CN112546463B - 基于深度神经网络的放疗剂量自动预测方法 - Google Patents
基于深度神经网络的放疗剂量自动预测方法 Download PDFInfo
- Publication number
- CN112546463B CN112546463B CN202110207866.XA CN202110207866A CN112546463B CN 112546463 B CN112546463 B CN 112546463B CN 202110207866 A CN202110207866 A CN 202110207866A CN 112546463 B CN112546463 B CN 112546463B
- Authority
- CN
- China
- Prior art keywords
- dose
- neural network
- deep neural
- input
- risk
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 45
- 238000001959 radiotherapy Methods 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 29
- 210000000920 organ at risk Anatomy 0.000 claims abstract description 34
- 230000006870 function Effects 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 230000035515 penetration Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 5
- 241000695274 Processa Species 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012938 design process Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000012886 linear function Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000009472 formulation Methods 0.000 abstract description 2
- 239000000203 mixture Substances 0.000 abstract description 2
- 206010028980 Neoplasm Diseases 0.000 description 5
- 210000000056 organ Anatomy 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 210000003484 anatomy Anatomy 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000002285 radioactive effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 206010005003 Bladder cancer Diseases 0.000 description 1
- 208000002454 Nasopharyngeal Carcinoma Diseases 0.000 description 1
- 206010061306 Nasopharyngeal cancer Diseases 0.000 description 1
- 208000007097 Urinary Bladder Neoplasms Diseases 0.000 description 1
- 238000013529 biological neural network Methods 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 201000011216 nasopharynx carcinoma Diseases 0.000 description 1
- 210000000478 neocortex Anatomy 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 230000000946 synaptic effect Effects 0.000 description 1
- 210000004881 tumor cell Anatomy 0.000 description 1
- 201000005112 urinary bladder cancer Diseases 0.000 description 1
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
- A61N5/103—Treatment planning systems
- A61N5/1039—Treatment planning systems using functional images, e.g. PET or MRI
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Radiation-Therapy Devices (AREA)
