CN109771843A - 云放射治疗计划评估方法、设备与存储介质 - Google Patents
云放射治疗计划评估方法、设备与存储介质 Download PDFInfo
- Publication number
- CN109771843A CN109771843A CN201711102851.7A CN201711102851A CN109771843A CN 109771843 A CN109771843 A CN 109771843A CN 201711102851 A CN201711102851 A CN 201711102851A CN 109771843 A CN109771843 A CN 109771843A
- Authority
- CN
- China
- Prior art keywords
- treatment planning
- radiotherapy treatment
- data
- assessed
- cloud
- 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
Abstract
本发明属于医疗和云服务技术领域，涉及一种云放射治疗计划评估方法、装置、设备与存储介质。该方法包括如下步骤：将待评估放射治疗计划数据按照标准格式输入到病人数据库中；采用机器学习方法产生待评估放射治疗计划对应的标准放射治疗计划；将待评估放射治疗计划与标准放射治疗计划自动比较进行评分；显示机器学习方法得到的评分结果并将结果报告输出。本发明提供的评估方法有利于汇集专家知识，形成专家知识库；同时降低人工的主观因素，提高客观性，减少误差。
Description
技术领域
本发明属于医疗和云服务技术领域，涉及一种云放射治疗计划评估方法、装置、设备与存储介质。
背景技术
放射治疗是针对肿瘤和癌症等病症的一种有效治疗方法，其大致过程为：医生在放射治疗之前，获取包含患者病变器官的初始影像，并利用该初始影像进行治疗计划的制定。然后，利用制定的治疗计划分阶段/分疗程对患者进行放射治疗。
在放射治疗之前，为了解放射计划的优劣，医生需要对放射治疗计划进行评估，即评估治疗计划的是否能达到预期的准确性以及判断是否需要重新做放射治疗计划。在放射治疗期间，为了解放射治疗效果，医生需要对治疗效果进行评估，即评估治疗准确性以及判断是否需要调整治疗计划。医生通常会在患者疗程中定期获取阶段性影像。然后，通过阶段性影像判断病症(如肿瘤)位置、形状或大小等的变化，从而了解患者当次治疗的准确性及阶段性治疗的效果等。如果医生发现放射治疗效果有所偏差，可能需要调整治疗计划时，就需要获知准确的剂量评估结果。这时，医生就需要人为地将阶段性影像回传至治疗计划系统，由治疗计划系统计算出该阶段性影像的剂量值，之后，再参照该剂量值来调整治疗计划。
现有技术中，一个放射治疗计划的好坏往往根据医生的经验进行判断，一般通过观察剂量体积直方图以及等剂量线分布进行综合判断。这种判断方法由于基于专家的理解差异，从而导致误差比较大。
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。
本发明的发明人正是将机器学习运用到放射治疗治疗计划评估中来解决现有技术中存在的上述问题。
发明内容
本发明的目的在于为克服现有技术的缺陷而提供一种云放射治疗计划评估方法、设备与存储介质。
为实现上述目的，本发明提供以下技术方案：
一种云放射治疗计划评估方法，适于在放射治疗计划评估设备中运行，包括如下步骤：
(1)数据输入：将待评估放射治疗计划数据按照标准格式上传到云服务器的病人数据库中，或者用户在云服务器做好的放射治疗计划按照标准格式直接传输到云服务器的病人数据库中；
(2)标准放射治疗计划产生：采用机器学习方法产生与待评估放射治疗计划对应的标准放射治疗计划；
(3)评分：将待评估放射治疗计划与标准放射治疗计划自动比较进行评分；所述的自动比较是通过计算标准放射治疗计划与待评估放射治疗计划的相似度进行定义的；
(4)显示与报告输出：显示机器学习方法得到的评分结果并将结果报告输出到用户端。
步骤(1)中，采用DICOM标准格式定义放射治疗计划数据；(DICOM，DigitalImaging and Communications in Medicine，医学图像和相关信息的国际标准ISO-12052)。
所述的步骤(1)放射治疗计划数据包括以下一种或多种：器官名称、靶区位置、等剂量线分布、剂量体积直方图。
所述的机器学习方法包括如下步骤：
(a)数据集收集：将现有的放射治疗计划数据按照标准格式上传到云服务器的训练数据库中，或者用户在云服务器做好的放射治疗计划按照标准格式直接存储在云服务器的训练数据库中；
(b)筛选：通过客户云终端连接云服务器，利用多方有经验的专家进行筛选评分或者通过将准备导入的待筛选放射治疗计划与理想放射治疗计划自动比较进行评分，选择满足评分阈值的数据导入到训练数据库，形成训练集合；所述的自动比较是通过计算理想放射治疗计划与待筛选放射治疗计划的相似度进行定义的；
(c)训练：基于机器学习算法，采用训练集合进行评分方法训练；其中训练集合中包含若干用于验证机器学习准确率的子集合，在一个子集合中当学习的准确率达到用户定义的阈值，则用于对待评估放射治疗计划进行自动评分，否则继续学习新的子集合，直到满足阈值。
