资源类型：
申请号：
申请日期：
授权年份：
公开号：
公开日：
法律状态：
主分类号：
分类号：
摘要：
本申请公开了一种面向全身PET/CT扫描的头颈肿瘤靶区的勾画系统。一些实施例中提供了一种面向全身PET/CT扫描的头颈肿瘤靶区的勾画系统，包括数据获取模块、数据处理模块、肿瘤自动定位模块、自动裁剪模块，以及靶区分割模块；数据获取模块与数据处理模块信号连接，数据处理模块与肿瘤自动定位模块信号连接，肿瘤自动定位模块与自动裁剪模块信号连接，自动裁剪模块与靶区分割模块信号连接。本申请所提供的技术方案中，数据处理模块能够将PET图像和CT图像相互对准之后，然后输入至肿瘤自动定位模块中，得到对应的病理区之后，通过自动裁剪模块和靶区分割模块，进而得到对应的GTVp和GTVn。
主权项：
1.一种面向全身PET/CT扫描的头颈肿瘤靶区的勾画系统，其特征在于，包括：数据获取模块、数据处理模块、肿瘤自动定位模块、自动裁剪模块，以及靶区分割模块；数据获取模块与数据处理模块信号连接，数据处理模块与肿瘤自动定位模块信号连接，肿瘤自动定位模块与自动裁剪模块信号连接，自动裁剪模块与靶区分割模块信号连接； 其中： 数据获取模块分别与PET设备和CT设备连接，以收集PET图像和CT图像，并将PET图像和CT图像发送给数据处理模块； 数据处理模块，用于将CT图像和PET图像处理为相同标准下的灰度图片，并将CT图像和PET图像进行刚性配准对齐，并将处理好的PET图像和CT图像发送至肿瘤自动定位模块； 肿瘤自动定位模块，内置有神经网络模型，CT图像和PET图像输入至肿瘤自动定位模块得到若干个病理区，并将病理区数据发送给自动裁剪模块，病理区数据包括病理区的空间位置信息和置信度分数； 自动裁剪模块，获取病理区的中心点位置，并基于不同病理区的置信度分数和空间位置信息，裁剪出包含肿瘤的PET图像和CT图像，然后发送至靶区分割模块； 靶区分割模块，基于深度学习网络自动构建分割系统，在PET图像或CT图像中分割出GTVp和GTVn； 数据获取模块在收集CT图像和PET图像时： 数据获取模块与PET设备信号连接，获取PET设备传输的PET图像，得到PM1、PM2、PM3、…PMi…PMk；其中，PMi表示第i个PET图像，k表示图像的总数； 数据获取模块与CT设备信号连接，获取CT设备传输的PET图像，得到CM1、CM2、CM3、…CMi…CMn；CMi表示第i个CT图像，n表示图像的总数； 数据获取模块将PM1、PM2、PM3、…PMi…PMk和CM1、CM2、CM3、…CMi…PMn发送至数据处理模块； 数据处理模块包括图像配准单元、网格插值单元，以及归一化单元，图像配准单元用于CT图像和PET图像的配准，网格插值单元用于处理PET图像和CT图像，使得两者具有相同规格的最小像素网格点区域；归一化单元用于对PET图像的像素和CT图像的像素进行归一化处理； 归一化的公式为： Norm（X）=X-mean（X）/std(X) ；其中， Norm表示归一化操作； X表示待归一化的数组； mean（X）表示取X的均值； Std（X）表示取X的标准差； 网格插值单元在进行插值时，确定最小像素网格点区域a×b×c，将PET图像和CT图像均划分为若干个最小像素网格点区域；然后，用线性插值法对每个最小像素网格点区域进行填充；线性插值的计算公式如下： ， 其中y(r)为待插值获得的图像在最小像素网格点区域r处的像素值，y(r0)、y(r1)为已知的图像在最小像素网格点区域r0、r1处的像素值，a表示最小像素格网格区域的x方向长度，b表示最小像素格网格区域的y方向长度，c表示最小像素格网格区域的z方向长度；a=2mm，b=2mm，c=3mm； 肿瘤自动定位模块内置的神经网络模型为目标识别定位深度学习网络模型；肿瘤自动定位模块对输入的PET图像和CT图像进行分析，输出包含肿瘤目标的病理区，并计算出对应病理区的病理区数据； 目标识别定位深度学习网络模型为Retina Unet深度学习网络模型; 目标识别定位深度学习网络模型包括：编码器、解码器，以及连接模块；其中，CT图像和PET图像输入至编码器内，以提取出CT图像和PET图像中的特征； 编码器将逐层提取PET图像和CT图像的图像特征，也就是将PET图像和CT图像两两配对在一起，输入至编码器内； 编码器的主体结构为Resnet50，由5层stage构成：stage 0为输入层，具备两个通道分别输入预处理后的PET和CT图像；stage 1到4都由基本残差单元bottleneck结构串联构成； 连接模块包含3层，每层包括一个1×1卷积核和一个3×3 卷积核，其作用为将第3-5层编码器提取的特征逐层处理连接到相应的解码器层； 解码器由两部分构成，第一部分为经过连接模块处理后的第3-5层的编码器特征层；第二部分为经连接模块处理后的第5层编码器经一个3×3 卷积核处理后的第6层和再经过reLU激活层和一个3×3 卷积核处理后的第7层。
