CN111951245B - 根据肿瘤分子图像的特征参数确定放射治疗剂量的方法 - Google Patents

根据肿瘤分子图像的特征参数确定放射治疗剂量的方法 Download PDF

Info

Publication number
CN111951245B
CN111951245B CN202010802659.4A CN202010802659A CN111951245B CN 111951245 B CN111951245 B CN 111951245B CN 202010802659 A CN202010802659 A CN 202010802659A CN 111951245 B CN111951245 B CN 111951245B
Authority
CN
China
Prior art keywords
tumor
dose
value
patient
radiotherapy
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
CN202010802659.4A
Other languages
English (en)
Other versions
CN111951245A (zh
Inventor
袁双虎
李玮
李莉
韩毅
刘宁
赵伟
孟祥伟
袁朔
吕慧颖
于金明
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.)
Jinan Bishan Network Technology Co ltd
Shandong Cancer Hospital & Institute (shandong Cancer Hospital)
Shandong University
Original Assignee
Jinan Bishan Network Technology Co ltd
Shandong Cancer Hospital & Institute (shandong Cancer Hospital)
Shandong 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 Jinan Bishan Network Technology Co ltd, Shandong Cancer Hospital & Institute (shandong Cancer Hospital), Shandong University filed Critical Jinan Bishan Network Technology Co ltd
Priority to CN202010802659.4A priority Critical patent/CN111951245B/zh
Publication of CN111951245A publication Critical patent/CN111951245A/zh
Application granted granted Critical
Publication of CN111951245B publication Critical patent/CN111951245B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • 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
    • 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
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • 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
    • G06T2207/30096—Tumor; Lesion

Landscapes

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

Abstract

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，首先利用以往的病人数据训练神经网络模型，通过交叉验证确定神经网络的准确性，其次利用病人数据和本发明的打分规则构建剂量确定的经验方程。对于新入院的的病人可根据这两个模型进行预测放疗剂量，最后根据筛选规则确定预测结果是否可用，若不可用由医生确定最后放疗剂量。

