[go: up one dir, main page]

CN109859817B - 食管放射治疗计划中风险器官剂量学评估方法、评估系统 - Google Patents

食管放射治疗计划中风险器官剂量学评估方法、评估系统 Download PDF

Info

Publication number
CN109859817B
CN109859817B CN201910256615.3A CN201910256615A CN109859817B CN 109859817 B CN109859817 B CN 109859817B CN 201910256615 A CN201910256615 A CN 201910256615A CN 109859817 B CN109859817 B CN 109859817B
Authority
CN
China
Prior art keywords
layer
training
feature vector
vector
dose
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.)
Active
Application number
CN201910256615.3A
Other languages
English (en)
Other versions
CN109859817A (zh
Inventor
李腾
江大山
刘剑飞
王妍
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui University
Original Assignee
Anhui University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Anhui University filed Critical Anhui University
Priority to CN201910256615.3A priority Critical patent/CN109859817B/zh
Publication of CN109859817A publication Critical patent/CN109859817A/zh
Priority to PCT/CN2020/077844 priority patent/WO2020199836A1/zh
Priority to US17/437,845 priority patent/US11515025B2/en
Application granted granted Critical
Publication of CN109859817B publication Critical patent/CN109859817B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/40—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mechanical, radiation or invasive therapies, e.g. surgery, laser therapy, dialysis or acupuncture
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0495—Quantised networks; Sparse networks; Compressed networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0499—Feedforward networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • General Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Surgery (AREA)
  • Urology & Nephrology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Chemical & Material Sciences (AREA)
  • Medicinal Chemistry (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Probability & Statistics with Applications (AREA)
  • Radiation-Therapy Devices (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开一种食管放射治疗计划中风险器官剂量学评估方法，包括以下步骤：集食管癌病人的VMAT计划数据信息，得到DTH；对DTH的几何特征向量进行降维，得降维后的几何特征向量；建立深度置信网络模型，并完成深度置信网络模型的训练；非线性地拟合剂量特征向量和降维后几何特征向量之间的相关性，得到与降维后的几何特征向量的维度相同的剂量特征向量；通过自动编码器结构的解码层将从步骤五的剂量特征向量重构，得到与降维前的几何特征向量的维度相同的剂量特征向量，最终得到预测危险器官的DVH。本发明还公开一种食管放射治疗计划中风险器官剂量学评估系统。本发明具有显著缩短制定食管癌放疗计划时间以达到减轻物理放疗师的负担的优点。

