CN109771842A - 基于机器学习的云放疗质量控制方法、设备和存储介质 - Google Patents
基于机器学习的云放疗质量控制方法、设备和存储介质 Download PDFInfo
- Publication number
- CN109771842A CN109771842A CN201711101259.5A CN201711101259A CN109771842A CN 109771842 A CN109771842 A CN 109771842A CN 201711101259 A CN201711101259 A CN 201711101259A CN 109771842 A CN109771842 A CN 109771842A
- Authority
- CN
- China
- Prior art keywords
- case
- radiotherapy
- machine learning
- cloud
- quality control
- 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
Links
Landscapes
- Radiation-Therapy Devices (AREA)
Abstract
本发明属于医疗和云服务技术领域,涉及一种云放疗远程质量控制方法、设备和存储介质。本发明的方法包括如下步骤:获取医用加速器运行的故障案例、放射治疗计划质量控制案例、放射治疗计划操作流程案例,分别进行标准化命名并存储为云数据库,然后对上述三类案例进行机器学习,并聚类为不同的案例;将在线获取的医用加速器运行参数、放射治疗计划质量控制案例的参数和放射治疗计划操作流程案例的参数分别与云数据库中的相应的故障案例、质量控制案例和操作流程案例的参数进行相似度计算,根据相似度进行排序,对不同的相似度进行定级警告。本发明能够极大降低沟通成本,统一专家知识标准,大大减少了误判误差,并且通过定级预警可以提前发现问题。
Description
技术领域
本发明属于医疗和云服务技术领域,涉及一种云放疗远程质量控制方法、设备和存储介质。
背景技术
癌症有三大治疗手段,手术、化疗和放疗。放疗全称放射治疗,是利用放射线杀死癌细胞,使肿瘤缩小或消失。这些年随着科技发展,放疗技术不断进步,从普通放疗到大分割立体定向放疗,放疗新技术的实施为患者带来福音。在精确计划和质控条件下,放射线会破坏照射区域内的肿瘤细胞,同时尽可能的保护周边正常组织。放疗可以杀死手术难以完全切除的癌变细胞,根治肿瘤并最大限度减少复发可能,可谓一把无创而精准的手术刀。
随着三维适形和调强放疗计划的应用,靶区的边缘通常具有“陡峭”的剂量跌落,这在提高放疗计划质量的同时也意味着计划时和治疗时微小的差异都可能使部分靶区脱离高剂量区,或使紧邻的危及器官遭受过量辐射。导致计划时和治疗时差异的原因有很多,主要包括如下的几个方面:治疗过程中肿瘤和危及器官的位置和形状变化以及它们之间相对位置关系的变化、患者的摆位误差、电动多叶准直器叶片的运动误差、计划系统的剂量计算误差和计划传输过程中造成的误差等。在过去30年中,全世界大约有3000名患者因为放射治疗过程中,操作失误或不规范,或质量控制不过关,受到了不同程度的损伤。因此放疗计划的质量控制(QC)就变得非常必要。
现有的肿瘤放射治疗领域的质量控制方法比较陈旧,信息化和电子化不足。具体地,现有对肿瘤放疗治疗过程的治疗设备、治疗计划和治疗流程的监控还基本停留在人工监控阶段,不仅监控效率低,而且准确度也不高。此外,各个医院的质量控制都是各自运作,缺乏统一管理,各自的信息缺乏有效的沟通和监管。《云放疗远程质量控制方法》(申请号:CN201510813443.7),该方法通过专家的远程协助进行放疗计划的质量控制,沟通成本很高,并且由于专家知识不统一导致容易出现误判偏差,从而导致现实情况难以使用;另外该专利采用阈值法判断,往往容易漏掉接近阈值的可能执行超过阈值的案例,容易导致发生事故。
机器学习(Machine Learning,ML)是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域,它主要使用归纳、综合而不是演绎。机器学习已经有了十分广泛的应用,例如:数据挖掘、计算机视觉、自然语言处理、生物特征识别、搜索引擎、医学诊断、检测信用卡欺诈、证券市场分析、DNA序列测序、语音和手写识别、战略游戏和机器人运用等。本发明的发明人正是将机器学习应用到肿瘤放疗的质量控制过程中来解决现有技术的问题。
发明内容
本发明的目的在于为克服上述现有技术的缺陷而提供一种基于机器学习的云放疗质量控制方法、设备和存储介质。
为实现上述目的,本发明提供以下技术方案:
一种基于机器学习的云放疗质量控制方法,适于驻留在基于机器学习的云放疗质量控制设备中,包括如下步骤:
(1)获取医用加速器运行的故障案例,并标准化命名,存储为云数据库,对所述故障案例进行机器学习,并聚类为不同的案例;
在线获取医用加速器运行参数,将该运行参数与云数据库中的故障案例进行相似度计算,根据相似度进行排序,对不同的相似度进行定级警告;
