CN108364678A - 一种基于机器学习的鼻咽癌放疗计划自动化设计方法 - Google Patents
一种基于机器学习的鼻咽癌放疗计划自动化设计方法 Download PDFInfo
- Publication number
- CN108364678A CN108364678A CN201810140609.7A CN201810140609A CN108364678A CN 108364678 A CN108364678 A CN 108364678A CN 201810140609 A CN201810140609 A CN 201810140609A CN 108364678 A CN108364678 A CN 108364678A
- Authority
- CN
- China
- Prior art keywords
- image
- case
- function
- organ
- acquiring
- 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 60
- 238000001959 radiotherapy Methods 0.000 title claims abstract description 27
- 201000011216 nasopharynx carcinoma Diseases 0.000 title claims abstract description 25
- 208000002454 Nasopharyngeal Carcinoma Diseases 0.000 title claims abstract description 24
- 206010061306 Nasopharyngeal cancer Diseases 0.000 title claims abstract description 24
- 238000013461 design Methods 0.000 title claims abstract description 16
- 238000010801 machine learning Methods 0.000 title claims abstract description 15
- 230000006870 function Effects 0.000 claims abstract description 78
- 210000000056 organ Anatomy 0.000 claims abstract description 24
- 238000005457 optimization Methods 0.000 claims abstract description 8
- 210000000920 organ at risk Anatomy 0.000 claims description 36
- 238000011282 treatment Methods 0.000 claims description 27
- 206010028980 Neoplasm Diseases 0.000 claims description 21
- 230000005855 radiation Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000000691 measurement method Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 239000003086 colorant Substances 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 abstract 2
- 238000012360 testing method Methods 0.000 description 5
- 241001123605 Peru tomato mosaic virus Species 0.000 description 3
- 238000002591 computed tomography Methods 0.000 description 3
- 238000002721 intensity-modulated radiation therapy Methods 0.000 description 3
- 210000001519 tissue Anatomy 0.000 description 3
- 201000011510 cancer Diseases 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 210000001989 nasopharynx Anatomy 0.000 description 2
- 208000001894 Nasopharyngeal Neoplasms Diseases 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 210000000133 brain stem Anatomy 0.000 description 1
