CN108815721B - 一种照射剂量确定方法及系统 - Google Patents

Abstract

本发明公开了一种照射剂量确定方法及系统。照射剂量确定方法包括：利用回顾性标记确定放疗模拟定位影像中感兴趣区域内具有生物特征的像素点；根据具有生物特征的像素点提取局部影像组学特征；局部影像组学特征包括灰度直方图强度、肿瘤形状特征、纹理特征、高斯型拉普拉斯滤波特征以及小波特征；获取待测局部影像组学特征；根据局部影像组学特征识别待测局部影像组学特征的阳性区域；对阳性区域的外围边界进行三维重建，确定三维图像；三维图像为显示生物特征的三维图像；根据三维图像确定不同区域不同位置的照射剂量。采用本发明所提供的照射剂量确定方法及系统能够针对肿瘤区域内不同生物特征的肿瘤给予适宜的照射剂量。

Description

一种照射剂量确定方法及系统

技术领域

本发明涉及医学放疗领域，特别是涉及一种照射剂量确定方法及系统。

背景技术

放疗与外科手术治疗、内科化疗并成为肿瘤治疗的三大手段。统计数据显示，约65％的患者需要在肿瘤治疗的过程中用到放疗，部分癌种(如早期鼻咽癌、肺癌、乳腺癌、前列腺癌)可以通过放疗治愈，放疗对肿瘤治愈的贡献度达40％。

放疗大体步骤流程如下所示：

第一步，如图1所示，模拟定位，即对患者进行体位固定条件下的医学影像成像。

第二步，如图2所示，放疗计划设计，即将上一步的图像传输至放疗计划系统(treatmentplanning system，TPS)软件，在该软件上模拟X射线入射角度、形状、能量，并通过该软件计算辐射剂量，模拟放疗实施后患者体内肿瘤及其周围危及器官的受照射剂量分布情况，通过剂量-体积直方图的形式进行统计量化评估。

第三步，计划实施，即上述放疗计划经放疗医生和放射物理师共同确认后，提交医用直线加速器执行，如图3所示，执行前，首先借助相同的固定装置，将患者按“第一步模拟定位”时的体位重新固定于医用直线加速器治疗床，即“摆位”；然后启用医用直线加速器同机影像系统，图3中白色箭头指向的CBCT成像系统，在患者不离开治疗床的情况下，在约2分钟的时间内，对患者治疗部位进行快速成像；再后，将快速成像的图像与“第二步放疗计划设计”中使用的患者影像进行图像配准，利用配准结果揭示的体位变化，移动加速器治疗床，使患者体位恢复到“第一步模拟定位”和“第二步放疗计划设计”相同的体位，如图4所示；最后，调用该患者的放疗计划，为患者实施放疗。

现有放疗计划方法，如上面“第二步，放疗计划设计”所描述的，现有放疗计划设计过程是在解剖影像和功能影像引导下制定的，解剖影像(如CT、MRI)反映出患者体内肿瘤和正常组织解剖结构和位置，功能影像(如f-MRI、PET、SPECT等)反映出的患者肿瘤内部的部分生物特性，以此为参考，在计划设计过程中调节照射野的参数(包括射线形状、强度)，从而模拟计算患者体内剂量分布情况，完成计划设计。

