技术特征：
1.一种多模态影像脑胶质瘤靶区分割方法，其特征在于，包括以下步骤：获取经组织学证实为高级胶质母细胞瘤的病例，每个病例包含一例非增强ct图像和mri图像；每个所述非增强ct图像包括原发肿瘤靶区以及由所述原发肿瘤靶区外扩形成的临床靶区，每个所述mri图像包括t1c图像和t2-flair图像；将所有病例的所述mri图像与所述非增强ct图像进行刚性配准，得到非增强ct图像-mri图像数据对；对所述非增强ct图像-mri图像数据对进行去颅骨操作，获得去颅骨图像；根据预设公式对所述去颅骨图像进行预处理，得到训练样本数据，所述训练样本数据分为三组数据对分别作为训练集、验证集和测试集；根据所述训练样本数据构建网络分割模型，其中，所述训练集用于构建所述网络分割模型，验证集用于优化所述网络分割模型的超参数，测试集用于测试优化后的所述网络分割模型的性能。2.根据权利要求1所述的多模态影像脑胶质瘤靶区分割方法，其特征在于，还包括以下步骤：根据所述非增强ct图像-mri图像数据对中所述mri图像上靶区形态与特征在所述非增强ct图像上进行手动勾画，得到手动勾画图像；根据预设评估公式评估所述网络分割模型输出的分割图像与所述手动勾画图像的一致性；其中，预设评估公式为：临床靶区与人工勾画的临床靶区之间的dice相似系数dsc，表达式为：dsc＝2|p∩g|/(|p|+|g|)，p是自动分割的各个临床靶区轮廓，g是人工勾画的各个临床靶区轮廓；95％hausdorff距离，即95hd，95hd被定义为：p：自动分割的各个靶区轮廓；g：人工勾画的各个靶区轮廓；p：p中的任意一个体素；g：g中的任意一个体素；d(p，g)：p和g两点的欧氏距离；d
pg
：点集p到点集g的单向豪斯多夫距离；d
gp
：点集g到点集p的单向豪斯多夫距离。3.根据权利要求1或2所述的多模态影像脑胶质瘤靶区分割方法，其特征在于，根据预设公式对所述去颅骨图像进行预处理，包括以下步骤：根据阈值为(0.5％，99.5％)对将所有病例的所述t1c图像和所述t2-flair图像均与所述非增强ct图像进行裁剪，得到裁剪图像；根据三阶样条插值算法和最邻近插值算法对所述裁剪图像中的体素间距插值到中间体素间距，得到插值图像；根据所述插值图像进行z-score归一化处理。4.根据权利要求3所述的多模态影像脑胶质瘤靶区分割方法，其特征在于：所述三阶样条插值算法的表达式为：
s(x
i
)＝y
i i＝0,1,
…
,n；共n个区间s0～s
n-1
，n+1个节点，a、b、c、d四个系数、每个系数都有n组，所以方程组共有4n个系数；所述最邻近插值算法的表达式为：i'(x，y)＝i([x/a]，[y/a])i’为插值后图像，i为插值前图像，(x，y)为像素坐标，a为放大率，方括号为取整操作；所述z-score归一化的表达式为：x表示原始数据，μ表示原始数据的平均值，σ表示原始数据的标准差，x
normalization
表示归一化后的数据。5.根据权利要求1或2所述的多模态影像脑胶质瘤靶区分割方法，其特征在于，所述网络分割模型的表达式为：损失函数l＝α1l
dice
+β1l
ce
；；其中，l
ce
表示为交叉熵损失，l
dice
表示为损失函数dice loss l_dice，c是被分割的目标类别数量，n是训练时每个patch中的体素数量，和p
ik
分别是人工勾画和模型预测勾画中第k个类别的第i个体素。6.根据权利要求1或2所述的多模态影像脑胶质瘤靶区分割方法，其特征在于，根据所述训练样本数据构建网络分割模型是基于深度3d cnn网络构建而成，深度3d cnn网络为基于一个5层编码器-解码器的3d u-net，具体包括以下步骤：每层所述编码器采用两组卷积核为3
×3×
3的卷积层来提取所述非增强ct图像-mri图像数据对的配准图像特征；每个卷积层采用dropout为0.5的实例归一化函数和负斜率为1e-2的激活函数处理所述配准图像特征；使用2
×2×
2最大池对每个编码器中的所述配准图像特征进行下采样；采用2
×2×
2反卷积核对每个解码器中的所述配准图像特征进行上采样；整个模型中的每个编码器的输出特征图通过跳跃连接与相应解码器的输入特征图连接。7.根据权利要求6所述的多模态影像脑胶质瘤靶区分割方法，其特征在于，所述实例归一化函数的表达式为：x
i
为输入的配准图像特征，y为输出参数；γ为比例因子，μ为均值，σ为标准差，β为修正因子；所述激活函数的表达式为：f(x)＝max(ax，x)，x:激活函数对应的所述卷积层输入，α为预设的参数。
8.一种多模态影像脑胶质瘤靶区分割系统，其特征在于，包括：获取模块，被设置为用于获取经组织学证实为高级胶质母细胞瘤的病例，每个病例包含一例非增强ct图像和mri图像；每个所述非增强ct图像包括原发肿瘤靶区以及由所述原发肿瘤靶区外扩形成的临床靶区，每个所述mri图像包括t1c图像和t2-flair图像；配准模块，被设置为用于将所有病例的所述mri图像与所述非增强ct图像进行刚性配准，得到非增强ct图像-mri图像数据对；去颅骨处理模块，被设置为用于对所述非增强ct图像-mri图像数据对进行去颅骨操作，获得去颅骨图像；网络分割模型构建模块，被设置为用于根据预设公式对所述去颅骨图像进行预处理，得到训练样本数据，所述训练样本数据分为三组数据对分别作为训练集、验证集和测试集；根据所述训练样本数据构建网络分割模型，其中，所述训练集用于构建所述网络分割模型，验证集用于优化所述网络分割模型的超参数，测试集用于测试优化后的所述网络分割模型的性能；手动勾画模块，被设置为用于通过输入设备在所述非增强ct图像-mri图像数据对中所述mri图像上靶区形态与特征在所述非增强ct图像上进行手动勾画，得到手动勾画图像；质量评估模块，被设置为用于根据预设评估公式评估所述网络分割模型输出的分割图像与所述手动勾画图像的一致性。9.一种电子设备，其特征在于，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至7中任意一项所述的多模态影像脑胶质瘤靶区分割方法的步骤。
技术总结
本发明涉及一种分割方法、系统和设备，其中，分割方法包括以下步骤：获取经组织学证实为高级胶质母细胞瘤的病例，每个病例包含一例非增强CT图像和MRI图像；将所有病例的所述MRI图像与所述非增强CT图像进行刚性配准，得到非增强CT图像-MRI图像数据对；对所述非增强CT图像-MRI图像数据对进行去颅骨操作，获得去颅骨图像；根据预设公式对所述去颅骨图像进行预处理，得到训练样本数据；根据所述训练样本数据构建网络分割模型。通过本发明的技术方案，能够不需要人工提取特征或设定参数就可自动输出靶区以及危及器官的分割结果。出靶区以及危及器官的分割结果。出靶区以及危及器官的分割结果。
技术研发人员：田素青 刘应龙 贺树萌 赵紫婷
受保护的技术使用者：深圳市联影高端医疗装备创新研究院 北京联影智能影像技术研究院
技术研发日：2022.05.20
技术公布日：2022/8/19