CN109801696A - 一种人工智能的云放疗计划方法、设备、存储介质和系统 - Google Patents
一种人工智能的云放疗计划方法、设备、存储介质和系统 Download PDFInfo
- Publication number
- CN109801696A CN109801696A CN201711144521.4A CN201711144521A CN109801696A CN 109801696 A CN109801696 A CN 109801696A CN 201711144521 A CN201711144521 A CN 201711144521A CN 109801696 A CN109801696 A CN 109801696A
- Authority
- CN
- China
- Prior art keywords
- radiotherapy
- plan
- cloud
- planning
- learning
- 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
- 238000001959 radiotherapy Methods 0.000 title claims abstract description 102
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 31
- 238000011282 treatment Methods 0.000 claims abstract description 57
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000010801 machine learning Methods 0.000 claims abstract description 24
- 241000282414 Homo sapiens Species 0.000 claims description 48
- 230000005855 radiation Effects 0.000 claims description 43
- 238000005457 optimization Methods 0.000 claims description 25
- 238000004458 analytical method Methods 0.000 claims description 17
- 238000011156 evaluation Methods 0.000 claims description 17
- 206010028980 Neoplasm Diseases 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 8
- 210000000056 organ Anatomy 0.000 claims description 7
- 230000002787 reinforcement Effects 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 claims description 5
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 4
- 238000002591 computed tomography Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 230000004907 flux Effects 0.000 claims description 4
- 238000002600 positron emission tomography Methods 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 4
- 238000003325 tomography Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000005481 NMR spectroscopy Methods 0.000 claims 1
- 238000013480 data collection Methods 0.000 abstract 1
- 230000000392 somatic effect Effects 0.000 abstract 1
- 230000001173 tumoral effect Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 40
- 230000005284 excitation Effects 0.000 description 4
- 238000002595 magnetic resonance imaging Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000005728 strengthening Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 210000000920 organ at risk Anatomy 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