Abstract
本发明涉及放疗中的剂量预测领域，提出一种基于深度神经网络的放疗剂量自动预测方法，包括如下步骤：首先，获取患者的CT图像；其次，基于CT图像勾画患者的靶区以及危及器官；然后，计算患者的非调制剂量，其中，非调制剂量用于提供全局信息；然后，基于CT图像、靶区、危及器官及非调制剂量构建基于深度神经网络的剂量预测模型；最后，利用基于深度神经网络的剂量预测模型对放疗剂量进行自动预测。本发明能够基于基于深度神经网络自动预测患者剂量分布，该过程不需要人工提取特征或设定参数，预测得到的剂量分布可加速患者的放疗计划制定，并且，模型在输入部分采用了非调制剂量，能够提供更多全局信息用于精准预测剂量分布情况。
Description
技术领域
本发明涉及放疗中的剂量预测领域，具体涉及一种基于深度神经网络的放疗剂量自动预测方法。
背景技术
放射治疗简称放疗，是肿瘤治疗的主要手段之一，其工作原理是通过高能放射线照射肿瘤，破坏肿瘤的DNA结构，从而达到杀死肿瘤细胞并保护非肿瘤组织的目的。放疗具有适用范围广、副作用小、低创无痛等优点，可有效提高患者的治愈率，延长患者寿命。
在临床应用中，放疗实施之前需要专业人员制定放疗计划，即根据医生勾画的患者靶区以及危及器官，结合处方剂量，优化各放射线的角度、强度等信息，得到满足患者需求的治疗方案。放疗计划的质量往往取决于计划设计人员的经验，这导致不同人员制定的放疗计划往往差异较大，难以满足患者个体之间的差异。研究表明，通过建模学习患者靶区和危及器官等解剖结构对剂量的影响，可在计划设计之前预测患者的剂量信息，提高放疗计划的质量。根据患者的靶区和危及器官等信息预测该患者的待接收放疗剂量，则称为剂量预测。
放疗计划设计常使用逆向优化技术来满足放疗剂量要求，然而逆向优化涉及到众多治疗参数的调整，且需要计划制定者与医生多轮交流才能得到满足临床要求的治疗计划，这一过程最终耗时可能超过一个星期，影响患者及时接受治疗。面对这些局限，许多研究工作致力于预测患者的最优剂量分布，从而指导逆向优化过程，达到缩短计划制定时间、减少主观因素对计划质量影响的目的。
现有技术方案中：剂量体积直方图（DVH）是一种二维直方图，横轴为剂量值，纵轴为大于等于该剂量的像元占比（%），当前已有学者研究靶区和危及器官与DVH曲线之间的关系，但DVH曲线仅包含统计意义上的剂量信息，无法提供剂量的位置分布信息，这对于临床应用而言是不够的，如膀胱癌和鼻咽癌等病种要求提供剂量的空间分布信息来帮助医生判断放疗计划的质量。此外，也有学者通过深度神经网络模型建立靶区和危及器官与剂量之间的关系，即输入患者的CT图像、靶区、危及器官，输出则为该患者的剂量分布，这些研究表明深度神经网络可以学习到靶区/危及器官的剂量分布。
但是，注意到输入所包含的靶区与危及器官仅能提供患者解剖结构的“局部”结构信息，然而输出为患者的“全局”剂量分布，学习“局部”到“全局”的映射关系对深度神经网络模型提出了挑战。此外，输入数据中未包含与X射线穿透区域有关的信息，这加大了模型的学习难度。
因此，现有技术的客观缺点：现有工作研究靶区和危及器官与DVH曲线之间的关系，DVH曲线仅包含统计意义上的剂量信息，无法满足临床应用中对于剂量位置分布的要求。使用深度神经网络预测患者剂量的工作中，输入数据未能提供与剂量相关的“全局”信息，且输入数据中未包含与X射线穿透区域有关的信息。
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剂量自动预测方法，能够通过提供包含于剂量相关的全局信息，使用深度神经网络自动预测患者的剂量。
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剂量自动预测方法，包括如下步骤：
获取患者的CT图像；
基于CT图像勾画患者的靶区以及危及器官；
计算患者的非调制剂量，所述非调制剂量用于提供全局信息；
基于CT图像、靶区、危及器官及非调制剂量构建基于深度神经网络的剂量预测模型；
利用所述基于深度神经网络的剂量预测模型对放疗剂量进行自动预测。
进一步的是，所述非调制剂量计为
，
是放疗计划逆向优化中的初始剂量分布，该剂量分布已对靶区、危及器官进行适形，放疗计划设计过程中使用
作为初始值，通过逆向优化过程不断迭代，最终得到满足临床治疗需求的剂量分布。
进一步的是，所述全局信息包括靶区、危及器官部分的初始剂量分布以及X射线穿透区域的剂量信息。
进一步的是，根据患者的CT图像、靶区、危及器官、射束数量、射束角度完成非调制剂量的计算。
进一步的是，所述构建的基于深度神经网络的剂量预测模型，包括输入/输出部分和模型部分；
所述输入/输出部分中：设x代表剂量预测任务的输入，y代表剂量标签，x包含4个部分，即CT图像、靶区、危及器官和非调制剂量，各输入沿着通道维度进行堆叠，即
，其中
表示输入的CT图像，
表示输入的靶区，
表示输入的危及器官，
表示输入的非调制剂量，基于深度神经网络的剂量预测模型即是一个非线性函数F，通过逐层地对输入数据进行变化，实现了输入x到输出y的映射F：x→y；
所述模型部分包括编码器、解码器以及二者中间的跨层连接，编码器用于从输入数据中提取具有平移不变性的抽象特征，解码器用于将抽象特征恢复至原始输入的大小，并预测各像元的剂量值。
进一步的是，所述基于深度神经网络的剂量预测模型通过设置代价函数来度量模型的性能，所述代价函数表示为：
其中，a和y分别代表模型预测的剂量与标签剂量，H表示输入数据的高度、W表示输入数据的宽度，φ表示一个新的特征提取网络，φ（a）表示用φ网络提取模型预测的剂量a的特征，φ（y）表示用φ网络提取标签剂量y的特征，以上公式由两项构成，第一项为均方误差项，用于缩小预测剂量与标签剂量的欧式距离，第二项为感知损失项，该项引入了一个新的网络φ，用于缩小预测剂量与标签剂量在另一种特征空间中的欧式距离，其中ρ为标量，用于平衡均方误差项与感知损失函数项的权重，φ取常规的深度神经网络模型，ρ取0至1之间的数值。
