CN113658168B - 指定剂量区的获取方法、系统、终端及存储介质 - Google Patents
指定剂量区的获取方法、系统、终端及存储介质 Download PDFInfo
- Publication number
- CN113658168B CN113658168B CN202110984202.4A CN202110984202A CN113658168B CN 113658168 B CN113658168 B CN 113658168B CN 202110984202 A CN202110984202 A CN 202110984202A CN 113658168 B CN113658168 B CN 113658168B
- Authority
- CN
- China
- Prior art keywords
- dose
- region
- specified
- zone
- data set
- 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
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 230000005855 radiation Effects 0.000 claims abstract description 61
- 238000003062 neural network model Methods 0.000 claims abstract description 50
- 238000012549 training Methods 0.000 claims description 19
- 238000013075 data extraction Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 80
- 238000004422 calculation algorithm Methods 0.000 description 18
- 238000005457 optimization Methods 0.000 description 14
- 238000001959 radiotherapy Methods 0.000 description 6
- 238000005070 sampling Methods 0.000 description 6
- 210000004027 cell Anatomy 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 201000010099 disease Diseases 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 206010028980 Neoplasm Diseases 0.000 description 4
- 206010006187 Breast cancer Diseases 0.000 description 3
- 208000026310 Breast neoplasm Diseases 0.000 description 3
- 230000002285 radioactive effect Effects 0.000 description 3
- 238000002922 simulated annealing Methods 0.000 description 3
- 206010061902 Pancreatic neoplasm Diseases 0.000 description 2
- 208000015634 Rectal Neoplasms Diseases 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 208000015486 malignant pancreatic neoplasm Diseases 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 201000002528 pancreatic cancer Diseases 0.000 description 2
- 208000008443 pancreatic carcinoma Diseases 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 206010038038 rectal cancer Diseases 0.000 description 2
- 201000001275 rectum cancer Diseases 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 208000002454 Nasopharyngeal Carcinoma Diseases 0.000 description 1
- 206010061306 Nasopharyngeal cancer Diseases 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000010894 electron beam technology Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 201000011216 nasopharynx carcinoma Diseases 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 210000000920 organ at risk Anatomy 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 210000004881 tumor cell Anatomy 0.000 description 1
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
-
- 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
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray image
-
- 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)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Radiology & Medical Imaging (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Epidemiology (AREA)
