(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 202210531364.7 (22)申请日 2022.05.16 (71)申请人 内蒙古大学 地址 010021 内蒙古自治区呼和浩特市赛 罕区大学西街23 5号 (72)发明人 黄威　孙锴　汪玮　田甜　宋利凯　 (74)专利代理 机构 焦作加贝专利代理事务所 (普通合伙) 41182 专利代理师 冯新志 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/11(2017.01) G06T 7/73(2017.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G16H 50/20(2018.01) (54)发明名称 一种基于深度学习的骨转移瘤辅助定位方 法 (57)摘要 本发明公开了一种基于深度学习的骨转移 瘤辅助定位方法， 包括以下步骤： 1、 输入胸腔部 位PET/CT融合 图像， 并进行图像增强预处理； 2、 提取胸椎部位获取胸椎信息， 划分出图片进行胸 椎分类， 判断具体第几肋骨； 3、 定位骨转移瘤位 置， 分割出病变区域； 4、 最终确定骨转移瘤的具 体位置。 本发明通过加入对CT扫描图像的处理能 更加准确定位骨转移瘤， 获取骨转移瘤的具体位 置， 如骨转移发生在第几节胸椎， 肋骨。 通过CT扫 描图片结合其成像上人体的解剖特点来划分图 片， 以此获取图像上胸椎的信息， 本方法更加准 确。 权利要求书1页 说明书5页 附图3页 CN 115249234 A 2022.10.28 CN 115249234 A 1.一种基于深度学习的骨转移瘤辅助定位方法， 其特 征在于， 包括以下步骤： (1)、 输入胸腔部位PET/ CT融合图像， 并进行图像增强预处 理； (2)、 提取胸椎部位获取胸椎信息， 划分出图片进行胸椎分类， 判断具体第几肋骨； (3)、 定位骨转移瘤位置， 分割出病变区域； (4)、 最终确定骨转移瘤的具体位置 。 2.根据权利要求1所述的一种基于深度 学习的骨转移瘤辅助定位方法， 其特征在于， 具 体包括以下步骤： (1)、 制作数据集： 将收集到胸腔部位PET/CT融合图像的数据集内的图像转换为JPG格 式的图像， 图像大小裁剪为512*512， 然后将数据集按照9： 1的比例分为训练集和验证集； 并 在输入网络模型训练前进行图像预处 理， 明暗度调整、 图像旋转 等数据增强处 理； (2)、 胸椎分类： 在对一组CT扫描图片进行训练并预测后， 根据CT扫描图像上胸椎所连 接肋骨进入下一节胸椎图像时 “脱离”的特点， 将一组CT扫描图片按十二节胸椎顺序分成十 二份， 对应人体的十二节胸椎； 根据胸部CT扫描图片上胸椎所连接的肋骨在进入下一节胸 椎图像时  “脱离”的特点， 将胸椎所连接肋 骨的状态将图像划分为 “脱离”，“未脱离”两种类 别； 人体有十二节胸椎对应十二对肋骨， 肋骨从 “未脱离”到“脱离”是上一节胸椎图像进入 下一节胸椎图像的表现； 据此将每位患者的胸椎部位CT扫描图像分为12份， 12份图片上胸 椎按顺序排序， 从而确定图片上胸椎对应人体第几节胸椎； (3)、 肋骨与骨转移瘤检测： 在确定图片上胸椎的具体位置后， 对每张图片上的肋骨进 行目标检测； 由于人体的解剖结构， 在CT扫描图片上肋骨 “等级”离胸椎由近及远依次升高； 根据步骤(2)定位图像上胸椎， 即可定位每张图片上肋骨； 同时， 对  PET/CT融合图像每个肋 骨处进行骨转移瘤检测； 最后结合两次检测结果即可 得到发生骨转移的肋骨等级。 3.根据权利要求2所述的一种基于深度 学习的骨转移瘤辅助定位方法， 其特征在于， 所 述的步骤(1)的图像处 理通过深度学习技 术或其他网络模型处 理。 