进一步的是，基于所述代价函数L（a，y），则求取其对于基于深度神经网络的剂量预测模型的权值θ的梯度，并利用梯度下降算法，迭代更新权值θ，不断减小目标函数值，从而找到一组最优的权值，梯度下降算法如下所示：
其中，
为0-1之间的标量，代表神经网络训练过程的学习率。
本发明的有益效果是，通过上述基于深度神经网络的放疗剂量自动预测方法，能够基于基于深度神经网络自动预测患者剂量分布，该过程不需要人工提取特征或设定参数，预测得到的剂量分布可加速患者的放疗计划制定，并且，模型在输入部分采用了非调制剂量，能够提供更多全局信息用于精准预测剂量分布情况。
附图说明
图1为本发明中基于深度神经网络的放疗剂量自动预测方法的流程图。
具体实施方式
下面结合附图，详细描述本发明的技术方案。
本发明提供了一种基于深度神经网络的放疗剂量自动预测方法，其流程图见图1，其中，该方法包括如下步骤：
S1、获取患者的CT图像。
S2、基于CT图像勾画患者的靶区以及危及器官。
S3、计算患者的非调制剂量，所述非调制剂量用于提供全局信息；所述全局信息包括靶区、危及器官部分的初始剂量分布以及X射线穿透区域的剂量信息；根据患者的CT图像、靶区、危及器官、射束数量、射束角度完成非调制剂量的计算。
S4、基于CT图像、靶区、危及器官及非调制剂量构建基于深度神经网络的剂量预测模型。
S5、利用所述基于深度神经网络的剂量预测模型对放疗剂量进行自动预测。
上述方法的S1中，与传统的基于手工特征的分割方法不同，深度神经网络自动地从数据中学习如何提取任务相关的抽象特征，其提取到的特征具有更强的表达能力与更高的平移不变性。然而训练深度神经网络往往需要大量带标签的数据，因此流程的第一步为数据获取，由专业的CT机采集拍摄患者的断层扫描图像。
需要说明的是，S2中，靶区指肿瘤以及潜在的受侵区域，危及器官指放疗过程中可能受到辐射影响的正常器官和组织，基于上一步获取到的CT图像，需由医生手动或由程序自动勾画出靶区以及危及器官，这一过程称为靶区勾画。
S3中，非调制剂量可以计为
，
是放疗计划逆向优化中的初始剂量分布，该剂量分布已对靶区、危及器官进行适形，放疗计划设计过程中使用
作为初始值，通过逆向优化过程不断迭代，最终得到满足临床治疗需求的剂量分布。
实际应用时，放疗计划设计过程中使用
作为初始值，通过逆向优化过程不断迭代，最终得到满足临床治疗需求的剂量分布。因此剂量预测过程也可以理解为预测逆向优化最终可能得到的剂量分布情况。
中，除开提供靶区、危及器官部分的初始剂量分布，
还提供了X射线穿透区域的剂量信息，高效利用这些“全局”信息可有效提高模型的剂量预测效果。针对
的计算，可使用商业的计划系统，如RayStation，或开源的计划系统，如matRad（http://e0404.github.io/matRad），根据患者的CT图像、靶区、危及器官、射束数量、射束角度完成
的计算。
需要指出的是，深度神经网络是一种具有强大学习能力的非线性模型，其借鉴了大脑新皮层中生物神经网络的连接方式，对其中的神经元、突触连接和神经网络进行抽象建模，分别得到了可计算的神经元模型、连接权以及神经网络模型。与浅层神经网络相比，“深度”体现在隐层数量更多，连接方式更加灵活和复杂，具有更强大的非线性表达能力，能从输入图像中提取到更本质特征，从而实现更高精度的预测。
接下来，从输入/输出部分、模型部分两个方面来说明本发明所提出的深度神经网络剂量预测模型，也即，构建的基于深度神经网络的剂量预测模型，包括输入/输出部分和模型部分；
输入/输出部分中：设x代表剂量预测任务的输入，y代表剂量标签，x包含4个部分，即CT图像、靶区、危及器官和非调制剂量，各输入沿着通道维度进行堆叠，即
，其中
表示输入的CT图像，
表示输入的靶区，
表示输入的危及器官，
表示输入的非调制剂量，基于深度神经网络的剂量预测模型即是一个非线性函数F，通过逐层地对输入数据进行变化，实现了输入x到输出y的映射F：x→y。
模型部分中：与分割任务类似，剂量预测任务要求输出各像元的连续剂量值，因此也可以理解为像素级的回归任务。本发明采用的是基于深度神经网络的剂量预测模型，共包括三个部分，分别是编码器、解码器，以及二者中间的跨层连接。编码器由卷积、池化等操作构成，用于从输入数据中提取具有平移不变性的抽象特征。解码器由卷积、上采样层构成，其目的在于将抽象特征恢复至原始输入的大小，并预测各像元的剂量值。跨层连接的引入让构建深度网络成为可能。
通常，基于深度神经网络的剂量预测模型通过设置代价函数来度量模型的性能，所述代价函数表示为：
其中，a和y分别代表模型预测的剂量与标签剂量，H表示输入数据的高度、W表示输入数据的宽度，φ表示一个新的特征提取网络，φ（a）表示用φ网络提取模型预测的剂量a的特征，φ（y）表示用φ网络提取标签剂量y的特征，以上公式由两项构成，第一项为均方误差项，用于缩小预测剂量与标签剂量的欧式距离，第二项为感知损失项，该项引入了一个新的网络φ，用于缩小预测剂量与标签剂量在另一种特征空间中的欧式距离，其中ρ为标量，用于平衡均方误差项与感知损失函数项的权重，在实际应用中，φ可以取常规的深度神经网络模型，ρ可以取0至1之间的数值。
基于所述代价函数L（a，y），则求取其对于基于深度神经网络的剂量预测模型的权值θ的梯度，并利用梯度下降算法，迭代更新权值θ，不断减小目标函数值，从而找到一组最优的权值，梯度下降算法如下所示：
其中，
为0-1之间的标量，代表神经网络训练过程的学习率。
