CN112767315A - 靶区勾画质量的确定方法、展示方法及电子设备 - Google Patents
靶区勾画质量的确定方法、展示方法及电子设备 Download PDFInfo
- Publication number
- CN112767315A CN112767315A CN202011635011.9A CN202011635011A CN112767315A CN 112767315 A CN112767315 A CN 112767315A CN 202011635011 A CN202011635011 A CN 202011635011A CN 112767315 A CN112767315 A CN 112767315A
- Authority
- CN
- China
- Prior art keywords
- delineation
- target
- quality
- target area
- determining
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 84
- 238000012876 topography Methods 0.000 claims description 45
- 238000012986 modification Methods 0.000 claims description 36
- 230000004048 modification Effects 0.000 claims description 36
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims description 19
- 230000009545 invasion Effects 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 14
- 230000000694 effects Effects 0.000 abstract description 13
- 230000008569 process Effects 0.000 description 14
- 206010028980 Neoplasm Diseases 0.000 description 10
- 210000000664 rectum Anatomy 0.000 description 9
- 238000001959 radiotherapy Methods 0.000 description 8
- 210000000056 organ Anatomy 0.000 description 7
- 238000003709 image segmentation Methods 0.000 description 5
- 230000000877 morphologic effect Effects 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 210000001519 tissue Anatomy 0.000 description 4
- 230000000670 limiting effect Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 208000015634 Rectal Neoplasms Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 210000003109 clavicle Anatomy 0.000 description 2
- 230000001010 compromised effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 210000003205 muscle Anatomy 0.000 description 2
- 210000000920 organ at risk Anatomy 0.000 description 2
- 210000000062 pectoralis major Anatomy 0.000 description 2
- 208000013718 rectal benign neoplasm Diseases 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000001394 metastastic effect Effects 0.000 description 1
- 206010061289 metastatic neoplasm Diseases 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明实施例公开了一种靶区勾画质量的确定方法、展示方法及电子设备。该确定方法可包括：获取医学图像中已勾画靶区的靶区勾画和质量确定对象，其中，质量确定对象包括危及部位和/或已勾画靶区的先验形貌；确定靶区勾画的勾画信息和质量确定对象的对象信息，对象信息包括危及部位的危及图像和/或先验形貌的先验形貌特征；根据勾画信息和对象信息确定靶区勾画和质量确定对象间的惩罚关系，根据该惩罚关系确定靶区勾画的靶区勾画质量。本发明实施例的技术方案，可以对用户手动确定靶区勾画质量进行客观化表示，由此实现了自动确定且确定出与用户手动确定的靶区勾画质量一致的靶区勾画质量的效果，具有较好的临床应用价值。
Description
技术领域
本发明实施例涉及图像处理领域，尤其涉及一种靶区勾画质量的确定方法、展示方法及电子设备。
背景技术
癌症放疗靶区(后文可简称为靶区)的靶区勾画是放疗流程中的重要一环，其准确性将直接影响后续放疗计划的执行效果，因此，靶区勾画质量的确定在放疗流程中必不可少。
目前靶区勾画质量的确定主要依靠医生人工完成，其十分依赖医生的临床经验和主观判断。需要说明的是，虽然靶区勾画有统一的勾画共识，但是不同医生对共识有不同的理解，这会造成不同医生甚至同一位医生在不同时间内对同一靶区勾画可能会给出不同的质量评价，即一致性和重复性较差。除此外，上述方案需要医生手工完成，这会消耗大量的人力资源，无法处理大规模数据。
发明内容
本发明实施例提供一种靶区勾画质量的确定方法、展示方法及电子设备，以实现自动确定靶区勾画质量的效果。
第一方面，本发明实施例提供了一种靶区勾画质量的确定方法，可以包括：
获取医学图像中已勾画靶区的靶区勾画和质量确定对象，其中，质量确定对象包括危及部位和/或已勾画靶区的先验形貌；
确定靶区勾画的勾画信息和质量确定对象的对象信息，对象信息包括危及部位的危及图像和/或先验形貌的先验形貌特征；
根据勾画信息和对象信息确定靶区勾画和质量确定对象间的惩罚关系，根据惩罚关系确定靶区勾画的靶区勾画质量。
第二方面，本发明实施例还提供了一种靶区勾画质量的展示方法，可包括：
接收医学图像和医学图像中已勾画靶区的靶区勾画；
输出经过处理后的医学图像，并在经过处理后的医学图像上展示与靶区勾画的靶区勾画质量有关的质量信息，其中质量信息包括靶区勾画质量的得分、靶区勾画中的待修改子勾画和待修改子勾画的修改原因中的至少一个；
其中，质量信息是根据靶区勾画和医学图像中的质量确定对象间的惩罚关系确定的，惩罚关系是根据靶区勾画的勾画信息和质量确定对象的对象信息确定的，质量确定对象包括危及部位和/或已勾画靶区的先验形貌，且对象信息包括危及部位的危及图像和/或先验形貌的先验形貌特征。
