CN109785962A - 一种基于学习模型智能预测放疗中射野参数的方法和系统 - Google Patents
一种基于学习模型智能预测放疗中射野参数的方法和系统 Download PDFInfo
- Publication number
- CN109785962A CN109785962A CN201910012609.3A CN201910012609A CN109785962A CN 109785962 A CN109785962 A CN 109785962A CN 201910012609 A CN201910012609 A CN 201910012609A CN 109785962 A CN109785962 A CN 109785962A
- Authority
- CN
- China
- Prior art keywords
- learning model
- launched field
- angle
- radiotherapy
- feature vector
- 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
- 238000001959 radiotherapy Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 14
- 238000013528 artificial neural network Methods 0.000 claims abstract description 17
- 238000011160 research Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 13
- WFKWXMTUELFFGS-UHFFFAOYSA-N tungsten Chemical compound [W] WFKWXMTUELFFGS-UHFFFAOYSA-N 0.000 claims abstract description 11
- 229910052721 tungsten Inorganic materials 0.000 claims abstract description 11
- 239000010937 tungsten Substances 0.000 claims abstract description 11
- 206010028980 Neoplasm Diseases 0.000 claims description 17
- 210000000056 organ Anatomy 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 3
- 230000008676 import Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 2
- 238000012360 testing method Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 4
- 230000005855 radiation Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 210000000664 rectum Anatomy 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 210000002391 femur head Anatomy 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 210000002307 prostate Anatomy 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000010304 firing Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 231100000636 lethal dose Toxicity 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
Landscapes
- Radiation-Therapy Devices (AREA)
Abstract
本发明公开了一种基于学习模型智能预测放疗中射野参数的方法和系统，该方法包括以下步骤：S10、构建并训练得到神经网络的学习模型；S20、根据研究对象的原始图像及勾画后的解剖结构信息提取输入特征；S30、将输入特征导入学习模型，通过学习模型得到角度预测信息；S40、根据预测得到的角度，计算出每个角度对应的钨门大小及射野形状；以及S50、将预测得到射野角度及计算出的钨门大小、射野形状输出。本发明中预测得到的射野参数可以直接供放疗物理师计划设计时使用，从而避免了物理师手动反复调正带来的麻烦，省时省力，为提高物理师的工作效率提供了帮助。
Description
技术领域
本发明涉及一种基于学习模型智能预测放疗中射野参数的系统，通过该系统可以根据医生勾画好的病人图像，智能化地预测放疗计划中照射野的参数。
背景技术
放射治疗的目的是保护危及器官的同时，给靶区即肿瘤组织致死剂量。为了实现这个目标需要制定最优的放疗方案。
