CN109979564A - 一种智能放疗计划方法、设备和存储介质 - Google Patents
一种智能放疗计划方法、设备和存储介质 Download PDFInfo
- Publication number
- CN109979564A CN109979564A CN201711455588.XA CN201711455588A CN109979564A CN 109979564 A CN109979564 A CN 109979564A CN 201711455588 A CN201711455588 A CN 201711455588A CN 109979564 A CN109979564 A CN 109979564A
- Authority
- CN
- China
- Prior art keywords
- ideal
- radiotherapy
- planning
- treatment planning
- plan
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/40—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mechanical, radiation or invasive therapies, e.g. surgery, laser therapy, dialysis or acupuncture
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- Theoretical Computer Science (AREA)
- Primary Health Care (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Urology & Nephrology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Surgery (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Radiation-Therapy Devices (AREA)
Abstract
本发明属于放射治疗与计算机技术领域,涉及一种智能放疗计划方法、设备和存储介质。该方法包括步骤:(1)通过计划评估方法筛选理想学习库;(2)通过机器学习方法建立预测理想放射治疗计划的方法:i.通过机器学习方法学习形成神经网络;ii.当新病人影像或者模型导入后,通过第一神经网络完成靶区自动勾画;iii.通过第二神经网络自动预测理想放射治疗计划与理想放射治疗计划结果;(3)计划确定,通过基于剂量计算的计划确定方法或者基于逆向优化方法的计划确定方法实现。本发明能够极速完成放射治疗计划的制定;并且能够自动完成放射治疗计划的制定,大大提高效率;减少医生和物理师的工作负担,缩短了患者的等待时间。
Description
技术领域
本发明属于放射治疗与计算机技术领域,涉及一种智能放疗计划方法、设备和存储介质。
背景技术
现有技术中,放射治疗的优化方法是通过医生与物理师设定输入条件,进行逆向优化,并求解得到放射治疗计划。目前比较成熟的优化方法包括通量图优化方法、直接子野优化方法。优化方法所采用的优化算法,包括牛顿法、拟牛顿法、梯度法、共轭梯度法等等。由于从头求解,往往陷入局部最优解,从而导致所得到的计划往往不是最佳的,最终影响计划的质量,病人的疗效。
另外,传统完成一个计划的过程需要几十分钟到十几个小时,效率非常低下,大大需要物理师和医生的经验完成。
人工神经网络(Artificial Neural Networks,简写为ANNs)也简称为神经网络(NNs)或称作连接模型(Connection Model),它是一种模仿动物神经网络行为特征,进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度,通过调整内部大量节点之间相互连接的关系,从而达到处理信息的目的。网络结构中最著名的为卷积神经网络(CNN),卷积神经网络是一种特殊的深层的神经网络模型,它的特殊性体现在两个方面,一方面它的神经元间的连接是非全连接的,另一方面同一层中某些神经元之间的连接的权重是共享的(即相同的)。它的非全连接和权值共享的网络结构使之更类似于生物神经网络,降低了网络模型的复杂度(对于很难学习的深层结构来说,这是非常重要的),减少了权值的数量。本发明正是将机器学习与神经网络应用到自动放射治疗计划方法中来解决现有技术中的问题。
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智能放疗计划方法、设备和存储介质。
为实现上述目的,本发明采用以下技术方案:
一种智能放疗计划方法,适于在计算设备中执行,包括如下步骤:
(1)通过计划评估方法筛选理想学习库;
(2)根据筛选得到的理想学习库,通过机器学习方法建立预测理想放射治疗计划的方法:
i.通过机器学习方法学习形成第一和第二神经网络;
ii.当新病人影像或者模型导入后,通过第一神经网络完成靶区自动勾画;
iii.通过第二神经网络自动预测理想放射治疗计划与理想放射治疗计划结果;
(3)计划确定,通过基于剂量计算的计划确定方法或者基于逆向优化方法的计划确定方法实现。
步骤(1)中,计划评估方法筛选理想数据库是将待筛选的放射治疗计划与医嘱中的放射治疗剂量对比,将待筛选的放射治疗计划的剂量体积直方图(DVH)和/或等剂量线中的各参数加权评分,判断与医嘱剂量的接近程度,评分结果满足接近程度打分阈值的放射治疗计划筛选进入理想学习库。