- 210000003109 clavicle Anatomy 0.000 description 1
- 210000000695 crystalline len Anatomy 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 235000008216 herbs Nutrition 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000001926 lymphatic effect Effects 0.000 description 1
- 208000025848 malignant tumor of nasopharynx Diseases 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 208000025440 neoplasm of neck Diseases 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 210000001328 optic nerve Anatomy 0.000 description 1
- 210000003681 parotid gland Anatomy 0.000 description 1
- 230000001817 pituitary effect Effects 0.000 description 1
- 210000000278 spinal cord Anatomy 0.000 description 1
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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Radiology & Medical Imaging (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Image Processing (AREA)
- Radiation-Therapy Devices (AREA)
Abstract
本发明涉及一种基于机器学习的鼻咽癌放疗计划自动化设计方法，提供一种基于器官体积直方图（Overlap Volume Histogram，OVH）的数据，结合机器学习的最近邻方法来搜索患者最佳目标函数的方法。利用已有的数据进行模板库建立，使用机器学习最近邻的方法，在搜索新入组的患者的OVH数据与模板库中最相似的病例，使用搜索到的模板病例的目标函数，进行新入组病例的放疗计划设计。在不需要人为主观因素很强的情况下，进行病例模板的搜索，并自动化地设计出患者的鼻咽癌放疗计划。
Description
技术领域
本发明涉及计算机图像学与机器学习领域，特别是一种基于机器学习的鼻咽癌放疗计划自动化设计方法。
背景技术
放射治疗是治疗恶性肿瘤的三种主要治疗手段之一，大约60％～70％的恶性肿瘤病人需要接受放射性治疗。放射性治疗的目的在于提高放射治疗的增益比，即最大限度地将射线剂量集中到肿瘤内，使周围正常组织少受或免受不必要的照射。鼻咽癌是中国南方及亚洲中国人种的高发头颈部肿瘤，放射治疗是当前鼻咽癌主要的治疗手段。而调强放射治疗(intensity modulated radiation theapy，IMRT)技术适应于治疗鼻咽癌，因为：(1)鼻咽癌周围紧邻重要的正常的组织多，器官运动少，体位固定和重复性好。(2)鼻咽癌具有向周围组织侵润的特点，靶区通常比较大且极不规则。(3)鼻咽癌的局部控制率与其所受剂量具有明确的相关性。调强放射治疗技术特性是可以在肿瘤的内部形成很高的较均匀的剂量，在靶区的边缘形成很高的剂量梯度，这样就能在控制肿瘤的同时又保护的鼻咽部周围的危及器官。
调强计划设计是实施鼻咽癌放射治疗的先决条件，但是逆向优化算法的复杂性会导致计划设计难度大，优化时间长等问题。并且，现今计划设计通常采用的是人工试错方式，设计者需要在几十甚至近百次的试错中才能找到合格的设计方案。这样会产生一系列问题，它限制了医院的工作效率和提高了计划的完成成本，极大增加了医院和病人的负担。更重要的是，其计划质量很大程度上依赖于计划设计者的经验以及所花费的时间，不同治疗中心之间，甚至同一治疗中心内部不同人之间，所做的治疗计划的质量和计划设计时间都有相当大的差别，存在着很大的不确定性。
随着机器学习理论和计算机图像处理技术的发展，使用特征值来建立模板库，利用测试示例的特征在模板库寻找相似特征的最近邻模板的方法，可以获得很好的治疗计划。另一方面，目前在患者的治疗中仅仅是使用治疗前的CT图像进行计划设计，并未在治疗过程中对计划实时进行修改，不能很好的适合肿瘤的实时的形状。如果要实时的对于放射治疗计划进行修正，或重新设计，那么更需要一种自动化的快速的方法来设计治疗计划。但是由于实时计划对于计划设计的时间和计划的质量都有很高的要求。目前的方法还不能达到这样的要求。因此如何快速和自动化的设计出高质量鼻咽癌调强放疗计划是摆在医生和物理师面前自适应放射治疗实施的最大的难题。
发明内容
本发明的目的在于提供一种基于机器学习的鼻咽癌放疗计划自动化设计方法，以克服现有技术中存在的缺陷。
