(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 202210185078.X (22)申请日 2022.02.28 (71)申请人 刘韬 地址 239500 安徽省滁州市全椒 县儒林尚 苑 (72)发明人 刘韬　黄俊　 (51)Int.Cl. G06V 10/26(2022.01) G06V 10/774(2022.01) G06V 10/52(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06V 10/44(2022.01) G06V 10/42(2022.01) G06K 9/62(2022.01) G06T 7/00(2017.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种肺癌放疗危及器官肺和心脏的自动分 割方法 (57)摘要 本发明公开了一种肺癌放疗危及器官肺和 心脏的自动分割方法， 包括： 提出RALP ‑Net分割 算法， 构建肺和心脏的分割模型， 对患者胸腔CT 影像使用肺和心脏分割模型进行分割， 最后对分 割结果融合输出。 本发明提出的深度学习RALP ‑ Net分割算 法通过加入encoder编码和decoder解 码技术， 对CT影像的全局信息和局部信息进行融 合， 具有自动精准分割肺部CT影像中危及器官的 优点， 可以在肺癌放疗工作过程中， 辅助医生进 行危及器官肺和心脏的分割工作， 不仅提高了分 割的准确性， 而且提高了医生的工作效率， 解决 了目前肺癌放疗危及器官分割中过分依赖医生 主观经验， 且医生工作量大容易导致分割质量不 确定性的问题。 权利要求书3页 说明书9页 附图6页 CN 114549841 A 2022.05.27 CN 114549841 A 1.一种肺癌放疗危及器官肺和心脏的自动分割方法， 其特 征在于： 所述方法包括： 步骤一、 将肺器官CT影 像数据集和心脏器官CT影 像数据集输入数据预处 理模块； 步骤二、 数据 预处理模块对肺器官CT影像数据集和心脏器官CT影像数据集进行数据清 洗， 将清洗后的肺器官CT影像数据集分为训练集和验证集， 将清洗后的心脏器官CT影像数 据集分为训练集和验证集； 步骤三、 构建RALP ‑Net算法模块， 搭建CBR模块和Maxpool层， 对CT影像进行下采样， 搭 建Encoder  Group模块， 提取CT影像中的全局特征信息， 搭建RSPP模块， 融合CT影像中多尺 度特征信息， 搭建Decoder  Group模块， 所述Decoder  Group模块包括DDL解码模块和 decoder1模块， 所述DDL解码模块包括decoder解码模块、 DA M模块和ALC K模块， decoder解码 模块对CT影像的特征信息进行解码， DAM模块融合编码和解码阶段的特征信息， DAM模块输 出的特征信息与A LCK模块输出的特征信息进行点乘融合后输出， 搭建decoder1模块解码特 征信息， 搭建deConv反卷积层用于还原图像尺寸， 最后搭建激活函数Relu层和Conv卷积层 输出处理后的影 像； 步骤四、 使用肺器官训练集结合RALP ‑Net算法模块构建肺器官分割模型， 用于对患者 的肺器官进行自动分割工作， 使用心脏器官训练集结合 RALP‑Net算法模块构建心脏器官分 割模型， 用于对患者的心脏器官进行自动分割工作； 步骤五、 使用肺器官验证集和 心脏器官验证集分别验证步骤四训练得到的肺器官分割 模型和心脏器官分割模型， 保存最优肺器官分割模型和最优心脏器官分割模型； 步骤六、 若训练迭代次数未完成， 则继续调用心脏器官训练集和肺器官训练集训练心 脏器官分割模型和肺器官分割模型， 并验证、 保存最优模型， 当训练迭代 次数完成时， 进入 部署模型阶段； 步骤七、 将得到的最优心脏器官分割模型和最优肺器官分割模型分别部署在CPU服务 器上； 步骤八、 将患者胸腔CT影像输入影像预处理模块， 再将处理之后的胸腔CT影像分别输 入肺器官分割模型和心脏器官分割模型， 肺器官分割模型自动分割胸腔CT影像中的肺器 官， 得到肺器官分割结果， 心脏器官分割模型自动分割胸腔CT影像中的心脏器官， 得到心脏 器官分割结果， 将肺器官分割结果和心脏器官分割结果输入模型结果融合模块进 行融合输 出， 得到危及器官分割结果。 2.