步骤(2)中,所述的理想放射治疗计划包括射野形状与方向、准直器运动序列与方向、剂量率、能量等;所述的理想放射治疗计划结果包括理想剂量分布和/或理想剂量体积直方图。
步骤(3)中,所述的基于剂量计算的评估方法,包括如下步骤:
a)基于步骤(iii)中得到的理想放射治疗计划参数和新病人的影像或者模型重新进行剂量计算,得到实际放射治疗计划结果;
b)将步骤a)计算得到的实际放射治疗计划结果与理想放射治疗计划结果比较,如果比较结果在预设范围,则可执行该理想放射治疗计划;否则不通过,需要重新预测一个新的计划,直到通过评估。
步骤(a)中,所述的剂量计算方法为解析算法或非解析算法,其中解析算法选自笔形束、卷积叠加等;所述的非解析算法为蒙特卡罗算法。
步骤(a)中,实际放射治疗计划结果包括等剂量线、剂量统计直方图中的一种或多种。
步骤(3)中,所述的逆向优化评估方法,包括如下步骤:
A)结合新病人的影像或者模型,将步骤(iii)得到的理想放射治疗计划结果(包括剂量分布、剂量体积直方图的一种或者混合)设置为优化模型中的目标函数或者约束条件,得到实际放射治疗计划;
B)将实际放射治疗计划与理想放射治疗计划比较,如果比较结果在预设范围,则可执行该理想放射治疗计划;否则不通过,需要重新预测一个新的计划,直到通过评估。
步骤(A)中,所述的优化模型为通量图优化法(Fluence Map Optimization,FMO)或直接子野优化法(Direct Aperture Optimization,DAO)。
步骤(B)中,所述的实际放射治疗计划,包括实际射野形状与方向、准直器运动序列与方向、剂量率、能量。
步骤(b)、步骤(B)中,所述的分析方法包括叠加分析、统计分析、剂量偏差分析(Dose Difference)、距离吻合度分析(Distance to Agreement)或伽马分析。其中,叠加分析方便用户同时查看不同分析情况的效果,或者同时查看分析结果与影像叠加效果;统计分析主要是剂量统计直方图,或者微分剂量统计直方图,用于查看不同器官组织的剂量累加或者累加变化情况;剂量偏差用于查看蒙特卡罗模拟计算结果与第一计划的剂量分布结果偏差情况;距离吻合度分析是排除了模体移动或者采样偏差后的情况;伽马分析综合了剂量偏差与距离吻合度的情况。
本发明还提供了一种计算设备,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智能放疗计划方法质的指令。
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,所述的一个或多个程序包括指令,所述指令适于由存储器加载并执行上述智能放疗计划方法。
本发明具有以下有益效果:
本发明提供的智能放疗计划方法能够极速完成放射治疗计划的制定;并且能够自动完成放射治疗计划的制定,大大提高效率;减少医生和物理师的工作负担,缩短了患者的等待时间。
附图说明
图1为本发明实施例中智能放疗计划方法的示意图。
图2为本发明一个优选的实施例中智能放疗计划方法的流程图。
图3为本发明另一个优选的实施例中智能放疗计划方法的流程图。
具体实施方式
以下结合附图和实施例进一步说明本发明。
实施例1
一种智能放疗计划方法,适于在计算设备中执行,如图1和图2所示,包括如下步骤:
(1)通过计划评估方法筛选理想学习库100;
计划评估方法筛选理想数据库是将待筛选的放射治疗计划与医嘱中的放射治疗剂量对比,通过将DVH和/或等剂量线中的各参数加权评分,通过计算待筛选的放射治疗计划的加权评分判断与医嘱剂量的接近程度,评分结果满足接近程度打分阈值的放射治疗计划筛选进入理想学习库;例如,预先设定接近程度≥95%的放疗计划可以被筛选进入理想学习库,将待评估的放疗计划中DVH和/或等剂量线中的各参数加权评分,计算待筛选的放射治疗计划的加权评分判断与医嘱剂量的接近程度,如果接近程度的评分为98%,则符合预设标准筛选进入理想学习库;如果接近程度的评分为94%,则不符合预设标准不能进入理想学习库。
(2)根据筛选得到的理想学习库,通过机器学习方法建立预测理想放射治疗计划的方法:
i.通过机器学习方法学习形成第一神经网络和第二神经网络,210;
ii.当新病人影像或者模型导入后,通过第一神经网络完成靶区自动勾画220(本步骤通过机器学习方法进行靶区勾画的具体方法,详见参考文献1);
iii.通过第二神经网络自动预测理想放射治疗计划与理想放射治疗计划结果230;理想放射治疗计划包括射野形状与方向、准直器运动序列与方向、剂量率、能量等;理想放射治疗计划结果包括理想剂量分布和/或理想剂量体积直方图(本步骤中通过神经网络自动预测理想放射治疗计划与理想放射治疗计划结果,详见参考文献2)。
(3)计划确定,通过基于剂量计算的计划确定方法实现,该确定方法包括如下步骤:
a)基于步骤(iii)中得到的理想放射治疗计划参数,和新病人的影像或者模型重新进行剂量计算,得到实际放射治疗计划结果(包括剂量分布或等剂量线,剂量统计直方图)310;其中,本步骤中的剂量计算方法为解析算法或非解析算法,解析算法可选自笔形束、卷积叠加等;非解析算法为蒙特卡罗算法;
b)将步骤a)计算得到的实际放射治疗计划结果与理想放射治疗计划结果比较320,本实施例中可以使用的比较分析方法包括叠加分析、统计分析、剂量偏差分析(DoseDifference)、距离吻合度分析(Distance to Agreement)或伽马分析。其中,叠加分析方便用户同时查看不同分析情况的效果,或者同时查看分析结果与影像叠加效果;统计分析主要是剂量统计直方图,或者微分剂量统计直方图,用于查看不同器官组织的剂量累加或者累加变化情况;剂量偏差用于查看蒙特卡罗模拟计算结果与第一计划的剂量分布结果偏差情况;距离吻合度分析是排除了模体移动或者采样偏差后的情况;伽马分析综合了剂量偏差与距离吻合度的情况;