(2)获取放射治疗计划质量控制案例,并标准化命名,存储为云数据库,对所述案例进行机器学习,并聚类为不同的案例;
在线获取放射治疗计划质量控制案例,并对该在线质量控制案例与云数据库中的放射治疗计划质量控制案例进行相似度计算,并根据相似度进行排序,对不同的相似度进行定级警告;
(3)获取放射治疗计划操作流程案例,并标准化命名,存储为云数据库,对所述案例进行机器学习,并聚类为不同的案例;
在线获取放射治疗计划操作流程案例,并对该在线操作流程案例与云数据库中的放射治疗计划操作流程案例进行相似度计算,并根据相似度进行排序,对不同的相似度进行定级警告。
所述的步骤(1)、(2)、(3)分别独立执行,互不影响。
所述的步骤(1)、(2)、(3)中的相似度计算方法是通过计算在线加速器运行参数或在线案例与云数据库中案例相同参数之间的距离进行的。
所述的距离为欧几里得距离、曼哈顿距离、明可夫斯基距离、余弦相似度、皮尔森相关系数或Jaccard相似度。
所述的步骤(1)、(2)、(3)的定级警告判断方法中,包括对参数的标准化过程;所述的标准化过程为根据相似度对风险的打分或等级评定过程;所述的警告采用颜色和/或文字描述的形式通知加速器设备维护人员或医护人员。
所述的步骤(1)中,医用加速器运行的故障案例包括:专用软件系统错误、操作系统错误、硬件系统错误。
所述步骤(1)中,加速器设备的质量保证参数包括:剂量检测、X线剂量输出稳定性、电子束剂量输出稳定性、机械设备检测、定位激光灯、距离指示器、准直器射野指示器、机架/准直器角度指示器、机架旋转等中心精度、治疗机状态检查、激光灯检查、机械检查、安全连锁检查、门联锁、安全门关闭、视听监视器、立体联动装置、放疗区域监视器、电子束指示器、控制台键盘和其他控制组件、医用加速器多叶准直器MLC初始值设置、气压泵、水循环、六氟化硫SF6、防碰撞联锁、机器热身、空调、广播系统、视频和对讲系统、除湿机、医用加速器多叶准直器MLC自检、楔形板检测、KV/MV级平板成像设备检测、防碰撞联锁、定位与重新定位、单机架角度下成像与治疗的一致性、锥形束医学电子断层扫描Cone-beam CT、防碰撞联锁、定位与重新定位、成像与治疗的一致性、千伏级成像KV imaging、荧光镜Fluroscope、射影、定位与重新定位、成像显示、图像存储、胶片打印、CT-模拟机、热身设置扫描、定位、后装设备、警示灯、监视器、通讯设备、定时器、应急设备、源定位、治疗日期时间源强度、网络、治疗数据备份、网络连接测试、清洁工作、控制室、机房、维修记录、Interlock时间处理方法记录。
所述加速器设备采用医用直线加速器设备
所述的步骤(2)中,放射治疗计划质量控制案例的参数为剂量分布参数。
所述的步骤(3)中,在线获取放射治疗计划操作流程案例的参数为流程预设的参数。
本发明还提供了一种基于机器学习的云放疗质量控制设备,包括:
一个或多个处理器;
存储器;以及
一个或多个程序,其实所述一个或多个程序存储在所述存储器中并被配置为由一个或多个处理器执行,所述的一个或多个程序包括用于上述基于机器学习的云放疗质量控制方法中的任一方法的指令。
本发明还提供了一种存储一个或多个程序的计算机可读存储介质,所述的一个程序包括指令,所述指令适于由存储器加载并执行上述基于机器学习的云放疗质量控制方法。
本发明提供的基于机器学习的云放疗远程质量控制方法、设备和存储装置,通过各个医院的管理平台与云数据库的通信,获取医用直线加速器设备的数据、放疗计划和放疗治疗过程参数数据,从而实现对上述三项的质量控制,在发现异常时,通过定级预警可以提前发现问题,及时远程发出预警信息以通知相应人员采取措施,从而及时解决潜在问题,消除隐患,为患者治疗提供系统性的质量保证;另外,采用统一专家知识标准,可以极大降低沟通成本,减少了误判误差且提高效率。
附图说明
图1为本发明一示例性实施例示出的基于机器学习的云放疗质量控制方法的流程图。
具体实施方式
以下结合实施例和附图对本发明做进一步说明。
实施例1
一种基于机器学习的云放疗质量控制方法,适于驻留在计算设备中,包括如下步骤,如附图1所示:
(1)获取医用直线加速器运行的故障案例,并标准化命名,存储为云数据库,对故障案例进行机器学习,并聚类为不同的案例;
在线获取医用加速器运行参数,将该运行参数与云数据库中的故障案例进行相似度计算,根据相似度进行排序,对不同的相似度进行定级警告;
(2)获取放射治疗计划质量控制案例,并标准化命名,存储为云数据库,对所述案例进行机器学习,并聚类为不同的案例;
在线获取放射治疗计划质量控制案例,并对该在线质量控制案例与云数据库中的放射治疗计划质量控制案例进行相似度计算,并根据相似度进行排序,对不同的相似度进行定级警告;
(3)获取放射治疗计划操作流程案例,并标准化命名,存储为云数据库,对所述案例进行机器学习,并聚类为不同的案例;
在线获取放射治疗计划操作流程案例,并对该在线操作流程案例与云数据库中的放射治疗计划操作流程案例进行相似度计算,并根据相似度进行排序,对不同的相似度进行定级警告。
其中,上述步骤(1)、(2)、(3)分别独立执行,互不影响。
上述步骤(1)、(2)、(3)的定级警告判断方法中,包括对各案例中参数的标准化过程;所述的标准化过程为根据相似度对风险的打分或等级评定过程。
