(19)中华 人民共和国 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 202111665573.2 (22)申请日 2021.12.3 0 (71)申请人 上海商学院 地址 201400 上海市徐汇区中山西路2 271 号 (72)发明人 司文　文虎儿　 (74)专利代理 机构 贵州派腾知识产权代理有限 公司 521 14 代理人 唐斌 (51)Int.Cl. G06T 3/40(2006.01) G06T 7/11(2017.01) G06T 17/00(2006.01) G06V 10/762(2022.01) G06V 10/74(2022.01)G06V 10/82(2022.01) G06K 9/62(2022.01) G16H 30/20(2018.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 MR引导的近距离放 射治疗施源器分割方法 (57)摘要 本发明公开了一种MR引导的近距离放射治 疗施源器分割方法， 包括以下步骤： S1.收集病 例， 从影像文件中读出MR影像数据， 从计划文件 中读取每个驻留点信息； S2.预处理数据， 缩放影 像， 分段插值计算每层MR影像上对应的驻留点坐 标位置作为影像的标签信息； S3.模型训练， 将S2 中得到的数据输入神经网络模型进行训练； S4. 特征点预测， 将新影像进行预处理后输入训练好 的模型， 预测特征点的坐标； S5.施源器重建， 对 特征点进行聚类， 根据类间的相对位置区分施源 器进行三维重建。 本发明充分理解临床数据， 采 用弱监督学习的方法， 对MR引导下的近距离放疗 施源器进行分割,使用网络训练出特征点预测网 络， 根据预测的特征点再进行聚类， 重建出最终 的施源器结果。 权利要求书1页 说明书3页 附图4页 CN 114298910 A 2022.04.08 CN 114298910 A 1.一种MR引导的近距离放 射治疗施源器分割方法， 其特 征在于包括以下步骤： S1.收集病例， 从影 像文件中读出MR影 像数据， 从计划文件中读取每 个驻留点信息； S2.预处理数据， 缩放影像， 分段插值计算每层MR影像上对应的驻 留点坐标位置作 为影 像的标签信息； S3.模型训练， 将S2中得到的数据输入神经网络模型进行训练； S4.特征点预测， 将新影 像进行预处理后输入训练好的模型， 预测特 征点的坐标； S5.施源器重建， 对特征点进行聚类， 根据类间的相对位置区分施源器的类， 对每一类 进行三维重建。 2.根据权利要求1所述MR引导的近距离放射治疗施源器分割方法， 其特征在于S2中： 将 数据集的影像， 缩放到同一个pixelsize； 然后裁剪到同样的分辨率； 将像素值， 都归一到0 ～1。 3.根据权利要求2所述MR引导的近距离放射治疗施源器分割方法， 其特征在于S2中： 对 含有标签的MR图像进行 数据增广， 将增广后的数据用于S3模型训练。 4.根据权利要求1所述MR引导的近距离放射治疗施源器分割方法， 其特征在于S3 中： 所 述神经网络模 型为与Unet网络相似的网络结构， 在Unet网络的基础上对编码 部分的池化层 采用上采样 操作， 用池化层替代解码部分的上采样 操作， 以交叉熵作为 loss函数。 5.根据权利要求1所述MR引导的近距离放射治疗施源器分割方法， 其特征在于S5 中： 采 用KNN算法， 对所有特征点按照欧氏距离进行聚类， 根据类间的相对位置， 区分出施源器的 左管， 右管和中间的宫腔管， 根据聚类后的结果， 对每一类进行三维重建。 6.根据权利要求5所述MR引导的近距离放射治疗施源器分割方法， 其特征在于S5中重 建步骤包括： 1)选择体外的一层特 征点作为初始的分类； 2)循环每一层， 逐个对特 征点进行判断； a)计算当前层每个特征点与 各个分类之间的距离， 定义点到分类的距离为该点到该分 类里面所有点里面的最小距离则为该点到该分类的距离； 点到点的距离采用欧氏距离 进行计算； b)根据特 征点到每 个分类的距离， 判断当前层每 个点属于哪一个分类； 3)完成所有特 征点的分类； 4)根据分类点集的相对空间位置关系， 进行施源管的区分， 区分左管、 右管和中间的宫 腔管。权　利　要　求　书 1/1 页 2 CN 114298910 A 2MR引导的近距离放射治疗施源器分割方 法 技术领域 [0001]本发明涉及一种利用机器自我学习算法进行放 射治疗图像处 理的方法。 背景技术 [0002]近距离放射治疗肿瘤已有一百多年的历史。 近距离治疗在肿瘤 放疗中具有举足轻 重的地位， 特别是在宫颈癌、 乳腺癌和前列腺癌中有着广泛应用， 并取 得了很好的疗效。 [0003]在整个近距离放疗的流程中， 施源器的分割是至关重要的一环， 其识别的速度和 精度， 直接影响了整个 计划的精确性。 [0004]一般情况下， 施源器 的分割， 是由医生手工进行， 通过调整患者的影像， 人工识别 影像上的特 征， 在软件上 标注出施源器的端点， 并由此进行驻留点的计算。 [0005]随着人工智能及机器人技术的深入研究及应用， 近距离放射治疗系统也在逐步进 入智能模式， 越来越多的研究开始将人工智能运用到基于CT引导的施源器的分割 上面。 但 是这些方法， 都是基于全监督学习的方法， 需要医生将施源器， 以轮廓勾画的方式， 逐层标 注出来， 然后再让网络去进行训练， 需要耗费医生大量的精力。 另外， 对于MR引导的近距离 放疗来说， 不同于CT影像， MR影像上， 需要对每个施源器传输通道 内放置MRI专用的成像标 记线(MR Line Markers Set)， 该标记线的直径往往不到2mm， 在一般影像上， 就是2～4个像 素宽度， 很难以勾画的形式进 行标注。 因此， 现在临床上， 对于MR引导的施源器 分割， 还是采 用的人工的方式。 发明内容 [0006]本发明所要解决的技 术问题是： MR引导的近距离放疗中施源器的自动勾画问题。 [0007]本发明的技 术方案为： [0008]一种MR引导的近距离放 射治疗施源器分割方法， 包括以下步骤： [0009]S1.收集病例， 从影像文件中读出MR影像数据， 从计划文件中读取每个驻留点信 息； [0010]S2.预处理数据， 缩放影像， 分段插值计算每层M R影像上对应的驻留点坐标位置作 为影像的标签信息； [0011]S3.模型训练， 将S2中得到的数据输入神经网络模型进行训练； [0012]S4.特征点预测， 将新影 像进行预处理后输入训练好的模型， 预测特 征点的坐标； [0013]S5.施源器重建， 对特征点进行聚类， 根据类间的相对位置区分施源器 的类， 对每 一类进行三维重建。 [0014]S2中： 将数据集的影像， 缩放到到同一个pixelsize； 然后裁剪到同样的分辨率； 将 像素值， 都归一到 0～1。 [0015]S2中： 对含有标签的MR图像进行 数据增广， 将增广后的数据用于S3模型训练。 [0016]S3中： 所述神经 网络模型为Unet网络结构， 对编码部分的池化层采用上采样操作， 用池化层替代解码部分的上采样 操作， 以交叉熵作为 loss函数。说　明　书 1/3 页 3 CN 114298910 A 3