CN112635023A - 鼻咽癌的剂量预测模型的生成方法、剂量预测方法及装置 - Google Patents

鼻咽癌的剂量预测模型的生成方法、剂量预测方法及装置 Download PDF

Info

Publication number
CN112635023A
CN112635023A CN202011489700.3A CN202011489700A CN112635023A CN 112635023 A CN112635023 A CN 112635023A CN 202011489700 A CN202011489700 A CN 202011489700A CN 112635023 A CN112635023 A CN 112635023A
Authority
CN
China
Prior art keywords
nasopharyngeal carcinoma
dose
prediction model
dose prediction
dimensional
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.)
Granted
Application number
CN202011489700.3A
Other languages
English (en)
Other versions
CN112635023B (zh
Inventor
郭飞宝
邹喜
李金湖
陈燕彬
李贵
洪金省
蔡传书
刘锋
蓝林臻
曾疆
郑成贺
刘庆胜
许梓明
蔡菁
钟火星
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.)
First Affiliated Hospital of Fujian Medical University
Great Power Science and Technology Co of State Grid Information and Telecommunication Co Ltd
Original Assignee
First Affiliated Hospital of Fujian Medical University
Great Power Science and Technology Co of State Grid Information and Telecommunication 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 First Affiliated Hospital of Fujian Medical University, Great Power Science and Technology Co of State Grid Information and Telecommunication Co Ltd filed Critical First Affiliated Hospital of Fujian Medical University
Priority to CN202011489700.3A priority Critical patent/CN112635023B/zh
Publication of CN112635023A publication Critical patent/CN112635023A/zh
Application granted granted Critical
Publication of CN112635023B publication Critical patent/CN112635023B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/40—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mechanical, radiation or invasive therapies, e.g. surgery, laser therapy, dialysis or acupuncture
    • 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
    • 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
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • 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
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

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

Abstract

本发明实施例提供了一种鼻咽癌的剂量预测模型的生成方法、剂量预测方法及装置。方法包括：将多个鼻咽癌患者的三维医学图像分割为多个二维切片，并将多个二维切片划分为训练集和测试集；每个鼻咽癌患者的三维计划靶区图像中的射野数量在预设范围内，所述预设范围为[7，12]；构建包括生成器和判别器构成鼻咽癌的剂量预测模型；利用训练集中的二维切片对剂量预测模型进行训练，得到判断结果满足预设条件的剂量预测模型。本发明中，能够在保证剂量预测准确性的前提下，生成一种适应于多种类型的鼻咽癌的剂量预测模型，从而减少了放射治疗过程中的人力、物力以及时间消耗。