如上面“第二步，放疗计划设计”所描述的，现有放疗计划的制定过程，参照了解剖影像(如CT、MRI)和功能影像(如f-MRI、PET、SPECT)，其局限体现在：

以解剖影像引导制定放疗计划，解剖影像只能反映肿瘤和周围正常组织的位置和结构，但无法反映生物功能信息(如肿瘤内部的葡萄糖代谢水平、乏氧水平、血管生成情况，正常组织出现并发症风险的大小等)；而人体内肿瘤或者正常组织的生物特性，一方面在很大程度上决定了放疗的成败(比如对于肿瘤内部的乏氧区域，乏氧区域的存在与肿瘤的远端转移和不良预后都有直接相关性，而大量研究证实乏氧区域的肿瘤细胞对放射线抗拒，如果没有实施高剂量照射，则肿瘤可能无法被有效杀灭；再比如图5所示，虽然白色箭头所示肿瘤区域从CT解剖结构上看未出现体积上的缩小，但CT灌注功能影像显示血流量减低，即肿瘤活性细胞已经显著减少，实际治疗是有效的；又比如，对于易出现放射性肺炎的正常功能肺没有进行有针对性地保护，则患者接受放疗后可能出现致死性的放射性肺炎)，另一方面个体化差异巨大，同一类肿瘤的两个患者可能存在巨大的生物特性差别(比如同一放疗照射剂量实施后，放射敏感的患者肿瘤消退明显，而放射抗拒的患者肿瘤不变甚至增殖)，因此，能反映生物功能信息的因素参与到放疗计划的制定过程中是非常关键和必要的。

以功能影像引导制定放疗计划，虽然反映了特定的生物功能信息(如肿瘤内部的葡萄糖代谢情况、乏氧情况、血管生成情况，正常组织出现并发症风险的大小等)，但其存在诸多局限，包括：

①无法准确反映位置和解剖信息，f-MRI、PET、SPECT图像在反映部分区域生物功能的同时，无法准确反映该区域的准确解剖位置，只能通过与解剖影像进行图像融合(即两种图像的叠加)，才能将功能区域指向对应的解剖位置，如图6-图8所示，图8中的高亮区域为具有特定生物功能的区域，如肿瘤葡萄糖高代谢或者肿瘤乏氧区域；但这种“指向”又往往欠精确，因为其精度完全依赖于图像融合算法，而不同模态的图像往往存在变形、尺度不统一等问题，无法做到真正意义上的一一对应。

②功能影像费用昂贵，少则1千多元/次(SPECT)，多则近万元/次(PET，非医保报销项目，完全自费)，在多数患者中推行难度大，无法惠及更多患者。

③PET、SPECT等功能影像需要在患者体内注入放射性同位素，为患者带来额外辐射，由此也限制了同一患者在治疗疗程中接受功能影像扫描的总次数不宜过多(通常仅于放疗开始前接受一次功能影像扫描，最多在疗后再扫一次，即前后共接受2次功能影像扫描)。

④一种功能影像只能揭示一种生物功能特性，如18F-FETNIM PET能揭示肿瘤内部的乏氧区域，提示治疗计划过程中宜对此区域加大照射剂量，但18F-FETNIM PET也只能反映“肿瘤乏氧”这一个特征，无法解释肿瘤内部如血管生成、糖代谢等其他生物功能特征，目前尚没有一种示踪剂能做到注入人体后同时显示多种功能特性。

针对上述存在的问题，国外研究了一种通过局部影像组学特征提取的方法识别哪里是肿瘤、哪里是非肿瘤，对于识别为肿瘤的区域，在放疗过程中给予更高的照射剂量，而对于识别为非肿瘤的区域则给予相对低的预防照射剂量。但是由于不同区域不同位置的生物特征不同，若以肿瘤区域以及非肿瘤区域给予不同的照射剂量，由于肿瘤区域内部的生物特征差异，则在肿瘤区域内以相同的照射剂量无法将肿瘤细胞全部杀死，无法针对肿瘤区域内不同生物特征的肿瘤给予照射剂量，影响放疗的疗效。

发明内容

本发明的目的是提供一种照射剂量确定方法及系统，以解决现有技术中无法针对肿瘤区域内不同生物特征的肿瘤给予照射剂量，影响放疗疗效的问题。

为实现上述目的，本发明提供了如下方案：

一种照射剂量确定方法，包括：

利用回顾性标记确定放疗模拟定位影像中感兴趣区域内具有生物特征的像素点；所述放疗模拟定位影像包括计算机断层影像、核磁共振影像以及正电子发射断层影像；所述生物特征包括肿瘤内部的葡萄糖代谢情况、乏氧区域、富氧区域、血管生成情况以及正常组织出现并发症风险的大小；