Landscapes
- Radiation-Therapy Devices (AREA)
Abstract
本发明属于放疗和云服务技术领域，涉及一种人工智能的云放疗计划的方法、设备、存储介质和系统。该方法包括如下步骤：(1)在云服务器上输入病人影像数据集；(2)基于机器学习方法产生放射治疗计划；(3)输出放射治疗计划：将所产生的放射治疗计划发送到云终端的放射治疗设备执行。本发明提供的方法无需输入大量的人体数据，仅通过对可变形人体模型训练制定放疗计划就可以得到不同身高、体型、肿瘤特征等的放疗计划方案或策略；且自动治疗计划的训练学习过程相对简便。
Description
技术领域
本发明属于放疗和云服务技术领域，涉及一种云自动治疗计划的方法、设备、存储介质和系统。
背景技术
放疗计划系统是在专用计算机系统的帮助下确定照射方式，计算出该照射方式的结果，再调整照射方式，直到满意为止。治疗计划是放疗技术特别是精确放疗技术实现的中枢环节。治疗计划系统的使用需要具备专业经验的经过特别培训的物理师和医师，其中医师确定肿瘤靶区和危及器官、临床剂量要求、评价治疗方案，物理师则负责设计并修改照射方案、从剂量学角度协助医师评价结果、输出各种治疗所需资料等其它技术工作。
CN107072624A公开了《用于自动治疗计划的系统和方法》，通过训练数据产生概率模型进行预测新的计划，存在如下问题：该方法通过引入额外的概率密度函数来预测新的治疗计划，需要准确的历史数据，建立概率密度函数，导致需要人工预先定义各种可能特征的人工标准化过程，整个过程繁琐复杂，需要建立庞大的数据集合作为训练集合，学习曲线陡峭、学习周期漫长。
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。机器学习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。
本发明的发明人将机器学习运用到肿瘤放疗领域中的自动治疗计划生成技术。
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人工智能的云放疗计划的生成方法、设备、存储介质及系统。
为实现上述目的，本发明提供以下技术方案：
一种人工智能的云放疗计划的方法，包括如下步骤：
(1)在云服务器上输入病人影像数据集；
(2)基于机器学习方法产生放射治疗计划；
(3)输出放射治疗计划：将所产生的放射治疗计划发送到云终端的放射治疗设备执行。
步骤(1)中，用户在云终端通过网络访问云服务器，上传病人影像数据集，或者远程影像设备在扫描病人后通过网络直接将病人影像数据上传到云服务器；所述的云服务器包括公有云服务器、私有云服务器以及两者的混合，所述的服务器包括计算机、存储设备以及网络设备。
步骤(1)中，病人影像数据包括但不限于计算机断层成像、核磁共振图像、正电子发射图像、单光子发射断层成像。
步骤(2)中，放射治疗计划包括自动完成勾画、处方剂量、逆向优化、剂量计算、剂量验证与计划评估；
所述的逆向优化采用通量图优化、直接子野优化中的一种或者组合；所述的剂量计算是利用预设的放射治疗设备参数，采用笔形束、卷积叠加、蒙特卡罗算法中的一种或一种以上计算得到的；所述的剂量验证采用剂量体积直方图，等剂量线，误差分析，剂量差分析(Dose Difference)，距离吻合度(Distance to Agreement)分析，伽马分析中的一种或者多种；所述的计划评估采用相似度计算预设参数的距离，并将距离归一化后，进行打分获得。步骤(2)中，所述机器学习方法，包括如下步骤：
(a)输入预设的制定放射治疗计划的工作流程、限制条件和可变形人体模型；
(b)生成放射治疗计划所需的可变形人体模型的医学影像；
(c)基于步骤(a)设定的内容和步骤(b)的可变形人体模型的医学影像，采用深度学习方法训练制定放射治疗计划的学习成果库或策略网络：
该训练学习过程是从无到有，无需输入大量的历史放疗计划数据作为初始训练数据集合；而是通过不断进行放射治疗计划与之前做的放射治疗计划的自动评分对比来强化学习提高水平，从而不断优化策略网络；其中，所述的优化是通过自我博弈的强化学习迭代结果，来提升前面的策略网络；即与之前的“自己”不间断训练以提高预测的水平，这个过程有点类似于人类的巩固学习和理解贯通阶段；
采用计划评估进行打分，将超过打分阈值的放射治疗方案存储进入学习成果库或将超过打分阈值的学习策略输入到策略库；将这个训练优化过程与蒙特卡罗树搜索(MCTS)算法相结合，通过自己比较自娱自乐，按设定的做计划的规则随机开始制定放射治疗计划“小白”式的学习，通过数学上引入激励或者惩罚函数进行激励、惩罚的强化学习机制来纠正学习过程中的错误，调整提升学习能力；
(d)通过步骤(c)得到的学习成果库或者策略库，根据病人的特征参数搜索出与之最匹配的最优放射治疗计划或者学习策略。
