[go: up one dir, main page]

CN119499565A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN119499565A
CN119499565A CN202411567000.XA CN202411567000A CN119499565A CN 119499565 A CN119499565 A CN 119499565A CN 202411567000 A CN202411567000 A CN 202411567000A CN 119499565 A CN119499565 A CN 119499565A
Authority
CN
China
Prior art keywords
radiotherapy
data
patient
treatment
tumor
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.)
Pending
Application number
CN202411567000.XA
Other languages
English (en)
Inventor
孙培平
李振江
尹勇
殷培钧
史西华
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.)
Shandong Institute of Cancer Prevention and Treatment
Original Assignee
Shandong Institute of Cancer Prevention and Treatment
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 Shandong Institute of Cancer Prevention and Treatment filed Critical Shandong Institute of Cancer Prevention and Treatment
Priority to CN202411567000.XA priority Critical patent/CN119499565A/zh
Publication of CN119499565A publication Critical patent/CN119499565A/zh
Pending legal-status Critical Current

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N5/00—Radiation therapy
    • A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
    • A61N5/103—Treatment planning systems
    • A61N5/1031—Treatment planning systems using a specific method of dose optimization
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N5/00—Radiation therapy
    • A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
    • A61N5/103—Treatment planning systems
    • A61N5/1038—Treatment planning systems taking into account previously administered plans applied to the same patient, i.e. adaptive radiotherapy
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N5/00—Radiation therapy
    • A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
    • A61N5/103—Treatment planning systems
    • A61N5/1039—Treatment planning systems using functional images, e.g. PET or MRI
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N5/00—Radiation therapy
    • A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
    • A61N5/1048—Monitoring, verifying, controlling systems and methods
    • A61N5/1049—Monitoring, verifying, controlling systems and methods for verifying the position of the patient with respect to the radiation beam
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N5/00—Radiation therapy
    • A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
    • A61N5/1048—Monitoring, verifying, controlling systems and methods
    • A61N5/1064—Monitoring, verifying, controlling systems and methods for adjusting radiation treatment in response to monitoring
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N5/00—Radiation therapy
    • A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
    • A61N5/1048—Monitoring, verifying, controlling systems and methods
    • A61N5/1064—Monitoring, verifying, controlling systems and methods for adjusting radiation treatment in response to monitoring
    • A61N5/1069—Target adjustment, e.g. moving the patient support
    • A61N5/107—Target adjustment, e.g. moving the patient support in real time, i.e. during treatment
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N5/00—Radiation therapy
    • A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
    • A61N5/1048—Monitoring, verifying, controlling systems and methods
    • A61N5/1071—Monitoring, verifying, controlling systems and methods for verifying the dose delivered by the treatment plan
    • 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N5/00—Radiation therapy
    • A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
    • A61N5/103—Treatment planning systems
    • A61N5/1031—Treatment planning systems using a specific method of dose optimization
    • A61N2005/1034—Monte Carlo type methods; particle tracking

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Urology & Nephrology (AREA)
  • Surgery (AREA)
  • Radiation-Therapy Devices (AREA)

Abstract

本申请公开了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，涉及智慧医疗领域。该方法包括：对多源的原始数据进行标准化和预处理；基于处理数据进行肿瘤和正常组织的自动分割及变化检测；在检测结果中勾画放射治疗中的肿瘤靶区和正常组织；根据勾画结果生成放射治疗剂量分布；采用优化评估方法评估放射治疗剂量分布，以生成多个替代治疗方案；基于多个替代治疗方案确定最优治疗方案；基于最优治疗方案实施放射治疗，并在放射治疗过程中实时监测患者的解剖变化，并动态调整最优治疗方案。本申请可有效整合患者放射治疗的多个操作，实现患者放射治疗的精准化和个性化，以更好地应对治疗过程中的复杂变化，提高治疗的整体效果。