第三方面，本发明实施例还提供了一种电子设备，可包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现本发明任意实施例所提供的靶区勾画质量的确定方法或者靶区勾画质量的展示方法。
本发明实施例的技术方案，通过获取到的医学图像中已勾画靶区的靶区勾画和质量确定对象，可以确定靶区勾画的勾画信息和质量确定对象的对象信息，由于质量确定对象是为了模拟用户如何手动确定靶区勾画质量而设置的对象，比如危及部位和/或已勾画靶区的先验形貌，因此根据勾画信息和对象信息确定的靶区勾画和质量确定对象间的惩罚关系可以表示出靶区勾画是否侵犯到了不应该侵犯的危及部位和/或是否存在与先验形貌不相符合的部分，那么根据惩罚关系可以自动确定出与用户手动确定的靶区勾画的靶区勾画质量相一致的靶区勾画质量，具有较好的临床应用价值。上述技术方案，从用户如何手动确定靶区勾画质量的角度出发设置了质量确定对象，后续在基于靶区勾画和质量确定对象之间的惩罚关系确定靶区勾画质量时，可以对用户手动确定靶区勾画质量进行客观化表示，由此实现了自动确定并且确定出与用户手动确定的靶区勾画质量相一致的靶区勾画质量的效果。
附图说明
图1是本发明实施例一中的一种靶区勾画质量的确定方法的流程图；
图2是本发明实施例二中的一种靶区勾画质量的确定方法的流程图；
图3是本发明实施例三中的一种靶区勾画质量的确定方法的流程图；
图4是本发明实施例四中的一种靶区勾画质量的确定方法的流程图；
图5是本发明实施例四中一种靶区勾画质量的确定方法中可选示例流程图；
图6是本发明实施例五中的一种靶区勾画质量的展示方法的流程图；
图7是本发明实施例八中的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
在介绍本发明实施例之前，先对本发明实施例的应用场景进行示例性说明：为了解决由医生手动确定靶区勾画质量带来的一致性和重复性较差、以及人力资源消耗较大的问题，有研究学者提出了一种靶区勾画质量的自动确定方案。具体的，将靶区勾画与“金标准”(即金标准勾画)进行对比，并基于预先设置的质量确定指标将对比结果进行量化，并将量化结果作为靶区勾画质量。上述质量确定指标可以是交并比(Intersection overUnion，IOU)、准确率、精确率、召回率、Dice系数、Hausdorff距离等等，其具有计算速度快、重复性高、一致性强且人力资源消耗较少的优点。
但是，这种自动确定方案依赖于“金标准”的准确性，容易受到标签噪声的影响，且难以体现出医生在手动确定靶区勾画质量过程中考虑的各种因素。示例性的，靶区勾画是多层勾画结果，若每一层都比“金标准”多点或是少点，那么自动确定出的靶区勾画质量还是不错的，但是这对于医生而言是很差的。再示例性的，某像素点通常是有或无，一旦靶区勾画少勾画了1层，即使其余层勾画的很好，由此确定出的靶区勾画质量依然非常差，但是这对与医生而言还是不错的。另外，这种自动确定方案是从像素级的角度确定靶区勾画质量，其无法如同医生手动确定靶区勾画质量那样直观给出靶区勾画好在哪里、坏在哪里等等的具体情况，亦无法给出可行的修改方案。
在此基础上，本发明各个实施例在充分考虑到靶区可以包括肿瘤原发灶、转移灶及其亚临床灶和肿瘤可能侵犯的部位，其最大的特点是位置大小不固定且在医学图像中无明确边界的基础上，认为若将医生在手动确定靶区勾画质量过程中考虑的各种因素融合到自动确定过程中，可以得到与医生手动确定出的靶区勾画质量相一致的自动确定结果，即对医生手动确定过程进行客观化表示。据此，提出了下述靶区勾画质量的确定方法，具体实现过程如下所述。
实施例一
图1是本发明实施例一中提供的一种靶区勾画质量的确定方法的流程图。本实施例可适用于自动确定靶区勾画质量的情况，尤其适用于从用户如何手动确定靶区勾画质量的角度出发自动确定靶区勾画质量的情况。该方法可以由本发明实施例提供的靶区勾画质量的确定装置来执行，该装置可以由软件和/或硬件的方式实现，该装置可以集成在电子设备上。
参见图1，本发明实施例的方法具体包括如下步骤：
S110、获取医学图像中已勾画靶区的靶区勾画和质量确定对象，其中质量确定对象包括危及部位和/或已勾画靶区的先验形貌。
其中，已勾画靶区可以是医学图像中某肿瘤所在的靶区，靶区勾画可以是该已勾画靶区的勾画结果，其可以是由用户对已勾画靶区进行手动勾画得到的勾画结果，也可以是将医学图像输入至靶区勾画模型后得到的勾画结果，靶区勾画模型可以是神经网络模型或者是数学模型。在此基础上，一种可选的靶区勾画确定方案，确定医学图像中各部位的分割图像，根据各分割图像和已勾画靶区的先验勾画知识确定靶区勾画，其中该先验勾画知识可以包括靶区勾画和各部位间的勾画位置关系。具体的，勾画位置关系可以表示出靶区的各个边界需要到达什么部位的什么位置，比如靶区的上边界需要到达锁骨的下侧、靶区不能侵犯胸大肌等等，那么这就需要先确定锁骨和胸大肌分别在医学图像中的什么位置，再根据具体位置确定靶区勾画。因此，可以先确定医学图像中各个部位的分割图像，该部位可以是器官、组织等等，该分割图像可以是将各部位从医学图像上分割出来之后得到的图像，再根据各分割图像确定各部位在医学图像上的部位位置，然后结合先验勾画知识得到已勾画靶区的靶区勾画。在此基础上，每个部位的分割图像可以分别基于不同的图像分割模型得到，也可以基于同一图像分割模型得到，此时不同部位在该图像分割模型中可以基于不同的标签进行表示，在此未做具体限定。
质量确定对象可以是与确定靶区勾画质量有关的对象，比如危及部位、已勾画靶区的先验形貌等等，该靶区勾画质量即为靶区勾画的质量。其中，危及部位可以是各部位中不能被靶区勾画侵犯到的部位，或是说受辐射影响的待受保护的部位，比如危及组织、危及器官等；先验形貌可以是已勾画靶区的应该具有的形状样貌，如三角形、蝴蝶形、椭圆形等等。
S120、确定靶区勾画的勾画信息和质量确定对象的对象信息，其中，对象信息包括危及部位的危及图像和/或先验形貌的先验形貌特征。
其中，勾画信息是与靶区勾画有关的信息，示例性的，其可以是靶区勾画在医学图像上的勾画位置、靶区勾画的勾画形貌的勾画形貌特征等等，该勾画形貌可以是靶区勾画的实际具有的形状样貌，勾画形貌特征可以是对勾画形貌进行特征提取后得到的特征。对象信息可以是质量确定对象的信息，示例性的，当质量确定对象是危及部位时，对象信息可以是危及部位的危及图像，该危及图像可以是危及部位在医学图像上的分割图像，即该危及图像可以表示出危及部位在医学图像上的定位信息和/或危及部位的描述信息；再示例性的，当质量确定对象是先验形貌时，对象信息可以是该先验形貌的先验形貌特征，该先验形貌特征可以是对先验形貌进行特征提取后得到的特征，可选的，其可以通过数字(如0 1)进行表示。上述对象信息可以通过将医学图像输入至相应的神经网络模型中得到，当然也可以采用其余方式得到，在此未做具体限定。
S130、根据勾画信息和对象信息确定靶区勾画和质量确定对象之间的惩罚关系，根据惩罚关系确定靶区勾画的靶区勾画质量。
其中，惩罚关系可以是靶区勾画和质量确定对象间的相对关系，在不同的应用场景中，该惩罚关系可以具有不同的含义。示例性的，当质量确定对象是危及部位时，惩罚关系可以是靶区勾画是否侵犯到不应侵犯的危及部位，具体来说可以是未侵犯到危及部位、侵犯到了危及部位、侵犯到了危及部位且侵犯程度和/或侵犯位置是什么等等；再示例性的，当质量确定对象是先验形貌时，惩罚关系可以是靶区勾画的勾画形貌是否与先验形貌相符合，具体来说可以是完全符合、部分未符合、部分未符合且未符合程度和/或未符合位置是什么等等，即其可以表示出靶区勾画中是否包括与先验形貌不相符合的靶区子勾画等等。上述惩罚关系可以通过多种方式确定，比如将勾画信息和对象信息输入至预先训练完成的神经网络模型中或是预先设置的数学模型中；再比如将勾画信息和对象信息进行对比，示例性，将勾画位置和危及图像在医学图像中的危及位置进行对比、将勾画形貌特征和先验形貌特征进行对比等等；当然，还可以采用其余方式确定惩罚关系，在此未做具体限定。