步骤(a)中所述的可变形人体模型是利用医学影像、数字切片等相关数据构建的反映人体医学结构与肿瘤相关的集合；可变形人体模型是具有不同特征的人体模型，该模型可根据需要设定年龄、性别、身高、体型、肿瘤种类、肿瘤位置等反应人类身体状况的各项参数；
步骤(a)中，所述的限制条件为已知的医学和物理限制，包括但不限于各个正常器官和组织的所能接受的最大剂量约束，放射治疗和安全相关的行业、国家、国际标准的要求条件，机器运动范围限制。
步骤(b)中，可变形人体模型的医学影像至少包括正常器官和组织的医学影像、含有肿瘤的医学影像一种；其中可变形人体模型的医学影像是通过模拟医学影像产生过程获得，该模拟方法包括滤波反投影法、蒙特卡罗法。
步骤(c)中所述的对比通过相似度进行定义的。
步骤(c)中，进行放射治疗计划与之前做的放射治疗计划的自动评分的过程中，结合蒙特卡罗树搜索来压缩搜索空间，降低搜索时间和复杂度。
步骤(c)中，所述的策略网络就是堆叠多个层，也就是说这一层的输出作为下一层的输入。通过这种方式，就可以实现对输入信息进行分级表达了。所述的深度学习方法的包括以下训练步骤：①无监督学习用于每一层网络的pre-train；②每次用无监督学习只训练一层，将其训练结果作为其高一层的输入；③用自顶而下的监督算法去调整所有层。
步骤(d)中，所述的搜索通过结合蒙特卡罗树搜索来压缩搜索空间，降低搜索时间和复杂度。
其中蒙特卡罗树搜索(MCTS)决策有效结合了策略网络和自动评分的评价网络，类似于人类的判断决策过程。
本发明还提供了一种人工智能的云放疗计划设备，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人工智能的云放疗计划的方法。
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人工智能的云放疗计划方法的步骤。
本发明还提供了一种人工智能的云放疗计划系统，包括客户端、上述人工智能的云放疗计划设备；其中，
所述的客户端通过通讯连接在人工智能的云放疗计划设备上输入病人影像数据集并接收输出的放射治疗计划；
所述的人工智能的云放疗计划设备用于根据输入的病人影像数据集通过机器学习方法产生放射治疗计划并输出放射治疗计划。
本发明具有以下有益效果：
本发明提供了机器学习辅助人工智能的云放疗计划的方法，该方法基于机器学习方法产生放射治疗计划，通过输入预设的制定放射治疗计划的工作流程、限制条件和可变形人体模型，以从无到有的方式训练生成放射治疗计划的学习成果库或策略网络；在学习过程中通过不断自我评价来强化学习提高放疗计划的生成水平。本发明提供的方法无需输入大量的人体数据，仅通过对可变形人体模型训练制定放疗计划就可以得到不同身高、体型、肿瘤特征的放疗计划方案或策略；自动治疗计划的训练学习过程相对简便。
附图说明
图1为本发明实施例中人工智能的云放疗计划方法的流程图。
图2为本发明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机器学习方法的流程图。
具体实施方式
以下结合实施例和附图进一步说明本发明。
实施例1
一种人工智能的云放疗计划的方法(如附图1所示)，包括如下步骤：
(1)在云服务器上输入病人影像数据集101；用户在云终端通过网络访问云服务器，上传病人影像数据集，或者远程影像设备在扫描病人后通过网络直接上传病人影像到云服务器；还可以根据用户的需要进一步输入或不输入病人的年龄、性别、体貌特征等参数。
步骤(1)中，病人影像数据包括但不限于计算机断层成像、核磁共振图像、正电子发射图像、单光子发射断层成像。
(2)基于机器学习方法产生放射治疗计划102；其中放射治疗计划包括自动完成勾画、处方剂量、逆向优化、剂量计算、剂量验证与计划评估；逆向优化采用通量图优化、直接子野优化中的一种或者组合；剂量计算是利用预设的放射治疗设备参数，采用笔形束、卷积叠加、蒙特卡罗算法中的一种或一种以上计算得到的；剂量验证采用剂量体积直方图，等剂量线，误差分析，剂量差分析(Dose Difference)，距离吻合度(Distance to Agreement)分析，伽马分析中的一种或者多种；计划评估采用相似度计算预设参数的距离，并进行打分获得；
其中，机器学习方法(如附图2所示)，包括如下步骤：
(a)输入预设的制定放射治疗计划的工作流程、限制条件和可变形人体模型201；
其中，可变形人体模型是利用医学影像、数字切片等相关数据构建的反映人体医学结构与肿瘤相关的集合；可变形人体模型是具有不同特征的人体模型，该模型可根据需要设定年龄、性别、身高、体型、肿瘤种类、肿瘤位置等反应人类身体状况的各项参数。限制条件为已知的医学和物理限制，包括但不限于各个正常器官和组织的所能接受的最大剂量约束，放射治疗和安全相关的行业、国家、国际标准的要求条件，机器运动范围限制；
(b)生成放射治疗计划所需的可变形人体模型的医学影像202；其中，可变形人体模型的医学影像至少包括正常器官和组织的医学影像、含有肿瘤的医学影像一种；其中可变形人体模型的医学影像是通过模拟医学影像产生过程获得，该模拟方法包括滤波反投影法、蒙特卡罗法。
(c)基于步骤(a)设定的内容和步骤(b)的可变形人体模型的医学影像，采用深度学习方法训练制定放射治疗计划的学习成果库203：