4.根据权利要求2所述的一种基于深度 学习的骨转移瘤辅助定位方法， 其特征在于， 所 述的步骤 （2） 的分类通过CT扫描图像的成像特点与人体的解剖结构实现了计算机自动从一 组CT扫描图片上获取图像上胸椎 标签信息 。权　利　要　求　书 1/1 页 2 CN 115249234 A 2一种基于深度学习的骨 转移瘤辅助定位方 法 技术领域 [0001]本发明涉及的是医疗技术领域， 具体涉及 一种基于深度学习的骨转移瘤辅助定位 方法。 背景技术 [0002]骨转移瘤是恶性肿瘤最常见的形式， 骨转移瘤最常见的位置是胸椎和肋骨。 骨转 移瘤的诊断需要确定具体位置， 医生诊断骨转移瘤的具体位置主要以十二节胸椎及其连接 的肋骨为参照物， 因此准确定位发生骨转移的胸椎和肋骨至关重要。 根据CT扫描图像定位 发生骨转移的胸椎和肋骨， 从而明确骨转移瘤 的具体位置。 CT图像是层面图像， 如图1a所 示， CT扫描图像为人体的横截面， 是一系 列图像。 每一张图像都相当于把身体某一层切开看 到的图像， 如图1b。 为了显示整个器官， 需要多个连续的层面图像。 通过CT设备上图像的重 建程序的使用， 还可重建冠状位和矢状位的层面图像， 可以多角度查看 器官和病变的关系。 [0003]传统的肋骨计数方法主要是人工计数， 需要在用户观察医疗图像时通过肉眼追踪 肋骨， 以CT扫描图像为例进行说明， 可通过手动追踪多个切片进行从上而下或者从下往上 计数， 但由于CT扫描图像层数的增多， 一个病灶位置需要医生从开始层面到病灶层面翻阅 一次方可确定， 如果有多个病灶则需要反复多次， 该过程不仅慢， 且容易出错， 影响医生阅 片效率。 [0004]通常来讲， 这项工作是由影像科医生手工完成的， 但从上述流程可以看出这项工 作费时费力， 医生在确定一张图片上的骨转移瘤的具体位置时往往要从第一节胸椎的图片 开始数起。 现在， 随着人工智能技术的发展， 越来越多地应用于医疗中， 通过医学影像辅助 医生诊断病情， 降低医生主观错误。 所以， 发明提出了一种基于深度学习(人工智能的一个 分支， 主要用于图像， 语言处理)的骨转移瘤辅助定位方法。 通过对胸椎的分类和肋骨的检 测结合CT扫描图像的特性 从而明确CT扫描图像上胸椎和肋 骨对应人体的具体位置， 再使用 PET/CT融合图像(包含PET核显素图像与CT扫描图像两部分)检测发生的骨转移的胸椎和肋 骨， 即可得到骨转移的具体位置 。 [0005]中国申请号CN202011600454.4公开了基于深度学习的核素骨显像中骨转移瘤的 诊断方法， 该发明提供一种基于深度学习的核素骨显像中骨转移瘤的诊断方法。 模型分为 两部分， 一是病灶区域定位， 病灶区域定位确定骨转移瘤在脊椎、 骨盆、 肩胛骨、 肋骨、 股骨 及上述部位之外的其他区域的概率。 二是计算骨扫描肿瘤负荷值。 该方法只能显示发生骨 转移的大致区域， 如脊椎、 骨盆、 肩胛骨、 肋骨、 股骨。 不能显示具体区域， 如第几根肋骨。 在 诊断骨转移过程中 需要发生骨转移的具体位置 。 [0006]对二维CT扫描图像进行三维重建， 通过矢状面观察发生骨转移的胸椎和肋骨位 置， 如Pazokifard等人根据人体肋骨几何知识， 在柱坐标系中分段重建肋骨。 Lingyu  Fang 等人用神经网络和Marching  Cubes算法 自动分割CT图像中的脊柱再三维重建。 Jiancheng   Yang等人提出一种基于形态学的基线肋骨分割方法， 肋骨实例分割、 计数与定位的方法及 系统。 其缺点是： 在诊断时医疗影像信息系统上不一定有三维模块， 且矢状面图像质量较说　明　书 1/5 页 3 CN 115249234 A 3