CN112837782A - 一种基于深度学习的放疗三维剂量预测方法 - Google Patents
一种基于深度学习的放疗三维剂量预测方法 Download PDFInfo
- Publication number
- CN112837782A CN112837782A CN202110157408.XA CN202110157408A CN112837782A CN 112837782 A CN112837782 A CN 112837782A CN 202110157408 A CN202110157408 A CN 202110157408A CN 112837782 A CN112837782 A CN 112837782A
- Authority
- CN
- China
- Prior art keywords
- dose distribution
- neural network
- data
- network model
- distribution map
- 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
Links
- 238000001959 radiotherapy Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000013135 deep learning Methods 0.000 title claims abstract description 22
- 238000003062 neural network model Methods 0.000 claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000012360 testing method Methods 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000012795 verification Methods 0.000 claims abstract description 8
- 238000013531 bayesian neural network Methods 0.000 claims abstract description 7
- 238000002790 cross-validation Methods 0.000 claims abstract description 7
- 238000010200 validation analysis Methods 0.000 claims abstract description 6
- 231100000628 reference dose Toxicity 0.000 claims description 22
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000013441 quality evaluation Methods 0.000 claims description 8
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000012512 characterization method Methods 0.000 claims 1
- 238000013461 design Methods 0.000 abstract description 12
- 238000011282 treatment Methods 0.000 abstract description 11
- 206010028980 Neoplasm Diseases 0.000 abstract description 8
- 239000010410 layer Substances 0.000 description 10
- 238000010586 diagram Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 201000011510 cancer Diseases 0.000 description 2
- 239000002344 surface layer Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 210000000664 rectum Anatomy 0.000 description 1
- 230000000451 tissue damage Effects 0.000 description 1
- 231100000827 tissue damage Toxicity 0.000 description 1
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
-
- 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
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Surgery (AREA)
- Urology & Nephrology (AREA)
- Epidemiology (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Radiation-Therapy Devices (AREA)
