联科技有限公司 数据预测的方法及装置
CN110739049A (zh) * 2019-10-10 2020-01-31 上海联影智能医疗科技有限公司 图像勾画方法、装置、存储介质及计算机设备
CN110766693A (zh) * 2018-09-06 2020-02-07 北京连心医疗科技有限公司 一种基于多模型神经网络联合预测放疗结构位置的方法
CN110827961A (zh) * 2018-08-10 2020-02-21 北京连心医疗科技有限公司 一种自适应放疗结构自动勾画方法、设备和存储介质
CN110930421A (zh) * 2019-11-22 2020-03-27 电子科技大学 一种用于cbct牙齿图像的分割方法
CN110992406A (zh) * 2019-12-10 2020-04-10 张家港赛提菲克医疗器械有限公司 一种基于感兴趣区的放疗患者摆位刚体配准算法
CN110991458A (zh) * 2019-11-25 2020-04-10 创新奇智(北京)科技有限公司 基于图像特征的人工智能识别结果抽样系统及抽样方法
CN111047594A (zh) * 2019-11-06 2020-04-21 安徽医科大学 肿瘤mri弱监督学习分析建模方法及其模型
CN111091524A (zh) * 2018-10-08 2020-05-01 天津工业大学 基于深度卷积神经网络的前列腺经直肠超声图像分割方法
CN111127444A (zh) * 2019-12-26 2020-05-08 广州柏视医疗科技有限公司 基于深度语义网络的ct影像中自动识别放疗危及器官的方法
CN111161326A (zh) * 2018-11-08 2020-05-15 通用电气公司 用于可变形图像配准的无监督深度学习的系统和方法
WO2020099250A1 (en) * 2018-11-13 2020-05-22 Koninklijke Philips N.V. Artificial intelligence (ai)-based standardized uptake value (suv) correction and variation assessment for positron emission tomography (pet)
CN111312373A (zh) * 2020-01-19 2020-06-19 浙江树人学院（浙江树人大学） 一种pet/ct图像融合自动标注方法
CN111340135A (zh) * 2020-03-12 2020-06-26 广州领拓医疗科技有限公司 基于随机投影的肾小肿块分类方法
CN111374690A (zh) * 2018-12-28 2020-07-07 通用电气公司 医学成像方法及系统
CN111420271A (zh) * 2020-04-02 2020-07-17 河北普尼医疗科技有限公司 一种基于头部肿瘤治疗的电极贴片定位方法
CN111477298A (zh) * 2020-04-03 2020-07-31 北京易康医疗科技有限公司 一种放疗过程中肿瘤位置变化的追踪方法
CN111598883A (zh) * 2020-05-20 2020-08-28 重庆工程职业技术学院 获取云数据医学影像的标定标签设备和工作方法
CN111599445A (zh) * 2020-05-14 2020-08-28 安徽慧软科技有限公司 用于自动勾画的ct影像全自动化处理系统
CN111613300A (zh) * 2019-02-22 2020-09-01 未艾医疗技术(深圳)有限公司 基于VRDS 4D医学影像的肿瘤与血管Ai处理方法及产品
CN111680758A (zh) * 2020-06-15 2020-09-18 杭州海康威视数字技术股份有限公司 图像训练样本生成方法和装置
CN111899850A (zh) * 2020-08-12 2020-11-06 上海依智医疗技术有限公司 医学影像的信息处理方法、显示方法及可读存储介质
US20200364910A1 (en) * 2019-05-13 2020-11-19 Adobe Inc. Line drawing generation
CN112258457A (zh) * 2020-09-28 2021-01-22 汕头大学 一种全容积三维超声图像的多维特征提取方法
CN112270660A (zh) * 2020-09-30 2021-01-26 四川大学 基于深度神经网络的鼻咽癌放疗靶区自动分割方法
CN112288683A (zh) * 2020-06-30 2021-01-29 深圳市智影医疗科技有限公司 基于多模态融合的肺结核病判定装置和方法
CN112330674A (zh) * 2020-05-07 2021-02-05 南京信息工程大学 一种基于脑部mri三维图像置信度的自适应变尺度卷积核方法
CN112348040A (zh) * 2019-08-07 2021-02-09 杭州海康威视数字技术股份有限公司 模型训练方法、装置及设备
CN112541941A (zh) * 2020-12-07 2021-03-23 明峰医疗系统股份有限公司 一种基于ct定位片的扫描流程决策方法及系统
CN112734790A (zh) * 2020-12-30 2021-04-30 武汉联影生命科学仪器有限公司 一种肿瘤区域标注方法、系统、装置及可读存储介质
WO2021081759A1 (zh) * 2019-10-29 2021-05-06 中国科学院深圳先进技术研究院 一种协同成像方法、装置、存储介质和协同成像设备
CN112802036A (zh) * 2021-03-16 2021-05-14 上海联影医疗科技股份有限公司 一种三维医学图像靶区分割的方法、系统和装置
CN112862822A (zh) * 2021-04-06 2021-05-28 华侨大学 一种超声乳腺肿瘤检测与分类方法、装置与介质
CN113077433A (zh) * 2021-03-30 2021-07-06 山东英信计算机技术有限公司 基于深度学习的肿瘤靶区云检测装置、系统、方法及介质
CN113192053A (zh) * 2021-05-18 2021-07-30 北京大学第三医院（北京大学第三临床医学院） 基于深度学习的宫颈肿瘤靶区智能勾画方法、设备和介质
CN113222038A (zh) * 2021-05-24 2021-08-06 北京安德医智科技有限公司 基于核磁图像的乳腺病灶分类和定位方法及装置
CN113269734A (zh) * 2021-05-14 2021-08-17 成都市第三人民医院 一种基于元学习特征融合策略的肿瘤图像检测方法及装置
CN113302627A (zh) * 2018-11-16 2021-08-24 波尔多大学 用于确定立体定向的脑部靶标的方法
CN113487579A (zh) * 2021-07-14 2021-10-08 广州柏视医疗科技有限公司 自动勾画模型的多模态迁移方法
CN113539402A (zh) * 2021-07-14 2021-10-22 广州柏视医疗科技有限公司 多模态影像自动勾画模型迁移方法
CN113628325A (zh) * 2021-08-10 2021-11-09 海盐县南北湖医学人工智能研究院 一种小器官肿瘤演化的模型建立方法及计算机可读存储介质
CN113643255A (zh) * 2021-08-11 2021-11-12 锐视智慧(北京)医疗科技有限公司 基于深度学习的危及器官勾画方法及系统
CN113643222A (zh) * 2020-04-23 2021-11-12 上海联影智能医疗科技有限公司 多模态影像的分析方法、计算机设备和存储介质
CN113744272A (zh) * 2021-11-08 2021-12-03 四川大学 一种基于深度神经网络的脑动脉自动勾画方法
CN113902724A (zh) * 2021-10-18 2022-01-07 广州医科大学附属肿瘤医院 瘤细胞图像的分类方法及装置、设备、存储介质
CN114040707A (zh) * 2019-07-04 2022-02-11 帕拉梅维亚私人有限公司 诊断支持程序