Description

根据肿瘤分子图像的特征参数确定放射治疗剂量的方法
技术领域
本发明涉及医学放射领域，特别是涉及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。
背景技术
前癌症的发病率高居不下，癌症的治疗越来越受到人们的重视，在癌症的治疗过程中，手术、放疗和化疗是三种最常用且有效的方法，放疗可以单独使用作为癌症治疗的手段，也可配合其他的方法进行辅助治疗，因此应用于大部分的癌症治疗。放疗的基本原则是保证靶肿瘤区域能接受到足够的放射剂量,同时尽可能使侵袭组织减少或避免辐射损伤。放疗最大的难点在于如何确保肿瘤靶区接受到精确的放射剂量。近几年,随着放射治疗新技术的发展, 对于肿瘤的精确定位、计划的制订以及放疗的精度也在逐渐提高,然而在整个放疗过程中,由于摆位误差、患者呼吸运动及治疗区域形状和位置的变化等因素的影响,常导致靶区偏离于照射野,最终可能造成靶区剂量不足或损伤正常器官。
因此,放疗前进行周密计划而采取的一系列必要的措施,保证放疗整个过程中的各个环节按国际标准准确安全执行的放疗质量控制和质量保证显得尤为重要。实现放疗过程中对肿瘤靶区位置和剂量的实时监测,可降低副反应, 保证靶区接受到足够的放射剂量,从而提高提高肿瘤的局部控制率,提升患者生存率。目前在对病人做放疗计划的时候，放疗剂量的选择还是按照医生所给的经验值，由于病人的体质和疾病的进展不同，很可能出现医生所给出的放疗剂量不适合病人，就导致放射治疗计划不能特别适合病人，放疗剂量不足，会造成肿瘤未控，放疗剂量过高，会导致正常组织损伤。因此需要找到一种能够准确且量化的放射治疗剂量的方法，使得不同体质或者不同疾病进程的病人能够有最适合自己的放疗剂量，从而得到最优的放疗计划，最大程度上达到疾病的治疗效果。
发明内容
为了解决上述问题，本发明提出了基于肿瘤分子图特征参数的放射治疗剂量确定方法，首先对病人的肿瘤分子图像进行特征提取，之后利用提取的相关特征训练神经网路，得到一个放射剂量的预测模型。本发明中还根据肿瘤分子图像的特征给肿瘤进行打分，之后通过经验公式得出总分，之后根据成绩分布得到量化的放射剂量，最后，对比两种方法得到的放射剂量值，若两种方法的放射剂量值相差不大就认为两者的平均值为最优放射剂量，若两者相差较大，就要把结果提交给临床医生，由临床医生确定最后的放射剂量值。在一些实施方式中，采用如下技术方案：
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，包括：
用于刷选神经网络算法训练样本和测试样本的方法；
用于获取肿瘤分子图像特征参数的方法；
用于判定剂量大小的经验公式的确定方法；
用于最终放疗剂量确定的方法
在对训练样本和测试样本进行筛选的时候，选择的是经过放射治疗后预后较好的患者，认为预后较好患者的放射剂量的选择是较为合适的，是经过临床验证的，所以本发明在对两个神经网络的样本进行选择时，选择此部分为训练样本和测试样本。
在得到训练样本和测试样本之后，对样本数据的肿瘤分子图像进行处理，获得肿瘤乏氧区域的时空分布与变化、肿瘤的pH分布、肿瘤Ⅰ型胶原纤维图像、肿瘤血管VEGF浓度、淋巴管数量、成纤维细胞含量等。
在对样本的肿瘤的分子图像进行处理之后，选择患者年龄、患者性别、肿瘤类型、肿瘤发生位置、肿瘤分子图像中高亮区域的面积、肿瘤分子图像中高亮区域的位置、肿瘤分子图像中高亮区域的周长、肿瘤乏氧区域的时空分布与变化、肿瘤的pH分布、肿瘤Ⅰ型胶原纤维图像、肿瘤血管VEGF浓度、淋巴管数量、成纤维细胞含量等作为特征，对神经网络模型进行训练，得到肿瘤放疗剂量的预测模型。
在得到肿瘤放疗剂量的预测模型后，对该模型进行五折交叉验证，从而确定该模型是否满足放疗剂量预测的要求。
本发明进一步的是对肿瘤分子图像特征进行打分，肿瘤分子图像中的面积大小就为面积得分X1，肿瘤乏氧区域的面积除以肿瘤面积大小就为肿瘤乏氧区域得分X2，肿瘤的PH值分布的最大PH值减去最小PH值为PH值分布得分X3，肿瘤Ⅰ型胶原纤维的二次谐波信号幅值为肿瘤Ⅰ型胶原纤维得分X4，肿瘤血管VEGF浓度值乘以100为肿瘤血管VEGF浓度得分为X5，淋巴管数量为淋巴管得分X6，成纤维细胞含量与免疫细胞的比值为成纤维细胞含量得分 X7。
本发明进一步的设置剂量确定的分数方程，设病人的最终得分为F(x)， F(x)＝K·(X1·eX2+X4+X3)/(X5+X6+X7),其中K为比例系数，可以任意设置，用来放大或缩小剂量设置的分数区间。
根据以往入院患者数据，对F(x)进行求解，求出F(x)max和F(x)min，然后令H＝F(x)max-F(x)min。
临床上在对患者进行放疗的时候，剂量一般在45Gy到70Gy之间，令 N＝70-45＝25Gy。
本发明进一步的，当病人新入院的时候，按照肿瘤分子图像的相关特征，对其进行打分，得出分数为F(m)，则其放疗剂量的确定方法为：放疗剂量 G＝((F(m)-F(x)min)÷H)·N，同时把病人的相关特征输入到神经网络模型中，得到的剂量预测值为Y。
比较G和Y的差值M，M＝|G-Y|，设定阈值N，当两个预测模型的放疗剂量预测值的差值M<N时，认为此时的剂量可信，且为放疗剂量的最优值。
进一步的，当预测值的差值M>N时，两种方法的结果值差距较大，此时说明有某一个的模型的预测值存在问题，得出的剂量结果不是最优的。
进一步的，由于神经网络的预测结果不可用，就需要临床医生对两个放疗的预测值进行选择，从而得到患者最适合的放疗剂量。
与现有技术相比，本发明的有益效果是：
1.使用神经网络模型和放疗公式对放疗剂量进行量化，使得不同体质或者不同疾病进程的病人能够有最适合自己的放疗剂量，从而得到最优的放疗计划，最大程度上达到疾病的治疗效果。
2.使用神经网络模型和放疗公式的方法，提高了放疗剂量预测值的准确性，只有两个模型的输出值差距不大的情况下，才可以使用该放疗剂量，使得两种模型的输出结果更加具有可信度，并且神经网络模型和放疗公式交叉验证，在结果差距较大的时候，临床医生加入判断，保证剂量了准确性。
3.使用神经网络模型和放疗公式对放疗剂量进行预测时，改变了以往由医生凭借经验来判断放疗剂量的方式，使得放疗剂量的选择更加客观，减少了由医生的主观判断所引起的错误，并且在一些医疗条件比较落后的地方或者医生的临床经验不足的时候，该模型的存在可以为放疗剂量的选择提供较优的参考值。
附图说明
图1为本公开实施例的病人放疗最终剂量确定的流程图；
图2为本公开实施例的使用神经网络模型确定病人放疗剂量的方法；
图3为本公开实施例的新入院病人根据剂量经验公式确定剂量的流程。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例,基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本实例中，如图2所示，对于新入院的肿瘤病人，需要采集病人的肿瘤分子图像，之后需要根据肿瘤分子图像，提取相关特征，之后将特征输入到神经网络模型中，得到神经网络模型的放疗剂量参考值。
进一步的，如图3所示，对于新入院的病人，选择病人肿瘤分子图像中的高亮区域的面积、肿瘤乏氧区域、肿瘤的PH值分布、肿瘤Ⅰ型胶原纤维的二次谐波信号幅值、肿瘤血管VEGF浓度、淋巴管数量和成纤维细胞含量作为特征量，对病人进行打分。
其中，肿瘤分子图像中的面积大小就为面积得分X1，肿瘤乏氧区域的面积除以肿瘤面积大小就为肿瘤乏氧区域得分X2，肿瘤的PH值分布的最大PH 值减去最小PH值为PH值分布得分X3，肿瘤Ⅰ型胶原纤维的二次谐波信号幅值为肿瘤Ⅰ型胶原纤维得分X4，肿瘤血管VEGF浓度值乘以100为肿瘤血管 VEGF浓度得分为X5，淋巴管数量为淋巴管得分X6，成纤维细胞含量与免疫细胞的比值为成纤维细胞含量得分X7。
之后根据肿瘤剂量经验公式，按照上述所求的各个特征分数，带入下式：
F(x)＝K·(X1·eX2+X4+X3)/(X5+X6+X7) (1)
其中K为比例系数，可以任意设置，用来放大或缩小剂量设置的分数区间，求得新入院的病人的分数F(x)，之后根据公式：
G＝((F(m)-F(x)min)÷H)·N (2)
就可以求得病人的放疗剂量预测值G，式中H＝F(x)max-F(x)min， N＝70-45＝25Gy。
本发明进一步的，如图1所示，在得到两种模型的的预测值G和Y之后，比较G和Y的差值M，M＝|G-Y|，设定阈值N，当两个预测模型的放疗剂量预测值的差值M<N时，认为此时的剂量可信，且为放疗剂量的最优值。
进一步的，当预测值的差值M>N时，两种方法的结果值差距较大，此时说明有某一个的模型的预测值存在问题，得出的剂量结果不是最优的。
进一步的，由于神经网络的预测结果不可用，就需要临床医生对两个放疗的预测值进行选择，从而得到患者最适合的放疗剂量。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (3)

1.一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，其特征在于，包括以下步骤：
1）对病人的肿瘤分子图像进行特征提取，之后利用提取的相关特征训练神经网络，得到一个放射剂量的预测模型Y；
2）根据肿瘤分子图像的特征给肿瘤进行打分，通过公式得出总分，之后根据成绩分布得到量化的放射剂量G；具体步骤为:对于新入院的病人，选择病人肿瘤分子图像中的高亮区域的面积、肿瘤乏氧区域、肿瘤的PH值分布、肿瘤Ⅰ型胶原纤维的二次谐波信号幅值、肿瘤血管VEGF浓度、淋巴管数量和成纤维细胞含量作为特征量，对病人进行打分，其中，肿瘤分子图像中的面积大小就为面积得分X1，肿瘤乏氧区域的面积除以肿瘤面积大小就为肿瘤乏氧区域得分X2，肿瘤的PH值分布的最大PH值减去最小PH值为PH值分布得分X3，肿瘤Ⅰ型胶原纤维的二次谐波信号幅值为肿瘤Ⅰ型胶原纤维得分X4，肿瘤血管VEGF浓度值乘以100为肿瘤血管VEGF浓度得分为X5，淋巴管数量为淋巴管得分X6，成纤维细胞含量与免疫细胞的比值为成纤维细胞含量得分X7,
之后根据肿瘤剂量经验公式，按照上述所求的各个特征分数，带入下式：
F(x) ＝K ·(X1 ·eX2+X4+X3)/(X5+X6+X7)
Figure DEST_PATH_IMAGE001
其中K为比例系数，可以任意设置，用来放大或缩小剂量设置的分数区间，求得新入院的病人的分数F（x），之后根据公式：
G ＝((F(x)-F(x)min) ÷H) ·N
Figure DEST_PATH_IMAGE002
就可以求得病人的放疗剂量预测值G，式中H=F（x）max-F（x）min，N=70-45=25Gy；
3）对比两种方法得到的放射剂量值，若两种方法的放射剂量值相差不大就认为两者的平均值为最优放射剂量，若两者相差较大，就要把结果提交给临床医生，由临床医生确定最后的放射剂量值。
2.根据权利要求1所述的方法，其特征在于，所述预测值为Y是把病人的相关特征输入到神经网络模型中，得到的剂量预测值为Y。
3.根据权利要求1所述的方法，其特征在于，比较G和Y的差值M，
Figure DEST_PATH_IMAGE003
，设定阈值W，当两个预测模型的放疗剂量预测值的差值M<W时，认为此时的剂量可信，且为放疗剂量的最优值。
CN202010802659.4A 2020-08-11 2020-08-11 根据肿瘤分子图像的特征参数确定放射治疗剂量的方法 Active CN111951245B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010802659.4A CN111951245B (zh) 2020-08-11 2020-08-11 根据肿瘤分子图像的特征参数确定放射治疗剂量的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010802659.4A CN111951245B (zh) 2020-08-11 2020-08-11 根据肿瘤分子图像的特征参数确定放射治疗剂量的方法