Abstract
本发明提供一种基于深度学习的放疗三维剂量预测方法,该方法包括:获取过往患者的CT数据和对应的剂量分布图,以形成数据集;对所述数据集进行预处理,并按设定比例分成训练集、验证集和测试集,以作为训练样本、验证样本和测试样本;建立U‑Net神经网络模型,利用所述训练样本进行训练学习,并根据所述验证样本对所述U‑Net神经网络模型进行交叉验证,以自适应调整所述U‑Net神经网络模型的结构;然后将待预测患者的CT数据输入所述U‑Net神经网络模型得到预测的三维剂量分布图。进而引入贝叶斯神经网络结构进行模型的鲁棒性测试,以增加其临床的使用安全性和鲁棒性。本发明能提升肿瘤放疗计划设计的质量和效率,提高临床治疗安全性。
Description
技术领域
本发明涉及智能医疗技术领域,尤其涉及一种基于深度学习的放疗三维剂量预测方法。
背景技术
恶性肿瘤的放疗计划设计是放疗过程中的最关键步骤之一,其质量决定了整个治疗的效果,但传统的手动计划设计费时费力,且计划质量对物理师临床经验要求比较高,不同物理师之间容易出现计划设计质量参差不齐的问题。为保障患者疗效和安全,减少肿瘤复发和正常组织损伤,需对患者治疗计划进行剂量预测和评佑。因此如何实现放疗自动计划的剂量预测与质量评估,在提升肿瘤放疗计划设计的质量和效率的同时,保证自动计划的临床治疗安全。
发明内容
本发明提供一种基于深度学习的放疗三维剂量预测方法,解决现有放射治疗对患者治疗进行剂量在不同物理师之间易出现参差不齐的问题,能提升肿瘤放疗计划设计的质量和效率,增加临床治疗安全。
为实现以上目的,本发明提供以下技术方案:
一种基于深度学习的放疗三维剂量预测方法,包括:
获取过往患者的CT数据和对应的剂量分布图,以形成数据集;
对所述数据集进行预处理,并按设定比例分成训练集、验证集和测试集,以作为训练样本、验证样本和测试样本;
建立U-Net神经网络模型,利用所述训练样本进行训练学习,并根据所述验证样本对所述U-Net神经网络模型进行交叉验证,以自适应调整所述U-Net神经网络模型的结构;
将待预测患者的CT数据输入所述U-Net神经网络模型得到预测的三维剂量分布图。
优选的,还包括:
建立贝叶斯神经网络模型,并对所述数据集展开预测,以得到参考剂量分布图;
将所述参考剂量分布图与所述数据集在所述U-Net神经网络模型得到的三维剂量分布图进行置信度评估;
如果所述置信度处于设定范围内,则所述U-Net神经网络模型的预测结果的质量评估达到要求。
优选的,还包括:
根据所述参考剂量分布图和所述三维剂量分布图的两组数据分别进行戴斯相似度系数DSC和剂量分布γ通过率计算,以对两组数据的预测精度进行估算。
优选的,所述戴斯相似度系数DSC,根据以下公式进行计算:DSC(A,B)=2|A∩B|/(|A|+|B|),其中A,B分别为预测剂量分布和参考剂量分布。
优选的,剂量分布γ通过率取值范围为:2%/2毫米~3%/2毫米。
优选的,还包括:
取两组数据中的最大预测精度作为评估模型鲁棒性的依据,如果所述戴斯相似度系数DSC和所述平面剂量γ通过率均处于标准区间,则判定模型的置信度好,模型的预测结果的质量评估达到要求。
优选的,所述对所述数据集进行预处理,包括:
将CT图像进行分辨率统一和图像尺寸统一,以使CT数据集与剂量分布图形成不同层面的准确对应。
优选的,所述对所述数据集进行预处理,还包括:
CT数据的HU值显示和剂量分布图的cGy显示,以及将所述数据集处理为U-Net可输入的数据结构。
优选的,所述U-Net神经网络模型包括:输入层、编码层、压缩表层、解码层和输出层。
优选的,将所述参考剂量分布图与所述数据集在所述U-Net神经网络模型得到的三维剂量分布图进行置信度评估,包括:
对所述数据集的各个CT图像序列CT(J1,J2,......,Jk)展开预测,得到的剂量分布图分别为F(J1),F(J2),……,F(Jk),并作为剂量分布图的参考剂量分布,所述参考剂量分布分别为GT(J1),GT(J2),……,GT(Jk);
将所述参考剂量分布与所述U-Net神经网络模型预测得到的所述三维剂量分布图进行比较。
本发明提供一种基于深度学习的放疗三维剂量预测方法,通过建立U-Net神经网络模型,并利用过往患者的CT数据和对应的剂量分布图进行训练和交叉验证,以自适应调整模型结构,进而预测得到三维剂量分布图。解决现有放射治疗对患者治疗进行剂量在不同物理师之间易出现参差不齐的问题,能提升肿瘤放疗计划设计的质量和效率,增加临床治疗安全。
附图说明
为了更清楚地说明本发明的具体实施例,下面将对实施例中所需要使用的附图作简单地介绍。
图1是本发明提供的一种基于深度学习的放疗三维剂量预测方法示意图。
图2是本发明实施例提供的置信度评估原理流程图。
具体实施方式
为了使本技术领域的人员更好地理解本发明实施例的方案,下面结合附图和实施方式对本发明实施例作进一步的详细说明。
针对当前恶性肿瘤的放疗计划设计中不同物理师对剂量使用不同,易造成质量参差不齐的问题。本发明提供一种基于深度学习的放疗三维剂量预测方法,解决现有放射治疗对患者治疗进行剂量在不同物理师之间易出现参差不齐的问题,能提升肿瘤放疗计划设计的质量和效率,增加临床治疗安全。
如图1所示,一种基于深度学习的放疗三维剂量预测方法,包括:
S1:获取过往患者的CT数据和对应的剂量分布图,以形成数据集。
S2:对所述数据集进行预处理,并按设定比例分成训练集、验证集和测试集,以作为训练样本、验证样本和测试样本。