所述的步骤(b)中，理想放射治疗计划通过理想剂量体积直方图(DVH)和理想等剂量线表示，当目标为肿瘤器官收到的辐射剂量最大，而同时危及器官和周围正常组织受到的剂量最小时，利用通量图优化(FMO，Fluence Map Optimization)方法得到理想计量体积直方图和理想等剂量线。其中，通量图优化方法，是根据医生给定的处方剂量与器官约束(肿瘤靶区/正常器官/危及器官等)，建立数学优化模型，并利用优化算法求解该模型，获得各个射线束的强度分布的方法。
所述的机器学习算法选自决策树、线性回归、逻辑回归、神经网络或K近邻算法中的一种或者多种混合。
在步骤(1)之后步骤(2)之前，还包括数据标准化的步骤；数据标准化是将病人数据库中不规范的数据进行命名规范化，并将缺乏的数据修正；其中命名规范化是指对器官、靶区的命名。
在步骤(a)之后步骤(b)之前，还包括数据标准化的步骤；数据标准化是将训练数据库中不规范的数据进行命名规范化，并将缺乏的数据修正；其中命名规范化是指对器官、靶区的命名。
本发明还提供了一种云放射治疗计划评估装置，包括：
数据输入模块，将待评估放射治疗计划数据按照标准格式上传到云服务器的病人数据库中，或者用户在云服务器做好的放射治疗计划按照标准格式直接传输到云服务器的病人数据库中；
标准放射治疗计划产生模块，采用机器学习方法产生与待评估放射治疗计划对应的标准放射治疗计划；
评分模块，将待评估放射治疗计划与标准放射治疗计划自动比较进行评分；所述的自动比较是通过计算标准放射治疗计划与待评估放射治疗计划的相似度进行定义的；
显示与报告输出模块，用于显示评分模块对放射治疗治疗计划评估后得到的分数，并将评估结果输出；
或者包括：
数据输入模块，将待评估放射治疗计划数据按照标准格式上传到云服务器的病人数据库中，或者用户在云服务器做好的放射治疗计划按照标准格式直接传输到云服务器的病人数据库中；
人机交互模块，用于将导入到病人数据库中不规范的数据进行命名规范化，并将缺乏的数据修正；
标准放射治疗计划产生模块，采用机器学习方法产生与待评估放射治疗计划对应的标准放射治疗计划；
评分模块：将待评估放射治疗计划与标准放射治疗计划自动比较进行评分；所述的自动比较是通过计算标准放射治疗计划与待评估放射治疗计划的相似度进行定义的；
显示与报告输出模块，用于显示评分模块对放射治疗治疗计划评估后得到的分数，并将评估结果输出。
本发明还提供了一种云放射治疗计划评估设备，包括：
一个或多个处理器；
存储器；以及
一个或多个程序，其中所述的一个或多个程序存储在所述的存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行上述云放射治疗计划评估方法的步骤。
本发明还提供了一种计算机存储介质，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云放射治疗计划评估方法的步骤。
本发明有以下优点：
本发明一种云放射治疗的评估方法，通过机器学习的方式，形成放射治疗计划评估的专家知识库，通过专家知识库对放射治疗计划方案进行评估。本发明有利于汇集专家知识，形成专家知识库；能降低人工的主观因素，提高客观性，减少评估误差，并提高评估效率。
附图说明
图1为本发明一个实施例中基于云放射治疗计划评估方法的流程图。
图2为本发明一个实施例中机器学习方法的流程图。
图3为本发明另一个实施例中基于云放射治疗计划评估方法的流程图。
图4为本发明另一个实施例中机器学习方法的流程图。
图5为本发明又一个实施例中云放射治疗计划评估装置的架构图。
图6为本发明又一个实施例中云放射治疗计划评估装置的架构图。
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
一种云放射治疗计划评估方法，适于在放射治疗计划评估设备中运行，包括如下步骤(如附图1所示)：
(1)数据输入101：将待评估放射治疗计划数据按照标准格式上传到云服务器的病人数据库中，或者用户在云服务器做好的放射治疗计划按照标准格式直接传输到云服务器的病人数据库中；其中放射治疗计划数据包括：器官名称、靶区位置、等剂量线分布、剂量体积直方图；采用DICOM标准格式定义放射治疗计划数据；(DICOM，Digital Imaging andCommunications in Medicine，医学图像和相关信息的国际标准ISO-12052)；
(2)数据标准化102；将病人数据库中不规范的数据进行命名规范化，并将缺乏的数据修正；其中命名规范化是指对器官、靶区的命名。
(3)标准放射治疗计划产生103：采用机器学习方法产生与待评估放射治疗计划对应的标准放射治疗计划；
其中机器学习方法包括如下步骤(如附图2所示)：
(a)数据集收集201：将现有的放射治疗计划数据按照标准格式上传到云服务器的训练数据库中，或者用户在云服务器做好的放射治疗计划按照标准格式直接存储在云服务器的训练数据库中；
(b)数据标准化202；数据标准化是将训练数据库中不规范的数据进行命名规范化，并将缺乏的数据修正；其中命名规范化是指对器官、靶区的命名。