Description

鼻咽癌的剂量预测模型的生成方法、剂量预测方法及装置
技术领域
本发明涉及医疗技术领域，具体涉及一种鼻咽癌的剂量预测模型的生成方法、剂量预测方法及装置。
背景技术
放疗或放射治疗(Radiation Therapy，简称RT)是当前治疗肿瘤的主要方法之一，超过百分之五十的肿瘤患者被推荐使用放射治疗。调强放射治疗(Intensity ModulatedRadiation Therapy，简称IMRT)为放射治疗的一种，其通过调节各个方向照射野的野内射线的强度产生非均匀照射野，达到肿瘤的高剂量三维适形分布和危及器官的低剂量分布，从而提高肿瘤的照射剂量，尽可能地减少危及器官和正常组织的受量，最终提高肿瘤局部的控制率，改善肿瘤患者的生存质量。
在调强放射治疗过程中，需要根据患者肿瘤的位置以及危及器官的位置来确定射线剂量分布的射野特性，例如每个射野角度的射野形状、每个射野的射线剂量。
然而，在优化模型生成放疗计划后，需要肿瘤医生或专家进行评估，提出修改意见，再由治疗计划者使用更新的参数重新解决优化模型；这个过程需要治疗计划者与肿瘤医生或专家进行多次反复，同时需要针对不同类型的患者提出不同的治疗计划，耗费了大量的人力物力，并且耗费时间长。
发明内容
本发明的目的在于提供一种鼻咽癌的剂量预测模型的生成方法、剂量预测方法及装置，能够在保证剂量预测准确性的前提下，生成一种适应于多种类型的鼻咽癌的剂量预测模型，从而减少了放射治疗过程中的人力、物力以及时间消耗。
为实现上述目的，本发明提供了一种鼻咽癌放疗计划的剂量预测方法，包括：将多个鼻咽癌患者的三维医学图像分割为多个二维切片，并将多个二维切片划分为训练集和测试集；每个鼻咽癌患者的三维计划靶区图像中的射野数量在预设范围内，所述预设范围为[7，12]；构建包括生成器和判别器构成鼻咽癌的剂量预测模型，其中生成器的输入包括二维图像、判别器的输入包括生成器输出的预测剂量与二维图像对应的实际剂量，判别器的输出为表征预测剂量与实际量之间差异的判断结果；利用训练集中的二维切片对剂量预测模型进行训练，得到判断结果满足预设条件的剂量预测模型。
本发明还提供了一种鼻咽癌放疗计划的剂量预测方法，包括：基于获取的鼻咽癌患者的医学影像，得到鼻咽癌患者的病种类型信息；对医学影像进行勾画，得到鼻咽癌患者的几何解剖结构；根据病种类型信息以及几何解剖结构，得到处方信息；确定放疗计划的射野数量以及每个射野的射野角度，射野数量在预设范围内，所述预设范围为[7，12]；将射野数量、每个射野的射野角度、病种类型信息、处方信息以及几何解剖结构输入到基于上述的鼻咽癌的剂量预测模型的生成方法所生成的剂量预测模型中，得到放疗计划的剂量分布图。
本发明还提供了一种鼻咽癌放疗计划的剂量预测装置，包括：病种确定模块，用于基于获取的鼻咽癌患者的医学影像，得到鼻咽癌患者的病种类型信息；勾画模块，用于对医学影像进行勾画，得到鼻咽癌患者的几何解剖结构；处方确定模块，用于根据病种类型信息以及几何解剖结构，得到处方信息；射野确定模块，用于确定放疗计划的射野数量以及每个射野的射野角度，射野数量在预设范围内，所述预设范围为[7，12]；剂量确定模块，用于将射野数量、每个射野的射野角度、病种类型信息、处方信息以及几何解剖结构输入到基于上述的鼻咽癌的剂量预测模型的生成方法所生成的剂量预测模型中，得到放疗计划的剂量分布。
本发明相对于现有技术而言，在生成鼻咽癌的剂量预测模型时，先将多个鼻咽癌患者的三维医学图像分割为多个二维切片，并将多个二维切片划分为训练集和测试集；每个鼻咽癌患者的三维计划靶区图像中的射野数量在预设范围内，所述预设范围为[7，12]；然后，构建包括生成器和判别器构成鼻咽癌的剂量预测模型，其中生成器的输入包括二维图像、判别器的输入包括生成器输出的预测剂量与二维图像对应的实际剂量，判别器的输出为表征预测剂量与实际量之间差异的判断结果；再利用训练集中的二维切片对剂量预测模型进行训练，得到判断结果满足预设条件的剂量预测模型。在选取病例时，仅选取多个三维计划靶区图像中的射野数量在7至12内的鼻咽癌患者，射野数量设置在7至12之间能够适用于绝大部分类型的鼻咽癌，由此在保证剂量预测准确性的前提下，训练出适应于绝大部分类型的鼻咽癌的剂量预测模型，从而减少了放射治疗过程中的人力、物力以及时间消耗。
