CN110020710B - 一种基于人工蜂群算法的射束方向及权重多目标优化方法 - Google Patents
一种基于人工蜂群算法的射束方向及权重多目标优化方法 Download PDFInfo
- Publication number
- CN110020710B CN110020710B CN201910177140.9A CN201910177140A CN110020710B CN 110020710 B CN110020710 B CN 110020710B CN 201910177140 A CN201910177140 A CN 201910177140A CN 110020710 B CN110020710 B CN 110020710B
- Authority
- CN
- China
- Prior art keywords
- food source
- algorithm
- food
- dose
- beam direction
- 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.)
- Active
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 86
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000004364 calculation method Methods 0.000 claims abstract description 42
- 230000008569 process Effects 0.000 claims abstract description 23
- 210000003484 anatomy Anatomy 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 5
- 235000012907 honey Nutrition 0.000 claims abstract description 4
- 235000013305 food Nutrition 0.000 claims description 127
- 230000006870 function Effects 0.000 claims description 98
- 241000257303 Hymenoptera Species 0.000 claims description 42
- 210000000920 organ at risk Anatomy 0.000 claims description 18
- 230000008021 deposition Effects 0.000 claims description 17
- 230000004907 flux Effects 0.000 claims description 17
- 239000002245 particle Substances 0.000 claims description 16
- 238000005065 mining Methods 0.000 claims description 12
- 238000011282 treatment Methods 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 7
- 231100000987 absorbed dose Toxicity 0.000 claims description 6
- 230000005855 radiation Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 4
- 238000013459 approach Methods 0.000 claims description 3
- 238000004836 empirical method Methods 0.000 claims description 3
- 230000002431 foraging effect Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000011835 investigation Methods 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 4
- 238000000151 deposition Methods 0.000 description 13
- 238000001959 radiotherapy Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 5
- 210000000056 organ Anatomy 0.000 description 5
- 206010028980 Neoplasm Diseases 0.000 description 3
- 238000002721 intensity-modulated radiation therapy Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000011369 optimal treatment Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000000137 annealing Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007721 medicinal effect Effects 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Primary Health Care (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于人工蜂群算法的射束方向及权重多目标优化方法。该方法包括：下载三维CT图像数据集；通过图像处理和解剖结构的三维重建获得三维人体图像；三维人体图像建立之后进入数据输入模块，并把这些数据传输到射束方向及权重多目标优化模型模块中；基于人工蜂群算法对射束方向及权重多目标优化模型模块建立多目标函数；射束方向和权重朝着目标函数的方向同时优化；基于笔形束算法进行剂量计算，模拟剂量分布；输出优化结果，然后实施输出计划。人工蜂群算法是模拟蜜蜂群采蜜过程进行随机优化的一种新型群体智能算法，对于解决复杂的优化问题有良好的效果。
Description
技术领域
本发明涉及剂量计算优化领域，具体涉及一种基于人工蜂群算法的射束方向及权重多目标优化方法。
背景技术
调强放射治疗(IMRT)技术的核心是治疗计划设计与实现，其目标是：根据病变(靶区)及周围重要器官和组织的三维解剖和预定靶区剂量分布，利用优化设计的方法求取所需照射野数目、各照射野的位置及各野内的剂量分布，即根据临床医生给出的射野内空间剂量分布和要实现的临床目标建立目标函数，由计划系统根据采用的优化算法反复迭代寻找最佳的射野参数。
IMRT计划系统的关键技术包括以下三部分：快速及精确的三维剂量计算模型、合适的目标函数(以对剂量大小、剂量均匀性和组织重要程度等进行约束并对计划进行评分)、功能强大的全局逆向优化算法。
(1)快速及精确的三维剂量计算模型
剂量计算的精度取决于剂量计算所需的人体图像信息和剂量计算方法，人体图像信息可通过计算机图像处理和解剖结构的三维重建获得。而剂量计算方法必须给出准确的计算结果而且要花费较少的时间，目前基于模型的剂量计算方法得到了广泛应用，常用的有原射线和散射线剂量分离法、蒙特卡罗法、三维卷积模型等。
(2)合适的目标函数
在放疗的逆向计划当中，一般使用物理和生物两种目标函数。目标函数是通过给定或限定靶区和危及器官应达到的物理剂量分布，实施准确的优化的治疗。而生物目标函数则通过限定应达到要求的治疗效果，如无并发症的肿瘤控制率等，实施最佳的治疗。
(3)功能强大的全局逆向优化算法
根据临床医生给出的射野内空间剂量分布和要实现的临床目标建立目标函数，利用计算机优化技术，由计划系统经过计算机反复迭代运算，寻找最佳的参数配置，使得实际照射的空间剂量分布与医生的处方剂量最接近，这是一个典型的多参数的优化问题。
传统的治疗计划参数优化方法有：线性规划法、均方优化法、梯度法、模拟退火法。每种算法都有其缺点。
线性规划法不足是当不满足约束条件时就不能产生一个近似可行解，而且临床适用或期望的目标函数可能无法用一个线性目标函数来表示；均方优化法与直接用线性规划法相比需要更多计算时间，而且在问题没有解时，不会给出一个可行解；而梯度法应用的前提是要假定仅有一个极值存在，这一假定对于建立在基于剂量的目标函数及仅对射束强度进行优化的情况下是成立的，其他情况下则需事先确定是否存在多个极限值是否会影响该算法的效果；模拟退火法不足是计算十分缓慢，计算时间和内存需求会随参数个数的增加而线性增加。
发明内容
为了解决上述的问题和提高医疗效果，本发明公开了一种基于人工蜂群算法的射束方向及权重多目标优化方法，所述的多目标优化方法利用人工蜂群算法的全局性、鲁棒性、及并行性，模拟蜂群寻找最优解食物的方式来求解优化问题的最优解。射野方向和权重初始化时先随机生成一定数目的个体，然后从中选出最好的个体加入初始群体中。这个过程不断迭代，直到初始群体中的个体数达到预定规模。以初始权重为基础设置射野方向的目标函数，以及在以优化得出方向基础上设置权重的目标函数。接着计算射野方向和权重的适应度值。再根据小幅度的值正负改变射野方向的角度和权重进行领域搜索操作。将这些搜索值放入目标函数中，若目标函数没有达到设定的要求，则重新进行领域搜索操作，直到目标函数达到设定的要求。达到设定的要求后计算剂量，得出剂量分布及输出结果。
本发明的目的至少通过如下技术方案之一实现。
一种基于人工蜂群算法的射束方向及权重多目标优化方法，包括如下步骤：
步骤1：下载三维CT图像数据集；
步骤2：根据步骤1数据集中的图像信息，通过图像处理和解剖结构的三维重建获得三维人体图像；
步骤3：将三维人体图像建立输入到数据输入模块中，数据输入模块把该放射治疗计划系统中的辐射模态、射束方向、射束数量、能量和模体信息传输到射束方向及权重多目标优化模型模块中；
步骤4：根据数据输入模块提供的射束方向、能量以及模体信息，基于人工蜂群算法对射束方向及权重多目标优化模型模块建立多目标函数；
步骤5：射束方向和权重朝着目标函数的方向同时优化，通过人工蜂群算法模拟蜂群寻找最优解食物来优化，最终优化得到射束方向和权重两者的最优解；
步骤6：基于笔形束算法进行剂量计算，模拟剂量分布；
步骤7：输出射束方向和权重优化后的剂量分布结果。
进一步的，步骤2中获得三维人体图像是从分析输入的人体医学影像数据开始，利用计算机进行三维可视化显示，使三维医学影像直观、立体地显示在屏幕上，具体是对已勾画的肿瘤放疗靶区与危及器官进行三维可视化，使医生直接观察器官的结构、形状和大小，以及各个器官的相对位置。
进一步的，所述数据输入模块的作用是调用计算模块的内存获取病人模体的影像学数据、解剖结构和物质成分，根据放射治疗计划系统中的加速器，获取加速器参数附件，以形式参数的形式传给计算模块；所述参数附件包括粒子种类、粒子能量。
所述计算模块主要包括：射束方向及权重多目标优化模型和笔形束剂量计算模型即三维卷积模型。
进一步的，所述步骤3中的射束方向及权重多目标优化模型模块包括射束方向的优化和射束权重的优化，所述射束方向的优化和射束权重的优化均利用人工蜂群算法的多目标约束的特性进行优化。
进一步的，所述射束方向的优化的步骤是：(1)以分辨率为方向角度间隔先建立射野方向解集，然后对射野方向基于经验约束法的初始化，建立领域搜索函数(搜索函数指的是在原来的值的基础上加减一个小幅度的值，比如加减10)为以后领域搜索优化奠定搜索基础；(2)建立射野方向的目标函数，计算射野方向的适应度值；(3)在射野方向的基础上加减小幅度的值以实现领域搜索操作，即领域搜索函数的原理，以此寻找更优的射野方向解。
所述射野权重的优化的步骤是：(1)基于经验法给射野权重设置初始解，为权重建立领域搜索函数，为以后领域搜索优化奠定搜索基础；(2)建立射野权重的目标函数，计算射野权重的适应度值；(3)在射野权重初始解的基础上加减小幅度的值以实现领域搜索操作，即领域搜索函数的原理，以此寻找更优的射野权重解。
进一步的，所述人工蜂群算法是指模拟蜜蜂寻找最优解食物的方式，在人工蜂群算法中，一个食物源的位置代表待优化问题的一个可能的可行解，而求解食物的最优可行解的过程就是寻找高收益度食物的过程，高收益度是根据设置适应度函数来判断食物是否是高收益，该食物的适应度值越高，对应的可行解越好，在初始化阶段，食物源是随机生成的，意味着存有与食物源相同数量的随机可能的可行解；