(c)筛选203：通过客户云终端连接云服务器，利用多方有经验的专家进行筛选评分或者通过将准备导入的待筛选放射治疗计划与理想放射治疗计划自动比较进行评分，选择满足评分阈值的数据导入到训练数据库，形成训练集合；所述的自动比较是通过计算理想放射治疗计划与待筛选放射治疗计划的相似度进行定义的；
其中，理想放射治疗计划通过理想剂量体积直方图(DVH)和理想等剂量线表示，当目标为肿瘤器官收到的辐射剂量最大，而同时危及器官和周围正常组织受到的剂量最小时，利用通量图优化(FMO，Fluence Map Optimization)方法得到理想计量体积直方图和理想等剂量线。其中，通量图优化方法，是根据医生给定的处方剂量与器官约束(肿瘤靶区/正常器官/危及器官等)，建立数学优化模型，并利用优化算法求解该模型，获得各个射线束的强度分布的方法；机器学习算法选自决策树、线性回归、逻辑回归、神经网络或K近邻算法中的一种或者多种混合；
(d)训练204：基于机器学习算法，采用训练集合进行评分方法训练；其中训练集合中包含若干用于验证机器学习准确率的子集合，在一个子集合中当学习的准确率达到用户定义的阈值，则用于对待评估放射治疗计划进行自动评分，否则继续学习新的子集合，直到满足阈值。
(4)评分104：将待评估放射治疗计划与标准放射治疗计划自动比较进行评分；所述的自动比较是通过计算标准放射治疗计划与待评估放射治疗计划中各参数数据的相似度进行定义；
(5)显示与报告输出105：显示机器学习方法得到的评分结果并将结果报告输出到用户端。
实施例2
一种云放射治疗计划评估方法，适于在放射治疗计划评估设备中运行，包括如下步骤(如附图3所示)：
(1)数据输入301：将待评估放射治疗计划数据按照标准格式上传到云服务器的病人数据库中，或者用户在云服务器做好的放射治疗计划按照标准格式直接传输到云服务器的病人数据库中；其中放射治疗计划数据包括：器官名称、靶区位置、等剂量线分布、剂量体积直方图；采用DICOM标准格式定义放射治疗计划数据；(DICOM，Digital Imaging andCommunications in Medicine，医学图像和相关信息的国际标准ISO-12052)；
(2)标准放射治疗计划产生302：采用机器学习方法产生与待评估放射治疗计划对应的标准放射治疗计划；
其中机器学习方法包括如下步骤(如附图4所示)：
(a)数据集收集401：将现有的放射治疗计划数据按照标准格式上传到云服务器的训练数据库中，或者用户在云服务器做好的放射治疗计划按照标准格式直接存储在云服务器的训练数据库中；
(b)筛选402：通过客户云终端连接云服务器，利用多方有经验的专家进行筛选评分或者通过将准备导入的待筛选放射治疗计划与理想放射治疗计划自动比较进行评分，选择满足评分阈值的数据导入到训练数据库，形成训练集合；所述的自动比较是通过计算理想放射治疗计划与待筛选放射治疗计划的相似度进行定义的；
其中，理想放射治疗计划通过理想剂量体积直方图(DVH)和理想等剂量线表示，当目标为肿瘤器官收到的辐射剂量最大，而同时危及器官和周围正常组织受到的剂量最小时，利用通量图优化(FMO，Fluence Map Optimization)方法得到理想计量体积直方图和理想等剂量线。其中，通量图优化方法，是根据医生给定的处方剂量与器官约束(肿瘤靶区/正常器官/危及器官等)，建立数学优化模型，并利用优化算法求解该模型，获得各个射线束的强度分布的方法；机器学习算法选自决策树、线性回归、逻辑回归、神经网络或K近邻算法中的一种或者多种混合；
(c)训练403：基于机器学习算法，采用训练集合进行评分方法训练；其中训练集合中包含若干用于验证机器学习准确率的子集合，在一个子集合中当学习的准确率达到用户定义的阈值，则用于对待评估放射治疗计划进行自动评分，否则继续学习新的子集合，直到满足阈值。
(3)评分303：将待评估放射治疗计划与标准放射治疗计划自动比较进行评分；所述的自动比较是通过计算标准放射治疗计划与待评估放射治疗计划中各参数数据的相似度进行定义；
(4)显示与报告输出304：显示机器学习方法得到的评分结果并将结果报告输出到用户端。
实施例3
一种云放射治疗计划评估装置500，包括(如附图5所示)：
数据输入模块501，将待评估放射治疗计划数据按照标准格式上传到云服务器的病人数据库中，或者用户在云服务器做好的放射治疗计划按照标准格式直接传输到云服务器的病人数据库中；
标准放射治疗计划产生模块502，采用机器学习方法产生与待评估放射治疗计划对应的标准放射治疗计划；
评分模块503，将待评估放射治疗计划与标准放射治疗计划自动比较进行评分；所述的自动比较是通过计算标准放射治疗计划与待评估放射治疗计划的相似度进行定义的；
显示与报告输出模块504，用于显示评分模块对放射治疗治疗计划评估后得到的分数，并将评估结果输出；
实施例4
一种云放射治疗计划评估装置600，包括(如附图6所示)
数据输入模块601，将待评估放射治疗计划数据按照标准格式上传到云服务器的病人数据库中，或者用户在云服务器做好的放射治疗计划按照标准格式直接传输到云服务器的病人数据库中；
人机交互模块602，用于将导入到病人数据库中不规范的数据进行命名规范化，并将缺乏的数据修正；
标准放射治疗计划产生模块603，采用机器学习方法产生与待评估放射治疗计划对应的标准放射治疗计划；
评分模块604：将待评估放射治疗计划与标准放射治疗计划自动比较进行评分；所述的自动比较是通过计算标准放射治疗计划与待评估放射治疗计划的相似度进行定义的；