- Biophysics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Radiation-Therapy Devices (AREA)
Abstract
本发明提供了一种指定剂量区的获取方法、系统、终端及存储介质,将获取多个已治疗病例的第二放射扫描图像序列中表征指定剂量区的外形的第二三维体数据集提取出来,然后根据第二三维体数据集对用于表征指定剂量区的外形的深度神经网络模型进行训练;然后将待治疗病例的第一放射扫描图像序列输入训练好的深度神经网络模型中,以得到所述第一放射扫描图像序列中表征指定剂量区的外形的第一三维体数据集,从而得到待治疗病例的指定剂量区。本发明结合深度学习方法,获取的指定剂量区更准确,从而能够更加准确地控制指定剂量区的剂量线的适形度。
Description
技术领域
本发明涉及放射治疗技术领域,尤其涉及一种指定剂量区的获取方法、系统、终端及存储介质。
背景技术
放射治疗是利用放射线如放射性同位素产生的α、β、γ射线和各类x射线治疗机或加速器产生的x射线、电子线、质子束及其它粒子束等治疗恶性肿瘤的一种方法。由于射束能量高,在肿瘤细胞被杀死的同时正常细胞也会受到影响。为了尽可能地减少对正常组织的伤害,需要制定放射治疗计划。放射治疗计划中,医生需要给出处方和治疗方案,物理师根据医生处方,勾画器官和肿瘤位置,以及总的肿瘤体积(Gross Tumor Volume,GTV)、临床目标体积(Clinical Target volume,CTV)和计划治疗体积(Planning Target Volume,PTV)等靶区,制定放射治疗计划并进行优化。
物理师在制定放射治疗计划的过程中,除了关注常规的一些剂量指标外(如靶区D95是否达到处方剂量,OAR的平均剂量等),通常还会关注靶区以外的低剂量区与指定剂量线的适形度(指定剂量线与低剂量区边缘的重合度),可见,低剂量区与指定剂量线的适形度也是评价放射治疗计划优劣的关键指标。
然而,与靶区不同的是,低剂量区的分布对物理师来说是未知的,只能依靠经验去预测,预测出的低剂量区并不准确,从而无法准确地控制低剂量区的剂量线的适形度。
发明内容
本发明的目的在于提供一种指定剂量区的获取方法、系统、终端及存储介质,能够准确地获取指定剂量区。
为了达到上述目的,本发明提供了一种指定剂量区的获取方法,包括:
将待治疗病例的第一放射扫描图像序列输入训练好的用于表征指定剂量区的外形的深度神经网络模型中,以得到所述第一放射扫描图像序列中表征指定剂量区的外形的第一三维体数据集;以及,
根据所述第一三维体数据集得到所述待治疗病例的指定剂量区。
可选的,所述方法还包括训练所述深度神经网络模型的步骤,包括:
获取多个已治疗病例的第二放射扫描图像序列,并提取出所述第二放射扫描图像序列中表征指定剂量区的外形的第二三维体数据集;以及,
利用所述第二三维体数据集完成所述深度神经网络模型的训练。
可选的,所述指定剂量区为靶区之外的低剂量区。
可选的,所述第二放射扫描图像序列中具有对应于所述低剂量区的第一剂量线及对应于所述靶区的第二剂量线/勾画线;
以及,提取表征所述第一剂量线及所述第二剂量线/勾画线的三维坐标点集作为所述第二三维体数据集。
可选的,所述指定剂量区为靶区。
可选的,所述第二放射扫描图像序列中具有对应于所述靶区的第二剂量线/勾画线;
以及,提取表征所述第二剂量线/勾画线的三维坐标点集作为所述第二三维体数据集。
可选的,根据所述第一三维体数据集获取所述待治疗病例的指定剂量区的外形包括:
将所述第一三维体数据集及所述第一放射扫描图像序列输入所述放射治疗计划系统中;以及,
利用所述第一三维体数据集在所述第一放射扫描图像序列中勾画出所述待治疗病例的指定剂量区。
可选的,所述深度神经网络模型为3D-UNet网络模型。
可选的,本发明还提供了一种指定剂量区的获取系统,包括:
数据输入模块,用于将待治疗病例的第一放射扫描图像序列输入训练好的用于表征指定剂量区的外形的深度神经网络模型中,以得到所述第一放射扫描图像序列中表征指定剂量区的外形的第一三维体数据集;以及,
指定剂量区确定模块,根据所述第一三维体数据集得到所述待治疗病例的指定剂量区。
可选的,还包括:
数据提取模块,用于获取多个已治疗病例的第二放射扫描图像序列,并提取出所述第二放射扫描图像序列中表征指定剂量区的外形的第二三维体数据集;
模型训练模块,用于利用所述第二三维体数据集完成所述深度神经网络模型的训练。
可选的,本发明还提供了一种终端,所述终端包括:
一个或多个执行器;以及,
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个执行器执行,使得所述一个或多个执行器实现所述指定剂量区的获取方法。
可选的,本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被执行器执行时实现所述指定剂量区的获取方法。
在本发明提供的指定剂量区的获取方法、系统、终端及存储介质中,将获取多个已治疗病例的第二放射扫描图像序列中表征指定剂量区的外形的第二三维体数据集提取出来,然后根据第二三维体数据集对用于表征指定剂量区的外形的深度神经网络模型进行训练;然后将待治疗病例的第一放射扫描图像序列输入训练好的深度神经网络模型中,以得到所述第一放射扫描图像序列中表征指定剂量区的外形的第一三维体数据集,从而得到待治疗病例的指定剂量区。本发明结合深度学习方法,获取的指定剂量区更准确,从而能够更加准确地控制指定剂量区的剂量线的适形度。
附图说明
图1是本发明实施例一提供的剂量线的适形度的优化系统的处理器的工作流程图;
图2为本发明实施例一提供的在病例的放射扫描图像序列上对靶区进行勾画的示意图;
图3为本发明实施例一提供的用sigmoid函数fsigmoid近似表示0-1函数的示意图;
图4为本发明实施例三提供的两个靶区均作为目标区域的示意图;
图5a为本发明实施例四提供的指定剂量区的获取方法的流程图;
图5b为本发明实施例四提供的指定剂量区的获取方法的另一流程图;
图6为本发明实施例四提供的指定剂量区的获取方法的又一流程图;
图7为本发明实施例四提供的指定剂量区的获取系统的结构框图;
其中,附图标记为:
Q-目标区域;Q1、Q2-靶区;Q3-区域;
10-数据提取模块;20-模型训练模块;30-数据输入模块;40-指定剂量区确定模块。
具体实施方式