为实现上述目的，本发明的技术方案是：一种基于机器学习的鼻咽癌放疗计划自动化设计方法，按照如下步骤实现：
步骤S1：建立病例模板数据库，确定病例对应的用于剂量体积直方图数据获取的目标函数；
步骤S2：获取所述病例模板数据库中病例的器官重叠体积直方图(OverlapVolume Histogram，OVH)，并存储至所述病例模板数据库；
步骤S3：获取患者病例的器官重叠体积直方图；
步骤S4：基于结构相似度测量方法，根据所述步骤S2以及所述步骤S3的处理结果，从所述病例模板数据库获取所述患者病例对应的目标函数；
步骤S5：通过采用所选的目标函数对于所述患者病例进行自动化放射治疗计划设计，最后获取所述患者病例对应的剂量体积直方图数据。
在本发明一实施例中，在所述步骤S1中，还包括如下过程：
步骤S11：从一用于存储历史病例数据库中获取一病例的历史CT图像以及该病例相应的历史MRI图像；
步骤S12：根据所述历史CT图像以及历史MRI图像进行融合配准，并在融合配准后的图像上勾画肿瘤靶区及危及器官；
步骤S13：根据历史病例数据库中提供的肿瘤分期、检查报告、治疗规范，获取肿瘤处方剂量数据以及危及器官剂量限值数据；
步骤S14：通过设定目标函数，并采用所述剂量体积直方图数据自动获取方法，获取自动优化生成的放疗计划的剂量体积直方图数据；
步骤S15：判断所述剂量体积直方图数据是否达到肿瘤处方剂量以及危及器官剂量限值；若未达到要求，则调整所述目标函数，并转至所述步骤S14中；若达到要求，则将该当前目标函数作为与该病例器官重叠体积直方图匹配的目标函数，并存储于所述病例模板数据库中。
在本发明一实施例中所述剂量体积直方图数据自动获取方法包括：设定等中心点、剔除治疗床、选择剂量计算区域、设定靶区及危及器官名称与颜色、添加射野、分配射野权重、设定等剂量线、目标函数参数设定、目标函数优化计算、设定剂量体积直方图以及自动获取剂量体积直方图数据。
在本发明一实施例中在所述步骤S2以及步骤S3中，所述器官重叠体积直方图按照如下方式获取：
记危及器官O与靶区T的OVH函数如下：
其中，O和T分别代表危及器官和靶区体素的集合，t代表体素间的距离，|O|代表危及器官O的所有体素(即危及器官O的体积)，|{p∈O|d(p,T)≤t}|代表O中到T距离小于t的所有体素组成的体积，函数OVH(O,T)(t)为O中到T距离小于t的体素体积百分比；
在生成鼻咽癌OVH的过程中，根据已有的分立计划靶区合成总的计划靶区，利用总的计划靶区分别扩展-1cm至1cm之间，步长为0.2cm，生成不同的扩展区域；扩展区域与危及器官的重叠部分占危及器官的体积的百分比根据所述OVH算子获取；
把生成的txt格式的OVH数据导入至一矩阵，然后把这个矩阵转化为bmp格式的图像，且转化过程中对于图像进行基于最邻近插值的放大。
在本发明一实施例中在所述步骤S4中，所述基于结构相似度测量方法采用一Matlab SSIM函数实现，该Matlab SSIM函数通过如下步骤获取：
步骤S41：建立亮度对比函数：
其中，μx和μy分别是图像x和图像y的局部均值，常数C1是为了避免接近0时造成的系统的不稳定；C1＝(K1L)2，L为图像灰度级数，对于8-bit灰度图像，L＝255，K1＜＜1；
步骤S42：建立对比度对比函数：
其中，σx和σy分别是图像x和图像y的标准差，常数C2＝(K2L)2，且K2＜＜1；
步骤S43：建立结构对比函数：
其中，σxy为图像x和图像y的协方差；
步骤S44：建立到SSIM指数函数：
SSIM(x,y)＝[l(x,y)]α[c(x,y)]β[s(x,y)]γ
其中，α,β,γ＞0，用来调整亮度、对比度、结构对比度三个函数模块之间的重要性；
为得到简化形式，设α＝β＝γ＝1,C3＝C2/2，得到：
相较于现有技术，本发明具有以下有益效果：本发明提供的一种基于机器学习的鼻咽癌放疗计划自动化设计方法，充分利用了机器学习的最近邻方法在目标空间的搜索快速和简单的优势。同时利用已有的数据的OVH的基本理念，建立OVH特征数据库和相应的目标函数数据库。把数据库的每例OVH数据图形转换为一副图像。新的病例进入自动计划流程时，首先计算病例的OVH数据，然后图形化为一幅图像。然后使用图像的相关性测度的方法，与数据库中的OVH图像逐一进行相关性测度计算。最后找出相关性测度最高的，一幅OVH图像，即图像的最近邻。最终使用找到的模板数据库的这一病例的目标函数，引入需要设计的自动化流程中进行自动流程设计，获取最优的设计结果。以上流程可以自动化的设计和实施，从而大大提高了现场的实时放疗计划的生成速度，同时大幅减少工作人员时间的负担，为自适应的鼻咽癌放射治疗提供有力的技术保证。
附图说明
图1为本发明一实施例中病例器官重叠体积直方图和对应目标函数获取流程图。
图2为本发明一实施例中OVH数据和生成的图像。
图3为本发明一实施例中器官重叠体积直方图。
图4为本发明一实施例中基于图像相似度测量的最近邻方法计算流程图。
图5为本发明一实施例中自动化预案生成流程图。
图6为本发明一实施例中CT层面对比图。
图7为本发明一实施例中预案结果剂量体积直方图对比图。
具体实施方式
下面结合附图，对本发明的技术方案进行具体说明。