进一步，由于惩罚关系可以表示出靶区勾画中是否存在会对靶区勾画质量产生负面影响的信息，因此根据惩罚关系可以确定出靶区勾画的靶区勾画质量。示例性的，继续以上述例子为例，如果根据位置关系确定靶区勾画侵犯到了不应该侵犯的危及部位，那么靶区勾画质量比较低；如果根据惩罚关系确定靶区勾画中存在与先验形貌不相符合的靶区子勾画，则靶区勾画质量比较低；等等，在此未做具体限定。当然，还可以将其中的至少两种情况结合起来共同以确定靶区勾画质量，其是从不同角度出发共同确定靶区勾画质量，由此提高了靶区勾画质量的确定准确度。
在此基础上，可选的，在根据惩罚关系确定靶区勾画质量外，还可以确定靶区勾画中的待修改子勾画和待修改子勾画的修改原因，进而将待修改子勾画和修改原因进行展示。其中，待修改子勾画可以是靶区勾画中未符合相关勾画要求的部分，修改原因是待修改子勾画未符合相关勾画要求的原因。示例性的，继续以上述例子为例，若根据惩罚关系确定出靶区勾画中的部分侵犯到了危及部位，那么可以将这一部分作为待修改子勾画，并且修改原因可以是侵犯到了危及部位；再示例性的，如果根据惩罚关系确定出靶区勾画中存在与先验形貌不相符合的部分，那么可以将这部分作为待修改子勾画，并且修改原因可以是与先验形貌不相符合。进一步的，由于待修改子勾画和修改原因均是用户能够直接理解的内容，因此可以将待修改子勾画和修改原因进行展示，这使得用户根据展示结果可以直观地知道靶区勾画中是否存在问题、存在什么问题、问题出现在哪部分等等，还可以直观地知道可行的修改方案，由此提高了靶区勾画质量确定的实际应用价值。上述用户可以是医生等等与靶区勾画有关的人员。
本发明实施例的技术方案，通过获取到的医学图像中已勾画靶区的靶区勾画和质量确定对象，可以确定靶区勾画的勾画信息和质量确定对象的对象信息，由于质量确定对象是为了模拟用户如何手动确定靶区勾画质量而设置的对象，比如危及部位和/或已勾画靶区的先验形貌，因此根据勾画信息和对象信息确定的靶区勾画和质量确定对象间的惩罚关系可以表示出靶区勾画是否侵犯到了不应该侵犯的危及部位和/或是否存在与先验形貌不相符合的部分，那么根据惩罚关系可以自动确定出与用户手动确定的靶区勾画的靶区勾画质量相一致的靶区勾画质量，具有较好的临床应用价值。上述技术方案，从用户如何手动确定靶区勾画质量的角度出发设置了质量确定对象，后续在基于靶区勾画和质量确定对象之间的惩罚关系确定靶区勾画质量时，可以对用户手动确定靶区勾画质量进行客观化表示，由此实现了自动确定并且确定出与用户手动确定的靶区勾画质量相一致的靶区勾画质量的效果。
在实际应用，可选的，为了实现靶区勾画质量的数字化，可以先获取预先设置的质量确定指标，再根据惩罚关系计算质量确定指标的指标得分，并将该指标得分作为靶区勾画的靶区勾画质量。其中，质量确定指标可以是用于确定靶区勾画质量的指标，比如IOU、准确率、精确率、召回率、Dice系数、Hausdorff距离等。根据惩罚关系计算质量确定指标的指标得分的具体实现过程可以与该质量确定指标的类型有关，示例性的，假设质量确定指标是IOU，那么可以根据惩罚关系确定靶区勾画和质量确定对象间的交集区域的交集面积和并集区域的并集面积，进而根据交集面积和并集面积确定IOU的数值；再示例性的，假设质量确定指标是Dice系数，那么可以根据惩罚关系确定与靶区勾画对应的字符串以及与质量确定对象对应的字符串间的相似度，并将该相似度作为Dice系数的数值；等，在此未做具体限定。指标得分的具体表现形式可以与质量确定指标的类型有关，也可以采用预先设置的方式，示例性的，假设质量确定指标的计算结果是数值，但是预先已将各数值和“优”“良”“中”“差”进行映射，那么可以通过“优”“良”“中”“差”表示指标得分。
实施例二
图2是本发明实施例二中提供的一种靶区勾画质量的确定方法的流程图。本实施例以上述各技术方案为基础进行优化。在本实施例中，可选的，质量确定对象包括危及部位且对象信息包括危及图像，勾画信息包括靶区勾画在医学图像中的勾画位置；相应的，根据勾画信息和对象信息确定靶区勾画和质量确定对象间的惩罚关系，根据惩罚关系确定靶区勾画的靶区勾画质量，包括：根据勾画位置、及危及图像在医学图像中的危及位置，确定靶区勾画和危及部位间的惩罚关系；根据惩罚关系判断靶区勾画是否侵犯到危及部位，若是，则根据侵犯程度确定靶区勾画的靶区勾画质量。其中，与上述各实施例相同或相应的术语的解释在此不再赘述。
参见图2，本实施例的方法具体可以包括如下步骤：
S210、获取医学图像中已勾画靶区的靶区勾画和医学图像中的危及部位。
S220、确定靶区勾画在医学图像中的勾画位置和危及部位的危及图像。
S230、根据勾画位置、以及危及图像在医学图像中的危及位置，确定靶区勾画和危及部位间的惩罚关系。
其中，勾画位置可以是靶区勾画在医学图像上的位置，其可以表示出医学图像上的哪些位置上存在靶区勾画；而危及位置可以是危及图像在医学图像的位置，其可以表示医学图像上的哪些位置存在危及部位。以医学图像中的位置为中间媒介，根据危及位置和勾画位置来确定惩罚关系的实现方式有多种，如根据危及位置和勾画位置间是否存在相重合的位置可以确定惩罚关系是侵犯到还是未侵犯到危及部位；进一步，根据相重合的位置的多少可以确定侵犯程度，即可以将侵犯到危及部位且侵犯程度是多少作为惩罚关系；等等。
S240、根据惩罚关系判断靶区勾画是否侵犯到危及部位，若是，则根据侵犯程度确定靶区勾画的靶区勾画质量。
其中，由于原则上靶区勾画不应该侵犯到危及部位，因此在根据惩罚关系确定靶区勾画侵犯到了危及部位时，还可以进一步确定靶区勾画针对危及部位的侵犯程度，该侵犯程度可以通过多种形式表示，比如面积、距离、面积比值、距离比值等等，在此未做具体限定。进而根据该侵犯程度可以确定靶区勾画的靶区勾画质量，如侵犯程度较高时，靶区勾画质量非常差，此时可以给出警示、修改建议等等信息，如靶区勾画侵犯至膀胱内界5mm；再比如侵犯程度较低时，靶区勾画质量还可以；等等。当然，如果靶区勾画未侵犯到危及部位，那么从这个角度考虑认为靶区勾画中未存在严重的问题。实际应用中，可选的，靶区勾画质量可以通过得分进行表示，该得分可以是分数、合格不合格、优良中差、A+A-等方式中的至少一种，那么在确定侵犯程度后，可以根据侵犯程度和预先设置的程度得分映射关系确定靶区勾画质量的得分。
本发明实施例的技术方案，当质量确定对象包括危及部位、对象信息包括危及图像且勾画信息包括靶区勾画在医学图像上的勾画位置时，可以根据危及图像在医学图像上的危及位置和勾画位置判断靶区勾画是否侵犯到了危及部位，若是则可以根据靶区勾画相对于危及部位的侵犯程度确定靶区勾画的靶区勾画质量，由此达到了从用户手动确定靶区勾画质量过程中经常涉及到的靶区勾画相对于危及部位的侵犯程度的角度出发，自动确定且确定出与用户手动确定的靶区勾画质量相一致的靶区勾画质量的效果。
实施例三
图3是本发明实施例三中提供的一种靶区勾画质量的确定方法的流程图。本实施例以上述各技术方案为基础进行优化。在本实施例中，可选的，质量确定对象包括先验形貌且对象信息包括先验形貌特征，勾画信息包括靶区勾画的勾画形貌的勾画形貌特征；相应的，根据勾画信息和对象信息确定靶区勾画和质量确定对象间的惩罚关系，根据惩罚关系确定靶区勾画的靶区勾画质量，包括：根据勾画形貌特征和先验形貌特征确定勾画形貌和先验形貌间的惩罚关系；若根据惩罚关系确定在靶区勾画中存在与先验形貌未符合的靶区子勾画，则根据靶区子勾画和靶区勾画确定靶区勾画的靶区勾画质量。其中，与上述各实施例相同或相应的术语的解释在此不再赘述。