该训练学习过程是从无到有，无需输入大量的历史放疗计划数据作为初始训练数据集合；而是通过不断进行放射治疗计划与之前做的放射治疗计划的自动评分对比来强化学习提高水平，从而不断优化策略网络；其中对比通过相似度进行定义的；上述优化是通过自我博弈的强化学习迭代结果，来提升前面的策略网络；即与之前的“自己”不间断训练以提高预测的水平，这个过程有点类似于人类的巩固学习和理解贯通阶段；采用计划评估进行打分，超过打分阈值的放射治疗方案存储进入学习成果库；将训练优化过程与蒙特卡罗树搜索(MCTS)算法相结合，进行自己比较自娱自乐，按设定的做计划的规则随机开始制定放射治疗计划“小白”式的学习，通过数学上引入激励或者惩罚函数进行强化学习机制来纠正学习过程中的错误，调整提升学习能力；
其中，惩罚函数(penalty function)，用于解决约束条件下的最优化问题。通过惩罚函数可以将有约束的目标函数转化为无约束的目标函数。对于本实施例中的目标函数——得分函数f(x)在约束条件——错误得分-g(x)<＝0下的最大值。构造函数p(x)＝f(x)-h(x)g(x)。其中，h(x)为惩罚项系数函数，可以预设为函数，也可以预设为系数；现在取h(x)为正值常数c，p(x)＝f(x)-c*g(x)，p(x)就是新的目标函数，且不含约束条件。当x取值使得g(x)>0时，p(x)<f(x)，无法达到原目标函数原有最大值。-c*g(x)就是惩罚项，当x取值不满足约束条件时，使得目标函数的值远离最优值。通过引入惩罚函数，可以加速纠正错误的时间，提高学习进度。激励函数与惩罚函数类似，得分函数f(x)在约束条件下正确得分m(x)激励函数p(x)＝f(x)+m(x)k(x)，其中k(x)为正确得分，可以得到f(x)在约束条件---正确得分k(x)>＝0下的最大值。
(d)通过步骤(c)得到的学习成果库，根据病人的特征参数搜索出与之最匹配的最优(评分最高的)放射治疗计划204；
步骤(c)和(d)中，结合蒙特卡罗树(MCTS)搜索来压缩搜索空间，降低搜索时间和复杂度，MCTS决策有效结合了策略网络和自动评分的评价网络，类似于人类的判断决策过程。
(3)输出放射治疗计划103：将所产生的放射治疗计划发送到云终端的放射治疗设备执行。
实施例2
一种人工智能的云放疗计划的方法，包括如下步骤：
(1)在云服务器上输入病人影像数据集；用户在云终端通过网络访问云服务器，上传病人影像数据集，或者远程影像设备在扫描病人后通过网络直接上传病人影像到云服务器；
其中病人影像数据包括但不限于计算机断层成像、核磁共振图像、正电子发射图像、单光子发射断层成像。
(2)基于机器学习方法产生放射治疗计划；步骤(2)中，放射治疗计划包括自动完成勾画、处方剂量、逆向优化、剂量计算、剂量验证与计划评估；其中，逆向优化采用通量图优化、直接子野优化中的一种或者组合；剂量计算是利用预设的放射治疗设备参数，采用笔形束、卷积叠加、蒙特卡罗算法中的一种或一种以上计算得到的；剂量验证采用剂量体积直方图，等剂量线，误差分析，剂量差分析(Dose Difference)，距离吻合度(Distance toAgreement)分析，伽马分析中的一种或者多种；计划评估采用相似度计算预设参数的距离，并进行打分获得。
步骤(2)中，机器学习方法(如附图3所示)，包括如下步骤：
(a)输入预设的制定放射治疗计划的工作流程、限制条件和可变形人体模型301；
其中，可变形人体模型是利用医学影像、数字切片等相关数据构建的反映人体医学结构与肿瘤相关的集合；可变形人体模型是具有不同特征的人体模型，该模型可根据需要设定年龄、性别、身高、体型、肿瘤种类、肿瘤位置等反应人类身体状况的各项参数。限制条件为已知的医学和物理限制，包括但不限于各个正常器官和组织的所能接受的最大剂量约束，放射治疗和安全相关的行业、国家、国际标准的要求条件，机器运动范围限制；
(b)生成放射治疗计划所需的可变形人体模型的医学影像302；其中，可变形人体模型的医学影像至少包括正常器官和组织的医学影像、含有肿瘤的医学影像一种；其中可变形人体模型的医学影像是通过模拟医学影像产生过程获得，该模拟方法包括滤波反投影法、蒙特卡罗法。
(c)基于步骤(a)设定的内容和步骤(b)的可变形人体模型的医学影像，采用深度学习方法训练制定放射治疗计划的策略网络303：
该训练学习过程是从无到有，无需输入大量的历史放疗计划数据作为初始训练数据集合；而是通过不断进行放射治疗计划与之前做的放射治疗计划的自动评分对比来强化学习提高水平，从而不断优化策略网络；其中对比通过相似度进行定义的；
优化是通过自我博弈的强化学习迭代结果，来提升前面的策略网络；即与之前的“自己”不间断训练以提高预测的水平，这个过程有点类似于人类的巩固学习和理解贯通阶段；
采用计划评估进行打分，将超过打分阈值的放射治疗方案存储进入学习成果库或将超过打分阈值的学习策略输入到策略库；将这个训练优化过程与蒙特卡罗树搜索(MCTS)算法相结合，通过自己比较自娱自乐，按设定的做计划的规则随机开始制定放射治疗计划“小白”式的学习，通过数学上引入激励或者惩罚函数进行强化学习机制来纠正学习过程中的错误，调整提升学习能力。