本发明提供一种基于机器学习的鼻咽癌自动化预案生成方法，按照如下步骤实现：
步骤S1：建立病例模板数据库，确定病例对应的用于剂量体积直方图数据获取的目标函数；
步骤S2：获取所述病例模板数据库中病例的器官重叠体积直方图(OverlapVolume Histogram，OVH)，并存储至所述病例模板数据库；
在本实施例中，如图2所示，为OVH数据和生成的图像，如图3所示，为器官重叠体积直方图。
步骤S3：获取患者病例的器官重叠体积直方图；
步骤S4：如图4所示，基于结构相似度测量方法，根据所述步骤S2以及所述步骤S3的处理结果，从所述病例模板数据库获取所述患者病例对应的目标函数；
步骤S5：如图5所示，通过采用剂量体积直方图数据自动获取方法，通过采用所选的目标函数对于所述患者病例进行自动化放射治疗计划设计，获取所述患者病例对应的剂量体积直方图数据。
进一步的，在本实施例中，在所述步骤S1中，如图1所示，还包括如下过程：
步骤S11：从一用于存储历史病例数据库中获取一病例的历史CT图像以及该病例相应的历史MRI图像；
步骤S12：根据所述历史CT图像以及历史MRI图像进行融合配准，并在融合配准后的图像上勾画肿瘤靶区及危及器官；
步骤S13：根据历史病例数据库中提供的肿瘤分期、检查报告、治疗规范，获取肿瘤处方剂量数据以及危及器官剂量限值数据；
步骤S14：通过设定目标函数，并采用所述剂量体积直方图数据自动获取方法，获取自动优化生成的放疗计划的剂量体积直方图数据；
步骤S15：判断所述剂量体积直方图数据是否达到肿瘤处方剂量以及危及器官剂量限值；若未达到要求，则调整所述目标函数，并转至所述步骤S14中；若达到要求，则将该当前目标函数作为与该病例器官重叠体积直方图匹配的目标函数，并存储于所述病例模板数据库中。
进一步的，在本实施例中，如图5所示，剂量体积直方图数据自动获取方法包括：设定治疗等中心点、剔除治疗床、选择剂量计算区域、设定靶区及危及器官名称与颜色、添加射野、分配射野权重、设定等剂量线、目标函数参数设定、目标函数优化计算、设定剂量体积直方图以及自动获取剂量体积直方图数据。
进一步的，在本实施例中，在所述步骤S2以及步骤S3中，器官重叠体积直方图按照如下方式获取：
记危及器官O与靶区T的OVH函数如下：
其中，O和T分别代表危及器官和靶区体素的集合，t代表体素间的距离，|O|代表危及器官O的所有体素(即危及器官O的体积)，|{p∈O|d(p,T)≤t}|代表O中到T距离小于t的所有体素组成的体积，函数OVH(O,T)(t)为O中到T距离小于t的体素体积百分比；
在生成鼻咽癌OVH的过程中，根据已有的分立计划靶区合成总的计划靶区，利用总的计划靶区分别扩展-1cm至1cm之间，步长为0.2cm，生成不同的扩展区域；扩展区域与危及器官的重叠部分占危及器官的体积的百分比根据所述OVH算子获取；
把生成的txt格式的OVH数据导入至一矩阵，然后把这个矩阵转化为bmp格式的图像，且转化过程中对于图像进行基于最邻近插值的放大。
进一步的，在本实施例中，在所述步骤S4中，所述基于结构相似度测量方法采用一Matlab SSIM函数实现，该Matlab SSIM函数通过如下步骤获取：
步骤S41：建立亮度对比函数：
其中，μx和μy分别是图像x和图像y的局部均值，常数C1是为了避免接近0时造成的系统的不稳定；C1＝(K1L)2，L为图像灰度级数，对于8-bit灰度图像，L＝255，K1＜＜1；
步骤S42：建立对比度对比函数：
其中，σx和σy分别是图像x和图像y的标准差，常数C2＝(K2L)2，且K2＜＜1；
步骤S43：建立结构对比函数：
其中，σxy为图像x和图像y的协方差；
步骤S44：建立到SSIM指数函数：
SSIM(x,y)＝[l(x,y)]α[c(x,y)]β[s(x,y)]γ
其中，α,β,γ＞0，用来调整亮度、对比度、结构对比度三个函数模块之间的重要性；
为得到简化形式，设α＝β＝γ＝1,C3＝C2/2，得到：
为了让本领域技术人员进一步了解本发明提出的技术方案，下面结合具体实施例进行说明。
在本实施例中，获取鼻咽癌患者的CT图像。患者在医生的安排下，进行相应的CT扫描，扫描层厚度为3mm。
进一步的，CT图像的获取和基本要求如下。
体位：一般患者采用仰卧位，平躺，再用头枕加热塑模固定，进行CT扫描。
CT图像的获取：进行Philips大孔径螺旋定位CT扫描，范围：头顶至锁骨头上沿；
扫描条件：图像层厚为3mm。
肿瘤靶区及危及器官的勾画：依据ICRU83号文件，根据相应的检查材料如MRI图像与定位CT图像进行融合配准，并在融合配准后的CT图像上勾画肿瘤的靶区及危及器官。
通过上述方式，获取历史CT图像以及该病例相应的历史MRI图像。
进一步的，在本实施例中，手工治疗计划的生成，包括：医生计划处方的生成与手工计划处方的生成。
进一步的，在本实施例中，通过如下方式生成医生计划处方，并作为标准比对数据：根据肿瘤的分期和相应的检查报告，然后结合治疗规范，给出肿瘤的处方剂量。危及器官的剂量按照国际的参考建议和临床实际的经验结合给出。