显示与报告输出模块605，用于显示评分模块对放射治疗治疗计划评估后得到的分数，并将评估结果输出。
实施例5
一种云放射治疗计划评估设备，包括：
一个或多个处理器；
存储器；以及
一个或多个程序，其中所述的一个或多个程序存储在所述的存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行上述云放射治疗计划评估方法，包括步骤：
(1)数据输入：将待评估放射治疗计划数据按照标准格式上传到云服务器的病人数据库中，或者用户在云服务器做好的放射治疗计划按照标准格式直接传输到云服务器的病人数据库中；
(2)标准放射治疗计划产生：采用机器学习方法产生与待评估放射治疗计划对应的标准放射治疗计划；
(3)评分：将待评估放射治疗计划与标准放射治疗计划自动比较进行评分；所述的自动比较是通过计算标准放射治疗计划与待评估放射治疗计划的相似度进行定义的；
(4)显示与报告输出：显示机器学习方法得到的评分结果并将结果报告输出到用户端。
实施例6
一种计算机存储介质，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云放射治疗计划评估的方法，包括步骤：
(1)数据输入：将待评估放射治疗计划数据按照标准格式上传到云服务器的病人数据库中，或者用户在云服务器做好的放射治疗计划按照标准格式直接传输到云服务器的病人数据库中；
(2)标准放射治疗计划产生：采用机器学习方法产生与待评估放射治疗计划对应的标准放射治疗计划；
(3)评分：将待评估放射治疗计划与标准放射治疗计划自动比较进行评分；所述的自动比较是通过计算标准放射治疗计划与待评估放射治疗计划的相似度进行定义的；
(4)显示与报告输出：显示机器学习方法得到的评分结果并将结果报告输出到用户端。
本发明提供的云放射治疗的评估方法及装置、设备和存储介质，通过机器学习的方式，形成放射治疗计划评估的专家知识库，通过专家知识库对放射治疗计划方案进行评估。本发明有利于汇集专家知识，形成专家知识库；能降低人工的主观因素，提高客观性，减少评估误差，并提高评估效率。
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。
Claims (10)
1.一种云放射治疗计划评估方法，适于在放射治疗计划评估设备中运行，其特征在于：包括如下步骤：
(1)数据输入：将待评估放射治疗计划数据按照标准格式上传到云服务器的病人数据库中，或者用户在云服务器做好的放射治疗计划按照标准格式直接传输到云服务器的病人数据库中；
(2)标准放射治疗计划产生：采用机器学习方法产生与待评估放射治疗计划对应的标准放射治疗计划；
(3)评分：将待评估放射治疗计划与标准放射治疗计划自动比较进行评分；所述的自动比较是通过计算标准放射治疗计划与待评估放射治疗计划的相似度进行定义的；
(4)显示与报告输出：显示机器学习方法得到的评分结果并将结果报告输出到用户端。
2.根据权利要求1所述的云放射治疗计划评估方法，其特征在于：步骤(1)中，采用DICOM标准格式定义放射治疗计划数据；
或所述的步骤(1)放射治疗计划数据包括以下一种或多种：器官名称、靶区位置、等剂量线分布、剂量体积直方图。
3.根据权利要求1所述的云放射治疗计划评估方法，其特征在于：所述的机器学习方法包括如下步骤：
(a)数据集收集：将现有的放射治疗计划数据按照标准格式上传到云服务器的训练数据库中，或者用户在云服务器做好的放射治疗计划按照标准格式直接存储在云服务器的训练数据库中；
(b)筛选：通过客户云终端连接云服务器，利用多方有经验的专家进行筛选评分或者通过将准备导入的待筛选放射治疗计划与理想放射治疗计划自动比较进行评分，选择满足评分阈值的数据导入到训练数据库形成训练集合，所述的自动比较是通过计算理想放射治疗计划与待筛选放射治疗计划的相似度进行定义的；
(c)训练：基于机器学习算法，采用训练集合进行评分方法训练；其中训练集合中包含若干用于验证机器学习准确率的子集合，在一个子集合中当学习的准确率达到用户定义的阈值，则用于对待评估放射治疗计划进行自动评分，否则继续学习新的子集合，直到满足阈值。
4.根据权利要求3所述的云放射治疗计划评估方法，其特征在于：所述的步骤(b)中，理想放射治疗计划通过理想剂量体积直方图和理想等剂量线表示，当目标为肿瘤器官收到的辐射剂量最大，而同时危及器官和周围正常组织受到的剂量最小时，利用通量图优化方法得到理想计量体积直方图和理想等剂量线。
5.根据权利要求3所述的云放射治疗计划评估方法，其特征在于：所述的机器学习算法选自决策树、线性回归、逻辑回归、神经网络或K近邻算法中的一种或者多种混合。
6.根据权利要求1所述的云放射治疗计划评估方法，其特征在于：在步骤(1)之后步骤(2)之前，还包括数据标准化的步骤；数据标准化是将病人数据库中不规范的数据进行命名规范化，并将缺乏的数据修正；其中命名规范化是指对器官、靶区的命名。
7.根据权利要求3所述的云放射治疗计划评估方法，其特征在于：在步骤
(a)之后步骤(b)之前，还包括数据标准化的步骤；数据标准化是将训练数据库中不规范的数据进行命名规范化，并将缺乏的数据修正；其中命名规范化是指对器官、靶区的命名。
8.一种云放射治疗计划评估装置，其特征在于：包括：