在一实施例中，每个鼻咽癌患者的三维计划靶区图像中的射野数量为10个。本实施例中，设置射野数量为10个，更加适用于鼻咽癌，能够训练出更加合适的剂量预测模型；同时也减少了鼻咽癌患者选取的难度。
在一实施例中，预设条件为鼻咽癌的计划靶区的目标函数与危及器官的目标函数之和最小。本实施例提供了预设条件的一种具体实现方式。
在一实施例中，在利用训练集中的二维切片对剂量预测模型进行训练，得到判断结果满足预设条件的剂量预测模型之前，还包括：从各鼻咽癌患者的三维计划靶区图像中获取各二维切片的射野信息；生成器的输入包括：二维切片以及二维切片的射野信息。本实施例在对剂量预测模型进行训练时，同时将二维切片以及二维切片的射野信息输入到生成器中，能够预测出更准确并且更加符合临床效果的剂量分布。
在一实施例中，生成器为U-net网络生成器。
在一实施例中，射野数量为10。本实施例中，设置射野数量为10个，更加适用于鼻咽癌的剂量预测；同时也减小了射野数量设置的难度。
在一实施例中，相邻两个射野的射野角度的差值为36度。本实施例中，将360度的射野均匀划分，每个射野的射野角度都相等，便于实施，进一步提升了获取鼻咽癌患者放疗计划的剂量分布的速度；同时，避免了人工设置射野角度对剂量预测的干扰。
在一实施例中，确定每个射野的射野角度的方式为：基于鼻咽癌患者的病种类型信息以及预设的病种类型信息与射野角度的对应关系，得到每个射野的射野角度。本实施例提供了确定每个射野的射野角度的一种具体实现方式。
在一实施例中，医学影像被划分为大小相同的多个体素；放疗计划的剂量分布图包括每个体素的剂量。
在一实施例中，医学影像上包括计划靶区与危及器官；若多个体素中的任一体素同时被划分在计划靶区与危及器官中，则将任一体素划分在计划靶区中，避免了该体素被射线照射的剂量不足。
附图说明
图1是根据本发明第一实施例中的鼻咽癌的剂量预测模型的生成方法的具体流程图；
图2是根据本发明第一实施例中的鼻咽癌的剂量预测模型的样本测试示意图；
图3是根据本发明第二实施例中的鼻咽癌放疗计划的剂量预测方法的具体流程图；
图4是根据本发明第三实施例中的鼻咽癌放疗计划的剂量预测方法的具体流程图；
图5是根据本发明第四实施例中的鼻咽癌放疗计划的剂量预测装置的具体流程图。
具体实施方式
以下将结合附图对本发明的各实施例进行详细说明，以便更清楚理解本发明的目的、特点和优点。应理解的是，附图所示的实施例并不是对本发明范围的限制，而只是为了说明本发明技术方案的实质精神。
在下文的描述中，出于说明各种公开的实施例的目的阐述了某些具体细节以提供对各种公开实施例的透彻理解。但是，相关领域技术人员将认识到可在无这些具体细节中的一个或多个细节的情况来实践实施例。在其它情形下，与本申请相关联的熟知的装置、结构和技术可能并未详细地示出或描述从而避免不必要地混淆实施例的描述。
除非语境有其它需要，在整个说明书和权利要求中，词语“包括”和其变型，诸如“包含”和“具有”应被理解为开放的、包含的含义，即应解释为“包括，但不限于”。
在整个说明书中对“一个实施例”或“一实施例”的提及表示结合实施例所描述的特定特点、结构或特征包括于至少一个实施例中。因此，在整个说明书的各个位置“在一个实施例中”或“在一实施例”中的出现无需全都指相同实施例。另外，特定特点、结构或特征可在一个或多个实施例中以任何方式组合。
如该说明书和所附权利要求中所用的单数形式“一”和“”包括复数指代物，除非文中清楚地另外规定。应当指出的是术语“或”通常以其包括“和/或”的含义使用，除非文中清楚地另外规定。
在以下描述中，为了清楚展示本发明的结构及工作方式，将借助诸多方向性词语进行描述，但是应当将“前”、“后”、“左”、“右”、“外”、“内”、“向外”、“向内”、“上”、“下”等词语理解为方便用语，而不应当理解为限定性词语。
本发明第一实施例涉及一种鼻咽癌的剂量预测模型的生成方法，应用于电子设备，电子设备例如笔记本电脑、台式电脑等。
本实施例的鼻咽癌的剂量预测模型的生成方法的具体流程如图1所示。
步骤101，将多个鼻咽癌患者的三维医学图像分割为多个二维切片，并将多个二维切片划分为训练集和测试集；每个鼻咽癌患者的三维计划靶区图像中的射野数量在预设范围内，预设范围为[7，12]。
具体而言，在对鼻咽癌患者进行调强放射治疗时，射野数量设置为10能够适用于绝大部分类型的鼻咽癌；因此在生成鼻咽癌的剂量预测模型选取测试病例时，选取多个三维计划靶区图像中的射野数量在7至12内的鼻咽癌患者，并将这多个鼻咽癌患者的三维医院图像分割为多个二维切片，然后将分割得到的多个二维切片划分为训练集与测试集。在一个例子中，每个鼻咽癌患者的三维计划靶区图像中的射野数量为10个，即仅选取射野数量为10的鼻咽癌患者，更加适用于鼻咽癌，能够训练出更加合适的剂量预测模型。
步骤102，构建包括生成器和判别器构成鼻咽癌的剂量预测模型，其中生成器的输入包括二维图像、判别器的输入包括生成器输出的预测剂量与二维图像对应的实际剂量，判别器的输出为表征预测剂量与实际量之间差异的判断结果。
具体而言，本实施例中的鼻咽癌剂量预测模型为基于像素对像素的剂量预测模型，其输入数据的格式为Dicom标准格式，像素对像素为一种基于生成式对抗网络(Generative Adversarial Networks，简称GAN)的深度学习模型，GAN包括两个神经网络，分别为生成器和鉴别器，生成器基于初始随机输入生成一个人工数据样本，并输入到鉴别器中，鉴别器则是一个分类器，其能够基于人工数据样本与真实数据样本进行识别，确定出哪个是人工数据样本、哪个是真实数据样本，其输出的D(x)∈[0，1]，其中1表示生成的人工数据样本为满意的；生成器与鉴别器之间的相互作用可以用极小极大博弈的数学形式来表示，具体如下式：
Figure BDA0002840380750000061
其中，G表示生成器，D表示分类器，λ表示调节器，用于平衡人工数据样本和真实数据样本，X-Pdata表示真实数据样本的概率分布，Z-Pz表示生成器的输入。
本实施例中构建的鼻咽癌剂量预测模型包括：作为治疗计划者的生成器和评估治疗计划的鉴别器，其中生成器可以为U-net网络生成器。鼻咽癌患者的二维图像被输入到生成器后，生成器会输出一个预测剂量到判别器，鼻咽癌患者对应的真实剂量同样被输入到判别器，判别器能够对预测剂量与真实剂量进行对比，输出一个表征预测剂量与实际量之间差异的判断结果。
本实施例中，在对鼻咽癌剂量预测模型进行训练之前，还包括：从各鼻咽癌患者的三维计划靶区图像中获取各二维切片的射野信息。鼻咽癌剂量预测模型的生成器的输入包括二维切片以及二维切片的射野信息。
具体的，在放疗治疗过程中，射野角度的设置影响计划靶区与危机器官所受到的照射剂量，对放射治疗的效果有着重要的影响；在获取鼻咽癌患者的二维切片的射野信息时，先从鼻咽癌患者的三维计划靶区图像中获取鼻咽癌患者的射野角度，再将该射野角度投影到计划靶区得到射野信息的网络权重(将在射野范围内的区域的网络权重设置为1，其他位置设置为0)，然后基于预设的剂量计算算法对网络权重直接进行剂量计算，得到射野信息。在训练中，同时将二维切片以及二维切片的射野信息输入到生成器中，能够预测出更准确并且更加符合临床效果的剂量分布。
步骤103，利用训练集中的二维切片对剂量预测模型进行训练，得到判断结果满足预设条件的剂量预测模型。
具体而言，对剂量预测模型进行训练，将各二维切片以及二维切片的射野信息输入到生成器，生成器输出一个预测剂量，预测剂量被输入到鉴别器，同时输入到鉴别器还有二维切片所对应的真实剂量，鉴别器对预测剂量以及真实剂量进行对比输出判断结果，当判断结果满足预设条件时，得到了适用于绝大部分类型的鼻咽癌的剂量预测模型；对于训练得到的鼻咽癌的剂量预测模型，还可以使用测试集中的二维切片对该剂量预测模型进行测试，以评估该剂量预测模型的准确度。本实施例中，可以选取Adam优化器作为生成器的优化模型。
在一个例子中，预设条件为鼻咽癌的计划靶区的目标函数与危及器官的目标函数之和最小。具体的，每个鼻咽癌患者的病患部位影像可以分为计划靶区与危及器官；针对每个计划靶区与每个危及器官分别设置目标函数，包括：平均剂量、最大剂量和高于最大预测剂量的百分位数(例如：0.25、0.5、0.75、0.9以及0.975)，计划靶区包括最大剂量、低于真实剂量的平均剂量和高于真实剂量的平均剂量。当所有的计划靶区的目标函数与所有的危及器官的目标函数之和最小时，则将当前剂量预测模型作为训练得到的鼻咽癌的剂量预测模型。