如果比较结果在预设范围,则可执行该理想放射治疗计划330;否则不通过,需要重新预测一个新的计划,直到通过评估340。
实施例2
一种智能放疗计划方法,适于在计算设备中执行,如图1和图3所示,包括如下步骤:
(1)通过计划评估方法筛选理想学习库400;
计划评估方法筛选理想数据库是将待筛选的放射治疗计划与医嘱中的放射治疗剂量对比,通过将DVH和/或等剂量线中的各参数加权评分,通过待筛选的放射治疗计划的加权评分判断与医嘱剂量的接近程度,评分结果满足接近程度打分阈值的放射治疗计划筛选进入理想学习库;
(2)根据筛选得到的理想学习库,通过机器学习方法建立预测理想放射治疗计划的方法:
i.通过机器学习方法学习形成第一神经网络和第二神经网络,510;
ii.当新病人影像或者模型导入后,通过第一神经网络完成靶区自动勾画520(本步骤通过机器学习方法进行靶区勾画的具体方法,详见参考文献1);
iii.通过第二神经网络自动预测理想放射治疗计划与理想放射治疗计划结果530;理想放射治疗计划包括射野形状与方向、准直器运动序列与方向、剂量率、能量等;理想放射治疗计划结果包括理想剂量分布和/或理想剂量体积直方图(本步骤中通过神经网络自动预测理想放射治疗计划与理想放射治疗计划结果,详见参考文献2);
(3)计划确定,通过基于逆向优化方法的计划确定方法实现,该确定方法包括如下步骤:
A)结合新病人的影像或者模型,将步骤(iii)得到的理想放射治疗计划结果(包括剂量分布、剂量体积直方图的一种或者混合)设置为优化模型中的目标函数或者约束条件,得到实际放射治疗计划(包括但不限于实际射野形状与方向、准直器运动序列与方向、剂量率、能量);其中,优化模型为通量图优化法(Fluence Map Optimization,FMO)或直接子野优化法(Direct Aperture Optimization,DAO);
B)将实际放射治疗计划与理想放射治疗计划比较620,该比较分析方法包括叠加分析、统计分析、剂量偏差分析(Dose Difference)、距离吻合度分析(Distance toAgreement)或伽马分析。其中,叠加分析方便用户同时查看不同分析情况的效果,或者同时查看分析结果与影像叠加效果;统计分析主要是剂量统计直方图,或者微分剂量统计直方图,用于查看不同器官组织的剂量累加或者累加变化情况;剂量偏差用于查看蒙特卡罗模拟计算结果与第一计划的剂量分布结果偏差情况;距离吻合度分析是排除了模体移动或者采样偏差后的情况;伽马分析综合了剂量偏差与距离吻合度的情况;
如果比较结果在预设范围,则可执行该理想放射治疗计划630;否则不通过,需要重新预测一个新的计划,直到通过评估640。
实施例3
本发明还提供了一种计算设备,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智能放疗计划方法的指令,该方法包括如下步骤:
(1)通过计划评估方法筛选理想学习库;
(2)根据筛选得到的理想学习库,通过机器学习方法建立预测理想放射治疗计划的方法:
i.通过机器学习方法学习形成第一神经网络和第二神经网络;
ii.当新病人影像或者模型导入后,通过第一神经网络完成靶区自动勾画;
iii.通过第二神经网络自动预测理想放射治疗计划与理想放射治疗计划结果;
(3)计划确定,通过基于剂量计算的计划确定方法或者基于逆向优化方法的计划确定方法实现。
实施例4
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,所述的一个或多个程序包括指令,所述指令适于由存储器加载并执行上述智能放疗计划方法,该方法包括如下步骤:
(1)通过计划评估方法筛选理想学习库;
(2)根据筛选得到的理想学习库,通过机器学习方法建立预测理想放射治疗计划的方法:
i.通过机器学习方法学习形成第一神经网络和第二神经网络;
ii.当新病人影像或者模型导入后,通过第一神经网络完成靶区自动勾画;
iii.通过第二神经网络自动预测理想放射治疗计划与理想放射治疗计划结果;
(3)计划确定,通过基于剂量计算的计划确定方法或者基于逆向优化方法的计划确定方法实现。
上述实施例1-2提出的智能放疗计划方法能够极速完成放射治疗计划的制定;并且能够自动完成放射治疗计划的制定,大大提高效率;减少医生和物理师的工作负担,缩短了患者的等待时间。
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。
参考文献
[1]Ronneberger,O.,Fischer,P.,&Brox,T.(2015,October).U-net:Convolutional networks for biomedical image segmentation.In InternationalConference on Medical Image Computing and Computer-Assisted Intervention(pp.234-241).Springer,Cham.(中文翻译:U-型网络:用于生物医学图像分割的卷积网络,医学图像计算与计算机辅助干预国际会议。)
