CN110141801A - 面向近距离粒子内放疗手术智能剂量规划方法 - Google Patents

面向近距离粒子内放疗手术智能剂量规划方法 Download PDF

Info

Publication number
CN110141801A
CN110141801A CN201910412352.0A CN201910412352A CN110141801A CN 110141801 A CN110141801 A CN 110141801A CN 201910412352 A CN201910412352 A CN 201910412352A CN 110141801 A CN110141801 A CN 110141801A
Authority
CN
China
Prior art keywords
case
dosage
priori
target area
dose
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
Application number
CN201910412352.0A
Other languages
English (en)
Other versions
CN110141801B (zh
Inventor
姜杉
汪露
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin University
Original Assignee
Tianjin University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tianjin University filed Critical Tianjin University
Priority to CN201910412352.0A priority Critical patent/CN110141801B/zh
Publication of CN110141801A publication Critical patent/CN110141801A/zh
Application granted granted Critical
Publication of CN110141801B publication Critical patent/CN110141801B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N5/00—Radiation therapy
    • A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
    • A61N5/1001—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy using radiation sources introduced into or applied onto the body; brachytherapy
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N5/00—Radiation therapy
    • A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
    • A61N5/103—Treatment planning systems
    • A61N5/1031—Treatment planning systems using a specific method of dose optimization
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N5/00—Radiation therapy
    • A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
    • A61N5/103—Treatment planning systems
    • A61N5/1039—Treatment planning systems using functional images, e.g. PET or MRI
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N5/00—Radiation therapy
    • A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
    • A61N5/103—Treatment planning systems
    • A61N5/1031—Treatment planning systems using a specific method of dose optimization
    • A61N2005/1035—Simulated annealing
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N5/00—Radiation therapy
    • A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
    • A61N5/103—Treatment planning systems
    • A61N2005/1041—Treatment planning systems using a library of previously administered radiation treatment applied to other patients

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Radiation-Therapy Devices (AREA)

Abstract

本发明公开面向近距离粒子内放疗手术智能剂量规划方法，包括步骤：对人工神经网络模型训练,训练目标靶区内体素点与剂量值的对应关系，获得预测模型；有新病例输入时，利用预测模型获得的预测结果及新病例目标靶区的轮廓与几何参数，利用孪生神经网络模型，在先验病例库中搜索匹配相似病例；将匹配到的相似病例的粒子分布状态作为新病例剂量规划的起始状态，作为模拟退火算法中的初始解，进行优化处理，用DVH评估法来评估，获得当前病例手术计划方案。本发明以先验病例为数据库，利用人工智能技术对新病例匹配优化，最终能准确快速地制定出满足临床要求的最优术前计划。