数据输入模块，将待评估放射治疗计划数据按照标准格式上传到云服务器的病人数据库中，或者用户在云服务器做好的放射治疗计划按照标准格式直接传输到云服务器的病人数据库中；
标准放射治疗计划产生模块，采用机器学习方法产生与待评估放射治疗计划对应的标准放射治疗计划；
评分模块，将待评估放射治疗计划与标准放射治疗计划自动比较进行评分；所述的自动比较是通过计算标准放射治疗计划与待评估放射治疗计划的相似度进行定义的；
显示与报告输出模块，用于显示评分模块对放射治疗治疗计划评估后得到的分数，并将评估结果输出；
或者包括：
数据输入模块，将待评估放射治疗计划数据按照标准格式上传到云服务器的病人数据库中，或者用户在云服务器做好的放射治疗计划按照标准格式直接传输到云服务器的病人数据库中；
人机交互模块，用于将导入到病人数据库中不规范的数据进行命名规范化，并将缺乏的数据修正；
标准放射治疗计划产生模块，采用机器学习方法产生待评估放射治疗计划对应的标准放射治疗计划；
评分模块：将待评估放射治疗计划与标准放射治疗计划自动比较进行评分；所述的自动比较是通过计算标准放射治疗计划与待评估放射治疗计划的相似度进行定义的；
显示与报告输出模块，用于显示评分模块对放射治疗治疗计划评估后得到的分数，并将评估结果输出。
9.一种云放射治疗计划评估设备，包括：
一个或多个处理器；
存储器；以及
一个或多个程序，其中所述的一个或多个程序存储在所述的存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行上述权利要求1-5中任一所述的云放射治疗计划评估方法。
10.一种计算机存储介质，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权利要求1-5中任一所述的云放射治疗计划评估方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711102851.7A CN109771843B (zh) | 2017-11-10 | 2017-11-10 | 云放射治疗计划评估方法、设备与存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711102851.7A CN109771843B (zh) | 2017-11-10 | 2017-11-10 | 云放射治疗计划评估方法、设备与存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109771843A true CN109771843A (zh) | 2019-05-21 |
| CN109771843B CN109771843B (zh) | 2021-10-22 |
Family
ID=66484404
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711102851.7A Active CN109771843B (zh) | 2017-11-10 | 2017-11-10 | 云放射治疗计划评估方法、设备与存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109771843B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110232964A (zh) * | 2019-06-04 | 2019-09-13 | 苏州雷泰智能科技有限公司 | 基于预测剂量引导和高斯过程优化的计划实现方法及装置 |
| CN111768098A (zh) * | 2020-06-28 | 2020-10-13 | 湖北省科技传媒有限责任公司 | 一种创新评估监测系统及其评估方法 |
| WO2021036366A1 (zh) * | 2019-08-29 | 2021-03-04 | 北京连心医疗科技有限公司 | 标准化的人工智能自动放疗计划方法和系统 |
| WO2021090063A1 (en) * | 2019-11-08 | 2021-05-14 | Wang Qunxi | Cloud-based dose verification |
| CN113825541A (zh) * | 2019-06-24 | 2021-12-21 | 瓦里安医疗系统公司 | 放射疗法治疗计划的质量保证过程 |
| CN115223683A (zh) * | 2022-08-19 | 2022-10-21 | 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） | 一种放射治疗计划评估方法、装置、计算机设备及介质 |
| CN117116421A (zh) * | 2023-10-24 | 2023-11-24 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 放疗计划的确定方法和装置 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2007060187A1 (en) * | 2005-11-28 | 2007-05-31 | Siemens Aktiengesellschaft | Method and device for planning a treatment |