其中，惩罚函数(penalty function)，用于解决约束条件下的最优化问题。通过惩罚函数可以将有约束的目标函数转化为无约束的目标函数。对于本实施例中的目标函数——得分函数f(x)在约束条件——错误得分-g(x)<＝0下的最大值。构造函数p(x)＝f(x)-h(x)g(x)。其中，h(x)为惩罚项系数函数，可以预设为函数，也可以预设为系数；现在取h(x)为正值常数c，p(x)＝f(x)-c*g(x)，p(x)就是新的目标函数，且不含约束条件。当x取值使得g(x)>0时，p(x)<f(x)，无法达到原目标函数原有最大值。-c*g(x)就是惩罚项，当x取值不满足约束条件时，使得目标函数的值远离最优值。通过引入惩罚函数，可以加速纠正错误的时间，提高学习进度。激励函数与惩罚函数类似，得分函数f(x)在约束条件下正确得分m(x)激励函数p(x)＝f(x)+m(x)k(x)，其中k(x)为正确得分，可以得到f(x)在约束条件---正确得分k(x)>＝0下的最大值。
(d)通过步骤(c)得到的策略库，根据病人的特征参数搜索出与之最匹配的学习策略，根据该学习策略制定得到放射治疗计划304。
步骤(c)和(d)中，结合蒙特卡罗树(MCTS)搜索来压缩搜索空间，降低搜索时间和复杂度，MCTS决策有效结合了策略网络和自动评分的评价网络，类似于人类的判断决策过程。
(3)输出放射治疗计划：将所产生的放射治疗计划发送到云终端的放射治疗设备执行。
实施例3
本发明还提供了一种人工智能的云放疗计划设备，包括：
一个或多个处理器；
存储器；以及
一个或多个程序，其中一个或多个程序存储在存储器中并被配置为由一个或多个处理器执行，一个或多个程序包括用于执行人工智能的云放疗计划的方法，包括步骤：
(1)在云服务器上输入病人影像数据集；
(2)基于机器学习方法产生放射治疗计划；
(3)输出放射治疗计划：将所产生的放射治疗计划发送到云终端的放射治疗设备执行。
实施例4
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人工智能的云放疗计划的方法，包括步骤：
(1)在云服务器上输入病人影像数据集；
(2)基于机器学习方法产生放射治疗计划；
(3)输出放射治疗计划：将所产生的放射治疗计划发送到云终端的放射治疗设备执行。
实施例5
一种人工智能的云放疗计划系统包括客户端、上述实施例4提供的人工智能的云放疗计划设备；其中，客户端通过通讯连接在人工智能的云放疗计划设备上输入病人影像数据集并接收输出的放射治疗计划；人工智能的云放疗计划设备用于根据输入的病人影像数据集通过机器学习方法产生放射治疗计划并输出放射治疗计划。
本发明提供了机器学习辅助人工智能的云放疗计划的方法、设备、存储介质和系统，基于机器学习方法产生放射治疗计划，通过输入预设的制定放射治疗计划的工作流程、限制条件和可变形人体模型，以从无到有的方式训练生成放射治疗计划的学习成果库或策略网络；在学习过程中通过不断自我评价来强化学习提高放疗计划的生成水平。上述方法无需输入大量的人体数据，仅通过可变形人体的不断学习就可以得到不同身高、体型、肿瘤特征的人体模型；自动治疗计划的训练学习过程相对简便。
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)
1.一种人工智能的云放疗计划的方法，适于在云自动放疗设备中运行，其特征在于：包括如下步骤：
(1)在云服务器上输入病人影像数据集；
(2)基于机器学习方法产生放射治疗计划；
(3)输出放射治疗计划：将所产生的放射治疗计划发送到云终端的放射治疗设备执行。
2.根据权利要求1所述的人工智能的云放疗计划的方法，其特征在于：步骤(1)中，用户在云终端通过网络访问云服务器，上传病人影像数据集；或者远程影像设备在扫描病人后通过网络直接将病人影像数据上传到云服务器；
或步骤(1)中，病人影像数据包括计算机断层成像、核磁共振图像、正电子发射图像、单光子发射断层成像中的一种或一种以上。
3.根据权利要求1所述的人工智能的云放疗计划的方法，其特征在于：步骤(2)中，放射治疗计划包括自动完成勾画、处方剂量、逆向优化、剂量计算、剂量验证与计划评估；
所述的逆向优化采用通量图优化、直接子野优化中的一种或者组合；
所述的剂量计算是利用预设的放射治疗设备参数，采用笔形束、卷积叠加、蒙特卡罗算法中的一种或一种以上计算得到的；
所述的剂量验证采用剂量体积直方图、等剂量线、误差分析、剂量差分析、距离吻合度分析、伽马分析中的一种或者多种；
所述的计划评估采用相似度计算预设参数的距离，并将距离归一化后，进行打分获得。
4.根据权利要求1所述的人工智能的云放疗计划的方法，其特征在于：步骤(2)中，所述机器学习方法，包括如下步骤：
(a)输入预设的制定放射治疗计划的工作流程、限制条件、可变形人体模型；
(b)生成放射治疗计划所需的可变形人体模型的医学影像；
(c)基于步骤(a)设定的内容和步骤(b)的可变形人体模型的医学影像，采用深度学习方法训练制定放射治疗计划的学习成果库或策略网络：
按步骤(a)设定的放射治疗计划的内容结合可变形人体模型的医学影像随机开始制定放射治疗计划；在训练学习过程通过不断进行放射治疗计划与之前做的放射治疗计划的自动评分对比来强化学习提高水平，从而不断优化策略网络；所述的优化是通过自我博弈的强化学习迭代结果，来提升前面的策略网络；