参见图3，本实施例的方法具体可以包括如下步骤：
S310、获取医学图像中已勾画靶区的靶区勾画和已勾画靶区的先验形貌。
其中，考虑到虽然不同肿瘤的位置和大小可能存在差异，但是其所在靶区因为受到周围部位的分布限制，很可能具有类似的先验形貌，并且其在空间上通常是三维连续的，其中先验形貌可以是已勾画靶区的应该具有的形状样貌。据此，在确定靶区勾画质量时，可以将相应的已勾画靶区的先验形貌作为一个确定因素，其也是用户手动确定靶区勾画质量过程中经常参考的因素之一。
S320、确定靶区勾画的勾画形貌的勾画形貌特征和先验形貌的先验形貌特征。
其中，勾画形貌是靶区勾画实际具有的形貌特征，且先验形貌是靶区勾画应该具有的形貌特征，换言之，当勾画形貌越是趋近于先验形貌时，靶区勾画的靶区勾画质量越高，即当勾画形貌和先验形貌不相符合时，靶区勾画中存在问题。在此基础上，需要说明的是，为了保证工程上的可实现性，可以对勾画形貌和先验形貌进行数字化表示，比如可以通过勾画形貌特征表示勾画形貌，并且通过先验形貌特征表示先验形貌。
在此基础上，勾画形貌特征可以通过多种方式得到，比如对勾画形貌进行特征提取后得到、将靶区勾画输入至预先训练完成的样貌特征生成模型中得到等等，在此未做具体限定。相应的，先验形貌特征也可以通过多种方式得到，示例性的，考虑到金标准勾画可以作为最准确的靶区勾画，那么可以将金标准勾画的在形状样貌上的特征作为先验形貌特征；再示例性，由于在空间上三维连续的先验形貌可以基于神经网络得到很好地拟合，那么可以将医学图像输入至已训练完成的形貌特征生成模型中，并根据该形貌特征生成模型的输出结果确定先验形貌特征，其中，形貌特征生成模型可以通过如下步骤预先训练完成：获取历史图像和该历史图像中历史靶区的标注形貌特征，并将历史图像输入至生成器中，根据生成器的输出结果得到历史靶区的历史形貌特征；将历史形貌特征和标注形貌特征输入至判别器中，根据判别器的输出结果调整生成器中的网络参数，得到形貌特征生成模型，即可以将网络参数调整之后的生成器作为形貌特征生成模型。
S330、根据勾画形貌特征和先验形貌特征，确定勾画形貌和先验形貌间的惩罚关系。
其中，将勾画形貌特征和先验形貌特征进行对比，根据对比结果可以确定勾画形貌和先验形貌间的惩罚关系。示例性的，如果勾画形貌特征和先验形貌特征完全一致，则相应的惩罚关系可以是勾画形貌和先验形貌完全相符；否则，惩罚关系可以是二者未完全相符合，进一步还可以确定勾画形貌中的哪部分未与先验形貌相符合。
S340、若根据惩罚关系确定在靶区勾画中存在与先验形貌未符合的靶区子勾画，则根据靶区子勾画和靶区勾画确定靶区勾画的靶区勾画质量。
其中，若根据惩罚关系得到勾画形貌中的某部分未与先验形貌重合，那么可以将该部分在靶区勾画中对应的部分作为靶区子勾画，即靶区子勾画是靶区勾画中未与先验形貌相符合的部分。示例性的，假设靶区勾画是个球形，而与先验形貌相对应的先验勾画是三角形，那么两者中未重叠的部分可以称为靶区子勾画。进一步的，根据靶区子勾画和靶区勾画可以确定靶区勾画质量，比如将根据靶区子勾画构成的子勾画区域的区域面积和靶区勾画构成的勾画区域的区域面积的比值作为靶区勾画质量；再如将根据靶区子勾画中包含的像素点的个数和靶区勾画中包含的像素点的个数的比值作为靶区勾画质量；等等。
本发明实施例的技术方案，当质量确定对象包括先验形貌、对象信息包括先验形貌特征，且勾画信息包括靶区勾画的勾画形貌的勾画形貌特征时，根据勾画形貌特征和先验形貌特征间的对比结果可以确定在靶区勾画中是否存在与先验形貌未符合的靶区子勾画，若是根据靶区子勾画和靶区勾画可以确定靶区勾画的靶区勾画质量，由此达到了从用户手动确定靶区勾画质量过程中经常涉及到的靶区勾画的勾画形貌是否符合先验形貌的角度出发，自动确定且确定出与用户手动确定的靶区勾画质量相一致的靶区勾画质量的效果。
实施例四
图4是本发明实施例四中提供的一种靶区勾画质量的确定方法的流程图。本实施例以上述各技术方案为基础进行优化。在本实施例中，可选的，上述靶区勾画质量的确定方法，还可以包括：获取已勾画靶区的金标准勾画和医学图像中靶区部位的靶区图像；确定靶区勾画和金标准勾画间的交叠区域，并且基于预先设置的权重确定函数确定靶区图像中各靶区像素点的靶区权重；根据交叠区域在医学图像中的交叠位置以及靶区图像在医学图像中的靶区位置，确定交叠区域中各交叠像素点的交叠权重；根据交叠区域和各交叠权重，确定靶区勾画的基础质量；相应的，根据惩罚关系确定靶区勾画的靶区勾画质量，可以包括：根据惩罚关系确定靶区勾画的惩罚质量，根据基础质量和惩罚质量确定靶区勾画的靶区勾画质量。其中，与上述各实施例相同或相应的术语的解释在此不再赘述。
参见图4，本实施例的方法具体可以包括如下步骤：
S410、获取医学图像中质量确定对象、靶区部位的靶区图像、以及已勾画靶区的靶区勾画和金标准勾画，其中，质量确定对象包括危及部位和/或已勾画靶区的先验形貌。
其中，医学图像中的靶区部位是肿瘤所在的部位，靶区图像是靶区部位在医学图像中的分割图像，其获取方式可以参见危及图像，在此不再赘述。当然，靶区图像和危及图像的获取方式可以相同也可以不同，在此未做具体限定。已勾画靶区的金标准勾画可以是已勾画靶区的最标准的勾画结果，其可以由用户对已勾画靶区进行手动勾画得到，也可以是将医学图像输入至靶区勾画模型且由用户对靶区勾画模型进行评估后得到，等等，在此未做具体限定。
S420、确定靶区勾画和金标准勾画间的交叠区域，并且基于预先设置的权重确定函数确定靶区图像中各靶区像素点的靶区权重。
其中，考虑到在确定靶区勾画质量时，除了考虑在靶区勾画中是否存在未符合相关勾画要求的部分外，还可以考虑在靶区勾画中是否存在与金标准勾画相一致的部分，由此可以从正反两面两个角度共同确定靶区勾画质量，因此，可以确定靶区勾画和金标准勾画间的交叠区域，具体来说是确定靶区勾画构成的靶区区域金标准勾画构成的金标准区域间的交叠区域。
进一步，在临床实际场景中，对靶区部位的不同位置上进行放疗时的效果很可能存在差异，这样阐述的原因在于，各肿瘤至少包括原发灶和亚临床灶，亚临床灶是相对于原发灶外扩出来的部分，以直肠肿瘤为例，原发灶在直肠内且亚临床灶在原发灶周围，由于亚临床灶在医学图像上是无法检测到肿瘤的，但是肿瘤在亚临床灶上确实存在，只是存在的多与少的问题，因此对靶区部位中的原发灶所在的位置进行放疗的效果是强于对亚临床灶所在的位置上进行放疗。由于原发灶和亚临床灶分别位于靶区部位的不同位置上，这意味着勾画在靶区部位的不同位置上的靶区勾画对靶区勾画质量的影响存在差异。换言之，如果交叠区域位于原发灶上，那么其对靶区勾画质量的影响可以大一些；相应的，如果交叠区域位于亚临床灶上，那么其对靶区勾画质量的影响可以小一些。
据此，为了体现出靶区部位的不同位置上的重要程度不同，可以基于预先设置的权重确定函数确定靶区部位的靶区图像内各靶区像素点的靶区权重，该权重确定函数可以是基于线性权重、高斯权重等设置的函数，示例性的，继续以直肠肿瘤为例，靶区图像中直肠所在的靶区像素点的靶区权重最高，而直肠所在的靶区像素点以外的各靶区像素点的靶区权重可以随着该靶区像素点与该直肠间距离的增大而逐渐降低。换言之，原则上靶区勾画应该多包裹一些直肠且少包裹一些除直肠以外的部位，那么靶区图像中应该多包裹一些的直肠所在的靶区像素点的靶区权重可以高一些，并且应该少包裹一些的部位所在的靶区权重可以低一些。需要说明的是，权重确定函数中可以通过位于什么部位上的靶区像素点的靶区权重是多少进行设置，那么各部位在医学图像上的部位位置可以根据各部位的分割图像确定。
