(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 202211276288.6 (22)申请日 2022.10.19 (71)申请人 成都理工大 学 地址 610059 四川省成 都市成华区二仙桥 东三路1号 (72)发明人 刘艳华　罗旺　刘明哲　蒋鑫　 刘祥和　杨艾青　 (74)专利代理 机构 成都众恒智合专利代理事务 所(普通合伙) 51239 专利代理师 龚攀 (51)Int.Cl. G16H 30/40(2018.01) G06T 7/00(2017.01) G06T 7/10(2017.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 一种基于深度学习的鼻咽癌肿瘤自动勾画 方法 (57)摘要 本发明公开了一种基于深度学习的鼻咽癌 肿瘤自动勾画方法， 包括图像数据预处理与数据 集设置、 建立鼻咽癌肿瘤勾画网络模型、 训练与 验证鼻咽癌肿瘤勾画网络模型、 输入测试集得到 鼻咽癌肿瘤勾画结果； 建立了编码器 ‑解码器型 的分割网络， 编码器逐渐提取物体的抽象特征并 减少空间维度， 解码器逐渐修复物体的细节和空 间维度， 并在分割网络中通过跳跃连接融合不同 层次的特征， 帮助解码器更好的修复目标的细 节。 还使用了生成对抗网络来平衡样本中小体积 肿瘤与大体积肿瘤之间的分布差异。 本发明解决 了鼻咽癌勾画任务中结构复杂、 目标形状尺寸变 化大、 与周围组织强度相识、 肿瘤边缘难以识别 所导致的分割精度不高等问题， 提高了鼻咽癌肿 瘤的分割精度。 权利要求书2页 说明书5页 附图6页 CN 115359881 A 2022.11.18 CN 115359881 A 1.一种基于深度学习的鼻咽癌肿瘤自动勾画方法， 其特 征在于， 包括以下步骤： S1： 对数据集进行预处理， 然后将经过预处理的图像数据集划分为训练集、 验证集和测 试集， 比例设置为6:2:2， 根据比例随机 选择归入三个数据集中； S2： 建立鼻咽癌肿瘤勾画网络模型， 包括分割网络与生成对抗网络； S3： 利用训练集对S2中构建的鼻咽癌肿瘤勾画网络进行训练， 根据损失函数， 训练鼻咽 癌肿瘤勾 画网络模型 的参数， 得到训练好的分割网络模型； 然后将验证集输入到训练好的 分割网络模型， 测试分割网络模型的性能； S4： 将测试集输入到S3中训练好的分割网络模型中， 得到鼻咽癌肿瘤的勾画结果。 2.根据权利要求1所述的基于深度学习的鼻咽癌肿瘤自动勾画方法， 其特征在于： 所述 步骤S1中对数据集进行 预处理包括以下步骤： S11： 采用阈值化的方法提取头颈部区域； 所述阈值化方法采取的阈值为 ‑600， 过滤掉 非头颈部区域， 剩下的部 分进行膨胀处理， 将 头颈部内部的小孔洞填上， 得到头颈部区域的 掩膜， 利用掩膜从图像中提取 出头颈部区域； S12： 将StructSeg2019数据集中的图像数据截取至 ‑1000~1000， 此范围外的图像数据 置为‑1000或1000， 然后归一 化至0~1； S13： 计算训练集中鼻咽癌肿瘤的体积， 肿瘤体积小于 将被作为小体积肿瘤样 本， 肿瘤体积大于 的将被作为大体积肿瘤样本 。 3.根据权利要求1所述的基于深度学习的鼻咽癌肿瘤自动勾画方法， 其特征在于： 所述 步骤S2具体包括以下步骤： S21： 建立分割网络； 分割网络由2个卷积层、 4个跨步卷积层、 4个反卷积层、 2个反池化 层、 9个残差模块组成； S22： 建立生成对抗网络， 包括生成网络、 判别网络； 生成网络由3个跨步卷积层、 2个卷 积层、 3个反卷积层组成， 判别网络由4个跨 步卷积层、 3个残差模块组成。 4.根据权利要求3所述的基于深度学习的鼻咽癌肿瘤自动勾画方法， 其特征在于： 分割 网络的输入为128 ×128×128的3D图像块， 每经过一个下跨步卷积层， 特征图的尺 寸减少一 半， 每经过一个反卷积层， 特征图的尺寸扩大为原 来的两倍， 最 终输出与输入大小相同的分 割结果图； 分割网络整体为编码 器‑解码器型结构， 编 码器与解码 器中相同尺 寸的特征图通 过跳跃连接融合到一起， 解码器中小尺寸的特征图经过反池化层处理后与大尺寸的特征图 通过跳跃 连接融合到一 起。 5.根据权利要求3所述的基于深度学习的鼻咽癌肿瘤自动勾画方法， 其特征在于： 生成 网络的输入为32 ×32×32的3D图像块和随机 噪声， 每经过一个跨步卷积层， 特征图的尺寸 减少一半， 每经过一个反卷积层， 特征图的尺寸扩 大为原来的两倍， 最 终输出与输入大小相 同的伪图像， 判别网络的输入为32 ×32×32的3D图像对， 所述3D图像对为图像和标签， 经过 几次下采样后， 最终输出一个数， 表示 这对图像的判别结果。 6.根据权利要求1所述的基于深度学习的鼻咽癌肿瘤自动勾画方法， 其特征在于： 所述 步骤S3具体包括以下步骤： S31： 设置训练参数： 设置前1/4epoch的学习率为0.01， 1/4到3/4的学习率为0.001， 剩 余epoch的学习率为0.0001， 动量设置为0.9， 权重衰减为0.0001， 网络模型保存 频率为1， 迭权　利　要　求　书 1/2 页 2 CN 115359881 A 2代次数为15 00,batch_size为 4； S32： 训练鼻咽癌肿瘤勾画网络： 计算判别网络、 分割网络、 生成网络的损失函数值并采 用反向传播法更新网络中的参数， 迭代15 00次后， 得到训练好的分割网络； S33： 将验证集输入到训练好的分割网络模型中， 测试分割网络模型的稳定性。权　利　要　求　书 2/2 页 3 CN 115359881 A 3