(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 202211352635.9 (22)申请日 2022.11.01 (71)申请人 北京大学第三医院 （北京大 学第三 临床医学院） 地址 100191 北京市海淀区花园北路49号 申请人 北京联影智能影 像技术研究院 (72)发明人 曲昂　贺树萌　姜伟娟　江萍　 王俊杰　郭红燕　赵紫婷　 (74)专利代理 机构 北京天达知识产权代理事务 所有限公司 1 1386 专利代理师 刘丰艺 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/10(2017.01) G06N 3/08(2006.01) (54)发明名称 一种基于多模态CT图像的子宫内膜癌CTV自 动勾画方法 (57)摘要 一种基于多模态CT图像的子宫内膜癌CTV自 动勾画方法， 属于图形图像处理技术领域， 解决 了现有子宫内膜癌CTV勾画准确率低且效率低的 问题。 方法包括： 获取多模态CT图像和CTV掩膜图 像， 基于多模态CT图像和对应的CTV掩膜图像生 成训练样 本集； 基于图像的连通性对训练样本集 中的每个CTV掩膜图像进行分段得到每个CTV掩 膜图像的多个子掩膜图像； 构建模态感知相互学 习神经网络模型， 基于训练样本集中的多模态CT 图像、 多模态CT图像对应的CTV掩膜图像以及CTV 掩膜的子掩膜 图像训练模态感知互学习神经网 络模型得到子宫内膜癌CTV分割模型； 将待勾画 多模态CT图像输入子宫内膜癌CTV分割模型得到 待勾画多模态CT图像对应的CTV掩膜图像。 实现 了子宫内膜癌CTV的准确高效勾画。 权利要求书2页 说明书8页 附图2页 CN 115409837 A 2022.11.29 CN 115409837 A 1.一种基于多模态CT图像的子宫内膜癌CTV自动勾画方法， 其特征在于， 包括以下步 骤： 获取多模态CT图像和对应的CTV掩膜图像， 基于所述多模态CT图像和对应的CTV掩膜图 像生成训练样本集； 基于图像的连通性对训练样本集中的每个CTV掩膜图像进行分段， 得到每个CTV掩膜图 像的多个子掩膜图像； 构建模态感知相互学习神经网络模型， 基于所述训练样本集中的多模态CT图像、 多模 态CT图像对应的CTV掩膜图像以及每个CTV掩膜的多个子掩膜图像训练所述模态感知互学 习神经网络模型 得到子宫内膜癌CTV分割模型； 将待勾画多模态CT图像输入所述子宫内膜癌CTV分割模型得到待勾画多模态CT图像对 应的CTV掩膜图像。 2.根据权利要求1所述的基于多模态CT图像的子宫内膜癌CTV自动勾画方法， 其特征在 于， 基于图像的连通性对训练样本集中的每个CTV掩膜图像进行分段， 得到每个CTV掩膜图 像的多个子掩膜图像， 包括： 将每个CTV掩膜图像的第一个层面作为第一类， 计算该层面的连通性； 依次遍历该CTV 掩膜图像的每个层面， 计算当前层面的连通性， 若当前层面的连通性和前一层面的连通性 相同， 则当前层面与前一层面 为同一类型， 否则当前层面与前一层面 为不同类型； 根据该CTV掩膜图像中每 个层面的类型 得到该CTV掩膜图像的多个子掩膜图像。 3.根据权利要求1所述的基于多模态CT图像的子宫内膜癌CTV自动勾画方法， 其特征在 于， 根据CTV掩膜图像的子掩膜图像， 采用带距离惩罚的DICE损失函数计算模态感知相互学 习神经网络模型的训练损失， 所述损失函数的计算公式为： DICE=‑2(|GT*P*penal|)/(|GT|+|P|)， 其中， D ICE表示D ICE损失值， GT表示金标准掩膜 矩阵， P表示模态感知相互学习神经网络模型预测的掩膜矩阵， penal表示金标准掩膜矩阵 对应的距离惩罚矩阵， | ·|表示矩阵元 素求和， *表示矩阵对应元 素相乘。 4.