优选地,警告采用颜色和/或文字描述的形式通知加速器设备维护人员或医护人员。
上述步骤(1)、(2)、(3)中的相似度计算方法是通过计算在线加速器运行参数或在线案例与云数据库中案例相同参数之间的距离进行的。可以采用的距离种类有:有欧几里得距离、曼哈顿距离、明可夫斯基距离、余弦相似度、皮尔森相关系数或Jaccard相似度。
上述步骤(1)中,医用加速器运行的故障案例包括:专用软件系统错误和/或操作系统错误和/或硬件系统错误。
上述步骤(1)中,加速器设备的质量保证参数包括:剂量检测、X线剂量输出稳定性、电子束剂量输出稳定性、机械设备检测、定位激光灯、距离指示器、准直器射野指示器、机架/准直器角度指示器、机架旋转等中心精度、治疗机状态检查、激光灯检查、机械检查、安全连锁检查、门联锁、安全门关闭、视听监视器、立体联动装置、放疗区域监视器、电子束指示器、控制台键盘和其他控制组件、医用加速器多叶准直器MLC初始值设置、气压泵、水循环、六氟化硫SF6、防碰撞联锁、机器热身、空调、广播系统、视频和对讲系统、除湿机、医用加速器多叶准直器MLC自检、楔形板检测、KV/MV级平板成像设备检测、防碰撞联锁、定位与重新定位、单机架角度下成像与治疗的一致性、锥形束医学电子断层扫描Cone-beam CT、防碰撞联锁、定位与重新定位、成像与治疗的一致性、千伏级成像KV imaging、荧光镜Fluroscope、射影、定位与重新定位、成像显示、图像存储、胶片打印、CT-模拟机、热身设置扫描、定位、后装设备、警示灯、监视器、通讯设备、定时器、应急设备、源定位、治疗日期时间源强度、网络、治疗数据备份、网络连接测试、清洁工作、控制室、机房、维修记录、Interlock时间处理方法记录;
上述步骤(2)中,放射治疗计划质量控制案例的参数为剂量分布参数。
上述对加速器设备、放疗计划和放疗治疗流程的质量控制需要结合各地区特色和设备配置情况。这是由于不同区域、医院有不同的质控标准,设备配置情况也随着医院所选用的不同加速器、流程数据系统等有所不同。例如加速器品牌和型号各有差别,治疗流程数据库和计划验证所依托的硬件设备也同样存在差异。因此,在进行上述三类质控时,需要结合具体的质控标准和硬件设备,这样可以提供质控的准确度。
在判断加速器设备发生异常时,云放疗远程质量控制平台及时发出预警信息,以通知维护人员采取维修处理,从而保证加速器设备全部组件正常运行,各项参数符合容差
标准,为提供高精度的立体调强放射治疗奠定基础。
实施例2
一种基于机器学习的云放疗质量控制设备,包括:
一个或多个处理器;
存储器;以及
一个或多个程序,其实所述一个或多个程序存储在所述存储器中并被配置为由一个或多个处理器执行,所述的一个或多个程序包括基于机器学习的云放疗质量控制方法中的任一方法的指令,其中该方法包括如下步骤:
(1)获取医用直线加速器运行的故障案例,并标准化命名,存储为云数据库,对故障案例进行机器学习,并聚类为不同的案例;
在线获取医用加速器运行参数,将该运行参数与云数据库中的故障案例进行相似度计算,根据相似度进行排序,对不同的相似度进行定级警告;
(2)获取放射治疗计划质量控制案例,并标准化命名,存储为云数据库,对所述案例进行机器学习,并聚类为不同的案例;
在线获取放射治疗计划质量控制案例,并对该在线质量控制案例与云数据库中的放射治疗计划质量控制案例进行相似度计算,并根据相似度进行排序,对不同的相似度进行定级警告;
(3)获取放射治疗计划操作流程案例,并标准化命名,存储为云数据库,对所述案例进行机器学习,并聚类为不同的案例;
在线获取放射治疗计划操作流程案例,并对该在线操作流程案例与云数据库中的放射治疗计划操作流程案例进行相似度计算,并根据相似度进行排序,对不同的相似度进行定级警告。
实施例3
一种存储一个或多个程序的计算机可读存储介质,该计算机程序被执行时,执行以下步骤:
(1)获取医用直线加速器运行的故障案例,并标准化命名,存储为云数据库,对故障案例进行机器学习,并聚类为不同的案例;
在线获取医用加速器运行参数,将该运行参数与云数据库中的故障案例进行相似度计算,根据相似度进行排序,对不同的相似度进行定级警告;
(2)获取放射治疗计划质量控制案例,并标准化命名,存储为云数据库,对所述案例进行机器学习,并聚类为不同的案例;
在线获取放射治疗计划质量控制案例,并对该在线质量控制案例与云数据库中的放射治疗计划质量控制案例进行相似度计算,并根据相似度进行排序,对不同的相似度进行定级警告;
(3)获取放射治疗计划操作流程案例,并标准化命名,存储为云数据库,对所述案例进行机器学习,并聚类为不同的案例;
在线获取放射治疗计划操作流程案例,并对该在线操作流程案例与云数据库中的放射治疗计划操作流程案例进行相似度计算,并根据相似度进行排序,对不同的相似度进行定级警告。
应当理解,这里描述的各种技术可结合硬件或软件,或者它们的组合一起实现。从而,本发明的方法和设备,或者本发明的方法和设备的某些方面或部分可采取嵌入有形媒介,例如软盘、CD-ROM、硬盘驱动器或者其它任意机器可读的存储介质中的程序代码(即指令)的形式,其中当程序被载入诸如计算机之类的机器,并被该机器执行时,该机器变成实践本发明的设备。