采用计划评估进行打分，将超过打分阈值的放射治疗方案存储进入学习成果库或将超过打分阈值的学习策略输入到策略库；
(d)通过步骤(c)得到的学习成果库或者策略库，根据病人的特征参数搜索出与之最匹配的最优放射治疗计划或者学习策略。
5.根据权利要求4所述的人工智能的云放疗计划的方法，其特征在于：步骤(a)中所述的可变形人体模型是利用医学影像、数字切片等相关数据构建的反映人体医学结构与肿瘤相关的集合；
或步骤(b)中，可变形人体模型的医学影像至少包括正常器官和组织的医学影像、含有肿瘤的医学影像一种；其中可变形人体模型的医学影像是通过模拟医学影像产生过程获得，该模拟方法包括滤波反投影法、蒙特卡罗法。
6.根据权利要求4所述的人工智能的云放疗计划的方法，其特征在于：步骤(c)中所述的对比通过相似度进行的。
7.根据权利要求4所述的人工智能的云放疗计划的方法，其特征在于：
步骤(c)中，进行放射治疗计划与之前做的放射治疗计划的自动评分的过程中，结合蒙特卡罗树搜索来压缩搜索空间，降低搜索时间和复杂度；
或步骤(d)中，所述的搜索通过结合蒙特卡罗树搜索来压缩搜索空间，降低搜索时间和复杂度。
8.一种人工智能的云放疗计划设备，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云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1-7中任一所述的人工智能的云放疗计划方法的步骤。
9.一种计算机存储介质，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1-7中任一所述的人工智能的云放疗计划方法的步骤。
10.一种人工智能的云放疗计划系统包括客户端、权利要求8所述的人工智能的云放疗计划设备；
所述的客户端通过通讯联接在人工智能的云放疗计划设备上输入病人影像数据集并接收输出的放射治疗计划；
所述的人工智能的云放疗计划设备用于根据输入的病人影像数据集通过机器学习方法产生放射治疗计划并输出放射治疗计划。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711144521.4A CN109801696A (zh) | 2017-11-17 | 2017-11-17 | 一种人工智能的云放疗计划方法、设备、存储介质和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711144521.4A CN109801696A (zh) | 2017-11-17 | 2017-11-17 | 一种人工智能的云放疗计划方法、设备、存储介质和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109801696A true CN109801696A (zh) | 2019-05-24 |
Family
ID=66554757
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711144521.4A Pending CN109801696A (zh) | 2017-11-17 | 2017-11-17 | 一种人工智能的云放疗计划方法、设备、存储介质和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109801696A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110415785A (zh) * | 2019-08-29 | 2019-11-05 | 北京连心医疗科技有限公司 | 人工智能引导放疗计划的方法及系统 |
| CN111128340A (zh) * | 2019-12-25 | 2020-05-08 | 上海联影医疗科技有限公司 | 放射治疗计划生成设备、装置和存储介质 |
| CN111540437A (zh) * | 2020-04-23 | 2020-08-14 | 北京大学第三医院（北京大学第三临床医学院） | 一种基于人工智能的剂量验证方法和系统 |
| CN112447278A (zh) * | 2020-11-17 | 2021-03-05 | 北京全域医疗技术集团有限公司 | 患者计划数据的核验方法、装置及计算机设备 |
| CN112516471A (zh) * | 2020-12-01 | 2021-03-19 | 北京航空航天大学 | 基于扩展收缩理论的放疗计划仿真设计方法及系统 |
| CN113517072A (zh) * | 2021-09-13 | 2021-10-19 | 四川大学 | 一种基于深度神经网络的vmat放疗计划的预测方法 |
| US11964170B2 (en) | 2019-08-29 | 2024-04-23 | Beijing Linking Medical Technology Co., Ltd. | Standardized artificial intelligence automatic radiation therapy planning method and system |
