CN108766563A - 基于剂量组学的放射治疗结果预测方法和系统 - Google Patents

基于剂量组学的放射治疗结果预测方法和系统 Download PDF

Info

Publication number
CN108766563A
CN108766563A CN201810560632.1A CN201810560632A CN108766563A CN 108766563 A CN108766563 A CN 108766563A CN 201810560632 A CN201810560632 A CN 201810560632A CN 108766563 A CN108766563 A CN 108766563A
Authority
CN
China
Prior art keywords
radiotherapy
data
prediction model
feature
interest
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
CN201810560632.1A
Other languages
English (en)
Inventor
戴建荣
梁斌
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN201810560632.1A priority Critical patent/CN108766563A/zh
Publication of CN108766563A publication Critical patent/CN108766563A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • 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
    • 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
    • A61N2005/1041—Treatment planning systems using a library of previously administered radiation treatment applied to other patients

Landscapes

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

Abstract

本发明涉及基于剂量组学的放射治疗结果预测方法和系统。根据一实施例，一种放射治疗结果预测方法可包括：获取同一治疗部位患者的放射治疗数据，所述放射治疗数据包括历史放疗计划数据和治疗结果数据；利用所述放射治疗数据建立预测模型；以及利用所述预测模型来预测放射治疗计划的治疗结果。本发明的方法能够更有效地提高预测准确率，不仅能更准确地预测肿瘤治疗效果，还能更准确地预测正常组织的放射性损伤等，因此能广泛应用于各种放疗情况。