| US20080091628A1 (en) * | 2006-08-16 | 2008-04-17 | Narayan Srinivasa | Cognitive architecture for learning, action, and perception |
| CN101820827A (zh) * | 2007-10-25 | 2010-09-01 | 断层放疗公司 | 适应性调整放疗剂量的分次照射剂量的方法 |
| CN104117151A (zh) * | 2014-08-12 | 2014-10-29 | 章桦 | 一种在线自适应放疗计划优化方法 |
| WO2014197994A1 (en) * | 2013-06-12 | 2014-12-18 | University Health Network | Method and system for automated quality assurance and automated treatment planning in radiation therapy |
| CN105142724A (zh) * | 2013-03-19 | 2015-12-09 | 皇家飞利浦有限公司 | 用于rt计划评估的视听总结系统 |
| WO2016088075A1 (en) * | 2014-12-04 | 2016-06-09 | Koninklijke Philips N.V. | Shape based initialization and qa of progressive auto-planning |
| CN105701336A (zh) * | 2015-12-31 | 2016-06-22 | 深圳先进技术研究院 | 基于脑电数据的中医辨证分型系统、模型建立的方法和系统 |
| CN105793854A (zh) * | 2013-12-04 | 2016-07-20 | 皇家飞利浦有限公司 | 有效处置计划权衡分析 |
| CN105854191A (zh) * | 2016-04-26 | 2016-08-17 | 中国科学院合肥物质科学研究院 | 一种放射治疗中三维剂量验证系统及验证方法 |
| CN106139424A (zh) * | 2016-08-02 | 2016-11-23 | 丽水市人民医院 | 一种精确放射治疗计划系统 |
| CN106169028A (zh) * | 2016-07-05 | 2016-11-30 | 西南医科大学附属医院 | 调强放疗中危及器官吸收剂量预测数学模型的构建方法 |
| US20170021194A1 (en) * | 2013-09-20 | 2017-01-26 | Sun Nuclear Corporation | Benchmark system for radiation therapy planning |
| CN107224678A (zh) * | 2017-07-17 | 2017-10-03 | 上海联影医疗科技有限公司 | 一种治疗评估系统及存储介质 |
-
2017
- 2017-11-10 CN CN201711102851.7A patent/CN109771843B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2007060187A1 (en) * | 2005-11-28 | 2007-05-31 | Siemens Aktiengesellschaft | Method and device for planning a treatment |
| US20080091628A1 (en) * | 2006-08-16 | 2008-04-17 | Narayan Srinivasa | Cognitive architecture for learning, action, and perception |
| CN101820827A (zh) * | 2007-10-25 | 2010-09-01 | 断层放疗公司 | 适应性调整放疗剂量的分次照射剂量的方法 |
| CN105142724A (zh) * | 2013-03-19 | 2015-12-09 | 皇家飞利浦有限公司 | 用于rt计划评估的视听总结系统 |
| WO2014197994A1 (en) * | 2013-06-12 | 2014-12-18 | University Health Network | Method and system for automated quality assurance and automated treatment planning in radiation therapy |
| US20170021194A1 (en) * | 2013-09-20 | 2017-01-26 | Sun Nuclear Corporation | Benchmark system for radiation therapy planning |