根据所述具有生物特征的像素点提取局部影像组学特征；所述局部影像组学特征包括灰度直方图强度、肿瘤形状特征、纹理特征、高斯型拉普拉斯滤波特征以及小波特征；

获取待测局部影像组学特征；

根据所述局部影像组学特征识别所述待测局部影像组学特征的阳性区域；

对所述阳性区域的外围边界进行三维重建，确定三维图像；所述三维图像为显示所述生物特征的三维图像；

根据所述三维图像确定不同区域不同位置的照射剂量。

可选的，所述根据所述具有生物特征的像素点提取局部影像组学特征，具体包括：

利用逐像素法对所述具有生物特征的像素点逐像素点，采用灰度直方图特征提取法、纹理特征提取法、高斯型拉普拉斯滤波特征提取法以及小波分解特征提取法提取局部影像组学特征。

可选的，所述根据所述局部影像组学特征识别所述待测局部影像组学特征的阳性区域，具体包括：

对所述局部影像组学特征进行筛选，确定最优特征子集；

根据所述最优特征子集建立有监督的机器学习模型；

根据所述有监督的机器学习模型识别所述待测局部影像组学特征的阳性区域。

可选的，所述对所述局部影像组学特征进行筛选，确定最优特征子集，具体包括：

通过特征选择法对所述局部影像组学特征进行筛选，确定最优特征子集；所述特征选择法包括最大相关最小冗余法。

可选的，所述根据所述三维图像确定不同区域不同位置的照射剂量，具体包括：

根据所述三维图像确定照射剂量参数；所述照射参数包括入射角度、强度以及形状；

根据所述照射剂量参数确定不同区域不同位置的照射剂量。

一种照射剂量确定系统，包括：

像素点确定模块，用于利用回顾性标记确定放疗模拟定位影像中感兴趣区域内具有生物特征的像素点；所述放疗模拟定位影像包括计算机断层影像、核磁共振影像以及正电子发射断层影像；所述生物特征包括肿瘤内部的葡萄糖代谢情况、乏氧区域、富氧区域、血管生成情况以及正常组织出现并发症风险的大小；

局部影像组学特征提取模块，用于根据所述具有生物特征的像素点提取局部影像组学特征；所述局部影像组学特征包括灰度直方图强度、肿瘤形状特征、纹理特征、高斯型拉普拉斯滤波特征以及小波特征；

待测局部影像组学特征获取模块，用于获取待测局部影像组学特征；

阳性区域识别模块，用于根据所述局部影像组学特征识别所述待测局部影像组学特征的阳性区域；

三维重建模块，用于对所述阳性区域的外围边界进行三维重建，确定三维图像；所述三维图像为显示所述生物特征的三维图像；

照射剂量确定模块，用于根据所述三维图像确定不同区域不同位置的照射剂量。

可选的，所述局部影像组学特征提取模块具体包括：

局部影像组学特征提取单元，用于利用逐像素法对所述具有生物特征的像素点逐像素点，采用灰度直方图特征提取法、纹理特征提取法、高斯型拉普拉斯滤波特征提取法以及小波分解特征提取法提取局部影像组学特征。

可选的，所述阳性区域识别模块具体包括：

筛选单元，用于对所述局部影像组学特征进行筛选，确定最优特征子集；

模型建立模块，用于根据所述最优特征子集建立有监督的机器学习模型；

阳性区域识别单元，用于根据所述有监督的机器学习模型识别所述待测局部影像组学特征的阳性区域。

可选的，所述筛选单元具体包括：

筛选子单元，用于通过特征选择法对所述局部影像组学特征进行筛选，确定最优特征子集；所述特征选择法包括最大相关最小冗余法。

可选的，所述照射剂量确定模块具体包括：

照射剂量参数确定单元，用于根据所述三维图像确定照射剂量参数；所述照射参数包括入射角度、强度以及形状；

照射剂量确定单元，用于根据所述照射剂量参数确定不同区域不同位置的照射剂量。

根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供了一种照射剂量确定方法及系统，通过确定生物特征的像素点，根据该像素点提取局部影像组学特征，由所述局部影像组学特征确定待测局部影像组学特征的阳性区域，进而建立能够显示出不同区域不同位置的生物特征的三维图像，从而根据三维图像确定不同区域不同位置的照射剂量，即使同为肿瘤区域，根据肿瘤区域内部的生物特征差异也能够对于不同的肿瘤给予不同的照射剂量，从而能够按照肿瘤的实际情况进行给予照射剂量，从而提高放疗的疗效。