Description

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
技术领域
本申请涉及智慧医疗领域，特别是涉及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。
背景技术
放射治疗是治疗多种癌症的主要手段之一，通过高能量的射线破坏癌细胞的DNA(DeoxyribonucleicAcid，脱氧核糖核酸)，从而抑制或消灭肿瘤。然而，放射治疗的挑战在于如何在最大程度上照射肿瘤组织的同时，尽量减少对周围正常组织的损伤。传统的放射治疗通常依赖于在治疗开始前制定的静态治疗计划，这些计划通常基于初始影像数据中的肿瘤位置和形状。然而，肿瘤和正常组织在治疗过程中可能发生显著的变化，包括肿瘤的缩小、位移、形态变化，或由于患者体重变化、呼吸或其他生理活动导致的器官移动。这些变化可能会导致计划外的放射剂量分布，从而降低治疗的有效性并增加副作用的风险。
现有的放射治疗技术包括静态放射治疗、图像引导放射治疗、自适应放射治疗等，这些治疗方式均有其局限性。在传统的静态放射治疗中，治疗计划一旦制定，通常在整个治疗周期内保持不变。然而，患者的生理变化使得这些静态计划难以有效应对治疗过程中肿瘤和正常组织的动态变化，缺乏实时调整的能力。图像引导放射治疗是目前应用广泛的一种技术，它通过在每次治疗前或治疗期间使用影像学技术【如锥形束CT(ComputedTomography，电子计算机断层扫描)、超声、MRI(Magnetic Resonance Imaging，磁共振成像)】来验证患者的位置和肿瘤的形状。IGRT(影像引导放射治疗，Image Guide RadiationTherapy)通常仍然基于预先制定的静态计划，仅通过简单的位移调整来修正患者的位置。此方法虽然能部分改善治疗的精度，但依旧存在无法东涛追踪和调整治疗过程中肿瘤变化、需要大量手动干预、无法更精细的优化剂量分布的问题。自适应放射治疗(AdaptiveRadiotherapy，ART)作为目前一种先进的放射治疗技术，通过在治疗过程中根据患者的生理变化动态调整治疗计划，旨在克服传统放射治疗和图像引导放射治疗的局限性。ART的基本思路是根据实时或阶段性影像数据，对肿瘤和正常组织的变化进行评估，并据此调整放射治疗计划。但现有ART技术在实际应用方面也存在数据处理复杂、需大量手动调整耗时长且容易出错、缺少智能化辅助决策支持的问题。
基于上述描述，已知技术在面对放射治疗过程中患者解剖结构的动态变化时，存在显著的局限性。传统的静态治疗计划和现有的影像引导技术未能充分满足动态调整的需求，自适应放射治疗虽然具有理论上的优势，但在实际应用中仍然受到多方面的技术挑战。例如，无法有效整合数据采集、影像分析、剂量优化、实时调整和智能决策支持等操作，不能实现患者放射治疗的精准化和个性化，无法更好地应对治疗过程中的复杂变化。
发明内容
本申请的目的是提供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，可有效整合数据采集、影像分析、剂量优化、实时调整和智能决策支持等操作，实现患者放射治疗的精准化和个性化，以更好地应对治疗过程中的复杂变化，提高治疗的整体效果。
为实现上述目的，本申请提供了如下方案：
第一方面，本申请提供了一种用于患者放射治疗的自适应辅助决策方法，包括：
获取用于患者放射治疗的原始数据；所述原始数据包括多模态影像数据、治疗历史数据、生物标志物数据及患者个体信息；
对所述原始数据进行标准化处理以及预处理，得到处理数据；
基于所述处理数据进行肿瘤和正常组织的自动分割及变化检测，得到检测结果；
在所述检测结果中勾画放射治疗中的肿瘤靶区和正常组织，得到勾画结果；
根据所述勾画结果生成放射治疗剂量分布；
采用优化评估方法评估所述放射治疗剂量分布得到评估结果，并基于所述评估结果生成多个替代治疗方案；
基于多个所述替代治疗方案确定最优治疗方案；
基于最优治疗方案实施放射治疗，并在放射治疗过程中实时监测患者的解剖变化，得到变化结果；
基于所述变化结果动态调整最优治疗方案。
可选地，对所述原始数据进行标准化处理以及预处理，得到处理数据，包括：
对所述原始数据进行标准化处理，得到标准化数据；
采用图像处理算法消除所述标准化数据中的噪声和伪影，得到中间数据；
利用配准算法对所述中间数据中的数据进行对齐处理，得到所述处理数据。
可选地，基于所述处理数据进行肿瘤和正常组织的自动分割及变化检测，得到检测结果，包括：
采用深度学习算法基于所述处理数据进行肿瘤和正常组织的自动分割及变化检测，得到所述检测结果。
可选地，根据所述勾画结果生成放射治疗剂量分布，包括：
采用剂量计算算法，根据所述勾画结果生成所述放射治疗剂量分布。
可选地，所述剂量计算算法至少包括蒙特卡洛算法和笔形束算法。
可选地，所述优化评估方法至少包括强化学习算法和遗传算法。
第二方面，本申请提供了一种用于患者放射治疗的自适应辅助决策系统，包括：
数据采集与预处理模块，用于获取用于患者放射治疗的原始数据，并对所述原始数据进行标准化处理以及预处理，得到处理数据；所述原始数据包括多模态影像数据、治疗历史数据、生物标志物数据及患者个体信息；
影像分析与分割模块，与所述数据采集与预处理模块连接，用于基于所述处理数据进行肿瘤和正常组织的自动分割及变化检测，得到检测结果；
肿瘤靶区勾画模块，与所述影像分析与分割模块连接，用于在所述检测结果中勾画放射治疗中的肿瘤靶区和正常组织，得到勾画结果；
剂量优化模块，与所述肿瘤靶区勾画模块连接，用于根据所述勾画结果生成放射治疗剂量分布；
治疗计划评估与优化模块，与所述剂量优化模块连接，用于采用优化评估方法评估所述放射治疗剂量分布得到评估结果，并基于所述评估结果生成多个替代治疗方案，基于多个所述替代治疗方案确定最优治疗方案；
实时影像引导模块，与所述治疗计划评估与优化模块连接，用于基于最优治疗方案实施放射治疗，并在放射治疗过程中实时监测患者的解剖变化，得到变化结果，基于所述变化结果动态调整最优治疗方案。
可选地，所述治疗计划评估与优化模块包括：
图形化界面，用于对比多个替代治疗方案的预期治疗效果，并将对比结果进行图形化界面显示；所述预期治疗效果包括肿瘤控制率、正常组织的受量以及潜在的副作用；
交互式分析工具，用于基于多个所述替代治疗方案确定最优治疗方案。
第三方面，本申请提供了一种计算机设备，包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序以实现上述中任一项所述的用于患者放射治疗的自适应辅助决策方法的步骤。
第四方面，本申请提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述中任一项所述的用于患者放射治疗的自适应辅助决策方法的步骤。
根据本申请提供的具体实施例，本申请具有了以下技术效果：
本申请提供了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，通过基于变化结果动态调整最优治疗方案，可以实现患者放射治疗的精准化和个性化，以更好地应对治疗过程中的复杂变化，提高治疗的整体效果。并且，本申请提供的系统，采用模块设置的方式可以有效整合数据采集、影像分析、剂量优化、实时调整和智能决策支持等操作。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请一实施例提供的一种用于患者放射治疗的自适应辅助决策方法的流程示意图；