CN114072845A (zh) * 2019-06-06 2022-02-18 医科达有限公司 使用具有可变形层的CycleGAN的SCT图像生成
CN114266774A (zh) * 2022-03-03 2022-04-01 中日友好医院(中日友好临床医学研究所) 一种基于平扫ct图像诊断肺栓塞的方法、设备及系统
CN114463246A (zh) * 2020-11-06 2022-05-10 广达电脑股份有限公司 圈选系统及圈选方法
CN114612478A (zh) * 2022-03-21 2022-06-10 华南理工大学 一种基于深度学习的女性盆腔mri自动勾画系统
JP2022530413A (ja) * 2019-09-26 2022-06-29 ベイジン・センスタイム・テクノロジー・デベロップメント・カンパニー・リミテッド 画像処理方法及び装置、電子機器、記憶媒体並びにコンピュータプログラム
CN114692985A (zh) * 2022-04-08 2022-07-01 上海柯林布瑞信息技术有限公司 基于诊疗节点的就诊流程优化分析方法、装置及电子设备
CN114973218A (zh) * 2021-02-24 2022-08-30 阿里巴巴集团控股有限公司 图像处理方法、装置及系统
CN115206146A (zh) * 2021-04-14 2022-10-18 北京医智影科技有限公司 用于放疗靶区勾画的智能教学方法、系统、设备和介质
CN115409739A (zh) * 2022-10-31 2022-11-29 中山大学肿瘤防治中心（中山大学附属肿瘤医院、中山大学肿瘤研究所） 一种危及器官自动勾画方法及系统
WO2022247218A1 (zh) * 2021-05-27 2022-12-01 广州柏视医疗科技有限公司 基于自动勾画的图像配准方法
CN115568944A (zh) * 2022-11-21 2023-01-06 吉林省英华恒瑞生物科技有限公司 一种肿瘤治疗仪的模拟消融方法及系统
TWI790788B (zh) * 2020-10-23 2023-01-21 國立臺灣大學 醫療影像分析系統及方法
CN116245831A (zh) * 2023-02-13 2023-06-09 天津市鹰泰利安康医疗科技有限责任公司 一种基于双模态成像的肿瘤治疗辅助方法及系统
CN116258671A (zh) * 2022-12-26 2023-06-13 中山大学肿瘤防治中心（中山大学附属肿瘤医院、中山大学肿瘤研究所） 一种基于mr图像智能勾画方法、系统、设备及存储介质
CN116344001A (zh) * 2023-03-10 2023-06-27 中南大学湘雅三医院 一种基于人工智能的医疗信息可视化管理系统及方法
CN116342859A (zh) * 2023-05-30 2023-06-27 安徽医科大学第一附属医院 一种基于影像学特征识别肺部肿瘤区域的方法及系统
WO2023143625A1 (en) * 2022-01-31 2023-08-03 Conova Medical Technology Limited Process and system for three-dimensional modelling of tissue of a subject, and surgical planning process and system
CN116862789A (zh) * 2023-06-29 2023-10-10 广州沙艾生物科技有限公司 一种pet-mr图像校正方法
CN116934676A (zh) * 2022-04-22 2023-10-24 西门子医疗有限公司 用于治疗响应预测的风险器官和总肿瘤体积的表示结果学习
CN116993755A (zh) * 2023-05-20 2023-11-03 张瑞霞 一种多模态融合的医学图像分割方法
CN117152442A (zh) * 2023-10-27 2023-12-01 吉林大学 影像靶区自动勾画方法、装置、电子设备和可读存储介质
CN117351489A (zh) * 2023-12-06 2024-01-05 四川省肿瘤医院 面向全身pet/ct扫描的头颈肿瘤靶区的勾画系统
CN117476219A (zh) * 2023-12-27 2024-01-30 四川省肿瘤医院 基于大数据分析的定位ct断层图像的辅助方法和辅助系统
US11964170B2 (en) 2019-08-29 2024-04-23 Beijing Linking Medical Technology Co., Ltd. Standardized artificial intelligence automatic radiation therapy planning method and system
CN117974631A (zh) * 2024-03-27 2024-05-03 天津市肿瘤医院（天津医科大学肿瘤医院） 基于ct图像的肺肿块病变特征识别方法、系统及介质
CN118217551A (zh) * 2024-05-22 2024-06-21 四川省肿瘤医院 基于图像引导的放射治疗定位系统
CN118537699A (zh) * 2024-07-03 2024-08-23 青岛杰圣博生物科技有限公司 一种多模态口腔影像数据的融合及处理方法
CN118781456A (zh) * 2024-06-11 2024-10-15 北京凯普顿医药科技开发有限公司 一种多模态脑肿瘤图像分析系统
CN119028539A (zh) * 2024-01-16 2024-11-26 华硼中子科技(杭州)有限公司 一种分段提示型的硼中子俘获治疗靶区智能勾画方法
CN119027504A (zh) * 2024-08-14 2024-11-26 中国人民解放军空军军医大学 一种多模态成像的肿瘤定位方法及系统
WO2024242383A1 (ko) * 2023-05-25 2024-11-28 주식회사 딥바이오 종양 부피 추정 방법 및 이를 수행하는 컴퓨팅 시스템
CN119337166A (zh) * 2024-12-20 2025-01-21 中南大学 基于多模态远程医疗数据的三支诊断与评估方法及装置
CN119832033A (zh) * 2024-12-16 2025-04-15 同济大学 一种肺部肿瘤靶区pet/ct、放疗剂量影像提取、处理方法
CN119919723A (zh) * 2024-12-31 2025-05-02 河北大学附属医院 一种肿瘤图像的分类识别方法、装置及设备
CN119991661A (zh) * 2025-04-14 2025-05-13 山东第二医科大学 一种提高肿瘤放疗靶区勾画精度的方法
WO2025128021A1 (en) * 2023-12-12 2025-06-19 Turkcell Teknoloji Arastirma Ve Gelistirme Anonim Sirketi A system for diagnosing brain tumor via artificial intelligence
CN120771464A (zh) * 2025-09-10 2025-10-14 四川省肿瘤医院 基于靶区免疫区域激活的空间分割放疗引导方法及系统
CN120919548A (zh) * 2025-10-15 2025-11-11 西南医科大学附属医院 一种基于磁共振引导放疗的肿瘤靶区提取系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1801214A (zh) * 2005-11-18 2006-07-12 厦门大学 基于数字化虚拟器官的肿瘤图像信息处理装置与处理方法
CN106920234A (zh) * 2017-02-27 2017-07-04 北京连心医疗科技有限公司 一种复合式自动放疗计划的方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1801214A (zh) * 2005-11-18 2006-07-12 厦门大学 基于数字化虚拟器官的肿瘤图像信息处理装置与处理方法