放疗方案的制定过程是计划设计者为了满足治疗的目标，根据自己的经验选择射野方向、射野权重、射野大小等射野参数，利用优化算法或者凭经验确定每个射野的照射强度或附件，然后模拟计算出病人体内的剂量分布，并对计划进行评估。如果不满足要求，则需要对射野参数进行调整，反复进行，直到满足治疗要求。
射野方向作为放疗计划制定的重要参数，需要凭经验进行不断地尝试，费时费力。为了提高放疗计划设计的效率，需要发展快速的最优射野方向确定方法。
发明内容
本发明的目的在于提供一种基于学习模型智能预测放射中射野参数的方法，以快速准确地预测射野参数，以避免凭借经验进行射野方向确定需要反复调整且不能保证最优的问题。
本发明的目的在于提供一种基于学习模型智能预测放射中射野参数的系统，以快速准确地预测射野参数，以避免凭借经验进行射野方向确定需要反复调整且不能保证最优的问题。
为此，本发明一方面提供了一种基于学习模型智能预测放疗中射野参数的方法，包括以下步骤：S10、构建并训练得到神经网络的学习模型，其中，所述学习模型的输入特征包括肿瘤靶区体积V、各危及器官中心与靶区中心连线在治疗坐标系下的角度，各危及器官以靶区中心为中心在治疗坐标系的最大角、最小角，各危及器官到肿瘤靶区的最大距离、最小距离；所述学习模型的输出层为针对放射治疗需要选择的射野角度；S20、根据研究对象的原始图像及勾画后的解剖结构信息提取输入特征；S30、将输入特征导入学习模型，通过学习模型得到角度预测信息；S40、根据预测得到的角度，计算出每个角度对应的钨门大小及射野形状；以及S50、将预测得到射野角度及计算出的钨门大小、射野形状输出。
进一步地，针对不同部位的肿瘤单独构建神经网络学习模型。
根据本发明的另一方面，提供了一种基于学习模型智能预测放射治疗中射野参数的系统，包括输入模块，用于按照放射治疗数据传输标准导入研究对象原始CT图像信息及分割后的肿瘤靶区、危及器官信息；处理模块，用于通过处理输入模块获取的信息提取出学习模型需要的输入特征；以及根据学习模型预测得到的射野角度计算出每个射野角度照射需要的坞门大小，射野形状；学习模块，用于构建基于神经网络的学习模型并通过临床病例样本训练该学习模型，然后根据输入特征预测各射野角度的数值，其中，所述学习模型的输入特征包括肿瘤靶区体积V、各危及器官中心与靶区中心连线在治疗坐标系下的角度，各危及器官以靶区中心为中心在治疗坐标系的最大角、最小角，各危及器官到肿瘤靶区的最大距离、最小距离；所述学习模型的输出层为针对放射治疗需要选择的射野角度；以及输出模块，用于将所有射野角度、各射野角度对应的钨门大小及射野形状打印输出，或直接输出给商用计划系统。
在本发明中，首先建立射野参数预测的学习模型即神经网络模型，利用大量的临床病例进行模型的训练使得学习模型可以快速准确得预测射野的参数。然后针对新的研究对象，只要输入研究对象的原始图像及医生勾画后的解剖结构信息，该系统即可快速的预测出针对该研究对象的最优射野参数，供放疗计划设计者进行计划优化时使用，避免了凭借经验进行射野方向确定反复调整且不能保证最优的缺陷，不仅提高了放疗计划方案的质量，而且可以提高物理师的工作效率。
除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照图，对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是基于学习模型智能预测放疗中射野参数的方法的流程图；
图2为用于预测放疗中射野参数的学习模型的结构；以及
图3为基于学习模型智能预测放疗中射野参数的系统的架构图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
本发明提供了一种基于学习模型智能预测放疗中射野参数的系统。该系统首先建立射野参数预测的学习模型即神经网络模型，利用大量的临床病例进行模型的训练使得学习模型可以快速准确得预测射野的参数；然后针对新的研究对象(例如患者)只要输入研究对象的原始图像及医生勾画后的解剖结构信息，该系统即可快速的预测出针对该研究对象的最优射野参数，供放疗计划设计者进行计划优化时使用。
其中，射野参数包括射野方向、射野对应坞门大小、以及射野形状。
如图1所示，本发明的基于学习模型智能预测放疗中射野参数的方法包括以下步骤：
S10、构建并训练得到神经网络的学习模型。
S20、针对当前新的研究对象，根据研究对象的原始图像及勾画后的解剖结构信息提取输入特征。
S30、将输入特征以输入向量形式导入学习模型，通过学习模型得到角度预测信息。若预测得到的一组角度中，如果两个角度的间隔大于5则为不同的角度，否则将其合并取两者的平均值为一个角度。例如有两个角度分别为170，174，则用(170+174)/2，即172作为角度值，并将角度个数删掉1个。
S40、根据预测得到的角度，自动计算出每个角度对应的钨门大小及射野方向观(即从射野角度的方向看过去)所对应的靶区轮廓信息(即射野形状)。
S50、将预测得到射野角度及计算出的钨门大小、射野方向观靶区外轮廓信息(即射野形状)通过该系统的输出模块打印输出，供物理师制定治疗计划时使用或者直接与商用系统计划模块连接，直接输出到商用计划系统。
结合参考图2，构建并训练得到神经网络的学习模型的过程如下：
首先确定神经网络输入层的输入向量为：肿瘤靶区体积V，各危及器官中心与靶区中心连线在治疗坐标系下的角度，各危及器官以靶区中心为中心在治疗坐标系的最大角、最小角，各危及器官到肿瘤靶区的最大距离，最小距离。