附图说明

为了更清楚地说明本发明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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明所提供的模拟定位流程图；

图2为本发明所提供的制定放疗计划流程图

图3为本发明所提供的进行模拟定位时的实际图；

图4为本发明所提供的进行制定放疗计划时的实际图；

图5为本发明所提供的CT灌注示意图；

图6为本发明所提供的计算机断层成像图；

图7为本发明所提供的正电子发射断层成像图；

图8为本发明所提供的计算机断层成像图以及正电子发射断层成像图融合后的图像示意图；

图9为本发明所提供的照射剂量确定方法流程图；

图10为本发明所提供的阳性区域标记示意图；

图11为本发明所提供的局部影像组学特征提取流程图；

图12为本发明所提供的最优特征子集选择流程图；

图13为本发明所提供的有监督的机器学习识别模型建立流程图；

图14为本发明所提供的待测局部影像组学特征的阳性区域识别流程图；

图15为本发明所提供的照射剂量确定系统结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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，都属于本发明保护的范围。

本发明的目的是提供一种照射剂量确定方法及系统，能够按照肿瘤的实际情况进行给予照射剂量，提高放疗疗效。

为使本发明的上述目的、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发明作进一步详细的说明。

影像组学(Radiomics，也翻译成“放射组学”，但“影像组学”的说法在国内更流行，在国家自然科学基金委的学科分类中，最近刚刚有了一个新的三级学科叫做“影像组学与人工智能”，因此，此处沿用“影像组学”的说法)是一项新兴的肿瘤诊断和辅助检测技术，尤其在最近几十年得到了迅速的发展。影像组学是指应用大量自动化的数据特征提取算法将感兴趣区的影像数据转化为一阶或高阶数据，通过数据挖掘和分析其深层次的关系，并进一步的提高临床诊断准确性和预后的预测价值。

有研究证实，从CT、MRI、PET等影像中提取出的局部影像组学特征指标与肿瘤本身的生物学特性和临床治疗疗效有显著相关性，比如：①从肿瘤区域提取的某些局部影像组学特征指标与肿瘤内部异质性有关，指向肿瘤内不同区域葡萄糖代谢情况、是乏氧还是富氧，是否有血管生成；②从肿瘤区域提取的某些局部影像组学特征指标与肿瘤接受放疗或化疗后的反应敏感度有关，这些指标可用于预测放化疗疗效；③从肺组织区域提取的某些局部影像组学特征指标，与患者接受放疗后出现放射性肺炎的可能性有关，可用于在治疗前预测患者接受放疗后出现并发症的风险；④从口咽癌患者CT图像所反映的肿瘤区域内提取的局部影像组学特征与患者出现远端转移存在相关性，可用于在治疗前预测患者出现远端转移的风险。

上述研究都发表在行业领域顶级期刊中，得到业内广泛认可。

但是，现有研究都集中在去揭示不同的特征指标与不同的临床表现之间的相关性，而鲜有研究探讨将这些指标用于引导制定放疗计划。有关研究表明在MRI图像中提取前列腺癌患者前列腺区域的部分局部影像组学特征指标用以识别前列腺里的肿瘤细胞生长区域，然后通过图像配准，将这些区域叠加到对应的CT图像上并认定为肿瘤靶区，然后在该CT图像上对该肿瘤靶区制定放疗计划；但是，同样是肿瘤区域，肿瘤内的乏氧区域需要比富氧区域的肿瘤得到更高的照射剂量才能将细胞杀死，由于不同区域不同位置的生物特征不同的，因此，若以现有技术的放疗计划不同的肿瘤或不同区域内相同肿瘤给予相同的照射剂量，放疗效果极差。