进一步的，在本实施例中，通过如下方式进行手工计划的生成，并获取剂量体积直方图数据：在Pinnacle3计划系统中，根据以上给出的治疗剂量分次进行治疗计划生成。治疗计划建立过程，也即剂量体积直方图数据获取过程，包括：治疗等中心点设定；治疗床剔除；剂量计算区域选择；靶区及危及器官名称与颜色设定；射野添加；射野权重分配；等剂量线设定；目标函数及相关参数设定；优化计算；剂量体积直方图(DVH)设定；DVH数据自动获取。在该过程中，若所获取的层面图和DVH数据不能达到医生计划处方的要求，也即没有达到肿瘤靶区的剂量以及危及器官的限制剂量。则需经物理师通过反复调整目标函数来进行优化，该过程为一反复试错过程。最终以达到医生预案处方要求。如图6所示，为CT层面对比图。
在本实施例中，目标函数包括用于提供逆向优化目标的序列值，是为了最终优化出来符合临床要求的治疗计划。
进一步的，在本实施例中，OVH数据的获取以及图像的生成，包括：OVH数据的获取、OVH图像的生成、目标函数输出。
进一步的，OVH数据的计算按照如下方式实现。记危及器官O与靶区T的OVH函数如下：
其中，O和T分别代表危及器官和靶区体素的集合，t代表体素间的距离，|O|代表危及器官O的所有体素(即危及器官O的体积)，|{p∈O|d(p,T)≤t}|代表O中到T距离小于t的所有体素组成的体积。因此，函数OVH(O,T)(t)为O中到T距离小于t的体素体积百分比，数值在0到100之间。
进一步的，OVH按照如下方式获取：在生成鼻咽癌OVH的过程中，主要是利用已有的分立计划靶区，包括三个PTV，分别为鼻咽部原发病灶，双侧颈部的淋巴引流区，合成总的计划靶区(PTV)；利用总的计划靶区分别扩展-1cm至1cm之间，步长为0.2cm，生成不同的扩展区域。这些扩展区域与危及器官的重叠部分占危及器官的体积的百分比的计算方法按照OVH计算公式进行。危及器官包括左右腮腺，脊髓，脑干，晶体，左右视神经，垂体，视交叉。
进一步的，OVH图像按照如下方式生成：把生成的txt格式的OVH数据利用程序读入到一个矩阵，然后把这个矩阵转化为bmp格式的图像，转化过程中对于图像进行了基于最邻近插值的放大，放大比例为16。
进一步的，目标函数输出包括：提取出病例数据库中每例患者的最终设计好的计划的目标函数。
进一步的，在本实施例中，采用图像相似度测量的方法，利用结构相似性的测量方法，基于Matlab SSIM函数实现。
所采用的亮度对比函数为：
其中，μx和μy分别是图像x和图像y的局部均值，常数C1是为了避免接近0时造成的系统的不稳定。
较佳地，C1＝(K1L)2，L为图像灰度级数，对于8-bit灰度图像，L＝255，K1＜＜1；
所采用的对比度对比函数为：
其中，σx和σy分别是图像x和图像y的标准差，常数C2＝(K2L)2，且K2＜＜1；
所采用的结构对比函数为：
其中，σxy为图像x和图像y的协方差；
最后将上述采用的三个函数组合起来，得到SSIM指数函数：
SSIM(x,y)＝[l(x,y)]α[c(x,y)]β[s(x,y)]γ
其中，α,β,γ＞0，用来调整亮度、对比度、结构对比度三个函数模块之间的重要性；
为得到简化形式，令α＝β＝γ＝1,C3＝C2/2，得到：
进一步的，根据步骤S3中的OVH图像生成方法，生成测试病例OVH图像，采用SSIM方法与病例数据库中的OVH图像进行比对，获取与测试病例最相似的对应的模板库的病例的住院号，同时获取相似度数值，输出最大相似度的OVH图像的患者的住院号和相似度数值，完成搜索。
进一步的，根据数据找到的病例住院号，获取模板病例库中目标函数文件。
进一步的，在本实施例中，在预案自动生成过程中，采用Perl脚本语言和PinnacleScript结合的方法，实现计划自动生成。通过利用最近邻方法找到的模板病例的目标函数，加入至测试病例的建立流程中，通过上述过程，计算出患者的DVH数据，并判断是否达到医生处方的要求。
在本实施例中，经测试以及对比，根据上述方法自动建立的预案中绝大部分病例可以达到模板计划一样的处方要求。如图7所示，为预案结果剂量体积直方图对比图。
以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。
Claims (5)
1.一种基于机器学习的鼻咽癌放疗计划自动化设计方法，其特征在于，按照如下步骤实现：
步骤S1：建立病例模板数据库，确定病例对应的用于剂量体积直方图数据获取的目标函数；
步骤S2：获取所述病例模板数据库中病例的器官重叠体积直方图，并存储至所述病例模板数据库；
步骤S3：获取患者病例的器官重叠体积直方图；
步骤S4：基于结构相似度测量方法，根据所述步骤S2以及所述步骤S3的处理结果，从所述病例模板数据库获取所述患者病例对应的目标函数；
步骤S5：通过采用所选的目标函数对于所述患者病例进行自动化放射治疗计划设计，最后获取所述患者病例对应的剂量体积直方图数据。
2.根据权利要求1所述的一种基于机器学习的鼻咽癌放疗计划自动化设计方法，其特征在于，在所述步骤S1中，还包括如下过程：
步骤S11：从一用于存储历史病例数据库中获取一病例的历史CT图像以及该病例相应的历史MRI图像；
步骤S12：根据所述历史CT图像以及历史MRI图像进行融合配准，并在融合配准后的图像上勾画肿瘤靶区及危及器官；
步骤S13：根据历史病例数据库中提供的肿瘤分期、检查报告、治疗规范，获取肿瘤处方剂量数据以及危及器官剂量限值数据；
步骤S14：通过设定目标函数，并采用所述剂量体积直方图数据自动获取方法，获取自动优化生成的放疗计划的剂量体积直方图数据；