Description

基于剂量组学的放射治疗结果预测方法和系统
技术领域
本发明总体上涉及放射肿瘤学领域，更特别地，涉及一种基于剂量组学的放射治疗结果预测方法和系统。
背景技术
癌症严重威胁着人类的健康，据统计，我国癌症患者五年生存率仅为30.9％，癌症已经成为城镇人口死亡的首要因素。放射治疗是治疗癌症的一种有效的手段，目前被应用于60％～70％的癌症患者。放射治疗使用的高能射线能够有效地抑制和杀灭癌细胞，但是在这个过程中，照射区域的正常组织也不可避免地受到损害。因此，放射治疗的结果包括肿瘤的疗效和周围正常组织不可避免的损伤。肿瘤疗效的评价指标包括肿瘤控制率、患者生存率、复发率和生存时间等，而正常组织损伤的评价指标包括口干、水肿、放射性肺炎、皮肤溃烂和放射性肠炎等。
放射治疗的结果与剂量分布有着密切的联系，但是单纯依靠简单的剂量统计指标(例如，处方剂量对靶区的覆盖度、靶区内剂量分布的均匀度、适形度等)无法对治疗结果做出可靠的预测。例如，对于前列腺肿瘤放射治疗，基于剂量分布简单统计指标的预测模型对于五年生存率的预测相关度仅为0.6。常用的正常组织和危及器官的受量评价指标有最大、最小、平均剂量等统计指标。大量针对不同部位、不同阶段恶性肿瘤的研究表明，这些指标能够在一定程度上反应正常组织的损伤程度以及出现并发症的概率，但是预测的准确度较低。以放射性肺炎为例，利用正常肺组织平均剂量预测放射性肺炎出现的置信度仅为0.68。在临床中表现为，没有绝对安全的阈值：即使在计划设计环节有效地控制了肺部的平均剂量，患者仍然有较大的可能在放射治疗之后出现放射性肺炎的症状。
发明内容
通过以上分析可以看出，简单的剂量统计指标无法对放射治疗的治疗的结果做出准确的预测。针对这一问题，本申请公开了一种基于剂量组学的放射治疗结果预测方法和系统。剂量组学是指从大样本量患者的剂量分布数据中提取特征，建立放疗结果预测模型，实现对放疗结果更准确的预测，为治疗提供指导和参考。一般而言，本发明的目的可如下地实现：首先针对同一个治疗部位的患者建立剂量组学数据集，收集患者经过放射治疗之后的随访数据，确定治疗结果(包括肿瘤治疗效果和正常组织的损伤程度)；以肿瘤靶区/正常组织三维模板内的剂量分布为输入提取特征，以治疗结果为输出，建立预测模型；通过预测模型在治疗计划设计过程中对治疗结果进行预测，最终实现治疗计划个性化定制的目的。
预测模型可利用人工智能方法建立，例如经典的机器学习方法和最新的深度学习方法等。基于机器学习的预测模型可应用最小冗余最大相关法(minimum redundancymaximum relevance，mRMR)或者最小绝对值收缩选择因子(least absolute shrinkageand selection operator，Lasso)对提取的特征进行筛选，排除线性相关度较高的冗余特征的影响，然后以筛选之后的特征为输入应用支持向量机(support vector machine，SVM)或者逻辑回归(logistic regression)建立特征向量与治疗结果之间的预测模型。基于深度学习的预测模型直接以正常组织的三维剂量分布作为输入，通过卷积神经网络(Convolutional Neural Network，CNN)直接建立预测模型。
根据一示例性实施例，一种放射治疗结果预测方法可包括：获取同一治疗部位患者的放射治疗数据，所述放射治疗数据包括历史放疗计划数据和治疗结果数据；利用所述放射治疗数据建立预测模型；以及利用所述预测模型来预测放射治疗计划的治疗结果。
在一些示例中，所述历史放疗计划数据包括三维剂量分布数据和轮廓线数据，所述方法还包括：解析所述历史放疗计划中的轮廓线数据，以获得感兴趣区域的模板；以及利用所述模板滤除所述感兴趣区域之外的其他区域的三维剂量分布，从而获得所述感兴趣区域的剂量分布，其中，所述感兴趣区域的剂量分布和所述治疗结果数据被用于建立所述预测模型。
在一些示例中，建立所述预测模型包括基于机器学习方法或深度学习方法建立所述预测模型。
在一些示例中，基于机器学习方法建立所述预测模型包括：从所述感兴趣区域的剂量分布提取多个特征；对所述多个特征进行筛选以去除冗余特征；建立预测模型；以及使用筛选之后的特征和所述治疗结果数据对所述预测模型进行训练。
在一些示例中，所述多个特征包括简单统计特征、剂量体积直方图(DVH)特征、以及空间分布特征，建立预测模型包括应用支持向量机(SVM)或逻辑回归技术来建立预测模型，且对所述多个特征进行筛选包括应用最小冗余最大相关法或最小绝对值收缩选择因子来对所述多个特征进行筛选。
在一些示例中，所述简单统计特征包括能量、最大剂量、最小剂量、平均剂量、剂量范围、标准差、偏斜度和峰度中的一个或多个，所述剂量体积直方图特征包括微分直方图特征和积分直方图特征中的一个或多个，且所述空间分布特征包括灰度共生矩阵特征、灰度区域大小矩阵特征和灰度游程矩阵中的一个或多个。
在一些示例中，基于深度学习方法建立所述预测模型包括：直接使用正常组织的三维剂量分布作为输入，通过卷积神经网络(CNN)建立预测模型；以及使用所述感兴趣区域的剂量分布和所述治疗结果数据来训练所述预测模型。
在一些示例中，所述放射治疗数据还包括放射组学、基因组学、蛋白组学数据中的至少一种。
在一些示例中，所述治疗结果数据包括肿瘤靶区的治疗效果数据和/或正常组织的损伤数据。
根据另一示例性实施例，一种放射治疗结果预测系统可包括：输入单元，用于接收放射治疗计划输入，所述放射治疗计划包括三维剂量分布数据；预测单元，用于基于所述三维剂量分布数据预测放射治疗结果；以及输出单元，用于输出所预测的放射治疗结果。
在一些示例中，所述系统还包括：预处理单元，用于对所述三维剂量分布数据进行预处理以获得感兴趣区域的剂量分布，其中，所述预测单元基于所述感兴趣区域的剂量分布来预测所述放射治疗结果。
在一些示例中，所述预处理单元包括：解析单元，用于对所述放射治疗计划中的轮廓线数据进行解析以获得所述感兴趣区域的模板；以及过滤单元，利用所述模板滤除所述感兴趣区域之外的其他区域的三维剂量分布，从而获得所述感兴趣区域的剂量分布。
在一些示例中，所述预测单元包括基于深度学习方法建立的预测模型，所述感兴趣区域的剂量分布和所述放射治疗结果被用于训练所述预测模型。
在一些示例中，所述系统还包括：特征提取单元，用于从所述感兴趣区域的剂量分布提取多个特征，其中，所述预测单元包括基于机器学习方法建立的预测模型，所述预测模型基于所述多个特征来预测所述放射治疗结果。
根据另一示例性实施例，一种放射治疗结果预测装置可包括：存储器，其上存储有计算机指令；以及处理器，配置为运行所述计算机指令以执行上述方法。
根据另一示例性实施例，一种计算机可读存储介质可存储有计算机指令，所述计算机指令在被处理器运行时使所述处理器执行上述方法。