图9为本发明所提供的照射剂量确定方法流程图，如图9所示，一种照射剂量确定方法，包括：

步骤901：利用回顾性标记确定放疗模拟定位影像中感兴趣区域内具有生物特征的像素点；所述放疗模拟定位影像包括计算机断层影像、核磁共振影像以及正电子发射断层影像；所述生物特征包括肿瘤内部的葡萄糖代谢情况、乏氧区域、富氧区域、血管生成情况以及正常组织出现并发症风险的大小。

如图10所示，回顾性标记进入训练集和验证集的患者的放疗模拟定位影像(如计算机断层成像、核磁共振成像、正电子发射断层成像、锥形束CT、单光子发射计算机化断层显像、兆伏级CT、电子射野影像系统以及钡餐透视图像等)中感兴趣区域内具有生物特征阳性的像素点，即通过回顾性分析，将患者的病理切片影像、功能影像(如18F-FETNIM PET/CT可无创地显示肿瘤内部乏氧区域)或其他反映感兴趣区生物特征(如肺组织发生放射性肺炎的区域)的影像与放疗模拟定位影像配准，然后根据病理切片影像、功能影像或其他反映感兴趣区生物特征的影像中的像素点(pixels，P)是否具有某感兴趣生物特征，对放疗模拟定位影像感兴趣区(region ofinterest，ROI)中相应的像素点进行标记(阳性像素点标记1，阴性像素点标记0)。

其中，定义某一感兴趣区ROI内所有像素点为集合P＝{plable 1,plabel2,…,plabeln}，其中n表示像素数量，lable表示像素的标记(1表示阳性，0表示阴性)。

步骤902：根据所述具有生物特征的像素点提取局部影像组学特征；所述局部影像组学特征包括灰度直方图强度、肿瘤形状特征、纹理特征、高斯型拉普拉斯滤波特征以及小波特征。

如图11所示，提取放疗模拟定位影像中每一感兴趣区ROI(如肿瘤靶区)中阳性和阴性的像素点的局部影像组学特征。

①局部影像组学特征提取算法包括但不限于

灰度直方图特征提取算法，其提取的特征数量标为N1；

纹理特征提取算法，其提取的特征数量标为N2；

高斯型拉普拉斯滤波特征提取算法，其提取的特征数量标为N3；

小波分解特征提取算法，其提取的特征数量标为N4；

其他特征提取提取算法，其提取的特征数量标为N5；

故，总体特征数N＝N1+N2+N3+N4+N5；特征值用fj(p)表示，p∈P，j∈{1,…,N})。

②基于像素点的局部特征提取。遍历放疗模拟定位影像中每一ROI中所有的像素点，以每个像素点为中心，计算周围δ×δ×δ(针对三维图像)或δ×δ(针对二维图像)邻域窗口的局部影像组学特征值，其中δ为大于等于3的奇数，对于局部特征的计算，δ的值每一次分别取3、5、7、9，在后续的建模和验证步骤中选取使得识别精度最优的δ值。对于边界上的像素点，采用对称填充，填充像素的值是该边界像素的镜像反射。

③经过步骤②基于像素点的局部特征提取，在特定的δ值下，对于每个像素(p∈P)，可得到一个1×N维的特征向量Flabel i＝{f₁(plabeli)，f₂(plabel i)，...，f_j(plabeli)}，j∈{1,...,N}，i∈{1,..,n}，label∈{1,0}(即，对于像素plabel i，可提取N个特征值，分别为f₁(p_i)，f₂(p_i)，…，f_j(p_i)，记为向量Flabel i)。因此，对于ROI中所有像素，特征集合为

label∈{1,0}。每个像素(label＝1/0)即作为一个样本，该样本有N维局部影像组学特征。

步骤903：获取待测局部影像组学特征。

步骤904：根据所述局部影像组学特征识别所述待测局部影像组学特征的阳性区域。

所述步骤904具体包括：

如图12所示，对所述局部影像组学特征进行筛选，确定最优特征子集。基于训练集，通过相关的特征选择算法(包括但不限于最大相关最小冗余法(Minimum Redundancy-Maximum Relevance，mRMR))，筛选出与分类标签具有最大相关性、特征之间具有最小冗余度的特征参数，用于下一步预测模型的建立。经过该步骤，得到最优特征子集G＝{f₁(p),f₂(p),…,f_k(p)}。每个有标签的像素(label＝1/0)及其局部影像组学特征作为一个样本参与特征选择，阳性和阴性像素均参与该过程，所选最优特征子集是同一个集合。

