CN110354406A - 一种放射治疗的三维剂量预测方法和系统 - Google Patents
一种放射治疗的三维剂量预测方法和系统 Download PDFInfo
- Publication number
- CN110354406A CN110354406A CN201910694051.1A CN201910694051A CN110354406A CN 110354406 A CN110354406 A CN 110354406A CN 201910694051 A CN201910694051 A CN 201910694051A CN 110354406 A CN110354406 A CN 110354406A
- Authority
- CN
- China
- Prior art keywords
- dose
- dimensional dose
- dimensional
- voxel
- network
- 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
-
- 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
-
- 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
- A61N5/1048—Monitoring, verifying, controlling systems and methods
-
- 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
- A61N5/1048—Monitoring, verifying, controlling systems and methods
- A61N5/1071—Monitoring, verifying, controlling systems and methods for verifying the dose delivered by the treatment plan
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
本发明提供了一种放射治疗的三维剂量预测方法,包括以下步骤:步骤A:收集过往病例的放疗计划数据,对数据进行预处理得到能够被卷积神经网络训练的特征图像;步骤B:计算计划区域内每个体素到靶区边界的最小距离得到目标距离图;步骤C:基于卷积神经网络建立三维剂量预测网络;步骤D:利用步骤A中的特征图像训练三维剂量预测网络,通过交叉验证得到最优的三维剂量预测模型;步骤E:将待放射患者的数据输入三维剂量预测模型得到三维剂量分布图。本申请还提供了基于上述方法的预测系统。本发明提供的放射治疗的三维剂量预测方法和系统的优点在于:通过引入卷积神经网络的深度学习,降低了对物理师个人经验的依赖,减少人工预测的误差。
Description
技术领域
本发明涉及疾病放射质量计划技术领域,尤其涉及一种放射治疗的三维剂量预测方法和系统。
背景技术
放射治疗是治疗癌症的主要治疗手段之一,随着IMRT(Intensity-ModulatedRadiationTherapy,强度调制放射治疗)和VMAT(Volumetric-Modulated Arc Therapy,容量调强)等先进治疗方法的发展,临川计划的质量得到了显著的提高。然而,制定高质量的临床计划通常需要大量的人工干预,物理师根据他们以前的经验和医生的反馈反复优化计划参数,直到计划被临床接受,这导致计划时间的增加。研究表明,高质量计划的剂量学特征往往与它们的几何解剖结构有很强的联系,基于这种观点,已经提出了很多方法来协助治疗计划。
目前剂量预测工作主要致力于预测患者的剂量体积直方图(DVH),这需要花费大量时间来分析剂量分布与患者特征之间的关联。尤其需要提取手动特征,例如危及器官(OAR)的空间信息,靶区(PTV)体积的形状,距离直方图(DTH),重叠体积直方图(OVH)等,来进行剂量预测,这种方法复杂性较高且非常消耗时间。同时,有可能存在其他未被发掘却可以显着影响预测精度特征,而这些特征在上述方法中严重丢失。此外,对于患者DVH的预测仅能提供剂量分布的统计信息,并不能提供患者详细三维剂量分布的预测。
发明内容
本发明所要解决的技术问题在于提供一种基于卷积神经网络对放射治疗时的三维剂量分布进行精准预测的方法和系统。
本发明是通过以下技术方案解决上述技术问题的:
一种放射治疗的三维剂量预测方法,包括以下步骤:
步骤A:收集过往病例的放疗计划数据,对数据进行预处理得到能够被卷积神经网络训练的特征图像;
步骤B:计算计划区域内每个体素到靶区边界的最小距离得到目标距离图;
步骤C:基于卷积神经网络建立三维剂量预测网络;
步骤D:利用步骤A中的特征图像训练三维剂量预测网络,通过交叉验证得到最优的三维剂量预测模型;
步骤E:将待放射患者的数据输入三维剂量预测模型得到三维剂量分布图。
优选地,所述过往病例的放疗计划数据包括CT图像、靶区和危及器官轮廓、处方剂量和实际剂量,预处理后的特征图像包括CT图像、靶区信息图、危及器官信息图和实际剂量分布图。
优选地,所述特征图像大小均为256*256,空间分辨率为2*2*5mm;
步骤A所述的预处理具体为获取各个靶区的区域和对应的处方剂量,将处方剂量填充到对应区域的像素点上得到靶区信息图;对主要器官用不同的正整数进行标注,非主要危及器官区域用0填充得到危及器官信息图;将实际放射剂量填充在对应靶区内并进行归一化得到临床剂量图。
优选地,步骤B通过提取靶区的轮廓点集,搜索每个体素与之对应最近的靶区轮廓点的距离值作为该体素到靶区边界的最小距离,将距离值填充到对应的位置得到所述目标距离图。
优选地,所述三维剂量预测网络包括依次连接的卷积核大小为7*7,步长为2的卷积、5个第一卷积模块、卷积核大小为2*2,步长为2*2的转置卷积层、第二卷积模块和卷积核为1*1,步长为1的卷积层;
所述第一卷积模块为密集连续型扩展卷积模块,包括四个卷积层和处于每个卷积层之前的特征层,所述特征层的卷积核为1*1,步长为1,所述卷积层的卷积核大小为3*3,步长为1,卷积核扩张率依次为1、2、4、8;每个卷积操作后,接有一个激活函数,每层中激活函数为:
yi=max(0,Wixi+bi)
其中,yi表示第i层网络的输出,xi表示第i层网络的输入,Wi表示第i层卷积层的权重矩阵,bi表示第i层卷积层的偏差值;
所述第二卷积模块包括四个卷积核尺寸为3*3,扩张率为1的卷积层和处于每个卷积层之前的特征层,所述特征层的卷积核大小为1*1,步长为1。
优选地,步骤D中将特征图像均分成多份数据,通过五折交叉法对三维剂量预测网络进行训练和验证,训练时首先提取相似度较高的计划区域切片进行预训练,用预训练模型训练所有数据,得到三维剂量预测模型。
优选地,三维剂量预测网络训练中的模型优化损失函数为:
其中,N为三维剂量预测网络输出的预测体素总数,pi为第i个体素的预测剂量,yi为第i个体素的实际剂量。
优选地,验证三维剂量预测网络的训练结果时使用的模型性能评估指标为:
其中,MAEV为体素剂量平均差异,S为总体素个数,P(i)为第i个体素的预测剂量,T(i)为第i个体素的实际剂量,PD为计划靶区的处方剂量;MAEDVH为剂量体积直方图平均差异,n为计算时在剂量体积直方图曲线上的取样点数量,在剂量体积直方图曲线上等距取n个点计算预测值与实际值的平均误差,Dp(i)为第i个体素在剂量体积直方图曲线上的预测值,Dt(i)为第i个体素在剂量体积直方图曲线上的实际值。
优选地,对待放射患者的数据重复步骤A和B得到CT图像、靶区信息图、危及器官信息图和目标距离图并输入三维剂量预测模型中,然后将患者身体各区域的特征图像输入三维剂量预测模型中,经三维剂量预测模型计算得到剂量预测图,一层一层计算结束即得到整体的三维剂量分布。
本发明还提供了一种放射质量的三维剂量预测系统,包括
数据输入和处理模块,输入过往病历的放疗计划数据和待放射患者的疾病和身体数据,对输入数据进行处理得到能够被卷积神经网络训练的特征图像;
目标距离标定模块,对计划区域内每个体素到靶区边界的最小距离进行标定得到目标距离图;
卷积神经网络模块,构建待训练三维剂量预测网络;
训练模块,利用过往数据训练和验证三维剂量预测网络,得到三维剂量预测模型;
输出模块,输出患者的预测三维剂量分布图和剂量体积直方图。
本发明提供的放射治疗的三维剂量预测方法和系统的优点在于:通过引入卷积神经网络的深度学习,降低了对物理师个人经验的依赖,减少人工预测的误差,缩短制定放疗计划的时间,提供更有针对性的治疗计划,能够提供直观的三维剂量预测图和三维剂量体积直方图供医生参考。
附图说明
