CN111833988B - 放射参数确定方法及装置、电子设备和存储介质 - Google Patents

放射参数确定方法及装置、电子设备和存储介质 Download PDF

Info

Publication number
CN111833988B
CN111833988B CN202010676437.2A CN202010676437A CN111833988B CN 111833988 B CN111833988 B CN 111833988B CN 202010676437 A CN202010676437 A CN 202010676437A CN 111833988 B CN111833988 B CN 111833988B
Authority
CN
China
Prior art keywords
radiation
dose
network
parameter
image
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
Application number
CN202010676437.2A
Other languages
English (en)
Other versions
CN111833988A (zh
Inventor
吴振洲
许文勇
刘昱
张培芳
徐奕宁
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.)
Beijing Ande Yizhi Technology Co ltd
Original Assignee
Beijing Ande Yizhi Technology Co ltd
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 Beijing Ande Yizhi Technology Co ltd filed Critical Beijing Ande Yizhi Technology Co ltd
Priority to CN202010676437.2A priority Critical patent/CN111833988B/zh
Publication of CN111833988A publication Critical patent/CN111833988A/zh
Application granted granted Critical
Publication of CN111833988B publication Critical patent/CN111833988B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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
    • G06N3/048—Activation functions
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Public Health (AREA)
  • Artificial Intelligence (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Epidemiology (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Primary Health Care (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Surgery (AREA)
  • Urology & Nephrology (AREA)
  • Quality & Reliability (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本公开涉及一种放射参数确定方法及装置、电子设备和存储介质，所述方法包括：通过分割网络对待处理图像进行分割处理，获得目标区域的第一轮廓以及保护区域的第二轮廓；将待处理图像、第一轮廓、第二轮廓以及预设放射剂量输入剂量阵列网络，获得剂量阵列；将剂量阵列、第一轮廓和第二轮廓输入放射参数网络，获得初始放射参数；根据初始放射参数与预设放射剂量，确定目标放射参数。根据本公开的实施例的放射参数确定方法，通过分割网络自动分割出图像中的目标区域和保护区域，减少了人工干预的误差。并通过剂量阵列网络和放射参数网络确定医疗仪器的初始放射参数，进而确定目标放射参数，可自动实现放射参数确定的流程，提升工作效率以及方案的准确性。

Description

放射参数确定方法及装置、电子设备和存储介质
技术领域
本公开涉及计算机技术领域，尤其涉及一种放射参数确定方法及装置、电子设备和存储介质。
背景技术
放射疗法可通过来自于体外或体内的高能辐射来针对性地消除癌细胞。
确定放射治疗过程中医疗仪器的放射参数需要使用患者的医学三维图像。该图像首先用于识别和划定癌变区域以及周围的有被辐射伤害的危险的器官。接下来，为癌变区域规定剂量，为器官规定约束条件(即，辐射至器官的辐射剂量的约束条件)。由于可能有多个器官和多个肿瘤部位，这使得手动描绘图像中的每个结构非常耗时。尽管可以使用自动化工具来辅助描绘过程，但许多器官和肿瘤的边界难以准确描绘。基于可见边界绘制轮廓的工具可能会导致结果不准确，进而影响后续的治疗。另一方面，如果手动进行轮廓绘制，取决于临床医生的经验以及判断，可能导致轮廓误差。
在确定癌变区域和器官之后，可以确定放射剂量。放射剂量需要在肿瘤和正常组织之间取得平衡，以使肿瘤得到控制的同时保证放射治疗诱发的有害副作用在可接受的范围之内。满足临床目标的最优配置可以通过在约束条件下求解优化函数计算得到。可根据目标区域的位置以及周围健康组织的位置的信息，生成放射参数以控制关辐射束的位置和强度。理想情况下，目标区域将接受足够剂量辐射束的辐射，而周围的器官的辐射剂量处于正常组织可以接受的范围以最小化对正常组织的伤害。然而，即使射线束的强度已经按照给定的约束条件进行了优化，获取到的放射剂量也不一定能够满足消除癌细胞和保护正常器官的要求。此时就需要修改约束条件来尝试调整医疗仪器的放射参数，通常可使用逆向调整的流程。在逆向调整过程中，治疗方案软件(treatment planning software,TPS)将会根据优化过程的解，模拟辐射剂量在组织上的分布。用户可依据当前剂量与预设剂量之间的差异和各个结构之间的相对关系，调整等约束条件来获取一个新的放射参数。这个试错过程将持续到一个可接受的计划被发现。然而，治疗计划的确立过程仍然需要人工参与，可能由于经验产生误差，并且获取到较好的治疗方案的过程会耗费较多的时间。因此，患者可能最终会收到一个并非最优的治疗方案。
上述调整方法仍然需要人工介入。由于工作流程涉及不同的人员和系统，因此必须在花费时间来整合不工作流程的不同阶段。在每个阶段也有可能由于人为错误或数据损坏而对最终治疗方案的质量产生不利影响。工作流程中任何阶段的误差都会导致确定可实施的治疗计划所需的时间延长。
此外，前述的肿瘤和器官分割的方案存在难以普适化的问题。通常，3D图像上的分割结果受到图像扫描过程中垂直间距的影响。这将导致其不能适用于所有的医学图像，例如，某些扫描间隔较大的CT图像(Computed Tomography，电子计算机断层扫描图像)。
发明内容
本公开提出了一种放射参数确定方法及装置、电子设备和存储介质。
根据本公开的一方面，提供了一种放射参数确定方法，包括：通过分割网络对待处理图像进行分割处理，获得目标区域的第一轮廓以及保护区域的第二轮廓；将所述待处理图像、所述第一轮廓、所述第二轮廓以及预设放射剂量输入剂量阵列网络，获得所述待处理图像中各区域的剂量阵列；将所述剂量阵列、所述第一轮廓和所述第二轮廓输入放射参数网络，获得针对目标区域的初始放射参数；根据所述初始放射参数与所述预设放射剂量，确定目标放射参数。
根据本公开的实施例的放射参数确定方法，可通过分割网络自动分割出图像中的目标区域和保护区域，减少了人工干预的误差。并可通过剂量阵列网络和放射参数网络确定医疗仪器的初始放射参数，并根据初始放射参数与预设放射剂量，确定目标放射参数。可自动实现放射参数确定的全流程，减少人工干预，提升工作效率，并提高方案的准确性。
在一种可能的实现方式中，所述方法还包括：将第一样本图像、第一样本图像的目标区域的轮廓、第一样本图像的保护区域的轮廓以及预设放射剂量输入剂量阵列网络，获得所述第一样本图像中各区域的预测剂量阵列；根据所述第一样本的图像的预测剂量阵列以及所述第一样本图像的标注信息，训练所述剂量阵列网络。
在一种可能的实现方式中，所述方法还包括：将第二样本图像、第二样本图像的目标区域的轮廓、第二样本图像的保护区域的轮廓以及所述预设放射剂量输入训练后的剂量阵列网络，获得第二样本图像的剂量阵列；将第二样本图像的目标区域的轮廓、第二样本图像的保护区域的轮廓以及第二样本图像的剂量阵列输入放射参数网络，获得预测放射参数；根据所述预测放射参数和所述第二样本图像的标注信息，训练所述放射参数网络。
在一种可能的实现方式中，所述方法还包括：根据所述初始放射参数与所述预设放射剂量，确定用于调整放射状态的第一动作向量；以第一预设概率按照与所述第一动作向量相同的生成规则生成当前放射状态的动作向量。
在一种可能的实现方式中，根据所述初始放射参数与所述预设放射剂量，确定用于调整放射状态的第一动作向量，包括：根据所述初始放射参数，确定初始放射状态的状态向量；通过动作网络生成第n个放射状态的动作向量，其中，n为大于或等于1的整数；根据所述第n个放射状态的动作向量、第n个放射状态的状态向量获得第n+1个放射状态的状态向量；通过评价网络根据所述第n+1个放射状态的状态向量以及预设放射剂量确定第n个放射状态的回报向量；在多个放射状态中，确定出至少一个回报向量表示正回报的放射状态第一放射状态，并将所述第一放射状态的动作向量确定为所述第一动作向量。
在一种可能的实现方式中，根据所述初始放射参数与所述预设放射剂量，确定目标放射参数，包括：根据所述初始放射参数和所述当前放射状态的动作向量，获得当前约束条件；根据所述当前约束条件，确定当前放射参数；在所述当前放射参数满足所述预设放射剂量的情况下，将当前放射参数确定为所述目标放射参数。
在一种可能的实现方式中，所述待处理图像包括医学图像，所述目标区域包括病灶区域。
根据本公开的另一方面，提供了一种放射参数确定装置，包括：分割模块，用于通过分割网络对待处理图像进行分割处理，获得目标区域的第一轮廓以及保护区域的第二轮廓；剂量阵列模块，用于将所述待处理图像、所述第一轮廓、所述第二轮廓以及预设放射剂量输入剂量阵列网络，获得所述待处理图像中各区域的剂量阵列；初始放射参数模块，用于将所述剂量阵列、所述第一轮廓和所述第二轮廓输入放射参数网络，获得针对目标区域的初始放射参数；放射参数模块，用于根据所述初始放射参数与所述预设放射剂量，确定目标放射参数。
在一种可能的实现方式中，所述装置还包括：预测剂量模块，用于将第一样本图像、第一样本图像的目标区域的轮廓、第一样本图像的保护区域的轮廓以及预设放射剂量输入剂量阵列网络，获得所述第一样本图像中各区域的预测剂量阵列；剂量阵列网络训练模块，用于根据所述第一样本的图像的预测剂量阵列以及所述第一样本图像的标注信息，训练所述剂量阵列网络。
在一种可能的实现方式中，所述装置还包括：剂量模块，用于将第二样本图像、第二样本图像的目标区域的轮廓、第二样本图像的保护区域的轮廓以及所述预设放射剂量输入训练后的剂量阵列网络，获得第二样本图像的剂量阵列；预测放射参数模块，用于将第二样本图像的目标区域的轮廓、第二样本图像的保护区域的轮廓以及第二样本图像的剂量阵列输入放射参数网络，获得预测放射参数；放射参数网络训练模块，用于根据所述预测放射参数和所述第二样本图像的标注信息，训练所述放射参数网络。
在一种可能的实现方式中，所述方法还包括：第一动作向量模块，用于根据所述初始放射参数与所述预设放射剂量，确定用于调整放射状态的第一动作向量；生成模块，用于以第一预设概率按照与所述第一动作向量相同的生成规则生成当前放射状态的动作向量。
在一种可能的实现方式中，所述第一动作向量模块被进一步配置为：根据所述初始放射参数，确定初始放射状态的状态向量；通过动作网络生成第n个放射状态的动作向量，其中，n为大于或等于1的整数；根据所述第n个放射状态的动作向量、第n个放射状态的状态向量获得第n+1个放射状态的状态向量；通过评价网络根据所述第n+1个放射状态的状态向量以及预设放射剂量确定第n个放射状态的回报向量；在多个放射状态中，确定出至少一个回报向量表示正回报的放射状态第一放射状态，并将所述第一放射状态的动作向量确定为所述第一动作向量。
在一种可能的实现方式中，所述生成模块被进一步配置为：根据所述初始放射参数和所述当前放射状态的动作向量，获得当前约束条件；根据所述当前约束条件，确定当前放射参数；在所述当前放射参数满足所述预设放射剂量的情况下，将当前放射参数确定为所述目标放射参数。
在一种可能的实现方式中，所述待处理图像包括医学图像，所述目标区域包括病灶区域。
在一种可能的实现方式中，本公开还提供了一种放射参数确定装置，其特征在于，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为：调用所述存储器存储的指令，以执行所述放射参数确定方法。
根据本公开的一方面，提供了一种放射参数确定装置，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述放射参数确定方法。
根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述放射参数确定方法。
根据本公开的实施例的放射参数确定方法，可通过分割网络自动分割出图像中的目标区域和保护区域，减少了人工干预的误差。并可通过剂量阵列网络和放射参数网络确定医疗仪器的初始放射参数。并通过增强学习神经网络确定目标放射参数，在确定目标放射参数的过程中，可通过探索阶段、跟随阶段和调整阶段来训练增强学习神经网络，并通过增强学习神经网络确定调整路径，可减少不必要的动作，提高优化效率，减少过长的优化路径，以较快的速度确定目标放射参数。可自动实现放射参数确定的全流程，减少人工干预，提升工作效率，并提高方案的准确性。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的放射参数确定方法的流程图；