图2为本申请另一实施例提供的一种用于患者放射治疗的自适应辅助决策系统的功能模块示意图。
图3为本申请一实施例提供的一种计算机设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
随着技术的进步，尤其是人工智能技术的发展，临床上迫切需要一种更加智能化、自动化的自适应放射治疗辅助决策机制。这种机制应能够在放射治疗的各个环节中提供实时的分析和优化建议，以适应患者的动态变化，提升患者治疗的精准度和个性化，同时减少医生的工作负担，确保治疗的安全性和有效性。通过将深度学习和机器学习技术引入放射治疗，新的机制可以在影像分析、肿瘤靶区勾画、剂量优化、实时影像引导和决策支持等方面发挥重要作用，实现全方位的治疗调整。
为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。
本申请实施例提供的用于患者放射治疗的自适应辅助决策方法，可以用独立的服务器或者是多个服务器组成的服务器集群来实现，还可以是云服务器。
在一个示例性的实施例中，如图1所示，提供了一种用于患者放射治疗的自适应辅助决策方法，该方法由计算机设备执行，具体可以由终端或服务器等计算机设备单独执行，也可以由终端和服务器共同执行，在本申请实施例中，以该方法应用于服务器为例进行说明，包括以下步骤100至步骤108。其中：
步骤100：获取用于患者放射治疗的原始数据。原始数据包括多模态影像数据、治疗历史数据、生物标志物数据及患者个体信息。其中，通过CT、MRI、PET等影像设备采集患者的多模态影像数据，为后续的治疗计划提供详细的解剖信息。
步骤101：对原始数据进行标准化处理以及预处理，得到处理数据。
步骤102：基于处理数据进行肿瘤和正常组织的自动分割及变化检测，得到检测结果。
步骤103：在检测结果中勾画放射治疗中的肿瘤靶区和正常组织，得到勾画结果。其中，正常组织包括：正常的肺组织、主要血管(如肺动脉、肺静脉等)、主要支气管及分支、胸膜、心脏组织、食管、纵隔内的淋巴结和神经等组织。
步骤104：根据勾画结果生成放射治疗剂量分布。
步骤105：采用优化评估方法评估放射治疗剂量分布得到评估结果，并基于评估结果生成多个替代治疗方案。
步骤106：基于多个替代治疗方案确定最优治疗方案。
步骤107：基于最优治疗方案实施放射治疗，并在放射治疗过程中实时监测患者的解剖变化，得到变化结果。
步骤108：基于变化结果动态调整最优治疗方案。
本申请另一个示例性的实施例中，为了确保数据的一致性，消除由于不同影像设备或成像参数差异引起的偏差，并且，为了提高影像清晰度和分辨率，在该实施例中，上述步骤101的实现过程可以包括：
(1)对原始数据进行标准化处理，得到标准化数据，以确保数据的一致性，消除由于不同影像设备或成像参数差异引起的偏差。
(2)采用图像处理算法(如卷积滤波或自适应滤波)消除标准化数据中的噪声和伪影，得到中间数据，以提高影像清晰度和分辨率。
(3)利用配准算法对中间数据中的数据进行对齐处理，得到处理数据，以确保各个时间点的影像在空间上的一致性，为后续分析提供准确的基础。
配准算法在自适应放射治疗中，通过将不同时间点或不同模态的影像进行空间对齐，配准算法能够帮助识别肿瘤和周围正常组织的变化，为治疗计划的调整提供重要依据。以下是一个常见的基于仿射变换和互信息的影像配准算法的详细实现过程，适用于CT、MRI等多模态影像的配准，其中：
步骤一：数据准备。首先，需要获取用于配准的两组医学影像数据：参考影像和待配准影像。其中参考影像是配准的基准影像，通常是患者最初的影像数据(即治疗历史数据，如CT或MRI)。待配准影像是当前治疗中的实时或阶段性影像，通常在每次治疗前或治疗过程中获取，可能会因为患者体位、肿瘤生长等原因与参考影像不完全一致。
步骤二：预处理。在进行配准之前，需要对影像进行一些预处理操作，以提高配准的准确性：
1)、去噪处理：通过滤波器(如高斯滤波或中值滤波等)去除影像中的噪声。
2)、图像归一化：对影像的灰度值进行归一化处理，使得不同模态影像的强度范围一致，减少由于成像差异引起的灰度偏差。
3)、图像裁剪：只保留需要进行配准的关键区域，减少计算量。
步骤三：配准模型选择。在实际患者放疗过程中，可以使用不同的配准模型来描述参考影像与待配准影像之间的几何变换。常用的配准模型有刚性配准(RigidRegistration)和仿射配准(Affine Registration)。刚性配准(Rigid Registration)中，假设待配准影像相对于参考影像只发生了平移和旋转，不考虑尺度变化或非线性变形。仿射配准(Affine Registration)允许待配准影像相对于参考影像发生平移、旋转、缩放和剪切，适用于有一定形状改变但不涉及复杂形变的情况。为了处理较为复杂的解剖结构变化，本实施例中采用仿射配准模型。
步骤四：相似性度量选择。配准的关键在于定义一种相似性度量，用于衡量两个影像对齐的程度。对于多模态影像(如CT和MRI)，常用的相似性度量是互信息(MutualInformation,MI)。互信息是一种基于信息熵的度量，能够衡量两个影像在灰度值上的统计依赖性。当两幅图像对齐得越好时，它们的互信息越大。
步骤五：优化算法选择。为了找到使得互信息最大化的最优仿射变换参数，需要选择一种优化算法。常用的优化算法包括有梯度下降法(Gradient Descent)和随机优化算法(如Powell法)。其中，梯度下降法(Gradient Descent)通过计算相似性度量的梯度，逐步调整仿射变换矩阵中的参数，以找到最优解。随机优化算法(如Powell法)通过逐步搜索不同的变换参数，不依赖于梯度信息，适合处理复杂的多模态影像配准问题。本实施例采用Powell优化法，以有效避免局部最优问题，适合用于多模态影像配准。
步骤六：基于选择的优化算法实现配准：
步骤1、初始化仿射变换矩阵。
设定初始仿射变换矩阵为单位矩阵，表示初始状态下参考影像与待配准影像完全重合。
步骤2、计算初始互信息。
使用当前的仿射变换矩阵将待配准影像投影到参考影像空间，计算初始互信息值。
步骤3、迭代优化。
通过Powell优化算法，对仿射变换矩阵中的参数进行逐步调整。在每一次调整后，重新计算待配准影像与参考影像的互信息值，比较调整前后的互信息变化。如果新的互信息值大于上一轮的互信息值，则接受新的仿射变换矩阵。否则，继续调整参数，直到互信息值收敛或达到最大迭代次数。
步骤4、当互信息的变化量低于设定的阈值(例如，小于10-4)，或者优化过程达到最大迭代次数时，停止优化，输出最终的仿射变换矩阵。
步骤5、影像重采样。
根据最终的仿射变换矩阵，对待配准影像进行重采样，使其与参考影像在空间上对齐。
步骤七：后处理与验证。
步骤1、影像叠加与验证。
将配准后的待配准影像与参考影像进行叠加显示，通过可视化手段验证配准效果。如果两幅影像在关键结构(如肿瘤边缘、器官轮廓等)上对齐良好，说明配准成功。
步骤2、配准精度评估。