下面将结合示意图对本发明的具体实施方式进行更详细的描述。根据下列描述,本发明的优点和特征将更清楚。需说明的是,附图均采用非常简化的形式且均使用非精准的比例,仅用以方便、明晰地辅助说明本发明实施例的目的。
实施例一
图1是本发明实施例提供的剂量线的适形度的优化系统的处理器的工作流程图。如图1所示,本实施例提供了一种剂量线的适形度的优化系统,包括处理器,所述处理器被配置为执行步骤S100及步骤S200。
步骤S100:获取用于表征目标区域与其指定剂量线的适形度的指标函数。
具体而言,本实施例中,所述目标区域为靶区。图2为本实施例提供的在病例的放射扫描图像序列上对靶区进行勾画的示意图,如图2所示,可以将病例的放射扫描图像序列加载至放射治疗计划系统中,在放射治疗计划系统的界面上对所述靶区进行勾画从而作为所述靶区的目标区域Q。勾画可以由医生手动勾画也可以为自动勾画,或者由手动勾画和自动勾画进行结合。病例的放射扫描图像序列可以为CT图像序列、PET图像序列、MR图像序列或者融合图像序列等,在此不作限定。
应理解,不同的目标区域通常会被指定不同的剂量,因此具有不同的指定剂量线,其中,指定剂量D_RI=处方剂量·percent,其中,percent为百分比,可由物理师指定。理想情况下,靶区作为目标区域时,指定剂量为处方剂量的100%;而靶区之外低剂量区作为目标区域时,指定剂量为处方剂量100%以下,例如70%、50%或30%等。
进一步地,基于所述指定剂量线包裹的区域的体积以及所述目标区域的体积确定所述指标函数。具体而言,基于所述指定剂量线包裹的区域的体积以及所述目标区域的体积确定所述目标区域与其指定剂量线包裹的区域的相交体积;基于所述相交体积、所述指定剂量线包裹的区域的体积以及所述目标区域的体积确定所述指标函数。
本实施例中,所述指标函数fCi为:
其中,i为所述目标区域的编号,i小于或等于所述目标区域的数量n,TV_RIi为所述目标区域与其指定剂量线包裹的区域的相交体积,V_RIi为所述指定剂量线包裹的区域的体积,TVi为所述目标区域的体积。
应理解,为所述目标区域与其指定剂量线包裹的区域的相交体积与所述指定剂量线包裹的区域的体积之比,可以表征所述目标区域与其指定剂量线的交叠率;而为所述目标区域与其指定剂量线包裹的区域的相交体积与所述目标区域的体积之比,可以表征所述目标区域与其指定剂量线的覆盖率。所述目标区域与其指定剂量线的交叠率与所述目标区域与其指定剂量线的覆盖率即可表征所述目标区域与其指定剂量线的适形度,如此,所述指标函数fCi可以表征所述目标区域与其指定剂量线的适形度,且0≤fCi≤1。
进一步地,为了得到所述目标区域与其指定的剂量线包裹的区域的相交体积TV_RIi,可以将所述目标区域划分为多个单位网格区域(每个单位网格区域的体积已知),通过统计所述目标区域内剂量大于或等于指定剂量的单位网格区域的体积之和即可得到所述目标区域与其指定剂量线包裹的区域的相交体积TV_RIi。类似的,为了得到所述目标区域的处方剂量线包裹的区域的体积V_RIi,可以将皮肤划分为多个单位网格区域,通过统计皮肤内剂量大于或等于指定剂量的单位网格区域的体积之和即可得到所述目标区域的指定剂量线包裹的区域的体积V_RIi。
可见,获取所述目标区域与其指定的剂量线包裹的区域的相交体积TV_RIi及所述目标区域的指定剂量线包裹的区域的体积V_RIi时,只需要判断所述单位网格区域的剂量是否大于或等于指定剂量,若是,则需要统计该单位网格区域,若不是,则不统计该单位网格区域,统计出大于或等于指定剂量的单位网格区域的总数量之后,将统计好的单位网格区域的总数量乘以每个单位网格区域的体积即可得到统计好的所有单位网格区域的体积之和,非常方便,计算量较小。
步骤S200:根据所述指标函数建立损失函数并进行优化,以得到对应于所述目标区域的最优指定剂量线。
所述损失函数包括第一函数及第二函数,所述第一函数用于表征所述目标区域与其指定剂量线的适形度的偏差,所述第二函数用于表征所述目标区域的采样点的剂量值和目标剂量值的偏差,如此一来,所述剂量线的适形度的优化系统可以对适形度指标和常规剂量指标同步进行优化。但应理解,所述适形度指标和常规剂量指标可以分步优化。
本实施例中,所述第一函数fobj n为:
其中,wi为用于表征所述目标区域与其指定剂量线的适形度的重要程度的权重,Cindexi为预设的常数。由于0≤fCi≤1,且所述指标函数fCi越大,表明所述目标区域与其指定剂量线的适形度越好;当所述指标函数fCi=1时(理想状态),表明所述目标区域与其指定剂量线的适形度最好,所以,本实施例中,Cindexi可以设定为1,但不应以此为限。
所述第一函数fobj n可以表征所述指标函数fCi与Cindexi的不一致程度,当所述第一函数fobj n越小,表明所述指标函数fCi与Cindexi越接近;当所述第一函数fobj n=0时(理想状态),表明所述指标函数fCi与Cindexi相等,所述目标区域与其指定剂量线的适形度最好。
接下来,利用优化算法对所述第一函数fobj n进行优化,通过不停地求解和迭代所述目标区域与其指定剂量线包裹的区域的相交体积TV_RIi以及所述指定剂量线包裹的区域的体积V_RIi,得到使得所述第一函数fobj n最小的所述目标区域与其指定剂量线包裹的区域的相交体积TV_RIi以及所述指定剂量线包裹的区域的体积V_RIi,进而得到对应于所述目标区域的最优指定剂量线。
应理解,对所述第一函数fobj n进行优化时,所述第一函数fobj n通常无法等于0,而是无限接近一个最小值,当所述第一函数fobj n无法再变小时,或者两次优化求解得到的所述第一函数fobj n之差极小,则可以认为优化完成,输出此时的所述目标区域与其指定剂量线包裹的区域的相交体积TV_RIi以及所述指定剂量线包裹的区域的体积V_RIi。
应理解,对所述第一函数fobj n进行优化的算法可以是模拟退火算法、梯度算法、蚁群算法或其它已知或未知的适用算法。接下来,本实施例将以采用梯度算法对只有一个目标区域(n、i=1)时的第一函数fobj 1进行优化为例进行说明。
fobj 1=wi(fCi-Cindexi)2;
在计算所述目标区域与其指定的剂量线包裹的区域的相交体积TV_RIi以及所述目标区域与其指定剂量线包裹的区域的相交体积TV_RIi时,采用了统计所述单位网格区域的总数量的方法,也即,每个所述单位网格区域均只具有需要统计和不需要统计两种状态,用0(不需要统计)和1(需要统计)来表示。图3为用sigmoid函数fsigmoid近似表示0-1函数的示意图。如图3所示,为了方便计算梯度,这里需要用sigmoid函数fsigmoid近似0-1函数,其中sigmoid函数fsigmoid的表达式为其中,sigmoid函数fsigmoid的横坐标x用于表征每个网格上的剂量,纵坐标用于表征0-1之间的数值,用于近似表示该网格是否应该被统计。sigmoid函数的导函数fder-sigmoid为fder-sigmoid=fsigmoid·(1-fsigmoid)。