S3:建立U-Net神经网络模型,利用所述训练样本进行训练学习,并根据所述验证样本对所述U-Net神经网络模型进行交叉验证,以自适应调整所述U-Net神经网络模型的结构。
S4:将待预测患者的CT数据输入所述U-Net神经网络模型得到预测的三维剂量分布图。
具体地,首先根据研究内容确定研究所需要数据,并进行数据集的准备与预处理,深度学习所需要的数据集不同于普通算法的数据集,它需要大量前期标注和预处理才能完成理想的效果。建立U-Net神经网络模型,可按照8:1:1的比例将数据集分为训练集、验证集和测试集和等待训练。将训练集输入U-Net神经网络模型进行数据学习,通过验证集和测试集交叉验证建立的模型,输入新数据,利用模型预测得到对应的剂量分布图。根据放疗CT图像和剂量分布图等数据集的专有性特点和结合预测准确率,自适应地修改U-Net结构,从而完成对模型的修改和完善。该方法能提升肿瘤放疗计划设计的质量和效率,增加临床治疗安全。
该方法还包括:
S5:建立贝叶斯神经网络模型,并对所述数据集展开预测,以得到参考剂量分布图。
S6:将所述参考剂量分布图与所述数据集在所述U-Net神经网络模型得到的三维剂量分布图进行置信度评估。
S7:如果所述置信度处于设定范围内,则所述U-Net神经网络模型的预测结果的质量评估达到要求。
具体地,在开展模型的质量评估研究时,为了检验模型的鲁棒性,可设计贝叶斯神经网络算法对模型置信度分析研究,同时引入戴斯相似度系数DSC和剂量分布γ通过率作为预测指标,用于置信度评估研究。通过贝叶斯神经网络结构进行模型的鲁棒性测试,可以增加其临床的使用安全性和鲁棒性,能应对不同病人的需求。
该方法还包括:根据所述参考剂量分布图和所述三维剂量分布图的两组数据分别进行戴斯相似度系数DSC和平面剂量γ通过率计算,以对两组数据的预测精度进行估算。
进一步,所述戴斯相似度系数DSC,根据以下公式进行计算:DSC(A,B)=2|A∩B|/(|A|+|B|),其中A,B分别为预测剂量分布和参考剂量分布。
更进一步,平面剂量γ通过率取值范围为:2%/2毫米~3%/2毫米。
在实际应用中,考虑临床治疗安全性,剂量分布γ通过率(3%/2毫米)的标准用于评估整体剂量,而对于CTV、PTV、直肠和膀胱,我们拟采用更为严格的(2%/2毫米)。
该方法还包括:取两组数据中的最大预测精度作为评估模型鲁棒性的依据,如果所述戴斯相似度系数DSC和所述剂量分布γ通过率均处于标准区间,则判定模型的置信度好,模型的预测结果的质量评估达到要求。
进一步,所述对所述数据集进行预处理,包括:将CT图像进行分辨率统一和图像尺寸统一,以使CT数据集与剂量分布图形成不同层面的准确对应。
更进一步,所述对所述数据集进行预处理,还包括:CT数据的HU值显示和剂量分布图的cGy显示,以及将所述数据集处理为U-Net可输入的数据结构。
所述U-Net神经网络模型包括:输入层、编码层、压缩表层、解码层和输出层。
如图2所示,所述将所述参考剂量分布图与所述数据集在所述U-Net神经网络模型得到的三维剂量分布图进行置信度评估,包括:对所述数据集的各个CT图像序列CT(J1,J2,......,Jk)展开预测,得到的剂量分布图分别为F(J1),F(J2),……,F(Jk),并作为剂量分布图的参考剂量分布,所述参考剂量分布分别为GT(J1),GT(J2),……,GT(Jk)。将所述参考剂量分布与所述U-Net神经网络模型预测得到的所述三维剂量分布图进行比较。
在实际应用中,模型鲁棒性难以评估的主要原因在于,在建立模型后,测试新数据时,其真实的剂量分布往往不可得或者耗时耗力,很难实时评估模型的鲁棒性,应用中不可能对所有新数据的剂量分布都重新算一遍,用于评估预测模型的置信度。可通过引入一个贝叶斯神经算法,对参考数据集的各个CT图像序列CT(J1,J2,...,Jk)展开预测,得到的剂量分布图分别为F(J1),F(J2),……,F(Jk),把这些数据作为剂量分布图的“参考剂量分布”,GT(J1),GT(J2),……,GT(Jk),与之前根据U-Net深度神经网络算法预测得到的剂量分布图进行比较,通过引入戴斯相似度系数DSC和剂量分布γ通过率这两个参数分别得到这两组数据的预测精度,分别取两组数据中的最大预测精度作为评估模型鲁棒性的依据,只有在两者性能均好时才可以称模型的置信度较好,方可开展临床试用。
可见,本发明提供一种基于深度学习的放疗三维剂量预测方法,通过建立U-Net神经网络模型,并利用过往患者的CT数据和对应的剂量分布图进行训练和交叉验证,以自适应调整模型结构,进而预测得到三维剂量分布图。进而引入贝叶斯神经网络结构进行模型的鲁棒性测试,用于指导模型的再训练,以增加其临床的使用安全性和鲁棒性,能应对不同病人的需求。解决现有放射治疗对患者治疗进行剂量在不同物理师之间易出现参差不齐的问题,能提升肿瘤放疗计划设计的质量和效率,增加临床治疗安全。
以上依据图示所示的实施例详细说明了本发明的构造、特征及作用效果,以上所述仅为本发明的较佳实施例,但本发明不以图面所示限定实施范围,凡是依照本发明的构想所作的改变,或修改为等同变化的等效实施例,仍未超出说明书与图示所涵盖的精神时,均应在本发明的保护范围内。
Claims (10)
1.一种基于深度学习的放疗三维剂量预测方法,其特征在于,包括:
获取过往患者的CT数据和对应的剂量分布图,以形成数据集;
对所述数据集进行预处理,并按设定比例分成训练集、验证集和测试集,以作为训练样本、验证样本和测试样本;
建立U-Net神经网络模型,利用所述训练样本进行训练学习,并根据所述验证样本对所述U-Net神经网络模型进行交叉验证,以自适应调整所述U-Net神经网络模型的结构;