S430、根据交叠区域在医学图像中的交叠位置以及靶区图像在医学图像中的靶区位置，确定交叠区域中各交叠像素点的交叠权重；根据交叠区域和各交叠权重，确定靶区勾画的基础质量。
其中，针对与靶区位置重合的交叠位置，可以将位于该靶区位置上的靶区像素点的靶区权重作为该交叠位置上的交叠像素点的交叠权重。由此，根据该交叠区域和各交叠权重可以确定靶区勾画的基础质量，比如，根据交叠区域的交叠面积和该交叠区域内各交叠像素点的交叠权重、以及靶区勾画的勾画面积确定基础质量，该基础质量可以是对靶区勾画质量产生正面影响的质量。
S440、确定靶区勾画的勾画信息和质量确定对象的对象信息，并根据勾画信息和对象信息确定靶区勾画和质量确定对象间的惩罚关系，并根据惩罚关系确定靶区勾画的惩罚质量。
其中，对象信息可包括危及部位的危及图像和/或先验形貌的先验形貌特征，惩罚质量可以是对靶区勾画质量产生负面影响的质量。
S450、根据基础质量和惩罚质量确定靶区勾画的靶区勾画质量。
其中，综合考虑对靶区勾画质量产生负面影响的惩罚质量以及对靶区勾画质量产生正面影响的基础质量，由此得到的靶区勾画质量的准确性更高。比如，以通过分数表示质量为例，当惩罚质量包括涉及到危及部位时得到的第一惩罚质量和涉及到勾画形貌时得到的第二惩罚质量时，假设基础质量的具体分数是90、第一惩罚质量的具体分数是10并且第二惩罚质量的具体分数是13，那么最终的靶区勾画质量的具体分数是90-10-13＝67。
本发明实施例的技术方案，由于靶区部位上的不同位置相对于放疗而言的重要程度是不同的，为了体现出这一不同，可以基于预先设置的权重确定函数确定靶区部位的靶区图像中各靶区像素点的靶区权重，在此再结合靶区勾画和金标准勾画间的交叠区域在医学图像中的交叠位置以及靶区图像在医学图像中的靶区位置，可以得到交叠区域中各交叠像素点的交叠权重；由此，可以根据基于交叠区域和各交叠权重确定的靶区勾画的基础质量、及基于惩罚关系确定的靶区勾画的惩罚质量，从正反两方面多个角度确定靶区勾画质量，由此提高了靶区勾画质量的确定准确度。
为了更好地理解上述步骤的具体实现过程，下面结合具体示例对本实施例的靶区勾画质量的确定方法进行示例性说明。示例性的，考虑到靶区的复杂性，本示例综合考虑了靶区分布、危及器官保护以及其他约束信息，自动且客观地确定出靶区勾画的靶区勾画质量。本示例可适用于靶区勾画质量的控制、医生靶区勾画培训、靶区分割模型性能评估等等多种应用场景。本示例中可以包含多个相互独立的模块，如医学图像数字化表述模块、靶区权重确定模块、器官保护确定模块、靶区形貌先验模块、综合确定模块以及可视化模块等等，可以根据不同的应用场景进行灵活调用。
具体的，如图5所示，将医学图像输入至医学图像数字化表述模块，以使医学图像数字化表述模块将该医学图像输入至预先训练完成的图像分割模型中，并根据该图像分割模型的输出结果得到医学图像中各器官和组织的分割图像，将各分割图像进行输出，其中，隶属于危及器官的分割图像可以称为危及图像，且隶属于靶区器官和靶区组织的分割图像可以称为靶区图像。获取医学图像中已勾画靶区的靶区勾画和金标准勾画，将各分割图像、靶区勾画和金标准勾画输入到靶区权重确定模块中，以使靶区权重确定模块结合输入数据和预先设置的权重确定函数确定已勾画靶区的基础质量，输出该基础质量。将危及图像和靶区勾画输入到器官保护确定模块中，以使器官保护确定模块根据输入数据来确定第一惩罚质量。将医学图像和勾画形貌输入至靶区形貌先验模块中，以使靶区形貌先验模块将医学图像输入至预先训练完成的形貌生成模型中，并根据形貌生成模型的输出结果得到先验形貌特征，将该先验形貌特征和对勾画形貌进行特征提取后得到的先验形貌特征进行对比，并根据对比结果得到第二惩罚质量。将基础质量、第一惩罚质量和第二惩罚质量输入至综合确定模块，以使综合确定模块根据输入数据得到靶区勾画的靶区勾画质量、以及靶区勾画中待修改子勾画和该待修改子勾画的修改原因，并将靶区勾画质量、待修改子勾画和修改原因进行输出。将靶区勾画质量、待修改子勾画和修改原因输入至可视化模块中，以使可视化模块对输入数据进行展示，比如将待修改子勾画在医学图像中高亮显示，并且标注出其修改原因。
实施例五
图6是本发明实施例五中提供的一种靶区勾画质量的展示方法的流程图。本实施例可适用于在医学图像上对靶区勾画质量进行展示的情况。该方法可以由本发明实施例提供的靶区勾画质量的展示装置来执行，该装置可以由软件和/或硬件的方式实现，该装置可以集成在电子设备上。其中，与上述各实施例相同或相应的术语的解释在此不再赘述。
参见图6，本发明实施例的方法具体包括如下步骤：
S510、接收医学图像和医学图像中已勾画靶区的靶区勾画。
其中，用户可以通过电子设备输入医学图像和该医学图像中已勾画靶区的靶区勾画，此时该电子设备可以接收到相应的医学图像和靶区勾画，并且可以根据二者进行相应处理，得到与靶区勾画的靶区勾画质量有关的质量信息，如靶区勾画质量的得分、靶区勾画中的待修改子勾画、待修改子勾画的修改原因等等，在此未做具体限定。
S520、输出经过处理后的医学图像，并在经过处理后的医学图像上展示与靶区勾画的靶区勾画质量有关的质量信息，其中质量信息包括靶区勾画质量的得分、靶区勾画中的待修改子勾画和待修改子勾画的修改原因中的至少一个，质量信息是根据靶区勾画和医学图像中的质量确定对象间的惩罚关系确定的，惩罚关系是根据靶区勾画的勾画信息和质量确定对象的对象信息确定的，质量确定对象包括危及部位和/或已勾画靶区的先验形貌，且对象信息包括危及部位的危及图像和/或先验形貌的先验形貌特征。
其中，电子设备在处理得到相应的质量信息后，其可以将该质量信息处理到医学图像上，由此一来，电子设备可以输出经过处理后的医学图像，并在该经过处理后的医学图像展示该质量信息，比如将得分展示在医学图像上的预设得分位置上、基于预设展示方式在医学图像上展示待修改子勾画(如高亮展示、变色展示等等)、在待修改子勾画的附近展示其修改原因等等。
在此基础上，可选的，如果质量信息是待修改子勾画，那么可以基于第一展示方式在经过处理后的医学图像上展示待修改子勾画、且基于第二展示方式在经过处理后的医学图像上展示与待修改子勾画对应的目标修改子勾画，其中目标修改子勾画可以是根据修改原因确定的待修改子勾画的修改目标，这可以有助于用户直接确定靶区勾画中的哪部分需要修改以及可行的修改方案，由此提高了用户操作的便捷性。
在此基础上，进一步可选的，第一展示方式可以包括基于第一颜色的高亮展示方式，且第二展示方式可以包括基于第二颜色的高亮展示方式，那么除了展示上述质量信息外，还可以在经过处理后的医学图像上展示第一颜色的高亮展示方式的说明信息和第二颜色的高亮展示方式的说明信息，这可有助于用户直观知道哪个颜色的高亮部分是需要修改的部分、哪个颜色的高亮部分是修改目标，由此提高了用户界面交互的友好性。
上述技术方案，通过用户界面交互的方式实现了在医学图像上对靶区勾画质量进行展示的效果，这使得用户可以快速并且直观地确定与靶区勾画质量的得分、靶区勾画中是否存在问题、存在什么问题、问题出现在哪部分等与靶区勾画质量有关的质量信息，具有较好的实际应用价值。
实施例六
本发明实施例六提供的靶区勾画质量的确定装置用于执行上述任意实施例所提供的靶区勾画质量的确定方法。该装置与上述各实施例的靶区勾画质量的确定方法属于同一个发明构思，在靶区勾画质量的确定装置的实施例中未详尽描述的细节内容，可参考上述靶区勾画质量的确定方法的实施例。该装置具体可包括：质量确定对象获取模块、对象信息确定模块和靶区勾画质量确定模块。
