CN112336996A - 基于深度神经网络的放疗靶区自动勾画系统 - Google Patents

基于深度神经网络的放疗靶区自动勾画系统 Download PDF

Info

Publication number
CN112336996A
CN112336996A CN202011059926.XA CN202011059926A CN112336996A CN 112336996 A CN112336996 A CN 112336996A CN 202011059926 A CN202011059926 A CN 202011059926A CN 112336996 A CN112336996 A CN 112336996A
Authority
CN
China
Prior art keywords
radiotherapy
request
case
data
server
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
Application number
CN202011059926.XA
Other languages
English (en)
Inventor
章毅
柏森
余程嵘
胡俊杰
宋�莹
李贵元
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.)
Sichuan University
Original Assignee
Sichuan 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 Sichuan University filed Critical Sichuan University
Priority to CN202011059926.XA priority Critical patent/CN112336996A/zh
Publication of CN112336996A publication Critical patent/CN112336996A/zh
Pending legal-status Critical Current

Links

Images

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
    • 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
    • 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • 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
    • 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)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Epidemiology (AREA)
  • Veterinary Medicine (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Pathology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Radiation-Therapy Devices (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明公开了一种基于深度神经网络的放疗靶区自动勾画系统，属于放射靶区自动勾画领域。本发明包括：客户端，用于与放疗计划系统连接，通过使用标准传输协议，接收来自放疗计划系统的未经勾画的病例数据并存储，并对待处理数据及参数进行封装并传输至服务端；服务端，用于根据放疗流程中病例数据勾画的任务特点，将对应的待处理任务分别输入到相应的深度神经网络模型中进行计算，勾画出放疗靶区，并将其封装为标准的医学图像格式文件，并传输至客户端；当客户端接收到标准的医学图像格式文件时，对勾画结果进行查看，并评价其是否符合实际放疗需求，若符合，则利用标准传输协议将勾画结果文件回传至放疗计划系统，若不符合，则再次进行计算。