图1为本发明的实施例所提供的放射治疗的三位剂量预测方法的流程图;
图2为本发明的实施例所提供的三维剂量预测网络的结构图;
图3为本发明的实施例所提供的第一卷积模块的结构图;
图4为本发明的实施例所提供的第二卷积模块的结构图;
图5为本发明的实施例所提供的预测剂量和真实剂量的对比图;
图6为本发明的实施例所提供的预测剂量体积直方图与实际剂量体积直方图的对比图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明作进一步的详细说明。
如图1所示,本实施例提供了一种放射治疗的三位剂量预测方法,包括以下步骤:
步骤A:收集过往病例的放疗计划数据,对数据进行预处理得到能够被卷积神经网络训练的特征图像;
本实施例以80例食管癌病人的VMAT计划数据为例进行说明,收集包括CT图像、靶区及危及器官轮廓、处方剂量和实际剂量的数据集,数据集以本领域常用的dicom格式存储,通过使用基于Python的医学图像计算包simpleITK从原始放疗数据中提取CT图像、靶区及危机器官轮廓点,然后用OpenCV连接各结构轮廓点得到各结构的区域。
对上述数据进行预处理得到特征图像,所述特征图像大小均为256*256,空间分辨率为2*2*5mm;
所述预处理具体为获取各个靶区的区域和对应的处方剂量,将处方剂量填充到对应区域的像素点上得到靶区信息图;
对主要器官用不同的正整数进行标注,非主要危及器官区域用0填充得到危及器官信息图,本实施例中对主要危及器官左肺、右肺、心脏、脊髓等分别用1、2、3、4进行标注;
将实际放射剂量填充在对应靶区内,并使用每个病人对应的处方剂量进行归一化处理得到临床剂量图,具体处理方法为用各靶区实际剂量除以最低处方剂量对数据进行简化,从而平衡各病人之间的差异,降低后续训练难度。
步骤B:计算计划区域内每个体素到靶区边界的最小距离得到目标距离图;具体方法为提取靶区的轮廓点集,搜索每个体素对应的最近的靶区轮廓点的距离作为该体素到靶区边界的最小距离,单位为厘米,将距离值填充到对应位置得到所述目标距离图。
步骤C:基于卷积神经网络建立三维剂量预测网络;
所述三维剂量预测网络包括多个密集连接型扩张卷积神经网络,参考图2,具体包括依次连接的卷积核大小为7*7,步长为2的卷积、5个第一卷积模块、卷积核大小为2*2,步长为2*2的转置卷积层、第二卷积模块和卷积核为1*1,步长为1的卷积层;
参考图3,所述第一卷积模块为密集连续型扩展卷积模块,包括四个卷积层和处于每个卷积层之前的特征层,所述特征层的卷积核为1*1,步长为1,所述卷积层的卷积核大小为3*3,步长为1,卷积核扩张率依次为1、2、4、8;每个卷积操作后,接有一个激活函数,每层中激活函数为:
yi=max(0,Wixi+bi)
其中,yi表示第i层网络的输出,xi表示第i层网络的输入,Wi表示第i层卷积层的权重矩阵,bi表示第i层卷积层的偏差值;
参考图4,所述第二卷积模块包括四个卷积核尺寸为3*3,扩张率为1的卷积层和处于每个卷积层之前的特征层,所述特征层的卷积核大小为1*1,步长为1。
特征图像以4通道图像形式输入三维剂量预测网络,大小为256*256,经卷积核大小为7*7,步长为2的卷积操作后图像通道数增加至32,然后通过5个第一卷积模块来捕捉多尺度特征,再经转置卷积后图像分辨率恢复至256*256,最终经第二卷积模块和1*1卷积操作后输出预测剂量图,即256*256的单精度浮点数矩阵。
步骤D:利用步骤A中的特征图像训练三维剂量预测网络,通过交叉验证得到最优的三维剂量预测模型;
对训练数据进行五折交叉验证,本实施例中对收集的80份食管癌患者数据平均分成8份,每份10例计划,依次选取一份作为测试集,其余数据作为训练集训练三维剂量预测网络,完成八组试验后取平均值,作为最终的实验结果。
在训练过程中,首先提取相似性较高的样本对计划区域切片进行预训练,本实施例中选取肿瘤位置接近胸中部的病例作为相似度较高的预训练样本;以防止训练初期数据差异性过大导致训练崩溃,优选实施例中预训练过程为1000次迭代,再用预训练模型训练所有数据,得到三维剂量预测模型。
本实施例中的具体训练过程如下,采用深度学习框架pytorch作为训练框架,在训练过程中的迭代步骤为:首先将训练集中的所有特征图像映射到隐藏层中,然后通过隐藏层中权重矩阵输出剂量预测图,再将剂量预测图与实际剂量图比较计算损失,然后反向传播优化权重矩阵,这个过程表示为一个循环,在预训练过程中三维卷积神经网络要迭代1000次,在完整训练过程中需迭代100000次。