其中，质量确定对象获取模块，用于获取医学图像中已勾画靶区的靶区勾画和质量确定对象，质量确定对象包括危及部位和/或已勾画靶区的先验形貌；
对象信息确定模块，用于确定靶区勾画的勾画信息和质量确定对象的对象信息，对象信息包括危及部位的危及图像和/或先验形貌的先验形貌特征；
靶区勾画质量确定模块，用于根据勾画信息和对象信息确定靶区勾画和质量确定对象间的惩罚关系，并根据惩罚关系确定靶区勾画的靶区勾画质量。
可选的，质量确定对象包括危及部位且对象信息包括危及图像，勾画信息包括靶区勾画在医学图像中的勾画位置；
靶区勾画质量确定模块，具体可以包括：
第一惩罚关系确定单元，用于根据勾画位置、及危及图像在医学图像中的危及位置，确定靶区勾画和危及部位间的惩罚关系；
第一靶区勾画质量确定单元，用于根据惩罚关系判断靶区勾画是否侵犯到危及部位，若是，则根据侵犯程度确定靶区勾画的靶区勾画质量。
可选的，质量确定对象包括先验形貌且对象信息包括先验形貌特征，勾画信息包括靶区勾画的勾画形貌的勾画形貌特征；
靶区勾画质量确定模块，具体可以包括：
第二惩罚关系确定单元，用于根据勾画形貌特征和先验形貌特征确定勾画形貌和先验形貌间的惩罚关系；
第二靶区勾画质量确定单元，用于若根据惩罚关系确定在靶区勾画中存在与先验形貌未符合的靶区子勾画，则根据靶区子勾画和靶区勾画确定靶区勾画的靶区勾画质量。
可选的，靶区勾画质量确定模块，具体可以包括：
第三靶区勾画质量确定单元，用于获取预先设置的质量确定指标，根据惩罚关系计算质量确定指标的指标得分，并将指标得分作为靶区勾画的靶区勾画质量。
可选的，上述靶区勾画质量确定装置，还可以包括：
靶区图像获取模块，用于获取已勾画靶区的金标准勾画和医学图像中靶区部位的靶区图像；靶区权重确定模块，用于确定靶区勾画和金标准勾画间的交叠区域，且基于预先设置的权重确定函数确定靶区图像中各靶区像素点的靶区权重；交叠权重确定模块，用于根据交叠区域在医学图像中的交叠位置以及靶区图像在医学图像中的靶区位置，确定交叠区域中各交叠像素点的交叠权重；基础质量确定模块，用于根据交叠区域和各交叠权重确定靶区勾画的基础质量；
相应的，靶区勾画质量确定模块，具体可以包括：
第四靶区勾画质量确定单元，用于根据惩罚关系确定靶区勾画的惩罚质量，根据基础质量和惩罚质量确定靶区勾画的靶区勾画质量。
可选的，上述靶区勾画质量确定装置，还可以包括：
靶区勾画确定模块，用于确定医学图像中各部位的分割图像，并根据各分割图像和已勾画靶区的先验勾画知识确定靶区勾画，其中先验勾画知识包括靶区勾画和各部位间的勾画位置关系。
本发明实施例六提供的靶区勾画质量的确定装置，通过质量确定对象获取模块、对象信息确定模块和靶区勾画质量确定模块相互配合，实现了自动确定且确定出与用户手动确定的靶区勾画质量相一致的靶区勾画质量的效果。
本发明实施例所提供的靶区勾画质量的确定装置可执行本发明任意实施例所提供的靶区勾画质量的确定方法，具备执行方法相应的功能模块和有益效果。
值得注意的是，上述靶区勾画质量的确定装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称只是为了便于相互区分，并不用于限制本发明的保护范围。
实施例七
本发明实施例七提供的靶区勾画质量的展示装置用于执行上述任意实施例所提供的靶区勾画质量的展示方法。该装置与上述各实施例的靶区勾画质量的展示方法属于同一个发明构思，在靶区勾画质量的展示装置的实施例中未详尽描述的细节内容，可以参考上述靶区勾画质量的展示方法的实施例。该装置具体可包括：靶区勾画接收模块和靶区勾画质量展示模块。
其中，靶区勾画接收模块，用于接收医学图像和医学图像中已勾画靶区的靶区勾画；
靶区勾画质量展示模块，用于输出经过处理后的医学图像，并在经过处理后的医学图像上展示与靶区勾画的靶区勾画质量有关的质量信息，其中质量信息包括靶区勾画质量的得分、靶区勾画中的待修改子勾画和待修改子勾画的修改原因中的至少一个；
其中，质量信息是根据靶区勾画和医学图像中的质量确定对象间的惩罚关系确定的，惩罚关系是根据靶区勾画的勾画信息和质量确定对象的对象信息确定的，质量确定对象包括危及部位和/或已勾画靶区的先验形貌，且对象信息包括危及部位的危及图像和/或先验形貌的先验形貌特征。
可选的，质量信息包括待修改子勾画，靶区勾画质量展示模块，包括：
靶区勾画质量展示单元，用于基于第一展示方式在经过处理后的医学图像上展示待修改子勾画、且基于第二展示方式在经过处理后的医学图像上展示与待修改子勾画对应的目标修改子勾画，其中，目标修改子勾画是根据修改原因确定的待修改子勾画的修改目标。
在此基础上，可选的，第一展示方式包括基于第一颜色的高亮展示方式，且第二展示方式包括基于第二颜色的高亮展示方式，上述靶区勾画质量的展示装置，还可以包括：说明信息展示模块，用于在经过处理后的医学图像上分别展示第一颜色的高亮展示方式和第二颜色的高亮展示方式的说明信息。
本发明实施例七提供的靶区勾画质量的展示装置，通过靶区勾画接收模块和靶区勾画质量展示模块相互配合，通过用户界面交互方式实现了在医学图像上对靶区勾画质量进行展示的效果，这使得用户可以快速且直观地确定与靶区勾画质量的得分、靶区勾画中是否存在问题、存在什么问题、问题出现在哪部分等与靶区勾画质量有关的质量信息，具有较好的实际应用价值。
本发明实施例所提供的靶区勾画质量的展示装置可执行本发明任意实施例所提供的靶区勾画质量的展示方法，具备执行方法相应的功能模块和有益效果。
值得注意的是，上述靶区勾画质量的展示装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
实施例八
图7为本发明实施例八提供的一种电子设备的结构示意图，如图7所示，该设备包括存储器610、处理器620、输入装置630和输出装置640。设备中的处理器620的数量可以是一个或多个，图7中以一个处理器620为例；设备中的存储器610、处理器620、输入装置630和输出装置640可以通过总线或其它方式连接，图7中以通过总线650连接为例。
存储器610作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的靶区勾画质量的确定方法对应的程序指令/模块(例如，靶区勾画质量的确定装置中的质量确定对象获取模块、对象信息确定模块和靶区勾画质量确定模块)，或是，如本发明实施例中的靶区勾画质量的展示方法对应的程序指令/模块(例如，靶区勾画质量的展示装置中的靶区勾画接收模块和靶区勾画质量展示模块)。处理器620通过运行存储在存储器610中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的靶区勾画质量的确定方法或是靶区勾画质量的展示方法。
存储器610可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据设备的使用所创建的数据等。此外，存储器610可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器610可进一步包括相对于处理器620远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置630可用于接收输入的数字或字符信息，以及产生与装置的用户设置以及功能控制有关的键信号输入。输出装置640可包括显示屏等显示设备。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。依据这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种靶区勾画质量的确定方法，其特征在于，包括：