使用定量指标如目标重合度(Dice系数)、平均表面距离(Mean SurfaceDistance，MSD)等，评估配准精度。其中Dice系数是用于衡量两幅图像之间的相似性，值越接近1表示重合度越高。MSD计算配准后两幅影像关键结构边界的平均距离，距离越小表示配准效果越好。
步骤八：结果反馈与使用。
配准完成后，经过验证的配准影像将被传送至下游模块，用于后续的肿瘤靶区勾画、剂量计划和实时治疗调整。
综上，配准算法能够将不同模态或不同时间点的影像进行精确对齐，为后续的放射治疗过程提供高精度的解剖参考。其特别适用于多模态影像(如CT和MRI)的配准，有助于实时追踪肿瘤和正常组织的动态变化，从而优化治疗方案并减少治疗过程中正常组织的受量。
本申请另一个示例性的实施例中，为了自动识别肿瘤区域、关键正常器官以及其他重要的解剖结构，在该实施例中，可以通过采用深度学习算法(如卷积神经网络CNN、U-Net)基于处理数据进行肿瘤和正常组织的自动分割及变化检测，得到检测结果。
在该实施例中，通过整合CT、MRI、PET等多模态影像信息，采用深度学习模型可以实现不同模态下信息的综合分析，增强对肿瘤和正常组织的识别精度。
并且，还可以基于患者的连续影像数据，自动检测肿瘤和周围正常组织的形状、体积和位置变化，生成变化报告，为实时调整提供依据。
本申请另一个示例性的实施例中，在上述步骤103中，可以利用影像分析和自动分割结果，自动勾画放射治疗中的肿瘤靶区(GTV、CTV、PTV)，并标注重要的正常组织。
本申请另一个示例性的实施例中，允许临床医生根据患者具体情况自动对勾画的靶区进行修改，确保勾画结果的临床合理性。基于此，在上述步骤104中，可以根据肿瘤靶区和正常组织的勾画结果，使用先进的剂量计算算法(包括但不限于蒙特卡洛算法和笔形束算法)计算放射治疗的剂量分布，确保肿瘤获得足够的治疗剂量，而正常组织的剂量最小化。
以蒙特卡洛算法为例，步骤如下：
步骤一：模型初始化。在应用蒙特卡洛算法进行剂量计算时，首先需要构建患者解剖结构的三维模型以及射线的物理模型。
1、患者解剖模型建立。使用CT、MRI或PET等医学影像数据对患者的解剖结构进行三维重建，数据经过配准和分割后，分为不同类型的组织区域(如肿瘤、骨骼、软组织、空气等)，这些组织类型具有不同的物理属性，如密度、组成材料等，这些属性将影响射线的传播和吸收。将患者解剖结构划分为体素(Voxel)，每个体素的尺寸根据影像分辨率决定，常见的尺寸在1至3毫米之间。
2、射线源的物理建模。构建放射治疗设备中射线源的物理模型，如直线加速器(LINAC)的光子或电子束模型，线源的能量分布、束流形状、强度以及射束的初始方向都需要进行详细建模。初始化射束发射参数，包括射束的能量、角度、射束形状和射束强度分布。
步骤二：物理交互建模。蒙特卡洛算法通过逐粒子模拟射线在组织中的传播，精确计算射线与组织的交互作用。因此，需要对射线与物质的主要物理交互过程进行建模，包括：光子与物质的交互以及电子与物质的交互。
步骤三：粒子轨迹模拟。蒙特卡洛算法的核心是通过随机采样和粒子跟踪来模拟射线(光子或电子)在人体组织中的传播。该过程可以分为以下几个子步骤：
1、粒子发射：从射线源随机发射一个粒子。该粒子的初始位置、能量、方向和类型(光子或电子)根据射线源的物理模型确定。
2、自由程计算。使用随机数生成粒子在组织中传播的自由程(free path)，即粒子在发生物理交互之前可以行进的距离。自由程l通常由公式得到。其中，R是一个均匀分布在0到1之间的随机数，μ是组织的线性衰减系数。
3、交互类型选择。当粒子行进到自由程终点时，使用随机数决定射线与物质的交互类型，不同的交互类型发生的概率根据能量和组织材料不同而变化。
4、能量沉积与粒子路径更新。计算粒子在交互中损失的能量并将其沉积到对应的体素。对于康普顿散射等不完全能量转移的过程，粒子会以降低的能量继续传播，方向也发生变化。如果粒子能量降到一定阈值，则认为该粒子停止传播。否则，继续重复自由程计算和交互过程，直到粒子离开组织或能量耗尽。
步骤四：剂量计算。通过对大量粒子的轨迹进行模拟，可以得到每个体素中的能量沉积，进而计算出放射治疗中的剂量分布。
1、能量沉积统计。
在模拟过程中，每当粒子与组织发生交互时，能量被沉积到特定的体素中，系统记录每个体素中所有粒子能量沉积的总和。
2、剂量计算公式。
剂量D是单位质量的组织所吸收的能量，单位为戈瑞(Gray，Gy)，1Gy＝1J/kg，剂量计算公式为：其中，Etotal是该体素中所有粒子沉积的总能量，m是体素的质量。
3、剂量分布图生成。
将所有体素中的剂量值合成为三维剂量分布图。这张图清晰地展示了射线在肿瘤和正常组织中的剂量分布情况。
步骤五：精度控制与收敛性检测。蒙特卡洛算法的精度依赖于模拟粒子的数量。为了确保剂量计算的准确性，通常需要模拟足够多的粒子，直到结果收敛。
步骤六：后处理与剂量优化。生成的三维剂量分布图通常需要进一步处理，以去除异常数据点，平滑过渡区域等。这样可以确保剂量分布的可用性和可解释性。在自适应放射治疗中，还可以根据蒙特卡洛算法计算的剂量分布与计划剂量的差异，优化放射束的角度、强度和形状，以确保肿瘤获得足够剂量，正常组织受到保护。
步骤七：结果输出与验证。对剂量分布的验证，将计算出的剂量分布与实际治疗计划进行对比，确保模拟结果与临床目标一致，如果存在显著偏差，将调整射束参数，重新进行剂量计算，直到符合预期目标。对结果的可视化输出，最终的剂量分布以可视化形式呈现，医生可以直观地查看肿瘤区域与正常组织中的剂量情况，确保治疗的安全性和有效性。
本申请另一个示例性的实施例中，优化评估方法至少包括强化学习算法和遗传算法。
本申请另一个示例性的实施例中，步骤105中，可以利用强化学习、遗传算法或其他优化算法，生成多个替代治疗方案(即放射治疗剂量计划方案)。通过模拟和分析每个替代治疗方案的效果，选出最优治疗方案，确保最佳的治疗效果和最小的副作用。例如：
(1)在每次放射治疗过程中，通过实时影像监测患者的当前解剖状态，将其与原始治疗计划中的影像进行精确配准，检测肿瘤和正常组织的位移和变化。
(2)根据实时影像分析结果，能够动态调整放射束的方向、形状和剂量分布，以适应患者解剖结构的即时变化。
(3)实时计算并评估当前治疗计划中的剂量分布，特别关注肿瘤区和正常组织的受量情况，识别可能的剂量过高或不足区域，得到剂量评估结果。
其中，可以通过计算机来识别可能的剂量过高或不足区域，具体的：
1、通过影像引导技术(如CT、MRI、PET等)实时获取患者的解剖结构和肿瘤位置，确保数据的时效性和准确性。
2、通过应用精确的剂量计算算法(如蒙特卡洛算法、辐射传输模型等)，基于治疗计划中的射束参数(如角度、强度等)计算出肿瘤区和正常组织的实际剂量分布。
3、通过设定肿瘤和正常组织的剂量阈值，来确定最大容许剂量和最小有效剂量。例如设定肿瘤靶区剂量低于处方剂量95％，表示剂量不足。肿瘤靶区剂量高于处方剂量110％，表示剂量过高。此类阈值可以根据临床标准和患者个体情况制定。
4、通过对比实时剂量分布与预设的剂量阈值，自动识别出剂量过高或不足的区域。将其反馈给医生，再通过分析，推荐可能的治疗调整，以确保肿瘤靶区获得足够的剂量，同时避免正常组织受到过量辐射。
(4)根据实时的剂量评估结果，生成多个替代治疗方案。通过强化学习或机器学习等优化模型，能够预测不同替代治疗方案的潜在效果，帮助选择最佳的治疗路径。