本发明的优点与积极效果在于：1.本发明充分地利用了剂量分布信息，能够更加有效地提高预测的准确率，从而实现治疗计划的个性化定制；2.本发明具有很好的自适应能力，随着数据集的增加，能够进一步提高预测的准确率，同时具有很好的普适性，不仅能够适用于肿瘤治疗效果的预测，同时适用于正常组织放射性损伤的预测。
附图说明
图1示出根据本发明一示例性实施例的放射治疗结果预测方法的流程图。
图2示出从放射治疗数据获得感兴趣区域的剂量分布的过程的示意图。
图3示出根据本发明一示例性实施例基于机器学习建立预测模型的方法的流程图。
图4示出对感兴趣区域的剂量分布进行小波变化的示意图。
图5示出作为示例的患者肺部剂量分布直方图和剂量体积直方图(DVH)。
图6示出灰度共生矩阵(GLCM)的示例。
图7示出灰度区域大小矩阵(GLSZM)的示例。
图8示出sigmoid函数形式的示意图。
图9示出预测模型的训练和特征筛选过程的示意图。
图10示出预测模型的ROC验证过程的示意图。
图11示出了根据本发明一实施例提供的放射治疗结果预测系统的功能框图。
具体实施方式
下面将结合附图描述本发明的示例性实施例。在下面描述的实施例中，以肺癌放射治疗为例进行了描述，但是应理解，本发明不限于此。而是，本发明的原理可用于任何其他部位的放射治疗结果预测。
图1示出根据本发明一示例性实施例的放射治疗结果预测方法100的流程图。如图1所示，方法100可始于步骤S110，获取患者的放射治疗数据。这里，可以是同一治疗部位患者的放射治疗数据，例如肺癌患者，或者其他肿瘤或癌症患者。放射治疗数据可包括对患者执行过的历史放疗计划，其一般包括三维剂量分布数据和相关区域例如器官、组织、肿瘤、瘤床等的轮廓线数据。执行过的历史放疗计划一般以特定数据格式存储在放疗设备上，例如常用的DICOMRT数据格式。放射治疗数据还包括治疗结果数据，例如肿瘤治疗效果和正常组织的损伤程度数据等。治疗结果数据可通过患者治疗之后的随访过程来获得。
在一示例中，以预测放射性肺炎为例，共选取了70例肺癌患者病例，其中1-4期患者分别为4、5、53和8例；年龄段范围为35-84岁；男性患者61例，女性患者9例；采用调强(intensity modulated radiotherapy treatment，IMRT)方式治疗；平均处方剂量为61.2Gy；放射治疗之后共有37例出现了放射性肺炎的症状。
然后在步骤S120中，可以对所获得的放射治疗数据进行预处理，以获得感兴趣区域的剂量分布数据。例如，在一示例中，可以解析历史放疗计划中的轮廓线数据，得到感兴趣区域的三维轮廓模板。然后，利用所述模板滤除感兴趣区域之外的其他区域的三维剂量分布，从而获得感兴趣区域的剂量分布。
步骤S120的一示例示于图2中，其中以肺癌为例进行描述。如图2所示，感兴趣的区域可以是双肺、左肺或右肺，利用其模板(即，肺部轮廓)对三维剂量分布进行过滤，即可得到感兴趣区域的剂量分布。
接下来，在步骤S130中，可以利用放射治疗数据，具体而言，通过前述步骤获得的感兴趣区域的剂量分布以及治疗结果数据，来建立预测模型。建立预测模型可采用多种方法，例如基于机器学习的方法或基于深度学习(或称为深度神经网络)的方法，下面逐一详细说明。
对于深度学习方案，可以直接使用正常组织的三维剂量分布作为输入，通过卷积神经网络(CNN)建立预测模型，然后使用所获得的样本的感兴趣区域的剂量分布和治疗结果数据来训练所建立的预测模型。虽然前面的示例中获得了70名患者的样本数据，但是可以理解，更多的样本数据有助于提高预测模型的训练效果，从而提升预测的准确性。
对于机器学习方案，利用其建立预测模型的流程图示于图3中。如图3所示，首先，可以在步骤S132中，从感兴趣区域的剂量分布数据中提取多个特征。提取多个特征的步骤可包括对剂量分布数据进行各种数学处理，例如在一实施例中，可以对感兴趣区域的剂量分布进行小波变化，以更充分地挖掘剂量分布的三维空间特征。在一示例中，针对图2所获得的感兴趣双肺区域的剂量分布，以Haar卷积核进行小波变化，得到8个不同方向的小波分量，如图4所示。可以看出，小波变换通过时频尺度自适应的卷积核，能够更加清晰的揭示不同方向的特征。当然，可以对使用不同模板获得的感兴趣区域的剂量分布进行这样的小波变化。然后，可以对原始剂量分布和所得的8个小波分量来进行特征提取。
提取的特征可包括简单统计特征、基于剂量体积直方图(dose volumehistogram，DVH)的特征和基于空间分布的特征等，下面逐一进行说明。
简单统计特征
简单统计特征包括基于剂量分布的统计特征：能量(energy)、最大剂量(maximum)、最小剂量(minimnum)、平均剂量(mean)、剂量范围(range)、标准差(deviation)、偏斜度(skewness)和峰度(kurtosis)等，计算公式分布如下：
minimnum＝min(D) (2)
maximum＝max(D) (3)
range＝max(D)-min(D) (4)
其中，函数D(i)表示第i个位点处的剂量。
除此之外，简单统计特征还可包括体积(volume，V)、表面积(area，A)、体积面积比(ratio)、椭圆度(sphericity)、两种完整度(compactness1,compactness2)、均衡度(disproportion)等形状特征，计算公式分别如下：
其中，表面积计算公式中和为三维网格三角面片相交的两条边组成的向量。
基于DVH的特征
图5示出作为示例的前述70名肺癌患者的肺部剂量分布直方图和剂量体积直方图(DVH)，其中从左到右分别表示全肺、患侧肺和健侧肺的数据。作为示例，所提取的基于DVH的特征包括基于微分直方图的特征和基于积分直方图的特征。基于微分曲线的特征包括熵(entropy)和均整度(uniformity)，计算公式如下，其中B为直方图的离散宽度个数，p(i)为对应剂量的频度。
基于积分曲线的特征包括V5、V10、V20、V30，分别对应不小于5Gy、10Gy、20Gy和30Gy的体积。
空间分布特征
空间分布的特征包括基于灰度共生矩阵(gray-level cooccurrence matrix，GLCM)、灰度区域大小矩阵(gray-level size zone matrix，GLSZM)、灰度游程矩阵(graylevel run-length matrix，GLRLM)的特征。