获取医学图像中已勾画靶区的靶区勾画和质量确定对象，其中，所述质量确定对象包括危及部位和/或所述已勾画靶区的先验形貌；
确定所述靶区勾画的勾画信息和所述质量确定对象的对象信息，其中所述对象信息包括所述危及部位的危及图像和/或所述先验形貌的先验形貌特征；
根据所述勾画信息和所述对象信息确定所述靶区勾画和所述质量确定对象间的惩罚关系，并根据所述惩罚关系确定所述靶区勾画的靶区勾画质量。
2.根据权利要求1所述的方法，其特征在于，所述质量确定对象包括所述危及部位且所述对象信息包括所述危及图像，所述勾画信息包括所述靶区勾画在所述医学图像中的勾画位置；
相应的，所述根据所述勾画信息和所述对象信息确定所述靶区勾画和所述质量确定对象间的惩罚关系，根据所述惩罚关系确定所述靶区勾画的靶区勾画质量，包括：
根据所述勾画位置、及所述危及图像在所述医学图像中的危及位置，确定所述靶区勾画和所述危及部位间的惩罚关系；
根据所述惩罚关系判断所述靶区勾画是否侵犯到所述危及部位，若是，则根据侵犯程度确定所述靶区勾画的靶区勾画质量。
3.根据权利要求1所述的方法，其特征在于，所述质量确定对象包括所述先验形貌且所述对象信息包括所述先验形貌特征，所述勾画信息包括所述靶区勾画的勾画形貌的勾画形貌特征；
相应的，所述根据所述勾画信息和所述对象信息确定所述靶区勾画和所述质量确定对象间的惩罚关系，根据所述惩罚关系确定所述靶区勾画的靶区勾画质量，包括：
根据所述勾画形貌特征和所述先验形貌特征确定所述勾画形貌和所述先验形貌间的惩罚关系；
若根据所述惩罚关系确定在所述靶区勾画中存在与所述先验形貌未相符合的靶区子勾画，则根据所述靶区子勾画和所述靶区勾画确定所述靶区勾画的靶区勾画质量。
4.根据权利要求1所述的方法，其特征在于，所述根据所述惩罚关系确定所述靶区勾画的靶区勾画质量，包括：
获取预先设置的质量确定指标，根据所述惩罚关系计算所述质量确定指标的指标得分，并将所述指标得分作为所述靶区勾画的靶区勾画质量。
5.根据权利要求1所述的方法，其特征在于，还包括：
获取所述已勾画靶区的金标准勾画和所述医学图像中靶区部位的靶区图像；
确定所述靶区勾画和所述金标准勾画间的交叠区域，并且基于预先设置的权重确定函数确定所述靶区图像中各靶区像素点的靶区权重；
根据所述交叠区域在所述医学图像中的交叠位置以及所述靶区图像在所述医学图像中的靶区位置，确定所述交叠区域中各交叠像素点的交叠权重；
根据所述交叠区域和各所述交叠权重，确定所述靶区勾画的基础质量；
相应的，所述根据所述惩罚关系确定所述靶区勾画的靶区勾画质量，包括：
根据所述惩罚关系确定所述靶区勾画的惩罚质量，根据所述基础质量和所述惩罚质量确定所述靶区勾画的靶区勾画质量。
6.根据权利要求1所述的方法，其特征在于，还包括：
确定所述医学图像中各部位的分割图像，并根据各所述分割图像和所述已勾画靶区的先验勾画知识确定所述靶区勾画，其中所述先验勾画知识包括所述靶区勾画和各所述部位间的勾画位置关系。
7.一种靶区勾画质量的展示方法，其特征在于，包括：
接收医学图像和所述医学图像中已勾画靶区的靶区勾画；
输出经过处理后的所述医学图像，并在所述经过处理后的所述医学图像上展示与所述靶区勾画的靶区勾画质量有关的质量信息，其中所述质量信息包括所述靶区勾画质量的得分、所述靶区勾画中的待修改子勾画和所述待修改子勾画的修改原因中的至少一个；
其中，所述质量信息是根据所述靶区勾画和所述医学图像中的质量确定对象间的惩罚关系确定的，所述惩罚关系是根据所述靶区勾画的勾画信息和所述质量确定对象的对象信息确定的，所述质量确定对象包括危及部位和/或所述已勾画靶区的先验形貌，且所述对象信息包括所述危及部位的危及图像和/或所述先验形貌的先验形貌特征。
8.根据权利要求7所述的方法，其特征在于，所述质量信息包括所述待修改子勾画，所述在所述经过处理后的所述医学图像上展示与所述靶区勾画的靶区勾画质量有关的质量信息，包括：
基于第一展示方式在所述经过处理后的所述医学图像上展示所述待修改子勾画、且基于第二展示方式在所述经过处理后的所述医学图像上展示与所述待修改子勾画对应的目标修改子勾画，其中所述目标修改子勾画是根据所述修改原因确定的所述待修改子勾画的修改目标。
9.根据权利要求8所述的方法，其特征在于，所述第一展示方式包括基于第一颜色的高亮展示方式，且所述第二展示方式包括基于第二颜色的高亮展示方式，所述方法还包括：在所述经过处理后的所述医学图像上分别展示所述第一颜色的高亮展示方式和所述第二颜色的高亮展示方式的说明信息。
10.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一所述的靶区勾画质量的确定方法、或是如权利要求7-9中所述的靶区勾画质量的展示方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011635011.9A CN112767315B (zh) | 2020-12-31 | 2020-12-31 | 靶区勾画质量的确定方法、展示方法及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011635011.9A CN112767315B (zh) | 2020-12-31 | 2020-12-31 | 靶区勾画质量的确定方法、展示方法及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112767315A true CN112767315A (zh) | 2021-05-07 |
| CN112767315B CN112767315B (zh) | 2024-04-19 |
Family
ID=75699647
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011635011.9A Active CN112767315B (zh) | 2020-12-31 | 2020-12-31 | 靶区勾画质量的确定方法、展示方法及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112767315B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114119645A (zh) * | 2021-11-25 | 2022-03-01 | 推想医疗科技股份有限公司 | 一种图像分割质量的确定方法、系统、设备及介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105825073A (zh) * | 2016-06-17 | 2016-08-03 | 张家港赛提菲克医疗器械有限公司 | 一种在线放疗计划质量控制软件 |
| CN105930637A (zh) * | 2016-04-02 | 2016-09-07 | 中北大学 | 一种自动确定目标函数权重的放射治疗方案优化方法 |
| WO2017063691A1 (en) * | 2015-10-14 | 2017-04-20 | Brainlab Ag | Normal tissue sparing in radiation therapy treatment planning using prioritization for optimizing tissue indices |