Description

食管放射治疗计划中风险器官剂量学评估方法、评估系统
技术领域
本发明涉及食管放射治疗计划技术领域，尤其是涉及食管放射治疗计划中风险器官剂量学评估方法、评估系统。
背景技术
食管放射治疗计划是一个耗时的过程，需要繁琐的参数调整以在计划靶区(PTV)下实现最大放射剂量值的传递，同时最小化危险器官(OAR)的辐射损伤。指导调整的一个重要指标是剂量-体积直方图(DVH)，它用于测量接收不同辐射剂量下的器官的体积百分数。
DVH与PTV和OAR之间的几何关系高度相关。对这种相关性建模可以显著减少调整时间，通过提供接近最佳的计划的参数以快速实现临床接受的治疗计划。之前的相关研究已经模拟了几何关系和DVH之间的相关性。以往工作中研究者通过拟合偏斜法线参数的演化，提出了距离的三参数概率函数来描述PTV和OAR与多项式之间距离的函数，并模拟了其与DVH的相关性。也有工作者通过计算由不同距离PTV相应的OAR的体积分数，利用距离目标直方图(DTH)来表示他们之间的几何关系，并使用DTH和DVH之间的相关性通过成分分析法和支持向量回归建模。
然而，现有的研究主要集中在提取几何特征的线性模型和传统的机器学习方法来模拟他们之间的相关性，这些方法都有着模型的鲁棒性不高而且预测精度较低适用性不强等缺点。这些问题一方面增加了物理治疗师的工作量，另一方面根据相关的临床人群统计标准的不同对放射治疗方案的质量审核标准也不同，从而导致计算的DVH的精度较低。
发明内容
本发明的目的在于克服现有技术的不足，提供了一种基于深度置信网络的食管放射治疗计划中风险器官剂量学评估方法，用深度学习的方法，有利于减轻物理师负担，缩短了制定放疗计划的时间以及有效的针对临床个体的特异性提高放射治疗计划的精度。
本发明通过以下技术手段实现解决上述技术问题的：一种食管放射治疗计划中风险器官剂量学评估方法，包括以下步骤：
步骤一、收集食管癌病人的VMAT计划数据信息，包括提取出的CT图像、结构轮廓图像；
步骤二、对食管癌VMAT计划数据信息计算，得到距离目标直方图；
步骤三、采用自动编码器结构中的编码层对步骤二中的距离目标直方图的几何特征向量进行降维，得到降维后的几何特征向量；
步骤四、建立深度置信网络模型，迭代直至其收敛，完成深度置信网络模型的训练；
步骤五、降维后的几何特征向量通过训练后的深度置信网络非线性地拟合剂量特征向量和降维后几何特征向量之间的相关性，得到与降维后的几何特征向量的维度相同的剂量特征向量；
步骤六、通过自动编码器结构的解码层将从步骤五的剂量特征向量重构，得到与降维前的几何特征向量的维度相同的剂量特征向量，最终得到预测危险器官的剂量-体积直方图。
优选地，所述步骤二中通过计算风险器官的体积百分数来建立距离目标直方图，
Figure BDA0002013922630000031
其中vi OAR表示危险器官的第i个体素；vk PTV表示计划靶区的第k个体素；SPTV为计划靶区的体素集合；r(vi OAR，PTV)为危险器官的体素到计划靶区表面的欧式距离。
优选地，从距离目标直方图的曲线x轴等距离选取n个坐标点((xi,yi)i∈1,2,…,n)；用选取的这n个离散坐标点来表达出这条曲线；每个坐标点包含体积分数值yi(i∈1,2,…,n)和相应的距离值xi(i∈1,2,…,n)；yi表示第i个坐标的体积分数值，yi(i∈1,2,…,n)为向量元素，用以构建n维距离目标直方图的几何特征向量；xi表示第i个坐标的距离值。
优选地，编码器由若干个编码层和若干个的解码层构成。
每个编码层通过一个完全连接层缩小来压缩输入的维数，此层中每个神经元的激活函数为：
P(hi＝1|vi)＝sigmoid(ci+Wivi)
其中vi表示第i层编码层中作为输入的经i-1次降维后的特征向量，hi表示第i层编码层中作为输出的经i次降维后的特征向量，hi,vi∈{0,1},Wi表示第i层编码层的权重矩阵；ci是第i层编码层的偏差值；这里hi的维数小于vi，
解码层是一个与编码层相反的过程，它通过增加输入特征向量的维数来重建原始输入的特征向量；
P(vj＝1|hj)＝sigmoid(bj+Wjhj)
其中hj表示第j层解码层中作为输入的经j-1次升维后的特征向量，vj表示第i层解码层中作为输出的经j次升维后的特征向量，hj,vj∈{0,1},Wj表示第j层解码层的权重矩阵，bj是第j层解码层的偏差值，这里vj的维数大于hj的维数。
优选地，所述步骤四中的深度置信网络模型包括若干个玻尔兹曼机堆叠形成的；训练过程为先对每一个玻尔兹曼机进行预训练，再把预训练好的玻尔兹曼机堆叠起来作为深度置信网络的整体进行网络微调训练。
优选地，首先搜集训练用食管癌病人的VMAT计划数据，作为训练集数据，并从训练集数据中提取出训练用CT图像、训练用结构轮廓图像，计算训练用剂量-体积直方图(DVH)、训练用距离目标直方图；并计算得到训练用剂量-体积直方图的剂量特征向量、训练用距离目标直方图的几何特征向量；并通过自动编码器结构的解码层得到降维后的训练用剂量-体积直方图的剂量特征向量、降维后的训练用距离目标直方图的几何特征向量；
对每一个玻尔兹曼机的结构进行预训练；每一个玻尔兹曼机结构包括相应的可见层v和隐藏层h；
玻尔兹曼机在训练过程中的迭代步骤为：首先将可见层中的降维后的距离目标直方图的几何特征向量映射到隐藏层中，然后用隐藏层中的向量重构新的距离目标直方图的几何特征向量，再将重构的距离目标直方图的几何特征向量映射到隐藏层中，这个过程表示为一个循环，每个玻尔兹曼机在预训练过程中重复三次循环更新玻尔兹曼机可见层与隐藏层中的权重矩阵；
在深度置信网络的每一层中，目标损失函数是：
Figure BDA0002013922630000041
式中dt为降维后的训练用距离目标直方图的几何特征向量，也是每一个玻尔兹曼机结构的可见层的输入向量。式中