图2示出根据本公开实施例的提取医学图像的示意图；
图3示出根据本公开实施例的分割网络的示意图；
图4示出根据本公开实施例的编码器的示意图；
图5示出根据本公开实施例的解码器的示意图；
图6示出根据本公开实施例的分割网络训练的示意图；
图7示出根据本公开实施例的后处理的示意图；
图8示出根据本公开实施例的剂量阵列和放射参数阵列的训练示意图；
图9示出根据本公开实施例的获得目标放射参数的示意图；
图10示出根据本公开的实施例的探索阶段的示意图；
图11示出根据本公开的实施例的跟随阶段的示意图；
图12示出根据本公开的实施例的调整阶段的示意图；
图13示出根据本公开的实施例的放射参数确定方法的应用示意图；
图14示出根据本公开的实施例的放射参数确定装置的框图；
图15示出根据本公开的实施例的放射参数确定装置的框图；
图16示出根据本公开的实施例的放射参数确定装置的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
图1示出根据本公开实施例的放射参数确定方法的流程图，如图1所示，所述方法包括：
在步骤S11中，通过分割网络对待处理图像进行分割处理，获得目标区域的第一轮廓以及保护区域的第二轮廓；
在步骤S12中，将所述待处理图像、所述第一轮廓、所述第二轮廓以及预设放射剂量输入剂量阵列网络，获得所述待处理图像中各区域的剂量阵列；
在步骤S13中，将所述剂量阵列、所述第一轮廓和所述第二轮廓输入放射参数网络，获得针对目标区域的初始放射参数；
在步骤S14中，根据所述初始放射参数与所述预设放射剂量，确定目标放射参数。
根据本公开的实施例的放射参数确定方法，可通过分割网络自动分割出图像中的目标区域和保护区域，减少了人工干预的误差。并可通过剂量阵列网络和放射参数网络确定医疗仪器的初始放射参数，并根据初始放射参数与预设放射剂量，确定目标放射参数。可自动实现放射参数确定的全流程，减少人工干预，提升工作效率，并提高方案的准确性。
在一种可能的实现方式中，所述放射参数确定方法可以由终端设备或服务器等电子设备执行，终端设备可以为用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等，所述方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。或者，可通过服务器执行所述方法。
在一种可能的实现方式中，所述待处理图像包括医学图像，所述目标区域包括病灶区域，所述放射参数包括针对医疗仪器的放射参数，根据所述放射参数对医疗仪器进行设置，使医疗仪器放射出辐射束，且使辐射束满足预设放射剂量的要求，例如，使病灶区域的放射剂量足够消除癌细胞，并使保护区域的放射剂量处于可接受的水平(例如，对保护区域中的正常器官或组织的伤害较小)。所述医学图像可包括CT图像(Computed Tomography，电子计算机断层扫描图像)，MRI图像(Magnetic Resonance Imaging，磁共振成像)等，本公开对医学图像的类别不做限制。所述病灶区域可包括癌变区域等病灶区域。
在一种可能的实现方式中，上述方法可通过神经网络实现，例如，分割网络、剂量阵列网络、放射参数网络等。通过初始放射参数获得目标放射参数的处理，可通过增强学习神经网络来实现，以根据放射的环境调整参数，逐步获得目标放射参数。
在一种可能的实现方式中，可训练上述神经网络，以使神经网络达到较高的精度。在示例中，可通过包括医学图像的训练样本来训练上述神经网络。训练样本可以医学数字成像和通信(Digital Imaging and Communications in Medicine，DICOM)文件的形式保存，包括CT DICOM文件，放疗结构(Radiation TherapyPlanStruct)RTSTRUCTDICOM文件，放疗方案(Radiation TherapyPlan)RTPLANDICOM文件和放疗剂量(Radiation TherapyDose)RTDOSEDICOM文件。医学图像以切片形式存储在CT DICOM文件中，CT DICOM文件存储原始图像尺寸，图像切片的相邻像素间的间距以及每个切片的绝对位置。有关器官和目标区域的信息以列表形式存储在RTSTRUCT DICOM文件中。用于放射参数的目标功能和约束条件可以存储在RTPLAN DICOM文件中，剂量阵列可存储在RTDOSE DICOM文件中。
在一种可能的实现方式中，可通过多个训练样本来训练所述神经网络。在示例中，可提取医学数字成像和通信文件中的所需数据，并训练相应的神经网络，例如，可提取医学数字成像和通信文件中的CT DICOM文件，即，提取医疗图像(CT图像)，以训练分割网络。
图2示出根据本公开实施例的提取医学图像的示意图。如图2所示，可提取医学数字成像和通信文件中的医学图像，例如，CT图像等立体图像，所述立体图像可包括多个图像切片，即，立体图像由多个二维图像切片组成。所述立体图像可包括目标区域(例如，病灶区域)和保护区域(例如，器官所在区域)的标注信息，例如，目标区域和保护区域的分割掩膜。
在一种可能的实现方式中，可将立体图像进行重采样，以符合神经网络的输入标准。进一步地，避免训练时过拟合，并提高神经网络的泛化性，可对立体图像进行数据增强。在示例中，所述立体图像的坐标轴为x轴、y轴和z轴，数据增强处理可包括在x-y平面上的平移，围绕z轴的旋转、缩放，围绕y轴的图像翻转，弹性变形以及对每个像素添加独立的高斯噪声等，本公开对数据增强处理的类型不做限制。
在一种可能的实现方式中，经过数据增强处理的立体图像，可用于训练分割网络或者剂量阵列网络，作为训练时的样本图像。样本图像的标注信息可在立体图像重采样时也被重采样成对应的尺寸。
在一种可能的实现方式中，所述分割网络可用于在医学图像中分割出目标区域(病灶区域)以及多个保护区域(器官，例如脊髓、脑干、左眼、右眼、左视神经、右视神经、左眼晶状体、右眼晶状体、左侧内耳、右侧内耳、左腮腺、右腮腺、左颞下颌关节、右颞下颌关节、左颚下腺、右鄂下腺、口腔、甲状腺以及喉部、气管、食道等器官或组织)，目标区域和每个保护区域均可具有各自的标注，即，各自的分割掩膜。
图3示出根据本公开实施例的分割网络的示意图，如图3所示，所述分割网络为U型网络，将一系列编码器和解码器通过跳跃连接组合在一起，让分割网络能够学习到图像的细节特征以及全局特征，可分割出目标区域或保护区域。分割网络的输入是尺寸为H x W x1(H和W为正整数，H为图像的高度，W为图像的宽度)的图像，即，立体图像的切片，可将多个切片输入神经网络，通过编码器逐级编码，以及解码器逐级解码，并通过跳跃连接的方式传输特征信息，使神经网络获得全局特征和细节特征。
图4示出根据本公开实施例的编码器的示意图，如图4所示，每个编码器均可包括一个激活层(例如，Relu激活层)，随后接着一系列具有相同卷积核的卷积层，最后和另外一个卷积核不同的卷积层的结果进行求和。每个编码器的输出将会通过两条路径传到后续的层级中。在一条路径中，编码器的输出特征通过池化(例如，最大池化)处理后直接传输给下一个编码器，以获得图像中的更高级别的特征(例如，感受野更大，通道数更多的特征)。在另外一条路径中，编码器的输出特征被传输至具有相同粒度级别的解码器中。
图5示出根据本公开实施例的解码器的示意图，如图5所示，每个解码器块会将从前一个解码器接收到的特征进行上采样，并将其与直接从编码器块接收到的特征进行融合。可对融合后的结果进行激活处理(例如，通过Relu激活层进行激活处理)，并通过一系列具有相同卷积核的卷积层并与另外一个卷积核不同的卷积层的输出进行求和。最后一个解码器，可通过激活层(例如，sigmoid激活层)获得H x W x n的分割掩膜，其中，n表示n种病灶区域、器官或组织的所在区域像素预测为阳性的概率。例如，可输出n个分割掩膜，每个分割掩膜分别表示病灶区域所在的区域(病灶区域的像素点的概率值大于预设阈值)的分割结果，器官或组织所在区域(器官或组织所在区域的像素点的概率值大于预设阈值)的分割结果。
在一种可能的实现方式中，可使用包括医学图像(例如，CT切片)的训练样本训练上述分割网络。医学图像的标注信息可包括目标区域(病灶区域)和保护区域(器官或组织所在区域)的轮廓。在示例中，器官或组织包括脊髓、脑干、左眼、右眼、左视神经、右视神经、左眼晶状体、右眼晶状体、左侧内耳、右侧内耳、左腮腺、右腮腺、左颞下颌关节、右颞下颌关节、左颚下腺、右鄂下腺、口腔、甲状腺以及喉部、气管、食道等，在示例中，可通过RTSTRUCTDICOM文件查询器官和目标区域的信息。本公开对器官或组织的类型不做限制。
图6示出根据本公开实施例的分割网络训练的示意图，如图6所示，可对训练样本进行预处理，例如重采样和数据增强等预处理。并获得三维医学图像(包括多个图像切片)以及每个切片对应的标注信息，即，目标区域和保护区域的轮廓。进一步地，可将目标区域和保护区域的轮廓进行转化，例如，转化为二值化的分割掩膜，以用于分割网络的训练。
在一种可能的实现方式中，医学图像的切片(例如，CT切片)的输入维度为H×W×1，而输出维度为H×W×n，n为预测的n个器官或组织的分割掩膜。H与W分别代表图像的高和宽的像素值。可将医学图像的切片输入分割网络，获得目标区域和保护区域的预测轮廓。并根据标注信息以及所述预测轮廓确定分割网络的网络损失。
在一种可能的实现方式中，可通过正则化的二元交叉熵损失函数获得分割网络的网络损失。对每个器官、组织或病灶区域，首先对整个分割掩膜计算二元交叉熵损失函数，并仅将每个器官、组织或病灶区域的二元交叉熵最高的前k％(k为整数，例如，k＝5)像素的损失添加到网络损失中。分割网络的权重使用Adam优化器通过小批量梯度下降的进行更新。