| US20180025489A1 (en) * | 2016-07-25 | 2018-01-25 | Case Western Reserve University | Quantifying mass effect deformation with structural radiomics in brain tumor patients |
| CN109615642A (zh) * | 2018-11-05 | 2019-04-12 | 北京全域医疗技术有限公司 | 一种放疗计划中的危及器官自动勾画方法及装置 |
| CN110517254A (zh) * | 2019-08-29 | 2019-11-29 | 清华大学 | 基于深度学习的临床靶区自动勾画方法、装置及相关设备 |
| CN111738989A (zh) * | 2020-06-02 | 2020-10-02 | 北京全域医疗技术集团有限公司 | 一种器官勾画方法及装置 |
-
2020
- 2020-12-31 CN CN202011635011.9A patent/CN112767315B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017063691A1 (en) * | 2015-10-14 | 2017-04-20 | Brainlab Ag | Normal tissue sparing in radiation therapy treatment planning using prioritization for optimizing tissue indices |
| CN105930637A (zh) * | 2016-04-02 | 2016-09-07 | 中北大学 | 一种自动确定目标函数权重的放射治疗方案优化方法 |
| CN105825073A (zh) * | 2016-06-17 | 2016-08-03 | 张家港赛提菲克医疗器械有限公司 | 一种在线放疗计划质量控制软件 |
| US20180025489A1 (en) * | 2016-07-25 | 2018-01-25 | Case Western Reserve University | Quantifying mass effect deformation with structural radiomics in brain tumor patients |
| CN109615642A (zh) * | 2018-11-05 | 2019-04-12 | 北京全域医疗技术有限公司 | 一种放疗计划中的危及器官自动勾画方法及装置 |
| CN110517254A (zh) * | 2019-08-29 | 2019-11-29 | 清华大学 | 基于深度学习的临床靶区自动勾画方法、装置及相关设备 |
| CN111738989A (zh) * | 2020-06-02 | 2020-10-02 | 北京全域医疗技术集团有限公司 | 一种器官勾画方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| 牛利娜;石永刚;王婵;段依霜;董世亮;王娜;: "鼻咽癌靶区勾画的学习曲线研究", 河南医学研究, no. 06 * |
| 秦楠楠;薛旭东;吴爱林;闫冰;朱雅迪;张朋;吴爱东;: "基于U-net卷积神经网络的宫颈癌临床靶区和危及器官自动勾画的研究", 中国医学物理学杂志, no. 04 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114119645A (zh) * | 2021-11-25 | 2022-03-01 | 推想医疗科技股份有限公司 | 一种图像分割质量的确定方法、系统、设备及介质 |
| CN114119645B (zh) * | 2021-11-25 | 2022-10-21 | 推想医疗科技股份有限公司 | 一种图像分割质量的确定方法、系统、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112767315B (zh) | 2024-04-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11715203B2 (en) | Image processing method and apparatus, server, and storage medium | |
| CN110929728B (zh) | 一种图像感兴趣区域划分方法、图像分割方法及装置 | |
| CN109740600B (zh) | 高亮病灶区域的定位方法、装置、计算机设备以及存储介质 | |
| CN106887000A (zh) | 医学图像的网格化处理方法及其系统 | |
| CN105913432A (zh) | 基于ct序列图像的主动脉提取方法及装置 | |
| CN112085730B (zh) | 感兴趣区域成分分析方法、装置、电子设备和介质 | |
| KR101294858B1 (ko) | 간 문맥의 혈관 구조 정보를 이용한 간 세그먼트 구분 방법 및 장치 | |
| CN111932552B (zh) | 一种主动脉建模的方法及装置 | |
| Stahl et al. | Globally optimal grouping for symmetric closed boundaries by combining boundary and region information | |
| CN114066886B (zh) | 骨骼分割边界确定方法、装置、电子设备及存储介质 | |
| CN111179298A (zh) | 基于ct图像的三维肺自动分割与左右肺分离方法及其系统 | |
| CN111681211A (zh) | 一种血管图像处理方法及装置 | |
| CN113139948A (zh) | 器官轮廓线质量评估方法、装置及系统 | |
| CN112767315B (zh) | 靶区勾画质量的确定方法、展示方法及电子设备 | |
| CN115456990A (zh) | 一种基于ct图像的肋骨计数方法、装置、设备及存储介质 | |
| CN113506365A (zh) | 图像显示方法及相关装置和电子设备、存储介质 | |
| CN114943699B (zh) | 分割模型训练方法、冠脉钙化斑块的分割方法、相关装置 | |
| CN114037719A (zh) | 骨骼区域确定方法、装置、电子设备及存储介质 | |
| CN118154626B (zh) | 一种神经阻滞麻醉超声引导图像处理方法 | |
| CN106570868A (zh) | 基于水平集方法的三维肝脏肿瘤半自动分割方法 | |
| CN113506313A (zh) | 图像处理方法及相关装置和电子设备、存储介质 | |
| WO2021120059A1 (zh) | 三维体数据的测量方法、测量系统、医疗器械及存储介质 | |
| CN114066885B (zh) | 下肢骨骼模型构造方法、装置、电子设备及存储介质 | |
| CN113409275B (zh) | 基于超声图像确定胎儿颈后透明层厚度的方法及相关装置 | |
| Oliveira et al. | Automatic Couinaud Liver and Veins Segmentation from CT Images. |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |