(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 20221021212 9.3 (22)申请日 2022.03.04 (71)申请人 中国科学院近代 物理研究所 地址 730000 甘肃省兰州市南昌路5 09号 (72)发明人 马圆圆　戴中颖　刘新国　张晖　 李强　 (74)专利代理 机构 北京纪凯知识产权代理有限 公司 11245 专利代理师 孙楠 (51)Int.Cl. G06T 7/11(2017.01) G06T 7/136(2017.01) G06T 7/187(2017.01) G06T 7/00(2017.01) G06V 10/26(2022.01)G06V 10/28(2022.01) G06V 10/44(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 10/30(2022.01) G06T 5/00(2006.01) (54)发明名称 一种多相位 4D CT图像分割方法及系统 (57)摘要 本发明涉及一种多相位4D  CT图像分割方法 及系统， 其包括： 获取患者的4D  CT图像数据， 构 建时序信息提取模块， 搭建神经网络模型； 将患 者的4D CT图像数据划分为训练集和测试集， 将 获取的数据标注， 并进行数据预处理及数据增强 后输入所述神经网络模型， 进行神经网络训练； 将训练好的神经网络模型对测试集中的每个4D   CT图像进行预测， 输 出概率图， 得到分割结果。 本 发明既能提取不同呼吸时相之间的时序特征， 又 提取了每个呼吸时相的高级语义特征。 本发明可 以广泛在医学图像分割技 术领域中应用。 权利要求书2页 说明书7页 附图4页 CN 114581463 A 2022.06.03 CN 114581463 A 1.一种多相位 4D CT图像分割方法， 其特 征在于， 包括： 获取患者的4D  CT图像数据， 构建时序信息提取模块， 搭建神经网络模型； 将患者的4D  CT图像数据划分为训练集和测试集， 将获取的数据 标注， 并进行数据预处 理及数据增强后输入所述神经网络模型， 进行神经网络训练； 将训练好的神经网络模型对测试集中的每个4D  CT图像进行预测， 输出概率图， 得到分 割结果。 2.如权利要求1所述多相位4D  CT图像分割方法， 其特征在于， 还包括对所述分割结果 处理， 包括： 对所述神经网络模型输出的所述概率图进行阈值化和开运算处理后， 进行连通 区域分 析， 降低假阳性 率。 3.如权利要求1所述多相位4D  CT图像分割方法， 其特征在于， 所述构建时序信息提取 模块， 包括： 基于卷积GRU模块 提取4D CT图像数据中不同 呼吸时相之间的时间特 征； 所述卷积GRU模块的输出 结果包含了相邻时刻的输入图像数据之间的时间依赖关系。 4.如权利 要求1所述多相位4D  CT图像分割方法， 其特征在于， 所述搭建神经网络模型， 包括： 采用3D UNet神经网络提取4D  CT图像数据中不同 呼吸时相图像的空间特 征； 将所述时序信息提取模块 融合到所述3D  UNet神经网络中， 使用卷积GRU模块提取不同 输入之间的时间相关性， 使用所述3D  UNet神经网络提取每 个输入的空间相关性； 根据卷积GRU模块在 所述3D UNet神经网络中位置的不同， 分别形成中期融合网络和晚 期融合网络； 在所述3D  UNet神经网络的编码器和解码器中间添加卷积GRU模块形成所述中期融合 网络， 在所述 解码器后面添加卷积GRU模块则形成所述晚期融合网络 。 5.如权利要求 4所述多相位 4D CT图像分割方法， 其特 征在于， 所述中期融合网络包括： 提取每个呼吸时相的空间特征， 将每个呼吸时相提取的高级空间特征输入到卷积GRU 模块， 以提取不同呼吸时相的高级空间特征之 间的时间依赖信息， 然后送入到解码 器， 最后 对每个体素进行分类， 输出概 率图， 概率图上每 个体素的值代 表该体素属于VOI的概 率。 6.如权利要求 4所述多相位 4D CT图像分割方法， 其特 征在于， 所述晚期融合网络包括： 将每个呼吸时相的4D  CT数据输入所述3D  UNet神经网络， 提取特征并进行分类， 得到 每个体素在不同呼吸时相属于VOI的概率， 然后将不同呼吸时相分类得到的概率图输入到 卷积GRU模块， 通过提取每个体素在不同呼吸时相上的位置之间的变化关系， 优化得到最 终 概率图， 概率图上每 个体素的值代 表该体素属于VOI的概 率。 7.如权利要求1所述多相位 4D CT图像分割方法， 其特 征在于， 所述神经网络训练包括： 所述神经网络 输入的是患者所有时相的4D  CT数据， 输出 是标注的VOI数据； 通过计算神经网络预测的标注数据和医生手动标注的数据之间的差异， 对神经网络中 的参数进行调整； 采用简单交叉验证， 将获取的患者数据分成训练集和验证集， 使用训练集对网络进行 训练， 验证集验证网络的性能。 8.一种多相位 4D CT图像分割 系统， 其特 征在于， 包括：权　利　要　求　书 1/2 页 2 CN 114581463 A 2模型构建模块， 获取患者的4D  CT图像数据， 构建时序信息提取模块， 搭建神经网络模 型； 训练模块， 将患者的4D  CT图像数据划分为训练集和测试集， 将获取的数据标注， 并进 行数据预处 理及数据增强后输入所述神经网络模型， 进行神经网络训练； 分割模块， 将训练好的神经网络模型对测试集中的每个4D  CT图像进行预测， 输出概率 图， 得到分割结果。 9.一种存储一个或多个程序的计算机可读存储介质， 其特征在于， 所述一个或多个程 序包括指令， 所述指令当由计算设备执行时， 使得所述计算设备执行如权利要求1至7所述 方法中的任一方法。 10.一种计算设备， 其特征在于， 包括： 一个或多个处理器、 存储器及一个或多个程序， 其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行， 所述一 个或多个程序包括用于执 行如权利要求1至7 所述方法中的任一方法的指令 。权　利　要　求　书 2/2 页 3 CN 114581463 A 3