CN106920234A (zh) * 2017-02-27 2017-07-04 北京连心医疗科技有限公司 一种复合式自动放疗计划的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘国才 等: "头颈部肿瘤PET图像分割随机游走方法", 《湖南大学学报（自然科学版）》 *
胡泽田: "头颈癌PET/MRI纹理分析与靶区勾画", 《中国优秀硕士学位论文全文数据库医药卫生科技辑》 *

Cited By (231)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108170712A (zh) * 2017-11-29 2018-06-15 浙江大学 一种利用包含社会地理信息的多媒体网络学习最大边界多媒体网络表达的方法
CN108170712B (zh) * 2017-11-29 2021-08-10 浙江大学 一种利用包含社会地理信息的多媒体网络学习最大边界多媒体网络表达的方法
CN107910061A (zh) * 2017-12-01 2018-04-13 中南大学 一种医疗数据处理方法及系统
CN108257134A (zh) * 2017-12-21 2018-07-06 深圳大学 基于深度学习的鼻咽癌病灶自动分割方法和系统
CN108257134B (zh) * 2017-12-21 2022-08-23 深圳大学 基于深度学习的鼻咽癌病灶自动分割方法和系统
CN108229658B (zh) * 2017-12-27 2020-06-12 深圳先进技术研究院 基于有限样本的物体检测器的实现方法及装置
CN108229658A (zh) * 2017-12-27 2018-06-29 深圳先进技术研究院 基于有限样本的物体检测器的实现方法及装置
CN108109152A (zh) * 2018-01-03 2018-06-01 深圳北航新兴产业技术研究院 医学图像分类和分割方法和装置
CN108492309A (zh) * 2018-01-21 2018-09-04 西安电子科技大学 基于迁移卷积神经网络的磁共振图像中静脉血管分割方法
CN108492309B (zh) * 2018-01-21 2022-03-04 西安电子科技大学 基于迁移卷积神经网络的磁共振图像中静脉血管分割方法
CN108198181A (zh) * 2018-01-23 2018-06-22 电子科技大学 一种基于区域分割和图像融合的红外热图像处理方法
CN108288496A (zh) * 2018-01-26 2018-07-17 中国人民解放军总医院 肿瘤容积智能勾画方法和装置
CN108491856A (zh) * 2018-02-08 2018-09-04 西安电子科技大学 一种基于多尺度特征卷积神经网络的图像场景分类方法
CN108491856B (zh) * 2018-02-08 2022-02-18 西安电子科技大学 一种基于多尺度特征卷积神经网络的图像场景分类方法
CN108447551A (zh) * 2018-02-09 2018-08-24 北京连心医疗科技有限公司 一种基于深度学习的靶区自动勾画方法、设备和存储介质
CN108537773B (zh) * 2018-02-11 2022-06-17 中国科学院苏州生物医学工程技术研究所 针对胰腺癌与胰腺炎性疾病进行智能辅助鉴别的方法
CN108537773A (zh) * 2018-02-11 2018-09-14 中国科学院苏州生物医学工程技术研究所 针对胰腺癌与胰腺炎性疾病进行智能辅助鉴别的方法
CN108492873B (zh) * 2018-03-13 2021-03-16 山东大学 一种用于辅助诊断阿兹海默症的知识迁移学习方法
CN108492873A (zh) * 2018-03-13 2018-09-04 山东大学 一种用于辅助诊断阿兹海默症的知识迁移学习方法
CN108564567A (zh) * 2018-03-15 2018-09-21 中山大学 一种超高分辨率病理图像癌变区域可视化方法
CN110322426B (zh) * 2018-03-28 2022-05-10 北京连心医疗科技有限公司 基于可变人体模型的肿瘤靶区勾画方法、设备和存储介质
CN110322426A (zh) * 2018-03-28 2019-10-11 北京连心医疗科技有限公司 基于可变人体模型的肿瘤靶区勾画方法、设备和存储介质
CN110390660A (zh) * 2018-04-16 2019-10-29 北京连心医疗科技有限公司 一种医学图像危及器官自动分类方法、设备和储存介质
CN108629772A (zh) * 2018-05-08 2018-10-09 上海商汤智能科技有限公司 图像处理方法及装置、计算机设备和计算机存储介质
CN108629772B (zh) * 2018-05-08 2023-10-03 上海商汤智能科技有限公司 图像处理方法及装置、计算机设备和计算机存储介质
CN108734210A (zh) * 2018-05-17 2018-11-02 浙江工业大学 一种基于跨模态多尺度特征融合的对象检测方法
US20190350550A1 (en) * 2018-05-18 2019-11-21 Shandong Cancer Hospital and Institute Method and system for determining irradiation dose
CN108815721A (zh) * 2018-05-18 2018-11-16 山东省肿瘤防治研究院（山东省肿瘤医院） 一种照射剂量确定方法及系统
US11219426B2 (en) * 2018-05-18 2022-01-11 Jinming Yu Method and system for determining irradiation dose
CN108898608A (zh) * 2018-05-28 2018-11-27 广东技术师范学院 一种前列腺超声图像分割方法及设备
CN108898557A (zh) * 2018-05-30 2018-11-27 商汤集团有限公司 图像恢复方法及装置、电子设备、计算机程序及存储介质
CN108898557B (zh) * 2018-05-30 2021-08-06 商汤集团有限公司 图像恢复方法及装置、电子设备、计算机程序及存储介质
CN108648193B (zh) * 2018-06-06 2023-10-31 南方医科大学 生物组织影像识别的方法及其系统、计算机储存介质
CN108648193A (zh) * 2018-06-06 2018-10-12 南方医科大学 生物组织影像识别的方法及其系统、计算机储存介质
CN108765417A (zh) * 2018-06-15 2018-11-06 西安邮电大学 一种基于深度学习和数字重建放射影像的股骨x线片生成系统及方法
CN108765417B (zh) * 2018-06-15 2021-11-05 西安邮电大学 一种基于深度学习和数字重建放射影像的股骨x线片生成系统及方法
CN109035160B (zh) * 2018-06-29 2022-06-21 哈尔滨商业大学 医学影像的融合方法及基于融合医学影像学习的图像检测方法
CN109035160A (zh) * 2018-06-29 2018-12-18 哈尔滨商业大学 医学影像的融合方法及基于融合医学影像学习的图像检测方法
CN109146845A (zh) * 2018-07-16 2019-01-04 中南大学 基于卷积神经网络的头颅影像标志点检测方法
CN109003269B (zh) * 2018-07-19 2021-10-08 哈尔滨工业大学 一种能提高医生效率的医学影像病灶的标注提取方法
CN109003269A (zh) * 2018-07-19 2018-12-14 哈尔滨工业大学 一种能提高医生效率的医学影像病灶的标注提取方法
CN110827961A (zh) * 2018-08-10 2020-02-21 北京连心医疗科技有限公司 一种自适应放疗结构自动勾画方法、设备和存储介质
CN110827961B (zh) * 2018-08-10 2022-08-23 北京连心医疗科技有限公司 一种自适应放疗结构自动勾画方法、设备和存储介质