模型优化目标损失函数为:
其中,N为三维剂量预测网络输出的预测体素总数,pi为第i个体素的预测剂量,yi为第i个体素的实际剂量。
然后用特定指标评估交叉验证各个模型的性能,具体评估指标为:
其中,MAEV为体素剂量平均差异,S为总体素个数,P(i)为第i个体素的预测剂量,T(i)为第i个体素的实际剂量,PD为计划靶区(PTV)的处方剂量,剂量单位为Gary(Gy);MAEDVH为剂量体积直方图(DVH)平均差异,DVH曲线由三维剂量分布统计得到,n为计算时在DVH曲线上的取样点数量,在DVH曲线上等距取n个点计算预测值与实际值的平均误差,Dp(i)为第i个体素在DVH曲线上的预测值,Dt(i)为第i个体素在DVH曲线上的实际值。
卷积神经网络使用带动量的随机梯度下降法,初始学习率取3e-7,动量大小为0.99,每次输入特征图像的批大小为1,当训练平方误差损失函数损失值在5000次迭代内不再下降时,则认为三维剂量训练网络趋于稳定收敛,保存参数值,完成深度卷积神经网络的训练。
步骤E:将待放射患者的数据输入三维剂量预测模型得到三维剂量分布图;
对待放射患者的数据重复步骤A和B,得到CT图像、靶区信息图、危及器官信息图和目标距离图并输入三维剂量预测模型中,然后将患者身体各区域的特征图像输入三维剂量预测模型中,本实施例中按从头到脚的顺序依次输入特征图像,经三维剂量预测模型权值映射后从头到脚依次输出各层切片的剂量预测图,一层一层预测结束后即得到整体的三维剂量分布,基于预测得到的三维剂量分布图进行计算还能够得到剂量体积直方图。
本实施例是深度学习技术的一次有效应用,相对于提取几何特征的线性模型和传统的机器学习方法来预测食管癌放疗剂量学特征而言,根据危及器官与靶区的几何关系进行食管放射治疗计划的危及器官剂量的自动评估。参考图5预测剂量与实际剂量的对比以及图6所示的预测剂量体积直方图与实际剂量体积直方图的对比,可以确定该模型方法能够实现准确的DVH预测并且可以为食管治疗计划提供接近最优的参数,这可以显著缩短制定食管癌放疗计划时间以达到减轻物理放疗师的负担的目的。而且本申请输入的是特征图像而不是人工筛选后的统计数据,充分考虑了所有原始特征都被考虑进去,并通过神经网的自动学习和统计避免了人工预测时对其他特征的忽略,有效提高预测精度。
本申请的实施例还提供了一种放射治疗的三位剂量预测系统,包括
数据输入和处理模块,输入过往病历的放疗计划数据和待放射患者的疾病和身体数据,对输入数据进行处理得到能够被卷积神经网络训练的特征图像;
目标距离标定模块,对计划区域内每个体素到靶区边界的最小距离进行标定得到目标距离图;
卷积神经网络模块,构建待训练三维剂量预测网络;
训练模块,利用过往数据训练和验证三维剂量预测网络,得到三维剂量预测模型;
输出模块,输出患者的预测三维剂量分布图和剂量体积直方图。
Claims (10)
1.一种放射治疗的三维剂量预测方法,其特征在于:包括以下步骤:
步骤A:收集过往病例的放疗计划数据,对数据进行预处理得到能够被卷积神经网络训练的特征图像;
步骤B:计算计划区域内每个体素到靶区边界的最小距离得到目标距离图;
步骤C:基于卷积神经网络建立三维剂量预测网络;
步骤D:利用步骤A中的特征图像训练三维剂量预测网络,通过交叉验证得到最优的三维剂量预测模型;
步骤E:将待放射患者的数据输入三维剂量预测模型得到三维剂量分布图。
2.根据权利要求1所述的一种放射治疗的三维剂量预测方法,其特征在于:所述过往病例的放疗计划数据包括CT图像、靶区和危及器官轮廓、处方剂量和实际剂量,预处理后的特征图像包括CT图像、靶区信息图、危及器官信息图和实际剂量分布图。
3.根据权利要求2所述的一种放射治疗的三维剂量预测方法,其特征在于:所述特征图像大小均为256*256,空间分辨率为2*2*5mm;
步骤A所述的预处理具体为获取各个靶区的区域和对应的处方剂量,将处方剂量填充到对应区域的像素点上得到靶区信息图;对主要器官用不同的正整数进行标注,非主要危及器官区域用0填充得到危及器官信息图;将实际放射剂量填充在对应靶区内并进行归一化得到临床剂量图。
4.根据权利要求2所述的一种放射治疗的三维剂量预测方法,其特征在于:步骤B通过提取靶区的轮廓点集,搜索每个体素与之对应最近的靶区轮廓点的距离值作为该体素到靶区边界的最小距离,将距离值填充到对应的位置得到所述目标距离图。