每次均采用如下方式计算所述目标区域内每个单位网格区域k1的梯度Gradk1:
每次均采用如下方式计算皮肤内每个单位网格区域k2的梯度Gradk2:
其中,Vptv-i为所述目标区域内的单位网格区域的体积占比,Vi-ext为所述目标区域内的单位网格区域在皮肤内的体积占比,Vext-i为皮肤内的单位网格区域的体积占比,dk1 diff=Dk1-D_RI,dk2 diff=Dk2-D_RI,Dk1、Dk2分别为单位网格区域k1和单位网格区域k2当前的剂量。应理解,由于dk1 diff、dk2 diff可能在±103量级,计算机计算e-x范围有限,因此需要对dk1 diff、dk2 diff进行归一化处理,这里不再详述。
所述第二函数可以是常规的治疗计划优化模型,例如通量图优化模型、直接子野优化模型。举例而言,所述第二函数fobj v可以为:
其中,dv为采样点v在优化过程中的实际剂量值,Ui为所述目标区域i的目标剂量值的上限,Li为所述目标区域i的目标剂量值的下限,wi'为表征所述目标区域i的采样点的剂量值和目标剂量值的偏差的重要程度的权重,Vi为所述目标区域i的采样点集合,|Vi|为所述目标区域i的采样点数量。
类似的,对所述第第二函数进行优化的算法也可以是模拟退火算法、梯度算法、蚁群算法或其它已知或未知的适用算法,在此不再一一举例说明。
实施例二
与实施例一的区别在于,本实施例中,将所述指标函数分解为单独的两个函数,分别为第三函数和第四函数,其中,所述第三函数用于表征所述目标区域与其指定剂量线的交叠率,所述第四函数用于表征所述目标区域与其指定剂量线的覆盖率。如此,在根据所述第三函数和所述第四函数建立损失函数时,可以为所述第三函数和所述第四函数分配相应的权重,从而在满足适形度的基础上灵活调整所述目标区域与其指定剂量线的交叠率与所述目标区域与其指定剂量线的覆盖率的重要程度。
进一步地,基于所述指定剂量线包裹的区域的体积以及所述目标区域的体积确定所述第三函数和/或所述第四函数。具体而言,基于所述指定剂量线包裹的区域的体积以及所述目标区域的体积确定所述目标区域与其指定剂量线包裹的区域的相交体积;基于所述相交体积及所述指定剂量线包裹的区域的体积确定所述第三函数;和/或,基于所述相交体积及所述目标区域的体积确定所述第四函数。
所述第三函数fC1i及所述第四函数fC2i分别为:
其中,i为所述目标区域的编号,i小于或等于所述目标区域的数量n,TV_RIi为所述目标区域与其指定剂量线包裹的区域的相交体积,V_RIi为所述指定剂量线包裹的区域的体积,TVi为所述目标区域的体积。
所述第一函数fobj n为:
其中,w1i为用于表征所述目标区域与其指定剂量线的交叠率的重要程度的权重,w2i为用于表征所述目标区域与其指定剂量线的覆盖率的重要程度的权重,Cindex1i、Cindex2i均为预设的常数。
与实施例一相似,0≤fC1i≤1,且所述第三函数fC1i越大,表明所述目标区域与其指定剂量线的交叠率越好;当所述第三函数fC1i=1时(理想状态),表明所述目标区域与其指定剂量线的交叠率最好,所以,本实施例中,Cindex1i可以设定为1,但不应以此为限。相应的,0≤fC2i≤1,且所述第四函数fC2i越大,表明所述目标区域与其指定剂量线的覆盖率越好;当所述第四函数fC2i=1时(理想状态),表明所述目标区域与其指定剂量线的覆盖率最好,所以,本实施例中,Cindex2i可以设定为1,但不应以此为限。
进一步地,所述第一函数fobj n可以表征在w1i权重下所述第三函数fC1i与Cindex1i的不一致程度以及在w2i权重下所述第四函数fC2i与Cindex2i的不一致程度,当所述第一函数fobj n越小,表明在w1i权重下所述第三函数fC1i与Cindex1i越接近以及在w2i权重下所述第四函数fC2i与Cindex2i越接近。
在一些实施例中,可略微牺牲所述目标区域与其指定剂量线的覆盖率同时需要保证所述目标区域与其指定剂量线的交叠率,以此来降低危及器官的受量(如乳腺癌病例),此时,可适当降低用于表征所述目标区域与其指定剂量线的覆盖率的重要程度的权重w2i。在另一些实施例中,可略微牺牲所述目标区域与其指定剂量线的覆盖度同时需要保证所述目标区域与其指定剂量线的覆盖率,此时,可适当降低用于表征所述目标区域与其指定剂量线的覆盖率的重要程度的权重w1i。可见,相较于实施例一来说,本实施例在控制剂量线的适形度时更加灵活。
进一步地,本实施例仍然可以采用模拟退火算法、梯度算法、蚁群算法或其它已知或未知的适用算法对所述第一函数fobj n进行优化。接下来,本实施例将以采用梯度算法对只有一个目标区域(n、i=1)时的第一函数fobj 1进行优化为例进行说明。
fobj 1=w1i(fC1i-Cindex1i)2+w2i(fC2i-Cindex2i)2;
每次均采用如下方式计算所述目标区域内每个单位网格区域k1的梯度Gradk1:
每次均采用如下方式计算皮肤内每个单位网格区域k2的梯度Gradk2:
其中,Vptv-i为所述目标区域内的单位网格区域的体积占比,Vi-ext为所述目标区域内的单位网格区域在皮肤内的体积占比,Vext-i为皮肤内的单位网格区域的体积占比,dk1 diff=Dk1-D_RI,dk2 diff=Dk2-D_RI,Dk1、Dk2分别为单位网格区域k1和单位网格区域k2当前的剂量。应理解,由于dk1 diff、dk2 diff可能在±103量级,计算机计算e-x范围有限,因此需要对dk1 diff、dk2 diff进行归一化处理,这里不再详述。
实施例三
与实施例一和实施例二的区别在于,本实施例中,所述目标区域为至少两个分离的靶区(如鼻咽癌病例等)。按照指定剂量由高到低对所述靶区进行排序为:第一个靶区、…第m个靶区;所述第一个靶区作为其目标区域,将第j-1个靶区根据剂量跌落梯度外扩一预定距离后的区域与第j个靶区取并集以作为第j个靶区的目标区域,其中,2≤j≤m。
其中,所述预定距离L满足如下关系:
其中,D1为第j-1个靶区的指定剂量,D2为第j个靶区的指定剂量,t为剂量跌落梯度,所述剂量跌落梯度t通常可以通过经验得到。
接下来,将以所述目标区域为两个分离的靶区为例进行详细说明。
图4为本实施例提供的两个靶区均作为目标区域的示意图,如图4所示,两个靶区分别为靶区Q1和靶区Q2。为了便于描述,设定靶区Q1的指定剂量为6400cGy,靶区Q2的指定剂量为5400cGy。由于靶区Q1的指定剂量大于靶区Q2的指定剂量,按照指定剂量由高到低对靶区Q1和靶区Q2进行排序的结果为:第一个靶区Q1和第二个靶区Q2。