CN109378068A (zh) * 2018-08-21 2019-02-22 深圳大学 一种鼻咽癌疗效的自动评测方法及系统
CN109378068B (zh) * 2018-08-21 2022-02-18 深圳大学 一种鼻咽癌疗效的自动评测方法及系统
CN109146899A (zh) * 2018-08-28 2019-01-04 众安信息技术服务有限公司 Ct图像的危及器官分割方法及装置
CN109300136B (zh) * 2018-08-28 2021-08-31 众安信息技术服务有限公司 一种基于卷积神经网络的危及器官自动分割方法
CN109300136A (zh) * 2018-08-28 2019-02-01 众安信息技术服务有限公司 一种基于卷积神经网络的危及器官自动分割方法
CN110766693B (zh) * 2018-09-06 2022-06-21 北京连心医疗科技有限公司 一种基于多模型神经网络联合预测放疗结构位置的方法
CN110766693A (zh) * 2018-09-06 2020-02-07 北京连心医疗科技有限公司 一种基于多模型神经网络联合预测放疗结构位置的方法
CN111091524A (zh) * 2018-10-08 2020-05-01 天津工业大学 基于深度卷积神经网络的前列腺经直肠超声图像分割方法
CN109461161A (zh) * 2018-10-22 2019-03-12 北京连心医疗科技有限公司 一种基于神经网络对医学影像中人体器官进行分割的方法
CN109523584A (zh) * 2018-10-26 2019-03-26 上海联影医疗科技有限公司 图像处理方法、装置、多模态成像系统、存储介质及设备
CN109523584B (zh) * 2018-10-26 2021-04-20 上海联影医疗科技股份有限公司 图像处理方法、装置、多模态成像系统、存储介质及设备
CN109615642A (zh) * 2018-11-05 2019-04-12 北京全域医疗技术有限公司 一种放疗计划中的危及器官自动勾画方法及装置
CN109615642B (zh) * 2018-11-05 2021-04-06 北京全域医疗技术集团有限公司 一种放疗计划中的危及器官自动勾画方法及装置
CN111161326A (zh) * 2018-11-08 2020-05-15 通用电气公司 用于可变形图像配准的无监督深度学习的系统和方法
US11880972B2 (en) 2018-11-08 2024-01-23 Tencent Technology (Shenzhen) Company Limited Tissue nodule detection and tissue nodule detection model training method, apparatus, device, and system
CN111161326B (zh) * 2018-11-08 2023-09-08 通用电气公司 用于可变形图像配准的无监督深度学习的系统和方法
CN109523526B (zh) * 2018-11-08 2021-10-22 腾讯科技（深圳）有限公司 组织结节检测及其模型训练方法、装置、设备和系统
CN109523526A (zh) * 2018-11-08 2019-03-26 腾讯科技（深圳）有限公司 组织结节检测及其模型训练方法、装置、设备和系统
US12346998B2 (en) 2018-11-13 2025-07-01 Koninklijke Philips N.V. Artificial intelligence (AI)-based standardized uptake value (SUV) correction and variation assessment for positron emission tomography (PET)
WO2020099250A1 (en) * 2018-11-13 2020-05-22 Koninklijke Philips N.V. Artificial intelligence (ai)-based standardized uptake value (suv) correction and variation assessment for positron emission tomography (pet)
CN113196340A (zh) * 2018-11-13 2021-07-30 皇家飞利浦有限公司 用于正电子发射断层摄影(pet)的基于人工智能(ai)的标准化摄取值(suv)校正和变化评估
CN113302627A (zh) * 2018-11-16 2021-08-24 波尔多大学 用于确定立体定向的脑部靶标的方法
CN109559303A (zh) * 2018-11-22 2019-04-02 广州达美智能科技有限公司 钙化点的识别方法、装置和计算机可读存储介质
CN109330616A (zh) * 2018-12-08 2019-02-15 宁波耀通管阀科技有限公司 肿瘤危害等级辨别系统
CN109378054A (zh) * 2018-12-13 2019-02-22 山西医科大学第医院 一种多模态图像辅助诊断系统及其搭建方法
CN109754860B (zh) * 2018-12-21 2020-11-10 苏州雷泰医疗科技有限公司 一种基于dvh预测模型的自动预测计划难易程度的方法
CN109754860A (zh) * 2018-12-21 2019-05-14 苏州雷泰医疗科技有限公司 一种基于dvh预测模型的自动预测计划难易程度的方法
CN109934796A (zh) * 2018-12-26 2019-06-25 苏州雷泰医疗科技有限公司 一种基于深度集成学习的器官自动勾画方法
CN109727235A (zh) * 2018-12-26 2019-05-07 苏州雷泰医疗科技有限公司 一种基于深度学习的器官自动勾画算法
CN109727235B (zh) * 2018-12-26 2021-05-11 苏州雷泰医疗科技有限公司 一种基于深度学习的器官自动勾画算法
CN111374690A (zh) * 2018-12-28 2020-07-07 通用电气公司 医学成像方法及系统
CN109785306A (zh) * 2019-01-09 2019-05-21 上海联影医疗科技有限公司 器官勾画方法、装置、计算机设备和存储介质
CN109858428B (zh) * 2019-01-28 2021-08-17 四川大学 基于机器学习和深度学习的ana荧光片自动识别方法
CN109858428A (zh) * 2019-01-28 2019-06-07 四川大学 基于机器学习和深度学习的ana荧光片自动识别方法
CN109903272A (zh) * 2019-01-30 2019-06-18 西安天伟电子系统工程有限公司 目标检测方法、装置、设备、计算机设备和存储介质
CN109903272B (zh) * 2019-01-30 2021-09-03 西安天伟电子系统工程有限公司 目标检测方法、装置、设备、计算机设备和存储介质
CN111613300A (zh) * 2019-02-22 2020-09-01 未艾医疗技术(深圳)有限公司 基于VRDS 4D医学影像的肿瘤与血管Ai处理方法及产品
CN111613300B (zh) * 2019-02-22 2023-09-15 曹生 基于VRDS 4D医学影像的肿瘤与血管Ai处理方法及产品
CN109938764B (zh) * 2019-02-28 2021-05-18 佛山原子医疗设备有限公司 一种基于深度学习的自适应多部位扫描成像方法及其系统
CN109938764A (zh) * 2019-02-28 2019-06-28 佛山原子医疗设备有限公司 一种基于深度学习的自适应多部位扫描成像方法及其系统
CN109948667A (zh) * 2019-03-01 2019-06-28 桂林电子科技大学 用于对头颈部癌症远端转移预测的图像分类方法及装置
CN110047080A (zh) * 2019-03-12 2019-07-23 天津大学 一种基于V-Net的多模态脑肿瘤图像精细分割的方法