以示例而非限制的方式,计算机可读介质包括计算机存储介质和通信介质。计算机存储介质存储诸如计算机可读指令、数据结构、程序模块或其它数据等信息。通信介质一般以诸如载波或其它传输机制等已调制数据信号来体现计算机可读指令、数据结构、程序模块或其它数据,并且包括任何信息传递介质。以上的任一种的组合也包括在计算机可读介质的范围之内。
上述的对实施例的描述是为便于该技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对这些实施例做出各种修改,并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此,本发明不限于这里的实施例,本领域技术人员根据本发明的揭示,不脱离本发明范畴所做出的改进和修改都应该在本发明的保护范围之内。
Claims (10)
1.一种基于机器学习的云放疗质量控制方法,适于驻留在基于机器学习的云放疗质量控制设备中,其特征在于:包括如下步骤:
(1)获取医用加速器运行的故障案例,并标准化命名,存储为云数据库,对所述故障案例进行机器学习,并聚类为不同的案例;
在线获取医用加速器运行参数,将该运行参数与云数据库中的故障案例进行相似度计算,根据相似度进行排序,对不同的相似度进行定级警告;
(2)获取放射治疗计划质量控制案例,并标准化命名,存储为云数据库,对所述案例进行机器学习,并聚类为不同的案例;
在线获取放射治疗计划质量控制案例,并对该在线质量控制案例与云数据库中的放射治疗计划质量控制案例进行相似度计算,并根据相似度进行排序,对不同的相似度进行定级警告;
(3)获取放射治疗计划操作流程案例,并标准化命名,存储为云数据库,对所述案例进行机器学习,并聚类为不同的案例;
在线获取放射治疗计划操作流程案例,并对该在线操作流程案例与云数据库中的放射治疗计划操作流程案例进行相似度计算,并根据相似度进行排序,对不同的相似度进行定级警告。
2.根据权利要求1所述的基于机器学习的云放疗质量控制方法,其特征在于:所述的步骤(1)、(2)、(3)分别独立执行,互不影响。
3.根据权利要求1所述的基于机器学习的云放疗质量控制方法,其特征在于:所述的步骤(1)、(2)、(3)的定级警告判断方法中,包括对各步骤案例中参数的标准化过程;所述的标准化过程为根据相似度对风险的打分或等级评定过程。
优选地,所述的警告采用颜色和/或文字描述的形式通知加速器设备维护人员或医护人员。
4.根据权利要求1-3中任一所述的基于机器学习的云放疗质量控制方法,其特征在于:所述的步骤(1)、(2)、(3)中的相似度计算方法是通过计算在线加速器运行参数或在线案例与云数据库中案例相同参数之间的距离进行的。
5.根据权利要求4所述的基于机器学习的云放疗质量控制方法,其特征在于:所述的距离为欧几里得距离、曼哈顿距离、明可夫斯基距离、余弦相似度、皮尔森相关系数或Jaccard相似度。
6.根据权利要求1所述的基于机器学习的云放疗质量控制方法,其特征在于:所述的步骤(1)中,医用加速器运行的故障案例包括:专用软件系统错误、操作系统错误、硬件系统错误。
7.根据权利要求1所述的基于机器学习的云放疗质量控制方法,其特征在于:所述步骤(1)中,加速器设备的质量保证参数包括:剂量检测、X线剂量输出稳定性、电子束剂量输出稳定性、机械设备检测、定位激光灯、距离指示器、准直器射野指示器、机架/准直器角度指示器、机架旋转等中心精度、治疗机状态检查、激光灯检查、机械检查、安全连锁检查、门联锁、安全门关闭、视听监视器、立体联动装置、放疗区域监视器、电子束指示器、控制台键盘和其他控制组件、医用加速器多叶准直器MLC初始值设置、气压泵、水循环、六氟化硫SF6、防碰撞联锁、机器热身、空调、广播系统、视频和对讲系统、除湿机、医用加速器多叶准直器MLC自检、楔形板检测、KV/MV级平板成像设备检测、防碰撞联锁、定位与重新定位、单机架角度下成像与治疗的一致性、锥形束医学电子断层扫描Cone-beam CT、防碰撞联锁、定位与重新定位、成像与治疗的一致性、千伏级成像KV imaging、荧光镜Fluroscope、射影、定位与重新定位、成像显示、图像存储、胶片打印、CT-模拟机、热身设置扫描、定位、后装设备、警示灯、监视器、通讯设备、定时器、应急设备、源定位、治疗日期时间源强度、网络、治疗数据备份、网络连接测试、清洁工作、控制室、机房、维修记录、Interlock时间处理方法记录;
或所述加速器设备为医用直线加速器设备。
8.根据权利要求1所述的基于机器学习的云放疗质量控制方法,其特征在于:所述的步骤(2)中,放射治疗计划质量控制案例的参数为剂量分布参数。
9.一种基于机器学习的云放疗质量控制设备,包括:
一个或多个处理器;
存储器;以及
一个或多个程序,其实所述一个或多个程序存储在所述存储器中并被配置为由一个或多个处理器执行,所述的一个或多个程序包括用于所述权利要求1~8中任一所述的基于机器学习的云放疗质量控制方法中的任一方法的指令。
