CN111540437B - 一种基于人工智能的剂量验证方法和系统 - Google Patents
一种基于人工智能的剂量验证方法和系统 Download PDFInfo
- Publication number
- CN111540437B CN111540437B CN202010328992.6A CN202010328992A CN111540437B CN 111540437 B CN111540437 B CN 111540437B CN 202010328992 A CN202010328992 A CN 202010328992A CN 111540437 B CN111540437 B CN 111540437B
- Authority
- CN
- China
- Prior art keywords
- model
- characteristic parameters
- passing rate
- samples
- training
- 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
Images
Classifications
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Urology & Nephrology (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Surgery (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Radiation-Therapy Devices (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明提供一种基于人工智能的剂量验证方法及系统,该方法包括:获取调强放疗计划的射野面积、射野调制复杂度、叶片运动和剂量特征参数;建立基于机器学习模型的回归模型,将所述特征参数作为所述机器学习模型的输入样本,设定标准γ通过率作为所述机器学习模型的输出;建立基于机器学习模型的分类模型,将所述特征参数作为所述机器学习模型的输入样本,所述标准γ通过率作为机器学习模型的输出;进行样本训练得到最佳预测的回归模型和分类模型,并根据所述最佳预测模型对待验证的所述特征参数进行预测γ通过率,进而对临床调强放疗计划进行预测和分类。本发明能解决现有放疗剂量验证工作存在花费时间长、人力成本高的问题,能提高效率和质量。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种基于人工智能的剂量验证方法和系统。
背景技术
调强放射治疗是目前临床中应用最广泛的外照射放射治疗技术之一。基于C型臂医用直线加速器的容积旋转调强放射治疗(volumetric modulated arc therpay,VMAT)在剂量学和临床效率方面明显优于传统的三维适形放射治疗(three dimentionalconformal radiation therpay,3D-CRT)和固定机架角的调强放射治疗(intensitymodulated radiation therapy,IMRT)。近年来调强放射治疗技术在临床应用中越来越多。为保障患者疗效和安全,减少肿瘤复发和正常组织损伤,需对患者治疗计划进行剂量验证工作。传统剂量验证是由物理师在患者治疗前人工逐例进行验证,大多使用均匀模体和各类探测器进行剂量测量。
由于验证过程需要使用加速器,所以只能在非治疗时间进行验证工作,给物理师带来了时间上的负担。另外,进行验证时,需要物理师摆放模体,然后逐例验证,验证花费时间与患者正常治疗一次无异,需要较长时间。大量研究表明基于均匀模体的平面剂量验证不能检测出具有临床意义的实施误差,同时对每例治疗计划进行无差别的剂量验证会耗费大量的人力物力。因此,如何提高患者剂量验证的临床相关性,预先筛选可能出现较大实施误差的计划从而有针对性地进行剂量验证是临床中亟待解决的问题。
发明内容
本发明提供一种基于人工智能的剂量验证方法及系统,解决现有放射治疗对患者治疗进行剂量验证工作存在花费时间长、人力物力成本高的问题,能提高剂量验证的效率,减少验证成本。
为实现以上目的,本发明提供以下技术方案:
一种基于人工智能的剂量验证方法,包括:
获取调强放射治疗计划的射野面积、射野调制复杂度、叶片运动和剂量的特征参数;
建立机器学习模型,将所述特征参数作为所述机器学习模型的输入样本,设定标准γ通过率作为所述机器学习模型的输出;
进行样本训练以得到最佳回归模型,并根据所述最佳回归模型对待验证的所述特征参数进行预测γ通过率,进而对临床调强放射治疗计划进行预测。
优选的,还包括:
建立基于随机森林模型的分类模型,将所述特征参数作为所述随机森林模型的输入样本,所述标准γ通过率作为随机森林模型的输出;