GLCM定义为距离图像某一点固定距离的位置灰度的概率。图6以二维图像为例说明GLCM，左图所示为原图像，共有8个灰度色阶，GLCM的维度为8×8。图示为0°方向，距离为1的情况，GLCM对应i行j列的值为灰度值为i的像素右侧像素值为j的频度(概率)。例如GLCM中第6行3列为原图像中灰度值为6的像素右侧像素值为3的频度为3。计算所有方向的GLCM(二维/三维图像共8/13个方向)之后对应点相加求平均，得到最终的GLCM。基于GLCM的特征值包括自相关(autocorrelation)、能量(energy)、对比(contrast)、熵(entropy)、非相似度(dissimilarity)、均整度(homogeneity)、行/列灰度平均值(μx/μy)、相关度(corelation)、平方和(sum of squares,ss)、集群显著性(cluster prominence，cp)、集群阴影(cluster shade，cs)、集群趋势(cluster tendency，ct)、差异平均值(differenceanverage，da)、差异熵(difference entropy，de)、差异方差(difference variance,dv)、和均值(sum average，sa)、和熵(sum entropy，se)、和方差(sum variance、sv)和两种非正式测量形式(informal measure of correlation，idm)，计算公式分别如下，其中p(i,j)为概率值，也就是对应位置的值与GLCM所有元素总和的比值。
GLSZM定义为灰度值相同的联通区域的大小，图7示出其示例，其中左图所示为原图像，GLSZM行数为原图像中灰度色阶数，GLSZM中i行j列的值代表灰度为i的联通区域大小为j的频度。基于GLSZM的特征包括：小面积区域增强值(small area emphasis，sae)、大面积区域增强值(large area emphasis,lae)、低阶区域增强值(low gray level zoneemphasis，lglze)、高阶区域增强值(high gray level zone emphasis，hglze)、小面积区域低阶增强值(small area low gray level emphasis,salgle)、小面积区域高阶增强值(small area high gray level emphasis,sahgle)、大面积区域低阶增强值(large arealow gray level emphasis,lalgle)、大面积区域高阶增强值(large area high graylevel emphasis,sahgle)、灰度非均匀度(gray level non-uniformity,gln)、灰度非均匀度归一值(gray level non-uniformity normalized,glnn)、区域非均匀度(size zonenon-uniformity)、区域非均匀度归一值(size zone non-uniformity normalized,sznn)、灰度方差(gray level variance,glv)、区域方差(zone variance,zv)、区域熵(zoneentropy,ze)，计算公式分别如下，其中p(i,j)为概率值，也就是对应位置的值(P(i,j))与GLSZM所有元素总和的比值。
GLRLM与GLSZM类似，不同之处在于按照不同方向统计(二维/三维图像共8/13个方向)然后对应点相加求平均，得到最终的GLRLM。基于GLSZM的特征包括：小面积区域增强值(short run emphasis，sre)、大面积区域增强值(long run emphasis,lre)、灰度非均匀度(gray level non-uniformity,gln)、灰度非均匀度归一值(gray level non-uniformitynormalized,glnn)、游程非均匀度(run length non-uniformity,rln)、游程非均匀度归一值(run length non-uniformity normalized,rlnn)、灰度方差(gray level variance,glv)、游程方差(run variance,rv)、游程熵(run entropy,re)、低阶游程增强值(low graylevel run emphasis，lglre)、高阶游程增强值(high gray level run emphasis，hglre)、短游程低阶增强值(short run low gray level emphasis,srlgle)、短游程高阶增强值(short run high gray level emphasis,srhgle)、长游程低阶增强值(long run lowgray level emphasis,lrlgle)、长游程高阶增强值(long run high gray levelemphasis,lrhgle)，计算公式分别如下，其中p(i,j)为概率值，也就是对应位置的值(P(i,j))与GLRLM所有元素总和的比值。
作为示例，使用患侧肺轮廓、对侧肺轮廓和全肺轮廓三个模板，然后分别对三组剂量分布进行小波变换，每个轮廓模板对应得到8个方向的小波分量；分别提取原剂量分布和8组小波分量的特征，包括14个一维特征、6个二维特征和44个三维特征；每个病人共提取3×(1+8)×(14+6+44)＝1728个特征。
接下来，在步骤S134中，可以对所提取的特征进行筛选，以排除线性相关度较高的冗余特征的影响。在一些示例中，可以通过例如最小冗余最大相关法(minimum redundancymaximum relevance,mRMR)或者最小绝对值收缩选择因子(least absolute shrinkageand selection operator,Lasso)来筛选特征。最小冗余最大相关法以互信息为指标，在最大化特征与预测结果的相关性的同时减少特征的冗余，具体的形式如下：
Maximize：V/W (53)
其中，x和y分别为特征和病例放射性肺炎(以肺癌为例)的观测值，y的取值为1/0，分别对应是否出现放射性肺炎的情况。X为m维度列向量，对应m个特征值，I(x,y)为互信息。
接下来，在步骤S136中，可以建立特征向量与治疗结果之间的预测模型。这里，基于机器学习的预测模型可以应用支持向量机(support vector machine,SVM)或逻辑回归(logistic regression)等技术来建立。以采用逻辑回归技术为例，可以使用sigmoid函数将观测值映射到[0,1]的值域从而实现二元分类，通过最大似然拟合确定预测模型的参数，具体形式如下：
其中p(X)是预测模型的概率密度分布函数，具有sigmoid函数形式，如图8所示。n为实例样本病例个数，y为病例放射性肺炎(以肺癌为例)的观测值，取值为1/0，分别对应是否出现放射性肺炎的情况。X为m维度列向量，对应m个特征值。β为m维行向量，β0为常数，是预测模型中需要优化的变量。