Description

基于深度神经网络的放疗靶区自动勾画系统
技术领域
本发明涉及放射靶区自动勾画领域，尤其涉及一种基于深度神经网络的放疗靶区自动勾画系统。
背景技术
肿瘤治疗主要分为放射疗法和化学疗法，其中放射疗法，简称放疗，是针对肿瘤部位进行放射线对靶区照射的一种肿瘤治疗方法，这也是目前治疗肿瘤的重要手段之一。放射治疗主要基于放射生物学、肿瘤学基础、放射物理与防护放射治疗技术学、放射诊疗设备学、医学影像技术学等，利用了放射线治疗疾病的手段来对恶性肿瘤进行治疗。在世界卫生组织所公开的数据中，目前可治疗的肿瘤中，手术治愈率为22％，化疗治愈率仅到5％，而放疗的治愈率为12％。可见，除手术治疗之外，放疗也是治疗肿瘤的一种重要手段。
现代放疗有着一套完整的治疗流程。主要包括危及器官以及靶区的勾画，根据剂量学原理制定放疗计划，计划实施以及治疗炎症等。其中，对勾画结果，剂量设置以及计划都要求精确，以实现单次精确照射剂量并能确保局部控制的目的。放疗过程中，需提供患者影像数据，并根据这些影像数据以及预先设定的治疗机物理参数、准直器参数、机器人运动参数制定患者的治疗计划。
另外，一般的现有技术方案中：首先通过CT设备对患者的可能肿瘤部位进行范围扫描，然后CT切片数据会通过计划系统传输到工作站系统上由物理师进行勾画，随后再由工作站将勾画结果返回计划系统来行计划制定，包括剂量和计划制定等。
在实际放疗流程中，对CT进行勾画十分耗费人力和时间成本，通过使用基于深度学习的神经网络模型可以在短时间内准确地对切片进行勾画，但是，该技术现存在如下缺点：首先，该方法主要由代码实现，在实际中该方法需集成到系统软件中才可被使用；其次，考虑到实际放疗流程中的任务量，该软件系统需可实现多任务的并发执行；最后，考虑到的病例数据的传输需实现与放疗计划系统的对接，因此需基于现有传输协议对传输规则进行灵活定制。
综上，现有技术方案中缺乏一种定制化的软件系统对神经网络的分割方法进行封装，并能集成到实际放疗的工作流程中。
发明内容
本发明的目的是提供一种基于深度神经网络的放疗靶区自动勾画系统，能够在短时间内自动完成不同类别器官的靶区自动分割。
本发明解决其技术问题，采用的技术方案是：基于深度神经网络的放疗靶区自动勾画系统，包括客户端和服务端；
所述客户端，用于与放疗计划系统连接，通过使用放疗流程中的标准传输协议，在客户端接收来自放疗计划系统的未经勾画的病例数据并存储，并对待处理数据以及待处理参数进行封装并传输至服务端；
所述服务端，用于根据放疗流程中病例数据勾画的任务特点，将对应的待处理任务分别输入到相应的深度神经网络模型中进行计算，勾画出放疗靶区，并将勾画结果封装为标准的医学图像格式文件，并传输至客户端；
所述客户端，用于当接收到标准的医学图像格式文件时，通过客户端对勾画结果进行查看，并评价其是否符合实际放疗需求，若符合，则利用标准传输协议将勾画结果文件回传至放疗计划系统，若不符合，则再次进行计算。
进一步的是，当所述客户端在接收放疗计划系统的病例数据时，用于传输的病例数据是DICOM格式的CT数据。
进一步的是，当所述客户端在接收放疗计划系统的病例数据时，所述病例数据通过使用局域网协议传输和/或通过手动方式导入。
进一步的是，当所述局域网协议为pynetdicom时，系统基于该协议对数据收发端的传输规则进行统一约定，所述传输规则包括AE_TITLE和SUPPORTED_CONTEXT。
进一步的是，在局域网连通未连通时，使用手动方式导入病例数据，其具体为：通过接入外部存储设备将待处理病例数据导入系统。
进一步的是，所述客户端，在完成病例数据的接收后，基于远程过程调用向服务端发起勾画请求，此时，客户端提供服务端地址以及含参的请求体，服务端则返回处理结构或处理状态信息。
进一步的是，当所述客户端向服务端发起勾画请求时，对每次勾画请求分别进行封装，所述勾画请求包括：
待处理病例上传请求，该请求包含待处理病例元数据，该请求将返回服务器病例路径；以及，
分割计算请求，该请求包括病病例路径、处理病种以及是否进行剂量计算，该请求将返回处理状态；以及，
返回结果请求，该请求包括病例姓名，该请求将返回勾画结果。
进一步的是，所述通过使用requests和/或socketio的封装方法对每次勾画请求分别进行封装。
进一步的是，当所述客户端向服务端发起勾画请求时，每个勾画任务执行时都被提交为一个线程；
当服务端阶接收到待处理病例上传请求时，解析出CT数据并读取病例的PatientName字段，以病例的PatientName为标识将CT数据暂存于服务端；
当服务端阶接收到分割计算请求时，解析出分割参数，包括病例路径、处理病种以及是否进行剂量计算，其中根据处理病种字段的不同分为两类分割任务：
危及器官勾画任务：首先对病例CT数据输入到对应部位的分类模型进行计算，然后对应每个危及器官分别输入到分割模型进行计算并得到分割结果，最后将分割封装为放疗流程中所使用的标准RTstructure文件，并以病例PatientName为标识暂存于服务端；
病种靶区勾画任务：对于特定部位的靶区，不分类，直接将病例CT数据输入到对应病种的分割模型进行计算，然后将分割结果封装为标准RTstructure文件，并以病例PatientName为标识暂存于服务端；
当服务端阶接收到返回结果请求时，解析出病人姓名字段，并以此字段在服务端上检索出已完成勾画的RTstructure文件，将该文件返回至客户端。