通过分析和引用类似病例的历史治疗数据和结果，为当前患者的治疗方案提供数据驱动的建议，进一步增强个性化治疗的精准度。
对比多个替代治疗方案的预期治疗效果，包括肿瘤控制率、正常组织的受量和潜在的副作用，允许临床医生模拟不同决策路径的潜在治疗结果，以探索不同治疗决策可能带来的影响，从而选择最优治疗方案。
进一步，在治疗实施过程中，通过实时影像和剂量数据监测治疗过程，确保治疗执行情况与计划一致。如果发现任何偏差，系统将即时提醒并提供调整建议。自动检测实际治疗与计划的偏差，当偏差超出预定范围时，生成警报，并建议医生对治疗计划进行调整。根据治疗过程中积累的数据，不断优化自身的模型和算法，提高未来治疗的精度和效果。同时，还可以将这些反馈数据用于后续患者的个性化治疗计划生成。
进一步，以强化学习算法为例，通过强化学习生成多个剂量计划方案的具体过程如下：
步骤一：模型初始化。
1、环境建模：使用患者的CT、MRI或PET影像数据建立三维解剖模型，包含肿瘤和周围正常组织的详细信息。通过蒙特卡洛算法等方法预先计算不同放射束参数下的剂量分布，供强化学习模型作为环境反馈使用。
2、智能体初始化：初始化一个基于深度强化学习(Deep ReinforcementLearning,DRL)的模型。典型的模型结构是深度Q网络(Deep Q-Network,DQN)或深度策略梯度法(Policy Gradient)，它们可以处理连续的状态和动作空间。
3、动作空间定义：将可能的治疗参数作为动作空间的一部分，例如：射束角度范围：0度到360度。射束能量范围：5到15MV。射束形状：由动态多叶光栅(MLC)控制射束形状。
步骤二：强化学习的训练过程。
1、初始状态获取：从患者的初始状态(即影像数据和解剖模型)出发。此时，肿瘤的三维位置、大小、密度等信息已经通过影像分析模块确定，并且初始的剂量分布图可以作为起始点。
2、动作选择：在每一步，智能体根据当前的状态选择一个动作(例如改变射束角度或调整剂量强度)。在初期，智能体可以通过ε-贪婪策略(ε-greedy policy)进行平衡探索(即尝试不同的动作)和利用(即选择当前已知的最优动作)。例如：以概率∈选择随机动作。以概率1-∈选择当前状态下的最佳动作。
3、状态转移：智能体执行动作后，环境发生变化。例如，射束角度变化后，肿瘤和正常组织的剂量分布将发生调整。此时，环境会更新状态(即新的影像数据和剂量分布图)。
4、奖励计算：计算当前动作所带来的奖励。奖励函数可以根据以下公式设定：R＝w1×肿瘤覆盖率得分-w2×正常组织损伤得分。其中，w1和w2是权重系数，用来平衡治疗效果与副作用。
5、Q值或策略更新：根据当前的奖励，强化学习算法更新Q值(或策略函数)，以使智能体能够在未来的决策中倾向于选择带来更高累计奖励的动作。
使用Bellman方程来更新Q值。Bellman方程表示为：
其中，Q'(St,At)是更新后的Q值，α是学习率，γ是折扣因子，Rt是当前的即时奖励，是下一状态下的最优Q值，Q(St,At)是更新前的Q值，A'是下一状态下的动作，At是当前时刻的动作。
6、重复训练：重复上述过程，智能体在训练过程中不断调整策略。通过与环境的多次交互，智能体能够逐步学会在不同状态下选择最优的动作来最大化累计奖励。
步骤三：生成多个放射治疗剂量计划方案。在强化学习模型训练到一定程度后，智能体能够生成不同的替代治疗方案。每个替代治疗方案代表不同的治疗参数组合，具体表现为不同的射束角度、能量和剂量分布等。
1、标准方案：智能体根据优化的策略生成标准方案，该方案可能具有良好的肿瘤覆盖率和较低的正常组织损伤，是最为推荐的方案。
2、肿瘤强化方案：生成一个加强肿瘤区域剂量的方案，增加肿瘤区域的剂量，但可能稍微增加正常组织的受量。这类方案适用于在需要更强肿瘤杀伤效应的情况下。
3、保护正常组织方案：强化学习模型生成一个更注重保护正常组织的方案。该方案尽可能减少对关键器官的辐射剂量，但肿瘤区域的剂量略有降低，适合对副作用特别敏感的患者。
4、时间优化方案：在保证治疗效果的前提下，智能体可以生成一个治疗时间最优的方案，减少治疗的复杂度和时长，适合高效快速治疗的场景。
步骤四：多方案对比与选择。将生成的多个替代治疗方案呈现给医生，提供详细的比较分析，包括：
1、剂量分布图：展示每个方案中肿瘤和正常组织的剂量分布。
2、关键指标：如肿瘤覆盖率、正常组织保护率、治疗时长等。
3、风险评估：每个方案的潜在副作用或风险。
通过上述过程，最终医生可以根据患者的个体需求和治疗目标，选择最优方案进行实施。
本申请提供的一个实施例中，其中，根据实时的剂量评估结果，生成多个替代治疗方案的过程可以是由放射治疗计划库Plan Library方案完成的。其中，计划库的概念为：一个包含基于不同的肿瘤类型、位置和患者特征的“历史、当前患者”放射治疗方案的数据库，其中记录各类患者的治疗计划、剂量分布、效果和副作用等信息。对患者治疗方案进行标准化和分类，包括常用的剂量分布、射束参数、治疗技术(如IMRT、VMAT等)，以便快速检索。基于此，采用计划库生成替代治疗方案的过程大致如下：
1、根据肿瘤类型、运动状态、患者特征提前建立当前患者的对应的计划库。
2、通过对实时获取的剂量分布进行分析，关注肿瘤区域和正常组织的受量情况，识别可能的剂量过高或不足区域。
3、根据实时剂量评估结果，结合当前剂量分布与历史方案的相似性、患者特征(如肿瘤位置、类型、体积、运动状态等)、副作用的风险评估，从计划库中筛选出适合当前患者状况的替代治疗方案，基于筛选流程及结果，能够生成多个替代治疗方案，每个方案都针对当前的剂量评估进行优化。其中，替代治疗方案包括不同的射束角度、剂量强度、治疗技术等。
4、对生成的替代治疗方案进行剂量评估，确保每个方案能够满足肿瘤控制和正常组织保护的标准，并使用实时反馈机制，对替代治疗方案进行进一步优化，确保最优治疗方案能够快速对应患者在治疗过程中出现的变化。
5、将步骤4中出现的变化及时反馈给医生，向医生提供详细的替代方案分析，包括每个治疗方案的优缺点、潜在副作用和治疗效果等，辅助医生做出进一步的治疗决策。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的用于患者放射治疗的自适应辅助决策方法的用于患者放射治疗的自适应辅助决策系统(简称为系统)。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个用于患者放射治疗的自适应辅助决策系统实施例中的具体限定可以参见上文中对于用于患者放射治疗的自适应辅助决策方法的限定，在此不再赘述。
在一个示例性的实施例中，如图2所示，提供了一种用于患者放射治疗的自适应辅助决策系统包括：
数据采集与预处理模块，用于获取用于患者放射治疗的原始数据，并对原始数据进行标准化处理以及预处理，得到处理数据。原始数据包括多模态影像数据、治疗历史数据、生物标志物数据及患者个体信息。其中，数据采集与预处理模块可以包括影像去噪处理、标准化处理、生物标志物数据处理及多模态影像配准等功能。
影像分析与分割模块，与数据采集与预处理模块连接，用于基于处理数据进行肿瘤和正常组织的自动分割及变化检测，得到检测结果。其中，影像分析与分割模块包括多模态融合处理，采用机器学习模型或其他分割模型进行肿瘤和正常组织的自动分割等功能。