在训练阶段，由于采用了包含均方误差项与感知损失项的代价函数，其中感知损失项度量预测剂量与标签剂量在另一种特征空间中的欧式距离，因此，有助于提高模型的鲁棒性。
Claims (3)
1.基于深度神经网络的放疗剂量自动预测方法，其特征在于，包括如下步骤：
获取患者的CT图像；
基于CT图像勾画患者的靶区以及危及器官；
计算患者的非调制剂量，所述非调制剂量用于提供全局信息，根据患者的CT图像、靶区、危及器官、射束数量、射束角度完成非调制剂量的计算；
基于CT图像、靶区、危及器官及非调制剂量构建基于深度神经网络的剂量预测模型，所述剂量预测模型，包括输入/输出部分和模型部分；
所述输入/输出部分中：设x代表剂量预测任务的输入，y代表剂量标签，x包含4个部分，即CT图像、靶区、危及器官和非调制剂量，各输入沿着通道维度进行堆叠，即
，其中
表示输入的CT图像，
表示输入的靶区，
表示输入的危及器官，
表示输入的非调制剂量，基于深度神经网络的剂量预测模型即是一个非线性函数F，通过逐层地对输入数据进行变化，实现了输入x到输出y的映射F：x→y；
所述模型部分包括编码器、解码器以及二者中间的跨层连接，编码器用于从输入数据中提取具有平移不变性的抽象特征，解码器用于将抽象特征恢复至原始输入的大小，并预测各像元的剂量值；
所述基于深度神经网络的剂量预测模型通过设置代价函数来度量模型的性能，所述代价函数表示为：
其中，a和y分别代表模型预测的剂量与标签剂量，H表示输入数据的高度、W表示输入数据的宽度，φ表示一个新的特征提取网络，φ（a）表示用φ网络提取模型预测的剂量a的特征，φ（y）表示用φ网络提取标签剂量y的特征，以上公式由两项构成，第一项为均方误差项，用于缩小预测剂量与标签剂量的欧式距离，第二项为感知损失项，该项引入了一个新的网络φ，用于缩小预测剂量与标签剂量在另一种特征空间中的欧式距离，其中ρ为标量，用于平衡均方误差项与感知损失函数项的权重，φ取常规的深度神经网络模型，ρ取0至1之间的数值；
基于所述代价函数L（a，y），则求取其对于基于深度神经网络的剂量预测模型的权值θ的梯度，并利用梯度下降算法，迭代更新权值θ，不断减小目标函数值，从而找到一组最优的权值，梯度下降算法如下所示：
其中，
为0-1之间的标量，代表神经网络训练过程的学习率；
利用所述基于深度神经网络的剂量预测模型对放疗剂量进行自动预测。
2.根据权利要求1所述的基于深度神经网络的放疗剂量自动预测方法，其特征在于，所述非调制剂量计为
，
是放疗计划逆向优化中的初始剂量分布，该剂量分布已对靶区、危及器官进行适形，放疗计划设计过程中使用
作为初始值，通过逆向优化过程不断迭代，最终得到满足临床治疗需求的剂量分布。
3.根据权利要求2所述的基于深度神经网络的放疗剂量自动预测方法，其特征在于，所述全局信息包括靶区、危及器官部分的初始剂量分布以及X射线穿透区域的剂量信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110207866.XA CN112546463B (zh) | 2021-02-25 | 2021-02-25 | 基于深度神经网络的放疗剂量自动预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110207866.XA CN112546463B (zh) | 2021-02-25 | 2021-02-25 | 基于深度神经网络的放疗剂量自动预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112546463A CN112546463A (zh) | 2021-03-26 |
| CN112546463B true CN112546463B (zh) | 2021-06-01 |
Family
ID=75034731
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110207866.XA Active CN112546463B (zh) | 2021-02-25 | 2021-02-25 | 基于深度神经网络的放疗剂量自动预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112546463B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112972912B (zh) * | 2021-04-22 | 2021-08-17 | 北京大学第三医院（北京大学第三临床医学院） | 非共面放疗射束入射路径优化方法 |
| CN113599728B (zh) * | 2021-08-20 | 2022-05-17 | 北京航空航天大学 | 放疗剂量预测方法及装置 |
| CN113658168B (zh) * | 2021-08-25 | 2024-04-16 | 上海联影医疗科技股份有限公司 | 指定剂量区的获取方法、系统、终端及存储介质 |
| CN113577581B (zh) * | 2021-08-30 | 2024-02-20 | 上海联影医疗科技股份有限公司 | 放疗剂量确定系统 |
| CN113516233B (zh) * | 2021-09-13 | 2022-01-28 | 四川大学 | 一种面向vmat放疗计划的神经网络预测装置 |
| CN114344737A (zh) * | 2022-01-07 | 2022-04-15 | 北京大学第一医院 | 一种肿物放射治疗控制系统及存储介质 |