进一步的是，客户端在接收完返回的结果后，在本地调用病例浏览模块直接查看勾画结果，在浏览界面能够选择查看危及器官及病种进行，以及调节当前的窗宽和/或窗位值。
本发明的有益效果是，通过上述基于深度神经网络的放疗靶区自动勾画系统，仅需将部署有该系统的计算机接入到局域网内即可实现与计划系统的互通，而无需对放疗的现有使用流程或硬/软件设施进行调整，降低了部署成本；并且，在进行危及器官任务分割时，可由计算机自动继续器官分类，然后进行分割，免去了人工进行器官分类的麻烦；另外，对于单个病例分割任务，可在几分钟之内完成，且可实现多任务并行处理，减轻了勾画任务的人力成本和时间成本，提高了工作效率，可为临床中的实际放疗流程工作的改进提供指导意义。
附图说明
图1为本发明基于深度神经网络的放疗靶区自动勾画系统在实际放疗过程中示意图；
图2为本发明实施例系统流程示意图；
图3为本发明实施例中基于requests的上传请求体封装示意图；
图4本发明实施例中基于socketio的分割请求体封装示意图；
图5本发明实施例中基于requests的结果回传请求体封装示意图；
图6本发明实施例中数据勾画流程请求示意图。
具体实施方式
下面结合附图及实施例，详细描述本发明的技术方案。
本发明提出的一种基于深度神经网络的放疗靶区自动勾画系统，其在实际放疗过程中示意图见图1，其中，该系统包括客户端和服务端，其中，客户端，用于与放疗计划系统连接，通过使用放疗流程中的标准传输协议，在客户端接收来自放疗计划系统的未经勾画的病例数据并存储，并对待处理数据以及待处理参数进行封装并传输至服务端；服务端，用于根据放疗流程中病例数据勾画的任务特点，将对应的待处理任务分别输入到相应的深度神经网络模型中进行计算，勾画出放疗靶区，并将勾画结果封装为标准的医学图像格式文件，并传输至客户端；
当客户端接收到标准的医学图像格式文件时，通过客户端对勾画结果进行查看，并评价其是否符合实际放疗需求，若符合，则利用标准传输协议将勾画结果文件回传至放疗计划系统，若不符合，则再次进行计算。
为了满足实际放疗流程的需要，当客户端在接收放疗计划系统的病例数据时，用于传输的病例数据一般是DICOM格式的CT数据。
为契合实际放疗工作流程中的数据传输方式，本系统使用了局域网协议传输数据和本地手动方式导入数据两种方式来实现，可以根据实际需要进行选取。一般来说，为了提高传输效率，优先选取局域网协议传输数据，首先本系统在本地开启病例自动接收服务，计划系统根据所约定的规则发送病例数据至本系统上，病例数据仅包括未经勾画的DICOM格式的CT数据，接收完成后病例数据会保存在本地用于下一步处理，并在数据库中加入一条新增病例数据；出于使用便利的目的，本系统的数据接收还配置了一种从本地导入的方式，在局域网连通未连通时，使用本地手动导入可通过接入外部存储设备将待处理病例数据导入系统，且所使用的病例同样是DICOM格式的CT数据。其中，在局域网连通未连通时，使用手动方式导入病例数据，其优选为：通过接入外部存储设备将待处理病例数据导入系统。
需要指出的是，当局域网协议为pynetdicom时，系统基于该协议对数据收发端的传输规则进行统一约定，传输规则可以包括AE_TITLE和SUPPORTED_CONTEXT。
实际应用过程中，当客户端在完成病例数据的接收后，基于远程过程调用向服务端发起勾画请求，此时，客户端提供服务端地址以及含参的请求体，服务端则返回处理结构或处理状态信息。
当客户端向服务端发起勾画请求时，对每次勾画请求分别进行封装，勾画请求包括：
待处理病例上传请求，该请求包含待处理病例元数据，该请求将返回服务器病例路径；以及，
分割计算请求，该请求包括病病例路径、处理病种以及是否进行剂量计算，该请求将返回处理状态；以及，
返回结果请求，该请求包括病例姓名，该请求将返回勾画结果。
可以通过使用requests和/或socketio的封装方法对每次勾画请求分别进行封装。
当客户端向服务端发起勾画请求时，每个勾画任务执行时都被提交为一个线程，因此本系统可实现基于多线程的多任务并行处理。
对应于上述请求，当服务端阶接收到待处理病例上传请求时，解析出CT数据并读取病例的PatientName字段，以病例的PatientName为标识将CT数据暂存于服务端；
当服务端阶接收到分割计算请求时，解析出分割参数，包括病例路径、处理病种以及是否进行剂量计算，其中根据处理病种字段的不同分为两类分割任务：
危及器官勾画任务：首先对病例CT数据输入到对应部位的分类模型进行计算，然后对应每个危及器官分别输入到分割模型进行计算并得到分割结果，最后将分割封装为放疗流程中所使用的标准RTstructure文件，并以病例PatientName为标识暂存于服务端；
病种靶区勾画任务：对于特定部位的靶区，不分类，直接将病例CT数据输入到对应病种的分割模型进行计算，然后将分割结果封装为标准RTstructure文件，并以病例PatientName为标识暂存于服务端；
当服务端阶接收到返回结果请求时，解析出病人姓名字段，并以此字段在服务端上检索出已完成勾画的RTstructure文件，将该文件返回至客户端。
客户端在接收完返回的结果后，可在本地调用病例浏览模块直接查看勾画结果，在浏览界面医生用户可自由选择危及器官、病种进行查看，也可自由调节当前的窗宽/窗位值。
在本地查看完勾画结果之后，医生用户可根据其满意与否选择将数据返回至计划系统，或者再次进行计算。如选择返回至计划系统，同样使用所配置的pynetdicom传输协议同，如选择再次计算，则重复上述计算过程即可。
实施例