CN109949288A (zh) * 2019-03-15 2019-06-28 上海联影智能医疗科技有限公司 肿瘤类型确定系统、方法及存储介质
CN109978852B (zh) * 2019-03-22 2022-08-16 邃蓝智能科技(上海)有限公司 基于深度学习的微小组织器官的放疗影像靶区勾画方法及系统
CN109978852A (zh) * 2019-03-22 2019-07-05 邃蓝智能科技(上海)有限公司 基于深度学习的微小组织器官的放疗影像靶区勾画方法及系统
CN110070546A (zh) * 2019-04-18 2019-07-30 山东师范大学 一种基于深度学习的多目标危及器官的自动分割方法、装置及系统
CN110070546B (zh) * 2019-04-18 2021-08-27 山东师范大学 一种基于深度学习的多目标危及器官的自动分割方法、装置及系统
CN110060300A (zh) * 2019-04-28 2019-07-26 中国科学技术大学 一种ct图像相对位置预测方法及系统
US10922860B2 (en) * 2019-05-13 2021-02-16 Adobe Inc. Line drawing generation
US20200364910A1 (en) * 2019-05-13 2020-11-19 Adobe Inc. Line drawing generation
CN110136840A (zh) * 2019-05-17 2019-08-16 山东管理学院 一种基于自加权分级生物特征的医学图像分类方法、装置和计算机可读存储介质
CN114072845A (zh) * 2019-06-06 2022-02-18 医科达有限公司 使用具有可变形层的CycleGAN的SCT图像生成
CN110211139A (zh) * 2019-06-12 2019-09-06 安徽大学 自动分割食管癌放疗靶区和危及器官的方法及系统
CN110232695A (zh) * 2019-06-18 2019-09-13 山东师范大学 基于混合模态图像的左心室图像分割方法及系统
WO2020224123A1 (zh) * 2019-06-24 2020-11-12 浙江大学 一种基于深度学习的致痫灶三维自动定位系统
CN110390351A (zh) * 2019-06-24 2019-10-29 浙江大学 一种基于深度学习的致痫灶三维自动定位系统
US11645748B2 (en) 2019-06-24 2023-05-09 Zhejiang University Three-dimensional automatic location system for epileptogenic focus based on deep learning
CN110264479A (zh) * 2019-06-25 2019-09-20 南京景三医疗科技有限公司 基于随机游走和水平集的三维图像分割方法
CN110264479B (zh) * 2019-06-25 2023-03-24 南京景三医疗科技有限公司 基于随机游走和水平集的三维图像分割方法
CN110415184B (zh) * 2019-06-28 2022-12-20 南开大学 一种基于正交元空间的多模态图像增强方法
CN110415184A (zh) * 2019-06-28 2019-11-05 南开大学 一种基于正交元空间的多模态图像增强方法
CN114040707A (zh) * 2019-07-04 2022-02-11 帕拉梅维亚私人有限公司 诊断支持程序
CN110378881A (zh) * 2019-07-05 2019-10-25 北京航空航天大学 一种基于深度学习的肿瘤定位系统
CN110415239A (zh) * 2019-08-01 2019-11-05 腾讯科技（深圳）有限公司 图像处理方法、装置、设备、医疗电子设备以及介质
CN110415239B (zh) * 2019-08-01 2022-12-16 腾讯科技（深圳）有限公司 图像处理方法、装置、设备、医疗电子设备以及介质
CN112348040B (zh) * 2019-08-07 2023-08-29 杭州海康威视数字技术股份有限公司 模型训练方法、装置及设备
CN112348040A (zh) * 2019-08-07 2021-02-09 杭州海康威视数字技术股份有限公司 模型训练方法、装置及设备
CN110473196A (zh) * 2019-08-14 2019-11-19 中南大学 一种基于深度学习的腹部ct图像目标器官配准方法
CN110610527A (zh) * 2019-08-15 2019-12-24 苏州瑞派宁科技有限公司 计算suv的方法、装置、设备、系统及计算机存储介质
CN110689521A (zh) * 2019-08-15 2020-01-14 福建自贸试验区厦门片区Manteia数据科技有限公司 一种医学影像所属人体部位的自动识别方法及系统
CN110610527B (zh) * 2019-08-15 2023-09-22 苏州瑞派宁科技有限公司 计算suv的方法、装置、设备、系统及计算机存储介质
CN110689521B (zh) * 2019-08-15 2022-07-29 福建自贸试验区厦门片区Manteia数据科技有限公司 一种医学影像所属人体部位的自动识别方法及系统
US11964170B2 (en) 2019-08-29 2024-04-23 Beijing Linking Medical Technology Co., Ltd. Standardized artificial intelligence automatic radiation therapy planning method and system
CN110415785A (zh) * 2019-08-29 2019-11-05 北京连心医疗科技有限公司 人工智能引导放疗计划的方法及系统
CN110706200A (zh) * 2019-09-02 2020-01-17 杭州深睿博联科技有限公司 数据预测的方法及装置
CN110706200B (zh) * 2019-09-02 2022-08-05 杭州深睿博联科技有限公司 数据预测的方法及装置
CN110706749B (zh) * 2019-09-10 2022-06-10 至本医疗科技（上海）有限公司 一种基于组织器官分化层次关系的癌症类型预测系统和方法
CN110706749A (zh) * 2019-09-10 2020-01-17 至本医疗科技（上海）有限公司 一种基于组织器官分化层次关系的癌症类型预测系统和方法
JP2022530413A (ja) * 2019-09-26 2022-06-29 ベイジン・センスタイム・テクノロジー・デベロップメント・カンパニー・リミテッド 画像処理方法及び装置、電子機器、記憶媒体並びにコンピュータプログラム
CN110739049A (zh) * 2019-10-10 2020-01-31 上海联影智能医疗科技有限公司 图像勾画方法、装置、存储介质及计算机设备
WO2021081759A1 (zh) * 2019-10-29 2021-05-06 中国科学院深圳先进技术研究院 一种协同成像方法、装置、存储介质和协同成像设备
CN111047594A (zh) * 2019-11-06 2020-04-21 安徽医科大学 肿瘤mri弱监督学习分析建模方法及其模型
CN111047594B (zh) * 2019-11-06 2023-04-07 安徽医科大学 肿瘤mri弱监督学习分析建模方法及其模型
CN110930421B (zh) * 2019-11-22 2022-03-29 电子科技大学 一种用于cbct牙齿图像的分割方法
CN110930421A (zh) * 2019-11-22 2020-03-27 电子科技大学 一种用于cbct牙齿图像的分割方法
CN110991458A (zh) * 2019-11-25 2020-04-10 创新奇智(北京)科技有限公司 基于图像特征的人工智能识别结果抽样系统及抽样方法