进行样本训练以产生RF分类器,并根据RF分类器对待验证的所述特征参数进行投票得到分类结果,根据所述分类结果对临床调强放射治疗计划进行验证。
优选的,所述进行样本训练以得到最佳回归模型,并根据所述最佳回归模型对待验证的所述特征参数进行预测γ通过率包括:
从255个样本构成的样本集中依次选择1个样本作为测试样本,剩余254个样本作为训练样本;
模型采用十折交叉验证法对255个样本进行训练,寻找最佳的超参数β,得到最优化的模型;
得到最优化模型后,将1个测试样本的特征参数输入模型,使用模型预测测试集计划的平面剂量γ通过率,并与相应的实际测量γ通过率进行比较,评价预测准确性;
重复以上过程N次;
得到了所有样本的回归结果。
优选的,所述得到最佳回归模型,包括:
优选的,所述进行样本训练以产生RF分类器,并根据RF分类器对待验证的所述特征参数进行投票得到分类结果,包括:
从255个样本构成的样本集中依次选择1个样本作为测试样本,剩余254个样本作为训练样本;
对254个训练样本进行降维;
对多数类进行随机欠采样m次,以平衡样本分布,从而产生m个RF分类器;
所有m个分类器进行集成投票,得到集成投票的结果;
得到模型对1个测试样本进行分类;
重复以上过程255次;
得到了所有样本的分类结果。
优选的,还包括:
设定行动限值,并根据所述行动限值的大小来对不同γ通过率标准分类,如果γ通过率大于所述行动限值的为负类,小于等于为正类;
根据调强放射治疗计划将所述行动限值分为2个类别,并对分类模型的分类结果的混淆矩阵的进行统计,进而计算机器学习模型的特异性和灵敏度。
优选的,所述射野面积的特征参数包括:平均射野面积参数、总射野面积参数、小野评分参数、边缘面积参数、平均叶片间距参数、叶片间距标准差;
所述射野调制复杂度的特征参数包括:调制复杂度、叶片边缘参数、计划不规则度、计划调制程度、转换射野参数、射野周长面积比、平均偏中心距离;
所述叶片运动的行征参数包括:平均叶片速度、叶片速度标准差、平均叶片加速度、叶片加速度标准差、叶片速度调制复杂度、叶片加速度调制复杂度、叶片行走距离;
所述剂量的特征参数包括:计划归一跳数、平均剂量率、平均机架速度、机架速度标准差、总调制复杂度。
本发明还提供一种基于人工智能的剂量验证系统,包括:
参数获取单元,用于获取调强放射治疗计划的射野面积、射野调制复杂度、叶片运动和剂量的特征参数;
预测模型建立单元,用于建立机器学习模型,将所述特征参数作为所述机器学习模型的输入样本,设定标准γ通过率作为所述机器学习模型的输出;
训练验证单元,进行样本训练以得到最佳回归模型,并根据所述最佳回归模型对待验证的所述特征参数进行预测γ通过率,进而对临床调强放射治疗计划进行预测。
优选的,还包括:
分类模型建立单元,用于建立基于随机森林模型的分类模型,将所述特征参数作为所述随机森林模型的输入样本,所述标准γ通过率作为随机森林模型的输出;
训练分类单元,用于进行样本训练以产生RF分类器,并根据RF分类器对待验证的所述特征参数进行投票得到分类结果,根据所述分类结果对临床调强放射治疗计划进行验证。
优选的,还包括
行动限值设定单元,用于设定行动限值,并根据所述行动限值的大小来对不同γ通过率标准分类,如果γ通过率大于所述行动限值的为负类,小于等于为正类;
特异性和灵敏度计算单元,用于根据调强放射治疗计划将所述行动限值分为2个类别,并对分类模型的分类结果的混淆矩阵的进行统计,进而计算机器学习模型的特异性和灵敏度。
本发明提供一种基于人工智能的剂量验证方法及系统,通过采用基于机器学习(PL)和随机森林(RF)的预测模型,对调强放射治疗计划数据进行训练,进而实现预测。解决现有放射治疗对患者治疗进行剂量验证工作存在花费时间长、人力物力成本高的问题,能提高剂量验证的效率和质量,其结果有助于对验证结果进行分析,减少验证成本。
附图说明
为了更清楚地说明本发明的具体实施例,下面将对实施例中所需要使用的附图作简单地介绍。
图1是本发明提供的一种基于人工智能的剂量验证方法示意图。
图2是本发明实施例提供的泊松拉索模型训练流程示意图;
图3是本发明实施例提供的随机森林模型训练流程示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明实施例的方案,下面结合附图和实施方式对本发明实施例作进一步的详细说明。
针对当前调强放射治疗技术在临床应用中需要对患者治疗计划进行剂量验证工作,需要耗费大量的人力物力。本发明提供一种基于人工智能的剂量验证方法及系统,通过采用基于泊松拉索(PL)和随机森林(RF)的预测模型,对调强放射治疗计划数据进行训练,进而实现预测。解决现有放射治疗对患者治疗进行剂量验证工作存在花费时间长、人力物力成本高的问题,能提高剂量验证的效率和质量,其结果有助于对验证结果进行分析,减少验证成本。