如图13所示，根据所述最优特征子集建立有监督的机器学习模型。①建模:基于训练集将有标签的像素(label＝1/0)的最优特征集合G所述的影像组学特征输入有监督的机器学习算法，用于建立有监督的机器学习识别模型。每个有标签的像素(label＝1/0)作为一个样本参与模型的建立。

②验证：基于验证集数据验证模型的识别精度，并且选择出使得识别精度最优的特征提取窗口(δopt)。

如图14所示，根据所述有监督的机器学习模型识别所述待测局部影像组学特征的阳性区域。对于待制定局部影像组学特征引导放疗计划的新的定位影像，以δ_opt大小的邻域窗口逐像素提取集合G所述的局部影像组学特征；将每个像素的特征参数输入第四步建立的识别模型，该模型将输出当前像素的生物功能表达标签(阳性：1，阴性0)。将同一生物功能阳性的像素标为统一颜色，即在每一张断层图像上显示生物功能阳性区域。

步骤905：对所述阳性区域的外围边界进行三维重建，确定三维图像；所述三维图像为显示所述生物特征的三维图像。

将所述步骤904识别出的阳性区域外围边界进行三维重建，在计划系统影像空间中重建出该生物功能区的立体结构，确定三维图像。

步骤906：根据所述三维图像确定不同区域不同位置的照射剂量。

在三维图像重建出的生物特征的基础上，设置照射野参数，包括入射角度、强度、形状，并对于该区域给予剂量-体积或者生物因子如正常组织并发症概率、肿瘤控制概率约束条件，进而进行计划设计及目标优化。

本发明通过从医学影像(所述医学影像包括计算机断层成像、核磁共振成像、正电子发射断层成像、锥形束CT、单光子发射计算机化断层显像、兆伏级CT、电子射野影像系统以及钡餐透视图像，但不限于这些图像，未来可能有其他影像用于放疗计划制定，均适用于该技术)中提取的人体局部解剖区域的纹理特征，该人体局部解剖区域可以是肿瘤区域，也可能是正常组织区域，预测患者接受放疗后可能出现的变化(包括肿瘤的变化如消退、抗拒不变、增大，包括正常组织可能出现的并发症)，从而以此为指导，为患者有针对性地制定放疗计划，从而实现有针对性的个体化精确放疗，提升患者治疗获益。

图15为本发明所提供的照射剂量确定系统结构图，如图15所示，一种照射剂量确定系统，包括：

像素点确定模块1501，用于利用回顾性标记确定放疗模拟定位影像中感兴趣区域内具有生物特征的像素点；所述放疗模拟定位影像包括计算机断层影像、核磁共振影像以及正电子发射断层影像；所述生物特征包括肿瘤内部的葡萄糖代谢情况、乏氧区域、富氧区域、血管生成情况以及正常组织出现并发症风险的大小。

局部影像组学特征提取模块1502，用于根据所述具有生物特征的像素点提取局部影像组学特征；所述局部影像组学特征包括灰度直方图强度、肿瘤形状特征、纹理特征、高斯型拉普拉斯滤波特征以及小波特征。

所述局部影像组学特征提取模块1502具体包括：局部影像组学特征提取单元，用于利用逐像素法对所述具有生物特征的像素点逐像素点，采用灰度直方图特征提取法、纹理特征提取法、高斯型拉普拉斯滤波特征提取法以及小波分解特征提取法提取局部影像组学特征。