CN110992406B (zh) * 2019-12-10 2024-04-30 张家港赛提菲克医疗器械有限公司 一种基于感兴趣区的放疗患者摆位刚体配准算法
CN110992406A (zh) * 2019-12-10 2020-04-10 张家港赛提菲克医疗器械有限公司 一种基于感兴趣区的放疗患者摆位刚体配准算法
CN111127444B (zh) * 2019-12-26 2021-06-04 广州柏视医疗科技有限公司 基于深度语义网络的ct影像中自动识别放疗危及器官的方法
CN111127444A (zh) * 2019-12-26 2020-05-08 广州柏视医疗科技有限公司 基于深度语义网络的ct影像中自动识别放疗危及器官的方法
CN111312373A (zh) * 2020-01-19 2020-06-19 浙江树人学院（浙江树人大学） 一种pet/ct图像融合自动标注方法
CN111312373B (zh) * 2020-01-19 2023-08-18 浙江树人学院（浙江树人大学） 一种pet/ct图像融合自动标注方法
CN111340135B (zh) * 2020-03-12 2021-07-23 甄鑫 基于随机投影的肾小肿块分类方法
CN111340135A (zh) * 2020-03-12 2020-06-26 广州领拓医疗科技有限公司 基于随机投影的肾小肿块分类方法
CN111420271A (zh) * 2020-04-02 2020-07-17 河北普尼医疗科技有限公司 一种基于头部肿瘤治疗的电极贴片定位方法
CN111477298A (zh) * 2020-04-03 2020-07-31 北京易康医疗科技有限公司 一种放疗过程中肿瘤位置变化的追踪方法
CN111477298B (zh) * 2020-04-03 2021-06-15 山东省肿瘤防治研究院（山东省肿瘤医院） 一种放疗过程中肿瘤位置变化的追踪方法
CN113643222A (zh) * 2020-04-23 2021-11-12 上海联影智能医疗科技有限公司 多模态影像的分析方法、计算机设备和存储介质
CN112330674A (zh) * 2020-05-07 2021-02-05 南京信息工程大学 一种基于脑部mri三维图像置信度的自适应变尺度卷积核方法
CN112330674B (zh) * 2020-05-07 2023-06-30 南京信息工程大学 一种基于脑部mri三维图像置信度的自适应变尺度卷积核方法
CN111599445A (zh) * 2020-05-14 2020-08-28 安徽慧软科技有限公司 用于自动勾画的ct影像全自动化处理系统
CN111598883B (zh) * 2020-05-20 2023-05-26 重庆工程职业技术学院 获取云数据医学影像的标定标签设备和工作方法
CN111598883A (zh) * 2020-05-20 2020-08-28 重庆工程职业技术学院 获取云数据医学影像的标定标签设备和工作方法
CN111680758B (zh) * 2020-06-15 2024-03-05 杭州海康威视数字技术股份有限公司 图像训练样本生成方法和装置
CN111680758A (zh) * 2020-06-15 2020-09-18 杭州海康威视数字技术股份有限公司 图像训练样本生成方法和装置
CN112288683A (zh) * 2020-06-30 2021-01-29 深圳市智影医疗科技有限公司 基于多模态融合的肺结核病判定装置和方法
CN111899850A (zh) * 2020-08-12 2020-11-06 上海依智医疗技术有限公司 医学影像的信息处理方法、显示方法及可读存储介质
CN112258457A (zh) * 2020-09-28 2021-01-22 汕头大学 一种全容积三维超声图像的多维特征提取方法
CN112258457B (zh) * 2020-09-28 2023-09-05 汕头大学 一种全容积三维超声图像的多维特征提取方法
CN112270660A (zh) * 2020-09-30 2021-01-26 四川大学 基于深度神经网络的鼻咽癌放疗靶区自动分割方法
TWI790788B (zh) * 2020-10-23 2023-01-21 國立臺灣大學 醫療影像分析系統及方法
CN114463246A (zh) * 2020-11-06 2022-05-10 广达电脑股份有限公司 圈选系统及圈选方法
US12014813B2 (en) 2020-11-06 2024-06-18 Quanta Computer Inc. Contouring system
CN112541941A (zh) * 2020-12-07 2021-03-23 明峰医疗系统股份有限公司 一种基于ct定位片的扫描流程决策方法及系统
CN112541941B (zh) * 2020-12-07 2023-12-15 明峰医疗系统股份有限公司 一种基于ct定位片的扫描流程决策方法及系统
CN112734790B (zh) * 2020-12-30 2023-07-11 武汉联影生命科学仪器有限公司 一种肿瘤区域标注方法、系统、装置及可读存储介质
CN112734790A (zh) * 2020-12-30 2021-04-30 武汉联影生命科学仪器有限公司 一种肿瘤区域标注方法、系统、装置及可读存储介质
CN114973218A (zh) * 2021-02-24 2022-08-30 阿里巴巴集团控股有限公司 图像处理方法、装置及系统
CN112802036A (zh) * 2021-03-16 2021-05-14 上海联影医疗科技股份有限公司 一种三维医学图像靶区分割的方法、系统和装置
US12198379B2 (en) 2021-03-16 2025-01-14 Shanghai United Imaging Healthcare Co., Ltd. Systems and methods for image segmentation
CN113077433A (zh) * 2021-03-30 2021-07-06 山东英信计算机技术有限公司 基于深度学习的肿瘤靶区云检测装置、系统、方法及介质
CN113077433B (zh) * 2021-03-30 2023-04-07 山东英信计算机技术有限公司 基于深度学习的肿瘤靶区云检测装置、系统、方法及介质
CN112862822B (zh) * 2021-04-06 2023-05-30 华侨大学 一种超声乳腺肿瘤检测与分类方法、装置与介质
CN112862822A (zh) * 2021-04-06 2021-05-28 华侨大学 一种超声乳腺肿瘤检测与分类方法、装置与介质
CN115206146B (zh) * 2021-04-14 2023-09-22 北京医智影科技有限公司 用于放疗靶区勾画的智能教学方法、系统、设备和介质
CN115206146A (zh) * 2021-04-14 2022-10-18 北京医智影科技有限公司 用于放疗靶区勾画的智能教学方法、系统、设备和介质
CN113269734A (zh) * 2021-05-14 2021-08-17 成都市第三人民医院 一种基于元学习特征融合策略的肿瘤图像检测方法及装置
CN113192053A (zh) * 2021-05-18 2021-07-30 北京大学第三医院（北京大学第三临床医学院） 基于深度学习的宫颈肿瘤靶区智能勾画方法、设备和介质
CN113222038A (zh) * 2021-05-24 2021-08-06 北京安德医智科技有限公司 基于核磁图像的乳腺病灶分类和定位方法及装置
CN113222038B (zh) * 2021-05-24 2021-10-22 北京安德医智科技有限公司 基于核磁图像的乳腺病灶分类和定位方法及装置
WO2022247218A1 (zh) * 2021-05-27 2022-12-01 广州柏视医疗科技有限公司 基于自动勾画的图像配准方法
CN113487579B (zh) * 2021-07-14 2022-04-01 广州柏视医疗科技有限公司 自动勾画模型的多模态迁移方法
CN113487579A (zh) * 2021-07-14 2021-10-08 广州柏视医疗科技有限公司 自动勾画模型的多模态迁移方法