如图1所示,一种基于人工智能的剂量验证方法,包括:
S1:获取调强放射治疗计划的射野面积、射野调制复杂度、叶片运动和剂量的特征参数;
S2:建立泊松拉索模型,将所述特征参数作为所述泊松拉索模型的输入样本,设定标准γ通过率作为所述泊松拉索模型的输出;
S3:进行样本训练以得到最佳回归模型,并根据所述最佳回归模型对待验证的所述特征参数进行预测γ通过率(GPR,gamma passing rate),进而对临床调强放射治疗计划进行预测。
在实际应用中,泊松拉索模型可以用于个性化预测研究,该模型由具有泊松先验和LASSO(least absolute shrinkage and selection operator)正则化约束的广义线性回归模型(GLM)组成。泊松回归用于对具有计数属性的非负数据进行建模,通过最大后验(MAP)估计来解决问题,并尝试通过交叉验证来确定参数β的最佳权重。在一实施例中,如图2所示,在临床验证中,将用于技术验证的255个调强放射治疗计划用于模型训练,并将另一个独立临床测试集作为外部测试。在泊松拉索模型(PL)中模型的输入是54个特征参数,输入是不同标准下的γ通过率(GPR,gamma passing rate)。在基于泊松拉索(PL)回归模型中,使用嵌套10倍交叉验证和留一法交叉验证(LOOCV)的PL模型的技术验证工作流程如图2所示。为了使用尽可能多的数据训练回归模型并使用剩余数据测试模型,使用了LOOCV,并将数据分为254个训练计划和1个测试计划。在模型训练阶段,对PL使用10倍交叉验证以实现最佳超参数选择,该超参数用于训练最佳回归模型以实现更好的泛化性能。每次训练过程结束后,将从训练数据中得出的模型用于预测一个测试计划的GPR。此过程循环了255次,因此实现了对每个调强放射治疗计划的GPR。
由于调强放射治疗是一种在对放疗靶区的覆盖和减少对器官的伤害方面均有很好效果的放疗方法,使其成为目前研究放疗计划质量保证的首选之一。患者个体化质量保证是可以用于评估治疗的可靠性和降低患者治疗风险,但调强放射治疗计划的QA对治疗中心而言是一种消耗大量资源和时间的工作,因此,使用机器学习的方法来辅助处理患者个体化质量保证,减少质量保证工作量具有重要意义。
该方法还包括:
S4:建立基于随机森林模型的分类模型,将所述特征参数作为所述随机森林模型的输入样本,所述标准γ通过率作为随机森林模型的输出;
S5:进行样本训练以产生RF分类器,并根据RF分类器对待验证的所述特征参数进行投票得到分类结果,根据所述分类结果对临床调强放射治疗计划进行验证。
在一实施例中,如图3所示,在基于随机森林的分类模型中采用主成分分析(PCA)来减少分类前的特征数,这是一种正交线性变换,用于将数据从高维空间转换为所需的低维水平。此处,数据从54维转换为15维。由于调强放射治疗计划中正计划与负计划之间的样本严重失衡(GPR相对较高的计划数量与GPR相对较低的计划数量上严重不平衡),这将导致不良的分类结果,即倾向于将样本分成样本数多的那一类。为了避免少类被RF分类器所忽略,我们采用了随机欠采样策略,通过将多数类下采样到与少数类相同的大小来平衡两个不平衡类别。RF被用来提供基本的分类器,因为RF通过使用列采样来避免过度拟合而获得了更好的性能和通用性。然后将这些RF分类器集成在一起以减少差异并获得最终的稳定分类结果。
在临床验证中,使用独立的48个调强放射治疗计划队列对技术验证过程训练的模型进行验证,以进一步验证机器学习模型作为减少QA工作量的临床可行工具的可靠性和可行性。
临床验证的具体步骤:
1、利用上述方法,使用255个调强放射治疗计划数据,建立泊松拉索模型回归模型和随机森林的分类模型。
2、利用回归和分类模型,分别对48个临床数据进行回归预测和分类预测,并得到最终的预测结果。
进一步,所述进行样本训练以得到最佳回归模型,并根据所述最佳回归模型对待验证的所述特征参数进行预测γ通过率,包括:
1、从样本中依次选择1个样本作为测试样本,剩余254个样本作为训练样本;
2、模型采用十折交叉验证法对255个样本进行训练,寻找最佳的超参数β,得到最优化的模型;
3、得到最优化模型后,将1个测试样本的特征参数输入模型,使用模型预测测试集计划的平面剂量γ通过率,并与相应的实际测量γ通过率进行比较,评价预测准确性;
4、重复以上过程N次;
5、得到了所有样本的回归结果。
所述得到最佳回归模型,包括:通过求解 得到最优的回归参数,其中x为样本特征,β是各个特征对应的回归系数,ω是超参数,y为x对应的γ通过率值,e为指数函数,T为矩阵转置。在实际应用中,泊松拉索回归模型:在泊松拉索模型(PL)中不是对预测通过率pr(X),而是预测失败率100–pr(X)的。模型的形式为该模型是使用开源python软件包Statsmodels实现的。
进一步,所述进行样本训练以产生RF分类器,并根据RF分类器对待验证的所述特征参数进行投票得到分类结果,包括:
1、从样本中依次选择1个样本作为测试样本,剩余254个样本作为训练样本;
2、对254个训练样本进行降维;
3、对多数类进行随机欠采样m次,以平衡样本分布,从而产生m个RF分类器;
4、所有m个分类器进行集成投票,得到集成投票的结果;
5、得到模型对1个测试样本进行分类;
6、重复以上过程255次;
7、得到了所有样本的分类结果。
该方法还包括:
S6:设定行动限值(action limit),并根据所述行动限值的大小来对不同γ通过率标准分类,如果γ通过率大于所述行动限值的为负类,小于等于为正类;
S7:根据调强放射治疗计划将所述行动限值分为2个类别,并对分类模型的分类结果的混淆矩阵的进行统计,进而计算泊松拉索模型的特异性和灵敏度。
在实际应用中,使用行动限值(Action limit)的大小来对不同伽玛标准分类,大于行动限值的为负类,小于等于为正类。如:计算PL模型的灵敏度和特异性为3%/2mm,行动限值为90%,计算为2%/2mm,行动限值为80%。灵敏度和特异性的计算包括:1、根据数据的行动限值基于分为2个类别。2、对分类模型的分类结果的混淆矩阵的进行统计。3、进而计算模型的特异性和灵敏度。
需要说明的是,所述射野面积的特征参数包括:平均射野面积参数、总射野面积参数、小野评分参数、边缘面积参数、平均叶片间距参数、叶片间距标准差。
所述射野调制复杂度的特征参数包括:调制复杂度、叶片边缘参数、计划不规则度、计划调制程度、转换射野参数、射野周长面积比、平均偏中心距离。
所述叶片运动的行征参数包括:平均叶片速度、叶片速度标准差、平均叶片加速度、叶片加速度标准差、叶片速度调制复杂度、叶片加速度调制复杂度、叶片行走距离。
所述剂量的特征参数包括:计划归一跳数、平均剂量率、平均机架速度、机架速度标准差、总调制复杂度。
可见,本发明提供的一种基于人工智能的剂量验证方法,通过采用基于泊松拉索(PL)和随机森林(RF)的预测模型,对调强放射治疗计划数据进行训练,进而实现预测。解决现有放射治疗对患者治疗进行剂量验证工作存在花费时间长、人力物力成本高的问题,能提高剂量验证的效率和质量,其结果有助于对验证结果进行分析,减少验证成本。
相应地,本发明还提供的一种基于人工智能的剂量验证系统,包括:参数获取单元,用于获取调强放射治疗计划的射野面积、射野调制复杂度、叶片运动和剂量的特征参数。预测模型建立单元,用于建立泊松拉索模型,将所述特征参数作为所述泊松拉索模型的输入样本,设定标准γ通过率作为所述泊松拉索模型的输出。训练验证单元,进行样本训练以得到最佳回归模型,并根据所述最佳回归模型对待验证的所述特征参数进行预测γ通过率,进而对临床调强放射治疗计划进行预测。
该系统还包括:分类模型建立单元,用于建立基于随机森林模型的分类模型,将所述特征参数作为所述随机森林模型的输入样本,所述标准γ通过率作为随机森林模型的输出。训练分类单元,用于进行样本训练以产生RF分类器,并根据RF分类器对待验证的所述特征参数进行投票得到分类结果,根据所述分类结果对临床调强放射治疗计划进行验证。
该系统还包括:行动限值设定单元,用于设定行动限值,并根据所述行动限值的大小来对不同γ通过率标准分类,如果γ通过率大于所述行动限值的为负类,小于等于为正类。特异性和灵敏度计算单元,用于根据调强放射治疗计划将所述行动限值分为2个类别,并对分类模型的分类结果的混淆矩阵的进行统计,进而计算泊松拉索模型的特异性和灵敏度。
可见,本发明提供的一种基于人工智能的剂量验证系统,通过采用基于泊松拉索(PL)和随机森林(RF)的预测模型,对调强放射治疗计划数据进行训练,进而实现预测。解决现有放射治疗对患者治疗进行剂量验证工作存在花费时间长、人力物力成本高的问题,能提高剂量验证的效率,减少验证成本。
以上依据图示所示的实施例详细说明了本发明的构造、特征及作用效果,以上所述仅为本发明的较佳实施例,但本发明不以图面所示限定实施范围,凡是依照本发明的构想所作的改变,或修改为等同变化的等效实施例,仍未超出说明书与图示所涵盖的精神时,均应在本发明的保护范围内。
Claims (6)
1.一种基于人工智能的剂量验证方法,其特征在于,包括:
获取调强放射治疗计划的射野面积、射野调制复杂度、叶片运动和剂量的特征参数;
建立泊松拉索模型,将所述特征参数作为所述泊松拉索模型的输入样本,设定标准γ通过率作为所述泊松拉索模型的输出;
进行样本训练以得到最佳回归模型,并根据所述最佳回归模型对待验证的所述特征参数进行预测γ通过率,进而对临床调强放射治疗计划进行预测;
建立基于随机森林模型的分类模型,将所述特征参数作为所述随机森林模型的输入样本,所述标准γ通过率作为随机森林模型的输出;
进行样本训练以产生RF分类器,并根据RF分类器对待验证的所述特征参数进行投票得到分类结果,根据所述分类结果在临床调强放射治疗计划上进行验证;