本实施例主要使用深度神经网络实现了放疗靶区自动勾画系统(DBAS)，并由PyQt编程实现，该系统主要由医生端(客户端)和勾画服务私有云(服务端)组成。为契合实际放疗流程，该系统可与放疗计划系统实现直接交互。
参见图2，其为系统流程示意图，其中，该系统的流程主要包含四个步骤，分别是：
S1、数据接收：使用放疗流程中的标准传输协议，在医生端接收来自于计划系统的病例CT数据，并将信息录入至本地；
S2、数据封装：对待处理数据以及待处理参数进行封装，以便用于下一步的传输；
S3、数据勾画：根据放疗流程中病例数据勾画的人物特点，将对应的待处理任务分别输入到相应的深度神经网络模型中进行计算，并将结果封装为标准DICOM格式文件；
S4、结果评价：在医生端对勾画结果进行查看，评估其是否符合实际放疗需求，如不符合可再次计算；
S5、结果回传：勾画结果满足需求后，根据标准传输协议，在医生端将勾画结果文件回传至计划系统。
上述步骤S1中，为契合实际放疗工作流程中的数据传输方式，本系统使用了局域网协议传输和本地手动导入两种方式来实现，所以流程的第一步包含以下两种方式：
S101、局域网协议传输：在实际放疗流程中用于传输的病例数据是DICOM格式的CT数据，并且使用pynetdicom作为传输协议。因此本系统将基于该协议对数据收发方的传输规则进行统一约定，传输规则包主要括AE_TITLE和SUPPORTED_CONTEXT，如下表1，表2所示，DBAS为靶区自动勾画系统，表1为数据收发端AE_TITLE配置规则，表2为数据收发端SUPPORTED_CONTEXT配置规则：
表1
Figure BDA0002712078840000061
表2
Figure BDA0002712078840000062
首先本系统在本地开启病例自动接收服务，计划系统根据所约定的规则发送病例数据至本系统上，病例数据仅包括未经勾画的DICOM格式的CT数据，接收完成后病例数据会保存在本地用于下一步处理，并在数据库中加入一条新增病例数据。
S102、本地手动导入：出于使用便利的目的，本系统的数据接收还配置了一种从本地导入的方式，在局域网连通未连通时，使用本地手动导入可通过接入外部存储设备将待处理病例数据导入系统，且所使用的病例同样是DICOM格式的CT数据。
在上述步骤S2中，在完成病例数据的接收后，可向勾画服务私有云发起勾画请求，该流程的实现主要基于远程过程调用，即Remote Procedure Call，客户端仅需提供服务端地址以及含参的请求体，服务端即可返回处理结果或处理状态信息。本步骤将对每次请求分别进行封装，根据实际业务需求的不同而分为三类：
1)待处理病例上传请求，其包含待处理病例元数据，该请求将返回服务器病例路径；
2)分割计算请求，其包括病病例路径、处理病种以及是否进行剂量计算，该请求将返回处理状态；
3)返回结果请求，其包括病例姓名，该请求将返回勾画结果。
参见图3，其为本实施例中基于requests的上传请求体封装示意图，参见图4，其为本实施例中基于socketio的分割请求体封装示意图，参见图5，其为本实施例中基于requests的结果回传请求体封装示意图。
在上述步骤S3中，完成病例数据的接收以及封装之后，即可向服务端发起勾画请求。在本步骤中，每个勾画任务执行时都被提交为一个线程，因此本系统可实现基于多线程的多任务并行处理。根据步骤S2的请求封装，本步骤主要为以下三步，其数据勾画流程请求示意图见图6，其中：
S301、请求数据上传：
将步骤S2中所封装好的待处理病例上传请求提交至服务端，服务端将从中解析出CT数据并读取病例的PatientName字段，以病例的PatientName为标识将CT数据暂存于服务端；
S302、请求模型计算：
将步骤S2中所封装好的分割计算请求提交至服务端，服务端将从中解析出分割参数，包括病例路径，处理病种，是否剂量计算。其中根据处理病种字段的不同主要分为两类分割任务：
1)危及器官勾画任务：因每个特定部位都存在多种不同的危及器官，因此首先对病例CT数据输入到对应部位的分类模型进行计算，然后对应每个危及器官分别输入到分割模型进行计算并得到分割结果，最后将分割封装为放疗流程中所使用的标准RTstructure文件，并以病例PatientName为标识暂存于服务端；
2)病种靶区勾画任务：对于特定部位的靶区，则不需要分类，可直接将病例CT数据输入到对应病种的分割模型进行计算，然后将分割结果封装为标准RTstructure文件，并以病例PatientName为标识暂存于服务端；
S303、请求结果回传：
将步骤S2中所封装好的返回结果请求提交至服务端，服务端将从中解析出病人姓名字段，并以此字段在私有云上检索出已完成勾画的RTstructure文件，将该文件返回至客户端。
客户端在接收完返回的结果后，可在本地调用病例浏览模块直接查看勾画结果，在浏览界面医生用户可自由选择危及器官、病种进行查看，也可自由调节当前的窗宽和/或窗位值。
在本地查看完勾画结果之后，医生用户可根据其满意与否选择将数据返回至计划系统，或者再次进行计算。如选择返回至计划系统，步骤S1所配置的pynetdicom传输协议同适用于该步骤；如选择再次计算，则重复进行步骤S2即可。
综上所述，通过本实施例提出的上述系统，能够在短时间内自动完成不同类别器官的靶区自动分割，免去了人工进行器官分类以及勾画的麻烦且仅需将部署有该系统的计算机接入到局域网内即可实现与计划系统的互通，而无需对放疗的现有使用流程或硬/软件设施进行调整，降低了部署成本。