肿瘤靶区勾画模块，与影像分析与分割模块连接，用于在检测结果中勾画放射治疗中的肿瘤靶区和正常组织，得到勾画结果。其中，肿瘤靶区勾画模块通过学习大量标注数据，持续优化自动勾画模型，提高靶区识别的准确性和适应性。
剂量优化模块，与肿瘤靶区勾画模块连接，用于根据勾画结果生成放射治疗剂量分布。
治疗计划评估与优化模块，与剂量优化模块连接，用于采用优化评估方法评估放射治疗剂量分布得到评估结果，并基于评估结果生成多个替代治疗方案，基于多个替代治疗方案确定最优治疗方案。治疗计划评估与优化模块可以通过利用过去类似患者的治疗数据和结果，辅助生成优化方案，提供数据驱动的个性化治疗建议。
实时影像引导模块，与治疗计划评估与优化模块连接，用于基于最优治疗方案实施放射治疗，并在放射治疗过程中实时监测患者的解剖变化，得到变化结果，基于变化结果动态调整最优治疗方案。
作为一种可选的实施方式，治疗计划评估与优化模块包括：
图形化界面，用于对比多个替代治疗方案的预期治疗效果，并将对比结果进行图形化界面显示。预期治疗效果包括肿瘤控制率、正常组织的受量以及潜在的副作用。
交互式分析工具，用于基于多个替代治疗方案确定最优治疗方案。
其中，实施这种实施方式，系统允许临床医生模拟不同决策路径的潜在治疗结果，通过交互式分析工具，临床医生可以探索不同替代治疗方案可能带来的影响，从而选择最优治疗方案。
作为一种可选的实施方式，本申请提供的系统还包括：
决策支持模块，用于提供优化方案的详细分析与建议。其中，决策支持模块结合优化方案和当前治疗进展，提供针对性的临床路径知道，帮助医生在复杂情况下做出最佳决策。
结果验证与反馈模块，用于实时监测治疗过程，并根据反馈数据进行后续调整。其中，结果验证与反馈模块通过实时数据采集和分析，验证治疗计划的执行情况，并在偏差超出预定范围时发出警报或提供调整建议。
基于上述描述，得到的系统可以通过网络连接至医院信息系统和放射治疗设备，以实现数据的实时交互和自动化工作流程的集成。
进一步，在治疗实施过程中，通过实时影像和剂量数据监测治疗过程，确保治疗执行情况与计划一致。如果发现任何偏差，系统将即时提醒并提供调整建议。
系统自动检测实际治疗与计划的偏差，当偏差超出预定范围时，生成警报，并建议医生对治疗计划进行调整。
系统根据治疗过程中积累的数据，不断优化自身的模型和算法，提高未来治疗的精度和效果。同时，系统将这些反馈数据用于后续患者的个性化治疗计划生成。
在一示例性的实施例中，以采用上述提供的用于患者放射治疗的自适应辅助决策系统为例，对实施患者放射治疗的过程进行说明。具体的：
在患者初次治疗前，接受CT、MRI、PET等影像检查，通过相关设备采集患者的多模态影像数据，以获取详细的解剖结构和肿瘤位置。这些影像数据被传输到ART-ADMS的影像数据采集单元。
系统对接收到的CT、MRI和PET等数据进行标准化处理，包括对分辨率和灰度值的标准化，以确保不同设备和成像模式下的数据一致性。
系统通过应用卷积滤波器，对影像进行去噪处理，以消除图像中的噪声，提高影像的清晰度，为后续的自动分割和分析提供更高质量的数据。
系统利用多模态配准算法，将CT和MRI影像在空间上进行精确对齐。配准后的影像数据被整合为一组统一的影像数据集，准备进行后续分析。
在完成预处理后，系统启动影像分析与分割模块。基于训练好的深度学习模型(包括不限于U-Net)，系统自动识别并分割出患者肺部的肿瘤区域(GTV)以及关键的正常组织。
分割完成后，系统自动生成肿瘤靶区(GTV)、临床靶区(CTV)和计划靶区(PTV)。临床医生可以通过交互界面对这些自动生成的靶区进行审查，并在需要时进行手动调整，以确保靶区的准确性和临床合理性。
系统使用相关剂量算法进行剂量计算。根据靶区勾画的结果，系统计算出最佳的放射剂量分布，确保肿瘤区域(PTV)获得足够的治疗剂量，同时将正常组织的受量控制在安全范围内。
系统通过强化学习算法或其他优化算法生成多个替代治疗方案。这些替代治疗方案通过改变放射束的角度、能量和剂量分布，进一步优化剂量计划，以提高治疗效果和降低正常组织的受损风险。系统会模拟不同替代治疗方案对肿瘤控制率和正常组织损伤的影响，并生成对比报告供临床医生选择。
系统将生成的多个替代治疗方案的对比结果以图形化界面呈现，包括每个方案的剂量分布图、肿瘤控制率预测以及正常组织的受量分析等。临床医生可以直观地比较不同替代治疗方案的优缺点。
系统对每个替代治疗方案的潜在风险进行评估，包括剂量过高可能导致的副作用风险，特别是对心脏和健肺组织的辐射暴露，系统同时提供降低风险的策略建议。
临床医生根据系统提供的方案对比和风险评估报告，结合患者的具体情况，最终确定一个最佳的治疗方案(及最优治疗方案)，系统将这一方案锁定为治疗计划，并生成相关的治疗执行指令。
在另一示例性的实施例中，以采用上述提供的用于患者放射治疗的自适应辅助决策系统为例，对实施患者放射治疗的过程进行说明。具体的：
在放射治疗的某一疗程中，患者接受了实时影像引导治疗(IGRT)。通过锥形束CT，系统获取患者在治疗床上的当前解剖影像数据。
系统将实时获取的影像与初始治疗计划中的基准影像进行精确配准。配准的目的是检测当前肿瘤的位置和形状是否与初始计划一致，特别是针对由于呼吸、体位变化或其他生理因素引起的肿瘤和正常组织的位移。
配准结果显示肿瘤位置有轻微位移，正常组织的形状也发生了些微变化。系统通过分析这些变化，自动调整放射束的方向、形状和剂量分布，以适应当前的肿瘤和组织状态。调整后的治疗方案即时实施，确保肿瘤仍能获得足够剂量，同时保护正常组织。
其中，分析这些变化的目的主要是为了确保放射治疗能够适应当前的肿瘤和正常组织状态，其具体过程大致可以分为以下几个步骤：
1、肿瘤位置的变化分析。包括计算位移量，通过配准的结果，来计算肿瘤区域在实时影像与基准影像之间的位移量(平移、旋转等)。形状变化评估，使用形状描述符(如轮廓、体积等)比较肿瘤的形状变化，识别肿瘤的扩展和收缩。
2、正常组织变化分析。包括边界对比，比较实时影像中的正常组织边界与基准影像中的边界，识别其形状和位置的变化。结构变化评估，识别关键正常组织(如肺、血管等)形态的变化，确保这些变化不会导致过度的辐射损伤。
3、定量分析。对检测到的位移和形状变化进行量化，计算变化的具体数值，如肿瘤中心的移动距离、体积变化百分比等，根据变化的程度来评估对放射治疗的潜在影响，包括肿瘤的覆盖度和正常组织的保护程度。
4、放射治疗计划的调整。1)方向上的调整：根据肿瘤的新位置，调整放射束的方向，以确保肿瘤在照射范围内。2)形状上的调整：使用肿瘤的新形状数据，调整放射束的形状，以更好地适应肿瘤轮廓。3)剂量分布的重新计算：使用相关剂量计算算法(如蒙特卡洛算法)重新计算新的剂量分布，确保肿瘤获得足够的治疗剂量，同时减少对正常组织的辐射。
5、对分析的实时反馈检测。在患者后续的治疗过程中，持续监测肿瘤和正常组织的变化，以便在必要时进行进一步调整。根据上述分析结果，系统进行实时决策，自动调整治疗计划，从而优化治疗效果并降低副作用风险。
在治疗进行过程中，系统不断监测影像数据与计划数据的偏差。当检测到肿瘤位置偏移超出预定阈值时，系统发出报警，并自动暂停治疗，等待临床医生进一步指示。
临床医生通过系统的界面查看偏差原因，并结合实时影像数据对治疗计划进行临时调整。系统根据医生的调整，更新治疗计划并继续实施。每次调整后的治疗数据将记录并反馈给系统，用于进一步优化模型和提高未来治疗的准确性。