比如，针对前列腺病例，勾画的靶区(PTV)，危及器官有直肠、膀胱、左右股骨头。则输入的向量为：PTV的体积，直肠中心与PTV中心连线在治疗坐标系的角度，直肠外轮廓与PTV中心的最大角、最小角，直肠到PTV的最大距离、最小距离，膀胱中心与PTV中心连线在治疗坐标系的角度，膀胱外轮廓与PTV中心的最大角、最小角，膀胱到靶区的最大距离、最小距离，左股骨头中心与PTV中心连线在治疗坐标系的角度，左股骨头外轮廓与PTV中心的最大角、最小角，左股骨头到PTV的最大距离、最小距离，右股骨头中心与PTV中心连线在治疗坐标系的角度，右股骨头外轮廓与PTV中心的最大角、最小角，右股骨头到PTV的最大距离、最小距离。
然后确定神经网络的输出层为针对该研究对象放射治疗需要选择的射野方向即射野角度，由于神经网络的输出层信息要确定，而针对每个病例角度个数不一样，因此神经网络的输出选择9个角度(临床采用固定角度一般不超过9)。
随后确定神经网络的隐藏层个数及每层的神经元个数，比如隐藏层个数为1，神经元个数为10，选择传递函数为Sigmoid函数，则网络模型确定。
最后将收集到的样本病例按照比例分为训练样本集，测试样本集(比如90％为训练样本集，10％为测试样本集)，提取样样本的输入特征及输出信息(射野角度)，尝试选择不同的训练算法Levenberg-Marquardt/Bayesian Regularization/Scaled ConjugateGradient等进行训练所建立的网络模型，反复训练直到精度在90％以上，则模型训练完毕、保存模型参数得到当前最优的学习模型，否则改变神经网络的隐藏层个数和每层的神经元个数，改变传递函数直到找到满足要求的模型。
如果针对测试病例角度小于9个，比如针对某个测试用前列腺病例只有7个角度(0，52，104，156，208，260，312)，其中7个角度中权重(在计划中已载明)较大的两个为156、260，则输出为(0，52，104，156，208，260，312，156，260)。比如针对某个测试病例有8个角度，则选择权重最大的角度重复一次，凑足9个角度，然后进行测试。
如图3所示，本发明的基于学习模型智能预测放疗中射野参数的系统包括输入模块10、处理模块20、学习模块30、以及输出模块40。
输入模块10用于按照放射治疗数据传输标准导入研究对象原始CT图像信息及分割后的肿瘤靶区、危及器官信息。
处理模块20用于通过处理输入模块获取的信息提取出学习模型需要的输入特征；以及根据学习模型预测得到的射野角度计算出每个射野角度照射需要的坞门大小，射野形状。
学习模块30用于构建基于神经网络的学习模型并通过学习大量的临床病例训练得到该学习模型中的各参数，根据输入特征预测各射野角度的数值。
输出模块40用于将所有射野角度、各射野角度对应的钨门大小和射野形状打印输出，或直接输出给商用计划系统。
在本发明中，学习模块构建的神经网络模型并不受限于固定的某种神经网络模型，针对不同部位的肿瘤可以利用该系统建立不同的神经网络。
本系统可快速的预测出针对该研究对象的最优射野参数，供放疗计划设计者进行计划优化时使用。避免了凭借经验进行射野方向确定反复调整且不能保证最优的缺陷，不仅提高了放疗计划方案的质量，而且可以提高物理师的工作效率。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (3)
1.一种基于学习模型智能预测放疗中射野参数的方法，其特征在于，包括以下步骤：
S10、构建并训练得到神经网络的学习模型，其中，所述学习模型的输入特征包括肿瘤靶区体积V、各危及器官中心与靶区中心连线在治疗坐标系下的角度，各危及器官以靶区中心为中心在治疗坐标系的最大角、最小角，各危及器官到肿瘤靶区的最大距离、最小距离；所述学习模型的输出层为针对放射治疗需要选择的射野角度；
S20、根据研究对象的原始图像及勾画后的解剖结构信息提取输入特征；
S30、将输入特征导入学习模型，通过学习模型得到角度预测信息；
S40、根据预测得到的角度，计算出每个角度对应的钨门大小及射野形状；以及
S50、将预测得到射野角度及计算出的钨门大小、射野形状输出。
2.根据权利要求1所述的基于学习模型智能预测放射治疗中射野参数的方法，其特征在于，针对不同部位的肿瘤单独构建神经网络学习模型。
3.一种基于学习模型智能预测放射治疗中射野参数的系统，其特征在于，包括输入模块，用于按照放射治疗数据传输标准导入研究对象原始CT图像信息及分割后的肿瘤靶区、危及器官信息；
处理模块，用于通过处理输入模块获取的信息提取出学习模型需要的输入特征；以及根据学习模型预测得到的射野角度计算出每个射野角度照射需要的坞门大小，射野形状；
学习模块，用于构建基于神经网络的学习模型并通过临床病例样本训练该学习模型，然后根据输入特征预测各射野角度的数值，其中，所述学习模型的输入特征包括肿瘤靶区体积V、各危及器官中心与靶区中心连线在治疗坐标系下的角度，各危及器官以靶区中心为中心在治疗坐标系的最大角、最小角，各危及器官到肿瘤靶区的最大距离、最小距离；所述学习模型的输出层为针对放射治疗需要选择的射野角度；以及