Claims (10)

1.基于深度神经网络的放疗靶区自动勾画系统，其特征在于，包括客户端和服务端；
所述客户端，用于与放疗计划系统连接，通过使用放疗流程中的标准传输协议，在客户端接收来自放疗计划系统的未经勾画的病例数据并存储，并对待处理数据以及待处理参数进行封装并传输至服务端；
所述服务端，用于根据放疗流程中病例数据勾画的任务特点，将对应的待处理任务分别输入到相应的深度神经网络模型中进行计算，勾画出放疗靶区，并将勾画结果封装为标准的医学图像格式文件，并传输至客户端；
所述客户端，用于当接收到标准的医学图像格式文件时，通过客户端对勾画结果进行查看，并评价其是否符合实际放疗需求，若符合，则利用标准传输协议将勾画结果文件回传至放疗计划系统，若不符合，则再次进行计算。
2.根据权利要求1所述的基于深度神经网络的放疗靶区自动勾画系统，其特征在于，当所述客户端在接收放疗计划系统的病例数据时，用于传输的病例数据是DICOM格式的CT数据。
3.根据权利要求1所述的基于深度神经网络的放疗靶区自动勾画系统，其特征在于，当所述客户端在接收放疗计划系统的病例数据时，所述病例数据通过使用局域网协议传输和/或通过手动方式导入。
4.根据权利要求2或3所述的基于深度神经网络的放疗靶区自动勾画系统，其特征在于，当所述局域网协议为pynetdicom时，系统基于该协议对数据收发端的传输规则进行统一约定，所述传输规则包括AE_TITLE和SUPPORTED_CONTEXT。
5.根据权利要求2或3所述的基于深度神经网络的放疗靶区自动勾画系统，其特征在于，在局域网连通未连通时，使用手动方式导入病例数据，其具体为：通过接入外部存储设备将待处理病例数据导入系统。
6.根据权利要求1所述的基于深度神经网络的放疗靶区自动勾画系统，其特征在于，所述客户端，在完成病例数据的接收后，基于远程过程调用向服务端发起勾画请求，此时，客户端提供服务端地址以及含参的请求体，服务端则返回处理结构或处理状态信息。
7.根据权利要求6所述的基于深度神经网络的放疗靶区自动勾画系统，其特征在于，当所述客户端向服务端发起勾画请求时，对每次勾画请求分别进行封装，所述勾画请求包括：
待处理病例上传请求，该请求包含待处理病例元数据，该请求将返回服务器病例路径；以及，
分割计算请求，该请求包括病病例路径、处理病种以及是否进行剂量计算，该请求将返回处理状态；以及，
返回结果请求，该请求包括病例姓名，该请求将返回勾画结果。
8.根据权利要求7所述的基于深度神经网络的放疗靶区自动勾画系统，其特征在于，所述通过使用requests和/或socketio的封装方法对每次勾画请求分别进行封装。
9.根据权利要求2或8所述的基于深度神经网络的放疗靶区自动勾画系统，其特征在于，当所述客户端向服务端发起勾画请求时，每个勾画任务执行时都被提交为一个线程；
当服务端阶接收到待处理病例上传请求时，解析出CT数据并读取病例的PatientName字段，以病例的PatientName为标识将CT数据暂存于服务端；
当服务端阶接收到分割计算请求时，解析出分割参数，包括病例路径、处理病种以及是否进行剂量计算，其中根据处理病种字段的不同分为两类分割任务：
危及器官勾画任务：首先对病例CT数据输入到对应部位的分类模型进行计算，然后对应每个危及器官分别输入到分割模型进行计算并得到分割结果，最后将分割封装为放疗流程中所使用的标准RTstructure文件，并以病例PatientName为标识暂存于服务端；
病种靶区勾画任务：对于特定部位的靶区，不分类，直接将病例CT数据输入到对应病种的分割模型进行计算，然后将分割结果封装为标准RTstructure文件，并以病例PatientName为标识暂存于服务端；
当服务端阶接收到返回结果请求时，解析出病人姓名字段，并以此字段在服务端上检索出已完成勾画的RTstructure文件，将该文件返回至客户端。
10.根据权利要求9所述的基于深度神经网络的放疗靶区自动勾画系统，其特征在于，客户端在接收完返回的结果后，在本地调用病例浏览模块直接查看勾画结果，在浏览界面能够选择查看危及器官及病种进行，以及调节当前的窗宽和/或窗位值。
CN202011059926.XA 2020-09-30 2020-09-30 基于深度神经网络的放疗靶区自动勾画系统 Pending CN112336996A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011059926.XA CN112336996A (zh) 2020-09-30 2020-09-30 基于深度神经网络的放疗靶区自动勾画系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011059926.XA CN112336996A (zh) 2020-09-30 2020-09-30 基于深度神经网络的放疗靶区自动勾画系统