CN113539402A (zh) * 2021-07-14 2021-10-22 广州柏视医疗科技有限公司 多模态影像自动勾画模型迁移方法
CN113539402B (zh) * 2021-07-14 2022-04-01 广州柏视医疗科技有限公司 多模态影像自动勾画模型迁移方法
CN113628325A (zh) * 2021-08-10 2021-11-09 海盐县南北湖医学人工智能研究院 一种小器官肿瘤演化的模型建立方法及计算机可读存储介质
CN113628325B (zh) * 2021-08-10 2024-03-26 海盐县南北湖医学人工智能研究院 一种小器官肿瘤演化的模型建立方法及计算机可读存储介质
CN113643255B (zh) * 2021-08-11 2024-12-31 锐视医疗科技(苏州)有限公司 基于深度学习的危及器官勾画方法及系统
CN113643255A (zh) * 2021-08-11 2021-11-12 锐视智慧(北京)医疗科技有限公司 基于深度学习的危及器官勾画方法及系统
CN113902724B (zh) * 2021-10-18 2022-07-01 广州医科大学附属肿瘤医院 瘤细胞图像的分类方法及装置、设备、存储介质
CN113902724A (zh) * 2021-10-18 2022-01-07 广州医科大学附属肿瘤医院 瘤细胞图像的分类方法及装置、设备、存储介质
CN113744272A (zh) * 2021-11-08 2021-12-03 四川大学 一种基于深度神经网络的脑动脉自动勾画方法
CN113744272B (zh) * 2021-11-08 2022-01-28 四川大学 一种基于深度神经网络的脑动脉自动勾画方法
WO2023143625A1 (en) * 2022-01-31 2023-08-03 Conova Medical Technology Limited Process and system for three-dimensional modelling of tissue of a subject, and surgical planning process and system
CN114266774A (zh) * 2022-03-03 2022-04-01 中日友好医院(中日友好临床医学研究所) 一种基于平扫ct图像诊断肺栓塞的方法、设备及系统
CN114612478A (zh) * 2022-03-21 2022-06-10 华南理工大学 一种基于深度学习的女性盆腔mri自动勾画系统
CN114612478B (zh) * 2022-03-21 2024-05-10 华南理工大学 一种基于深度学习的女性盆腔mri自动勾画系统
CN114692985A (zh) * 2022-04-08 2022-07-01 上海柯林布瑞信息技术有限公司 基于诊疗节点的就诊流程优化分析方法、装置及电子设备
CN116934676A (zh) * 2022-04-22 2023-10-24 西门子医疗有限公司 用于治疗响应预测的风险器官和总肿瘤体积的表示结果学习
CN115409739A (zh) * 2022-10-31 2022-11-29 中山大学肿瘤防治中心（中山大学附属肿瘤医院、中山大学肿瘤研究所） 一种危及器官自动勾画方法及系统
CN115568944A (zh) * 2022-11-21 2023-01-06 吉林省英华恒瑞生物科技有限公司 一种肿瘤治疗仪的模拟消融方法及系统
CN115568944B (zh) * 2022-11-21 2023-02-24 吉林省英华恒瑞生物科技有限公司 一种肿瘤治疗仪的模拟消融方法及系统
CN116258671A (zh) * 2022-12-26 2023-06-13 中山大学肿瘤防治中心（中山大学附属肿瘤医院、中山大学肿瘤研究所） 一种基于mr图像智能勾画方法、系统、设备及存储介质
CN116258671B (zh) * 2022-12-26 2023-08-29 中山大学肿瘤防治中心（中山大学附属肿瘤医院、中山大学肿瘤研究所） 一种基于mr图像智能勾画方法、系统、设备及存储介质
CN116245831B (zh) * 2023-02-13 2024-01-16 天津市鹰泰利安康医疗科技有限责任公司 一种基于双模态成像的肿瘤治疗辅助方法及系统
CN116245831A (zh) * 2023-02-13 2023-06-09 天津市鹰泰利安康医疗科技有限责任公司 一种基于双模态成像的肿瘤治疗辅助方法及系统
CN116344001B (zh) * 2023-03-10 2023-10-24 中南大学湘雅三医院 一种基于人工智能的医疗信息可视化管理系统及方法
CN116344001A (zh) * 2023-03-10 2023-06-27 中南大学湘雅三医院 一种基于人工智能的医疗信息可视化管理系统及方法
CN116993755A (zh) * 2023-05-20 2023-11-03 张瑞霞 一种多模态融合的医学图像分割方法
WO2024242383A1 (ko) * 2023-05-25 2024-11-28 주식회사 딥바이오 종양 부피 추정 방법 및 이를 수행하는 컴퓨팅 시스템
CN116342859A (zh) * 2023-05-30 2023-06-27 安徽医科大学第一附属医院 一种基于影像学特征识别肺部肿瘤区域的方法及系统
CN116342859B (zh) * 2023-05-30 2023-08-18 安徽医科大学第一附属医院 一种基于影像学特征识别肺部肿瘤区域的方法及系统
CN116862789A (zh) * 2023-06-29 2023-10-10 广州沙艾生物科技有限公司 一种pet-mr图像校正方法
CN116862789B (zh) * 2023-06-29 2024-04-23 广州沙艾生物科技有限公司 一种pet-mr图像校正方法
CN117152442A (zh) * 2023-10-27 2023-12-01 吉林大学 影像靶区自动勾画方法、装置、电子设备和可读存储介质
CN117152442B (zh) * 2023-10-27 2024-02-02 吉林大学 影像靶区自动勾画方法、装置、电子设备和可读存储介质
CN117351489B (zh) * 2023-12-06 2024-03-08 四川省肿瘤医院 面向全身pet/ct扫描的头颈肿瘤靶区的勾画系统
CN117351489A (zh) * 2023-12-06 2024-01-05 四川省肿瘤医院 面向全身pet/ct扫描的头颈肿瘤靶区的勾画系统
WO2025128021A1 (en) * 2023-12-12 2025-06-19 Turkcell Teknoloji Arastirma Ve Gelistirme Anonim Sirketi A system for diagnosing brain tumor via artificial intelligence
CN117476219A (zh) * 2023-12-27 2024-01-30 四川省肿瘤医院 基于大数据分析的定位ct断层图像的辅助方法和辅助系统
CN117476219B (zh) * 2023-12-27 2024-03-12 四川省肿瘤医院 基于大数据分析的定位ct断层图像的辅助方法和辅助系统
CN119028539A (zh) * 2024-01-16 2024-11-26 华硼中子科技(杭州)有限公司 一种分段提示型的硼中子俘获治疗靶区智能勾画方法
CN117974631A (zh) * 2024-03-27 2024-05-03 天津市肿瘤医院（天津医科大学肿瘤医院） 基于ct图像的肺肿块病变特征识别方法、系统及介质
CN118217551A (zh) * 2024-05-22 2024-06-21 四川省肿瘤医院 基于图像引导的放射治疗定位系统
CN118781456A (zh) * 2024-06-11 2024-10-15 北京凯普顿医药科技开发有限公司 一种多模态脑肿瘤图像分析系统
CN118537699B (zh) * 2024-07-03 2024-10-29 青岛杰圣博生物科技有限公司 一种多模态口腔影像数据的融合及处理方法