将待预测患者的CT数据输入所述U-Net神经网络模型得到预测的三维剂量分布图。
2.根据权利要求1所述的基于深度学习的放疗三维剂量预测方法,其特征在于,还包括:
建立贝叶斯神经网络模型,并对所述数据集展开预测,以得到参考剂量分布图;
将所述参考剂量分布图与所述数据集在所述U-Net神经网络模型得到的三维剂量分布图进行置信度评估;
如果所述置信度处于设定范围内,则所述U-Net神经网络模型的预测结果的质量评估达到要求。
3.根据权利要求2所述的基于深度学习的放疗三维剂量预测方法,其特征在于,还包括:
根据所述参考剂量分布图和所述三维剂量分布图的两组数据分别进行戴斯相似度系数DSC和剂量分布γ通过率计算,以对两组数据的预测精度进行估算。
5.根据权利要求4所述的基于深度学习的放疗三维剂量预测方法,其特征在于,剂量分布γ通过率取值范围为:2%/2毫米~3%/2毫米。
6.根据权利要求5所述的基于深度学习的放疗三维剂量预测方法,其特征在于,还包括:
取两组数据中的最大预测精度作为评估模型鲁棒性的依据,如果所述戴斯相似度系数DSC和所述剂量分布γ通过率均处于标准区间,则判定模型的置信度好,模型的预测结果的质量评估达到要求。
7.根据权利要求6所述的基于深度学习的放疗三维剂量预测方法,其特征在于,所述对所述数据集进行预处理,包括:
将CT图像进行分辨率统一和图像尺寸统一,以使CT数据集与剂量分布图形成不同层面的准确对应。
8.根据权利要求7所述的基于深度学习的放疗三维剂量预测方法,其特征在于,所述对所述数据集进行预处理,还包括:
CT数据的HU值显示和剂量分布图的cGy显示,以及将所述数据集处理为U-Net可输入的数据结构。
9.根据权利要求8所述的基于深度学习的放疗三维剂量预测方法,其特征在于,所述U-Net神经网络模型包括:输入层、编码层、压缩表征层、解码层和输出层。
10.根据权利要求9所述的基于深度学习的放疗三维剂量预测方法,其特征在于,将所述参考剂量分布图与所述数据集在所述U-Net神经网络模型得到的三维剂量分布图进行置信度评估,包括:
对所述数据集的各个CT图像序列CT(J1,J2,......,Jk)展开预测,得到的剂量分布图分别为F(J1),F(J2),……,F(Jk),并作为剂量分布图的参考剂量分布,所述参考剂量分布分别为GT(J1),GT(J2),……,GT(Jk);
将所述参考剂量分布与所述U-Net神经网络模型预测得到的所述三维剂量分布图进行比较。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110157408.XA CN112837782B (zh) | 2021-02-04 | 2021-02-04 | 一种基于深度学习的放疗三维剂量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110157408.XA CN112837782B (zh) | 2021-02-04 | 2021-02-04 | 一种基于深度学习的放疗三维剂量预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112837782A true CN112837782A (zh) | 2021-05-25 |
CN112837782B CN112837782B (zh) | 2024-07-02 |
Family
ID=75932592
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110157408.XA Active CN112837782B (zh) | 2021-02-04 | 2021-02-04 | 一种基于深度学习的放疗三维剂量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112837782B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113516233A (zh) * | 2021-09-13 | 2021-10-19 | 四川大学 | 一种面向vmat放疗计划的神经网络预测方法 |
CN114596934A (zh) * | 2022-05-10 | 2022-06-07 | 四川省肿瘤医院 | 一种宫颈癌近距离治疗剂量预测系统 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180061059A1 (en) * | 2016-08-26 | 2018-03-01 | Elekta, Inc. | System and methods for image segmentation using convolutional neural network |
US20180161596A1 (en) * | 2016-12-13 | 2018-06-14 | Varian Medical Systems International Ag | Methods and systems for generating dose estimation models for radiotherapy treatment planning |
WO2019023142A1 (en) * | 2017-07-25 | 2019-01-31 | Elekta, Inc. | RADIATION THERAPY PLANNING USING A DEEP CONVOLUTIVE NETWORK |