10.一种存储一个或多个程序的计算机可读存储介质,所述的一个程序包括指令,所述指令适于由存储器加载并执行上述权利要求1~8中任一所述的基于机器学习的云放疗质量控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711101259.5A CN109771842A (zh) | 2017-11-10 | 2017-11-10 | 基于机器学习的云放疗质量控制方法、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711101259.5A CN109771842A (zh) | 2017-11-10 | 2017-11-10 | 基于机器学习的云放疗质量控制方法、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109771842A true CN109771842A (zh) | 2019-05-21 |
Family
ID=66484240
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711101259.5A Pending CN109771842A (zh) | 2017-11-10 | 2017-11-10 | 基于机器学习的云放疗质量控制方法、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109771842A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111584034A (zh) * | 2020-04-14 | 2020-08-25 | 四川省肿瘤医院 | 基于人工智能的放射治疗实施质量控制方法及系统 |
CN112263787A (zh) * | 2020-10-30 | 2021-01-26 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 放疗的控制方法及装置 |
CN115300811A (zh) * | 2022-08-08 | 2022-11-08 | 中山大学肿瘤防治中心(中山大学附属肿瘤医院、中山大学肿瘤研究所) | 一种基于机器学习的剂量分布确定方法及装置 |
EP4058139A4 (en) * | 2019-11-14 | 2023-08-02 | Elekta (Shanghai) Technology Co., Ltd. | PREDICTIVE MAINTENANCE OF A DYNAMIC WING GUIDE BASED ON DEEP LEARNING |
WO2023231253A1 (zh) * | 2022-05-31 | 2023-12-07 | 上海联影医疗科技股份有限公司 | 质量保证的方法和系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069304A (zh) * | 2015-08-18 | 2015-11-18 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种基于机器学习的评估预测asd的方法 |
CN105488330A (zh) * | 2015-11-23 | 2016-04-13 | 北京全域医疗技术有限公司 | 云放疗远程质量控制方法 |
WO2016144914A1 (en) * | 2015-03-06 | 2016-09-15 | Duke University | Systems and methods for automated radiation treatment planning with decision support |
CN106778042A (zh) * | 2017-01-26 | 2017-05-31 | 中电科软件信息服务有限公司 | 心脑血管患者相似性分析方法及系统 |
CN107072624A (zh) * | 2014-06-18 | 2017-08-18 | Elekta股份有限公司 | 用于自动治疗计划的系统和方法 |
-
2017
- 2017-11-10 CN CN201711101259.5A patent/CN109771842A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107072624A (zh) * | 2014-06-18 | 2017-08-18 | Elekta股份有限公司 | 用于自动治疗计划的系统和方法 |
WO2016144914A1 (en) * | 2015-03-06 | 2016-09-15 | Duke University | Systems and methods for automated radiation treatment planning with decision support |
CN105069304A (zh) * | 2015-08-18 | 2015-11-18 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种基于机器学习的评估预测asd的方法 |
