CN113823382B - 一种肿瘤放疗的造血功能副反应分析方法及装置 - Google Patents
一种肿瘤放疗的造血功能副反应分析方法及装置 Download PDFInfo
- Publication number
- CN113823382B CN113823382B CN202111260874.7A CN202111260874A CN113823382B CN 113823382 B CN113823382 B CN 113823382B CN 202111260874 A CN202111260874 A CN 202111260874A CN 113823382 B CN113823382 B CN 113823382B
- Authority
- CN
- China
- Prior art keywords
- data
- standardized
- variable
- hematopoietic
- features
- 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
- 238000001959 radiotherapy Methods 0.000 title claims abstract description 101
- 206010028980 Neoplasm Diseases 0.000 title claims abstract description 70
- 238000004458 analytical method Methods 0.000 title claims abstract description 53
- 238000007086 side reaction Methods 0.000 title claims abstract description 50
- 230000002607 hemopoietic effect Effects 0.000 title claims description 16
- 230000003394 haemopoietic effect Effects 0.000 claims abstract description 166
- 230000004927 fusion Effects 0.000 claims abstract description 50
- 238000012545 processing Methods 0.000 claims abstract description 49
- 238000000034 method Methods 0.000 claims abstract description 44
- 230000000694 effects Effects 0.000 claims abstract description 37
- 230000006870 function Effects 0.000 claims description 127
- 238000013135 deep learning Methods 0.000 claims description 26
- 238000010801 machine learning Methods 0.000 claims description 26
- 238000013527 convolutional neural network Methods 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 abstract description 17
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 239000000306 component Substances 0.000 description 14
- 238000010586 diagram Methods 0.000 description 11
- 230000011132 hemopoiesis Effects 0.000 description 10
- 239000011159 matrix material Substances 0.000 description 10
- 210000000056 organ Anatomy 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 7
- 210000001519 tissue Anatomy 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000013145 classification model Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000012952 Resampling Methods 0.000 description 2
- 210000001185 bone marrow Anatomy 0.000 description 2
- 238000007408 cone-beam computed tomography Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000002489 hematologic effect Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 210000003049 pelvic bone Anatomy 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000002285 radioactive effect Effects 0.000 description 2
- 210000000278 spinal cord Anatomy 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 208000024719 uterine cervix neoplasm Diseases 0.000 description 2
- 238000012896 Statistical algorithm Methods 0.000 description 1
- 208000007502 anemia Diseases 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000004064 dysfunction Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000011404 fractionated radiotherapy Methods 0.000 description 1
- 231100000226 haematotoxicity Toxicity 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010827 pathological analysis Methods 0.000 description 1
- 210000004197 pelvis Anatomy 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 210000005259 peripheral blood Anatomy 0.000 description 1
- 239000011886 peripheral blood Substances 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
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