所有治疗过程中的影像、剂量分布和调整数据都被系统记录。系统利用这些数据不断更新和训练其内置的优化学习模型，以提高未来的治疗方案推荐和决策支持能力。系统还会基于这些数据对患者的长期疗效进行预测，并在必要时建议调整后续治疗策略。
在一示例性的实施例中，提供了一种计算机设备，该计算机设备可以是服务器或者终端，其内部结构图可以如图3所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output，简称I/O)和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储视频标签处理数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种用于患者放射治疗的自适应辅助决策方法。
本领域技术人员可以理解，图3中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。在一个示例性的实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个示例性的实施例中，提供了一种计算机可读存储介质，存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个示例性的实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要符合相关规定。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive RandomAccess Memory，MRAM)、铁电存储器(Ferroelectric RandomAccess Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(RandomAccess Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static RandomAccess Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccessMemory，DRAM)等。
本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种用于患者放射治疗的自适应辅助决策方法，其特征在于，所述用于患者放射治疗的自适应辅助决策方法包括：
获取用于患者放射治疗的原始数据；所述原始数据包括多模态影像数据、治疗历史数据、生物标志物数据及患者个体信息；
对所述原始数据进行标准化处理以及预处理，得到处理数据；
基于所述处理数据进行肿瘤和正常组织的自动分割及变化检测，得到检测结果；
在所述检测结果中勾画放射治疗中的肿瘤靶区和正常组织，得到勾画结果；
根据所述勾画结果生成放射治疗剂量分布；
采用优化评估方法评估所述放射治疗剂量分布得到评估结果，并基于所述评估结果生成多个替代治疗方案；
基于多个所述替代治疗方案确定最优治疗方案；
基于最优治疗方案实施放射治疗，并在放射治疗过程中实时监测患者的解剖变化，得到变化结果；
基于所述变化结果动态调整最优治疗方案。
2.根据权利要求1所述的用于患者放射治疗的自适应辅助决策方法，其特征在于，对所述原始数据进行标准化处理以及预处理，得到处理数据，包括：
对所述原始数据进行标准化处理，得到标准化数据；
采用图像处理算法消除所述标准化数据中的噪声和伪影，得到中间数据；
利用配准算法对所述中间数据中的数据进行对齐处理，得到所述处理数据。
3.根据权利要求1所述的用于患者放射治疗的自适应辅助决策方法，其特征在于，基于所述处理数据进行肿瘤和正常组织的自动分割及变化检测，得到检测结果，包括：
采用深度学习算法基于所述处理数据进行肿瘤和正常组织的自动分割及变化检测，得到所述检测结果。
4.根据权利要求1所述的用于患者放射治疗的自适应辅助决策方法，其特征在于，根据所述勾画结果生成放射治疗剂量分布，包括：
采用剂量计算算法，根据所述勾画结果生成所述放射治疗剂量分布。
5.根据权利要求4所述的用于患者放射治疗的自适应辅助决策方法，其特征在于，所述剂量计算算法至少包括蒙特卡洛算法和笔形束算法。
6.根据权利要求1所述的用于患者放射治疗的自适应辅助决策方法，其特征在于，所述优化评估方法至少包括强化学习算法和遗传算法。
7.一种用于患者放射治疗的自适应辅助决策系统，其特征在于，所述用于患者放射治疗的自适应辅助决策系统包括：
数据采集与预处理模块，用于获取用于患者放射治疗的原始数据，并对所述原始数据进行标准化处理以及预处理，得到处理数据；所述原始数据包括多模态影像数据、治疗历史数据、生物标志物数据及患者个体信息；
影像分析与分割模块，与所述数据采集与预处理模块连接，用于基于所述处理数据进行肿瘤和正常组织的自动分割及变化检测，得到检测结果；
肿瘤靶区勾画模块，与所述影像分析与分割模块连接，用于在所述检测结果中勾画放射治疗中的肿瘤靶区和正常组织，得到勾画结果；
剂量优化模块，与所述肿瘤靶区勾画模块连接，用于根据所述勾画结果生成放射治疗剂量分布；
治疗计划评估与优化模块，与所述剂量优化模块连接，用于采用优化评估方法评估所述放射治疗剂量分布得到评估结果，并基于所述评估结果生成多个替代治疗方案，基于多个所述替代治疗方案确定最优治疗方案；
实时影像引导模块，与所述治疗计划评估与优化模块连接，用于基于最优治疗方案实施放射治疗，并在放射治疗过程中实时监测患者的解剖变化，得到变化结果，基于所述变化结果动态调整最优治疗方案。
8.根据权利要求7所述的用于患者放射治疗的自适应辅助决策系统，其特征在于，所述治疗计划评估与优化模块包括：
图形化界面，用于对比多个替代治疗方案的预期治疗效果，并将对比结果进行图形化界面显示；所述预期治疗效果包括肿瘤控制率、正常组织的受量以及潜在的副作用；
交互式分析工具，用于基于多个所述替代治疗方案确定最优治疗方案。
9.一种计算机设备，包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现权利要求1-6中任一项所述的用于患者放射治疗的自适应辅助决策方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-6中任一项所述的用于患者放射治疗的自适应辅助决策方法。
CN202411567000.XA 2024-11-05 2024-11-05 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 Pending CN119499565A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202411567000.XA CN119499565A (zh) 2024-11-05 2024-11-05 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202411567000.XA CN119499565A (zh) 2024-11-05 2024-11-05 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

