(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211038079.8 (22)申请日 2022.08.27 (71)申请人 安徽大学 地址 230039 安徽省合肥市蜀山区肥西路3 号安徽大学龙河校区互联网学院 (72)发明人 张军　徐凯　 (51)Int.Cl. G16H 30/40(2018.01) G06V 10/44(2022.01) G06V 10/52(2022.01) G06V 10/26(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06T 7/00(2017.01) (54)发明名称 基于三维卷积神经网络的食管癌临床靶区 自动勾画方法 (57)摘要 本发明涉及基于三维卷积神经网络的食管 癌临床靶区自动勾画方法， 所述方法包括以下步 骤： CT影像以及标签的获取， 数据预处理， 模型构 建与训练， 模型测试与结果获取。 与现有技术相 比通过构建三维卷积神经网络， 其中集成深度扩 张卷积模块， 能够在三维立体空间上捕捉深度信 息， 提取包含精细纹理和边界原始信息的多尺度 上下文特征， 以避免由于下采样导致的信息丢失 问题， 并在下采样结构中添加了3D空洞卷积层、 批归一化层以及带泄露修正的线性激活单元， 以 实现快速稳定的收敛， 使得分割精度进一步提 升。 本发明构建的三维卷积神经网络有效利用CT 影像的深度信息， 大大提高了分割精度， 应用于 临床环境可以节省勾画时间提高勾画准确性和 一致性。 权利要求书3页 说明书6页 附图1页 CN 115331786 A 2022.11.11 CN 115331786 A 1.基于三维卷积神经网络的食管癌临床靶区自动勾画方法， 其特征在于， 包括以下步 骤： 11)CT影像以及标签的获取： 根据患者的放疗结构以及治疗计划系统来导出CT数据， 提 取和标记属于食管癌临床靶区的所有体素并制作为标签。 只有包含食 管癌临床靶区的CT影 像被用作为训练和 测试数据； 12)数据预处理： 对CT影像数据进行截断归一化、 裁剪、 数据增强等预处理操作得到处 理后的CT影 像以及标签； 13)模型构建与训练： 构 建三维卷积神经网络模型， 将预处理后的CT影像数据以及标签 数据输入三维卷积神经网络模型中进行训练， 得到训练好的三维卷积神经网络模型； 14)模型测试与结果获取： 获取待勾画的食管癌临床靶区CT影像数据， 将其输入到训练 好的三维卷积神经网络模型中进行模型测试并得到食管癌临床靶区影 像勾画结果。 2.根据权利要求1所述的基于三维卷积神经网络的食管癌临床靶区自动勾画方法， 其 特征在于， 所述CT影 像以及标签的获取包括以下步骤： 21)读取原 始Dicom格式的CT影 像； 22)提取和标记属于食管癌临床靶区的所有体素信息， 根据患者的CT影像和放疗结构 将临床靶区部分标记为标签1， 将另一部分标记为背景0； 23)将原始Dicom格式的CT影 像导出成.n ii格式。 3.根据权利要求1所述的基于三维卷积神经网络的食管癌临床靶区自动勾画方法， 其 特征在于， 所述数据预处 理包括以下步骤： 31)将CT影 像预处理为标准Hounsfield单位 值； 32)将CT影像强度值截断到[ ‑150,200]Hounsfield单位值范围内， 以去除不相关的细 节； 33)以当前患者身体中心为中心对每个CT切片和标签进行中心裁剪， 裁剪为256 ×256 ×128的固定大小。 34)将裁剪后的影像和标签进行数据增广， 得到最终的预处理后的影像； 数据增广的具 体步骤如下： 341)以0.5的概 率对影像进行左右旋转， 左右最大旋转角度为10度； 342)以0.5的概 率对影像进行水平翻转； 343)以0.5的概 率对影像进行垂直翻转； 344)以0.5的概 率对影像进行缩放变换， 最大缩放 率为原始影像的0.15； 345)以0.5的概 率对影像进行错切变换， 最大变形程度为0.15 。 4.