在一种可能的实现方式中，在训练完成后，可对分割网络进行验证，例如，可通过多组训练，获得多个参数互不相同的分割网络，并从中筛选出性能最优的分割网络。可采用标准三维集合相似度系数(Dice-DSC)获得具有最高三维集合相似度系数的前M(M为正整数，例如，20)个分割网络。进一步地，可使用了更精确的二维集合相似度系数，从M个分割网络中选择了在所有器官、组织或病灶区域的平均二维集合相似度系数最高的分割网络。
在一种可能的实现方式中，在验证后，可使用性能最优的分割网络对医学图像进行分割处理，获得目标区域的第一轮廓以及保护区域的第二轮廓。在步骤S11中，对于从CTDICOM文件获得的每个医学图像切片，分割网络被用于为n个器官、组织或病灶区域输出对应的分割掩膜。然后可将切片进行组合，以获得对应于三维医学图像的n个三维分割掩膜。进一步地，可使用概率阈值将分割掩膜转换为二值化的分割掩膜(例如，大于或等于概率阈值的像素点为目标区域或保护区域，小于概率阈值的像素点不是上述两种区域)。
在一种可能的实现方式中，在使用分割网络获得第一轮廓和第二轮廓时，可能存在噪声干扰，为了消除噪声干扰，可对获得的第一轮廓和第二轮廓进行后处理。
图7示出根据本公开实施例的后处理的示意图，如图7所示，首先在预测的分割掩膜中标识了所有三维区域(目标区域或保护区域)，但最后仅保留了像素数量最多的区域，例如，在图7左侧，分割网络预测出三个目标区域，可对该分割掩膜进行后处理，消除噪声干扰，保留像素数量最多的目标区域作为病灶区域(如图7右侧所示)。
在一种可能的实现方式中，在步骤S12中，可将待处理图像、第一轮廓、第二轮廓以及预设放射剂量输入剂量阵列网络，获得待处理图像中各区域的剂量阵列。
在一种可能的实现方式中，在使用所述剂量阵列网络确定剂量阵列前，可训练剂量阵列网络，使其获得较高的精度。所述方法还包括：将第一样本图像、第一样本图像的目标区域的轮廓、第一样本图像的保护区域的轮廓以及预设放射剂量输入剂量阵列网络，获得所述第一样本图像中各区域的预测剂量阵列；根据所述第一样本的图像的预测剂量阵列以及所述第一样本图像的标注信息，训练所述剂量阵列网络。
在示例中，所述第一样本图像可以是CT DICOM文件中的CT图像，第一样本图像的标注信息可包括第一样本图像中目标区域的轮廓和第一样本图像的保护区域的轮廓。在示例中，预设放射剂量可在RTPLAN DICOM文件中查询，例如，RTPLAN DICOM文件中保存的目标功能信息可包括各区域的预设放射剂量，例如，目标区域(病灶区域)的放射剂量较大，保护区域(正常器官或组织所在区域)放射剂量较小。第一样本图像的标注信息还可包括第一样本图像对应的剂量阵列，即，符合预设放射剂量要求的剂量阵列，例如，可由医生等专业人员确定的剂量阵列，该剂量阵列可保存在RTDOSE DICOM文件中。
图8示出根据本公开实施例的剂量阵列和放射参数阵列的训练示意图。如图8所示，保护区域的放射剂量取决于目标区域和保护区域之间的空间距离，在预测剂量阵列之前，可将医学图像、目标区域的轮廓(分割掩膜)和保护区域的轮廓(分割掩膜)进行预处理，获得预设分辨率的第一样本图像和分割掩膜。在示例中，可将CT DICOM文件中的CT图像以及标注信息(尺寸为D×H×W×1的CT图像，D×H×W×x的保护区域分割掩膜和D×H×W×y的目标区域分割掩膜，D、H和W分别表示图像的深度，高度和宽度，而x和y分别表示保护区域和目标区域的数量)首先进行缩放，再输入剂量阵列网络进行训练。剂量阵列网络输出D×H×W×1的预测剂量阵列，并按照使预测剂量阵列和RTDOSE DICOM文件中保存的剂量阵列之间的均方误差最小化来调整剂量阵列网络的参数。
在一种可能的实现方式中，可迭代执行上述训练过程，直到剂量阵列网络的精度符合精度要求，可完成训练，并可利用训练后的剂量阵列网络训练放射参数网络。
在一种可能的实现方式中，在步骤S13中，放射参数可以是放射辐射束的医疗仪器的参数，所述医疗仪器可以是放射治疗仪器，可放射出辐射束，以消除癌细胞等病灶。可通过控制该医疗仪器的参数，使其放射出的辐射束满足剂量要求，即，目标区域接受的放射剂量足以消除癌细胞，保护区域接受的辐射剂量对正常器官或组织的影响较小。放射参数网络可根据放射剂量(剂量阵列网络获得的放射剂量，即，各区域接受的放射剂量)、目标区域的第一轮廓以及保护区域的第二轮廓来确定医疗仪器的初始放射参数，例如，可通过各区域的位置以及各区域的放射剂量来确定初始放射参数。该初始放射参数可使医疗仪器放射出的辐射出在各区域中的放射剂量与放射参数网络确定的各区域的放射剂量匹配。进一步地，还可根据初始放射参数和预设放射剂量进一步调节参数，获得符合预设放射剂量的更优的参数，以获得更好的治疗效果。
在一种可能的实现方式中，在使用放射参数网络获取初始放射参数前，可对放射参数网络进行训练，使其获得较高的精度。训练后的剂量阵列网络可用于辅助放射参数网络的训练，所述方法还包括：将第二样本图像、第二样本图像的目标区域的轮廓、第二样本图像的保护区域的轮廓以及所述预设放射剂量输入训练后的剂量阵列网络，获得第二样本图像的剂量阵列；将第二样本图像的目标区域的轮廓、第二样本图像的保护区域的轮廓以及第二样本图像的剂量阵列输入放射参数网络，获得预测放射参数；根据所述预测放射参数和所述第二样本图像的标注信息，训练所述放射参数网络。
在示例中，所述第二样本图像可以是CT DICOM文件中的CT图像，第二样本图像可与第一样本图像，也可与第一样本图像不同。第二样本图像的标注信息可包括第二样本图像中目标区域的轮廓和第二样本图像的保护区域的轮廓。在示例中，预设放射剂量可在RTPLAN DICOM文件中查询，例如，RTPLAN DICOM文件中保存的目标功能信息可包括各区域的预设放射剂量，例如，目标区域(病灶区域)的放射剂量较大，保护区域(正常器官或组织所在区域)放射剂量较小。第二样本图像的标注信息还可包括第二样本图像对应的剂量阵列，即，符合预设放射剂量要求的剂量阵列，例如，可由医生等专业人员确定的剂量阵列，该剂量阵列可保存在RTDOSE DICOM文件中。
在一种可能的实现方式中，可将第二样本图像、第二样本图像的目标区域的轮廓、第二样本图像的保护区域的轮廓以及所述预设放射剂量输入训练后的剂量阵列网络，获得第二样本图像的剂量阵列。可通过训练后的剂量阵列网络获得第二样本图像中的病灶区域以及正常器官或组织接受的辐射剂量，即，剂量阵列。
在一种可能的实现方式中，可将该剂量阵列、保护区域的轮廓和目标区域的轮廓输入放射参数网络，获得预测放射参数，该预测放射参数可以是医疗仪器的参数，可通过该参数来控制医疗仪器，使其放射出辐射束，使各区域接受辐射，以通过辐射消除癌细胞。该预测放射参数可能含有误差。
在一种可能的实现方式中，可通过预测放射参数和第二样本图像的标注信息训练放射参数网络。在示例中，第二样本图像的标注信息可包括准确的医疗仪器的参数，例如，该参数可以是医生等专业人员经过调试后获得的治疗第二样本图像中的病灶区域并保护正常器官或组织的最优参数，可通过预测放射参数与该最优参数之间的差异确定放射参数网络的网络损失。在示例中，也可通过该参数确定医疗仪器放射出的辐射束，并基于该辐射束模拟各区域的辐射剂量，进而可通过该辐射剂量与标注信息中的剂量阵列之间的差异确定放射参数网络的网络损失。本公开对网络损失的确定方法不做限制。
在一种可能的实现方式中，可按照网络损失最小化的方向来调整放射参数网络的网络参数，例如，通过梯度下降法来调节网络参数。可迭代执行上述训练过程，直到放射参数网络的精度符合要求，则完成训练，并可通过放射参数网络来确定医疗仪器的初始放射参数。
在一种可能的实现方式中，在步骤S14中，可通过初始放射参数和预设放射剂量，确定符合预设放射剂量的目标放射参数。可根据初始放射参数进行调节，对放射参数逐步进行优化，以确定目标放射参数。在示例中，可通过增强学习神经网络来实现调节参数并获得目标放射参数的处理。
图9示出根据本公开实施例的获得目标放射参数的示意图，如图9所示，在生成目标放射参数的处理中，可将设放射剂量与初始放射参数作为增强学习神经网络的输入。增强学习神经网络可包括动作网络和评价网络，可由动作网络生成动作向量，动作向量影响放射状态，产生状态向量，并由评价网络根据状态向量生成回报向量，动作网络根据回报向量产生新的动作向量。可迭代执行上述处理，直到将放射状态调整至符合预设放射剂量，可获得目标放射参数。
在一种可能的实现方式中，预设放射剂量包括为了控制或消除肿瘤而设置的放射至癌细胞上的最小放射剂量，以及每个正常器官或组织上可接受的最大放射剂量。初始放射参数可用于描述需要解决的约束优化问题，即，可将目标区域的最小放射剂量以及保护区域的最大放射剂量作为约束条件，来调节初始放射参数，使医疗仪器放射出的辐射束在约束条件下产生最佳的效果，即，在同时满足目标区域的最小放射剂量以及保护区域的最大放射剂量的基础上，找到最优的放射参数，使目标区域接受的放射剂量最大化，并使保护区域接受的放射剂量最小化。
在一种可能的实现方式中，可将增强学习神经网络以及医疗仪器集成于一套医疗系统中。在示例中，所述医疗系统通过增强学习神经网络来最求解拉格朗日函数(包括控制肿瘤概率对数的以及各器官或组织的剂量函数的加权总和)以优化辐射束的设置，即，优化后的放射参数。在优化过程中，医疗仪器的放射参数可通过梯度下降的方式来调节。参数调整后可以获得调整后的放射剂量的分布以及每个器官或组织以及癌细胞的剂量分布图，通过剂量分布图可评估当前放射参数是否符合预设剂量，即，是否满足约束条件。如果满足约束条件，还可继续优化放射参数，如果不满足约束条件，可通过增强学习神经网络来调节放射参数，使放射参数满足约束条件。
在一种可能的实现方式中，所述医疗系统还可利用每个目标区域或保护区域的剂量函数的约束(例如，最大剂量的约束、最小剂量的约束)，效应(例如，辐射产生的影响)，权重(例如，剂量函数的权重)等系数来优化医疗仪器的参数，可将上述系数组成一个向量。在优化过程中，可优化上述向量，以改变了优化过程中的拉格朗日函数，从而获得新的放射参数。