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 |
CN110120033A (zh) * | 2019-04-12 | 2019-08-13 | 天津大学 | 基于改进的U-Net神经网络三维脑肿瘤图像分割方法 |
CN110124214A (zh) * | 2019-05-24 | 2019-08-16 | 南方医科大学 | 基于预测剂量分布引导的调强放疗计划优化方法及应用 |
CN110197709A (zh) * | 2019-05-29 | 2019-09-03 | 广州瑞多思医疗科技有限公司 | 一种基于深度学习与先验计划的三维剂量预测方法 |
CN110349665A (zh) * | 2019-07-01 | 2019-10-18 | 复旦大学附属肿瘤医院 | 基于深度学习的直肠癌放疗计划自动化设计方法 |
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 |
CN110753935A (zh) * | 2017-04-25 | 2020-02-04 | 小利兰·斯坦福大学托管委员会 | 用于医学成像的使用深度卷积神经网络的剂量减少 |
WO2020047536A1 (en) * | 2018-08-31 | 2020-03-05 | Board Of Regents, University Of Texas System | Deep learning based dosed prediction for treatment planning and quality assurance in radiation therapy |
CN111627032A (zh) * | 2020-05-14 | 2020-09-04 | 安徽慧软科技有限公司 | 基于U-Net网络的CT影像身体器官自动分割方法 |
WO2020245306A1 (en) * | 2019-06-06 | 2020-12-10 | Varian Medical Systems International Ag | Methods and systems for radiotherapy treatment planning based on continuous deep learning |
WO2020244172A1 (zh) * | 2019-06-04 | 2020-12-10 | 苏州雷泰智能科技有限公司 | 基于预测剂量引导和高斯过程优化的计划实现方法及装置 |
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 |
-
2021
- 2021-02-04 CN CN202110157408.XA patent/CN112837782B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180061059A1 (en) * | 2016-08-26 | 2018-03-01 | Elekta, Inc. | System and methods for image segmentation using convolutional neural network |
US20180161596A1 (en) * | 2016-12-13 | 2018-06-14 | Varian Medical Systems International Ag | Methods and systems for generating dose estimation models for radiotherapy treatment planning |
CN110753935A (zh) * | 2017-04-25 | 2020-02-04 | 小利兰·斯坦福大学托管委员会 | 用于医学成像的使用深度卷积神经网络的剂量减少 |
WO2019023142A1 (en) * | 2017-07-25 | 2019-01-31 | Elekta, Inc. | RADIATION THERAPY PLANNING USING A DEEP CONVOLUTIVE NETWORK |
WO2020047536A1 (en) * | 2018-08-31 | 2020-03-05 | Board Of Regents, University Of Texas System | Deep learning based dosed prediction for treatment planning and quality assurance in radiation therapy |
CN110120033A (zh) * | 2019-04-12 | 2019-08-13 | 天津大学 | 基于改进的U-Net神经网络三维脑肿瘤图像分割方法 |
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 |
CN110124214A (zh) * | 2019-05-24 | 2019-08-16 | 南方医科大学 | 基于预测剂量分布引导的调强放疗计划优化方法及应用 |
CN110197709A (zh) * | 2019-05-29 | 2019-09-03 | 广州瑞多思医疗科技有限公司 | 一种基于深度学习与先验计划的三维剂量预测方法 |