接下来,第一个靶区Q1作为其目标区域,也就是说,在对所述第一个靶区Q1的指标函数fC1进行优化时,计算TV_RI1、V_RI1以及TV1时,涉及到目标区域的体积时,均计算的是第一个靶区Q1的体积。
然而,第二个靶区Q2的目标区域则需要进行调整。具体为,首先根据剂量跌落梯度t计算出第一个靶区Q1需要外扩的预定距离,本实施例中,设定所述剂量跌落梯度t等于200cGy/mm,则第一个靶区Q1需要外扩的预定距离接着,将第一个靶区Q1外扩3mm,得到区域Q3(靶区Q1位于区域Q3内)。将区域Q3与第二个靶区Q2取并集后作为第二个靶区Q2的目标区域,本实施例中,由于区域Q3与第二个靶区Q2不相交,区域Q3与第二个靶区Q2的取并集得到的目标区域就是区域Q3加上第二个靶区Q2。基于此,在对所述第二个靶区Q2的指标函数fC2进行优化时,计算TV_RI2、V_RI2以及TV2时,涉及到目标区域的体积时,均计算的是区域Q3加上第二个靶区Q2的体积。
相较于实施例一来说,本实施例在对除指定剂量最高的靶区之外的靶区进行优化时,不会对指定剂量最高的靶区的优化造成不良影响,能够更精确地控制每个目标区域与其指定剂量线的适形度。
实施例四
与实施例一和实施例二的区别在于,本实施例中,所述目标区域为低剂量区。与所述靶区不同的是,所述低剂量区无法通过勾画得到,虽然也可以采用靶区外扩的方式大致得到低剂量区的外形,也即将靶区外扩1cm,将皮肤减去靶区外扩后得到的区域作为所述低剂量区,但是这种方法需要手工生成NT,操作比较麻烦,同时,也需要人工估计靶区外扩的距离,得到的所述低剂量区并不准确,仅是一个预测的区域,从而无法准确地控制所述低剂量区的剂量线的适形度。
基于此,图5a、图5b及图6为本实施例提供的指定剂量区的获取方法的流程图。如图5a、图5b及图6所示,本实施例提供了一种指定剂量区的获取方法,包括步骤S110、步骤S120、步骤S130及步骤S140,其中,步骤S110及步骤S120用于训练用于表征指定剂量区(本实施例中是低剂量区,但不应以此为限)的外形的深度神经网络模型,步骤S130及步骤S140用于利用训练好的深度神经网络模型获取所述低剂量区。所述低剂量区可以通过所述指定剂量区的获取方法获取,从而增加获取的低剂量区的准确性。
步骤S110:获取多个已治疗病例的第二放射扫描图像序列,并提取出所述第二放射扫描图像序列中表征指定剂量区的外形的第二三维体数据集。
具体而言,所述已治疗病例是指已经制定好了放射治疗计划(达到临床要求)的病例,在所述第二放射扫描图像序列中已经具有对应于低剂量区的第一剂量线及对应于靶区的第二剂量线/勾画线。其中,勾画线可以是物理师手动或自动勾画算法勾画而形成的,而所述第一剂量线及所述第二剂量线则是通过制定放射治疗计划而形成的。
进一步地,以所述第二放射扫描图像序列中的某个点作为坐标原点,横向和纵向分别作为X向和Y向,放射扫描图像的叠放方向为Z向,建立XYZ三维坐标系。如此一来,所述第二放射扫描图像序列即可位于一XYZ三维坐标系中,所述第二放射扫描图像序列中的任一放射扫描图像中的每个像素都可以用三维坐标点来表示。
由于所述第二剂量线内的区域为所述靶区,所述第一剂量线与所述第二剂量线之间的区域为低剂量区。需要获取所述靶区时,可以单独对所述第二剂量线进行采样并提取,得到表征所述第二剂量线的三维坐标点集,表征所述第二剂量线的三维坐标点集即为表征靶区的外形的第二三维体数据集。需要获取所述低剂量区时,可以对所述第一剂量线及所述第二剂量线上的三维坐标点进行采样并提取,得到表征所述第一剂量线及所述第二剂量线的三维坐标点集,表征所述第一剂量线及所述第二剂量线的三维坐标点集即为表征所述低剂量区的外形的所述第二三维体数据集。
应理解,所述第二剂量线与所述勾画线理想情况下是重合的,然而由于制定放射治疗计划的误差,所述第二剂量线与所述勾画线通常并不重合,而是具有一定的误差,由于所述勾画线是通过直接查看肿瘤而勾画形成的,所以能够更为准确地表征所述靶区。基于此,需要获取所述靶区时,还可以单独对所述勾画线进行采样并提取,得到表征所述勾画线的三维坐标点集,表征所述勾画线的三维坐标点集也可以作为表征所述靶区的外形的第二三维体数据集。类似的,需要获取低剂量区时,还可以对所述第一剂量线及所述勾画线上的三维坐标点进行采样并提取,得到表征所述第一剂量线及所述勾画线的三维坐标点集,表征所述第一剂量线及所述勾画线的三维坐标点集即为表征所述低剂量区的外形的所述第二三维体数据集。
步骤S120:利用所述第二三维体数据集对所述深度神经网络模型进行训练。
具体而言,首先选取能够表征指定剂量区的外形的深度神经网络模型,本实施例中,所述深度神经网络模型为3D-UNet网络模型,但不应以此为限。
建立好所述深度神经网络模型之后,需要对所述深度神经网络模型进行训练,使得所述深度神经网络模型中的各项参数准确。本实施例中,利用步骤S110中提取的第二三维体数据集对所述深度神经网络模型进行训练。由于所述已治疗病例为多个,所述第二三维体数据集也为多个,将多个所述第二三维体数据集分配训练集、验证集和测试集,从而对所述深度神经网络模型进行训练。应理解,所述第二三维体数据集的数量越多,则所述深度神经网络模型的训练更加准确,但随之会增加训练所述深度神经网络模型的时间。
应理解,由于所述第二三维体数据集是从已治疗病例的第二放射扫描图像序列中提取出的,能够较为准确地表征指定剂量区的外形,利用所述第二三维体数据集对所述深度神经网络模型进行训练,可以使得训练好的所述深度神经网络模型能够较为准确地表征指定剂量区的外形。
例如,选取200个所述已治疗病例的第二放射扫描图像序列,经过步骤S110之后可以得到200个所述第二三维体数据集。将200个所述第二三维体数据集中的一部分(例如150个所述第二三维体数据集)作为训练集,另一部分(例如25个所述第二三维体数据集)作为验证集,剩余的部分(例如25个所述第二三维体数据集)作为测试集,对所述深度神经网络模型进行训练,使得所述深度神经网络模型能够准确地表征所述指定剂量区的外形。
应理解,对所述深度神经网络模型进行训练的第二三维体数据集,应当自具有同一类疾病的已治疗病例的第二放射扫描图像序列中提取出。例如,200个所述已治疗病例均是直肠癌病例、乳腺癌病例或胰腺癌病例等,如此训练出的深度神经网络模型则为对应于直肠癌的深度神经网络模型、对应于乳腺癌的深度神经网络模型或对应于胰腺癌的深度神经网络模型。训练好一类疾病的深度神经网络模型之后,这个神经网络模型优选用于这一类疾病的待治疗病例的指定剂量区的获取,若需要获取另一类疾病的待治疗病例的指定剂量区,则提取需要另一类疾病的已治疗病例的第二放射扫描图像序列中的第二三维体数据集,并重新训练深度神经网络模型。