| CN105793854A (zh) * | 2013-12-04 | 2016-07-20 | 皇家飞利浦有限公司 | 有效处置计划权衡分析 |
| CN104117151A (zh) * | 2014-08-12 | 2014-10-29 | 章桦 | 一种在线自适应放疗计划优化方法 |
| WO2016088075A1 (en) * | 2014-12-04 | 2016-06-09 | Koninklijke Philips N.V. | Shape based initialization and qa of progressive auto-planning |
| CN107278303A (zh) * | 2014-12-04 | 2017-10-20 | 皇家飞利浦有限公司 | 基于形状的初始化以及渐进式自动计划的qa |
| CN105701336A (zh) * | 2015-12-31 | 2016-06-22 | 深圳先进技术研究院 | 基于脑电数据的中医辨证分型系统、模型建立的方法和系统 |
| CN105854191A (zh) * | 2016-04-26 | 2016-08-17 | 中国科学院合肥物质科学研究院 | 一种放射治疗中三维剂量验证系统及验证方法 |
| CN106169028A (zh) * | 2016-07-05 | 2016-11-30 | 西南医科大学附属医院 | 调强放疗中危及器官吸收剂量预测数学模型的构建方法 |
| CN106139424A (zh) * | 2016-08-02 | 2016-11-23 | 丽水市人民医院 | 一种精确放射治疗计划系统 |
| CN107224678A (zh) * | 2017-07-17 | 2017-10-03 | 上海联影医疗科技有限公司 | 一种治疗评估系统及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 闵志方: "调强放疗中的数学规划问题研究", 《中国博士学位论文全文数据库》 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110232964A (zh) * | 2019-06-04 | 2019-09-13 | 苏州雷泰智能科技有限公司 | 基于预测剂量引导和高斯过程优化的计划实现方法及装置 |
| CN110232964B (zh) * | 2019-06-04 | 2023-11-14 | 苏州雷泰智能科技有限公司 | 基于预测剂量引导和高斯过程优化的计划实现方法及装置 |
| CN113825541A (zh) * | 2019-06-24 | 2021-12-21 | 瓦里安医疗系统公司 | 放射疗法治疗计划的质量保证过程 |
| WO2021036366A1 (zh) * | 2019-08-29 | 2021-03-04 | 北京连心医疗科技有限公司 | 标准化的人工智能自动放疗计划方法和系统 |
| US11964170B2 (en) | 2019-08-29 | 2024-04-23 | Beijing Linking Medical Technology Co., Ltd. | Standardized artificial intelligence automatic radiation therapy planning method and system |
| WO2021090063A1 (en) * | 2019-11-08 | 2021-05-14 | Wang Qunxi | Cloud-based dose verification |
| CN111768098A (zh) * | 2020-06-28 | 2020-10-13 | 湖北省科技传媒有限责任公司 | 一种创新评估监测系统及其评估方法 |
| CN115223683A (zh) * | 2022-08-19 | 2022-10-21 | 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） | 一种放射治疗计划评估方法、装置、计算机设备及介质 |
| CN115223683B (zh) * | 2022-08-19 | 2023-08-25 | 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） | 一种放射治疗计划评估方法、装置、计算机设备及介质 |
| CN117116421A (zh) * | 2023-10-24 | 2023-11-24 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 放疗计划的确定方法和装置 |
| CN117116421B (zh) * | 2023-10-24 | 2024-01-16 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 放疗计划的确定方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109771843B (zh) | 2021-10-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109771843A (zh) | 云放射治疗计划评估方法、设备与存储介质 | |