在一种可能的实现方式中，可通过增强学习神经网络来执行上述优化过程，即，通过增强学习神经网络来调节参数，使放射剂量在满足约束条件的基础上实现放射参数最优化。
在一种可能的实现方式中，可通过训练增强学习神经网络来探索用于优化放射参数的动作向量，例如，可随机生成动作向量，并作用于放射环境，进而根据放射环境反馈的回报向量来确定下一个动作向量，具体的，可在回报向量表示正回报时，将动作向量确定为可优化放射参数的动作向量。进一步地，可将动作向量作用于上述医疗系统，并逐步优化放射参数。
在一种可能的实现方式中，所述方法还包括：根据所述初始放射参数与所述预设放射剂量，确定用于调整放射状态的第一动作向量；以第一预设概率按照与所述第一动作向量相同的生成规则生成当前放射状态的动作向量。
在一种可能的实现方式中，可通过增强学习神经网络来探索用于优化放射参数的第一动作向量。根据所述初始放射参数与所述预设放射剂量，确定用于调整放射状态的第一动作向量，包括：根据所述初始放射参数，确定初始放射状态的状态向量；通过动作网络生成第n个放射状态的动作向量，其中，n为大于或等于1的整数；根据所述第n个放射状态的动作向量、第n个放射状态的状态向量获得第n+1个放射状态的状态向量；通过评价网络根据所述第n+1个放射状态的状态向量以及预设放射剂量确定第n个放射状态的回报向量；在多个放射状态中，确定出至少一个回报向量表示正回报的放射状态第一放射状态，并将所述第一放射状态的动作向量确定为所述第一动作向量。
在一种可能的实现方式中，可基于初始放射参数，确定初始放射状态的状态向量。在示例中，初始放射状态可以是通过初始放射参数设置医疗仪器时，医疗仪器放射的辐射束在目标区域和保护区域的放射剂量的状态，可基于该状态确定状态向量。
在一种可能的实现方式中，增强学习神经网络的动作网络可基于状态向量生成动作向量，该动作向量可作用于放射环境，获得新的放射状态的状态向量，进一步地，评价网络可根据新的状态向量和预设放射剂量确定回报向量，动作网络根据回报向量表示正回报还是负回报，来确定下一个动作向量的生成规则。
在一种可能的实现方式中，令ν为所有目标区域或保护区域接受的实际放射剂量和预设放射剂量的比例向量，这个比例向量由向量νPTV和νOAR组合获取到，参照以下公式(1)：
ν＝[vPTV,vOAR] (1)
其中，νPTV为目标区域接受的实际放射剂量和预设放射剂量的比例，νOAR为保护区域接受的实际放射剂量和预设放射剂量的比例。
在一种可能的实现方式中，公式(1)中的两个参数大于1可表示实际放射剂量高于预设放射剂量。这种情况对于目标区域是理想的，但是对于保护区域是不理想的。可通过向量ψ使该向量的两个参数具有可比性，参照以下公式(2)：
其中，公式(1)的第一个分量替换为其倒数，并加上一个接近0的常数ε以避免分母为零。
在示例中，可通过向量1-ψ代表安全范围，1-ψ的分量均大于零可表示目标区域和保护区域的放射剂量均满足预设放射剂量。在示例中，可将所述安全范围乘100表达了百分比下的安全范围。进一步地，可对百分比下的安全范围取五次方根，并乘以1-ψ的符号函数(即，获得1-ψ中各参数的正负号的函数)可获得向量参照以下公式(3)：
其中，为向量/>的与目标区域对应的分量，/>为向量/>的与保护区域对应的分量。
在示例中，如果目标区域或保护区域接受的放射剂量满足预设放射剂量，则向量中对应的分量的值会稍大于1，如果目标区域或保护区域接受的放射剂量不满足预设放射剂量，则向量/>中对应的分量的值会稍小于-1。
在一种可能的实现方式中，可设置总分ξ，如以下公式(4)所示
其中，常数K用于避免出现负的ξ值。βji的取值如以下公式(5)和(6)所示：
其中，ηji为惩罚参数，i和j的取值均为1或2。
在一种可能的实现方式中，总分ξ是ν的函数，可根据放射剂量确定状态向量，例如，可通过ν表示状态向量。可动作向量影响放射状态后的ξ值的改变量确定为回报向量。因此，可通过训练增强学习神经网络来探索使ξ值增加的动作向量。
图10示出根据本公开的实施例的探索阶段的示意图，如图10所示，增强学习神经网络的动作网络可通过随机采样产生的动作向量，在示例中，可使用服从均值为μ标准差为σ的正态分布的随机向量来生成第n个放射状态的动作向量，并可将其作用于环境，影响当前放射状态，获得下一个(第n+1个)放射状态的状态向量，进一步地，评价网络可根据第n+1个放射状态的状态向量以及预设放射剂量确定第n个放射状态的回报向量。可迭代执行上述处理，即，可使用服从均值为μ标准差为σ的正态分布的随机向量来生成第n+1个放射状态的动作向量，并可将其作用于环境，影响当前放射状态，获得下一个(第n+2个)放射状态的状态向量，进一步地，评价网络可根据第n+2个放射状态的状态向量以及预设放射剂量确定第n个放射状态的回报向量。
在一种可能的实现方式中，增强学习神经网络可将每个放射状态的状态向量、动作向量、回报向量(s0,a0,r0,s1)以及下一个放射状态的状态向量进行存储。进一步地，还可利用上述向量更新增强学习神经网络的网络参数，以获得更多生成使回报向量为正回报的动作向量的机会。可执行多次上述探索过程，即，随机生成动作向量，以使增强学习神经网络可探索更多动作向量，并获得更多使回报向量的为正回报的动作向量，即，第一动作向量。
在一种可能的实现方式中，在探索阶段之后，可利用在探索阶段获取的第一动作向量的生成规则来生成动作向量，即，跟随第一动作向量的生成规则的阶段。可以以第一预设概率(例如，1-ε，ε为小于1的正数)按照与所述第一动作向量相同的生成规则生成当前放射状态的动作向量。也可以ε的概率随机生成动作向量，以继续探索使回报向量的为正回报的动作向量。
图11示出根据本公开的实施例的跟随阶段的示意图，如图11所示，在探索阶段中，已获取到多个使回报向量的为正回报的动作向量的生成规则。通过以第一预设概率(例如，1-ε)使用这个规则生成动作向量，可使动作网络生成使回报向量的为正回报的动作向量，并使增强学习神经网络更新网络参数，以获得更多生成使回报向量为正回报的动作向量的机会。
在一种可能的实现方式中，还可以ε概率随机生成动作向量，以继续探索使回报向量的为正回报的动作向量的生成规则。除了随机生成动作向量之外，还可在随机向量中添加随机噪声，以探索比现有生成规则更好的生成规则(例如，生成使放射状态更接近最优的放射状态的动作向量的生成规则)。可通过探索和跟随与第一动作向量相同的生成规则，可获得使放射状态更接近最优的放射状态的优化路径。且能够减少大量不需要的动作，并降低增强学习神经网络的存储的数据中正负回报的动作向量的不平衡性，提高优化效率。
在一种可能的实现方式中，在使增强学习神经网络学习到使放射状态更接近最优的放射状态的动作向量的生成规则后，可通过该生成规则来调整医疗仪器的初始放射参数，改变医疗仪器的放射状态，使其放射出的辐射束满足预设放射剂量。步骤S14可包括：根据所述初始放射参数和所述当前放射状态的动作向量，获得当前约束条件；根据所述当前约束条件，确定当前放射参数；在所述当前放射参数满足所述预设放射剂量的情况下，将当前放射参数确定为所述目标放射参数。
图12示出根据本公开的实施例的调整阶段的示意图，如图12所示，在探索阶段以及跟随阶段中，已获取到多个使回报向量的为正回报的动作向量的生成规则。通过以第二预设概率(例如，1-ε)使用这个规则生成动作向量，可使动作网络生成使回报向量的为正回报的动作向量，并使增强学习神经网络更新网络参数，以获得更多生成使回报向量为正回报的动作向量的机会。
在一种可能的实现方式中，还可以ε概率随机生成动作向量，以继续探索使回报向量的为正回报的动作向量的生成规则。除了随机生成动作向量之外，还可在随机向量中添加随机噪声，以探索比现有生成规则更好的生成规则(例如，生成使放射状态更接近最优的放射状态的动作向量的生成规则)。可通过探索和跟随与第一动作向量相同的生成规则，可获得使放射状态更接近最优的放射状态的优化路径。
在一种可能的实现方式中，可将动作向量应用于医疗仪器，作为当前状态的动作向量，以对根据初始放射参数确定的医疗仪器的放射状态(例如，放射出的辐射束的强度、位置等)进行调节，获得医疗仪器当前放射状态的约束条件，例如，对目标区域的辐射束的放射剂量的最小值以及对保护区域的辐射束的放射剂量的最大值。进一步地，可获得放射状态改变后的医疗仪器的参数。
在一种可能的实现方式中，可根据上述约束条件确定当前放射参数，例如，可根据拉格朗日函数求解当前约束条件下的最优放射参数，即，当前放射参数，当前放射参数相较于调整参数前的方案是更优的，即，相较于改变参数前的方案，在目标区域的放射剂量更大，在保护区域的放射剂量更小。进一步地，可确定当前约束条件下的最优放射参数对应的辐射束是否满足预设放射剂量，如果不满足预设放射剂量，可迭代执行上述处理，即，通过动作向量对根据改变后的参数确定的医疗仪器的放射状态进行调节，获得医疗仪器当前放射状态的约束条件，并在该约束条件下求解最优放射参数。
在一种可能的实现方式中，可迭代执行上述处理，直到当前放射参数对应的辐射束满足预设放射剂量，并且保护区域的放射剂量足够小且目标区域的放射剂量足够大，即可将当前放射参数确定为所述目标放射参数。
在一种可能的实现方式中，可对强化学习神经网络的超参数进行调整，以减少过长的优化路径，可尽快调整参数。同时避免在每次调整参数时进行贪婪搜索，可避免获得约束条件的非最优解。
根据本公开的实施例的放射参数确定方法，可通过分割网络自动分割出图像中的目标区域和保护区域，减少了人工干预的误差。并可通过剂量阵列网络和放射参数网络确定医疗仪器的初始放射参数。并通过增强学习神经网络确定目标放射参数，在确定目标放射参数的过程中，可通过探索阶段、跟随阶段和调整阶段来训练增强学习神经网络，并通过增强学习神经网络确定调整路径，可减少不必要的动作，提高优化效率，减少过长的优化路径，以较快的速度确定目标放射参数。可自动实现放射参数确定的全流程，减少人工干预，提升工作效率，并提高方案的准确性。