Publications (2)

Publication Number Publication Date
CN111951245A CN111951245A (zh) 2020-11-17
CN111951245B true CN111951245B (zh) 2021-04-06

Family

ID=73331698

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010802659.4A Active CN111951245B (zh) 2020-08-11 2020-08-11 根据肿瘤分子图像的特征参数确定放射治疗剂量的方法

Country Status (1)

Country Link
CN (1) CN111951245B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112466432A (zh) * 2020-12-09 2021-03-09 北京易康医疗科技有限公司 一种基于人工智能技术的肿瘤放疗线束种类筛选方法
CN114171157B (zh) * 2021-12-01 2024-09-27 中国科学院近代物理研究所 一种脑肿瘤放疗方式智能选择方法、系统、设备和介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106139416A (zh) * 2016-07-18 2016-11-23 韩大力 一种头颈部肿瘤放射治疗防护及功能锻炼装置
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
WO2018048575A1 (en) * 2016-09-07 2018-03-15 Elekta, Inc. System and method for learning models of radiotherapy treatment plans to predict radiotherapy dose distributions
CN109966662A (zh) * 2019-04-30 2019-07-05 四川省肿瘤医院 一种验证放射治疗剂量的方法及系统
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
CN111432879A (zh) * 2017-12-08 2020-07-17 医科达有限公司 使用深度卷积神经网络确定束模型参数

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108339202A (zh) * 2018-03-15 2018-07-31 上海市质子重离子医院有限公司 基于患者源性肿瘤组织异种移植模型的个体化相对生物学效应建立的碳离子放疗方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106139416A (zh) * 2016-07-18 2016-11-23 韩大力 一种头颈部肿瘤放射治疗防护及功能锻炼装置
WO2018048575A1 (en) * 2016-09-07 2018-03-15 Elekta, Inc. System and method for learning models of radiotherapy treatment plans to predict radiotherapy dose distributions
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
CN111432879A (zh) * 2017-12-08 2020-07-17 医科达有限公司 使用深度卷积神经网络确定束模型参数
CN109966662A (zh) * 2019-04-30 2019-07-05 四川省肿瘤医院 一种验证放射治疗剂量的方法及系统
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