| CN118366614A (zh) * | 2024-06-19 | 2024-07-19 | 华硼中子科技(杭州)有限公司 | 硼中子俘获治疗计划疗效预测模型构建方法和装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020122530A1 (en) * | 2001-03-05 | 2002-09-05 | Stephan Erbel | Method for producing or updating radiotherapy plan |
| CN104548372A (zh) * | 2015-01-07 | 2015-04-29 | 上海联影医疗科技有限公司 | 放射治疗计划、剂量确定、质量保证的方法及装置 |
| 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 |
| 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
- 2017-11-17 CN CN201711144521.4A patent/CN109801696A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020122530A1 (en) * | 2001-03-05 | 2002-09-05 | Stephan Erbel | Method for producing or updating radiotherapy plan |
| 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 |
| CN104548372A (zh) * | 2015-01-07 | 2015-04-29 | 上海联影医疗科技有限公司 | 放射治疗计划、剂量确定、质量保证的方法及装置 |
| 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 |
|---|
| 王攀，等: "《优化与控制中的软计算方法研究[M]》", 12 January 2017 * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110415785A (zh) * | 2019-08-29 | 2019-11-05 | 北京连心医疗科技有限公司 | 人工智能引导放疗计划的方法及系统 |
| US11964170B2 (en) | 2019-08-29 | 2024-04-23 | Beijing Linking Medical Technology Co., Ltd. | Standardized artificial intelligence automatic radiation therapy planning method and system |
| CN111128340A (zh) * | 2019-12-25 | 2020-05-08 | 上海联影医疗科技有限公司 | 放射治疗计划生成设备、装置和存储介质 |
| CN111540437A (zh) * | 2020-04-23 | 2020-08-14 | 北京大学第三医院（北京大学第三临床医学院） | 一种基于人工智能的剂量验证方法和系统 |
| CN111540437B (zh) * | 2020-04-23 | 2023-05-12 | 北京大学第三医院（北京大学第三临床医学院） | 一种基于人工智能的剂量验证方法和系统 |
| CN112447278A (zh) * | 2020-11-17 | 2021-03-05 | 北京全域医疗技术集团有限公司 | 患者计划数据的核验方法、装置及计算机设备 |
| CN112447278B (zh) * | 2020-11-17 | 2024-04-26 | 北京全域医疗技术集团有限公司 | 患者计划数据的核验方法、装置及计算机设备 |
| CN112516471A (zh) * | 2020-12-01 | 2021-03-19 | 北京航空航天大学 | 基于扩展收缩理论的放疗计划仿真设计方法及系统 |
| CN112516471B (zh) * | 2020-12-01 | 2021-08-27 | 北京航空航天大学 | 基于扩展收缩理论的放疗计划仿真设计方法及系统 |
| CN113517072A (zh) * | 2021-09-13 | 2021-10-19 | 四川大学 | 一种基于深度神经网络的vmat放疗计划的预测方法 |
| CN113517072B (zh) * | 2021-09-13 | 2022-01-28 | 四川大学 | 一种基于深度神经网络的vmat放疗计划的预测装置 |