[2]Dan N,Long T,Jia X,et al.Dose Prediction with U-net:A FeasibilityStudy for Predicting Dose Distributions from Contours using Deep Learning onProstate IMRT Patients[J].2017.(中文翻译:利用U型网络进行剂量预测------深度学习预测前列腺IMRT患者轮廓剂量分布的可行性研究。)
Claims (10)
1.一种智能放疗计划方法,适于在计算设备中执行,其特征在于:包括如下步骤:
(1)通过计划评估方法筛选理想学习库;
(2)根据筛选得到的理想学习库,通过机器学习方法建立预测理想放射治疗计划的方法:
i.通过机器学习方法学习形成第一和第二神经网络;
ii.当新病人影像或者模型导入后,通过第一神经网络完成靶区自动勾画;
iii.通过第二神经网络自动预测理想放射治疗计划与理想放射治疗计划结果;
(3)计划确定,通过基于剂量计算的计划确定方法或者基于逆向优化方法的计划确定方法实现。
2.根据权利要求1所述的智能放疗计划方法,其特征在于:步骤(1)中,计划评估方法筛选理想数据库是将待筛选的放射治疗计划与医嘱中的放射治疗剂量对比,将待筛选的放射治疗计划的剂量体积直方图和/或等剂量线中的各参数加权评分,判断与医嘱剂量的接近程度,评分结果满足接近程度打分阈值的放射治疗计划筛选进入理想学习库。
3.根据权利要求1所述的智能放疗计划方法,其特征在于:步骤(2)中,所述的理想放射治疗计划包括射野形状与方向、准直器运动序列与方向、剂量率、能量;所述的理想放射治疗计划结果包括理想剂量分布和/或理想剂量体积直方图。
4.根据权利要求1所述的智能放疗计划方法,其特征在于:步骤(3)中,所述的基于剂量计算的评估方法,包括如下步骤:
a)基于步骤(iii)中得到的理想放射治疗计划参数,结合新病人的影像或者模型重新进行剂量计算,得到实际放射治疗计划结果;
b)将步骤a)计算得到的实际放射治疗计划结果与理想放射治疗计划结果比较,如果比较结果在预设范围,则可执行该理想放射治疗计划;否则不通过,需要重新预测一个新的计划,直到通过评估。
5.根据权利要求4所述的智能放疗计划方法,其特征在于:步骤(a)中,所述的剂量计算方法为解析算法或非解析算法;其中解析算法选自笔形束或卷积叠加;所述的非解析算法为蒙特卡罗算法;
或步骤(a)中,实际放射治疗计划结果包括等剂量线、剂量统计直方图中的一种或多种。
6.根据权利要求1所述的智能放疗计划方法,其特征在于:步骤(3)中,所述的逆向优化评估方法,包括如下步骤:
A)结合新病人的影像或者模型,将步骤(iii)得到的理想放射治疗计划结果设置为优化模型中的目标函数或者约束条件,得到实际放射治疗计划;
B)将实际放射治疗计划与理想放射治疗计划比较,如果比较结果在预设范围,则可执行该理想放射治疗计划;否则不通过,需要重新预测一个新的计划,直到通过评估。
7.根据权利要求6所述的智能放疗计划方法,其特征在于:步骤(A)中,所述的优化模型为通量图优化法或直接子野优化法;
步骤(B)中,所述的实际放射治疗计划,包括实际射野形状与方向、准直器运动序列与方向、剂量率、能量;
或步骤(B)中,理想放射治疗计划结果包括剂量分布、剂量体积直方图的一种或者混合。
8.根据权利要求4或6中任一所述的智能放疗计划方法,其特征在于:步骤(b)、步骤(B)中,所述的比较方法包括剂量偏差,距离吻合度,伽马分析,剂量统计直方图。
9.一种计算设备,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权利要求1-8中任一所述的智能放疗计划方法的指令。
10.一种存储一个或多个程序的计算机可读存储介质,所述的一个或多个程序包括指令,所述指令适于由存储器加载并执行上述权利要求1-8中任一所述的智能放疗计划方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711455588.XA CN109979564A (zh) | 2017-12-28 | 2017-12-28 | 一种智能放疗计划方法、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711455588.XA CN109979564A (zh) | 2017-12-28 | 2017-12-28 | 一种智能放疗计划方法、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109979564A true CN109979564A (zh) | 2019-07-05 |
Family
ID=67074244
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711455588.XA Pending CN109979564A (zh) | 2017-12-28 | 2017-12-28 | 一种智能放疗计划方法、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109979564A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111832419A (zh) * | 2020-06-16 | 2020-10-27 | 五邑大学 | 手指静脉验证方法、电子设备和存储介质 |
CN111986777A (zh) * | 2020-07-31 | 2020-11-24 | 上海联影医疗科技股份有限公司 | 放射治疗计划优化系统、装置和存储介质 |