设定行动限值,并根据所述行动限值的大小来对不同γ通过率标准分类,如果γ通过率大于所述行动限值的为负类,小于等于为正类;
根据调强放射治疗计划将所述行动限值分为2个类别,并对分类模型的分类结果的混淆矩阵的进行统计,进而计算泊松拉索模型的特异性和灵敏度。
2.根据权利要求1所述的基于人工智能的剂量验证方法,其特征在于,所述进行样本训练以得到最佳回归模型,并根据所述最佳回归模型对待验证的所述特征参数进行预测γ通过率包括:
从255个样本构成的样本集中依次选择1个样本作为测试样本,剩余254个样本作为训练样本;
模型采用十折交叉验证法对255个样本进行训练,寻找最佳的超参数β,得到最优化的模型;
得到最优化模型后,将1个测试样本的特征参数输入模型,使用模型预测测试集计划的平面剂量γ通过率,并与相应的实际测量γ通过率进行比较,评价预测准确性;
重复以上过程N次;
得到了所有样本的回归结果。
4.根据权利要求1所述的基于人工智能的剂量验证方法,其特征在于,所述进行样本训练以产生RF分类器,并根据RF分类器对待验证的所述特征参数进行投票得到分类结果,包括:
从255个样本构成的样本集中依次选择1个样本作为测试样本,剩余254个样本作为训练样本;
对254个训练样本进行降维;
对多数类进行随机欠采样m次,以平衡样本分布,从而产生m个RF分类器;
所有m个分类器进行集成投票,得到集成投票的结果;
得到模型对1个测试样本进行分类;
重复以上过程255次;
得到了所有样本的分类结果。
5.根据权利要求1所述的基于人工智能的剂量验证方法,其特征在于,所述射野面积的特征参数包括:平均射野面积参数、总射野面积参数、小野评分参数、边缘面积参数、平均叶片间距参数、叶片间距标准差;
所述射野调制复杂度的特征参数包括:调制复杂度、叶片边缘参数、计划不规则度、计划调制程度、转换射野参数、射野周长面积比、平均偏中心距离;
所述叶片运动的行征参数包括:平均叶片速度、叶片速度标准差、平均叶片加速度、叶片加速度标准差、叶片速度调制复杂度、叶片加速度调制复杂度、叶片行走距离;
所述剂量的特征参数包括:计划归一跳数、平均剂量率、平均机架速度、机架速度标准差、总调制复杂度。
6.一种基于人工智能的剂量验证系统,其特征在于,包括:
参数获取单元,用于获取调强放射治疗计划的射野面积、射野调制复杂度、叶片运动和剂量的特征参数;
预测模型建立单元,用于建立泊松拉索模型,将所述特征参数作为所述泊松拉索模型的输入样本,设定标准γ通过率作为所述泊松拉索模型的输出;
训练验证单元,进行样本训练以得到最佳回归模型,并根据所述最佳回归模型对待验证的所述特征参数进行预测γ通过率,进而对临床调强放射治疗计划进行预测;
分类模型建立单元,用于建立基于随机森林模型的分类模型,将所述特征参数作为所述随机森林模型的输入样本,所述标准γ通过率作为随机森林模型的输出;
训练分类单元,用于进行样本训练以产生RF分类器,并根据RF分类器对待验证的所述特征参数进行投票得到分类结果,根据所述分类结果对临床调强放射治疗计划进行验证;
行动限值设定单元,用于设定行动限值,并根据所述行动限值的大小来对不同γ通过率标准分类,如果γ通过率大于所述行动限值的为负类,小于等于为正类;
特异性和灵敏度计算单元,用于根据调强放射治疗计划将所述行动限值分为2个类别,并对分类模型的分类结果的混淆矩阵的进行统计,进而计算泊松拉索模型的特异性和灵敏度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010328992.6A CN111540437B (zh) | 2020-04-23 | 2020-04-23 | 一种基于人工智能的剂量验证方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010328992.6A CN111540437B (zh) | 2020-04-23 | 2020-04-23 | 一种基于人工智能的剂量验证方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111540437A CN111540437A (zh) | 2020-08-14 |
CN111540437B true CN111540437B (zh) | 2023-05-12 |
Family
ID=71975521
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010328992.6A Active CN111540437B (zh) | 2020-04-23 | 2020-04-23 | 一种基于人工智能的剂量验证方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111540437B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112581475B (zh) * | 2021-02-25 | 2021-05-25 | 四川大学华西医院 | 一种预测放疗计划的伽马通过率的方法 |