输出模块，用于将所有射野角度、各射野角度对应的钨门大小及射野形状打印输出，或直接输出给商用计划系统。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910012609.3A CN109785962B (zh) | 2019-01-07 | 2019-01-07 | 一种基于学习模型智能预测放疗中射野参数的方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910012609.3A CN109785962B (zh) | 2019-01-07 | 2019-01-07 | 一种基于学习模型智能预测放疗中射野参数的方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109785962A true CN109785962A (zh) | 2019-05-21 |
| CN109785962B CN109785962B (zh) | 2021-07-16 |
Family
ID=66500101
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910012609.3A Active CN109785962B (zh) | 2019-01-07 | 2019-01-07 | 一种基于学习模型智能预测放疗中射野参数的方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109785962B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111939479A (zh) * | 2020-08-20 | 2020-11-17 | 哈尔滨乔然科技有限公司 | 一种相控阵热疗机及其控制方法 |
| CN112133440A (zh) * | 2020-09-27 | 2020-12-25 | 上海联影医疗科技股份有限公司 | 一种剂量计算系统、剂量质量保证系统及存储介质 |
| CN112137834A (zh) * | 2019-06-27 | 2020-12-29 | 丰田自动车株式会社 | 学习系统、复健辅助系统、方法、程序及学习完毕模型 |
| CN114712733A (zh) * | 2022-04-29 | 2022-07-08 | 上海联影医疗科技股份有限公司 | 一种自动确定射野信息的方法、系统和装置 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108717866A (zh) * | 2018-04-03 | 2018-10-30 | 陈辛元 | 一种预测放疗计划剂量分布的方法、装置、设备及存储介质 |
-
2019
- 2019-01-07 CN CN201910012609.3A patent/CN109785962B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108717866A (zh) * | 2018-04-03 | 2018-10-30 | 陈辛元 | 一种预测放疗计划剂量分布的方法、装置、设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| CARL GRAHAM ROWBOTTOM等: "Beam-orientation customization using an artificial", 《PHYSICS IN MEDICINE & BIOLOGY》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112137834A (zh) * | 2019-06-27 | 2020-12-29 | 丰田自动车株式会社 | 学习系统、复健辅助系统、方法、程序及学习完毕模型 |
| CN111939479A (zh) * | 2020-08-20 | 2020-11-17 | 哈尔滨乔然科技有限公司 | 一种相控阵热疗机及其控制方法 |
| CN112133440A (zh) * | 2020-09-27 | 2020-12-25 | 上海联影医疗科技股份有限公司 | 一种剂量计算系统、剂量质量保证系统及存储介质 |
| CN114712733A (zh) * | 2022-04-29 | 2022-07-08 | 上海联影医疗科技股份有限公司 | 一种自动确定射野信息的方法、系统和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109785962B (zh) | 2021-07-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109785962A (zh) | 一种基于学习模型智能预测放疗中射野参数的方法和系统 | |
| CN110211664A (zh) | 一种基于机器学习自动设计放射治疗方案的系统 | |
| Shen et al. | Intelligent inverse treatment planning via deep reinforcement learning, a proof-of-principle study in high dose-rate brachytherapy for cervical cancer | |