CN112151146A (zh) * | 2020-09-27 | 2020-12-29 | 上海联影医疗科技股份有限公司 | 通量图优化系统、装置和存储介质 |
CN112233200A (zh) * | 2020-11-05 | 2021-01-15 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 剂量确定方法及装置 |
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 |
CN112820377A (zh) * | 2021-02-02 | 2021-05-18 | 中国科学技术大学 | 一种基于深度学习的放疗计划自动生成方法 |
CN114681813A (zh) * | 2020-12-28 | 2022-07-01 | 北京医智影科技有限公司 | 放射治疗自动计划系统、自动计划方法及计算机程序产品 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102184330A (zh) * | 2011-05-09 | 2011-09-14 | 周寅 | 一种基于影像特征和智能回归模型的优化调强放疗计划的方法 |
CN103949015A (zh) * | 2014-04-25 | 2014-07-30 | 北京航空航天大学 | 一种伽玛刀放射治疗逆向计划设计方法 |
CN105031820A (zh) * | 2015-09-01 | 2015-11-11 | 上海联影医疗科技有限公司 | 调强放疗逆向优化方法和装置 |
CN107358600A (zh) * | 2017-06-14 | 2017-11-17 | 北京全域医疗技术有限公司 | 放疗计划中的自动勾靶方法、装置和电子设备 |
CN107441637A (zh) * | 2017-08-30 | 2017-12-08 | 南方医科大学 | 调强放疗计划中三维剂量分布的预测方法及其应用 |
-
2017
- 2017-12-28 CN CN201711455588.XA patent/CN109979564A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102184330A (zh) * | 2011-05-09 | 2011-09-14 | 周寅 | 一种基于影像特征和智能回归模型的优化调强放疗计划的方法 |
CN103949015A (zh) * | 2014-04-25 | 2014-07-30 | 北京航空航天大学 | 一种伽玛刀放射治疗逆向计划设计方法 |
CN105031820A (zh) * | 2015-09-01 | 2015-11-11 | 上海联影医疗科技有限公司 | 调强放疗逆向优化方法和装置 |
CN107358600A (zh) * | 2017-06-14 | 2017-11-17 | 北京全域医疗技术有限公司 | 放疗计划中的自动勾靶方法、装置和电子设备 |
CN107441637A (zh) * | 2017-08-30 | 2017-12-08 | 南方医科大学 | 调强放疗计划中三维剂量分布的预测方法及其应用 |
Non-Patent Citations (1)
Title |
---|
戴建荣等: "调强放疗的计划设计", 《中国医疗器械信息》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111832419A (zh) * | 2020-06-16 | 2020-10-27 | 五邑大学 | 手指静脉验证方法、电子设备和存储介质 |
CN111832419B (zh) * | 2020-06-16 | 2023-11-28 | 五邑大学 | 手指静脉验证方法、电子设备和存储介质 |
CN111986777A (zh) * | 2020-07-31 | 2020-11-24 | 上海联影医疗科技股份有限公司 | 放射治疗计划优化系统、装置和存储介质 |
CN112151146B (zh) * | 2020-09-27 | 2022-08-23 | 上海联影医疗科技股份有限公司 | 通量图优化系统、装置和存储介质 |
CN112151146A (zh) * | 2020-09-27 | 2020-12-29 | 上海联影医疗科技股份有限公司 | 通量图优化系统、装置和存储介质 |
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 |
WO2022088341A1 (zh) * | 2020-10-30 | 2022-05-05 | 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 |
CN112233200A (zh) * | 2020-11-05 | 2021-01-15 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 剂量确定方法及装置 |
CN114681813A (zh) * | 2020-12-28 | 2022-07-01 | 北京医智影科技有限公司 | 放射治疗自动计划系统、自动计划方法及计算机程序产品 |
WO2022142770A1 (zh) * | 2020-12-28 | 2022-07-07 | 北京医智影科技有限公司 | 放射治疗自动计划系统、自动计划方法及计算机程序产品 |