根据权利要求1所述的基于三维卷积神经网络的食管癌临床靶区自动勾画方法， 其 特征在于， 所述模型构建与训练包括以下步骤： 41)其中模型构建的具体步骤如下： 411)构建用于提取抽象特征的下采样结构， 其下采样结构包括一个普通3D卷积层， 一 个3D空洞卷积层， 一个批归一 化层， 一个带泄 露修正的线性激活单 元， 一个池化层； 412)构建用于将低级上下文信息补偿到高级上下文信 息中的深度扩张卷积结构， 其深 度扩张卷积结构包括3个3D扩张卷积层， 扩张因子为1、 2、 4， 因此具有大小为3 ×3、 5×5和9 ×9像素的感受野， 并得到三个输出。权　利　要　求　书 1/3 页 2 CN 115331786 A 2413)构建用于恢复细节信息的上采样结构， 其上采样结构包括两个普通3D卷积层， 一 个批归一 化层， 一个带泄 露修正的线性激活单 元， 一个上采样层； 414)构建用于使用低层特征为高层特征补充细节信息的跳跃连接结构， 其跳跃连接结 构为拼接两个输入为 一个输出； 415)首先将原始影像经过四次下采样结构， 再将原始影像经过一次深度扩张卷积结 构， 将深度扩张卷积结构的三个输出分别与前三次下采样进行拼接， 之后通过跳跃连接结 构将第四次下采样连接第一次上采样， 通过跳跃连接结构将第三次下采样连接第二次上采 样， 通过跳跃连接结构将第二次下采样连接第三次上采样， 通过跳跃连接结构将第一次下 采样连接第四次上采样， 最后经过两次卷积核大小为3x3的普通3D卷积层、 一次批归一化 层、 一次带 泄露修正的线性激活单元、 一次卷积核大小为3x3的普通3D卷积层完成整个模 型 的搭建。 42)其中模型训练的具体步骤如下： 421)将预处 理后的CT影 像以及标签数据输入三维卷积神经网络； 422)执行一次卷积核大小为3x3 的普通3D卷积层、 一次扩张因子为1的3D空洞卷积层、 一次批归一 化层、 一次带泄 露修正的线性激活单 元， 得到第一次下采样的输出。 423)执行一次深度扩张卷积结构层， 其中深度扩张卷积结构层的输出如下； 第一条路径对原图执 行一次扩张因子为1的3D空洞卷积层， 得到第一个输出； 第二条路径对原图执 行一次扩张因子为2的3D空洞卷积层， 得到第二个输出； 第三条路径对原图执 行一次扩张因子为 4的3D空洞卷积层， 得到第三个输出； 424)执行一次池化核大小为2x2的全局最大池化下采样。 425)将全局最大池化下采样的结果与深度扩张卷积结构层的第一个输出进行拼接； 426)执行一次卷积核大小为3x3 的3D普通卷积层、 一次扩张因子为1的3D空洞卷积层、 一次批归一 化层、 一次带泄 露修正的线性激活单 元， 得到第二次下采样的输出。 427)执行一次池化核大小为2x2的全局最大池化下采样。 428)将全局最大池化下采样的结果与深度扩张卷积结构层的第二个输出进行拼接； 429)执行一次卷积核大小为3x3 的3D普通卷积层、 一次扩张因子为1的3D空洞卷积层、 一次批归一 化层、 一次带泄 露修正的线性激活单 元， 得到第三次下采样的输出。 4210)执行一次池化核大小为2x2的全局最大池化下采样。 4211)将全局最大池化下采样的结果与深度扩张卷积结构层的第三个输出进行拼接； 4212)执行一次卷积核大小为3x3的普通3D卷积层、 一次扩张因子为1的3D空洞卷积层、 一次批归一 化层、 一次带泄 露修正的线性激活单 元， 得到第四 次下采样的输出。 4213)执行一次池化核大小为2x2的全局最大池化下采样。 4214)执行两次卷积核大小为3x3的普通3D卷积层、 一次批归一化层、 一次带泄露修正 的线性激活单 元。 4215)执行一次倍数为2的上采样并通过跳跃连接结构与第四次下采样的输出进行拼 接。 4216)执行两次卷积核大小为3x3的普通3D卷积层、 一次批归一化层、 一次带泄露修正 的线性激活单 元， 4217)执行一次倍数为2的上采样并通过跳跃连接结构与第三次下采样的输出进行拼权　利　要　求　书 2/3 页 3 CN 115331786 A 3