| Ma et al. | Incorporating dosimetric features into the prediction of 3D VMAT dose distributions using deep convolutional neural network | |
| CN110327554B (zh) | 基于预测剂量分布引导的调强放疗计划优化方法及应用 | |
| CN110354406A (zh) | 一种放射治疗的三维剂量预测方法和系统 | |
| CN110415785A (zh) | 人工智能引导放疗计划的方法及系统 | |
| WO2020244172A1 (zh) | 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 | |
| CN104408734A (zh) | 联合图像分割与形变配准技术的自适应目标区域转换方法 | |
| CN109979564A (zh) | 一种智能放疗计划方法、设备和存储介质 | |
| Vestergaard et al. | An adaptive radiotherapy planning strategy for bladder cancer using deformation vector fields | |
| CN110706779B (zh) | 一种放射治疗计划精确目标函数的自动生成方法 | |
| Duffton et al. | The pivotal role of the therapeutic radiographer/radiation therapist in image-guided radiotherapy research and development | |
| Fan et al. | Verification of the machine delivery parameters of a treatment plan via deep learning | |
| Claessens et al. | Machine learning-based detection of aberrant deep learning segmentations of target and organs at risk for prostate radiotherapy using a secondary segmentation algorithm | |
| Chow | Artificial intelligence in radiotherapy and patient care | |
| Qiu et al. | Online adaptive planning methods for intensity-modulated radiotherapy | |
| Van De Schoot et al. | Beam configuration selection for robust intensity-modulated proton therapy in cervical cancer using Pareto front comparison | |
| Lee et al. | Deep learning driven predictive treatment planning for adaptive radiotherapy of lung cancer | |
| Schipaanboord et al. | TBS-BAO: fully automated beam angle optimization for IMRT guided by a total-beam-space reference plan | |
| Ni et al. | Fast VMAT planning for prostate radiotherapy: dosimetric validation of a deep learning-based initial segment generation method | |
| CN116569190B (zh) | 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 | |
| Bociek et al. | Image guided adaptive external beam radiotherapy (EBRT) planning for cervical cancer-a comparison of offline, online and MRI-guided techniques to reduce organ at risk (OAR) dose using a dose accumulation model | |
| CN112635023B (zh) | 鼻咽癌的剂量预测模型的生成方法、剂量预测方法及装置 | |
| Ghimire et al. | Forecasting patient-specific dosimetric benefit from daily online adaptive radiotherapy for cervical cancer |
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 |