根据权利要求1所述的一种肺癌放疗危及器官肺和心脏的自动分割方法， 其特征在 于： 所述CB R模块包括Conv卷积层、 BN层和激活函数Relu层， 用于下采样提取CT影像的特征 信息， 所述BN层用于标准化模型训练参数， 所述MaxPool层用于保留CT影像中的强特征信 息； 所述Encoder  Group模块包括encoder1模块、 encoder2模块、 encoder3模块和encoder4 模块， 以上模块均由CBR模块和CB模块组成， CB模块包括Co nv卷积层和BN层； 所述Decoder  Group模块包括DDL4、 DDL3、 DDL2和decoder1模块， 所述DDL4、 DDL3、 DDL2 模块均由decoder模块、 DA M模块、 ALC K模块组成， 所述decoder模块由CBR模块、 deConv层、 BN 层和CB模块组成， Decoder  Group模块对CT影像的特征信息进行上采样， 恢复从Encoder   Group模块和 RSPP模块提取的全局语义特征图， 且Encoder  Group模块中的全局信息通过 skip connection与Decoder  Group模块中的特征信息进行融合， 弥补由于连续卷积和池化权　利　要　求　书 1/3 页 2 CN 114549841 A 2导致的信息 丢失； 所述deConv层利用反卷积上采样CT影像特征信息， 还原CT影像分辨率， 所述激活函数 Relu层用于增加模型的非线性泛化能力， 所述Conv卷积层用于提取CT影像特征信息， 确 定 特征信息输出的通道数。 3.根据权利要求2所述的一种肺癌放疗危及器官肺和心脏的自动分割方法， 其特征在 于： 所述RSPP模块采用残差金字塔池化结构， 分为并行Layer1、 Layer2、 Layer3和Layer4 四 层， 依靠多个有效感受野来检测不同尺寸的图像， Layer1、 Layer2、 Layer3、 Layer4层分别由 不同参数量的MaxPool层和Conv卷积层、 Upsample层组成， MaxPool层分别采用2 *2、 3*3、 5*5 和6*6的参数形式对上下文的信息进行编码， RSPP模块采用Conv卷积层压缩特征信息的通 道数， 采用Upsample双线性插值对低维度的特征图进行上采样， 获得和原始影像相同尺寸 的影像， 最后将不同尺度的特 征信息按通道维度拼接在一 起输出。 4.根据权利要求2所述的一种肺癌放疗危及器官肺和心脏的自动分割方法， 其特征在 于： 所述DDL模块中的decoder模块、 DAM模块和ALCK模块依次串行组合， DAM模块将Encoder   Group模块和decoder模块的信息相加融合， 然后分别在空间和通道维度上捕获上下文信 息， 将空间和通道维度上产生的特征信息和原输入的特征信息利用相加和相乘的操作融合 输出到ALCK模块中， 经过ALCK模块处理后输出的特征信息与DAM输出的特征信息利用skip   connection进行点乘融合后输出。 5.根据权利要求4所述的一种肺癌放疗危及器官肺和心脏的自动分割方法， 其特征在 于： 所述DAM是双注意力机制模块， 包括Channel  attention模块和Spatial  attention模 块， 所述Channel  attention模块首先将输入的特征信息在空间维度分别通过avgPool池化 和maxPool池化操作， 来压缩输入 特征图的空间信息， 然后将生 成的两组特征信息转发到一 组由多层感知器组成的Conv卷积层处理， 最后将两组特征信息相加融合输出， 从而产生通 道注意力映射， 公式如下： CA＝Conv[avgPo ol(input)]+Co nv[maxPo ol(input)] input是输入的CT影像特征信息， Conv表示将特征信息进行卷积层处理， avgPool表示 将特征信息进行平均池化层处 理， maxPo ol表示将特 征信息进行最大池化层处 理； 所述Spati al attention模块首先将输入的特征信息在通道 维度分别通过求均值和极 值的操作， 来压缩输入特征图的通道信息， 然后将生成的两组特征信息在通道维度进行拼 接融合， 最后经 过一个卷积层再将通道信息进行压缩， 生成空间注意力映射， 公式如下： SA＝Conv{concate[mean(i nput)， max(i nput)]} input是输入的CT影像特征信息， Conv表示将特征信息进行卷积层处理， concate表示 将特征信息在通道维度上进 行拼接处理， mean表示将 CT影像的特征信息在通道维度上进 行 求均值处 理， max表示将CT影 像的特征信息在通道维度上进行求 最大值处 理； 所述DAM模块将Channel  attention模块和Spatial  attention模块进行融合， 公式如 下： sum12＝sum(i nput1， input2) DAM＝sum[CA(