所述模拟蜂群寻找最优解食物的方式具体是把待优化的两个变量即射束方向和权重分别用不同的食物源表示，再分别用领域搜索法对食物源进行寻找最优解；
判断结果是否为最优解的过程为：采取全局随机性初始化食物源；在人工蜂群算法的操作过程中，以目标函数为结合点，在三维光子笔形束计算模型基础上，通过笔形束剂量沉积核与空气中射束的光通分布进行卷积计算出每个有限尺寸笔射束经过组织点的剂量，从而得出依次迭代优化两个变量后的剂量分布，用此剂量分布来判别优化两个变量后的剂量分布是否达到了临床要求。
进一步的，所述人工蜂群算法如下：
初始化种群大小SN，采蜜蜂和观察蜂的数量各占种群大小一半FN＝SN/2，食物源数量等于采蜜蜂的数量FN；
X＝[X1,X2,...XFN],Xi＝[xi1,xi2,...,xij,...,xiD]，i＝1,2,...FN,xij为第i个向量的第j维的取值，xiD为第i个向量的第D维的取值，X表示可行解的解集，其中，可行解的数量有FN个；Xi表示第i个可行解向量；初始化xij，根据公式(1)产生xij：
其中rand表示在[0,1]上的随机数，分别代表维数为j时搜索空间的上界和下界，同时，根据所述的适应度函数，对每个食物源计算的适应度值，适应度函数如下：
上式中的f(xi)表示对应优化问题的目标函数值，其中目标函数为公式(5)、(6)、(7)、(8)，对食物源初始化之后，整个人工蜂群算法进入采蜜蜂、观察蜂、侦察蜂三个阶段的循环，直至满足某个条件，完成搜索任务即搜索出问题的最优解。
进一步的，所述采蜜蜂、观察蜂、侦察蜂三个阶段的搜索过程如下：
(1)采蜜蜂阶段
每个食物源仅由一只采蜜蜂进行开采，在ABC算法即人工蜂群算法中，每个采蜜蜂对其所在的食物源处Xi周围产生一个随机的扰动，产生一个候选解Vi，其扰动过程由下式确定：
Vi＝Xi+φ(Xi-Xk)，i＝1,2,...FN i≠k (3)
其中，Xi为搜索空间中第i个食物源，Xk为在其领域内随机选取的不同于Xi的另一个候选食物源，φ∈[-1,1]为服从均匀分布的随机数，利用随机选取的食物源Xk，由Xi-Xk差值作为对当前食物源Xi的扰动项，以生成新的候选解；在公式(3)中，当搜索过程接近问题的最优解时，扰动项Xi-Xk会自适应的减小，有利于提高算法的局部开采能力；
(2)观察蜂阶段
在蜂群觅食过程中，观察蜂驻留在巢穴周围，通过观察采蜜蜂所携带的各自食物源信息飞往优质食物源处，在ABC算法中，对采蜜蜂阶段的每个食物源，利用公式(4)计算对应的收益率在整个种群中的概率：
其中fitnessi表示第i个食物源的适应度值，对应的Pi为该食物源的收益率在整个蜂群中所占的百分比，Pi越大说明相应的食物源越好，对优化问题来说其可行解的质量更高，同时，Pi越大，能吸引越多的观察蜂前往采蜜，以期发现更多的潜在优质食物源；当巢穴周围的观察蜂被以Pi的概率招募到优质食物源处进行开采，收益率越大的食物源处将聚集越多的采蜜蜂，以提高在局部发现最优解的可能性，提高人工蜂群算法的局部开采能力；在被招募之后，观察蜂转变为采蜜蜂，采用公式(3)的局部搜索策略进行开采并以贪婪算法确保整个种群向最优方向发展；
(3)侦查蜂阶段
侦察蜂主要就是不断地寻找新的食物源，在ABC算法中，当一个食物源经过采蜜蜂和观察蜂阶段若干次开采之后，仍得不到得到更好的治疗方案，该食物源将被抛弃，进而随机选取新的食物源，一个食物源的开采上限是ABC算法中特有的一个参数，记为limit，如果开采次数counter＞limit，该食物源将被淘汰，进而根据公式(1)随机选取新的食物源，同时将计数器counter置0；
记录此次循环中搜索到的最优食物源对应的最优解即最优解向量，记算法迭代次数为cycle，算法每迭代一次，执行cycle＝cycle+1,；若cycle＞max cycle，循环结束，否则跳转至采蜜蜂阶段继续执行。
所述步骤4的对射束方向及权重多目标优化模型模块建立多目标函数如下；
多目标函数指的是不同的目标函数，目标函数采用的是基于剂量-体积的目标函数，对于危及器官，要求吸收剂量应小于某一阈值将这一限制引入目标函数；对于目标靶区，要求吸收剂量有上下限，上限设为/>下限设为/>
将人体三维结构按分辨率分成数量为M的体素，则Dj表示第j个体素的剂量，每个笔形束的权重设为wi，公式(5)和公式(6)中，OFT和OFOAR代表两个优化目标，分别是靶区的函数值和危及器官的函数值，NT和NOAR分别代表靶区和危及器官上的采样点数量，和/>分别表示靶区和危及器官上每个采样点的剂量；
目标靶区因为有上下限的剂量约束，所以每个目标靶区有两个子目标函数，公式(5)和公式(6)分别为目标靶区的两个子目标函数:
当x≥0时C+＝1，否则C+＝0，其中，C+表示系数0或1；
危及器官的子目标函数为：
则总的目标函数设定为：
其中，对应的是各项目标函数的惩罚因子，OFp()表示总的目标函数。
进一步的，所述笔形束剂量计算模型用于剂量计算，笔形束剂量计算模型通过笔形束算法实现；
所述笔形束剂量计算模型包括：笔形束剂量沉积核和入射粒子能量通量，其中笔形束剂量沉积核描述了细光束入射到无限大介质中的能量分布，笔形束剂量沉积核用蒙特卡罗法模拟或用实验测量推导得到分矩阵模型或解析公式；每个空间点都有不同的入射粒子能量通量，入射粒子能量通量是指模体或病人体中相应空间点的粒子通量；笔形束剂量沉积核和入射粒子能量通量做二维卷积叠加运算得到任意点的剂量D(r)，公式表示如下：
设r为模体内任意点：
D(r)＝∫E∫∫sφE(s)Π(E,r,s)dEd2s (9)
公式(9)中的s表示射野，φE表示能量为E的粒子的能量通量，Π是预先计算的笔形束剂量沉积核，d表示计算点深度，在不同入射点s和不同的r处笔形束剂量沉积核是不同的，公式(9)采用空间不变的笔形束剂量沉积核进行计算。
本发明的优点或有益效果在于：
人工蜂群算法是一类新型全局优化搜索技术，模拟蜂群寻找最优解食物的方式来求解优化问题的最优解。主要优点在于其本质上的并行性和广泛的可适用性(如对目标函数的形态无特殊要求，甚至可以没有明确表达式)与全局优化性能。该优化方法有利于精确放疗的实现。
本发明所用的剂量计算就是三维卷积模型。由于卷积模型可以通过快速傅里叶变换实现，从而大大提高计算速度，目前卷积技术得到了广泛应用，本发明通过卷积建立了基于笔形束剂量计算模型，取得了较好的效果。
附图说明
图1为本实施例基于人工蜂群算法的射束方向及权重多目标优化方法流程图。