待测局部影像组学特征获取模块1503，用于获取待测局部影像组学特征。

阳性区域识别模块1504，用于根据所述局部影像组学特征识别所述待测局部影像组学特征的阳性区域。

所述阳性区域识别模块1504具体包括：

筛选单元，用于对所述局部影像组学特征进行筛选，确定最优特征子集；模型建立模块，用于根据所述最优特征子集建立有监督的机器学习模型；阳性区域识别单元，用于根据所述有监督的机器学习模型识别所述待测局部影像组学特征的阳性区域。

所述筛选单元具体包括：筛选子单元，用于通过特征选择法对所述局部影像组学特征进行筛选，确定最优特征子集；所述特征选择法包括最大相关最小冗余法。

三维重建模块1505，用于对所述阳性区域的外围边界进行三维重建，确定三维图像；所述三维图像为显示所述生物特征的三维图像。

照射剂量确定模块1506，用于根据所述三维图像确定不同区域不同位置的照射剂量。

所述照射剂量确定模块1506具体包括：照射剂量参数确定单元，用于根据所述三维图像确定照射剂量参数；所述照射参数包括入射角度、强度以及形状；照射剂量确定单元，用于根据所述照射剂量参数确定不同区域不同位置的照射剂量。

现有的研究仅通过局部影像组学特征提取技术在前列腺区域识别哪里是肿瘤、哪里是非肿瘤，对于识别为肿瘤的区域，在计划设计过程中给予更高的照射剂量，而对于识别为非肿瘤的区域则给予相对低的预防照射剂量。

而本发明提供了一种照射剂量的确定方法及系统，一方面，不仅能够识别出是否为肿瘤区域，还能够识别的是肿瘤区域内部的生物差异，例如：同样是肿瘤区域，肿瘤内的乏氧区域需要比富氧区域的肿瘤得到更高的照射剂量才能将细胞杀死，因此，本发明是基于对局部影像组学特征的全面识别肿瘤的照射剂量确定方法及系统；另一方面，本发明不仅能够识别肿瘤，还能够识别正常组织区域的生物学特征，例如：对于胸部肿瘤进行计划设计之前，就对肺组织进行局部影像组学特征提取，在人眼看不到的情况下，可以发现肺组织结构的微观变化，及时提示医生和物理师在计划设计时有针对性地降低某区域的肺组织受照射剂量，从而实现真正的“量体裁衣”的计划方法，从而提高放疗的疗效。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明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发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，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发明的限制。

Claims (3)

1.一种照射剂量确定系统，其特征在于，包括：

像素点确定模块，用于利用回顾性标记确定放疗模拟定位影像中感兴趣区域内具有生物特征的像素点；所述放疗模拟定位影像包括计算机断层影像、核磁共振影像以及正电子发射断层影像；所述生物特征包括肿瘤内部的葡萄糖代谢情况、乏氧区域、富氧区域、血管生成情况以及正常组织出现并发症风险的大小；回顾性标记进入训练集和验证集的患者的放疗模拟定位影像中感兴趣区域内具有生物特征阳性的像素点，即通过回顾性分析，将患者的病理切片影像、功能影像或其他反映感兴趣区生物特征的影像与放疗模拟定位影像配准，然后根据病理切片影像、功能影像或其他反映感兴趣区生物特征的影像中的像素点是否具有某感兴趣生物特征，对放疗模拟定位影像感兴趣区中相应的像素点进行标记，阳性像素点标记1，阴性像素点标记0；其中，定义某一感兴趣区ROI内所有像素点为集合P＝{plable 1,plabel 2,…,plabel n}，其中，n表示像素数量，lable表示像素的标记；

局部影像组学特征提取模块，用于根据所述具有生物特征的像素点提取局部影像组学特征；所述局部影像组学特征包括灰度直方图强度、肿瘤形状特征、高斯型拉普拉斯滤波特征、纹理特征以及小波特征；提取放疗模拟定位影像中每一感兴趣区ROI中阳性和阴性的像素点的局部影像组学特征；基于像素点的局部特征提取：遍历放疗模拟定位影像中每一ROI中所有的像素点，以每个像素点为中心，计算周围δ×δ×δ或δ×δ邻域窗口的局部影像组学特征值，其中δ为大于等于3的奇数，对于局部特征的计算，δ的值每一次分别取3、5、7、9，在后续的建模和验证步骤中选取使得识别精度最优的δ值；对于边界上的像素点，采用对称填充，填充像素的值是该边界像素的镜像反射；