然后，在步骤S138中，使用筛选后的特征作为输入，将治疗结果数据作为输出，来训练该预测模型，通过最大似然拟合确定预测模型的参数。在一些实施例中，当在步骤S134中使用最小绝对值收缩选择因子来筛选特征时，则特征筛选和模型训练步骤可以同时进行。例如，当采用Lasso正则因子筛选特征值时，可以在优化拟合参数的过程中加入l1正则项减少变量的个数，优化目标函数改写为：
其中，λ为正则收缩因子，在训练过程中同时求解最优解，达到减少变量个数和最大似然估计的平衡。
在一示例中，利用70个样本中的45个样本(占总数据的64.3％)的数据对所建立的预测模型进行训练，用剩余的25个样本(占总数据的35.7％)来验证预测模型的准确性。预测模型训练过程如图9所示，随着λ的增大，模型预测的偏差逐渐减小(mean square error，MSE)，起作用的特征值也逐渐减少，说明同时完成了模型训练和特征筛选两个任务。最终得到的预测模型中筛选出的特征和对应的系数如下：
·全肺LHL方向小波分量峰度:1.623
·患侧肺LLL方向小波分量GLCM均整度:-0.858
·健侧肺HHH方向小波分量GLCM集群显著性:-0.810
·患侧肺LHL方向小波分量GLSZM灰度非均匀度:-0.553
·患侧肺GLCM相关度:0.140
·患侧肺GLCM对比度:0.088
·患侧肺LHL方向小波分量GLSZM小面积区域高阶增强值:-0.078
通过上述步骤，完成了建立预测模型的过程。此时，可以采用受试者工作特征(receiver operating characteristic，ROC)验证预测模型。具体的流程如下：首先将测试病例的特征输入预测模型，得到放射性肺炎的预测概率；然后设定阈值，如果预测概率大于阈值则判断测试放射性肺炎发病，反之判断测试病例将不会出现放射性肺炎；如表1所示，根据测试病例放射性肺炎的实际发病情况与预测结果可以分为4种不同的类型，由此得到真阳性概率(true positive rate,TPR)和假阳性概率(false positive rate,FPR)，计算公式分别为：
TPR＝TP/(TP+FN) (58)
FPR＝FP/(FP+TN) (59)
通过连续变化阈值得到一系列的TPR和FPR，以FPR为横坐标，以TPR为纵坐标，连接这些点可以得到ROC曲线。ROC曲线下的面积(area under curve，AUC)能够定量的反映出模型的预测能力。AUC的取值范围是[0,1]，AUC值越大表示模型的预测能力越强，特别的如果AUC的值为0/1，表示预测模型预测完全错误/正确，AUC的值为0.5表示模型随机猜测。
表1.ROC预测情况分类
图10示出对一示例的预测模型进行ROC验证的示例曲线。如图所示，AUC值为0.78，远大于文献中报道的0.67。可见，根据本发明建立的预测模型具有更高的准确性和可靠度。
返回参照图1，接下来，即可利用根据上面的过程建立的预测模型来预测放疗计划的治疗结果，如步骤S140所示。具体而言，针对特征的患者，医生需要根据其病情为其建立放射治疗计划。在建立放射治疗计划之后，可以利用本发明的预测模型来预测该放疗计划的治疗结果，包括肿瘤治疗效果和正常组织的损伤程度等。例如，可以预测该放疗计划是否会导致放射性肺炎的发生。如果所预测的治疗结果不理想，医生还可根据预测结果来调整放疗计划，直到获得期望的预测结果位置。
上面以剂量组学数据和肺癌为例，描述了本发明的一些具体实施例。应理解，本发明的原理不限于这些实施例，而是，本发明还可以应用于基于其他数据的放疗结果预测，例如前述放射治疗数据还可以包括放射组学数据、基因组学数据、蛋白组学数据等或其他组学数据，这些组学数据的应用过程与上面描述的实施例基本相同，这里不再一一重复描述。
图11示出了根据本发明一实施例提供的放射治疗结果预测系统的功能框图。图11所示的放射治疗结果预测系统的各个模块的功能已在上面得到了论述，因此这里仅进行简要描述。
如图11所示，放射治疗结果预测系统200包括输入单元210、预处理单元220、特征提取单元230、预测单元240和输出单元250。
输入单元210可用于接收放射治疗计划输入，放射治疗计划可包括三维剂量分布数据、以及相关器官和组织等的轮廓线数据等。所接收的放疗计划数据可在预处理单元220中被预处理，例如预处理单元220可以对三维剂量分布数据进行预处理以获得感兴趣区域的剂量分布。在一些实施例中，预处理单元220可包括解析单元222和过滤单元224，解析单元222可以对放射治疗计划中的轮廓线数据进行解析以获得感兴趣区域的模板，然后过滤单元224可利用所述模板滤除感兴趣区域之外的其他区域的三维剂量分布，从而获得感兴趣区域的剂量分布。
特征提取单元230可从感兴趣区域的剂量分布数据中提取多个特征，如上面详细描述的那些特征。这里应注意的是，所提取的特征可以是在预测模型建立过程中筛选之后所需的那些特征，而不包括滤除掉的那些冗余特征，从而可以提高预测效率。
然后，预测单元240可以进行放疗结果预测。在一些实施例中，当预测单元240包括有如上所述基于机器学习方法建立的预测模型242时，该预测模型可以基于特征提取单元230提取的特征来进行预测。另一方面，当预测单元240包括有如上所述基于深度学习方法建立的预测模型244时，该预测模型则可以直接基于感兴趣区域的剂量分布数据来进行预测，此时，特征提取单元230可以被省略。
最后，输出单元250可以输出预测结果。在一些实施例中，输出单元250可以是诸如显示器、打印机之类的输出设备。
应理解，本发明的预测方法和系统可以实施在诸如通用计算机或专用装置之类的硬件装置上。例如，一种计算机装置可包括诸如硬磁盘、固态存储器(SSD)之类的存储器和诸如中央处理单元(CPU)之类的处理器，存储器上可存储有计算机指令，该计算机指令在被处理器运行时，可以执行上面描述的方法，或者实现上面描述的各个功能模块的功能。
除了上述方法、系统和装置以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书描述的根据本申请各种实施例的方法中的各个步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书描述的根据本申请各种实施例的方法中的各个步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
虽然上面按照一定的顺序描述了方法中的各个步骤，但是应理解，这些步骤也可以按照不同的顺序进行，或者多个步骤可以同时进行。或者在一些实施例中，某些步骤可以一直持续地进行。本发明的方法涵盖所有这些不同的执行顺序。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (16)