Figure BDA0002013922630000051
表示降维后的训练用距离目标直方图的几何特征向量dt到隐藏层特征向量g的均方误差，αs为实验中经验确定的约束系数，函数Y表示玻尔兹曼机结构中可见层到隐藏层的过程，其能量函数为：
Figure BDA0002013922630000052
其中θ＝{Wij,ai,bj}是玻尔兹曼机的参数，他们均为实数。其中Wij表示可见向量与隐藏向量之间的权重，可见层共有可见向量(降维后的训练用距离目标直方图特征的向量dt,)单元i个，隐藏层共有隐藏向量单元j个，ai表示第i个可见向量单元的偏置，bj表示第j个隐藏向量单元的偏置；
Figure BDA0002013922630000053
表示由隐藏向量g提供的输入与重构成新的距离目标直方图的几何特征向量之间的均方误差，Y′是Y的相反过程，表示用隐藏层中的向量重构新的距离目标直方图的几何特征向量；αr||W||1表示通过非零的惩罚因子来保证式中的稀疏性表达，||W||1表示对深度置信网络每一层的权重矩阵的L1正则化，αr为稀疏系数；
每一个玻尔兹曼机的训练过程通过迭代循环，当其目标损失函数小于0.05，则趋于稳定收敛而结束训练过程同时保存玻尔兹曼机的参数值，得到预训练完成的玻尔兹曼机模型，若干个预训练完成的玻尔兹曼机模型叠加成预训练完成的深度置信网络。
优选地，重新把降维后的训练用距离目标直方图的几何特征向量输入到所述预训练好的深度置信网络模型中进行微调训练，损失函数使用均方误差损失函数:
Figure BDA0002013922630000061
当均方误差损失函数损失值小于0.05，则趋于稳定收敛，保存参数值，完成深度置信网络模型的训练；
其中函数D表示三个玻尔兹曼机结构堆叠成的经过预训练的深度置信网络模型；dt为降维后的训练用距离目标直方图的几何特征向量；dv_i为采用步骤三降维后的训练用剂量-体积直方图的剂量特征向量的第i个成分；i个成分需要建立i个不同的深度置信网络，i个深度置信网络的预测输出对应的一组降维后的剂量特征向量。
优选地，所述步骤六通过解码层重构的n维剂量特征向量，把重构的n维剂量特征向量作为新的剂量-体积直方图的坐标点的纵坐标，即m’j(j∈1,2,…,n),把剂量分数值nj(j∈1,2,…,n)作为坐标点的横坐标，得到新的n个坐标点((nj,m’j)j∈1,2,…,n)；连接这n个坐标点绘制的曲线即为预测危险器官的剂量-体积直方图。
本发明还公开一种食管放射治疗计划中风险器官剂量学评估系统，包括，
编码层，用以对距离目标直方图的几何特征向量进行降维，得到降维后的几何特征向量；
深度置信网络模型，降维后的几何特征向量通过训练后的深度置信网络非线性地拟合剂量特征向量和降维后几何特征向量之间的相关性，得到与降维后的几何特征向量的维度相同的剂量特征向量；
解码层，用以将剂量特征向量重构，得到与降维前的几何特征向量的维度相同的剂量特征向量。
优选地，深度置信网络模型包括若干个玻尔兹曼机堆叠形成的；训练过程为先对每一个玻尔兹曼机进行预训练，再把预训练好的玻尔兹曼机堆叠起来作为深度置信网络的整体进行网络微调训练。
本发明通过对应实验开始采样DVH的50个坐标点的剂量值，进而得到50个坐标点，每个坐标点对应相应剂量值下的体积分数值。
本发明的优点在于：在对于新患者预测OAR的DVH时，首先计算OAR的DTH，其次可以通过对DTH曲线进行采样来建立50维DTH特征向量，然后通过自动编码器将该特征向量简化为三维特征向量。其相应的三维DVH特征向量可以用相应的深度置信网络模型映射得到。最后，使用自动编码器中的解码层来重建DVH特征向量，最终得到预测的OAR的DVH。
本发明是深度学习技术的一次有效应用，相对于提取几何特征的线性模型和传统的机器学习方法来预测食管癌放疗剂量学特征而言，根据OAR与PTV的几何关系进行食管放射治疗计划的OAR的剂量的自动评估。实验证明，该模型方法能够实现准确的DVH预测并且可以为食管治疗计划提供接近最优的参数，这可以显著缩短制定食管癌放疗计划时间以达到减轻物理放疗师的负担。
附图说明
图1为本发明实施例1的结构流程图。
图2为本发明实施例1的剂量-体积直方图。
图3为本发明实施例1的距离目标直方图。
图4为本发明实施例1的自动编码器的结构图。
图5为本发明实施例1的深度置信网络的结构图。
图6为本发明实施例2的脊髓的模型预测剂量体积直方图和临床实际剂量体积直方图效果对比图。图中，上边界是位置在上的曲线，下边界是位置在下的曲线。
图7为本发明实施例2的心脏的模型预测剂量体积直方图和临床实际剂量体积直方图效果对比图。图中，上边界是位置在上的曲线，下边界是位置在下的曲线。
图8为本发明实施例2的右肺的模型预测剂量体积直方图和临床实际剂量体积直方图效果对比图。图中，上边界是位置在上的曲线，下边界是位置在下的曲线。
图9为本发明实施例2的左肺的模型预测剂量体积直方图和临床实际剂量体积直方图效果对比图。图中，上边界是位置在上的曲线，下边界是位置在下的曲线。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本实施例公开一种食管放射治疗计划中风险器官剂量学评估方法，包括以下步骤：
步骤一、从收集食管癌病人的VMAT计划数据信息，本实施例通过包括使用基于Matlab的放射学研究平台CERR包，从原始放疗数据中提取出CT图像、结构轮廓图像；
步骤二、对食管癌VMAT计划数据进行计算，得到距离目标直方图(DTH)，并通过距离目标直方图构建距离目标直方图的几何特征向量；
DTH根据结构轮廓图像和CT图像(CT图像为切片图，剖面视图，每一张剖面图都有3mm厚度，代表z轴高度，剖面图中显示有水平几何信息)中表征的危险器官以及计划靶区的几何结构信息，计算危险器官和计划靶区的空间几何距离以及相应距离对应的重叠体积，绘制出DTH。