5.根据权利要求1所述的一种放射治疗的三维剂量预测方法,其特征在于:所述三维剂量预测网络包括依次连接的卷积核大小为7*7,步长为2的卷积、5个第一卷积模块、卷积核大小为2*2,步长为2*2的转置卷积层、第二卷积模块和卷积核为1*1,步长为1的卷积层;
所述第一卷积模块为密集连续型扩展卷积模块,包括四个卷积层和处于每个卷积层之前的特征层,所述特征层的卷积核为1*1,步长为1,所述卷积层的卷积核大小为3*3,步长为1,卷积核扩张率依次为1、2、4、8;每个卷积操作后,接有一个激活函数,每层中激活函数为:
yi=max(0,Wixi+bi)
其中,yi表示第i层网络的输出,xi表示第i层网络的输入,Wi表示第i层卷积层的权重矩阵,bi表示第i层卷积层的偏差值;
所述第二卷积模块包括四个卷积核尺寸为3*3,扩张率为1的卷积层和处于每个卷积层之前的特征层,所述特征层的卷积核大小为1*1,步长为1。
6.根据权利要求1所述的一种放射治疗的三维剂量预测方法,其特征在于:步骤D中将特征图像均分成多份数据,通过五折交叉法对三维剂量预测网络进行训练和验证,训练时首先提取相似度较高的样本对计划区域切片进行预训练,用预训练模型训练所有数据,得到三维剂量预测模型。
7.根据权利要求6所述的一种放射治疗的三维剂量预测方法,其特征在于:三维剂量预测网络训练中的模型优化损失函数为:
其中,N为三维剂量预测网络输出的预测体素总数,pi为第i个体素的预测剂量,yi为第i个体素的实际剂量。
8.根据权利要求7所述的一种放射治疗的三维剂量预测方法,其特征在于:验证三维剂量预测网络的训练结果时使用的模型性能评估指标为:
其中,MAEV为体素剂量平均差异,S为总体素个数,P(i)为第i个体素的预测剂量,T(i)为第i个体素的实际剂量,PD为计划靶区的处方剂量;MAEDVH为剂量体积直方图平均差异,n为计算时在剂量体积直方图曲线上的取样点数量,在剂量体积直方图曲线上等距取n个点计算预测值与实际值的平均误差,Dp(i)为第i个体素在剂量体积直方图曲线上的预测值,Dt(i)为第i个体素在剂量体积直方图曲线上的实际值。
9.根据权利要求1所述的一种放射治疗的三维剂量预测方法,其特征在于:对待放射患者的数据重复步骤A和B得到CT图像、靶区信息图、危及器官信息图和目标距离图并输入三维剂量预测模型中,然后将患者身体各区域的特征图像输入三维剂量预测模型中,经三维剂量预测模型计算得到剂量预测图,一层一层计算结束即得到整体的三维剂量分布。
10.一种放射质量的三维剂量预测系统,其特征在于:包括
数据输入和处理模块,输入过往病历的放疗计划数据和待放射患者的疾病和身体数据,对输入数据进行处理得到能够被卷积神经网络训练的特征图像;
目标距离标定模块,对计划区域内每个体素到靶区边界的最小距离进行标定得到目标距离图;
卷积神经网络模块,构建待训练三维剂量预测网络;
训练模块,利用过往数据训练和验证三维剂量预测网络,得到三维剂量预测模型;
输出模块,输出患者的预测三维剂量分布图和剂量体积直方图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910694051.1A CN110354406A (zh) | 2019-07-30 | 2019-07-30 | 一种放射治疗的三维剂量预测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910694051.1A CN110354406A (zh) | 2019-07-30 | 2019-07-30 | 一种放射治疗的三维剂量预测方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110354406A true CN110354406A (zh) | 2019-10-22 |
Family
ID=68222833
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910694051.1A Pending CN110354406A (zh) | 2019-07-30 | 2019-07-30 | 一种放射治疗的三维剂量预测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110354406A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111312341A (zh) * | 2020-01-17 | 2020-06-19 | 中南大学湘雅三医院 | 华法林剂量预测方法及预测装置 |