Publications (1)

Publication Number Publication Date
CN119499565A true CN119499565A (zh) 2025-02-25

Family

ID=94652043

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202411567000.XA Pending CN119499565A (zh) 2024-11-05 2024-11-05 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

Country Status (1)

Country Link
CN (1) CN119499565A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN120000967A (zh) * 2025-04-16 2025-05-16 广东省新兴激光等离子体技术研究院 一种进行射线发射的自动控制装置、方法及系统
CN120733284A (zh) * 2025-09-08 2025-10-03 中国人民解放军联勤保障部队第九〇〇医院 基于双量程自适应机制的放射源个人剂量实时监测装置及方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN120000967A (zh) * 2025-04-16 2025-05-16 广东省新兴激光等离子体技术研究院 一种进行射线发射的自动控制装置、方法及系统
CN120733284A (zh) * 2025-09-08 2025-10-03 中国人民解放军联勤保障部队第九〇〇医院 基于双量程自适应机制的放射源个人剂量实时监测装置及方法

Similar Documents

Publication Publication Date Title
US11386557B2 (en) Systems and methods for segmentation of intra-patient medical images
US11020615B2 (en) Computing radiotherapy dose distribution
US10765888B2 (en) System and method for automatic treatment planning
CN109069858B (zh) 一种放射治疗系统及计算机可读存储装置
WO2021036366A1 (zh) 标准化的人工智能自动放疗计划方法和系统
US10342994B2 (en) Methods and systems for generating dose estimation models for radiotherapy treatment planning
CN111028914A (zh) 人工智能引导的剂量预测方法与系统
US11282192B2 (en) Training deep learning engines for radiotherapy treatment planning
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
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
US11013936B2 (en) Methods and systems for generating dose estimation models for radiotherapy treatment planning
Liu et al. A deep learning-based dose prediction method for evaluation of radiotherapy treatment planning
CN113499091B (zh) 一种患者体表和体内肿瘤运动相关性及肿瘤内部动度的预测方法和系统
CN118366614A (zh) 硼中子俘获治疗计划疗效预测模型构建方法和装置
CN115938587A (zh) 放疗计划的验证方法、装置、计算机设备和存储介质
Liu et al. Deep learning-based multiple-CT optimization: An adaptive treatment planning approach to account for anatomical changes in intensity-modulated proton therapy for head and neck cancers
US20250242176A1 (en) UPDATING RADIOTHERAPY TREATMENT PLANS USING INFORMATION DERIVED FROM WHOLE SLIDE IMAGES (WSIs)
Mejía Virtual patient-specific treatment verification using machine learning methods to assist the dose deliverability evaluation of radiotherapy prostate plans

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