步骤S15：判断所述剂量体积直方图数据是否达到肿瘤处方剂量以及危及器官剂量限值；若未达到要求，则调整所述目标函数，并转至所述步骤S14中；若达到要求，则将该当前目标函数作为与该病例器官重叠体积直方图匹配的目标函数，并存储于所述病例模板数据库中。
3.根据权利要求2所述的一种基于机器学习的鼻咽癌放疗计划自动化设计方法，其特征在于，所述剂量体积直方图数据自动获取方法包括：设定治疗等中心点、剔除治疗床、选择剂量计算区域、设定靶区及危及器官名称与颜色、添加射野、分配射野权重、设定等剂量线、目标函数参数设定、目标函数优化计算、设定剂量体积直方图以及自动获取剂量体积直方图数据。
4.根据权利要求1所述的一种基于机器学习的鼻咽癌放疗计划自动化设计方法，其特征在于，在所述步骤S2以及步骤S3中，所述器官重叠体积直方图按照如下方式获取：
记危及器官O与靶区T的OVH函数如下：
其中，O和T分别代表危及器官和靶区体素的集合，t代表体素间的距离，|O|代表危及器官O的所有体素，|{p∈O|d(p,T)≤t}代表O中到T距离小于t的所有体素组成的体积，函数OVH(O,T)(t)为O中到T距离小于t的体素体积百分比；
在生成鼻咽癌OVH的过程中，根据已有的分立计划靶区合成总的计划靶区，利用总的计划靶区分别扩展扩展-1cm至1cm之间，步长为0.2cm，生成不同的扩展区域；扩展区域与危及器官的重叠部分占危及器官的体积百分比根据所述OVH算子获取；
把生成的txt格式的OVH数据导入至一矩阵，然后把这个矩阵转化为bmp格式的图像，且转化过程中对于图像进行基于最邻近插值的放大。
5.根据权利要求1所述的一种基于机器学习的鼻咽癌放疗计划自动化设计方法，其特征在于，在所述步骤S4中，所述基于结构相似度测量方法采用一Matlab SSIM函数实现，该Matlab SSIM函数通过如下步骤获取：
步骤S41：建立亮度对比函数：
其中，μx和μy分别是图像x和图像y的局部均值，常数C1是为了避免接近0时造成的系统的不稳定；C1＝(K1L)2，L为图像灰度级数，对于8-bit灰度图像，L＝255，K1＜＜1；
步骤S42：建立对比度对比函数：
其中，σx和σy分别是图像x和图像y的标准差，常数C2＝(K2L)2，且K2＜＜1；
步骤S43：建立结构对比函数：
其中，σxy为图像x和图像y的协方差；
步骤S44：建立到SSIM指数函数：
SSIM(x,y)＝[l(x,y)]α[c(x,y)]β[s(x,y)]γ
其中，α,β,γ＞0，用来调整亮度、对比度、结构对比度三个函数模块之间的重要性；
令α＝β＝γ＝1,C3＝C2/2，得到：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810140609.7A CN108364678B (zh) | 2018-02-10 | 2018-02-10 | 一种基于机器学习的鼻咽癌放疗计划自动化设计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810140609.7A CN108364678B (zh) | 2018-02-10 | 2018-02-10 | 一种基于机器学习的鼻咽癌放疗计划自动化设计方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108364678A true CN108364678A (zh) | 2018-08-03 |
| CN108364678B CN108364678B (zh) | 2022-02-01 |
Family
ID=63005644
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810140609.7A Active CN108364678B (zh) | 2018-02-10 | 2018-02-10 | 一种基于机器学习的鼻咽癌放疗计划自动化设计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108364678B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN110141801A (zh) * | 2019-05-17 | 2019-08-20 | 天津大学 | 面向近距离粒子内放疗手术智能剂量规划方法 |
| CN110349665A (zh) * | 2019-07-01 | 2019-10-18 | 复旦大学附属肿瘤医院 | 基于深度学习的直肠癌放疗计划自动化设计方法 |
| CN110706779A (zh) * | 2019-10-10 | 2020-01-17 | 福建省肿瘤医院（福建省肿瘤研究所、福建省癌症防治中心） | 一种放射治疗计划精确目标函数的自动生成方法 |
| CN111035860A (zh) * | 2018-10-11 | 2020-04-21 | 海创时代(深圳)医疗科技有限公司 | 一种计划系统的自动优化方法及装置 |
| CN112635024A (zh) * | 2021-03-10 | 2021-04-09 | 四川大学 | 一种放射治疗自动计划设计系统及其构建方法 |