根据权利要求3所述的基于多模态CT图像的子宫内膜癌CTV自动勾画方法， 其特征在 于， 通过以下步骤计算金 标准掩膜 矩阵对应的距离惩罚矩阵： 基于金标准掩膜矩阵的第m个子掩膜矩阵计算第m个子掩膜矩阵的掩膜内欧式距离矩 阵； 基于所述掩膜内欧式距离矩阵计算第m个子掩膜 矩阵的掩膜内惩罚项； 基于金标准掩膜矩阵的第m个子掩膜矩阵计算第m个子掩膜矩阵的掩膜外欧式距离矩 阵； 基于所述掩膜外欧式距离矩阵计算第m个子掩膜 矩阵的掩膜外惩罚项； 将掩膜内惩罚项和掩膜外惩罚项归一化并相加得到第m个子掩膜矩阵对应的距离惩罚 矩阵； 将每个子掩膜矩阵对应的距离惩罚矩阵拼接得到金标准掩膜矩阵对应的距离惩罚矩 阵。 5.根据权利要求4所述的基于多模态CT图像的子宫内膜癌CTV自动勾画方法， 其特征在 于， 所述第m个子掩膜矩阵的掩膜内欧式距离矩阵与金标准掩膜矩阵的第m个子掩膜矩阵的 维度相同； 所述第m个子掩膜 矩阵的掩膜内欧式距离矩阵的(i,j,k)位置的元 素值为： 若金标准掩膜矩阵的第m个子掩膜矩阵中(i,j,k)处于掩膜区域， 则计算(i,j,k)点到权　利　要　求　书 1/2 页 2 CN 115409837 A 2该子掩膜矩阵的掩膜边界的最短欧式距离作为第m个子掩膜矩阵的掩膜内欧式距离矩阵 (i,j,k)的元 素值； 否则， 第m个子掩膜 矩阵的掩膜内欧式距离矩阵的(i,j,k)的元 素值为0。 6.根据权利要求4所述的基于多模态CT图像的子宫内膜癌CTV自动勾画方法， 其特征在 于， 根据公式pos_edtm = (max(edt(GTm))‑edt(GTm))*GTm计算第m个子掩膜矩阵的掩膜内 惩罚项， 其中， edt(GTm)表示第m个子掩膜矩阵的掩膜内欧式距离矩阵， GTm表示第m个子掩膜 矩阵， max( ·)表示将矩阵的所有元素替换为矩阵中的最大元素值， *表示矩阵对应元素相 乘。 7.根据权利要求4所述的基于多模态CT图像的子宫内膜癌CTV自动勾画方法， 其特征在 于， 根据公式neg_edtm = (max(edt(1 ‑GTm))‑edt(1‑GTm))*(1‑GTm)计算第m个子掩膜矩阵 的掩膜外惩罚项， 其中， edt(1 ‑GTm)表示第m个子掩膜矩阵的掩膜外欧式距离矩阵， GTm表示 第m个子掩膜矩阵， max( ·)表示将矩阵的所有 元素替换为矩阵中的最大元素值， *表示矩阵 对应元素相乘。 8.根据权利要求4所述的基于多模态CT图像的子宫内膜癌CTV自动勾画方法， 其特征在 于， 所述第m个子掩膜矩阵的掩膜外欧式距离矩阵与金标准掩膜矩阵的第m个子掩膜矩阵的 维度相同； 所述掩膜外欧式距离矩阵的(i,j,k)位置的元 素值为： 若金标准掩膜矩阵的第m个子掩膜矩阵中(i,j,k)处于非掩膜区域， 则计算(i,j,k)点 到该子掩膜矩 阵的掩膜边界的最短欧式距离作为掩膜外欧式距离矩 阵的(i,j,k)的元素 值； 否则， 掩膜外欧式距离矩阵的(i,j,k)的元 素值为0。 9.根据权利要求1所述的基于多模态CT图像的子宫内膜癌CTV自动勾画方法， 其特征在 于， 所述模态感知相互学习神经网络模型包括： 单模态特征提取模块， 用于采用全卷积网络提取每个模态的CT图像的单模态特征图； 当通道数 大于阈值时， 将所述全卷积网络的卷积层替换为bot tleneck结构； 特征融合模块， 用于将单模态的特 征图融合 为融合特 征图； 模态感知模块， 用于基于单模态特征图和融合特征图采用注意力 机制计算每个单模态 特征图的注意力图， 将 每个单模态特征图与对应的注意力图相乘后再相加得到带注意力权 重的融合特 征图； 输出模块， 用于基于带注意力权 重的融合特 征图， 输出多模态CT图像对应的掩膜。 10.根据权利要求1所述的基于多模态CT图像的子宫内膜癌CTV自动勾画方法， 其特征 在于， 基于所述多模态CT图像和对应的CTV掩膜图像生成训练样本集， 包括： 采用线性插值法将多模态CT图像和对应的CTV掩膜图像重采样至标准体素； 对多模态CT图像的体素值进行归一 化； 对于每一个样本数据， 分别 对每个模态的CT图像进行图像分割得到单模态CT图像的身 体掩膜， 计算单模态CT图像的身体掩膜的最小外接长方体， 将单模态CT图像的身体掩膜的 最小外接长方体取并集得整体最小外接长方体， 分别在每个模态的CT图像中和CTV掩膜图 像中提取整体最小外 接长方体区域内的图像， 生成训练样本 。权　利　要　求　书 2/2 页 3 CN 115409837 A 3