CN113827877B (zh) * | 2021-09-15 | 2024-05-28 | 上海市胸科医院 | 一种基于加速器日志文件实现自动化剂量验证的方法 |
CN114146329B (zh) * | 2021-12-07 | 2023-06-23 | 江苏省中医院 | 一种引入伽玛通过率优化目标的放射治疗计划优化系统 |
CN114925904A (zh) * | 2022-05-17 | 2022-08-19 | 厦门大学附属第一医院 | 一种预测螺旋断层放疗计划的γ通过率的方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109801696A (zh) * | 2017-11-17 | 2019-05-24 | 北京连心医疗科技有限公司 | 一种人工智能的云放疗计划方法、设备、存储介质和系统 |
CN110232964A (zh) * | 2019-06-04 | 2019-09-13 | 苏州雷泰智能科技有限公司 | 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 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014197994A1 (en) * | 2013-06-12 | 2014-12-18 | University Health Network | Method and system for automated quality assurance and automated treatment planning in radiation therapy |
CN109922863A (zh) * | 2016-11-15 | 2019-06-21 | 西安大医集团有限公司 | 一种放射治疗计划的生成方法和放射治疗计划系统 |
CN108717866B (zh) * | 2018-04-03 | 2022-10-11 | 中国医学科学院肿瘤医院 | 一种预测放疗计划剂量分布的方法、装置、设备及存储介质 |
KR102035736B1 (ko) * | 2018-07-19 | 2019-10-23 | 연세대학교 산학협력단 | 방사선 치료 장비의 선량 품질 검증 방법 및 장치 |
CN109166613A (zh) * | 2018-08-20 | 2019-01-08 | 北京东方瑞云科技有限公司 | 基于机器学习的放射治疗计划评估系统及方法 |
CN110211664B (zh) * | 2019-04-25 | 2022-11-04 | 安徽大学 | 一种基于机器学习自动设计放射治疗方案的系统 |
CN109966662B (zh) * | 2019-04-30 | 2020-11-24 | 四川省肿瘤医院 | 一种验证放射治疗剂量的系统 |
CN110354406A (zh) * | 2019-07-30 | 2019-10-22 | 安徽大学 | 一种放射治疗的三维剂量预测方法和系统 |
CN110841205B (zh) * | 2019-10-21 | 2021-06-22 | 温州医科大学附属第一医院 | 一种肿瘤患者精准剂量验证装置 |
-
2020
- 2020-04-23 CN CN202010328992.6A patent/CN111540437B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109801696A (zh) * | 2017-11-17 | 2019-05-24 | 北京连心医疗科技有限公司 | 一种人工智能的云放疗计划方法、设备、存储介质和系统 |
CN110232964A (zh) * | 2019-06-04 | 2019-09-13 | 苏州雷泰智能科技有限公司 | 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 |
Also Published As
Publication number | Publication date |
---|---|
CN111540437A (zh) | 2020-08-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111540437B (zh) | 一种基于人工智能的剂量验证方法和系统 | |
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 | |