CN118537699A (zh) * 2024-07-03 2024-08-23 青岛杰圣博生物科技有限公司 一种多模态口腔影像数据的融合及处理方法
CN119027504A (zh) * 2024-08-14 2024-11-26 中国人民解放军空军军医大学 一种多模态成像的肿瘤定位方法及系统
CN119832033B (zh) * 2024-12-16 2025-10-10 同济大学 一种肺部肿瘤靶区pet/ct、放疗剂量影像提取、处理方法
CN119832033A (zh) * 2024-12-16 2025-04-15 同济大学 一种肺部肿瘤靶区pet/ct、放疗剂量影像提取、处理方法
CN119337166A (zh) * 2024-12-20 2025-01-21 中南大学 基于多模态远程医疗数据的三支诊断与评估方法及装置
CN119337166B (zh) * 2024-12-20 2025-03-18 中南大学 基于多模态远程医疗数据的三支诊断与评估方法及装置
CN119919723A (zh) * 2024-12-31 2025-05-02 河北大学附属医院 一种肿瘤图像的分类识别方法、装置及设备
CN119991661B (zh) * 2025-04-14 2025-06-10 山东第二医科大学 一种提高肿瘤放疗靶区勾画精度的方法
CN119991661A (zh) * 2025-04-14 2025-05-13 山东第二医科大学 一种提高肿瘤放疗靶区勾画精度的方法
CN120771464A (zh) * 2025-09-10 2025-10-14 四川省肿瘤医院 基于靶区免疫区域激活的空间分割放疗引导方法及系统
CN120919548A (zh) * 2025-10-15 2025-11-11 西南医科大学附属医院 一种基于磁共振引导放疗的肿瘤靶区提取系统
CN120919548B (zh) * 2025-10-15 2026-01-09 西南医科大学附属医院 一种基于磁共振引导放疗的肿瘤靶区提取系统

Similar Documents

Publication Publication Date Title
CN107403201A (zh) 肿瘤放射治疗靶区和危及器官智能化、自动化勾画方法
US7876938B2 (en) System and method for whole body landmark detection, segmentation and change quantification in digital images
Li et al. Integrating spatial fuzzy clustering with level set methods for automated medical image segmentation
Carvalho et al. 3D segmentation algorithms for computerized tomographic imaging: a systematic literature review
Göçeri et al. A comparative performance evaluation of various approaches for liver segmentation from SPIR images
Göçeri Fully automated liver segmentation using Sobolev gradient‐based level set evolution
Luo et al. An optimized two-stage cascaded deep neural network for adrenal segmentation on CT images
Campadelli et al. A segmentation framework for abdominal organs from CT scans
Yan et al. Atlas-based liver segmentation and hepatic fat-fraction assessment for clinical trials
CN106846330A (zh) 人体肝脏特征建模及血管模型空间归一方法
Zhu et al. Automatic delineation of the myocardial wall from CT images via shape segmentation and variational region growing
Tummala et al. Liver tumor segmentation from computed tomography images using multiscale residual dilated encoder‐decoder network
Liu et al. Automatic segmentation algorithm of ultrasound heart image based on convolutional neural network and image saliency
Lee et al. Multi-contrast computed tomography healthy kidney atlas
Yin et al. Automatic breast tissue segmentation in MRIs with morphology snake and deep denoiser training via extended Stein’s unbiased risk estimator
Bai et al. Automatic whole heart segmentation based on watershed and active contour model in CT images
Sweetlin et al. Patient–Specific Model Based Segmentation of Lung Computed Tomography Images
Wieclawek 3D marker-controlled watershed for kidney segmentation in clinical CT exams
Zhu et al. A complete system for automatic extraction of left ventricular myocardium from CT images using shape segmentation and contour evolution
Rastgarpour et al. The status quo of artificial intelligence methods in automatic medical image segmentation
Tan et al. A segmentation method of lung parenchyma from chest CT images based on dual U-Net
Nag A review of image segmentation methods on brain MRI for detection of tumor and related abnormalities
Yang-yang Applications of Image Segmentation Techniques in Medical Images
Zhao Novel image processing and deep learning methods for head and neck cancer delineation from MRI data
Sultan et al. Generative Adversarial Networks in the Field of Medical Image Segmentation

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20171128

WD01 Invention patent application deemed withdrawn after publication