| CN113679962A (zh) * | 2021-08-25 | 2021-11-23 | 上海联影医疗科技股份有限公司 | 剂量线的适形度的优化系统 |
| CN114765073A (zh) * | 2021-01-11 | 2022-07-19 | 佳能医疗系统株式会社 | 病例检索装置、病例检索方法以及存储介质 |
| CN114904164A (zh) * | 2022-05-10 | 2022-08-16 | 苏州雷泰医疗科技有限公司 | 基于人工智能的放疗自动计划生成方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015081086A1 (en) * | 2013-11-27 | 2015-06-04 | The Johns Hopkins University | System and method for medical data analysis and sharing |
| CN105930636A (zh) * | 2016-03-29 | 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系统 |
| CN106039599A (zh) * | 2016-07-05 | 2016-10-26 | 西南医科大学附属医院 | 调强放疗中危及器官平均剂量的预测方法及其应用 |
| CN107441637A (zh) * | 2017-08-30 | 2017-12-08 | 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 |
-
2018
- 2018-02-10 CN CN201810140609.7A patent/CN108364678B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015081086A1 (en) * | 2013-11-27 | 2015-06-04 | The Johns Hopkins University | System and method for medical data analysis and sharing |
| CN105930636A (zh) * | 2016-03-29 | 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系统 |
| CN106039599A (zh) * | 2016-07-05 | 2016-10-26 | 西南医科大学附属医院 | 调强放疗中危及器官平均剂量的预测方法及其应用 |
| CN107441637A (zh) * | 2017-08-30 | 2017-12-08 | 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 |
Non-Patent Citations (4)
| Title |
|---|
| BINBIN WU等: "DATA-DRIVEN APPROACH TO GENERATING ACHIEVABLE DOSE–VOLUME HISTOGRAM OBJECTIVES IN INTENSITY-MODULATED RADIOTHERAPY PLANNING", 《MEDICAL PHYSICS》 * |
| BINBIN WU等: "Patient geometry-driven information retrieval for IMRT treatment plan quality control", 《MEDICAL PHYSICS》 * |
| 卢彦飞等: "基于Riesz变换的结构相似度图像质量评价方法", 《液晶与显示》 * |
| 金建华等: "基于DVH目标函数的VMAT计划设计研究", 《中华放射肿瘤学杂志》 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111035860A (zh) * | 2018-10-11 | 2020-04-21 | 海创时代(深圳)医疗科技有限公司 | 一种计划系统的自动优化方法及装置 |
| CN111035860B (zh) * | 2018-10-11 | 2022-02-18 | 海创时代(深圳)医疗科技有限公司 | 一种计划系统的自动优化装置 |
| 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 |
| CN110141801A (zh) * | 2019-05-17 | 2019-08-20 | 天津大学 | 面向近距离粒子内放疗手术智能剂量规划方法 |
| CN110349665A (zh) * | 2019-07-01 | 2019-10-18 | 复旦大学附属肿瘤医院 | 基于深度学习的直肠癌放疗计划自动化设计方法 |
| CN110706779A (zh) * | 2019-10-10 | 2020-01-17 | 福建省肿瘤医院（福建省肿瘤研究所、福建省癌症防治中心） | 一种放射治疗计划精确目标函数的自动生成方法 |