通过计算危险器官的体积百分数来建立距离目标直方图，
Figure BDA0002013922630000091
其中vi OAR表示危险器官的第i个体素；vkPTV表示计划靶区的第k个体素；SPTV为计划靶区的体素集合；r(viOAR，PTV)为危险器官的体素到计划靶区表面的欧式距离；
使用距离目标直方图来表示通过计划靶区轮廓等距外扩或者得到不同距离的外扩或者收缩计划靶区轮廓，计算危险器官与各外扩计划靶区轮廓的重叠区域的体积百分数；利用不同距离上的重叠体积百分数表示计划靶区和危险器官的几何关系。特别的，当距离值为负值时，以表示计划靶区对危险器官的侵入。
本实施例从距离目标直方图的曲线x轴等距离选取50个坐标点((xi,yi)i∈1,2,…,50)；用选取的这50个离散坐标点来表达出这条曲线；每个坐标点包含体积分数值yi(i∈1,2,…,50)和相应的距离值xi(i∈1,2,…,50)；yi表示第i个坐标的体积分数值，yi(i∈1,2,…,50)为向量元素，用以构建50维距离目标直方图的几何特征向量；xi表示第i个坐标的距离值；
步骤三、采用自动编码器中的编码层对步骤二中的距离目标直方图的几何特征向量进行降维，得到降维后的几何特征向量即距离目标直方图降维特征向量；
如图4所示，本实施例的自动编码器包括4个编码层和3个的解码层构成。图中的数字指的是编码器或者解码器某一层中的神经元个数。
每个编码层通过一个完全连接层缩小来压缩输入的维数，此层中每个神经元的激活函数为：
P(hi＝1|vi)＝sigmoid(ci+Wivi)
其中vi表示第i层编码层中作为输入的经i-1次降维后的特征向量，hi表示第i层编码层中作为输出的经i次降维后的特征向量，hi,vi∈{0,1},Wi表示第i层编码层的权重矩阵；ci是第i层编码层的偏差值；这里hi的维数小于vi，因此编码层能减少输入特征向量的维数；
解码层是一个与编码层相反的过程，它通过增加输入特征向量的维数来重建原始输入的特征向量；
P(vj＝1|hj)＝sigmoid(bj+Wjhj)
其中hj表示第j层解码层中作为输入的经j-1次升维后的特征向量，vj表示第i层解码层中作为输出的经j次升维后的特征向量，hj,vj∈{0,1},Wj表示第j层解码层的权重矩阵，bj是第j层解码层的偏差值，这里vj的维数大于hj的维数，因此解码层可以发挥特征重构的作用。
步骤四、建立深度置信网络模型，迭代直至其收敛，完成深度置信网络模型的训练；
首先搜集训练用食管癌病人的VMAT计划数据，作为训练集数据，并从训练集数据中提取出训练用CT图像、训练用结构轮廓图像，计算训练用剂量-体积直方图(DVH)、训练用距离目标直方图；
本实施例的DVH使用基于Matlab的放射学研究平台CERR包，直接使用内置函数提取。也可以从剂量图中提取剂量信息，以及相应位置处的体积信息，绘制DVH，DVH的x轴代表危险器官接受剂量的剂量百分比，y轴代表体积百分数，表示该体积接受的剂量等于或者大于x轴标明的剂量。
本发明从计算训练用剂量-体积直方图(DVH)的曲线x轴等距离选取50个坐标点((nj,mj)j∈1,2,…,50)；用选取的这50个离散坐标点来表达出这条曲线；每个坐标点包含体积分数值mj(j∈1,2,…,50)和相应的剂量分数值nj(j∈1,2,…,50)；mj表示第j个坐标的体积分数值，mj(j∈1,2,…,50)为向量元素，用以构建50维训练用剂量-体积直方图的剂量特征向量；nj表示第j个坐标的剂量分数值；
训练集数据中的训练用距离目标直方图通过步骤三降维后的训练用距离目标直方图的三维几何特征向量dt＝(dt_1,dt_2,dt_3)作为深度置信网络输入，其中dt_1,dt_2,dt_3分别表示降维后的三维几何特征向量的第一个维度的成分，第二个维度的成分和第三个维度的成分；通过步骤三降维后的训练用剂量-体积直方图的剂量特征向量dv＝(dv_1,dv_2,dv_3)；dv_1,dv_2,dv_3分别表示降维后的三维剂量特征向量的第一个维度的成分，第二个维度的成分和第三个维度的成分。
深度置信网络包括若干个玻尔兹曼机堆叠形成的，本实施例采用三个玻尔兹曼机。训练过程为先对每一个玻尔兹曼机进行预训练，再把预训练好的玻尔兹曼机堆叠起来作为深度置信网络的整体进行网络微调训练；
首先对每一个玻尔兹曼机的结构进行预训练。每一个玻尔兹曼机结构包括相应的可见层v和隐藏层h。
玻尔兹曼机在训练过程中的迭代步骤为：首先将可见层中的降维后的距离目标直方图的几何特征向量映射到隐藏层中，然后用隐藏层中的向量重构新的距离目标直方图的几何特征向量，再将重构的距离目标直方图的几何特征向量映射到隐藏层中，这个过程表示为一个循环，每个玻尔兹曼机在预训练过程中重复三次循环更新玻尔兹曼机可见层与隐藏层中的权重矩阵；
在深度置信网络的每一层中，目标损失函数是：
Figure BDA0002013922630000121
式中dt为降维后的训练用距离目标直方图的几何特征向量，也是每一个玻尔兹曼机结构的可见层的输入向量。式中
Figure BDA0002013922630000122
表示降维后的训练用距离目标直方图的几何特征向量dt到隐藏层特征向量g的均方误差，αs为实验中经验确定的约束系数，函数Y表示玻尔兹曼机结构中可见层到隐藏层的过程，其能量函数为：
Figure BDA0002013922630000123
其中θ＝{Wij,ai,bj}是玻尔兹曼机的参数，他们均为实数。其中Wij表示可见向量与隐藏向量之间的权重，可见层共有可见向量(降维后的训练用距离目标直方图特征的向量dt)单元i个，vi表示可见层可见向量的第i个单元，隐藏层共有隐藏向量单元j个，hj表示隐藏层隐藏向量的第j个单元；ai表示第i个可见向量单元的偏置，bj表示第j个隐藏向量单元的偏置；
Figure BDA0002013922630000124