Description

面向近距离粒子内放疗手术智能剂量规划方法
技术领域
本发明涉及医学放射智能技术领域，特别是涉及一种面向近距离粒子内放疗手术智能剂量规划方法。
背景技术
癌症治疗过程中，放射治疗能单独作为治疗癌症的方法，也可与其它治疗方法(如化疗和手术)相结合进行辅助治疗，因此应用于大部分的癌症治疗手术。近距离放疗是内放疗的一种常用的治疗方式，其原理是装有放射物质的粒子短期或永久地植入于癌症病灶附近，持续对病灶进行照射以达到治疗效果。与外放疗相比，近距离放疗辐射照射范围较小，剂量相对较高，局部可控性较强，对人体的副作用影响较小，在肺癌治疗中引起放射性肺炎几率更低，因此随着介入技术的不断发展，近距离粒子植入手术的应用越来越广泛。
设计术前计划是每个放疗技术必要的步骤，不仅直接关系到患者手术的治疗质量，同时，计划设计的效率也直接影响患者等待治疗的时间。近距离粒子手术治疗计划质量很大程度上取决于医疗人员的临床经验，精神状态等主观因素，且放射治疗计划的制定是反复试错的过程，消耗时间较长，制定出一份临床上可以接受的高质量放射治疗计划可能需要数小时才能完成。
人工智能是计算机科学的分支，从诞生以来，理论和技术日益成熟，应用领域也不断扩大。由于人工智能可以模拟人的意识、思维过程，所以，若将人工智能技术与放射治疗计划相结合，将已准确应用到临床上的治疗方案为参照，模拟并还原医疗人员在制定放射治疗计划中的过程，可以减少甚至避免因医疗人员的经验不同而产生的治疗计划的差异，同时减少制定计划所用时间，缩短患者在治疗期间的等待过程。
发明内容
本发明的目的是针对传统近距离粒子植入手术计划制定过程中受医疗人员手术经验的限制且耗时的缺点，而提供一种基于人工智能的面向近距离粒子内放疗手术智能剂量规划方法。
为实现本发明的目的所采用的技术方案是：
一种面向近距离粒子内放疗手术智能剂量规划方法，包括步骤：
S101,剂量预测的步骤：从TPS中获取先前治疗计划数据，包括病人的CT图像数据、已勾画并三维重建后的目标靶区重建数据、目标靶区的几何参数以及对应的临床剂量分布、粒子分布，作为先验病例库；对CT图像重采样并提取图像体素特征，以体素点的剂量值作为标签，对人工神经网络模型进行训练,训练目标靶区内体素点与剂量值的对应关系，获得训练好的预测模型；当有新病例输入时，则用已训练好的模型预测靶区三维剂量分布，输出新病例剂量分布的预测结果；
S102,相似病例匹配的步骤：利用剂量预测模型获得的预测结果以及新病例目标靶区的轮廓与几何参数，利用孪生神经网络模型，在先验病例库中搜索匹配相似病例；
S103,剂量优化的步骤:将匹配到的相似病例的粒子分布状态作为新病例剂量规划的起始状态，作为模拟退火算法中的初始解，利用改进的模拟退火算法进行优化处理，用DVH评估法来评估，输出优化处理结果，获得当前病例手术计划方案。
与现有技术相比，本发明的有益效果是：
本发明提出的面向近距离粒子内放疗手术智能剂量规划方法，以先验病例为数据库，利用人工智能技术对新病例匹配优化，最终能准确快速地制定出满足临床要求的最优术前计划。
本发明从大量先验病例中学习剂量分布特点并匹配相似病例，可有效避免因医疗人员经验不足等易受主观影响而使得设计出的计划不能达到临床最优情况，同时减轻医疗人员负担。
另外本发明的算法改进了逆向自动布源算法，能够减少优化时间，可快速准确地制定出最优的手术治疗计划。
附图说明
图1所示为面向近距离粒子内放疗手术智能剂量规划方法流程示意图。
图2所示为孪生神经网络结构示意图。
图3所示为改进的模拟退火算法流程图。
具体实施方式
以下结合附图和具体实施例对本发明作进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，本发明面向近距离粒子内放疗手术智能剂量规划方法，包括以下步骤：其中，图1中虚线表示利用相应的人工智能算法，由先验病例训练相应的模型的步骤。
S101,剂量预测的步骤：
剂量预测是，构建人工神经网络模型，训练目标靶区内体素点与剂量值的对应关系。首先从TPS(treatment planning system)中获取先前治疗计划数据，包括病人的CT图像数据、已勾画并三维重建后的目标靶区重建数据以及其对应的临床剂量分布，粒子分布(即先验病例的放射粒子放置的位置坐标)，作为先验病例库，对CT图像进行重采样并提取图像体素特征，以体素点的剂量值作为标签，对人工神经网络模型进行训练，得到训练好的预测模型。
当有新病例输入时，则可用已训练好的模型预测三维剂量分布，输出新病例剂量分布的预测结果。
其中，本发明中，所使用的神经网络模型结构包括一个输入层，三个隐藏层和一个输出层。理论证明，最多三个隐藏层足以拟合任意连续函数，增加隐藏层会增加计算时间且过多的隐藏层会造成过拟合，因此本发明选择三层隐藏层的人工神经网络模型。
因为CT图像灰度与图像密度之间有一定的关系，而图像密度影响人体组织对照射剂量的吸收，因此根据先验病例的靶区内所有体素的灰度值，提取图像特征作为神经网络的输入，输出则为该体素点对应的剂量值。经过调整超参数，最终得到神经网络模型参数。