| CN114723670A (zh) * | 2022-03-10 | 2022-07-08 | 苏州鸿熙融合智能医疗科技有限公司 | 乳腺癌病变图片智能处理方法 |
| CN117238488B (zh) * | 2023-11-16 | 2024-01-30 | 四川省肿瘤医院 | 一种基于图像分析的直肠癌放疗反应分析方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108717866A (zh) * | 2018-04-03 | 2018-10-30 | 陈辛元 | 一种预测放疗计划剂量分布的方法、装置、设备及存储介质 |
| CN110136062A (zh) * | 2019-05-10 | 2019-08-16 | 武汉大学 | 一种联合语义分割的超分辨率重建方法 |
| CN110223242A (zh) * | 2019-05-07 | 2019-09-10 | 北京航空航天大学 | 一种基于时空域残差生成对抗网络的视频湍流移除方法 |
| CN110738231A (zh) * | 2019-07-25 | 2020-01-31 | 太原理工大学 | 改进S-DNet神经网络模型的乳腺X射线图像的分类方法 |
| CN111968058A (zh) * | 2020-08-25 | 2020-11-20 | 北京交通大学 | 一种低剂量ct图像降噪方法 |
| CN112270660A (zh) * | 2020-09-30 | 2021-01-26 | 四川大学 | 基于深度神经网络的鼻咽癌放疗靶区自动分割方法 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10610182B2 (en) * | 2014-01-15 | 2020-04-07 | Alara Systems, Inc | Converting low-dose to higher dose 3D tomosynthesis images through machine-learning processes |
| US10850121B2 (en) * | 2014-11-21 | 2020-12-01 | The Regents Of The University Of California | Three-dimensional radiotherapy dose distribution prediction |
| EP3509697B1 (en) * | 2016-09-07 | 2024-04-17 | Elekta, Inc. | System and method for learning models of radiotherapy treatment plans to predict radiotherapy dose distributions |
| CN107714057A (zh) * | 2017-10-01 | 2018-02-23 | 南京邮电大学盐城大数据研究院有限公司 | 一种基于卷积神经网络的三分类情绪识别模型方法 |
| CN107715314B (zh) * | 2017-11-20 | 2020-04-14 | 徐榭 | 基于深度学习的放射治疗系统及方法 |
| CN108182433B (zh) * | 2017-12-29 | 2020-07-14 | 北京易达图灵科技有限公司 | 一种表计读数识别方法及系统 |
| CN109635618B (zh) * | 2018-08-07 | 2023-03-31 | 南京航空航天大学 | 基于卷积神经网络的可见光图像静脉显像方法 |
| US11615873B2 (en) * | 2018-08-31 | 2023-03-28 | The Board Of Regents Of The University Of Texas System | Deep learning based dosed prediction for treatment planning and quality assurance in radiation therapy |
| CN109344883A (zh) * | 2018-09-13 | 2019-02-15 | 西京学院 | 一种基于空洞卷积的复杂背景下果树病虫害识别方法 |
-
2021
- 2021-02-25 CN CN202110207866.XA patent/CN112546463B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108717866A (zh) * | 2018-04-03 | 2018-10-30 | 陈辛元 | 一种预测放疗计划剂量分布的方法、装置、设备及存储介质 |
| CN110223242A (zh) * | 2019-05-07 | 2019-09-10 | 北京航空航天大学 | 一种基于时空域残差生成对抗网络的视频湍流移除方法 |
| CN110136062A (zh) * | 2019-05-10 | 2019-08-16 | 武汉大学 | 一种联合语义分割的超分辨率重建方法 |
| CN110738231A (zh) * | 2019-07-25 | 2020-01-31 | 太原理工大学 | 改进S-DNet神经网络模型的乳腺X射线图像的分类方法 |
| CN111968058A (zh) * | 2020-08-25 | 2020-11-20 | 北京交通大学 | 一种低剂量ct图像降噪方法 |