WO2020244172A1 (zh) * | 2019-06-04 | 2020-12-10 | 苏州雷泰智能科技有限公司 | 基于预测剂量引导和高斯过程优化的计划实现方法及装置 |
WO2020245306A1 (en) * | 2019-06-06 | 2020-12-10 | Varian Medical Systems International Ag | Methods and systems for radiotherapy treatment planning based on continuous deep learning |
CN110349665A (zh) * | 2019-07-01 | 2019-10-18 | 复旦大学附属肿瘤医院 | 基于深度学习的直肠癌放疗计划自动化设计方法 |
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 |
CN111627032A (zh) * | 2020-05-14 | 2020-09-04 | 安徽慧软科技有限公司 | 基于U-Net网络的CT影像身体器官自动分割方法 |
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 |
Non-Patent Citations (4)
Title |
---|
孔繁图;麦燕华;亓孟科;吴艾茜;郭芙彤;贾启源;李永宝;宋婷;周凌宏;: "基于神经网络学习方法的放疗计划三维剂量分布预测", 南方医科大学学报, no. 06, 27 June 2018 (2018-06-27) * |
秦楠楠;薛旭东;吴爱林;闫冰;朱雅迪;张朋;吴爱东;: "基于U-net卷积神经网络的宫颈癌临床靶区和危及器官自动勾画的研究", 中国医学物理学杂志, no. 04, 25 April 2020 (2020-04-25) * |
贾启源: "预测三维剂量分布引导的调强放疗计划优化方法研究", 中国优秀硕士学位论文全文数据库, 31 May 2019 (2019-05-31), pages 1 - 56 * |
高翔;宋双;张伟;陈妙然;夏宇;曹征;: "基于深度学习方法的放疗患者摆位误差预测", 北京生物医学工程, no. 04, 14 August 2020 (2020-08-14) * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113516233A (zh) * | 2021-09-13 | 2021-10-19 | 四川大学 | 一种面向vmat放疗计划的神经网络预测方法 |
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 |
CN114596934A (zh) * | 2022-05-10 | 2022-06-07 | 四川省肿瘤医院 | 一种宫颈癌近距离治疗剂量预测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112837782B (zh) | 2024-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11676281B2 (en) | 3-D convolutional neural networks for organ segmentation in medical images for radiotherapy planning | |
Zhou et al. | A method of using deep learning to predict three‐dimensional dose distributions for intensity‐modulated radiotherapy of rectal cancer | |
Tong et al. | Shape constrained fully convolutional DenseNet with adversarial training for multiorgan segmentation on head and neck CT and low‐field MR images | |
CN110464353A (zh) | 一种基于深度卷积神经网络的伪ct合成方法及应用 | |
CN112837782B (zh) | 一种基于深度学习的放疗三维剂量预测方法 | |
Kadoya et al. | Evaluation of deformable image registration between external beam radiotherapy and HDR brachytherapy for cervical cancer with a 3D‐printed deformable pelvis phantom | |
CN111462916B (zh) | 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 | |
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 | |
Shao et al. | Prediction of three-dimensional radiotherapy optimal dose distributions for lung cancer patients with asymmetric network | |