S102,相似病例匹配的步骤：
其中，相似病例匹配是利用剂量预测所获得的预测结果(即靶区内所有体素点对应的剂量值)，以及新病例目标靶区的数据包括轮廓与几何参数，利用训练好的孪生神经网络模型，经过网络转换成特征向量与先验病例进行匹配，在先验病例库中搜索匹配相似病例。
由于孪生神经网络的训练需要来自同一个病例中的不同但相似的数据和不同病例的完全不同的数据共同训练，确定模型参数之后才能用于相似病例匹配，因此需要勾画重建多次(至少两次)先验病例的靶区数据，具体的是用TPS对每一个先验病例重新勾画并重建目标靶区，获取靶区数据及其几何参数，并与先验病例库中的重建数据共同作为孪生神经网络的输入。
所述的孪生神经网络是以卷积神经网络为基础，将输入数据映射到目标空间中，在目标空间利用常规距离计算方式(如欧氏距离)对输入数据进行相似度对比。其训练阶段的目标是使来自同一类别的一对样本的损失函数值最小化，同时使来自不同类别的一对样本的损失函数值最大化。
该孪生神经网络结构是由两个相同的子网络构成，彼此共享参数和权重。训练时，两个子网络同时输入训练数据，可以是来自同一先验病例的不同勾画、重建结果，设置标签为0，也可是来自不同先验病例的勾画、重建结果，设置标签为1。
具体的孪生神经网络的结构图2所示，输入数据X1、X2、X′2。其中X1和X2来自同一个病例数据，X1和X′2来自不同病例数据；模型GW，其中w表示模型参数，GW的作用就是将输入数据X转换为一组特征向量；距离Ew，用于衡量两个输入数据转换为特征向量后两者之间的差距。
通过孪生神经网络的处理后，本发明最终输出相似程度最高的三个相似的先验病例供医生比较、选择。
S103，剂量优化的步骤：
在上述的相似病例匹配的步骤中，获得匹配到的先验病例后，将匹配到的先验病例的粒子分布状态作为新病例剂量规划的起始状态，作为模拟退火算法的初始解，进行模拟退火算法优化处理，输出结果，获得当前病例手术计划方案。
其中，相似的先验病例包括手术针的位置及其放射粒子的位置，并以此病例的手术计划作为新病例的初始计划，在此基础上进行优化。
本发明中，所述的模拟退火算法流程图如图3所示。具体步骤如下：
步骤A：将匹配的相似程度最高的先验病例的粒子分布或排布状态i，作为初始解，用来代替已有的逆向布源算法中随机布置产生的初始解的过程。
步骤B：用DVH评估法来评估该初始解是否满足需求，如果满足，则输出此解，反之则初始化迭代次数N与概率选择次数I为0，计算出目标函数F(i)如下：
其中，m为危及器官的数量，ω0为计划靶区剂量的权重因子，Du为计划靶区内部点的剂量值，Dp为计划靶区的处方剂量，D1v、D2v为两个危及器官内部点的剂量值，O1v、D2v为两个危及器官的最大耐受剂量值，若Dmv-Omp＞0，则在求和中加上Dmv-Omp的差值，否则为0。
步骤C：在所有粒子候选位置(即所有在肿瘤内部可放置放射粒子的位置)上添加扰动产生新的粒子布置状态j，计算此时的目标函数F(j)。
步骤D：比较新旧两个目标函数大小：Δt＝F(j)-F(i)。若Δt＜0，则保留j状态的粒子分布结果；若Δt≥0，且概率Pi≥Random of(0，1)，此时粒子分布方式将保留j状态并将概率选择次数I加1，否则舍弃，概率Pi公式如下；
其中，exp表示自然指数；T为当前控制退火温度下降的温度参数。
步骤E：迭代次数加1后，判断迭代次数是否达到最大值Nmax或是概率选择次数I是否达到最大值Imax，如果未到最大值，返回步骤C，反之如果到最大值，则计算退火温度Tn+1，若退火温度Tn+1未达到最低温度Tmin，则继续进行步骤B，若已达到最低温度Tmin，则输出当前状态为最终解，结束。
其中，退火温度计算公式如下：
Tn+1＝αTn(0＜α＜1)
其中，α为控制退火温度下降速度，速度下降越慢，模拟退火算法结果越精确，运算时间越长，Tn为当前循环温度。
然后以该优化输出的最终解结果作为当前新病例手术计划方案，并对获得的手术计划方案的质量评估为满足临床要求后，即可作为当前病例手术计划使用。
与现有技术相比，本发明所带来的有益效果是：
本发明方法能够通过构建人工神经网络模型，训练目标靶区点与其剂量值的对应关系，预测新病例的三维剂量分布。体素级预测剂量可保留所有空间信息，将其用于相似病例匹配过程，可使得在先验病例库中搜索匹配更科学准确。
本发明方法能够将预测的三维剂量分布、目标靶区的轮廓信息与几何参数作为匹配病例的特征，能从已准确应用到临床上的治疗方案中搜索与新病例相似治疗方案，从而能避免了因医疗人员经验不足造成的手术计划质量不高的情况。
本发明方法以匹配到的先验病例为自动逆向布源(模拟退火算法)的初始解，代替传统模拟退火算法中随即布置产生的初始解，能够降低逆向布源的随机性，利用计算机并行处理方式代替繁琐、耗时的过程，可大大减小制定计划方案的时间减少优化时间。
以上所述仅是本发明的优选实施方式，应当指出的是，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (3)