步骤S130:将待治疗病例的第一放射扫描图像序列输入训练好的用于表征指定剂量区的外形的所述深度神经网络模型中,以得到所述第一放射扫描图像序列中表征指定剂量区的外形的第一三维体数据集。
具体而言,将所述待治疗病例是还未制定放射治疗计划的病例,将所述待治疗病例的第一放射扫描图像序列输入训练好的所述深度神经网络模型中,所述深度神经网络模型输出的第一三维体数据集即可准确地表征所述待治疗病例的指定剂量区。
步骤S140:根据所述第一三维体数据集得到所述待治疗病例的指定剂量区。
具体而言,本实施例中,将所述第一三维体数据集及所述第一放射扫描图像序列输入所述放射治疗计划系统(Treatment Planning System,TPS)中,利用所述第一三维体数据集即可在所述第一放射扫描图像序列中勾画出所述待治疗病例的指定剂量区,本实施例结合深度学习方法,获取的指定剂量区更准确。
进一步地,利用上述步骤S110~步骤S140获取所述低剂量区之后,可以将所述低剂量区作为目标区域输入所述剂量线的适形度的优化系统的处理器中,进行低剂量区的剂量线的适形度优化,从而能够更加准确地控制低剂量区的剂量线的适形度。
本实施例中,利用所述指定剂量区的获取方法获取所述低剂量区,但应理解,所述指定剂量区的获取方法也可以用于获取所述靶区,然后利用所述指定剂量区的获取方法获取的所述靶区作为目标区域输入所述剂量线的适形度的优化系统的处理器中,进行靶区的剂量线的适形度优化。具体而言,可以训练用于表征靶区的外形的深度神经网络模型,再将待治疗病例的第一放射扫描图像序列输入训练好的用于表征靶区的外形的深度神经网络模型中,以得到所述第一放射扫描图像序列中表征靶区的外形的第一三维体数据集;然后根据所述第一三维体数据集得到所述待治疗病例的靶区。如此一来,无需物理师手动勾画靶区,减少了物理师的工作量。但应理解,采用所述指定剂量区的获取方法获取所述靶区之后,还可以将获取的所述靶区发送给物理师确认,物理师可以对获取的所述靶区进行修改或调整,从而保证放射治疗的安全性。
基于此,本实施例还提供了一种指定剂量区的获取系统。图7为本实施例提供的指定剂量区的获取系统的结构框图,如图7所示,所述指定剂量区的获取系统包括:
数据提取模块10,用于获取多个已治疗病例的第二放射扫描图像序列,并提取出所述第二放射扫描图像序列中表征指定剂量区的外形的第二三维体数据集;
模型训练模块20,用于建立用于表征指定剂量区的外形的深度神经网络模型,并利用所述第二三维体数据集对所述深度神经网络模型进行训练;
数据输入模块30,用于将待治疗病例的第一放射扫描图像序列输入训练好的所述深度神经网络模型中,以得到所述第一放射扫描图像序列中表征指定剂量区的外形的第一三维体数据集;
指定剂量区确定模块40,根据所述第一三维体数据集得到所述待治疗病例的指定剂量区。
进一步地,本实施例还提供了一种终端,可以用于指定剂量区的获取。该终端包括:
一个或多个执行器;
存储器,用于存储一个或多个程序;
当一个或多个程序被一个或多个所述执行器执行,使得一个或多个所述执行器实现如上述实施例提出的指定剂量区的获取方法。
本实施例中,所述执行器及所述存储器均为一个,所述执行器和所述存储器可以通过总线或其他方式连接。
存储器作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的指定剂量区的获取方法对应的程序指令/模块。执行器通过运行存储在所述存储器中的软件程序、指令以及模块,从而执行终端的各种功能应用以及数据处理,即实现上述的指定剂量区的获取方法。
所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端的使用所创建的数据等。此外,指定剂量区的获取方法的存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,所述存储器可进一步包括相对于所述执行器远程设置的存储器,这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本实施例提出的终端与上述实施例提出的指定剂量区的获取方法属于同一发明构思,未在本实施例中详尽描述的技术细节可参见上述实施例,并且本实施例与上述实施例具有相同的有益效果。
本实施例还提供一种存储介质,其上存储有计算机程序,该程序被所述执行器执行时实现如上述实施例提出的指定剂量区的获取方法。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例的方法。
综上,在本实施例提供的剂量线的适形度的优化系统中,包括处理器,所述处理器被配置为执行如下步骤:获取用于表征目标区域与其指定剂量线的适形度的指标函数;根据所述指标函数建立损失函数并进行优化,以得到对应于所述目标区域的最优指定剂量线。本发明可以直接、便捷地控制目标区域与其指定剂量线的适形度,避免了手工画环的麻烦和设置跌落函数控制适形度效果不明显的问题。
进一步地,在本实施例提供的指定剂量区的获取方法、系统、终端及存储介质中,将获取多个已治疗病例的第二放射扫描图像序列中表征指定剂量区的外形的第二三维体数据集提取出来,然后根据第二三维体数据集对用于表征指定剂量区的外形的深度神经网络模型进行训练;然后将待治疗病例的第一放射扫描图像序列输入训练好的深度神经网络模型中,以得到所述第一放射扫描图像序列中表征指定剂量区的外形的第一三维体数据集,从而得到待治疗病例的指定剂量区。本发明结合深度学习方法,获取的指定剂量区更准确,从而能够更加准确地控制指定剂量区的剂量线的适形度。
上述仅为本发明的优选实施例而已,并不对本发明起到任何限制作用。任何所属技术领域的技术人员,在不脱离本发明的技术方案的范围内,对本发明揭露的技术方案和技术内容做任何形式的等同替换或修改等变动,均属未脱离本发明的技术方案的内容,仍属于本发明的保护范围之内。
Claims (12)
1.一种指定剂量区的获取方法,其特征在于,包括:
将待治疗病例的第一放射扫描图像序列输入训练好的用于表征指定剂量区的外形的深度神经网络模型中,以得到所述第一放射扫描图像序列中表征指定剂量区的外形的第一三维体数据集;以及,
根据所述第一三维体数据集得到所述待治疗病例的指定剂量区,包括利用所述第一三维体数据集在所述第一放射扫描图像序列中勾画出所述待治疗病例的指定剂量区。
2.如权利要求1所述的指定剂量区的获取方法,其特征在于,所述方法还包括训练所述深度神经网络模型的步骤,包括:
获取多个已治疗病例的第二放射扫描图像序列,并提取出所述第二放射扫描图像序列中表征指定剂量区的外形的第二三维体数据集;以及,
利用所述第二三维体数据集完成所述深度神经网络模型的训练。
3.如权利要求2所述的指定剂量区的获取方法,其特征在于,所述指定剂量区为靶区之外的低剂量区。