在衡量生成的鼻咽癌的剂量预测模型的方案质量时，可以使用标准满意度作为评估计划质量的指标，对于个标准(包括一个计划靶区与一个危及器官)的测量是通过或者失败，取决于平均剂量Dmean、最大剂量Dmax或者计划靶区D99体积的99％的剂量是否高于或者低于给定的阈值。请参考图2，为五个测试样本的示例图，鼻咽癌患者的二维切片被输入到生成器，预测剂量为生成器的输出，真实剂量为二维切片对应临床剂量；由图2可知，生成的鼻咽癌的剂量预测模型输出的预测剂量与真实剂量的相似度较高，即采用本实施例的方法生成的鼻咽癌的剂量预测模型的剂量预测的准确度较高。
在本实施例中，在生成鼻咽癌的剂量预测模型时，先将多个鼻咽癌患者的三维医学图像分割为多个二维切片，并将多个二维切片划分为训练集和测试集；每个鼻咽癌患者的三维计划靶区图像中的射野数量为10个；然后，构建包括生成器和判别器构成鼻咽癌的剂量预测模型，其中生成器的输入包括二维图像、判别器的输入包括生成器输出的预测剂量与二维图像对应的实际剂量，判别器的输出为表征预测剂量与实际量之间差异的判断结果；再利用训练集中的二维切片对剂量预测模型进行训练，得到判断结果满足预设条件的剂量预测模型。在选取病例时，仅选取多个三维计划靶区图像中的射野数量在7至12内的鼻咽癌患者，射野数量设置在7至12之间能够适用于绝大部分类型的鼻咽癌，由此在保证剂量预测准确性的前提下，训练出适应于绝大部分类型的鼻咽癌的剂量预测模型，从而减少了放射治疗过程中的人力、物力以及时间消耗。
本发明第二实施例涉及一种鼻咽癌放疗计划的剂量预测方法，本实施例中的剂量预测方法能够应用第一实施例所得到剂量预测模型实现剂量预测。
本实施例的鼻咽癌放疗计划的剂量预测方法的具体流程如图3所示。
步骤201，基于获取的鼻咽癌患者的医学影像，得到鼻咽癌患者的病种类型信息。
具体而言，利用医疗影像设备(例如CT机、核磁共振机等)采集鼻咽癌患者的医学影像，然后将鼻咽癌患者的医学影像发送到用于进行剂量预测的设备中，该设备在获取了鼻咽癌患者的医学影像后，将该医学影像以Dicom标准格式存储，并从该医学影像中获取鼻咽癌患者的病种类型信息，即确定鼻咽癌患者的癌症类型信息。
步骤202，对医学影像进行勾画，得到鼻咽癌患者的几何解剖结构。
具体而言，对医学影像进行勾画，包括对鼻咽癌患者的正常器官组织的勾画以及肿瘤靶区的勾画，从而能够得到鼻咽癌患者的几何解剖结构。
步骤203，根据病种类型信息以及几何解剖结构，得到处方信息。
具体而言，根据勾画的几何解剖机构与鼻咽癌患者的病种类型信息，以及预存在数据库中的病种与处方的对应关系，得到鼻咽癌患者的处方信息。
步骤204，确定放疗计划的射野数量以及每个射野的射野角度，射野数量在预设范围内，预设范围为[7，12]。
具体而言，在计划靶区中设置一定数量的射野，射野数量设置在7至12内，然后设置每个射野的射野角度。
子步骤205，将射野数量、每个射野的射野角度、病种类型信息、处方信息以及几何解剖结构输入到基于第一实施例中的鼻咽癌的剂量预测模型的生成方法所生成的剂量预测模型中，得到放疗计划的剂量分布图。
具体而言，基于第一实施例中的鼻咽癌的剂量预测模型的生成方法生成一个剂量预测模型中，该剂量预测模型符合多种类型的鼻咽癌，然后将射野数量、每个射野的射野角度病种类型信息、处方信息以及几何解剖结构输入到该鼻咽癌的剂量预测模型中，从而能够得到当前的鼻咽癌患者放疗计划的剂量分布图。
在一个例子中，若第一实施例中生成的鼻咽癌的剂量预测模型所选取的每个鼻咽癌患者的三维计划靶区图像中的射野数量为10个，则在步骤204中，可以直接设置射野数量为10个，更加适用于鼻咽癌的剂量预测；同时也减小了射野数量设置的难度。需要说明的是，本实施例以及之后的实施例均以射野数量为10个为例进行说明，然而不会对射野数量进行限制，射野数量设置在7至12内即可。