1.面向近距离粒子内放疗手术智能剂量规划方法，其特征在于，包括步骤：
S101，剂量预测的步骤：从TPS中获取先前治疗计划数据，包括病人的CT图像数据、已勾画并三维重建后的目标靶区重建数据、目标靶区的几何参数以及对应的临床剂量分布、粒子分布，作为先验病例库；对CT图像重采样并提取图像体素特征，以体素点的剂量值作为标签，对人工神经网络模型进行训练，训练目标靶区内体素点与剂量值的对应关系，获得训练好的预测模型；当有新病例输入时，则用已训练好的模型预测靶区的三维剂量分布，输出新病例剂量分布的预测结果；
S102，相似病例匹配的步骤：利用剂量预测模型获得的剂量分布预测结果以及新病例目标靶区的轮廓与几何参数，利用孪生神经网络模型，在先验病例库中搜索匹配相似病例；
S103，剂量优化的步骤:将匹配到的相似病例的粒子分布状态作为新病例剂量规划的起始状态，作为模拟退火算法中的初始解，利用改进的模拟退火算法进行优化处理，用DVH评估法来评估，输出优化处理结果，获得当前病例手术计划方案。
2.如权利要求1所述面向近距离粒子内放疗手术智能剂量规划方法，其特征在于，所述孪生神经网络是以卷积神经网络为基础，将输入数据映射到目标空间中，在目标空间利用距离计算方式对输入数据进行相似度对比，从而实现在先验病例库中搜索匹配相似病例。
3.如权利要求1所述面向近距离粒子内放疗手术智能剂量规划方法，其特征在于，所述模拟退火算法优化处理的步骤如下：
步骤A：将匹配的相似程度最高的先验病例的粒子分布或排布状态i，作为初始解，用来代替已有的逆向布源算法中随机布置产生的初始解；
步骤B：用DVH评估法来评估该初始解，若满足需求，则输出作为当前新病例手术计划方案，反之初始化迭代次数N与概率选择次数I为0，计算目标函数F(i)如下：
F(i)＝ω0∑(Du-Dp)2+ω1∑(D1v-O1p)+ω2∑(D2v-O2p)+…ωm∑(Dmv-Omp)
其中，m为危及器官数量，ω0为计划靶区剂量的权重因子，Du为计划靶区内部点的剂量值，Dp为计划靶区的处方剂量，Dmv为危及器官内部点的剂量值，Omv为危及器官的最大耐受剂量值；
若(Dmv-Omp)＞0，则在求和中加上Dmv-Omp的差值，否则为0；
步骤C：在所有粒子候选位置上添加扰动产生新的粒子布置状态j，计算此时的目标函数F(j)；
步骤D：比较两个目标函数大小Δt＝F(j)-F(i)，若Δt＜0，则保留j状态的粒子分布结果；若Δt≥0，且概率Pi≥Random of(0，1)，此时粒子分布方式保留j状态并将概率选择次数I加1，否则舍弃；概率Pi计算公式如下；
其中，exp表示自然指数；T为当前控制退火温度下降的温度参数；
步骤E：迭代次数加1后，判断迭代次数N是否达到最大值Nmax，或是概率选择次数I是否达到最大值Imax，如果未到最大值，返回步骤C，反之如到最大值，则计算退火温度Tn+1，若退火温度Tn+1未达到最低温度Tmin，则继续进行步骤B，若达到最低温度Tmin，则输出当前状态作为当前新病例手术计划方案。
CN201910412352.0A 2019-05-17 2019-05-17 面向近距离粒子内放疗手术智能剂量规划方法 Active CN110141801B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910412352.0A CN110141801B (zh) 2019-05-17 2019-05-17 面向近距离粒子内放疗手术智能剂量规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910412352.0A CN110141801B (zh) 2019-05-17 2019-05-17 面向近距离粒子内放疗手术智能剂量规划方法