4.如权利要求3所述的指定剂量区的获取方法,其特征在于,所述第二放射扫描图像序列中具有对应于所述低剂量区的第一剂量线及对应于所述靶区的第二剂量线/勾画线;
以及,提取表征所述第一剂量线及所述第二剂量线/勾画线的三维坐标点集作为所述第二三维体数据集。
5.如权利要求2所述的指定剂量区的获取方法,其特征在于,所述指定剂量区为靶区。
6.如权利要求5所述的指定剂量区的获取方法,其特征在于,所述第二放射扫描图像序列中具有对应于所述靶区的第二剂量线/勾画线;
以及,提取表征所述第二剂量线/勾画线的三维坐标点集作为所述第二三维体数据集。
7.如权利要求1所述的指定剂量区的获取方法,其特征在于,利用所述第一三维体数据集在所述第一放射扫描图像序列中勾画出所述待治疗病例的指定剂量区之前,将所述第一三维体数据集及所述第一放射扫描图像序列输入放射治疗计划系统中。
8.如权利要求1或2所述的指定剂量区的获取方法,其特征在于,所述深度神经网络模型为3D-UNet网络模型。
9.一种指定剂量区的获取系统,其特征在于,包括:
数据输入模块,用于将待治疗病例的第一放射扫描图像序列输入训练好的用于表征指定剂量区的外形的深度神经网络模型中,以得到所述第一放射扫描图像序列中表征指定剂量区的外形的第一三维体数据集;以及,
指定剂量区确定模块,根据所述第一三维体数据集得到所述待治疗病例的指定剂量区,包括利用所述第一三维体数据集在所述第一放射扫描图像序列中勾画出所述待治疗病例的指定剂量区。
10.如权利要求9所述的指定剂量区的获取系统,其特征在于,还包括:
数据提取模块,用于获取多个已治疗病例的第二放射扫描图像序列,并提取出所述第二放射扫描图像序列中表征指定剂量区的外形的第二三维体数据集;
模型训练模块,用于利用所述第二三维体数据集完成所述深度神经网络模型的训练。
11.一种终端,其特征在于,所述终端包括:
一个或多个执行器;以及,
存储器,用于存储一个或多个程序;以及,
当所述一个或多个程序被所述一个或多个执行器执行,使得所述一个或多个执行器实现如权利要求1-8中任一项所述的指定剂量区的获取方法。
12.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被执行器执行时实现如权利要求1-8中任一项所述的指定剂量区的获取方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110984202.4A CN113658168B (zh) | 2021-08-25 | 2021-08-25 | 指定剂量区的获取方法、系统、终端及存储介质 |
US17/822,424 US20230069291A1 (en) | 2021-08-25 | 2022-08-25 | Systems and methods for generating treatment plans |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110984202.4A CN113658168B (zh) | 2021-08-25 | 2021-08-25 | 指定剂量区的获取方法、系统、终端及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113658168A CN113658168A (zh) | 2021-11-16 |
CN113658168B true CN113658168B (zh) | 2024-04-16 |
Family
ID=78492856
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110984202.4A Active CN113658168B (zh) | 2021-08-25 | 2021-08-25 | 指定剂量区的获取方法、系统、终端及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113658168B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114463294A (zh) * | 2022-01-24 | 2022-05-10 | 北京唯迈医疗设备有限公司 | 一种x射线机自动计量控制方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105893772A (zh) * | 2016-04-20 | 2016-08-24 | 上海联影医疗科技有限公司 | 用于放射治疗计划的数据获取方法和装置 |
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 |
CN109453473A (zh) * | 2018-12-30 | 2019-03-12 | 上海联影医疗科技有限公司 | 放射治疗计划系统、确定装置及存储介质 |
CN110070576A (zh) * | 2019-04-29 | 2019-07-30 | 成都思多科医疗科技有限公司 | 一种基于深度学习网络的超声采图智能定位方法和系统 |
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 |
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 |
WO2020237537A1 (zh) * | 2019-05-29 | 2020-12-03 | 西安大医集团股份有限公司 | 图像引导方法及装置、医疗设备、计算机可读存储介质 |
WO2021036366A1 (zh) * | 2019-08-29 | 2021-03-04 | 北京连心医疗科技有限公司 | 标准化的人工智能自动放疗计划方法和系统 |
CN112546463A (zh) * | 2021-02-25 | 2021-03-26 | 四川大学 | 基于深度神经网络的放疗剂量自动预测方法 |
CN113096766A (zh) * | 2021-04-08 | 2021-07-09 | 济南大学 | 一种个性化精准放疗计划中的三维剂量预测方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070263915A1 (en) * | 2006-01-10 | 2007-11-15 | Adi Mashiach | System and method for segmenting structures in a series of images |
JP2009142300A (ja) * | 2007-12-11 | 2009-07-02 | Toshiba Corp | X線ct装置、及びスキャン計画作成方法 |