图2为本实施例的人工蜂群算法工作原理图。
图3为本实施例人工蜂群算法的射束方向及权重多目标优化的流程图。
具体实施方式
下面对本发明作进一步详细的描述，但本发明的实施方式不限于此。
一种基于人工蜂群算法的射束方向及权重多目标优化方法，如图1所示，具体包括如下步骤：
步骤1：通过下载三维CT图像数据集获取和显示CT图像。
步骤2：根据步骤1数据集中的图像信息，通过计算机图像处理和解剖结构的三维重建获得三维人体图像，然后医师在三维人体图像中人工勾画感兴趣区轮廓。人工勾画感兴趣区轮廓包括设置设置射束方向，约束射束方向和设置约束条件射野。图中设置射束方向和约束射束方向是设置射束方向集合中两两射束方向间距，来确定射束方向的初始值，从而形成初始种群，设置约束条件射野是设置每个射野之间的间隙。
三维人体图像是从分析输入的人体医学影像数据开始，利用计算机进行三维可视化显示，使三维医学影像直观、立体地显示在电脑屏幕上。对已勾画的肿瘤放疗靶区与危及器官进行三维可视化，使医生可以直接观察器官的结构、形状和大小，以及各个器官的相对位置。
步骤3：三维人体图像建立之后进入数据输入模块，数据输入模块把输入计划系统中的辐射模态、射束方向、射束数量、能量、模体信息传输到射束方向及权重多目标优化模型模块里。
数据输入模块的作用是调用计算模块的函数/模块从内存中获取病人/模体影像学数据、解剖结构和物质成分等，根据加速器设置，获取加速器参数和参数器附件参数等，以形参的形式传给计算模块。
计算模块主要包含：含有多目标函数的多目标优化模型模块和笔形束剂量计算模型。
所述射束方向及权重多目标优化模型模块包括射束方向的优化和射束权重的优化。两处优化都利用了人工蜂群算法的多目标约束的特性，通过人工蜂群算法的优化，最终得到更好的治疗方案对应的射束方向和射野权重。射束方向的优化和射束权重的优化是一个逆向问题，是强调放射治疗技术的核心部分。放疗医师基于诊断信息、医学知识和放疗经验，提出针对某个病例的剂量分布要求，强调放射治疗计划系统在解决了剂量计算问题的基础上，对加速器输出的方向及权重分布进行优化，得出一个满足放疗医师要求的治疗方案。
步骤4：根据数据输入模块提供的射束方向和能量，以及模体信息等，基于人工蜂群算法对射束方向及权重多目标优化模型模块建立多目标函数。
多目标函数指的是不同的目标函数，目标函数采用的是基于剂量-体积的目标函数，对于危及器官，要求吸收剂量应小于某一阈值将这一限制引入目标函数；对于目标靶区，要求吸收剂量有上下限，上限设为/>下限设为/>
将人体三维结构按分辨率分成数量为M的体素，则Dj表示第j个体素的剂量。每个笔形束的的权重设为wi。公式(5)、公式(6)中，OFT和OFOAR代表两个优化目标，分别是靶区的函数值和危及器官的函数值。NT和NOAR分别代表靶区和危及器官上的采样点数量，和分别表示靶区和危及器官上每个采样点的剂量。
目标靶区因为有上下限的剂量约束，所以每个目标靶区有两个子目标函数：
当x≥0时C+＝1，否则C+＝0，其中，C+表示系数0或1；
危及器官的子目标函数为：
则总的目标函数可以设定为：
其中，对应的是各项目标函数的惩罚因子，OFp()表示总的目标函数。
步骤5：射束方向和权重朝着目标函数的方向同时优化，通过人工蜂群算法模拟蜂群寻找最优解食物来优化，最终优化得到射束方向和权重两者的最优解；
所述射束方向及权重多目标优化模型模块包括射束方向的优化和射束权重的优化，所述射束方向的优化和射束权重的优化均利用人工蜂群算法的多目标约束的特性进行优化，通过人工蜂群算法的优化，最终得到更好的治疗方案对应的射束方向和射野权重。
所述射束方向的优化的步骤是：(1)以分辨率(常见参数为10°)为方向角度间隔先建立射野方向解集，然后对射野方向基于经验约束法的初始化，建立领域搜索函数，为以后领域搜索优化奠定搜索基础；(2)建立射野方向的目标函数，计算射野方向的适应度值；(3)在射野方向的基础上加减小幅度的值以实现领域搜索操作，即领域搜索函数的原理，以此寻找更优的射野方向解。
所述射野权重的优化的步骤是：(1)基于经验法给射野权重设置初始解，为权重建立领域搜索函数，为以后领域搜索优化奠定搜索基础；(2)建立射野权重的目标函数，计算射野权重的适应度值；(3)在射野权重初始解的基础上加减小幅度的值以实现领域搜索操作，即领域搜索函数的原理，以此寻找更优的射野权重解。
对射束方向和权重都进行领域搜索后计算它们的目标函数值是否达到设定的要求，如果达到则已优化出治疗方案的最优解，如果没达到，则要重新加减小幅度的值进行领域搜索寻找下一套解是否达到设定要求。
所述人工蜂群算法是指模拟蜜蜂寻找最优解食物的方式，在人工蜂群算法中，一个食物源的位置代表待优化问题的一个可能的可行解，而求解食物的最优可行解的过程就是寻找高收益度食物的过程，高收益度是根据设置适应度函数来判断食物是否是高收益，该食物的适应度值越高，对应的可行解越好，在初始化阶段，食物源是随机生成的，意味着存有与食物源相同数量的随机可能的可行解。
所述模拟蜂群寻找最优解食物的方式具体是把待优化的两个变量即射束方向和权重分别用不同的食物源表示，再分别用领域搜索法对食物源进行寻找最优解。
如图2所示，所述人工蜂群算法如下：
初始化种群大小SN，采蜜蜂和观察蜂的数量各占种群大小一半FN＝SN/2，食物源数量等于采蜜蜂的数量FN。
X＝[X1,X2,...XFN],Xi＝[xi1,xi2,...xiD],i＝1,2,...FN,xij为第i个向量的第j维的取值，xiD为第i个向量的第D维的取值，X表示可行解的解集，其中，可行解的数量有FN个；Xi表示第i个可行解向量；初始化xij，根据公式(1)产生xij：
其中rand表示在[0,1]上的随机数，分别代表维数为j时搜索空间的上界和下界，同时，根据所述的适应度函数，对每个食物源计算的适应度值，适应度函数如下：
上式中的f(xi)表示对应优化问题的目标函数值，其中目标函数为公式(5)、(6)、(7)、(8)，对食物源初始化之后，整个人工蜂群算法进入采蜜蜂、观察蜂、侦察蜂三个阶段的循环，直至满足某个条件，完成搜索任务即搜索出问题的最优解。
采蜜蜂、观察蜂、侦察蜂三个阶段的搜索过程如下：
(1)采蜜蜂阶段
每个食物源仅由一只采蜜蜂进行开采，即食物源数量与采蜜蜂相等。在ABC算法中，每个采蜜蜂对其所在的食物源处Xi附近产生一个随机的扰动，产生一个候选解Vi，其扰动过程由下式确定：
Vi＝Xi+φ(Xi-Xk)，i＝1,2,...FN i≠k (3)