Publications (1)

Publication Number Publication Date
CN112336996A true CN112336996A (zh) 2021-02-09

Family

ID=74360420

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011059926.XA Pending CN112336996A (zh) 2020-09-30 2020-09-30 基于深度神经网络的放疗靶区自动勾画系统

Country Status (1)

Country Link
CN (1) CN112336996A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112582048A (zh) * 2021-03-01 2021-03-30 四川大学 一种基于深度学习的放射治疗靶区自动勾画系统及方法
CN113077433A (zh) * 2021-03-30 2021-07-06 山东英信计算机技术有限公司 基于深度学习的肿瘤靶区云检测装置、系统、方法及介质
CN113793699A (zh) * 2021-11-16 2021-12-14 四川省肿瘤医院 基于5g云放疗专网的肺部肿瘤勾画方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN202995733U (zh) * 2012-07-30 2013-06-12 山东新华医疗器械股份有限公司 基于dicom的放疗网络信息管理系统
CN103745126A (zh) * 2014-01-26 2014-04-23 深圳市医诺智能科技发展有限公司 Tps数据处理方法和系统
CN106708620A (zh) * 2015-11-13 2017-05-24 苏宁云商集团股份有限公司 一种处理数据的方法及系统
CN110502221A (zh) * 2018-05-17 2019-11-26 北京中科海讯数字科技股份有限公司 一种三维声场计算系统
CN110517254A (zh) * 2019-08-29 2019-11-29 清华大学 基于深度学习的临床靶区自动勾画方法、装置及相关设备
US20200203022A1 (en) * 2018-01-19 2020-06-25 Beijing Linking Medical Technology Co., Ltd. Standardized Cloud Radiotherapy Planning Method, Storage Medium, and System