CN114681813B (zh) * | 2020-12-28 | 2023-07-14 | 北京医智影科技有限公司 | 放射治疗自动计划系统、自动计划方法及存储介质 |
CN112820377B (zh) * | 2021-02-02 | 2023-06-20 | 中国科学技术大学 | 一种基于深度学习的放疗计划自动生成方法 |
CN112820377A (zh) * | 2021-02-02 | 2021-05-18 | 中国科学技术大学 | 一种基于深度学习的放疗计划自动生成方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109979564A (zh) | 一种智能放疗计划方法、设备和存储介质 | |
CN107441637B (zh) | 调强放疗计划中三维剂量分布的预测方法及其应用 | |
US11103727B2 (en) | Model based PBS optimization for flash therapy treatment planning and oncology information system | |
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 | |
CN110197709B (zh) | 一种基于深度学习与先验计划的三维剂量预测方法 | |
US10734118B2 (en) | Developing predictive dose-volume relationships for a radiotherapy treatment | |
CN104338240B (zh) | 一种在线自适应放疗计划自动优化装置 | |
RU2684173C2 (ru) | Система и способ для автоматического планирования лечения | |
CN106203432A (zh) | 一种基于卷积神经网显著性图谱的感兴趣区域的定位方法 | |
CN106659564B (zh) | 用于产生毛发移植程序部位的系统和方法 | |
CN110211664A (zh) | 一种基于机器学习自动设计放射治疗方案的系统 | |
US10076673B2 (en) | Interactive dose gradient based optimization technique to control IMRT delivery complexity | |
US11282192B2 (en) | Training deep learning engines for radiotherapy treatment planning | |
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 | |
CN110021399A (zh) | 一种放射治疗计划的自动设计方法 | |
Fan et al. | Verification of the machine delivery parameters of a treatment plan via deep learning | |
Ebrahimi et al. | A reinforcement learning approach for finding optimal policy of adaptive radiation therapy considering uncertain tumor biological response | |
Fan et al. | Independent verification of brachytherapy treatment plan by using deep learning inference modeling | |
Johnson-Hart et al. | Impact of small residual setup errors after image guidance on heart dose and survival in non-small cell lung cancer treated with curative-intent radiotherapy | |
Nguyen et al. | Advances in automated treatment planning | |
Reijtenbagh et al. | Multi-center dosimetric predictions to improve plan quality for brachytherapy for cervical cancer treatment | |
Chung et al. | Comprehensive clinical evaluation of deep learning-based auto-segmentation for radiotherapy in patients with cervical cancer | |
Torshabi et al. | A clinical application of fuzzy logic | |
CN113241151B (zh) | 一种智慧放疗云系统及实现方法 | |
CN115938587A (zh) | 放疗计划的验证方法、装置、计算机设备和存储介质 |
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: 20190705 |