本实施例中，鼻咽癌患者的医学影像包括计划靶区(Planning Target Volume，简称PTV)与危及器官(Organ At Risk，简称OAR)，计划靶区为鼻腔中的病灶所在区域，危及器官例如为脑干、视神经、脊髓、垂体、下颌骨等。在该医学影像被划分为多个预设大小的体素(例如为4mm*4mm*2mm的3维像素)时，体素在计划靶区或者危及器官中，若多个体素中的任一体素同时被划分在计划靶区与危及器官中，则将任一体素划分在计划靶区中，避免了该体素被射线照射的剂量不足。其中，在得到的鼻咽癌患者放疗计划的剂量分布图中包括每个体素的剂量。
在本实施例中，提供了一种应用第一实施例生成的鼻咽癌的剂量预测模型实现鼻咽癌患者的剂量预测的方法，射野数量设置为10能够适用于绝大部分类型的鼻咽癌；因此在设置射野时，可以直接设置射野数量为10，减少了射野数量的设置所耗费的时间，从而在保证剂量预测准确性的前提下，提升了获取鼻咽癌患者放疗计划的剂量分布的速度。
本发明第三实施例涉及一种鼻咽癌放疗计划的剂量预测方法，第三实施例相对于第二实施例来说：提供了设置射野角度的具体实现方式。
本实施例的射野角度的设置方式包括以下两种：
第一方式，相邻两个射野的射野角度的差值为36度，即将360度的射野均匀划分，每个射野的射野角度都相等，便于实施，进一步提升了获取鼻咽癌患者放疗计划的剂量分布的速度；同时，避免了人工设置射野角度对剂量预测的干扰。
第二方式，鼻咽癌放疗计划的剂量预测方法的具体流程如图4所示。
其中，步骤301至步骤303、步骤305与步骤201至步骤203、步骤205大致相同，主要不同之处在于：
步骤304，确定放疗计划的射野数量，并基于鼻咽癌患者的病种类型信息以及预设的病种类型信息与射野角度的对应关系，得到每个射野的射野角度，射野数量在预设范围内，预设范围为[7，12]。
具体而言，剂量预测的设备中预设有病种类型信息与射野角度的对应关系，在计划靶区中设置10个射野后，根据已经获取的鼻咽癌患者的病种类型信息与上述对应关系，可以得到每个射野的射野角度。其中，病种类型信息与射野角度的对应关系可以由医生根据历史治疗记录来设置。
本实施例相对于第二实施例而言，提供了设置每个射野的射野角度的具体实现方式。
本发明第四实施例涉及一种鼻咽癌放疗计划的剂量预测装置，该装置应用于进行剂量预测的设备。
请参考图5，鼻咽癌放疗计划的剂量预测装置包括：
病种确定模块1用于基于获取的鼻咽癌患者的医学影像，得到鼻咽癌患者的病种类型信息。
勾画模块2用于对医学影像进行勾画，得到鼻咽癌患者的几何解剖结构。
处方确定模块3用于根据病种类型信息以及几何解剖结构，得到处方信息。
射野确定模块4用于确定放疗计划的射野数量以及每个射野的射野角度，射野数量在预设范围内，预设范围为[7，12]。
剂量确定模块5用于将射野数量、每个射野的射野角度、病种类型信息、处方信息以及几何解剖结构输入到基于第一实施例中的鼻咽癌的剂量预测模型的生成方法所生成的剂量预测模型中，得到放疗计划的剂量分布。
在一个例子中，若第一实施例中生成的鼻咽癌的剂量预测模型所选取的每个鼻咽癌患者的三维计划靶区图像中的射野数量为10个，则在步骤204中，可以直接设置射野数量为10个，更加适用于鼻咽癌的剂量预测；同时也减小了射野数量设置的难度。需要说明的是，本实施例以及之后的实施例均以射野数量为10个为例进行说明，然而不会对射野数量进行限制，射野数量设置在7至12内即可。
本实施例中，在进行剂量预测时，射野数量设置在7至12内能够适用于绝大部分类型的鼻咽癌；因此在设置射野时，减少了射野数量的设置所耗费的时间，从而在保证剂量预测准确性的前提下，提升了获取鼻咽癌患者放疗计划的剂量分布的速度。
由于第二实施例和第三实施例与本实施例相互对应，因此本实施例可与第二实施例和第三实施例互相配合实施。第二实施例和第三实施例中提到的相关技术细节在本实施例中依然有效，在第二实施例和第三实施例中所能达到的技术效果在本实施例中也同样可以实现，为了减少重复，这里不再赘述。相应地，本实施例中提到的相关技术细节也可应用在第二实施例和第三实施例中。
以上已详细描述了本发明的较佳实施例，但应理解到，若需要，能修改实施例的方面来采用各种专利、申请和出版物的方面、特征和构思来提供另外的实施例。
考虑到上文的详细描述，能对实施例做出这些和其它变化。一般而言，在权利要求中，所用的术语不应被认为限制在说明书和权利要求中公开的具体实施例，而是应被理解为包括所有可能的实施例连同这些权利要求所享有的全部等同范围。