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN202995733U (zh) * 2012-07-30 2013-06-12 山东新华医疗器械股份有限公司 基于dicom的放疗网络信息管理系统
CN103745126A (zh) * 2014-01-26 2014-04-23 深圳市医诺智能科技发展有限公司 Tps数据处理方法和系统
CN106708620A (zh) * 2015-11-13 2017-05-24 苏宁云商集团股份有限公司 一种处理数据的方法及系统
US20200203022A1 (en) * 2018-01-19 2020-06-25 Beijing Linking Medical Technology Co., Ltd. Standardized Cloud Radiotherapy Planning Method, Storage Medium, and System
CN110502221A (zh) * 2018-05-17 2019-11-26 北京中科海讯数字科技股份有限公司 一种三维声场计算系统
CN110517254A (zh) * 2019-08-29 2019-11-29 清华大学 基于深度学习的临床靶区自动勾画方法、装置及相关设备

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112582048A (zh) * 2021-03-01 2021-03-30 四川大学 一种基于深度学习的放射治疗靶区自动勾画系统及方法
CN113077433A (zh) * 2021-03-30 2021-07-06 山东英信计算机技术有限公司 基于深度学习的肿瘤靶区云检测装置、系统、方法及介质
CN113793699A (zh) * 2021-11-16 2021-12-14 四川省肿瘤医院 基于5g云放疗专网的肺部肿瘤勾画方法
CN113793699B (zh) * 2021-11-16 2022-03-01 四川省肿瘤医院 基于5g云放疗专网的肺部肿瘤勾画方法

Similar Documents

Publication Publication Date Title
CN112336996A (zh) 基于深度神经网络的放疗靶区自动勾画系统
Moazzezi et al. Prospects for daily online adaptive radiotherapy via ethos for prostate cancer patients without nodal involvement using unedited CBCT auto‐segmentation
US11278737B2 (en) Systems and methods for automatic treatment planning and optimization
WO2017133654A1 (en) Systems and methods for radiation treatment planning
CN105358219B (zh) 用于自动产生剂量预测模型以及作为云服务的疗法治疗计划的系统和方法
EP3776567A1 (en) Decision support tool for adaptive radiotherapy in ct/linac console
CN108367161B (zh) 放疗系统、数据处理方法及存储介质
US20160016008A1 (en) Radiosurgical Planning and Treatment
EP3342461B1 (en) Selecting a dose prediction model based on clinical goals
JP2016525427A (ja) 治療計画の自動化
US11786204B2 (en) Automatically-registered patient fixation device images
EP4126214B1 (en) Automatically-planned radiation-based treatment
CN110709132B (zh) 用户自适应放射疗法计划的方法和使用该方法的系统
KR20100119103A (ko) 방사선 치료정보 저장관리시스템
US11406844B2 (en) Method and apparatus to derive and utilize virtual volumetric structures for predicting potential collisions when administering therapeutic radiation
Zarepisheh et al. Automated and clinically optimal treatment planning for cancer radiotherapy
US20140378736A1 (en) Methods, systems and computer readable storage media storing instructions for generating a radiation therapy treatment plan
US20160213948A1 (en) System and method to create test objects for radiation therapy
WO2013080165A2 (en) Automated algorithm and framework for multi-patient treatment plan access in radiation therapy
Bogner et al. Application of an inverse kernel concept to Monte Carlo based IMRT
CN115364385A (zh) 一种应用于直肠癌的一站式智能放疗系统
CN112582048A (zh) 一种基于深度学习的放射治疗靶区自动勾画系统及方法
US20230222657A1 (en) Comparing healthcare provider contours using automated tool
Zaratim et al. Automated treatment planning for whole breast irradiation with individualized tangential IMRT fields
WO2023041166A1 (en) Inferring clinical preferences from data

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: 20210209

RJ01 Rejection of invention patent application after publication