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 |
CN111613289A (zh) * | 2020-05-07 | 2020-09-01 | 浙江大学医学院附属第一医院 | 个体化药物剂量预测方法、装置、电子设备及存储介质 |
CN111863203A (zh) * | 2020-07-20 | 2020-10-30 | 上海联影医疗科技有限公司 | 一种放疗数据的分类方法、装置、设备及存储介质 |
CN111898324A (zh) * | 2020-08-13 | 2020-11-06 | 四川大学华西医院 | 基于分割任务辅助的鼻咽癌三维剂量分布预测方法 |
CN111951245A (zh) * | 2020-08-11 | 2020-11-17 | 北京易康医疗科技有限公司 | 一种根据肿瘤分子图像的特征参数确定放射治疗剂量的方法 |
CN112037885A (zh) * | 2020-09-07 | 2020-12-04 | 平安科技(深圳)有限公司 | 放疗计划中的剂量预测方法、装置、计算机设备及存储介质 |
CN112837782A (zh) * | 2021-02-04 | 2021-05-25 | 北京大学第三医院(北京大学第三临床医学院) | 一种基于深度学习的放疗三维剂量预测方法 |
CN113096766A (zh) * | 2021-04-08 | 2021-07-09 | 济南大学 | 一种个性化精准放疗计划中的三维剂量预测方法及系统 |
CN113327681A (zh) * | 2020-10-30 | 2021-08-31 | 重庆市璧山区人民医院 | 一种基于生成式对抗网络的肿瘤放疗计划自动设计方法 |
CN113658168A (zh) * | 2021-08-25 | 2021-11-16 | 上海联影医疗科技股份有限公司 | 指定剂量区的获取方法、系统、终端及存储介质 |
CN114463294A (zh) * | 2022-01-24 | 2022-05-10 | 北京唯迈医疗设备有限公司 | 一种x射线机自动计量控制方法及系统 |
CN116612853A (zh) * | 2023-07-17 | 2023-08-18 | 中国医学科学院肿瘤医院 | 放疗验证计划剂量生成方法、系统、电子设备及存储介质 |
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 |
---|---|---|---|---|
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 |
CN108766563A (zh) * | 2018-05-25 | 2018-11-06 | 戴建荣 | 基于剂量组学的放射治疗结果预测方法和系统 |
US20190030370A1 (en) * | 2017-07-25 | 2019-01-31 | Elekta, Inc. | Systems and methods for determining radiation therapy machine parameter settings |
CN109843377A (zh) * | 2016-09-07 | 2019-06-04 | 医科达有限公司 | 用于预测放射疗法剂量分布的放射疗法治疗计划的学习模型的系统和方法 |
-
2019
- 2019-07-30 CN CN201910694051.1A patent/CN110354406A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109843377A (zh) * | 2016-09-07 | 2019-06-04 | 医科达有限公司 | 用于预测放射疗法剂量分布的放射疗法治疗计划的学习模型的系统和方法 |