其中，Xi为搜索空间中第i个食物源，Xk为在其领域内随机选取的不同于Xi的另一个候选食物源，φ∈[-1,1]为服从均匀分布的随机数，利用随机选取的食物源Xk，由Xi-Xk差值作为对当前食物源Xi的扰动项，以生成新的候选解；在公式(3)中，当搜索过程接近问题的最优解时，扰动项Xi-Xk会自适应的减小，有利于提高算法的局部开采能力。
(2)观察蜂阶段
在蜂群觅食过程中，观察蜂驻留在巢穴周围，通过观察采蜜蜂所携带的各自食物源信息飞往优质食物源处。在ABC算法中，对采蜜蜂阶段的每个食物源，利用公式(4)计算对应的收益率在整个种群中的概率：
其中fitnessi表示第i个食物源的适应度值，对应的Pi为该食物源的收益率在整个蜂群中所占的百分比，Pi越大说明相应的食物源越好，对优化问题来说其解的质量更高。对Pi高者，能吸引更多的观察蜂前往采蜜，以期发现更多的潜在优质食物源。当巢穴周围的观察蜂被以较大的概率招募到优质食物源处进行开采，收益率较大的食物源处将聚集更多的采蜜蜂，以提高在局部发现最优解的可能性，提高算法的局部“开采”能力。在“被招募”之后，观察蜂转变为采蜜蜂，采用公式(3)的局部搜索策略进行开采并以贪婪算法确保整个种群向最优方向发展。
(3)侦察蜂阶段
在ABC算法中，当一个食物源经过采蜜蜂和观察蜂阶段多次开采之后，其解的质量仍得不到改进，该食物源将被抛弃，进而随机选取新的食物源，侦察蜂主要就是不断地寻找新的食物源。这个开采的上限是ABC算法中特有的一个参数，记为limit，如果开采次数counter＞limit，该食物源将被淘汰，进而根据公式(1)随机选取新的食物源，同时将计数器counter置0。
记录此次循环中搜索到的最优食物源对应的解向量，，记算法迭代次数为cycle，算法每迭代一次，cycle＝cycle+1,；若cycle＞max cyci(迭代次数)，循环结束，否则跳转至采蜜蜂阶段继续执行。
若初始化的食物源和领域搜索的食物源的适应度不能达到要求，则放弃食物源，重新生成初始化或者领域搜索生成新的食物源；若食物源达到适应度的要求，则记录下最优食物源，作为这次优化的最优解。
判断结果是否为最优解的过程为：采取全局随机性初始化食物源；在人工蜂群算法的操作过程中，以目标函数为结合点，在三维光子笔形束计算模型基础上，通过笔形束剂量沉积核与空气中射束的光通分布进行卷积计算出每个有限尺寸笔射束经过组织点的剂量，从而得出依次迭代优化两个变量后的剂量分布，用此剂量分布来判别优化两个变量后的剂量分布是否达到了临床要求。
步骤6：基于笔形束算法进行剂量计算，模拟剂量分布。
笔形束剂量计算模型指的是剂量计算使用笔形束算法实现。
笔形束计算模型主要由两部分组成：笔形束剂量沉积核和入射粒子能量通量。其中笔形束剂量沉积核描述细光束入射到无限大介质中的能量分布，它可用蒙特卡罗法模拟或用实验测量推导得到，分矩阵模型或解析公式两种；入射粒子通量是指模体或病人体中相应空间点的粒子通量。两者做二维卷积叠加运算得到任意点的剂量D，公式表示如下：
设r为模体内任意点：
D(r)＝∫E∫∫sφE(s)Π(E,r,s)dEd2s (9)
公式(9)中φ是入射粒子通量，Π是预先计算的笔形束剂量沉积核。在不同入射点s和不同的r处笔形束剂量沉积核应该是不同的。为了计算方便，公式(9)采用空间不变的笔形束剂量沉积核进行计算。
步骤7：输出射束方向和权重优化后的剂量分布结果，然后医师从系统输出的优化结果中评估输出最终的治疗方案，然后实施输出治疗方案。
以上所述的方案步骤，仅为本发明较佳的实施例子，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明所公开的范围内，根据本发明的技术方案及其发明构思加以同等替换或改变，都属于本发明的保护范围。
Claims (4)
1.一种基于人工蜂群算法的射束方向及权重多目标优化方法，其特征在于，包括如下步骤：
步骤1：下载三维CT图像数据集；
步骤2：根据步骤1数据集中的图像信息，通过图像处理和解剖结构的三维重建获得三维人体图像；
步骤3：将三维人体图像输入到数据输入模块中，数据输入模块把放射治疗计划系统中的辐射模态、射束方向、射束数量、能量和模体信息传输到射束方向及权重多目标优化模型模块中；
步骤4：根据数据输入模块提供的射束方向、能量以及模体信息，基于人工蜂群算法对射束方向及权重多目标优化模型模块建立多目标函数；
所述人工蜂群算法是指模拟蜂群寻找最优解食物的方式，在人工蜂群算法中，一个食物源的位置代表待优化问题的一个可能的可行解，而求解食物的最优可行解的过程就是寻找高收益度食物的过程，所述高收益度是根据设置适应度函数来判断食物是否是高收益，该食物的适应度值越高，对应的可行解越好，在初始化阶段，食物源是随机生成的，意味着存有与食物源相同数量的随机可能的可行解；
模拟蜂群寻找最优解食物的方式具体是把待优化的两个变量即射束方向和权重分别用不同的食物源表示，再分别用领域搜索法对食物源进行寻找最优解；
判断结果是否为最优解的过程为：采取全局随机性初始化食物源；在人工蜂群算法的操作过程中，以目标函数为结合点，在三维光子笔形束计算模型基础上，通过笔形束剂量沉积核与空气中射束的光通分布进行卷积计算出每个有限尺寸笔射束经过组织点的剂量，从而得出依次迭代优化两个变量后的剂量分布，用此剂量分布来判别优化两个变量后的剂量分布是否达到了临床要求；
对射束方向及权重多目标优化模型模块建立多目标函数如下：
多目标函数指的是不同的目标函数，目标函数采用的是基于剂量-体积的目标函数，对于危及器官，要求吸收剂量应小于某一阈值将这一限制引入目标函数；对于目标靶区，要求吸收剂量有上下限，上限设为/>下限设为/>
将人体三维结构按分辨率分成数量为M的体素，则Dj表示第j个体素的剂量，每个笔形束的权重设为wi，公式(5)和公式(6)中，OFT和OFOAR代表两个优化目标，分别是靶区的函数值和危及器官的函数值，NT和NOAR分别代表靶区和危及器官上的采样点数量，和/>分别表示靶区和危及器官上每个采样点的剂量；
目标靶区因为有上下限的剂量约束，所以每个目标靶区有两个子目标函数，公式(5)和公式(6)分别为目标靶区的两个子目标函数:
其中，C+表示系数0或1；
危及器官的子目标函数为：
则总的目标函数设定为：
其中，对应的是各项子目标函数的惩罚因子，OFp()表示总的目标函数；
步骤5：射束方向和权重朝着目标函数的方向同时优化，通过人工蜂群算法模拟蜂群寻找最优解食物来优化，最终优化得到射束方向和权重两者的最优解；