1.一种放射治疗结果预测方法，包括：
获取同一治疗部位患者的放射治疗数据，所述放射治疗数据包括历史放疗计划数据和治疗结果数据；
利用所述放射治疗数据建立预测模型；以及
利用所述预测模型来预测放射治疗计划的治疗结果。
2.如权利要求1所述的方法，其中，所述历史放疗计划数据包括三维剂量分布数据和轮廓线数据，所述方法还包括：
解析所述历史放疗计划中的轮廓线数据，以获得感兴趣区域的模板；以及
利用所述模板滤除所述感兴趣区域之外的其他区域的三维剂量分布，从而获得所述感兴趣区域的剂量分布，
其中，所述感兴趣区域的剂量分布和所述治疗结果数据被用于建立所述预测模型。
3.如权利要求2所述的方法，其中，建立所述预测模型包括基于机器学习方法或深度学习方法建立所述预测模型。
4.如权利要求3所述的方法，其中，基于机器学习方法建立所述预测模型包括：
从所述感兴趣区域的剂量分布提取多个特征；
对所述多个特征进行筛选以去除冗余特征；
建立预测模型；以及
使用筛选之后的特征和所述治疗结果数据对所述预测模型进行训练。
5.如权利要求4所述的方法，其中，所述多个特征包括简单统计特征、剂量体积直方图(DVH)特征、以及空间分布特征，
建立预测模型包括应用支持向量机(SVM)或逻辑回归技术来建立预测模型，且
对所述多个特征进行筛选包括应用最小冗余最大相关法或最小绝对值收缩选择因子来对所述多个特征进行筛选。
6.如权利要求5所述的方法，其中，所述简单统计特征包括能量、最大剂量、最小剂量、平均剂量、剂量范围、标准差、偏斜度和峰度中的一个或多个，
所述剂量体积直方图特征包括微分直方图特征和积分直方图特征中的一个或多个，且
所述空间分布特征包括灰度共生矩阵特征、灰度区域大小矩阵特征和灰度游程矩阵中的一个或多个。
7.如权利要求3所述的方法，其中，基于深度学习方法建立所述预测模型包括：
直接使用正常组织的三维剂量分布作为输入，通过卷积神经网络(CNN)建立预测模型；以及
使用所述感兴趣区域的剂量分布和所述治疗结果数据来训练所述预测模型。
8.如权利要求1所述的方法，其中，所述放射治疗数据还包括放射组学、基因组学、蛋白组学数据中的至少一种。
9.如权利要求1所述的方法，其中，所述治疗结果数据包括肿瘤靶区的治疗效果数据和/或正常组织的损伤数据。
10.一种放射治疗结果预测系统，包括：
输入单元，用于接收放射治疗计划输入，所述放射治疗计划包括三维剂量分布数据；
预测单元，用于基于所述三维剂量分布数据预测放射治疗结果；以及
输出单元，用于输出所预测的放射治疗结果。
11.如权利要求10所述的系统，还包括：
预处理单元，用于对所述三维剂量分布数据进行预处理以获得感兴趣区域的剂量分布，
其中，所述预测单元基于所述感兴趣区域的剂量分布来预测所述放射治疗结果。
12.如权利要求11所述的系统，其中，所述预处理单元包括：
解析单元，用于对所述放射治疗计划中的轮廓线数据进行解析以获得所述感兴趣区域的模板；以及
过滤单元，利用所述模板滤除所述感兴趣区域之外的其他区域的三维剂量分布，从而获得所述感兴趣区域的剂量分布。
13.如权利要求11所述的系统，其中，所述预测单元包括基于深度学习方法建立的预测模型，所述感兴趣区域的剂量分布和所述放射治疗结果被用于训练所述预测模型。
14.如权利要求11所述的系统，还包括：
特征提取单元，用于从所述感兴趣区域的剂量分布提取多个特征，
其中，所述预测单元包括基于机器学习方法建立的预测模型，所述预测模型基于所述多个特征来预测所述放射治疗结果。
15.一种放射治疗结果预测装置，包括：
存储器，其上存储有计算机指令；以及
处理器，配置为运行所述计算机指令以执行权利要求1-9中的任一项所述的方法。
16.一种计算机可读存储介质，其上存储有计算机指令，所述计算机指令在被处理器运行时使所述处理器执行权利要求1-9中的任一项所述的方法。
CN201810560632.1A 2018-05-25 2018-05-25 基于剂量组学的放射治疗结果预测方法和系统 Pending CN108766563A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810560632.1A CN108766563A (zh) 2018-05-25 2018-05-25 基于剂量组学的放射治疗结果预测方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810560632.1A CN108766563A (zh) 2018-05-25 2018-05-25 基于剂量组学的放射治疗结果预测方法和系统