表示由隐藏向量g提供的输入与重构成新的距离目标直方图的几何特征向量之间的均方误差，Y′是Y的相反过程，表示用隐藏层中的向量重构新的距离目标直方图的几何特征向量；αr||W||1表示通过非零的惩罚因子来保证式中的稀疏性表达，||W||1表示对深度置信网络每一层的权重矩阵的L1正则化，αr为稀疏系数；
每一个玻尔兹曼机结构的可见层的可见向量i的个数是不同的，因为最后要把三个玻尔兹曼机结构堆叠在一起，所以第一层的隐藏层的向量单元个数j是第二层的可见层的向量单元个数，即第一层的输出个数为第二层的输入个数。
本实施例对于第一个玻尔兹曼机结构，可见层的可见向量单元个数为30个，隐藏层的隐藏向量单元个数为25个；同理，对于第二个玻尔兹曼机结构，可见层的可见向量单元个数维25个，隐藏层的隐藏向量单元个数为10个；以此类推第三个玻尔兹曼机结构，可见层的可见向量单元个数维10个，隐藏层的隐藏向量单元个数为5个。
每一个玻尔兹曼机的训练过程通过迭代循环，当其目标损失函数小于0.05，则趋于稳定收敛而结束训练过程同时保存玻尔兹曼机的参数值，得到预训练完成的玻尔兹曼机模型，若干个预训练完成的玻尔兹曼机模型叠加成预训练完成的深度置信网络。
对于预训练好的三个玻尔兹曼机组成的深度置信网络模型，重新把降维后的训练用距离目标直方图的几何特征向量输入到该深度置信网络模型中进行微调训练，损失函数使用均方误差损失函数:
Figure BDA0002013922630000131
当均方误差损失函数损失值小于0.05，则趋于稳定收敛，保存参数值，完成深度置信网络模型的训练。
其中函数D表示三个玻尔兹曼机结构堆叠成的经过预训练的深度置信网络模型；dt为降维后的训练用距离目标直方图的几何特征向量；dv_i为采用步骤三降维后的训练用剂量-体积直方图的剂量特征向量的第i个成分；本实施例降维后的训练用剂量-体积直方图的剂量特征向量为三维剂量-体积直方图的特征向量，故存在三个成分，三个成分需要建立三个不同的深度置信网络，三个深度置信网络的预测输出对应的一组降维后的剂量特征向量。
步骤五、降维后的几何特征向量通过训练后的深度置信网络非线性地拟合剂量特征向量和降维后几何特征向量之间的相关性，预测得到降维后的剂量特征向量；
降维后的几何特征向量和降维后的剂量特征向量之间的非线性相关性由三个非线性函数构成三个深度置信网络模型来拟合函数；降维后三维的剂量特征向量和降维后三维的几何特征向量之间的非线性相关性为：
Figure BDA0002013922630000141
Fi表示第i个由三个玻尔兹曼机结构组成的深度置信网络模型，对应输出为第i个剂量特征向量的dv_i；由于本实施例降维后的剂量特征维度为三维，故i∈[1,3]；通过三个深度置信网络模型得到一组三维的剂量特征向量dvp＝(dvp_1,dvp_2,dvp_3)。
本发明dvp的获得存在于验证用或者临床用食管癌病人的VMAT计划数据信息的处理。
步骤六、通过步骤三中的自动编码器中的解码层把预测得到的降维后的三维剂量特征向量dvp＝(dvp_1,dvp_2,dvp_3)重构回原始维度(50维)的剂量特征向量，最终得到预测危险器官的剂量-体积直方图。
进一步，优选地，通过本发明方法得到的剂量-体积直方图与现有技术得到的剂量-体积直方图进行比对，进一步验证本发明方法的精确性。如达不到设定要求，则进一步训练深度置信网络模型。
通过解码层重构的50维剂量特征向量，把重构的50维剂量特征向量作为新的剂量-体积直方图的坐标点的纵坐标，即m’j(j∈1,2,…,50),把剂量分数值nj(j∈1,2,…,50)作为坐标点的横坐标，得到新的50个坐标点((nj,m’j)j∈1,2,…,50)；连接这50个坐标点绘制的曲线即为模型预测的DVH曲线(预测危险器官的剂量-体积直方图)。
实施例2
本实施例与上述实施例的区别在于，共收集食管癌VMAT计划80例，平均分成8份，每份10例计划。在第一组实验中选择第一份作为测试集数据，其余作为训练集数据，第二组实验中选择第二份作为测试集数据，其余作为训练集数据，以此类推，完成八组实验，计算八组实验的平均值，作为最后的实验结果。
数据分类和预处理：
从收集的优质食管癌VMAT计划中计算得出病人的危险器官对应的剂量信息，本实施例中目标危险器官分别是左肺，右肺，心脏，脊髓。分别计算出相对应的剂量-体积直方图。每一种危险器官得到80组DVH。通过等剂量间隔采样DVH曲线中的50个坐标点，每个坐标点包含剂量分数值和相应的体积分数值。选择体积分数值来构建一个50维的DVH特征向量。
从收集的优质食管癌VMAT计划中分别计算出病人的目标危险器官(左肺，右肺，心脏，脊髓)的距离目标直方图，用来描述放射靶区与危险器官之间的几何关系。每一种危险器官得到80组DTH。从DTH曲线中选择具有相等距离间隔的50个坐标点。每个坐标点包含体积分数值和相应的距离值。选择体积分数值来构建50维DTH特征向量。
本发明在对于新患者预测OAR的DVH时，首先计算OAR的DTH，其次可以通过对DTH曲线进行采样来建立50维DTH特征向量，然后通过自动编码器将该特征向量简化为三维特征向量。其相应的三维DVH特征向量可以用相应的深度置信网络模型映射得到。最后，使用自动编码器中的解码层来重建DVH特征向量，最终得到预测的OAR的DVH。
综上所述，本发明是深度学习技术的一次有效应用，相对于提取几何特征的线性模型和传统的机器学习方法来预测食管癌放疗剂量学特征而言，根据OAR与PTV的几何关系进行食管放射治疗计划的OAR的剂量的自动评估。实验证明，该模型方法能够实现准确的DVH预测并且可以为食管治疗计划提供接近最优的参数，这可以显著缩短制定食管癌放疗计划时间以达到减轻物理放疗师的负担。
需要说明的是，在本文中，如若存在第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (9)