Chan et al. | Integration of AI and machine learning in radiotherapy QA | |
US10765888B2 (en) | System and method for automatic treatment planning | |
Hirashima et al. | Improvement of prediction and classification performance for gamma passing rate by using plan complexity and dosiomics features | |
CN110841205B (zh) | 一种肿瘤患者精准剂量验证装置 | |
CN112581475B (zh) | 一种预测放疗计划的伽马通过率的方法 | |
CN107545137A (zh) | 肿瘤放射治疗计划智能优化方法 | |
Wang et al. | Multi-task autoencoder based classification-regression model for patient-specific VMAT QA | |
Potter et al. | Error detection and classification in patient‐specific IMRT QA with dual neural networks | |
Fan et al. | Verification of the machine delivery parameters of a treatment plan via deep learning | |
CN112133440A (zh) | 一种剂量计算系统、剂量质量保证系统及存储介质 | |
Iancu et al. | Radiomics in head and neck cancers radiotherapy. Promises and Challenges | |
Hao et al. | Improvement of IMRT QA prediction using imaging‐based neural architecture search | |
Varfalvy et al. | Classification of changes occurring in lung patient during radiotherapy using relative γ analysis and hidden Markov models | |
Suprun et al. | The use of artificial intelligence to diagnose the disease | |
CN112349383A (zh) | 一种基于机器学习和蒙特卡罗算法的放射治疗剂量计算与验证方法 | |
Matsuura et al. | Predictive gamma passing rate of 3D detector array-based volumetric modulated arc therapy quality assurance for prostate cancer via deep learning | |
CN111951926A (zh) | 基于机器学习技术的不同类型肿瘤对放疗射线敏感性的检测方法 | |
CN114420252A (zh) | 一种调强放疗计划评估参数矩阵确定方法、装置及介质 | |
Ni et al. | Fast VMAT planning for prostate radiotherapy: dosimetric validation of a deep learning-based initial segment generation method | |
Vazquez et al. | A deep learning-based approach for statistical robustness evaluation in proton therapy treatment planning: a feasibility study | |
CN104268566A (zh) | 淋巴结疾病智能诊断系统中的数据处理方法 | |
CN113516233A (zh) | 一种面向vmat放疗计划的神经网络预测方法 | |
Bao et al. | Deep Reinforcement Learning for Beam Angle Optimization of Intensity-Modulated Radiation Therapy |
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 |