Claims (10)

1.一种鼻咽癌的剂量预测模型的生成方法，其特征在于，包括：
将多个鼻咽癌患者的三维医学图像分割为多个二维切片，并将所述多个二维切片划分为训练集和测试集；每个所述鼻咽癌患者的三维计划靶区图像中的射野数量在预设范围内，所述预设范围为[7，12]；
构建包括生成器和判别器构成鼻咽癌的剂量预测模型，其中所述生成器的输入包括二维图像、所述判别器的输入包括所述生成器输出的预测剂量与所述二维图像对应的实际剂量，所述判别器的输出为表征所述预测剂量与所述实际量之间差异的判断结果；
利用所述训练集中的所述二维切片对所述剂量预测模型进行训练，得到判断结果满足预设条件的所述剂量预测模型。
2.根据权利要求1所述的鼻咽癌的剂量预测模型的生成方法，其特征在于，每个所述鼻咽癌患者的三维计划靶区图像中的射野数量为10个。
3.根据权利要求1所述的鼻咽癌的剂量预测模型的生成方法，其特征在于，所述预设条件为鼻咽癌的计划靶区的目标函数与危及器官的目标函数之和最小。
4.根据权利要求1所述的鼻咽癌的剂量预测模型的生成方法，其特征在于，在所述利用所述训练集中的所述二维切片对所述剂量预测模型进行训练，得到判断结果满足预设条件的所述剂量预测模型之前，还包括：
从各所述鼻咽癌患者的三维计划靶区图像中获取各所述二维切片的射野信息；
所述生成器的输入包括：二维切片以及所述二维切片的射野信息。
5.一种鼻咽癌放疗计划的剂量预测方法，其特征在于，包括：
基于获取的鼻咽癌患者的医学影像，得到所述鼻咽癌患者的病种类型信息；
对所述医学影像进行勾画，得到所述鼻咽癌患者的几何解剖结构；
根据所述病种类型信息以及所述几何解剖结构，得到处方信息；
确定放疗计划的射野数量以及每个射野的射野角度，所述射野数量在预设范围内，所述预设范围为[7，12]；
将所述射野数量、每个所述射野的射野角度、所述病种类型信息、所述处方信息以及所述几何解剖结构输入到基于权利要求1至4中任一项所述的鼻咽癌的剂量预测模型的生成方法所生成的剂量预测模型中，得到所述放疗计划的剂量分布图。
6.根据权利要求5所述的鼻咽癌放疗计划的剂量预测方法，其特征在于，所述射野数量为10。
7.根据权利要求5所述的鼻咽癌放疗计划的剂量预测方法，其特征在于，相邻两个所述射野的射野角度的差值为36度。
8.根据权利要求5所述的鼻咽癌放疗计划的剂量预测方法，其特征在于，确定每个所述射野的射野角度的方式为：基于所述鼻咽癌患者的病种类型信息以及预设的病种类型信息与射野角度的对应关系，得到每个所述射野的射野角度。
9.根据权利要求5所述的鼻咽癌放疗计划的剂量预测方法，其特征在于，所述医学影像被划分为大小相同的多个体素；所述医学影像上包括计划靶区与危及器官；所述放疗计划的剂量分布图包括每个所述体素的剂量；
若所述多个体素中的任一所述体素同时被划分在所述计划靶区与所述危及器官中，则将所述任一所述体素划分在所述计划靶区中。
10.一种鼻咽癌放疗计划的剂量预测装置，其特征在于，包括：
病种确定模块，用于基于获取的鼻咽癌患者的医学影像，得到所述鼻咽癌患者的病种类型信息；
勾画模块，用于对所述医学影像进行勾画，得到所述鼻咽癌患者的几何解剖结构；
处方确定模块，用于根据所述病种类型信息以及所述几何解剖结构，得到处方信息；
射野确定模块，用于确定放疗计划的射野数量以及每个射野的射野角度，所述射野数量在预设范围内，所述预设范围为[7，12]；
剂量确定模块，用于将所述射野数量、每个所述射野的射野角度、所述病种类型信息、所述处方信息以及所述几何解剖结构输入到基于权利要求1至4中任一项所述的鼻咽癌的剂量预测模型的生成方法所生成的剂量预测模型中，得到所述放疗计划的剂量分布。
CN202011489700.3A 2020-12-16 2020-12-16 鼻咽癌的剂量预测模型的生成方法、剂量预测方法及装置 Active CN112635023B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011489700.3A CN112635023B (zh) 2020-12-16 2020-12-16 鼻咽癌的剂量预测模型的生成方法、剂量预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011489700.3A CN112635023B (zh) 2020-12-16 2020-12-16 鼻咽癌的剂量预测模型的生成方法、剂量预测方法及装置