1.一种食管放射治疗计划中风险器官剂量学评估方法，其特征在于，包括以下步骤：
步骤一、收集食管癌病人的VMAT计划数据信息，包括提取出的CT图像、结构轮廓图像；
步骤二、对食管癌VMAT计划数据信息计算，得到距离目标直方图；
步骤三、采用自动编码器结构中的编码层对步骤二中的距离目标直方图的几何特征向量进行降维，得到降维后的几何特征向量；
步骤四、建立深度置信网络模型，迭代直至其收敛，完成深度置信网络模型的训练；
步骤五、降维后的几何特征向量通过训练后的深度置信网络非线性地拟合剂量特征向量和降维后几何特征向量之间的相关性，得到与降维后的几何特征向量的维度相同的剂量特征向量；
步骤六、通过自动编码器结构的解码层将从步骤五的剂量特征向量重构，得到与降维前的几何特征向量的维度相同的剂量特征向量，最终得到预测危险器官的剂量-体积直方图；
其中，在所述步骤四中，搜集训练用食管癌病人的VMAT计划数据，作为训练集数据，并从训练集数据中提取出训练用CT图像、训练用结构轮廓图像，计算训练用剂量-体积直方图、训练用距离目标直方图；并计算得到训练用剂量-体积直方图的剂量特征向量、训练用距离目标直方图的几何特征向量；并通过自动编码器结构的解码层得到降维后的训练用剂量-体积直方图的剂量特征向量、降维后的训练用距离目标直方图的几何特征向量；
对每一个玻尔兹曼机的结构进行预训练；每一个玻尔兹曼机结构包括相应的可见层v和隐藏层h；
玻尔兹曼机在训练过程中的迭代步骤为：首先将可见层中的降维后的距离目标直方图的几何特征向量映射到隐藏层中，然后用隐藏层中的向量重构新的距离目标直方图的几何特征向量，再将重构的距离目标直方图的几何特征向量映射到隐藏层中，这个过程表示为一个循环，每个玻尔兹曼机在预训练过程中重复三次循环更新玻尔兹曼机可见层与隐藏层中的权重矩阵；
在深度置信网络的每一层中，目标损失函数是：
Figure FDA0003856490500000021
式中dt为降维后的训练用距离目标直方图的几何特征向量，也是每一个玻尔兹曼机结构的可见层的输入向量；式中
Figure FDA0003856490500000022
表示降维后的训练用距离目标直方图的几何特征向量dt到隐藏层特征向量g的均方误差，αs为实验中经验确定的约束系数，函数Y(dt)表示玻尔兹曼机结构中可见层到隐藏层的过程，其能量函数为：
Figure FDA0003856490500000023
其中θ＝{Wij,ai,bj}是玻尔兹曼机的参数，其中Wij表示可见向量与隐藏向量之间的权重，可见层共有可见向量单元i个，隐藏层共有隐藏向量单元j个，ai表示第i个可见向量单元的偏置，bj表示第j个隐藏向量单元的偏置；
Figure FDA0003856490500000024
表示由隐藏向量g提供的输入与重构成新的距离目标直方图的几何特征向量之间的均方误差，Y′(g)是Y的相反过程，表示用隐藏层中的向量重构新的距离目标直方图的几何特征向量；αr||W||1表示通过非零的惩罚因子来保证式中的稀疏性表达，||W||1表示对深度置信网络每一层的权重矩阵的L1正则化，αr为稀疏系数；hjj表示第jj层解码层中作为输入的经jj-1次升维后的特征向量；vii表示第ii层编码层中作为输入的经ii-1次降维后的特征向量；
每一个玻尔兹曼机的训练过程通过迭代循环，当其目标损失函数小于设定阈值，则趋于稳定收敛而结束训练过程同时保存玻尔兹曼机的参数值，得到预训练完成的玻尔兹曼机模型，若干个预训练完成的玻尔兹曼机模型叠加成预训练完成的深度置信网络。
2.根据权利要求1所述的食管放射治疗计划中风险器官剂量学评估方法，其特征在于，所述步骤二中通过计算风险器官的体积百分数来建立距离目标直方图，
Figure FDA0003856490500000031
其中vio OAR表示危险器官的第io个体素；vk PTV表示计划靶区的第k个体素；SPTV为计划靶区的体素集合；r(vio OAR，PTV)为危险器官的体素到计划靶区表面的欧式距离。
3.根据权利要求2所述的食管放射治疗计划中风险器官剂量学评估方法，其特征在于，从距离目标直方图的曲线x轴等距离选取n个坐标点(xiii,yiii)，iii∈1,2,…,n；用选取的这n个离散坐标点来表达出这条曲线；每个坐标点包含体积分数值yiii和相应的距离值xiii；yiii表示第iii个坐标的体积分数值，yiii为向量元素，用以构建n维距离目标直方图的几何特征向量；xiii表示第iii个坐标的距离值。
4.根据权利要求1所述的食管放射治疗计划中风险器官剂量学评估方法，其特征在于，编码器由若干个编码层和若干个的解码层构成；
每个编码层通过一个完全连接层缩小来压缩输入的维数，此层中每个神经元的激活函数为：
P(hii＝1|vii)＝sigmoid(cii+Wiivii)
其中vii表示第ii层编码层中作为输入的经ii-1次降维后的特征向量，hii表示第ii层编码层中作为输出的经ii次降维后的特征向量，hii,vii∈{0,1},Wii表示第ii层编码层的权重矩阵；cii是第ii层编码层的偏差值；这里hii的维数小于vii，
解码层是一个与编码层相反的过程，它通过增加输入特征向量的维数来重建原始输入的特征向量；
P(vjj＝1|hjj)＝sigmoid(djj+Wjjhjj)
其中hjj表示第jj层解码层中作为输入的经jj-1次升维后的特征向量，vjj表示第ii层解码层中作为输出的经jj次升维后的特征向量，hjj,vjj∈{0,1},Wjj表示第jj层解码层的权重矩阵，djj是第jj层解码层的偏差值，这里vjj的维数大于hjj的维数。
5.根据权利要求1所述的食管放射治疗计划中风险器官剂量学评估方法，其特征在于，所述步骤四中的深度置信网络模型包括若干个玻尔兹曼机堆叠形成的；训练过程为先对每一个玻尔兹曼机进行预训练，再把预训练好的玻尔兹曼机堆叠起来作为深度置信网络的整体进行网络微调训练。