步骤6：基于笔形束算法进行剂量计算，模拟剂量分布；
步骤7：输出射束方向和权重优化后的剂量分布结果，实施输出计划；
所述人工蜂群算法如下：
初始化种群大小SN，采蜜蜂和观察蜂的数量各占种群大小一半FN＝SN/2，食物源数量等于采蜜蜂的数量FN；
X＝[X1,X2,...XFN],Xi＝[xi1,xi2,...,xij,...,xiD]，i＝1,2,...FN,xij为第i个向量的第j维的取值，xiD为第i个向量的第D维的取值，X表示可行解的解集，其中，可行解的数量有FN个；Xi表示第i个可行解向量；初始化xij，根据公式(1)产生xij：
其中rand表示在[0,1]上的随机数，分别代表维数为j时搜索空间的上界和下界，同时，根据所述的适应度函数，对每个食物源计算适应度值，适应度函数如下：
上式中的f(xi)表示对应优化问题的目标函数值，其中目标函数为公式(5)、(6)、(7)、(8)，对食物源初始化之后，整个人工蜂群算法进入采蜜蜂、观察蜂、侦察蜂三个阶段的循环，直至满足某个条件，完成搜索任务即搜索出问题的最优解；
笔形束计算模型由两部分组成：笔形束剂量沉积核和入射粒子能量通量；其中笔形束剂量沉积核描述细光束入射到无限大介质中的能量分布，可用蒙特卡罗法模拟或用实验测量推导得到，分矩阵模型或解析公式两种；入射粒子能量通量是指模体或病人体中相应空间点的粒子通量；两者做二维卷积叠加运算得到任意点的剂量D，公式表示如下：
设r为模体内任意点：
D(r)＝∫E∫∫sφE(s)Π(E,r,s)dEd2s (9)
公式(9)中φE表示能量为E的粒子的能量通量，Π是预先计算的笔形束剂量沉积核；在不同入射点s和不同的r处笔形束剂量沉积核应该是不同的；为了计算方便，公式(9)采用空间不变的沉积核进行计算。
2.根据权利要求1所述的射束方向及权重多目标优化方法，其特征在于，所述步骤3中的射束方向及权重多目标优化模型模块包括射束方向的优化和射束权重的优化，所述射束方向的优化和射束权重的优化均利用人工蜂群算法的多目标约束的特性进行优化。
3.根据权利要求2所述的射束方向及权重多目标优化方法，其特征在于，射束方向的优化的步骤是：(1)以分辨率为方向角度间隔先建立射束方向解集，然后对射束方向基于经验约束法的初始化，建立领域搜索函数，为以后领域搜索优化奠定搜索基础；(2)建立射束方向的目标函数，计算射束方向的适应度值；(3)在射束方向的基础上加减小幅度的值以实现领域搜索操作，即领域搜索函数的原理，以此寻找更优的射束方向解；
射束权重的优化的步骤是：(1)基于经验法给射束权重设置初始解，为权重建立领域搜索函数，为以后领域搜索优化奠定搜索基础；(2)建立射束权重的目标函数，计算射束权重的适应度值；(3)在射束权重初始解的基础上加减小幅度的值以实现领域搜索操作，即领域搜索函数的原理，以此寻找更优的射束权重解。
4.根据权利要求1所述的射束方向及权重多目标优化方法，其特征在于，所述采蜜蜂、观察蜂、侦察蜂三个阶段的搜索过程如下：
(1)采蜜蜂阶段
每个食物源仅由一只采蜜蜂进行开采，在ABC算法即人工蜂群算法中，每个采蜜蜂对其所在的食物源处Xi周围产生一个随机的扰动，产生一个候选解Vi，其扰动过程由下式确定：
Vi＝Xi+φ(Xi-Xk)，i＝1,2,...FN i≠k (3)
其中，Xi为搜索空间中第i个食物源，Xk为在其领域内随机选取的不同于Xi的另一个候选食物源，φ∈[-1,1]为服从均匀分布的随机数，利用随机选取的食物源Xk，由Xi-Xk差值作为对当前食物源Xi的扰动项，以生成新的候选解；在公式(3)中，当搜索过程接近问题的最优解时，扰动项Xi-Xk会自适应的减小，有利于提高算法的局部开采能力；
(2)观察蜂阶段
在蜂群觅食过程中，观察蜂驻留在巢穴周围，通过观察采蜜蜂所携带的各自食物源信息飞往优质食物源处，在ABC算法中，对采蜜蜂阶段的每个食物源，利用公式(4)计算对应的收益率在整个种群中的概率：
其中fitnessi表示第i个食物源的适应度值，对应的Pi为该食物源的收益率在整个蜂群中所占的百分比，Pi越大说明相应的食物源越好，对优化问题来说其可行解的质量更高，同时，Pi越大，能吸引越多的观察蜂前往采蜜，以期发现更多的潜在优质食物源；当巢穴周围的观察蜂被以Pi的概率招募到优质食物源处进行开采，收益率越大的食物源处将聚集越多的采蜜蜂，以提高在局部发现最优解的可能性，提高人工蜂群算法的局部开采能力；在被招募之后，观察蜂转变为采蜜蜂，采用公式(3)的局部搜索策略进行开采并以贪婪算法确保整个种群向最优方向发展；
(3)侦查蜂阶段
侦察蜂不断地寻找新的食物源，在ABC算法中，当一个食物源经过采蜜蜂和观察蜂阶段若干次开采之后，仍得不到得到更好的治疗方案，该食物源将被抛弃，进而随机选取新的食物源，一个食物源的开采上限是ABC算法中特有的一个参数，记为limit，如果开采次数counter＞limit，该食物源将被淘汰，进而根据公式(1)随机选取新的食物源，同时将计数器counter置0；
记录此次循环中搜索到的最优食物源对应的最优解即最优解向量，记算法迭代次数为cycle，算法每迭代一次，执行cycle＝cycle+1,；若cycle＞max(cycle)，循环结束，否则跳转至采蜜蜂阶段继续执行。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910177140.9A CN110020710B (zh) | 2019-03-08 | 2019-03-08 | 一种基于人工蜂群算法的射束方向及权重多目标优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910177140.9A CN110020710B (zh) | 2019-03-08 | 2019-03-08 | 一种基于人工蜂群算法的射束方向及权重多目标优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110020710A CN110020710A (zh) | 2019-07-16 |
| CN110020710B true CN110020710B (zh) | 2023-10-27 |
Family
ID=67189391