| CN112270660A (zh) * | 2020-09-30 | 2021-01-26 | 四川大学 | 基于深度神经网络的鼻咽癌放疗靶区自动分割方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112546463A (zh) | 2021-03-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112546463B (zh) | 基于深度神经网络的放疗剂量自动预测方法 | |
| US11386557B2 (en) | Systems and methods for segmentation of intra-patient medical images | |
| US11954761B2 (en) | Neural network for generating synthetic medical images | |
| US20240075315A1 (en) | System and method for learning models of radiotherapy treatment plans to predict radiotherapy dose distributions | |
| EP3787744B1 (en) | Radiotherapy treatment plan modeling using generative adversarial networks | |
| CN110197709B (zh) | 一种基于深度学习与先验计划的三维剂量预测方法 | |
| Ma et al. | Incorporating dosimetric features into the prediction of 3D VMAT dose distributions using deep convolutional neural network | |
| CN111028914B (zh) | 人工智能引导的剂量预测方法与系统 | |
| US11964170B2 (en) | Standardized artificial intelligence automatic radiation therapy planning method and system | |
| CN114681813B (zh) | 放射治疗自动计划系统、自动计划方法及存储介质 | |
| US7778488B2 (en) | Image deformation using multiple image regions | |
| CN108815721B (zh) | 一种照射剂量确定方法及系统 | |
| Elmahdy et al. | Adversarial optimization for joint registration and segmentation in prostate CT radiotherapy | |
| CN110378881B (zh) | 一种基于深度学习的肿瘤定位系统 | |
| WO2020199836A1 (zh) | 食管放射治疗计划中风险器官剂量学评估方法、评估系统 | |
| Jiao et al. | TransDose: Transformer-based radiotherapy dose prediction from CT images guided by super-pixel-level GCN classification | |
| CN110706779A (zh) | 一种放射治疗计划精确目标函数的自动生成方法 | |
| Jhanwar et al. | Domain knowledge driven 3D dose prediction using moment-based loss function | |
| CN116580814A (zh) | 一种基于深度学习的放疗计划自动生成系统和方法 | |
| CN113178242B (zh) | 一种基于耦合式生成对抗网络的自动计划优化系统 | |
| Ni et al. | Fast VMAT planning for prostate radiotherapy: dosimetric validation of a deep learning-based initial segment generation method | |
| Pastor-Serrano et al. | A probabilistic deep learning model of inter-fraction anatomical variations in radiotherapy | |
| CN116563192A (zh) | 通过头颈癌患者数据进行多组学处理的方法、相关计算机可读介质及计算设备 | |
| Coevoet et al. | Introducing interactive inverse FEM simulation and its application for adaptive radiotherapy | |
| Duprez et al. | Self‐configuring nnU‐Net for automatic delineation of the organs at risk and target in high‐dose rate cervical brachytherapy, a low/middle‐income country's experience |
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 |