CN105488330A (zh) * | 2015-11-23 | 2016-04-13 | 北京全域医疗技术有限公司 | 云放疗远程质量控制方法 |
CN106778042A (zh) * | 2017-01-26 | 2017-05-31 | 中电科软件信息服务有限公司 | 心脑血管患者相似性分析方法及系统 |
Non-Patent Citations (3)
Title |
---|
王东东: "基于知识库及重叠体积直方图算子的IMRT计划质量控制方法研究", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 * |
王伟军 等主编: "《大数据分析》", 31 May 2017, 重庆:重庆大学出版社 * |
邱莉榕 等编著: "《算法设计与优化》", 28 February 2017, 北京:中央民族大学出版社 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4058139A4 (en) * | 2019-11-14 | 2023-08-02 | Elekta (Shanghai) Technology Co., Ltd. | PREDICTIVE MAINTENANCE OF A DYNAMIC WING GUIDE BASED ON DEEP LEARNING |
CN111584034A (zh) * | 2020-04-14 | 2020-08-25 | 四川省肿瘤医院 | 基于人工智能的放射治疗实施质量控制方法及系统 |
CN112263787A (zh) * | 2020-10-30 | 2021-01-26 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 放疗的控制方法及装置 |
CN112263787B (zh) * | 2020-10-30 | 2021-08-10 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 放疗的控制方法及装置 |
WO2023231253A1 (zh) * | 2022-05-31 | 2023-12-07 | 上海联影医疗科技股份有限公司 | 质量保证的方法和系统 |
CN115300811A (zh) * | 2022-08-08 | 2022-11-08 | 中山大学肿瘤防治中心(中山大学附属肿瘤医院、中山大学肿瘤研究所) | 一种基于机器学习的剂量分布确定方法及装置 |
CN115300811B (zh) * | 2022-08-08 | 2024-01-05 | 中山大学肿瘤防治中心(中山大学附属肿瘤医院、中山大学肿瘤研究所) | 一种基于机器学习的剂量分布确定方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109771842A (zh) | 基于机器学习的云放疗质量控制方法、设备和存储介质 | |
Fiedler et al. | On the effectiveness of ion range determination from in-beam PET data | |
Veronese et al. | Multi-institutional application of failure mode and effects analysis (FMEA) to CyberKnife stereotactic body radiation therapy (SBRT) | |
Hess et al. | Accuracy of field alignment in radiotherapy of head and neck cancer utilizing individualized face mask immobilization: a retrospective analysis of clinical practice | |
Antoine | Systems Theoretic Hazard Analysis (STPA) applied to the risk review of complex systems: an example from the medical device industry | |
US9019307B1 (en) | Automated warning system and method for use when evaluating acceptable dosage ranges for radiation treatments of body tissue | |
US11043142B2 (en) | Virtual radiation oncology clinic and methods of use thereof | |
CN107072624A (zh) | 用于自动治疗计划的系统和方法 | |