Publications (1)

Publication Number Publication Date
CN108766563A true CN108766563A (zh) 2018-11-06

Family

ID=64002132

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810560632.1A Pending CN108766563A (zh) 2018-05-25 2018-05-25 基于剂量组学的放射治疗结果预测方法和系统

Country Status (1)

Country Link
CN (1) CN108766563A (zh)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109637669A (zh) * 2018-11-22 2019-04-16 中山大学 基于深度学习的治疗方案的生成方法、装置及存储介质
CN109754860A (zh) * 2018-12-21 2019-05-14 苏州雷泰医疗科技有限公司 一种基于dvh预测模型的自动预测计划难易程度的方法
CN110211664A (zh) * 2019-04-25 2019-09-06 安徽大学 一种基于机器学习自动设计放射治疗方案的系统
CN110354406A (zh) * 2019-07-30 2019-10-22 安徽大学 一种放射治疗的三维剂量预测方法和系统
CN110705626A (zh) * 2019-09-26 2020-01-17 北京市商汤科技开发有限公司 一种图像处理方法及装置、电子设备和存储介质
CN111430031A (zh) * 2020-05-18 2020-07-17 复旦大学附属中山医院 用于评估肺癌疗效的体素与ct值乘积算法系统
CN111462916A (zh) * 2020-04-03 2020-07-28 戴建荣 一种放疗计划危及器官剂量体积直方图的预测方法和装置
CN111899866A (zh) * 2020-07-28 2020-11-06 四川大学华西医院 基于深度学习的外科手术并发症评测系统
CN112927203A (zh) * 2021-02-25 2021-06-08 西北工业大学深圳研究院 基于多序列mri全局信息的胶质瘤患者术后生存期预测方法
CN113140275A (zh) * 2021-05-07 2021-07-20 四川大学华西医院 一种肝癌靶向治疗疗效的监测系统及方法
WO2022011616A1 (zh) * 2020-07-15 2022-01-20 北京肿瘤医院(北京大学肿瘤医院) 一种通过影像组学特征判断癌症治疗反应的方法及系统
EP4011442A1 (en) * 2020-12-09 2022-06-15 RaySearch Laboratories AB Method and computer program product for dose map prediction for radiotherapy treatment planning
CN114707742A (zh) * 2022-04-15 2022-07-05 中国医学科学院肿瘤医院 自适应放疗策略的人工智能预测方法和系统
CN117612726A (zh) * 2023-09-21 2024-02-27 江西省肿瘤医院(江西省第二人民医院、江西省癌症中心) 放射性肺炎预测方法、装置、设备及介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101421736A (zh) * 2006-04-17 2009-04-29 美国西门子医疗解决公司 在医疗计划中的个性化预后建模
CN101443780A (zh) * 2004-12-30 2009-05-27 普罗文蒂斯公司 用于开发和使用用于预测多种医学结果、评价介入策略以及同时验证生物标志物诱因的预测模型的方法、系统和计算机程序产品
CN103268400A (zh) * 2013-04-26 2013-08-28 山东省肿瘤医院 一种从Pinnacle放疗计划系统中导出并重建剂量-体积直方图的方法
WO2015193776A1 (en) * 2014-06-18 2015-12-23 Elekta Ab System and method for automatic treatment planning
CN106815481A (zh) * 2017-01-19 2017-06-09 中国科学院深圳先进技术研究院 一种基于影像组学的生存期预测方法及装置
CN107050668A (zh) * 2017-06-09 2017-08-18 南京医科大学第附属医院 基于云处理的放疗效果预测方法
CN107767947A (zh) * 2017-09-28 2018-03-06 北京全域医疗技术有限公司 放疗计划评估方法及装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101443780A (zh) * 2004-12-30 2009-05-27 普罗文蒂斯公司 用于开发和使用用于预测多种医学结果、评价介入策略以及同时验证生物标志物诱因的预测模型的方法、系统和计算机程序产品
CN101421736A (zh) * 2006-04-17 2009-04-29 美国西门子医疗解决公司 在医疗计划中的个性化预后建模
CN103268400A (zh) * 2013-04-26 2013-08-28 山东省肿瘤医院 一种从Pinnacle放疗计划系统中导出并重建剂量-体积直方图的方法
WO2015193776A1 (en) * 2014-06-18 2015-12-23 Elekta Ab System and method for automatic treatment planning
CN106815481A (zh) * 2017-01-19 2017-06-09 中国科学院深圳先进技术研究院 一种基于影像组学的生存期预测方法及装置
CN107050668A (zh) * 2017-06-09 2017-08-18 南京医科大学第附属医院 基于云处理的放疗效果预测方法
CN107767947A (zh) * 2017-09-28 2018-03-06 北京全域医疗技术有限公司 放疗计划评估方法及装置