| CN118366614A (zh) * | 2024-06-19 | 2024-07-19 | 华硼中子科技(杭州)有限公司 | 硼中子俘获治疗计划疗效预测模型构建方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| US11386557B2 (en) | Systems and methods for segmentation of intra-patient medical images | |
| CN108717866B (zh) | 一种预测放疗计划剂量分布的方法、装置、设备及存储介质 | |
| US11676281B2 (en) | 3-D convolutional neural networks for organ segmentation in medical images for radiotherapy planning | |
| US11964170B2 (en) | Standardized artificial intelligence automatic radiation therapy planning method and system | |
| Gronberg et al. | Dose prediction for head and neck radiotherapy using a three‐dimensional dense dilated U‐net architecture | |
| CN109771843B (zh) | 云放射治疗计划评估方法、设备与存储介质 | |
| Liu et al. | A cascade 3D U‐Net for dose prediction in radiotherapy | |
| CN111028914B (zh) | 人工智能引导的剂量预测方法与系统 | |
| US20160059039A1 (en) | System and method for robust intensity-modulated proton therapy planning | |
| CN115083567A (zh) | 基于规则的自动放射治疗计划获得方法及装置 | |
| Wang et al. | An integrated solution of deep reinforcement learning for automatic IMRT treatment planning in non-small-cell lung cancer | |
| CN113178242A (zh) | 一种基于耦合式生成对抗网络的自动计划优化系统 | |
| Cao et al. | Adaptive multi-organ loss based generative adversarial network for automatic dose prediction in radiotherapy | |
| CN111888665A (zh) | 一种基于自适应修正对抗网络的三维剂量分布预测方法 | |
| Marungo et al. | Creating a data science platform for developing complication risk models for personalized treatment planning in radiation oncology | |
| US20220414525A1 (en) | Machine learning approach for solving beam angle optimization | |
| CN115938587A (zh) | 放疗计划的验证方法、装置、计算机设备和存储介质 | |
| Liu et al. | A deep learning-based dose prediction method for evaluation of radiotherapy treatment planning | |
| Chandran et al. | MemU-Net: A new volumetric dose prediction model using deep learning techniques in radiation treatment planning | |
| CN116672619A (zh) | 一种基于生成对抗网络的放疗剂量预测方法和系统 | |
| US20240157172A1 (en) | Heterogeneous radiotherapy dose prediction using generative artificial intelligence | |
| Folkerts | Topics in Cancer Radiotherapy: Automated Treatment Planning and Quality Assurance | |
| CN117219292A (zh) | 肿瘤患者精准放疗前自动剂量验证评估方法及其装置 | |
| WO2023196533A1 (en) | Automated generation of radiotherapy plans |
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: 20190524 |