6.根据权利要求5所述的食管放射治疗计划中风险器官剂量学评估方法，其特征在于，重新把降维后的训练用距离目标直方图的几何特征向量输入到所述预训练好的深度置信网络模型中进行微调训练，损失函数使用均方误差损失函数:
Figure FDA0003856490500000051
当均方误差损失函数损失值小于设定阈值，则趋于稳定收敛，保存参数值，完成深度置信网络模型的训练；
其中函数D(dt)表示三个玻尔兹曼机结构堆叠成的经过预训练的深度置信网络模型；dt为降维后的训练用距离目标直方图的几何特征向量；dv_d为采用步骤三降维后的训练用剂量-体积直方图的剂量特征向量的第d个成分；d个成分需要建立d个不同的深度置信网络，d个深度置信网络的预测输出对应的一组降维后的剂量特征向量。
7.根据权利要求1所述的食管放射治疗计划中风险器官剂量学评估方法，其特征在于，所述步骤六通过解码层重构n维剂量特征向量，把重构的n维剂量特征向量作为新的剂量-体积直方图的坐标点的纵坐标，即m’j，j∈1,2,…,n，把剂量分数值nj作为坐标点的横坐标，得到新的n个坐标点(nj,m’j)；连接这n个坐标点绘制的曲线即为预测危险器官的剂量-体积直方图。
8.一种食管放射治疗计划中风险器官剂量学评估系统，其特征在于，包括，
编码层，用以对距离目标直方图的几何特征向量进行降维，得到降维后的几何特征向量；
深度置信网络模型，降维后的几何特征向量通过训练后的深度置信网络非线性地拟合剂量特征向量和降维后几何特征向量之间的相关性，得到与降维后的几何特征向量的维度相同的剂量特征向量；
解码层，用以将剂量特征向量重构，得到与降维前的几何特征向量的维度相同的剂量特征向量；
其中，在所述深度置信网络模型中，搜集训练用食管癌病人的VMAT计划数据，作为训练集数据，并从训练集数据中提取出训练用CT图像、训练用结构轮廓图像，计算训练用剂量-体积直方图、训练用距离目标直方图；并计算得到训练用剂量-体积直方图的剂量特征向量、训练用距离目标直方图的几何特征向量；并通过自动编码器结构的解码层得到降维后的训练用剂量-体积直方图的剂量特征向量、降维后的训练用距离目标直方图的几何特征向量；
对每一个玻尔兹曼机的结构进行预训练；每一个玻尔兹曼机结构包括相应的可见层v和隐藏层h；
玻尔兹曼机在训练过程中的迭代步骤为：首先将可见层中的降维后的距离目标直方图的几何特征向量映射到隐藏层中，然后用隐藏层中的向量重构新的距离目标直方图的几何特征向量，再将重构的距离目标直方图的几何特征向量映射到隐藏层中，这个过程表示为一个循环，每个玻尔兹曼机在预训练过程中重复三次循环更新玻尔兹曼机可见层与隐藏层中的权重矩阵；
在深度置信网络的每一层中，目标损失函数是：
Figure FDA0003856490500000071
式中dt为降维后的训练用距离目标直方图的几何特征向量，也是每一个玻尔兹曼机结构的可见层的输入向量；式中
Figure FDA0003856490500000072
表示降维后的训练用距离目标直方图的几何特征向量dt到隐藏层特征向量g的均方误差，αs为实验中经验确定的约束系数，函数Y(dt)表示玻尔兹曼机结构中可见层到隐藏层的过程，其能量函数为：
Figure FDA0003856490500000073
其中θ＝{Wij,ai,bj}是玻尔兹曼机的参数，其中Wij表示可见向量与隐藏向量之间的权重，可见层共有可见向量单元i个，隐藏层共有隐藏向量单元j个，ai表示第i个可见向量单元的偏置，bj表示第j个隐藏向量单元的偏置；
Figure FDA0003856490500000074
表示由隐藏向量g提供的输入与重构成新的距离目标直方图的几何特征向量之间的均方误差，Y′(g)是Y的相反过程，表示用隐藏层中的向量重构新的距离目标直方图的几何特征向量；αr||W||1表示通过非零的惩罚因子来保证式中的稀疏性表达，||W||1表示对深度置信网络每一层的权重矩阵的L1正则化，αr为稀疏系数；hjj表示第jj层解码层中作为输入的经jj-1次升维后的特征向量；vii表示第ii层编码层中作为输入的经ii-1次降维后的特征向量；
每一个玻尔兹曼机的训练过程通过迭代循环，当其目标损失函数小于设定阈值，则趋于稳定收敛而结束训练过程同时保存玻尔兹曼机的参数值，得到预训练完成的玻尔兹曼机模型，若干个预训练完成的玻尔兹曼机模型叠加成预训练完成的深度置信网络。
9.根据权利要求8所述的食管放射治疗计划中风险器官剂量学评估系统，其特征在于，深度置信网络模型包括若干个玻尔兹曼机堆叠形成的；训练过程为先对每一个玻尔兹曼机进行预训练，再把预训练好的玻尔兹曼机堆叠起来作为深度置信网络的整体进行网络微调训练。
CN201910256615.3A 2019-04-01 2019-04-01 食管放射治疗计划中风险器官剂量学评估方法、评估系统 Active CN109859817B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201910256615.3A CN109859817B (zh) 2019-04-01 2019-04-01 食管放射治疗计划中风险器官剂量学评估方法、评估系统
PCT/CN2020/077844 WO2020199836A1 (zh) 2019-04-01 2020-03-04 食管放射治疗计划中风险器官剂量学评估方法、评估系统
US17/437,845 US11515025B2 (en) 2019-04-01 2020-03-04 Dosimetry assessment method and system for organ at risk in esophageal radiotherapy plan