Publications (2)

Publication Number Publication Date
CN110141801A true CN110141801A (zh) 2019-08-20
CN110141801B CN110141801B (zh) 2021-04-27

Family

ID=67595643

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910412352.0A Active CN110141801B (zh) 2019-05-17 2019-05-17 面向近距离粒子内放疗手术智能剂量规划方法

Country Status (1)

Country Link
CN (1) CN110141801B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111627515A (zh) * 2020-05-29 2020-09-04 上海商汤智能科技有限公司 药物推荐方法、装置、电子设备及介质
CN112037886A (zh) * 2020-11-04 2020-12-04 平安科技（深圳）有限公司 放疗计划制定装置、方法及存储介质
WO2021052150A1 (zh) * 2019-09-17 2021-03-25 平安科技（深圳）有限公司 放疗计划推荐方法、装置、电子设备及存储介质
CN113180825A (zh) * 2021-04-30 2021-07-30 珠海横乐医学科技有限公司 穿刺针路径规划方法、系统及介质
CN113192626A (zh) * 2021-04-13 2021-07-30 山东大学 基于孪生神经网络的用药方案推荐系统及方法
CN113181563A (zh) * 2021-04-30 2021-07-30 珠海横乐医学科技有限公司 粒子植入肿瘤内放疗剂量规划方法、系统及介质
CN113877072A (zh) * 2020-07-02 2022-01-04 南京大学 一种近距离放射治疗中对粒子源分布进行优化的动态规划算法
CN116052840A (zh) * 2023-03-31 2023-05-02 福建自贸试验区厦门片区Manteia数据科技有限公司 基于放疗的剂量分布数据处理装置、电子设备及存储介质
CN117717719A (zh) * 2023-09-07 2024-03-19 山东卓业医疗科技有限公司 一种在粒子放射剂量模型中计算靶区dvh的方法

Citations (9)

* Cited by examiner, † Cited by third party
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
CN102201672A (zh) * 2010-03-26 2011-09-28 长沙理工大学 改进的模拟退火-粒子群优化算法
CN106902480A (zh) * 2017-03-07 2017-06-30 西安体医疗科技有限公司 一种并行量子退火靶点分布计算方法
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
CN108325094A (zh) * 2018-03-27 2018-07-27 中科超精（安徽）科技有限公司 基于人工智能与专家库的放射治疗计划制定方法
CN108364678A (zh) * 2018-02-10 2018-08-03 福建省肿瘤医院（福建省肿瘤研究所、福建省癌症防治中心） 一种基于机器学习的鼻咽癌放疗计划自动化设计方法
CN108607164A (zh) * 2018-04-16 2018-10-02 王彦冬 一种用于超声引导粒子植入布源分布状况检测方法
CN108899093A (zh) * 2018-05-11 2018-11-27 南方医科大学 基于智能学习的调强放疗计划剂量学指征项预测方法
WO2019023142A1 (en) * 2017-07-25 2019-01-31 Elekta, Inc. RADIATION THERAPY PLANNING USING A DEEP CONVOLUTIVE NETWORK