图13示出根据本公开的实施例的放射参数确定方法的应用示意图。所述医疗数据可包括CT或MRI等医学图像，本公开对医学图像的类型不做限制。
在一种可能的实现方式中，可对医疗数据进行预处理，在示例中，可对医学图像进行重采样及数据增强等预处理，例如，所述立体图像的坐标轴为x轴、y轴和z轴，数据增强处理可包括在x-y平面上的平移，围绕z轴的旋转、缩放，围绕y轴的图像翻转，弹性变形以及对每个像素添加独立的高斯噪声等，本公开对预处理不做限制。
在一种可能的实现方式中，可通过样本图像训练分割网络，例如，可通过分割网络确定样本图像中保护区域和目标区域的轮廓，并根据该轮廓与标注信息之间的交叉熵损失来训练分割网络。在分割网络训练完成后，可通过分割网络获取医学图像中目标区域的第一轮廓和保护区域的第二轮廓。
在一种可能的实现方式中，可通过样本图像训练剂量阵列网络和放射参数网络。可将样本图像、图像的目标区域的轮廓样本图像的保护区域的轮廓以及预设放射剂量输入剂量阵列网络，获得预测剂量阵列，并根据预测剂量阵列与标注信息中的剂量阵列之间的均方误差来训练剂量阵列网络。
在一种可能的实现方式中，在剂量阵列网络训练完成后，可利用训练后的剂量阵列网络训练放射参数网络。可通过剂量阵列网络获得样本图像的剂量阵列，并将剂量阵列、样本图像的目标区域的轮廓以及样本图像的保护区域的轮廓输入放射参数网络，获得预测放射参数，可根据预测放射参数与标注信息中的最优参数确定网络损失，或者根据预测放射参数确定医疗仪器放射出的辐射束，并基于该辐射束确定各区域的辐射剂量，进而可通过该辐射剂量与标注信息中的剂量阵列之间的差异确定放射参数网络的网络损失。进一步地，可通过放射参数网络的网络损失训练放射参数网络。
在一种可能的实现方式中，剂量阵列网络和放射参数网络训练完成后，可通过剂量阵列网络获得医学图像的剂量阵列，并通过放射参数网络根据剂量阵列以及医学图像中目标区域和保护区域的轮廓确定医疗仪器的初始放射参数。初始放射参数可用于描述需要解决的约束优化问题，即，可将目标区域的最小放射剂量以及保护区域的最大放射剂量作为约束条件，来调节初始放射参数，使医疗仪器放射出的辐射束在约束条件下产生最佳的效果，即，在同时满足目标区域的最小放射剂量以及保护区域的最大放射剂量的基础上，找到最优的放射参数，使目标区域接受的放射剂量最大化，并使保护区域接受的放射剂量最小化。
在一种可能的实现方式中，可通过训练增强学习神经网络来探索用于优化放射参数的动作向量，例如，可随机生成动作向量，并作用于放射环境，进而根据放射环境反馈的回报向量来确定下一个动作向量。
在一种可能的实现方式中，在探索阶段之后，可利用在探索阶段获取的第一动作向量(使回报向量的为正回报的动作向量)的生成规则来生成动作向量，在示例中，可以以第一预设概率按照与所述第一动作向量相同的生成规则生成当前放射状态的动作向量。也可以ε的概率随机生成动作向量，以继续探索使回报向量的为正回报的动作向量。
在一种可能的实现方式中，在跟随阶段之后，已获取到多个使回报向量的为正回报的动作向量的生成规则。可以以第二预设概率使用这个规则生成动作向量，还可以ε概率随机生成动作向量，以继续探索使回报向量的为正回报的动作向量的生成规则。进一步地，可将动作向量应用于医疗仪器，作为当前状态的动作向量，以对根据初始放射参数确定的医疗仪器的放射状态进行调节，获得医疗仪器当前放射状态的约束条件，并可根据拉格朗日函数求解当前约束条件下的最优放射参数。可迭代执行上述处理，直到当前放射参数对应的辐射束满足预设放射剂量，并且保护区域的放射剂量足够小且目标区域的放射剂量足够大，即可将当前放射参数确定为所述目标放射参数。
图14示出根据本公开的实施例的放射参数确定装置的框图。如图14所示，所示装置包括：
分割模块11，用于通过分割网络对待处理图像进行分割处理，获得目标区域的第一轮廓以及保护区域的第二轮廓；
剂量阵列模块12，用于将所述待处理图像、所述第一轮廓、所述第二轮廓以及预设放射剂量输入剂量阵列网络，获得所述待处理图像中各区域的剂量阵列；
初始放射参数模块13，用于将所述剂量阵列、所述第一轮廓和所述第二轮廓输入放射参数网络，获得针对目标区域的初始放射参数；
放射参数模块14，用于根据所述初始放射参数与所述预设放射剂量，确定目标放射参数。
在一种可能的实现方式中，所述装置还包括：预测剂量模块，用于将第一样本图像、第一样本图像的目标区域的轮廓、第一样本图像的保护区域的轮廓以及预设放射剂量输入剂量阵列网络，获得所述第一样本图像中各区域的预测剂量阵列；剂量阵列网络训练模块，用于根据所述第一样本的图像的预测剂量阵列以及所述第一样本图像的标注信息，训练所述剂量阵列网络。
在一种可能的实现方式中，所述装置还包括：剂量模块，用于将第二样本图像、第二样本图像的目标区域的轮廓、第二样本图像的保护区域的轮廓以及所述预设放射剂量输入训练后的剂量阵列网络，获得第二样本图像的剂量阵列；预测放射参数模块，用于将第二样本图像的目标区域的轮廓、第二样本图像的保护区域的轮廓以及第二样本图像的剂量阵列输入放射参数网络，获得预测放射参数；放射参数网络训练模块，用于根据所述预测放射参数和所述第二样本图像的标注信息，训练所述放射参数网络。
在一种可能的实现方式中，所述方法还包括：第一动作向量模块，用于根据所述初始放射参数与所述预设放射剂量，确定用于调整放射状态的第一动作向量；生成模块，用于以第一预设概率按照与所述第一动作向量相同的生成规则生成当前放射状态的动作向量。
在一种可能的实现方式中，所述第一动作向量模块被进一步配置为：根据所述初始放射参数，确定初始放射状态的状态向量；通过动作网络生成第n个放射状态的动作向量，其中，n为大于或等于1的整数；根据所述第n个放射状态的动作向量、第n个放射状态的状态向量获得第n+1个放射状态的状态向量；通过评价网络根据所述第n+1个放射状态的状态向量以及预设放射剂量确定第n个放射状态的回报向量；在多个放射状态中，确定出至少一个回报向量表示正回报的放射状态第一放射状态，并将所述第一放射状态的动作向量确定为所述第一动作向量。
在一种可能的实现方式中，所述生成模块被进一步配置为：根据所述初始放射参数和所述当前放射状态的动作向量，获得当前约束条件；根据所述当前约束条件，确定当前放射参数；在所述当前放射参数满足所述预设放射剂量的情况下，将当前放射参数确定为所述目标放射参数。
在一种可能的实现方式中，所述待处理图像包括医学图像，所述目标区域包括病灶区域。
在一种可能的实现方式中，本公开还提供了一种放射参数确定装置，其特征在于，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为：调用所述存储器存储的指令，以执行所述放射参数确定方法。
图15是根据一示例性实施例示出的放射参数确定装置800的框图。例如，装置800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。
参照图15，装置800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制装置800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在装置800的操作。这些数据的示例包括用于在装置800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为装置800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为装置800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述装置800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当装置800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当装置800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为装置800提供各个方面的状态评估。例如，传感器组件814可以检测到装置800的打开/关闭状态，组件的相对定位，例如所述组件为装置800的显示器和小键盘，传感器组件814还可以检测装置800或装置800一个组件的位置改变，用户与装置800接触的存在或不存在，装置800方位或加速/减速和装置800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于装置800和其他设备之间有线或无线方式的通信。装置800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，装置800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由装置800的处理器820执行以完成上述方法。
图16是根据一示例性实施例示出的放射参数确定装置1900的框图。例如，装置1900可以被提供为一服务器。参照图16，装置1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
装置1900还可以包括一个电源组件1926被配置为执行装置1900的电源管理，一个有线或无线网络接口1950被配置为将装置1900连接到网络，和一个输入输出(I/O)接口1958。装置1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，MacOS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由装置1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (8)