-
2021
- 2021-08-25 CN CN202110984202.4A patent/CN113658168B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105893772A (zh) * | 2016-04-20 | 2016-08-24 | 上海联影医疗科技有限公司 | 用于放射治疗计划的数据获取方法和装置 |
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 |
CN109453473A (zh) * | 2018-12-30 | 2019-03-12 | 上海联影医疗科技有限公司 | 放射治疗计划系统、确定装置及存储介质 |
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 |
CN110070576A (zh) * | 2019-04-29 | 2019-07-30 | 成都思多科医疗科技有限公司 | 一种基于深度学习网络的超声采图智能定位方法和系统 |
WO2020237537A1 (zh) * | 2019-05-29 | 2020-12-03 | 西安大医集团股份有限公司 | 图像引导方法及装置、医疗设备、计算机可读存储介质 |
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 |
WO2021036366A1 (zh) * | 2019-08-29 | 2021-03-04 | 北京连心医疗科技有限公司 | 标准化的人工智能自动放疗计划方法和系统 |
CN112546463A (zh) * | 2021-02-25 | 2021-03-26 | 四川大学 | 基于深度神经网络的放疗剂量自动预测方法 |
CN113096766A (zh) * | 2021-04-08 | 2021-07-09 | 济南大学 | 一种个性化精准放疗计划中的三维剂量预测方法及系统 |
Non-Patent Citations (1)
Title |
---|
基于深度残差网络的低剂量CT图像处理与重建;尹相瑞;《硕士电子期刊》;20200615(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113658168A (zh) | 2021-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20240226603A1 (en) | Systems and methods for automatic treatment planning and optimization | |
CN114681813B (zh) | 放射治疗自动计划系统、自动计划方法及存储介质 | |
EP3639894A1 (en) | Streamlined, guided on-couch adaptive workflow | |
CN110211664B (zh) | 一种基于机器学习自动设计放射治疗方案的系统 | |
US9511241B2 (en) | Irradiation planning for particle therapy | |
CN110415785A (zh) | 人工智能引导放疗计划的方法及系统 | |
CN106730411A (zh) | 放射治疗计划优化方法及系统 | |
CN106682409B (zh) | 采样方法及放射治疗计划优化方法、剂量计算方法 | |
KR20100016039A (ko) | 분계 불확실성의 확률론적 분석에 의한 방사선 요법시 개선된 치료 계획 평가 | |
CN109513121A (zh) | 一种剂量引导自适应放射治疗计划重优化系统和方法 | |
CN110570923A (zh) | 一种混合蒙特卡罗的放疗逆向优化方法、设备和存储介质 | |
CN113658168B (zh) | 指定剂量区的获取方法、系统、终端及存储介质 | |
CN110706779B (zh) | 一种放射治疗计划精确目标函数的自动生成方法 | |
US12053645B2 (en) | System and method for robust treatment planning in radiation therapy | |
Li et al. | Strategies for automatic online treatment plan reoptimization using clinical treatment planning system: A planning parameters study | |
Miyazaki et al. | Deformed dose restoration to account for tumor deformation and position changes for adaptive proton therapy | |
CN116785601A (zh) | 用于剂量映射不确定性的稳健放疗治疗计划的方法和系统 | |
CN113870976A (zh) | 一种基于剂量预评估的自适应放疗剂量调强优化计算方法 | |
CN113679962A (zh) | 剂量线的适形度的优化系统 | |
Winterhalter | Protons do play dice: validating, implementing and applying Monte Carlo techniques for proton therapy | |
JP2019170612A (ja) | 治療計画装置、放射線治療システム、治療計画方法、及びプログラム | |
JP7502566B2 (ja) | 線量予測及びロバスト線量模倣による自動治療計画生成 | |
Chyou et al. | Couch modelling for volumetric modulated arc therapy (VMAT) | |
Bridge | Principles and Practice of Treatment Planning | |
Lan et al. | An improved convex programming model for the inverse problem in intensity-modulated radiation therapy |
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 |