| Glide-Hurst et al. | Adaptive radiation therapy (ART) strategies and technical considerations: a state of the ART review from NRG oncology | |
| CN101443816B (zh) | 用于图像引导下辐射治疗的图像可变形配准 | |
| Nelms et al. | Variation in external beam treatment plan quality: an inter-institutional study of planners and planning systems | |
| US20230173303A1 (en) | Knowledge based multi-criteria optimization for radiotherapy treatment planning | |
| CN108367161A (zh) | 放疗系统、数据处理方法及存储介质 | |
| CN101820827A (zh) | 适应性调整放疗剂量的分次照射剂量的方法 | |
| US10864382B2 (en) | System and method for radiation therapy treatment planning | |
| Mahmoudzadeh et al. | Robust optimization methods for cardiac sparing in tangential breast IMRT | |
| Claessens et al. | Quality assurance for AI-based applications in radiation therapy | |
| CN116072263B (zh) | 基于放疗的计划参数预测装置 | |
| CN109801696A (zh) | 一种人工智能的云放疗计划方法、设备、存储介质和系统 | |
| Chow | Artificial intelligence in radiotherapy and patient care | |
| Battista | Introduction to megavoltage x-ray dose computation algorithms | |
| Wang et al. | Are age and gender suitable matching criteria in organ dose reconstruction using surrogate childhood cancer patients’ CT scans? | |
| Vaandering et al. | Radiotherapy-specific quality indicators at national level: How to make it happen | |
| CN115938587A (zh) | 放疗计划的验证方法、装置、计算机设备和存储介质 | |
| Rodrigues et al. | Categorizing segmentation quality using a quantitative quality assurance algorithm | |
| Liu et al. | Are fiducial markers useful surrogates when using respiratory gating to reduce motion of gastroesophageal junction tumors? | |
| Kisling | Development of automated radiotherapy treatment planning for cervical and breast cancer for resource-constrained clinics | |
| Díez et al. | Analysis and evaluation of periodic physiological organ motion in radiotherapy treatments | |
| Competition | SATURDAY, APRIL 04 | |
| Bruggen | Towards fully automated machine learning based VMAT planning for oropharyngeal cancer | |
| Taton et al. | CT-Based Evaluation of the Shape of the Diaphragm Using 3D Slicer | |
| US20200298019A1 (en) | Robustness evaluation of brachytherapy treatment plan |
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 |