US20190030370A1 (en) * | 2017-07-25 | 2019-01-31 | Elekta, Inc. | Systems and methods for determining radiation therapy machine parameter settings |
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 |
CN108766563A (zh) * | 2018-05-25 | 2018-11-06 | 戴建荣 | 基于剂量组学的放射治疗结果预测方法和系统 |
Non-Patent Citations (1)
Title |
---|
张顺等: "深度卷积神经网络的发展及其在计算机视觉领域的应用", 《计算机学报》 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111312341B (zh) * | 2020-01-17 | 2022-06-28 | 中南大学湘雅三医院 | 华法林剂量预测方法及预测装置 |
CN111312341A (zh) * | 2020-01-17 | 2020-06-19 | 中南大学湘雅三医院 | 华法林剂量预测方法及预测装置 |
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 |
CN111613289A (zh) * | 2020-05-07 | 2020-09-01 | 浙江大学医学院附属第一医院 | 个体化药物剂量预测方法、装置、电子设备及存储介质 |
CN111613289B (zh) * | 2020-05-07 | 2023-04-28 | 浙江大学医学院附属第一医院 | 个体化药物剂量预测方法、装置、电子设备及存储介质 |
CN111863203A (zh) * | 2020-07-20 | 2020-10-30 | 上海联影医疗科技有限公司 | 一种放疗数据的分类方法、装置、设备及存储介质 |
CN111951245A (zh) * | 2020-08-11 | 2020-11-17 | 北京易康医疗科技有限公司 | 一种根据肿瘤分子图像的特征参数确定放射治疗剂量的方法 |
CN111951245B (zh) * | 2020-08-11 | 2021-04-06 | 山东省肿瘤防治研究院(山东省肿瘤医院) | 根据肿瘤分子图像的特征参数确定放射治疗剂量的方法 |
CN111898324A (zh) * | 2020-08-13 | 2020-11-06 | 四川大学华西医院 | 基于分割任务辅助的鼻咽癌三维剂量分布预测方法 |
CN112037885A (zh) * | 2020-09-07 | 2020-12-04 | 平安科技(深圳)有限公司 | 放疗计划中的剂量预测方法、装置、计算机设备及存储介质 |
CN113327681A (zh) * | 2020-10-30 | 2021-08-31 | 重庆市璧山区人民医院 | 一种基于生成式对抗网络的肿瘤放疗计划自动设计方法 |
CN112837782A (zh) * | 2021-02-04 | 2021-05-25 | 北京大学第三医院(北京大学第三临床医学院) | 一种基于深度学习的放疗三维剂量预测方法 |
CN113096766B (zh) * | 2021-04-08 | 2022-05-20 | 济南大学 | 一种个性化精准放疗计划中的三维剂量预测方法及系统 |
CN113096766A (zh) * | 2021-04-08 | 2021-07-09 | 济南大学 | 一种个性化精准放疗计划中的三维剂量预测方法及系统 |
CN113658168A (zh) * | 2021-08-25 | 2021-11-16 | 上海联影医疗科技股份有限公司 | 指定剂量区的获取方法、系统、终端及存储介质 |
CN113658168B (zh) * | 2021-08-25 | 2024-04-16 | 上海联影医疗科技股份有限公司 | 指定剂量区的获取方法、系统、终端及存储介质 |
CN114463294A (zh) * | 2022-01-24 | 2022-05-10 | 北京唯迈医疗设备有限公司 | 一种x射线机自动计量控制方法及系统 |