Masini et al. | Application of failure mode and effects analysis to intracranial stereotactic radiation surgery by linear accelerator | |
Thomadsen et al. | Quality and safety in radiotherapy: Learning the new approaches in task group 100 and beyond | |
CN105407967B (zh) | 射野剂量测定系统 | |
MacDonald et al. | Dynamic collimator trajectory algorithm for multiple metastases dynamic conformal arc treatment planning | |
Rippke et al. | Quality assurance for on‐table adaptive magnetic resonance guided radiation therapy: A software tool to complement secondary dose calculation and failure modes discovered in clinical routine | |
Maeda et al. | Effects of organ motion on proton prostate treatments, as determined from analysis of daily CT imaging for patient positioning | |
Fiagan et al. | In vivo dosimetry for patients with prostate cancer to assess possible impact of bladder and rectum preparation | |
Kuess et al. | Automated evaluation of setup errors in carbon ion therapy using PET: feasibility study | |
Li et al. | Applications of artificial intelligence in radiophysics | |
Zheng et al. | Minimizing treatment planning errors in proton therapy using failure mode and effects analysis | |
Wang et al. | Artificial intelligence in adaptive radiation therapy | |
Kortmann et al. | Repeated CT examinations in limited volume irradiation of brain tumors: quantitative analysis of individualized (CT-based) treatment plans | |
Chen et al. | A clinically relevant online patient QA solution with daily CT scans and EPID-based in vivo dosimetry: A feasibility study on rectal cancer | |
Maeda et al. | Stability of daily rectal movement and effectiveness of replanning protocols for sparing rectal doses based on the daily CT images during proton treatment for prostate cancer | |
Schreiner | End to end QA in image guided and adaptive radiation therapy | |
Simiele et al. | Mitigation of Intensity Modulated Radiation Therapy and Stereotactic Body Radiation Therapy Treatment Planning Errors on the Novel RefleXion X1 System Using Failure Mode and Effect Analysis Within Six Sigma Framework | |
Nealon et al. | Hazard testing to reduce risk in the development of automated planning tools |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190521 |