1.一种放射参数确定方法，其特征在于，包括：
通过分割网络对待处理图像进行分割处理，获得目标区域的第一轮廓以及保护区域的第二轮廓；
将所述待处理图像、所述第一轮廓、所述第二轮廓以及预设放射剂量输入剂量阵列网络，获得所述待处理图像中各区域的剂量阵列；
将所述剂量阵列、所述第一轮廓和所述第二轮廓输入放射参数网络，获得针对目标区域的初始放射参数；
根据所述初始放射参数与所述预设放射剂量，确定目标放射参数；
所述根据所述初始放射参数与所述预设放射剂量，确定目标放射参数，包括：将所述初始放射参数与所述预设放射剂量输入增强学习网络，得到所述目标放射参数；
所述方法还包括：
将第二样本图像、第二样本图像的目标区域的轮廓、第二样本图像的保护区域的轮廓以及所述预设放射剂量输入训练后的剂量阵列网络，获得第二样本图像的剂量阵列；
将第二样本图像的目标区域的轮廓、第二样本图像的保护区域的轮廓以及第二样本图像的剂量阵列输入放射参数网络，获得预测放射参数；
根据所述预测放射参数和所述第二样本图像的标注信息，训练所述放射参数网络；
所述方法还包括：
将第一样本图像、第一样本图像的目标区域的轮廓、第一样本图像的保护区域的轮廓以及预设放射剂量输入剂量阵列网络，获得所述第一样本图像中各区域的预测剂量阵列；
根据所述第一样本的图像的预测剂量阵列以及所述第一样本图像的标注信息，训练所述剂量阵列网络。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据所述初始放射参数与所述预设放射剂量，确定用于调整放射状态的第一动作向量；
以第一预设概率按照与所述第一动作向量相同的生成规则生成当前放射状态的动作向量。
3.根据权利要求2所述的方法，其特征在于，根据所述初始放射参数与所述预设放射剂量，确定用于调整放射状态的第一动作向量，包括：
根据所述初始放射参数，确定初始放射状态的状态向量；
通过动作网络生成第n个放射状态的动作向量，其中，n为大于或等于1的整数；
根据所述第n个放射状态的动作向量和第n个放射状态的状态向量获得第n+1个放射状态的状态向量；
通过评价网络根据所述第n+1个放射状态的状态向量以及预设放射剂量确定第n个放射状态的回报向量；
在多个放射状态中，确定出至少一个回报向量表示正回报的放射状态作为第一放射状态，并将所述第一放射状态的动作向量确定为所述第一动作向量。
4.根据权利要求2所述的方法，其特征在于，根据所述初始放射参数与所述预设放射剂量，确定目标放射参数，包括：
根据所述初始放射参数和所述当前放射状态的动作向量，获得当前约束条件；
根据所述当前约束条件，确定当前放射参数；
在所述当前放射参数满足所述预设放射剂量的情况下，将当前放射参数确定为所述目标放射参数。
5.根据权利要求1-4中任意一项所述的方法，其特征在于，所述待处理图像包括医学图像，所述目标区域包括病灶区域。
6.一种放射参数确定装置，其特征在于，包括：
分割模块，用于通过分割网络对待处理图像进行分割处理，获得目标区域的第一轮廓以及保护区域的第二轮廓；
剂量阵列模块，用于将所述待处理图像、所述第一轮廓、所述第二轮廓以及预设放射剂量输入剂量阵列网络，获得所述待处理图像中各区域的剂量阵列；
初始放射参数模块，用于将所述剂量阵列、所述第一轮廓和所述第二轮廓输入放射参数网络，获得针对目标区域的初始放射参数；
放射参数模块，用于根据所述初始放射参数与所述预设放射剂量，确定目标放射参数；
所述放射参数模块，还用于将所述初始放射参数与所述预设放射剂量输入增强学习网络，得到所述目标放射参数；
所述装置还包括：
剂量模块，用于将第二样本图像、第二样本图像的目标区域的轮廓、第二样本图像的保护区域的轮廓以及所述预设放射剂量输入训练后的剂量阵列网络，获得第二样本图像的剂量阵列；预测放射参数模块，用于将第二样本图像的目标区域的轮廓、第二样本图像的保护区域的轮廓以及第二样本图像的剂量阵列输入放射参数网络，获得预测放射参数；放射参数网络训练模块，用于根据所述预测放射参数和所述第二样本图像的标注信息，训练所述放射参数网络；
所述装置还包括：
预测剂量模块，用于将第一样本图像、第一样本图像的目标区域的轮廓、第一样本图像的保护区域的轮廓以及预设放射剂量输入剂量阵列网络，获得所述第一样本图像中各区域的预测剂量阵列；剂量阵列网络训练模块，用于根据所述第一样本的图像的预测剂量阵列以及所述第一样本图像的标注信息，训练所述剂量阵列网络。
7.一种放射参数确定装置，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至5中任意一项所述的方法。
8.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至5中任意一项所述的方法。
CN202010676437.2A 2020-07-14 2020-07-14 放射参数确定方法及装置、电子设备和存储介质 Active CN111833988B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010676437.2A CN111833988B (zh) 2020-07-14 2020-07-14 放射参数确定方法及装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010676437.2A CN111833988B (zh) 2020-07-14 2020-07-14 放射参数确定方法及装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN111833988A CN111833988A (zh) 2020-10-27
CN111833988B true CN111833988B (zh) 2024-02-06