CN116612853A (zh) * | 2023-07-17 | 2023-08-18 | 中国医学科学院肿瘤医院 | 放疗验证计划剂量生成方法、系统、电子设备及存储介质 |
CN116612853B (zh) * | 2023-07-17 | 2023-09-26 | 中国医学科学院肿瘤医院 | 放疗验证计划剂量生成方法、系统、电子设备及存储介质 |
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 |
---|---|---|
CN110354406A (zh) | 一种放射治疗的三维剂量预测方法和系统 | |
US11386557B2 (en) | Systems and methods for segmentation of intra-patient medical images | |
WO2022142770A1 (zh) | 放射治疗自动计划系统、自动计划方法及计算机程序产品 | |
CN107441637B (zh) | 调强放疗计划中三维剂量分布的预测方法及其应用 | |
CN107072624B (zh) | 用于自动治疗计划的系统和方法 | |
CN107567343B (zh) | 用于自适应放射治疗的三维定位和追踪 | |
CN110211664B (zh) | 一种基于机器学习自动设计放射治疗方案的系统 | |
Rowbottom et al. | Beam-orientation customization using an artificial neural network | |
CN108815721B (zh) | 一种照射剂量确定方法及系统 | |
CN110619639A (zh) | 一种结合深度神经网络和概率图模型分割放疗影像的方法 | |
CN111028914A (zh) | 人工智能引导的剂量预测方法与系统 | |
CN109859817A (zh) | 食管放射治疗计划中风险器官剂量学评估方法、评估系统 | |
CN112546463A (zh) | 基于深度神经网络的放疗剂量自动预测方法 | |
CN110141801A (zh) | 面向近距离粒子内放疗手术智能剂量规划方法 | |
CN110232964A (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 | |
CN115485019A (zh) | 自动计划的基于放射的治疗 | |
CN114341936A (zh) | 用于医学成像中的图像裁剪和解剖结构分割的系统和方法 | |
CN114846476A (zh) | 训练用于放射疗法治疗计划的深度学习引擎 | |
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 | |
CN113178242B (zh) | 一种基于耦合式生成对抗网络的自动计划优化系统 | |
Teng et al. | Beam-wise dose composition learning for head and neck cancer dose prediction in radiotherapy | |
Liao et al. | Dose-Conditioned Synthesis of Radiotherapy Dose With Auxiliary Classifier Generative Adversarial Network | |
CN112635023A (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 | |
CN117695534B (zh) | 一种宫颈癌放疗精准定位与剂量控制系统 | |
Zhang et al. | Fluence map optimization in IMRT cancer treatment planning and a geometric approach |
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 |
Application publication date: 20191022 |
|
RJ01 | Rejection of invention patent application after publication |