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102201672A (zh) * 2010-03-26 2011-09-28 长沙理工大学 改进的模拟退火-粒子群优化算法
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
CN106902480A (zh) * 2017-03-07 2017-06-30 西安体医疗科技有限公司 一种并行量子退火靶点分布计算方法
WO2019023142A1 (en) * 2017-07-25 2019-01-31 Elekta, Inc. RADIATION THERAPY PLANNING USING A DEEP CONVOLUTIVE NETWORK
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
CN108364678A (zh) * 2018-02-10 2018-08-03 福建省肿瘤医院（福建省肿瘤研究所、福建省癌症防治中心） 一种基于机器学习的鼻咽癌放疗计划自动化设计方法
CN108325094A (zh) * 2018-03-27 2018-07-27 中科超精（安徽）科技有限公司 基于人工智能与专家库的放射治疗计划制定方法
CN108607164A (zh) * 2018-04-16 2018-10-02 王彦冬 一种用于超声引导粒子植入布源分布状况检测方法
CN108899093A (zh) * 2018-05-11 2018-11-27 南方医科大学 基于智能学习的调强放疗计划剂量学指征项预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
姜海松等: "面向体部肿瘤近距离粒子植入的三维自动", 《介入放射学杂志》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021052150A1 (zh) * 2019-09-17 2021-03-25 平安科技（深圳）有限公司 放疗计划推荐方法、装置、电子设备及存储介质
CN111627515A (zh) * 2020-05-29 2020-09-04 上海商汤智能科技有限公司 药物推荐方法、装置、电子设备及介质
CN113877072A (zh) * 2020-07-02 2022-01-04 南京大学 一种近距离放射治疗中对粒子源分布进行优化的动态规划算法
CN112037886A (zh) * 2020-11-04 2020-12-04 平安科技（深圳）有限公司 放疗计划制定装置、方法及存储介质
CN113192626A (zh) * 2021-04-13 2021-07-30 山东大学 基于孪生神经网络的用药方案推荐系统及方法
CN113180825A (zh) * 2021-04-30 2021-07-30 珠海横乐医学科技有限公司 穿刺针路径规划方法、系统及介质
CN113181563A (zh) * 2021-04-30 2021-07-30 珠海横乐医学科技有限公司 粒子植入肿瘤内放疗剂量规划方法、系统及介质
CN116052840A (zh) * 2023-03-31 2023-05-02 福建自贸试验区厦门片区Manteia数据科技有限公司 基于放疗的剂量分布数据处理装置、电子设备及存储介质
CN117717719A (zh) * 2023-09-07 2024-03-19 山东卓业医疗科技有限公司 一种在粒子放射剂量模型中计算靶区dvh的方法

Also Published As

Publication number Publication date
CN110141801B (zh) 2021-04-27

Similar Documents

Publication Publication Date Title
CN110141801A (zh) 面向近距离粒子内放疗手术智能剂量规划方法
AU2017209046B2 (en) Systems and methods for segmentation of intra-patient medical images
EP3856335B1 (en) Methods and systems for radiotherapy treatment planning using deep learning engines
Winkel et al. Target coverage and dose criteria based evaluation of the first clinical 1.5 T MR-linac SBRT treatments of lymph node oligometastases compared with conventional CBCT-linac treatment
US10984902B2 (en) Methods and systems for adaptive radiotherapy treatment planning using deep learning engines
CN107072624A (zh) 用于自动治疗计划的系统和方法
US11682485B2 (en) Methods and systems for adaptive radiotherapy treatment planning using deep learning engines
US11282192B2 (en) Training deep learning engines for radiotherapy treatment planning
US11410766B2 (en) Methods and systems for radiotherapy treatment planning based on continuous deep learning
CN110960803B (zh) 一种用于执行自适应放射治疗计划的计算机系统
US11013936B2 (en) Methods and systems for generating dose estimation models for radiotherapy treatment planning
CN115485019A (zh) 自动计划的基于放射的治疗
US11724126B2 (en) Methods and systems for quality-aware continuous learning for radiotherapy treatment planning
Zhu et al. Preliminary clinical study of the differences between interobserver evaluation and deep convolutional neural network-based segmentation of multiple organs at risk in CT images of lung cancer
CN110706779B (zh) 一种放射治疗计划精确目标函数的自动生成方法
CN117679671B (zh) 一种放射治疗4d剂量重建的方法、系统
CN118155804A (zh) 一种脑胶质瘤近距离粒子植入治疗剂量预测方法及系统
PLANNING 4 JOURNAL ARTICLE B-AUTOMATED VOLUME SEGMENTATION
Wang et al. Predicting the dose distribution of multi-lesion lung stereotactic ablative radiotherapy plans using generative adversarial networks
Cagni et al. Correlation of Delivery Reproducibility With Anatomical Modifications and Intrafraction Motion During Treatments Using Helical Tomotherapy (HT)-Integrated Detectors

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