(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 202110514023.4 (22)申请日 2021.05.11 (71)申请人 南京大学 地址 210023 江苏省南京市栖霞区仙林大 道163号 (72)发明人 葛云　黄新阳　王语汇　 (51)Int.Cl. G06F 30/23(2020.01) G06F 30/27(2020.01) G06T 7/246(2017.01) G06T 7/13(2017.01) (54)发明名称 一种基于生成对抗网络的肿瘤中心预测方 法 (57)摘要 本发明提供一种基于生成对抗网络的肿瘤 中心预测方法， 该方法包括： 获取光学体表数据， 呼吸相关影像数据和术前CT； 在呼吸相关影像数 据上进行特征点选择， 并进行筛选和优化组合； 利用生成网络G和判别网络D建立体表变化和特 征点运动的关联模型； 特征点自动提取， 利用关 联模型， 通过输入随时间变化体表， 输出预先定 义的特征点坐标变化， 找到特征点运动规律； 最 后依据特 征点运动规律建立肺部有限元模型。 权利要求书1页 说明书3页 附图2页 CN 115329617 A 2022.11.11 CN 115329617 A 1.一种基于生成对抗网络的肿瘤中心预测方法， 其特 征在于， 包括 步骤： 1)获取光学体表数据， 呼吸相关影 像数据和术前CT； 2)在呼吸相关影 像数据上进行 特征点选择， 并进行筛 选和优化组合； 3)优化训练GAN网络， 建立体表变化和特 征点运动的关联模型； 4)特征点自动提取， 利用关联模型， 通过输入随时间变化体表， 输出特征点坐标变化， 找到特征点运动规律； 5)依据特 征点运动规律建立肺部有限元模型。 2.如权利要求1所述的一种基于生成对抗网络的肿瘤中心预测方法， 其特征在于所述 步骤1中， 光学体表信息被定义 为使用OP S光学定位系统采集的体表坐标信息 。 3.如权利要求1所述的一种基于生成对抗网络的肿瘤中心预测方法， 其特征在于所述 步骤2中， 特征点被定义为在解剖学中具有唯一性且对组织整体结构改变有显著影响的部 位。 4.如权利要求1所述的一种基于生成对抗网络的肿瘤中心预测方法， 其特征在于所述 步骤3中， 优化训练GAN网络定义为同时训练捕获数据分布的生成模型G和估计数据来源于 真实样本概 率的判别模型D。 5.如权利要求1所述的一种基于生成对抗网络的肿瘤中心预测方法， 其特征在所述步 骤4中， 自动提取定义 为基于轮廓曲线的角点检测算法提取 特征点和弧线 端点。 6.如权利要求1所述的一种基于生成对抗网络的肿瘤中心预测方法， 其特征在于所述 步骤4中， 特征点运动规律定义为衡量特征点随时间产生的变化程度， 由三 维坐标变量和平 均三维位移得到 。 7.如权利要求1所述的一种基于生成对抗网络的肿瘤中心预测方法， 其特征在于所述 步骤5中， 基于特征点运动规律， 将术前CT图像轮廓按一定权重比例划分非均匀分布有限元 模型。权　利　要　求　书 1/1 页 2 CN 115329617 A 2一种基于生成 对抗网络的肿瘤中心预测方 法 技术领域 [0001]本发明属于深度学习应用于肿瘤技术领域， 特别是涉及一种基于GAN网络 的肿瘤 中心预测方法。 背景技术 [0002]当前， 随着放射治疗领域的不断发展， 针对摆位精准度的研究引起了广泛重视。 准 确将TPS计划系统确定的理想肿瘤中心重合到加速器理想等中心上成为了实现信息配准的 关键技术。 其中， 通过检测对应的特征点进 行配准作为一种被广泛使用、 具有发展 前景的检 测方式， 包 含很多生理信息， 可以反映肿瘤的改变。 [0003]常规的计划CT影像和放疗变形人体配准采用线性配准方法， 一般采用表皮、 骨头 或基于灰度的方法配准。 因图像灰度、 分辨率等因素存在重合性不高等问题。 同时变形问题 是非线性配准问题， 用线性函数或线形行列式的方法描述变形的配准坐标变换， 都难以实 现。 本发明提供一种利用四维CT获取呼吸影 像， 进行训练， 来逼近解决变形问题。 发明内容 发明目的 [0004]本申请实施例提供了一种肿瘤中心预测方法， 可以实现基于人体 组织器官的运动 预测。 建立人体体表变化与肿瘤组织运动的关联模型， 建立利用肿瘤组织运动预测肿瘤中 心变化的有限元模型， 得到实时的肿瘤运动信息， 从而得到对应不同特征点下 的肿瘤中心 位置； 关联模型考虑了性别、 年龄、 身高、 组织器官的差异性。 技术方案 [0005]选取特征点的标准为在解剖学上具有唯一定义以及对于肺部组织整体结构的改 变具有显著影响。 初期， 特征点尽量全面， 以保证准确性； 后 期， 将对所选取的特征点进 行筛 选， 以降低模型处 理数据的复杂度， 提高模型性能。 [0006]采用全卷积网络FCN设计生成网络G作为关联人体体表变化与特征点运动的关联 模型。 基于FCN结构， 网络 G可以接受任意大小的输入图像， 而不用要求所有的训练图像和测 试图像具有同样的尺寸。 [0007]对于判别网络D的设计， 采用卷积神经网络进行 “真” “假”判断。 [0008]优化训练GAN网络需要同时训练两个模型， 即一个能捕获数据分布的生成模型G和 一个能估计数据来源于真实样本概率的判别模型D。 实际训练中G和D的目标函数之间彼此 存在对抗性， 即G的目标函数是使其所生 成的样本可以降低 D的判断能力， 而D的目标函数是 提高其准确判别G生 成样本为假的能力。 为保证G和D的优化具有较好的同步性， 采用目标函 数L优化网络。 其中， D是1 ‑Lipschitz连续函数集合， Pg是生成网络G所生成样本的分布函 数， Pr是真实样 本的分布 函数， 是真实数据分布Pr与生成样 本分布Pg的点对间直线的均匀 采样分布函数。说　明　书 1/3 页 3 CN 115329617 A 3