Cited By (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109637669A (zh) * 2018-11-22 2019-04-16 中山大学 基于深度学习的治疗方案的生成方法、装置及存储介质
CN109754860B (zh) * 2018-12-21 2020-11-10 苏州雷泰医疗科技有限公司 一种基于dvh预测模型的自动预测计划难易程度的方法
CN109754860A (zh) * 2018-12-21 2019-05-14 苏州雷泰医疗科技有限公司 一种基于dvh预测模型的自动预测计划难易程度的方法
CN110211664A (zh) * 2019-04-25 2019-09-06 安徽大学 一种基于机器学习自动设计放射治疗方案的系统
CN110211664B (zh) * 2019-04-25 2022-11-04 安徽大学 一种基于机器学习自动设计放射治疗方案的系统
CN110354406A (zh) * 2019-07-30 2019-10-22 安徽大学 一种放射治疗的三维剂量预测方法和系统
CN110705626A (zh) * 2019-09-26 2020-01-17 北京市商汤科技开发有限公司 一种图像处理方法及装置、电子设备和存储介质
WO2021057174A1 (zh) * 2019-09-26 2021-04-01 北京市商汤科技开发有限公司 图像处理方法及装置、电子设备、存储介质和计算机程序
JP2022530413A (ja) * 2019-09-26 2022-06-29 ベイジン・センスタイム・テクノロジー・デベロップメント・カンパニー・リミテッド 画像処理方法及び装置、電子機器、記憶媒体並びにコンピュータプログラム
CN111462916A (zh) * 2020-04-03 2020-07-28 戴建荣 一种放疗计划危及器官剂量体积直方图的预测方法和装置
CN111462916B (zh) * 2020-04-03 2024-03-26 戴建荣 一种放疗计划危及器官剂量体积直方图的预测方法和装置
CN111430031B (zh) * 2020-05-18 2024-03-01 复旦大学附属中山医院 用于评估肺癌疗效的体素与ct值乘积算法系统
CN111430031A (zh) * 2020-05-18 2020-07-17 复旦大学附属中山医院 用于评估肺癌疗效的体素与ct值乘积算法系统
WO2022011616A1 (zh) * 2020-07-15 2022-01-20 北京肿瘤医院(北京大学肿瘤医院) 一种通过影像组学特征判断癌症治疗反应的方法及系统
CN111899866A (zh) * 2020-07-28 2020-11-06 四川大学华西医院 基于深度学习的外科手术并发症评测系统
CN111899866B (zh) * 2020-07-28 2022-04-22 四川大学华西医院 基于深度学习的外科手术并发症评测系统
EP4011442A1 (en) * 2020-12-09 2022-06-15 RaySearch Laboratories AB Method and computer program product for dose map prediction for radiotherapy treatment planning
WO2022122442A1 (en) * 2020-12-09 2022-06-16 Raysearch Laboratories Ab Method and computer program product for dose map prediction for radiotherapy treatment planning
CN116569190A (zh) * 2020-12-09 2023-08-08 光线搜索实验室公司 用于放疗治疗计划的剂量图预测的方法和计算机程序产品
JP2023548950A (ja) * 2020-12-09 2023-11-21 レイサーチ ラボラトリーズ エービー 放射線治療計画のための線量マップを予測する方法及びコンピュータプログラム
US11931599B2 (en) 2020-12-09 2024-03-19 Raysearch Laboratories Ab (Publ) Method and computer program product for dose map prediction for radiotherapy treatment planning
CN116569190B (zh) * 2020-12-09 2024-04-30 光线搜索实验室公司 用于放疗治疗计划的剂量图预测的方法和计算机程序产品
JP7503714B2 (ja) 2020-12-09 2024-06-20 レイサーチ ラボラトリーズ エービー 放射線治療計画のための線量マップを予測する方法及びコンピュータプログラム
CN112927203A (zh) * 2021-02-25 2021-06-08 西北工业大学深圳研究院 基于多序列mri全局信息的胶质瘤患者术后生存期预测方法
CN113140275B (zh) * 2021-05-07 2023-03-24 四川大学华西医院 一种肝癌靶向治疗疗效的监测系统及方法
CN113140275A (zh) * 2021-05-07 2021-07-20 四川大学华西医院 一种肝癌靶向治疗疗效的监测系统及方法
CN114707742A (zh) * 2022-04-15 2022-07-05 中国医学科学院肿瘤医院 自适应放疗策略的人工智能预测方法和系统
CN117612726A (zh) * 2023-09-21 2024-02-27 江西省肿瘤医院(江西省第二人民医院、江西省癌症中心) 放射性肺炎预测方法、装置、设备及介质
CN117612726B (zh) * 2023-09-21 2024-09-13 江西省肿瘤医院(江西省第二人民医院、江西省癌症中心) 放射性肺炎预测方法、装置、设备及介质

Similar Documents

Publication Publication Date Title
CN108766563A (zh) 基于剂量组学的放射治疗结果预测方法和系统
US11386557B2 (en) Systems and methods for segmentation of intra-patient medical images
Men et al. More accurate and efficient segmentation of organs‐at‐risk in radiotherapy with convolutional neural networks cascades
US11367520B2 (en) Compressing radiotherapy treatment plan optimization problems
Mylonas et al. A deep learning framework for automatic detection of arbitrarily shaped fiducial markers in intrafraction fluoroscopic images
Potter et al. Error detection and classification in patient‐specific IMRT QA with dual neural networks
CN112837782B (zh) 一种基于深度学习的放疗三维剂量预测方法
Wang et al. VMAT dose prediction in radiotherapy by using progressive refinement UNet
Wang et al. DeepEC: An error correction framework for dose prediction and organ segmentation using deep neural networks
Ansari et al. Multiple sclerosis lesion segmentation in brain MRI using inception modules embedded in a convolutional neural network
Porter et al. Hippocampus segmentation on noncontrast CT using deep learning
Men et al. A study of positioning orientation effect on segmentation accuracy using convolutional neural networks for rectal cancer
CN114707742A (zh) 自适应放疗策略的人工智能预测方法和系统
CN113035334B (zh) 鼻腔nkt细胞淋巴瘤放疗靶区自动勾画方法和装置
CN117994518A (zh) 基于多视图特征融合网络的胰腺癌图像分割系统
Liu et al. Multilayer perceptron neural network with regression and ranking loss for patient-specific quality assurance
Feng et al. [Retracted] Research on Segmentation of Brain Tumor in MRI Image Based on Convolutional Neural Network
CN115100155B (zh) 放射性肺炎预测模型的建立方法与系统
Kunkyab et al. A deep learning‐based framework (Co‐ReTr) for auto‐segmentation of non‐small cell‐lung cancer in computed tomography images
Al-Jammas et al. Brain tumors recognition based on deep learning
Liu et al. Modeling linear accelerator (Linac) beam data by implicit neural representation learning for commissioning and quality assurance applications
Bosco et al. A convolutional neural network model for EPID‐based non‐transit dosimetry
Qi et al. Region-specific three-dimensional dose distribution prediction: a feasibility study on prostate VMAT cases
Putri et al. Artificial neural network for cervical abnormalities detection on computed tomography images
Xia et al. MFA‐ICPS: Semi‐supervised medical image segmentation with improved cross pseudo supervision and multi‐dimensional feature attention

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20181106

RJ01 Rejection of invention patent application after publication