放疗规划中基于机器学习的肿瘤区域自动分割方法研究

Automatic segmentation of tumor regions is a key problem in radiotherapy planning. Accurate and reliable segmentation plays a critical role to improve doctors’ efficiency during sketching and reduce patients’ side-effect during therapy. In this project, based on the existed sketching databases and clinical instructions, we propose to achieve automatic tumor segmentation in 3D medical images by investigating the latest methods in machine learning. We propose to design a coarse-to-fine strategy for automatic segmentation. Firstly, by study the properties of key points which located in tumor region, the framework can detect and describe key points automatically. Subsequently, we propose to design the method based on the graph model, which can adaptively divide the regions regard to the detected key points. Then we investigate how to obtain prior knowledge for screening suspicious tumor regions, and employ the prior knowledge for coarse segmentation. Finally, we propose to design novel deep neural networks which can achieve accurate segmentation of suspicious tumors in the fine-grained pixel level. The scheme is based on our previous work with feasible techniques and superior performance. This project can provide powerful support for doctors to achieve efficient and accurate radiotherapy planning. The relevant research achievements can be used for other kinds of 3D medical images to become the key method for image segmentation.

肿瘤区域的自动分割是放疗规划中亟需解决的一项关键问题，精确、可靠的自动分割技术对提高医生的勾画效率、降低患者的治疗副作用有着极为重要的作用。本项目拟利用机器学习的方法，在已有的勾画数据库以及临床指导意见的基础上，实现三维医学图像中肿瘤区域的自动分割。我们拟设计一套由点及面、逐步求精的自动分割策略，首先通过研究肿瘤区域关键点的特性，自动的检测并描述关键点；随后设计基于图模型的方法，对关键点所在区域进行自适应的划分；进而研究如何自主的引入先验知识，对可疑的肿瘤区域进行筛查，并进行大致的分割；最后设计新型的神经网络，实现对可疑肿瘤区像素级的精确分割。我们的方案建立在前期工作基础之上，技术上可行，性能上先进，该项目的实施可为医生高效、精确的放疗规划提供有力的支持。相应的研究成果可应用于其他各类三维医学影像中，有望成为医学图像分割的主要手段之一。

本项目针对放疗规划中肿瘤区域的自动分割方法展开研究。项目针对放射科医生在放疗靶区勾画过程中，由于CT、MRI等成像效果复杂多样、人工勾画费时费力且存在主观偏差等问题，研究了基于机器学习、特别是深度学习医学影像分割算法，采集了鼻咽癌等靶区勾画数据集，并应用于多种类型放疗影像的肿瘤区域自动分割与靶区勾画世纪场景中。在机器学习算法上，本项目针对放疗规划的医学影像中存在肿瘤区边界模糊、标注成本高、成像噪声大、成像设备差异大、危及器官多、自动分割结果精度差、缺乏人工交互与修正等临床上存在的实际问题，提出了一系列新型的机器学习算法，例如基于双任务一致性的半监督分割算法、最小化交互原则的交互式分割算法、基于球型表征与中心点匹配的病灶检测方法等。在关键数据采集上，联合四川省肿瘤医院、四川大学华西医院采集了临床上近千例鼻咽癌靶区勾画三维医学影像数据。最终，本项目在鼻咽癌靶区和多个危及器官勾画的各项指标上(IOU, AWD等指标)，与已有方法相比有着平均10%的提升，以上算法及所开发的模型目前已在四川省肿瘤医院放疗科室试用。本项目的研究工作在机器学习算法上及临床上均有着广泛的应用前景。受本项目支持，申请人团队共发表期刊论文16篇，包括医学影像旗舰期刊《Medical Image Analysis》、《IEEE Transactions on Medical Imaging》共6篇，国际顶级会议论文共5篇(AAAI 1篇，MICCAI 4篇)。所开发的一系列医学影像分割算法具有较强的通用性，可推广至多种模态(CT、MRI、超声等)、多种器官/病灶(肺结节、前列腺、胎儿超声、皮肤病等)的分割问题中。