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910256615.3A CN109859817B (zh) 2019-04-01 2019-04-01 食管放射治疗计划中风险器官剂量学评估方法、评估系统

Publications (2)

Publication Number Publication Date
CN109859817A CN109859817A (zh) 2019-06-07
CN109859817B true CN109859817B (zh) 2022-12-09

Family

ID=66902760

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910256615.3A Active CN109859817B (zh) 2019-04-01 2019-04-01 食管放射治疗计划中风险器官剂量学评估方法、评估系统

Country Status (3)

Country Link
US (1) US11515025B2 (zh)
CN (1) CN109859817B (zh)
WO (1) WO2020199836A1 (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109859817B (zh) * 2019-04-01 2022-12-09 安徽大学 食管放射治疗计划中风险器官剂量学评估方法、评估系统
CN110604550B (zh) * 2019-09-24 2022-06-21 广州医科大学附属肿瘤医院 一种肿瘤放疗后正常组织器官并发症预测模型的建立方法
WO2021251005A1 (ja) * 2020-06-09 2021-12-16 ソニーセミコンダクタソリューションズ株式会社 信号処理装置、信号処理方法
RU2744748C2 (ru) * 2020-09-03 2021-03-15 Федеральное государственное бюджетное учреждение «Национальный медицинский исследовательский центр радиологии» Министерства здравоохранения Российской Федерации (ФГБУ «НМИЦ радиологии» Минздрава России) Способ лечения плоскоклеточного рака головы и шеи
CN113256436A (zh) * 2021-07-02 2021-08-13 平安科技（深圳）有限公司 车险赔付预提示方法、装置、设备及存储介质
CN117717719B (zh) * 2023-09-07 2024-07-23 山东卓业医疗科技有限公司 一种在粒子放射剂量模型中计算靶区dvh的方法
CN117877721B (zh) * 2024-03-12 2025-03-07 天津市肿瘤医院（天津医科大学肿瘤医院） 一种个性化甲状腺癌放疗后内分泌治疗管理系统
CN119314642A (zh) * 2024-11-29 2025-01-14 新能康技术有限公司 一种基于智能ai的慢性病患者信息管理系统及方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102306239A (zh) * 2011-07-22 2012-01-04 李宝生 基于锥形束ct图像ct值校正技术的放疗剂量评估和优化方法
WO2015176011A1 (en) * 2014-05-15 2015-11-19 The Johns Hopkins University Method, system and computer-readable media for treatment plan risk analysis
CN105358217A (zh) * 2013-06-18 2016-02-24 杜克大学 在特定治疗标准及特定治疗参数下用于特定患者放射治疗计划的系统和方法
CN105447330A (zh) * 2015-12-30 2016-03-30 上海联影医疗科技有限公司 调强放射治疗的权重调整方法和装置
CN105854191A (zh) * 2016-04-26 2016-08-17 中国科学院合肥物质科学研究院 一种放射治疗中三维剂量验证系统及验证方法
CN109166613A (zh) * 2018-08-20 2019-01-08 北京东方瑞云科技有限公司 基于机器学习的放射治疗计划评估系统及方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014068435A2 (en) * 2012-10-29 2014-05-08 Koninklijke Philips N.V. Automatic optimal imrt/vmat treatment plan generation.
US9409039B2 (en) 2013-05-21 2016-08-09 Varian Medical Systems International Ag Systems and methods for automatic creation of dose prediction models and therapy treatment plans as a cloud service
CN104751498B (zh) 2013-12-31 2018-01-23 深圳市医诺智能科技发展有限公司 一种放疗计划呈现方法及系统
US11517768B2 (en) * 2017-07-25 2022-12-06 Elekta, Inc. Systems and methods for determining radiation therapy machine parameter settings
US11011264B2 (en) 2017-08-09 2021-05-18 Varian Medical Systems International Ag Radiotherapy treatment planning using artificial intelligence (AI) engines
CN107441637B (zh) * 2017-08-30 2019-06-07 南方医科大学 调强放疗计划中三维剂量分布的预测方法及其应用
WO2020047536A1 (en) * 2018-08-31 2020-03-05 Board Of Regents, University Of Texas System Deep learning based dosed prediction for treatment planning and quality assurance in radiation therapy
CN109859817B (zh) 2019-04-01 2022-12-09 安徽大学 食管放射治疗计划中风险器官剂量学评估方法、评估系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102306239A (zh) * 2011-07-22 2012-01-04 李宝生 基于锥形束ct图像ct值校正技术的放疗剂量评估和优化方法
CN105358217A (zh) * 2013-06-18 2016-02-24 杜克大学 在特定治疗标准及特定治疗参数下用于特定患者放射治疗计划的系统和方法
WO2015176011A1 (en) * 2014-05-15 2015-11-19 The Johns Hopkins University Method, system and computer-readable media for treatment plan risk analysis
CN105447330A (zh) * 2015-12-30 2016-03-30 上海联影医疗科技有限公司 调强放射治疗的权重调整方法和装置
CN105854191A (zh) * 2016-04-26 2016-08-17 中国科学院合肥物质科学研究院 一种放射治疗中三维剂量验证系统及验证方法
CN109166613A (zh) * 2018-08-20 2019-01-08 北京东方瑞云科技有限公司 基于机器学习的放射治疗计划评估系统及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Histogram analysis of CT scans for patients with post-mastectomy lymphedema;Maxine Tan;《2011 18th IEEE International Conference on Image Processing》;20111229;全文 *
基于神经网络学习方法的放疗计划三维剂量分布预测;孔繁图等;《南方医科大学学报》;20180627(第06期);全文 *

Also Published As

Publication number Publication date
US11515025B2 (en) 2022-11-29
CN109859817A (zh) 2019-06-07
WO2020199836A1 (zh) 2020-10-08
US20220101974A1 (en) 2022-03-31

Similar Documents

Publication Publication Date Title
CN109859817B (zh) 食管放射治疗计划中风险器官剂量学评估方法、评估系统
US11386557B2 (en) Systems and methods for segmentation of intra-patient medical images
CN114681813B (zh) 放射治疗自动计划系统、自动计划方法及存储介质
CN110354406A (zh) 一种放射治疗的三维剂量预测方法和系统
CN110211664B (zh) 一种基于机器学习自动设计放射治疗方案的系统
CN110085298B (zh) 基于深度网络学习的调强放疗计划三维剂量分布预测方法
CN112546463B (zh) 基于深度神经网络的放疗剂量自动预测方法
CN108815721B (zh) 一种照射剂量确定方法及系统
CN111028914B (zh) 人工智能引导的剂量预测方法与系统
CN113674834B (zh) 基于剂量分布预览系统的放疗靶区确立和修正方法
CN113795303B (zh) 用于放射治疗规划的质量感知持续学习的方法和系统
CN109801696A (zh) 一种人工智能的云放疗计划方法、设备、存储介质和系统
US12128250B2 (en) Fluence map prediction and treatment plan generation for automatic radiation treatment planning
Johnston et al. Dose-volume-based evaluation of convolutional neural network-based auto-segmentation of thoracic organs at risk
Zhang et al. DoseDiff: distance-aware diffusion model for dose prediction in radiotherapy
CN116206729A (zh) 基于卷积神经网络的调强放疗计划三维剂量分布预测方法
CN119499565A (zh) 一种用于患者放射治疗的自适应辅助决策方法、系统、设备及介质
CN118366614B (zh) 硼中子俘获治疗计划疗效预测模型构建方法和装置
CN113178242A (zh) 一种基于耦合式生成对抗网络的自动计划优化系统
Wildman et al. Recent Advances in Applying Machine Learning to Proton Radiotherapy
WO2024168504A1 (en) Accelerated dose calculation using deep learning
CN120727202B (zh) 蒙特卡罗深度学习质子放疗物理生物剂量建模方法与系统
CN117036426B (zh) 一种基于gan用于igrt精确配准的有限角度cbct重建方法
CN115270588B (zh) 一种注量谱分布计算建模、注量谱分布计算方法及装置
CN120126684A (zh) 一种鼻咽癌放疗计划生成方法、装置及设备

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