CN114155934B (zh) | 一种基于深度学习的肿瘤调强放疗剂量预测方法 | |
Wang et al. | DeepEC: An error correction framework for dose prediction and organ segmentation using deep neural networks | |
Liu et al. | Automatic segmentation of clinical target volume and organs-at-risk for breast conservative radiotherapy using a convolutional neural network | |
Chang et al. | Clinical application and improvement of a CNN‐based autosegmentation model for clinical target volumes in cervical cancer radiotherapy | |
Ding et al. | Three‐dimensional deep neural network for automatic delineation of cervical cancer in planning computed tomography images | |
Xiao et al. | RefineNet‐based 2D and 3D automatic segmentations for clinical target volume and organs at risks for patients with cervical cancer in postoperative radiotherapy | |
CN106215334B (zh) | 一种后装放疗剂量的逆向调强优化计算方法及系统 | |
Yang et al. | Deep learning architecture with transformer and semantic field alignment for voxel‐level dose prediction on brain tumors | |
Singhrao et al. | A generative adversarial network‐based (GAN‐based) architecture for automatic fiducial marker detection in prostate MRI‐only radiotherapy simulation images | |
Zhang et al. | Multi-atlas based adaptive active contour model with application to organs at risk segmentation in brain mr images | |
Tian et al. | Delineation of clinical target volume and organs at risk in cervical cancer radiotherapy by deep learning networks | |
Zhong et al. | Geometric and dosimetric evaluation of deep learning based auto‐segmentation for clinical target volume on breast cancer | |
Vazquez et al. | A deep learning-based approach for statistical robustness evaluation in proton therapy treatment planning: a feasibility study | |
Gong et al. | Efficient dose–volume histogram–based pretreatment patient‐specific quality assurance methodology with combined deep learning and machine learning models for volumetric modulated arc radiotherapy | |
Shirokikh et al. | Systematic clinical evaluation of a deep learning method for medical image segmentation: radiosurgery application | |
Zeng et al. | TransQA: deep hybrid transformer network for measurement-guided volumetric dose prediction of pre-treatment patient-specific quality assurance |
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 |