经过基于像素点的局部特征提取，在特定的δ值下，对于每个像素，可得到一个1×N维的特征向量Flabel i＝{f₁(plabel i)，f₂(plabel i)，...，f_j(plabel i)}，j∈{1,...,N}，i∈{1,..,n}，label∈{1,0}，即，对于像素plabel i，提取N个特征值，分别为f₁(p_i)，f₂(p_i)，…，f_j(p_i)，记为向量Flabel i；因此，对于ROI中所有像素，特征集合为F＝{Flabeli，…，Flabel n}，label∈{1,0}；每个像素(label＝1/0)即作为一个样本，该样本有N维局部影像组学特征；

待测局部影像组学特征获取模块，用于获取待测局部影像组学特征；

阳性区域识别模块，用于根据所述局部影像组学特征识别所述待测局部影像组学特征的阳性区域；所述阳性区域识别模块具体包括：筛选单元，用于对所述局部影像组学特征进行筛选，确定最优特征子集；模型建立模块，用于根据所述最优特征子集建立有监督的机器学习模型；阳性区域识别单元，用于根据所述有监督的机器学习模型识别所述待测局部影像组学特征的阳性区域；

所述根据所述局部影像组学特征识别所述待测局部影像组学特征的阳性区域具体包括：

对所述局部影像组学特征进行筛选，确定最优特征子集；基于训练集，通过特征选择算法筛选出与分类标签具有最大相关性、特征之间具有最小冗余度的特征参数，用于下一步预测模型的建立，经过该步骤，得到最优特征子集，每个有标签的像素及其局部影像组学特征作为一个样本参与特征选择，阳性和阴性像素均参与该过程，所选最优特征子集是同一个集合；

根据所述最优特征子集建立有监督的机器学习识别模型；①建模:基于训练集将有标签的像素的最优特征集合G所述的影像组学特征输入有监督的机器学习算法，用于建立有监督的机器学习识别模型；每个有标签的像素作为一个样本参与模型的建立；②验证：基于验证集数据验证模型的识别精度，并且选择出使得识别精度最优的特征提取窗口；

根据所述有监督的机器学习模型识别所述待测局部影像组学特征的阳性区域；对于待制定局部影像组学特征引导放疗计划的新的定位影像，以邻域窗口逐像素提取集合G所述的局部影像组学特征；将每个像素的特征参数输入所述机器学习识别模型，该模型将输出当前像素的生物功能表达标签，阳性：1，阴性0；将同一生物功能阳性的像素标为统一颜色，即在每一张断层图像上显示生物功能阳性区域；

三维重建模块，用于对所述阳性区域的外围边界进行三维重建，确定三维图像；所述三维图像为显示所述生物特征的三维图像；

照射剂量确定模块，用于根据所述三维图像确定不同区域不同位置的照射剂量；根据肿瘤区域内部的生物特征差异对于不同的肿瘤给予不同的照射剂量；

所述照射剂量确定模块具体包括：

照射剂量参数确定单元，用于根据所述三维图像确定照射剂量参数；所述照射剂量参数包括入射角度、强度以及形状；

照射剂量确定单元，用于根据所述照射剂量参数确定不同区域不同位置的照射剂量。

2.根据权利要求1所述的照射剂量确定系统，其特征在于，所述局部影像组学特征提取模块具体包括：

局部影像组学特征提取单元，用于利用逐像素法对所述具有生物特征的像素点逐像素点，采用灰度直方图特征提取法、纹理特征提取法、高斯型拉普拉斯滤波特征提取法以及小波分解特征提取法提取局部影像组学特征。

3.根据权利要求1所述的照射剂量确定系统，其特征在于，所述筛选单元具体包括：

筛选子单元，用于通过特征选择法对所述局部影像组学特征进行筛选，确定最优特征子集；所述特征选择法包括最大相关最小冗余法。

Images