Publications (2)

Publication Number Publication Date
CN112635023A true CN112635023A (zh) 2021-04-09
CN112635023B CN112635023B (zh) 2024-03-29

Family

ID=75313872

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011489700.3A Active CN112635023B (zh) 2020-12-16 2020-12-16 鼻咽癌的剂量预测模型的生成方法、剂量预测方法及装置

Country Status (1)

Country Link
CN (1) CN112635023B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116844734A (zh) * 2023-09-01 2023-10-03 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 (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109949905A (zh) * 2019-02-28 2019-06-28 福建自贸区试验区厦门片区Manteia数据科技有限公司 一种基于靶区的三维剂量分布预测方法
CN110085298A (zh) * 2019-04-26 2019-08-02 南方医科大学 基于深度网络学习的调强放疗计划三维剂量分布预测方法
RU2719028C1 (ru) * 2016-09-07 2020-04-16 Электа, Инк. Система и способ для обучающихся моделей планов радиотерапевтического лечения с прогнозированием распределений дозы радиотерапии
CN111028914A (zh) * 2019-12-04 2020-04-17 北京连心医疗科技有限公司 人工智能引导的剂量预测方法与系统
CN111462916A (zh) * 2020-04-03 2020-07-28 戴建荣 一种放疗计划危及器官剂量体积直方图的预测方法和装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2719028C1 (ru) * 2016-09-07 2020-04-16 Электа, Инк. Система и способ для обучающихся моделей планов радиотерапевтического лечения с прогнозированием распределений дозы радиотерапии
CN109949905A (zh) * 2019-02-28 2019-06-28 福建自贸区试验区厦门片区Manteia数据科技有限公司 一种基于靶区的三维剂量分布预测方法
CN110085298A (zh) * 2019-04-26 2019-08-02 南方医科大学 基于深度网络学习的调强放疗计划三维剂量分布预测方法
CN111028914A (zh) * 2019-12-04 2020-04-17 北京连心医疗科技有限公司 人工智能引导的剂量预测方法与系统
CN111462916A (zh) * 2020-04-03 2020-07-28 戴建荣 一种放疗计划危及器官剂量体积直方图的预测方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
邵志敏等, 复旦大学出版社, pages: 459 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116844734A (zh) * 2023-09-01 2023-10-03 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
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

Also Published As

Publication number Publication date
CN112635023B (zh) 2024-03-29

Similar Documents

Publication Publication Date Title
Vrtovec et al. Auto‐segmentation of organs at risk for head and neck radiotherapy planning: from atlas‐based to deep learning methods
US10987522B2 (en) Three dimensional localization and tracking for adaptive radiation therapy
US10152790B2 (en) Three dimensional localization of a moving target for adaptive radiation therapy
US11964170B2 (en) Standardized artificial intelligence automatic radiation therapy planning method and system
Mahdavi et al. Semi-automatic segmentation for prostate interventions
CN107072624B (zh) 用于自动治疗计划的系统和方法
CN107708808B (zh) 用于在放射治疗期间使用质量指标进行靶追踪的系统和方法
US8577115B2 (en) Method and system for improved image segmentation
WO2022142770A1 (zh) 放射治疗自动计划系统、自动计划方法及计算机程序产品
EP2994195B1 (en) Interactive dose gradient based optimization technique to control imrt delivery complexity
WO2008120116A1 (en) Improved treatment plan evaluation in radiotherapy by stochastic analysis of delineation uncertainty
US10342994B2 (en) Methods and systems for generating dose estimation models for radiotherapy treatment planning
EP4126214B1 (en) Automatically-planned radiation-based treatment
CN104636618B (zh) 放疗计划系统
US11478210B2 (en) Automatically-registered patient fixation device images
Van der Veen et al. Deep learning for elective neck delineation: More consistent and time efficient
CN115666717A (zh) 用于导出和利用虚拟体积结构来预测在实施治疗的放射时的潜在碰撞的方法和装置
KR102275098B1 (ko) 세기변조 방사선 치료계획 예측 시스템 및 방법
CN112635023B (zh) 鼻咽癌的剂量预测模型的生成方法、剂量预测方法及装置
Wynne et al. Rapid unpaired CBCT‐based synthetic CT for CBCT‐guided adaptive radiotherapy
US20220309673A1 (en) Using radiation dose information for automatic organ segmentation model training
Xu Image Guided Adaptive Therapy Strategies for Robustly Optimized Intensity Modulated Proton Therapy
Costea Adaptive strategies based on artificial intelligence for radiotherapy of head-and-neck cancer treatment
Kumarasiri et al. Automatic Head and Neck Contouring in the Routine Clinical Setting Using Deformable Image Registration Algorithms

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