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910177140.9A Active CN110020710B (zh) | 2019-03-08 | 2019-03-08 | 一种基于人工蜂群算法的射束方向及权重多目标优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110020710B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111790065A (zh) * | 2020-08-11 | 2020-10-20 | 北京易康医疗科技有限公司 | 一种针对肿瘤的多线束联合放射治疗方法 |
| CN112529253B (zh) * | 2020-11-18 | 2024-04-12 | 国网青海省电力公司 | 基于内点解耦法与线性混合整数规划法的区域电网动态无功优化方法 |
| CN112972912B (zh) * | 2021-04-22 | 2021-08-17 | 北京大学第三医院（北京大学第三临床医学院） | 非共面放疗射束入射路径优化方法 |
| CN113592516B (zh) * | 2021-08-04 | 2023-11-21 | 贝壳找房(北京)科技有限公司 | 基于偏置项的重要度确定方法与确定得分的方法 |
| CN117524502B (zh) * | 2024-01-04 | 2024-03-22 | 安徽大学 | 一种基于模式挖掘的调强放射治疗多目标射束优化方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1205863A1 (en) * | 2000-11-14 | 2002-05-15 | Honda R&D Europe (Deutschland) GmbH | Multi-objective optimization |
| CN1604134A (zh) * | 2003-11-26 | 2005-04-06 | 戴建荣 | 优化放疗射野方向和强度分布的方法和系统 |
| CN101422640A (zh) * | 2008-11-25 | 2009-05-06 | 中国科学院等离子体物理研究所 | 优化放射治疗射束强度分布的多目标优化方法和系统 |
| CN103083821A (zh) * | 2013-01-27 | 2013-05-08 | 合肥超安医疗科技有限公司 | 一种直接优化静态调强子野形状及其机器跳数的系统和方法 |
| CN103143123A (zh) * | 2013-01-10 | 2013-06-12 | 合肥超安医疗科技有限公司 | 一种基于蚁群算法的射束方向多目标优化系统及方法 |
| CN103927580A (zh) * | 2014-04-25 | 2014-07-16 | 哈尔滨工程大学 | 一种基于改进人工蜂群算法的工程约束参数优化方法 |
| CN106875050A (zh) * | 2017-04-01 | 2017-06-20 | 哈尔滨工业大学 | 一种基于改进混沌蜂群算法的工程约束参数优化方法 |
| CN108415058A (zh) * | 2018-01-23 | 2018-08-17 | 深圳市旭东数字医学影像技术有限公司 | 放射线的剂量计算方法及系统 |
| CN109272137A (zh) * | 2018-07-13 | 2019-01-25 | 兰州交通大学 | 一种基于交叉全局人工蜂群算法的资源调度优化方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2575965A4 (en) * | 2010-06-07 | 2013-12-11 | Univ Manitoba | METHOD FOR MULTI-OBJECTIVE RADIOTHERAPY OPTIMIZATION |
| US20150202464A1 (en) * | 2014-01-23 | 2015-07-23 | Mitsubis | Multi-Criteria Optimization in Particle Beam Dose Optimization |
| WO2015168431A1 (en) * | 2014-04-30 | 2015-11-05 | Stc.Unm | Optimization methods for radiation therapy planning |
-
2019
- 2019-03-08 CN CN201910177140.9A patent/CN110020710B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1205863A1 (en) * | 2000-11-14 | 2002-05-15 | Honda R&D Europe (Deutschland) GmbH | Multi-objective optimization |
| CN1604134A (zh) * | 2003-11-26 | 2005-04-06 | 戴建荣 | 优化放疗射野方向和强度分布的方法和系统 |
| CN101422640A (zh) * | 2008-11-25 | 2009-05-06 | 中国科学院等离子体物理研究所 | 优化放射治疗射束强度分布的多目标优化方法和系统 |
| CN103143123A (zh) * | 2013-01-10 | 2013-06-12 | 合肥超安医疗科技有限公司 | 一种基于蚁群算法的射束方向多目标优化系统及方法 |
| CN103083821A (zh) * | 2013-01-27 | 2013-05-08 | 合肥超安医疗科技有限公司 | 一种直接优化静态调强子野形状及其机器跳数的系统和方法 |
| CN103927580A (zh) * | 2014-04-25 | 2014-07-16 | 哈尔滨工程大学 | 一种基于改进人工蜂群算法的工程约束参数优化方法 |
| CN106875050A (zh) * | 2017-04-01 | 2017-06-20 | 哈尔滨工业大学 | 一种基于改进混沌蜂群算法的工程约束参数优化方法 |
| CN108415058A (zh) * | 2018-01-23 | 2018-08-17 | 深圳市旭东数字医学影像技术有限公司 | 放射线的剂量计算方法及系统 |