| CN110706779B (zh) * | 2019-10-10 | 2022-06-14 | 福建省肿瘤医院（福建省肿瘤研究所、福建省癌症防治中心） | 一种放射治疗计划精确目标函数的自动生成方法 |
| CN114765073A (zh) * | 2021-01-11 | 2022-07-19 | 佳能医疗系统株式会社 | 病例检索装置、病例检索方法以及存储介质 |
| CN112635024A (zh) * | 2021-03-10 | 2021-04-09 | 四川大学 | 一种放射治疗自动计划设计系统及其构建方法 |
| CN113679962A (zh) * | 2021-08-25 | 2021-11-23 | 上海联影医疗科技股份有限公司 | 剂量线的适形度的优化系统 |
| CN114904164A (zh) * | 2022-05-10 | 2022-08-16 | 苏州雷泰医疗科技有限公司 | 基于人工智能的放疗自动计划生成方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108364678B (zh) | 2022-02-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108364678B (zh) | 一种基于机器学习的鼻咽癌放疗计划自动化设计方法 | |
| CN108770373B (zh) | 使用特征回归模型根据mr数据的伪ct生成 | |
| CN108778416B (zh) | 使用组织参数估计根据mr数据的伪ct生成的系统、方法和介质 | |
| Wong et al. | Comparing deep learning-based auto-segmentation of organs at risk and clinical target volumes to expert inter-observer variability in radiotherapy planning | |
| CN112156378B (zh) | 用于自适应放射治疗的三维定位和追踪 | |
| CN106920234B (zh) | 一种复合式自动放疗计划的方法 | |
| CN108815721B (zh) | 一种照射剂量确定方法及系统 | |
| CN101184527B (zh) | 并入功能性成像信息的放射治疗方案设备 | |
| US10149987B2 (en) | Method and system for generating synthetic electron density information for dose calculations based on MRI | |
| CN106902477B (zh) | 一种宫颈癌内外放疗剂量的非线性融合方法 | |
| US20150055848A1 (en) | Mechanism for advanced structure generation and editing | |
| CN112022191A (zh) | 一种摆位方法和系统 | |
| CN115485019A (zh) | 自动计划的基于放射的治疗 | |
| CN110706779B (zh) | 一种放射治疗计划精确目标函数的自动生成方法 | |
| CN115666717A (zh) | 用于导出和利用虚拟体积结构来预测在实施治疗的放射时的潜在碰撞的方法和装置 | |
| Vandewinckele et al. | Segmentation of head-and-neck organs-at-risk in longitudinal CT scans combining deformable registrations and convolutional neural networks | |
| CN117282040A (zh) | 基于时间序列预测模型的智能离线自适应放疗方法和系统 | |
| Sun et al. | Stepwise local synthetic pseudo-CT imaging based on anatomical semantic guidance | |
| CN117427286B (zh) | 一种基于能谱ct的肿瘤放疗靶区识别方法、系统及设备 | |
| CN118261949A (zh) | 一种二维医学图像形变配准方法及系统 | |
| Wang et al. | Deformation estimation and analysis for adaptive radiation therapy | |
| Acosta et al. | Explaining relationships between local dose and rectal toxicity in prostate cancer radiotherapy with voxel-based population analysis |
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 |