Family

ID=72923262

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010676437.2A Active CN111833988B (zh) 2020-07-14 2020-07-14 放射参数确定方法及装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN111833988B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN112447278B (zh) * 2020-11-17 2024-04-26 北京全域医疗技术集团有限公司 患者计划数据的核验方法、装置及计算机设备
CN112634309B (zh) * 2020-11-30 2023-08-15 上海联影医疗科技股份有限公司 图像处理方法、装置、电子设备及存储介质
CN114580694A (zh) * 2020-12-02 2022-06-03 中核核电运行管理有限公司 一种基于辐射工作许可管理的集体剂量预测模型
CN114926486B (zh) * 2022-05-12 2023-02-07 哈尔滨工业大学人工智能研究院有限公司 一种基于多层级改进的甲状腺超声图像智能分割方法
CN116844734B (zh) * 2023-09-01 2024-01-16 福建自贸试验区厦门片区Manteia数据科技有限公司 剂量预测模型的生成方法、装置、电子设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107072624A (zh) * 2014-06-18 2017-08-18 Elekta股份有限公司 用于自动治疗计划的系统和方法
CN110211664A (zh) * 2019-04-25 2019-09-06 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
CN110944717A (zh) * 2017-07-25 2020-03-31 医科达有限公司 使用深度卷积网络的放射疗法计划

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11557390B2 (en) * 2018-04-30 2023-01-17 Elekta, Inc. Radiotherapy treatment plan modeling using generative adversarial networks
US11491350B2 (en) * 2018-05-30 2022-11-08 Siemens Healthcare Gmbh Decision support system for individualizing radiotherapy dose

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107072624A (zh) * 2014-06-18 2017-08-18 Elekta股份有限公司 用于自动治疗计划的系统和方法
CN110944717A (zh) * 2017-07-25 2020-03-31 医科达有限公司 使用深度卷积网络的放射疗法计划
CN110211664A (zh) * 2019-04-25 2019-09-06 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

Also Published As

Publication number Publication date
CN111833988A (zh) 2020-10-27

Similar Documents

Publication Publication Date Title
CN111833988B (zh) 放射参数确定方法及装置、电子设备和存储介质
CN109152928B (zh) 用于计算辐射治疗的注量图的方法和系统
CN111310764B (zh) 网络训练、图像处理方法及装置、电子设备和存储介质
CN109829920B (zh) 图像处理方法及装置、电子设备和存储介质
CN109978886B (zh) 图像处理方法及装置、电子设备和存储介质
TWI832966B (zh) 用於使用多模態成像和集成機器學習模型的自動靶標和組織分割的方法和設備
KR20210153700A (ko) 이미지 처리 방법 및 장치, 전자 기기, 저장 매체 및 컴퓨터 프로그램
KR20220013404A (ko) 이미지 처리 방법 및 장치, 전자 기기, 저장 매체 및 프로그램 제품
CN112541928A (zh) 网络训练方法及装置、图像分割方法及装置和电子设备
US11430123B2 (en) Sampling latent variables to generate multiple segmentations of an image
WO2021151342A1 (zh) 放疗计划中的剂量预测方法、装置、计算机设备及存储介质
JP2022532330A (ja) 画像上の位置決めのインタラクティブ表示方法、装置、電子機器及び記憶媒体
US20200000425A1 (en) Methods and systems for modulating radiation dose
US20230083657A1 (en) Systems and methods for image evaluation
WO2021082517A1 (zh) 神经网络训练及图像分割方法、装置、设备、介质和程序
CN117218133A (zh) 肺图像处理方法及装置、电子设备和存储介质
CN114418931B (zh) 术后剩余肺叶的提取方法及装置、电子设备和存储介质
CN113870284A (zh) 用于对医学影像进行分割的方法、设备和介质
CN117152442B (zh) 影像靶区自动勾画方法、装置、电子设备和可读存储介质
JP2022548453A (ja) 画像分割方法及び装置、電子デバイス並びに記憶媒体
JP2022553076A (ja) 画像のセグメンテーションのためのシステム及び方法
CN112308867A (zh) 牙齿图像的处理方法及装置、电子设备和存储介质
CN114926322A (zh) 图像生成方法、装置、电子设备和存储介质
CN116209501A (zh) 使用剂量估计和冲突检测的轨迹优化
CN113553460B (zh) 影像检索方法及装置、电子设备和存储介质

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
GR01 Patent grant
GR01 Patent grant