| CN109272137A (zh) * | 2018-07-13 | 2019-01-25 | 兰州交通大学 | 一种基于交叉全局人工蜂群算法的资源调度优化方法 |
Non-Patent Citations (1)
| Title |
|---|
| 人工蜂群算法优化SVR的预测模型;高雷阜等;《计算机工程与应用》;20150313;第52卷(第11期);第55-59,76页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110020710A (zh) | 2019-07-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110020710B (zh) | 一种基于人工蜂群算法的射束方向及权重多目标优化方法 | |
| Miao et al. | Real-time 2D/3D registration via CNN regression | |
| Woźniak et al. | Bio-inspired methods modeled for respiratory disease detection from medical images | |
| JP6754841B2 (ja) | 医用画像データに基づく幾何学的モデルの設定方法 | |
| Naik et al. | An entropy minimization based multilevel colour thresholding technique for analysis of breast thermograms using equilibrium slime mould algorithm | |
| CN108770373A (zh) | 使用特征回归模型根据mr数据的伪ct生成 | |
| Bicakci et al. | Metabolic imaging based sub-classification of lung cancer | |
| CN108778416A (zh) | 使用组织参数估计根据mr数据的伪ct生成 | |
| Girum et al. | Fast interactive medical image segmentation with weakly supervised deep learning method | |
| JP6938647B2 (ja) | 医用画像データに基づく平滑化幾何的モデルの構築方法 | |
| Song et al. | Denoising of MR and CT images using cascaded multi-supervision convolutional neural networks with progressive training | |
| Neishabouri et al. | Long short‐term memory networks for proton dose calculation in highly heterogeneous tissues | |
| CN114846476A (zh) | 训练用于放射疗法治疗计划的深度学习引擎 | |
| Nguyen et al. | Advances in automated treatment planning | |
| Fallahi et al. | A discrete differential evolution with local search particle swarm optimization to direct angle and aperture optimization in IMRT treatment planning problem | |
| Wang et al. | Deep learning-based head and neck radiotherapy planning dose prediction via beam-wise dose decomposition | |
| Imran et al. | Personalized CT organ dose estimation from scout images | |
| Chakraborty et al. | Fuzzy and elitist cuckoo search based microscopic image segmentation approach | |
| Boorboor et al. | NeuRegenerate: A framework for visualizing neurodegeneration | |
| Dickson et al. | An integrated 3D-sparse deep belief network with enriched seagull optimization algorithm for liver segmentation | |
| Nakao et al. | Visualizing in vivo brain neural structures using volume rendered feature spaces | |
| Kikuchi et al. | Future of artificial intelligence and nuclear cardiology | |
| Kaur et al. | A Study of Particle Swarm Optimization based K-means Clustering for Detection of Dental Caries in Dental X-ray Images. | |
| Wen et al. | Registration of 3D Triangular Models to 2D X-ray Projections Using Black-box Optimisation and X-ray Simulation. | |
| Shi et al. | Research on the key technology of image guided surgery |
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 |