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
A deep learning method for prediction of three‐dimensional dose distribution of helical tomotherapy;Liu, Z.,et.al;《Medical physics》;20190331;全文 *
Barragán‐Montero, A. M., et.al.Three‐dimensional dose prediction for lung IMRT patients with deep neural networks: robust learning from heterogeneous beam configurations.《 Medical physics》.2019, *
基于神经网络学习方法的放疗计划三维剂量分布预测;孔繁图，等;《南方医科大学学报》;20180627;全文 *
自动计划与人工计划在宫颈癌术后VMAT放疗中的剂量学比较;吴建篪; 等;《中国医学物理学杂志》;20200803;全文 *
鼻咽癌调强和常规放疗计划的剂量学对比;马秀梅; 等;《上海交通大学学报(医学版)》;20071215;全文 *

Also Published As

Publication number Publication date
CN111951245A (zh) 2020-11-17

Similar Documents

Publication Publication Date Title
Krafft et al. The utility of quantitative CT radiomics features for improved prediction of radiation pneumonitis
CN111951245B (zh) 根据肿瘤分子图像的特征参数确定放射治疗剂量的方法
US11291856B2 (en) Method, a computer program product and a computer system for radiotherapy
CN110841205A (zh) 一种肿瘤患者精准剂量验证方法、装置及设备
CN113610845A (zh) 肿瘤局部控制预测模型的构建方法、预测方法及电子设备
US11224762B2 (en) System and method for automatic radiotherapy treatment planning
US20230112205A1 (en) Method and apparatus for identifying and quantifying abnormality
Du et al. A novel nomogram model based on cone-beam CT radiomics analysis technology for predicting radiation pneumonitis in esophageal cancer patients undergoing radiotherapy
CN112837782B (zh) 一种基于深度学习的放疗三维剂量预测方法
CN113628761A (zh) 抗血管生成药物联合免疫检查点抑制剂治疗疗效预测方法
WO2023285993A1 (en) System and method for predicting the risk of future lung cancer
CN117116421B (zh) 放疗计划的确定方法和装置
KR101968671B1 (ko) 지능형 자동 방사선 치료계획 수립방법 및 시스템
Ma et al. A prediction model for dosimetric‐based lung adaptive radiotherapy
CN113631223A (zh) 确定放射疗法后的血液学毒性风险
WO2020253510A1 (zh) 一种基于大数血管图像识别的疾病预测系统及方法
Al-Barzinji Diagnosis lung cancer disease using machine learning techniques
Zhao et al. A Training Strategy for Enhancing the Accuracy of Real-Time Tumor Tracking Based on Deep Bi-LSTM Learning
CN118505682B (zh) 一种用于放射性粒子植入tps的肿瘤边界勾画系统
CN118416354B (zh) 一种半导体激光氧疗仪及呼吸状态检测方法
Mangayarkarasi et al. Lung Cancer Diagnosis from Computer Tomography Images Using Region Based Segmentation and Fuzzy Logic
Firasari et al. Performance Evaluation of ResNet50 and MobileNetV2 in Skin Cancer Image Classification with Various Optimizers
Merchan et al. Deep Learning-Based Pulmonary Arterial Segmentation in Computed Tomography Images
Bellotti et al. GAMBAS--Fast Beam Arrangement Selection for Proton Therapy using a Nearest Neighbour Model
Dhamercherla et al. Lung Cancer Prediction Using an Improved Support Vector Machine and Gradient Self-Adaptive Sea Lion Optimization Technique

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20210222

Address after: No. 440, Yankuang Road, Ji'nan, Shandong Province

Applicant after: SHANDONG CANCER HOSPITAL & INSTITUTE (SHANDONG CANCER Hospital)

Applicant after: SHANDONG University

Applicant after: Jinan Bishan Network Technology Co.,Ltd.

Address before: 100025 906, West District, 9th floor, No. 100, Sili, Balizhuang, Chaoyang District, Beijing

Applicant before: Beijing Yikang Medical Technology Co.,Ltd.

Applicant before: SHANDONG CANCER HOSPITAL & INSTITUTE (SHANDONG CANCER Hospital)

Applicant before: SHANDONG University

Applicant before: Jinan Bishan Network Technology Co.,Ltd.

GR01 Patent grant
GR01 Patent grant