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4836—Diagnosis combined with treatment in closed-loop systems or methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Surgery (AREA)
- Public Health (AREA)
- Heart & Thoracic Surgery (AREA)
- Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Urology & Nephrology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及人工智能领域,揭露一种肿瘤放疗的造血功能副反应分析方法及装置,包括:获取肿瘤放疗前的临床基线数据、医学影像数据、放疗剂量数据及造血功能区;提取临床基线数据的临床特征,分别对医学影像数据和放疗剂量数据进行标准化处理,得到标准化影像数据和标准化剂量数据;根据临床特征、标准化影像数据、标准化剂量数据,标记造血功能区的离散变量特征,及根据标准化影像数据和标准化剂量数据,标记造血功能区的高维变量特征和深层变量特征;根据离散变量特征、高维变量特征及深层变量特征,利用多分类器融合模型分析造血功能区的功能副反应,得到功能副反应分析结果。本发明可以提高肿瘤放疗的造血功能副反应的分析效率和评估准确率。
Description
技术领域
本发明涉及人工智能领域,尤其涉及一种肿瘤放疗的造血功能副反应分析方法、装置、电子设备以及计算机可读存储介质。
背景技术
放射治疗技术是肿瘤治疗三大技术之一,其利用高能放射线以非侵入式方式治疗肿瘤,由于高能放射线无法避免正常组织的照射,并可能引起相关的毒副反应,会造成造血功能障碍,导致患者出现应激性贫血的现象,因此,在优化肿瘤放疗的处方剂量和计划设计以提高肿瘤治疗效果同时,对可能出现的造血功能副反应进行预测分析,以降低放射治疗带来的风险,对患者的生存质量提高是十分必要的。
目前,造血功能副反应的预测分析通常是根据放疗前和放疗中的外周血成分,建立分次放疗治疗对造血功能的相关性来判断是否产生造血功能副反应以及相关进展情况,或者通过磁共振等影像学检查方式测定造血器官中脂肪成分等,间接获取不同类型骨髓含量以评估分析造血储备能力的强弱,但是上述方法仅根据有限的特征参数,利用统计学方法进行造血功能的评故分析,并不能全面的获取造血功能数据,从而会影响造血功能的评故分析准确率。
发明内容
为了解决上述技术问题,本发明提供了一种肿瘤放疗的造血功能副反应分析方法、装置、电子设备以及计算机可读存储介质,可以基于肿瘤放疗的造血功能副反应的分析效率和评估准确率。
第一方面,本发明提供了一种肿瘤放疗的造血功能副反应分析方法,包括:
获取肿瘤放疗前的多模态数据及造血功能区,其中,所述多模态数据包括临床基线数据、医学影像数据以及放疗剂量数据;
提取所述临床基线数据中的临床特征,并分别对所述医学影像数据和所述放疗剂量数据进行标准化处理,得到标准化影像数据和标准化剂量数据;
分别提取所述标准化影像数据和所述标准化剂量数据在所述造血功能区的分布特征,得到影像分布特征和剂量分布特征,并将所述影像分布特征、所述剂量分布特征以及所述临床特征作为所述造血功能区的离散变量特征;
根据所述标准化影像数据和所述标准化剂量数据,计算所述造血功能区的连续变量特征,并利用多分支机器学习网络提取所述连续变量特征的高维变量特征;
根据所述标准化影像数据和所述标准化剂量数据,利用多分支深度学习网络提取所述造血功能区的深层变量特征;
根据所述离散变量特征、所述高维变量特征以及所述深层变量特征,利用多分类器融合模型分析所述造血功能区的功能副反应,得到所述造血功能区的功能副反应分析结果。
可以看出,本发明实施例通过获取肿瘤放疗前的多模态数据及造血功能区,可以保障造血功能区的数据全面性,提高后续造血功能区的功能副反应的分析效率和评估准确率,并对多模态数据进行预处理,可以通过提高多模态数据的处理速度;其次,本发明实施例根据所述多模态数据,利用统计方法、机器学习和深度学习网络标记肿瘤放疗造血对应造血功能区的离散变量特征、高维变量特征及深层变量特征,并结合多分类器融合模型实现造血功能区多个维度的造血功能副反应分析,进一步提高了造血功能区的造血功能副反应的分析效率和评估准确率。因此,本发明实施例提出的一种肿瘤放疗的造血功能副反应分析方法可以基于肿瘤放疗的造血功能副反应的分析效率和评估准确率。
在第一方面的一种可能实现方式中,所述提取所述临床基线数据中的临床分布特征,包括:
对所述临床基线数据进行编码,得到编码数据,并将所述编码数据进行数值映射,得到映射数据;
对所述映射数据进行数值筛选处理,得到所述临床基线数据中的临床分布特征。
在第一方面的一种可能实现方式中,所述分别对所述医学影像数据和所述放疗剂量数据进行标准化处理,得到标准化影像数据和标准化剂量数据,包括:
分别对所述医学影像数据和所述放疗剂量数据进行数值影像处理;
分别对数值影像处理后的所述医学影像数据和所述放疗剂量数据进行数值规范化处理,得到标准化影像数据和标准化剂量数据。
在第一方面的一种可能实现方式中,分别提取所述标准化影像数据和所述标准化剂量数据在所述造血功能区的分布特征,得到影像分布特征和剂量分布特征,包括:
提取所述标准化影像数据在所述造血功能区中的表征特征和影像组学特征,分别对所述表征特征和所述影像组学特征进行数值标准化处理,从数值标准化处理后的所述表征特征和所述影像组学特征中筛选出具有造血功能副反应的特征,得到所述标准化影像数据的影像分布特征;
提取所述标准化剂量数据在所述造血功能区中的参数特征和剂量组学特征,分别对所述参数特征和所述剂量组学特征进行数值标准化处理,从数值标准化处理后的所述表征特征和所述剂量组学特征中筛选出具有造血功能副反应的特征,得到所述标准化剂量数据的剂量分布特征。
在第一方面的一种可能实现方式中,所述利用多分支机器学习网络提取所述连续变量特征的高维变量特征,包括:
利用所述多分支机器学习网络中的分支一维卷积神经网络对所述连续变量特征进行特征融合和高维特征提取操作,得到分支变量特征;
利用所述多分支机器学习网络中的全连接神经网络对所述分支变量特征进行特征拼接和融合;
利用所述多分支机器学习网络中的全连接层输出特征融合后的所述分支变量特征,得到所述连续变量特征的高维变量特征。
在第一方面的一种可能实现方式中,所述根据所述标准化影像数据和所述标准化剂量数据,利用多分支深度学习网络提取所述造血功能区的深层变量特征,包括:
获取所述造血功能区的掩模图像,将所述标准化影像数据、所述标准化剂量数据以及所述掩模图像作为模型输入数据输入至所述多分支深度学习网络中的分支卷积神经网络,以通过所述分支卷积神经网络提取所述模型输入数据的深层数据特征;
利用所述多分支深度学习网络中的隐藏层对所述深层数据特征进行融合,得到深层融合特征;
利用所述多分支深度学习网络中的全连接层输出所述深层融合特征,以生成所述造血功能区的深层变量特征。
在第一方面的一种可能实现方式中,所述根据所述离散变量特征、所述高维变量特征以及所述深层变量特征,利用多分类器融合模型分析所述造血功能区的功能副反应,得到所述造血功能区的造血功能副反应分析结果,包括:
将所述离散变量特征、所述高维变量特征以及所述深层变量特征进行拼接,得到一个或多个多维变量特征;
将所述多维变量特征输入至所述多分类器融合模型中的分类器,以计算所述分类器的权重值;
利用所述多分类器融合模型中的融合模块计算所述权重值的融合结果,根据所述融合结果,生成所述造血功能区的功能副反应分析结果。
第二方面,本发明提供了一种基于肿瘤放疗的造血功能副反应分析装置,所述装置包括:
数据获取模块,用于获取肿瘤放疗前的多模态数据及造血功能区,其中,所述多模态数据包括临床基线数据、医学影像数据以及放疗剂量数据;
数据预处理模块,用于提取所述临床基线数据中的临床特征,并分别对所述医学影像数据和所述放疗剂量数据进行标准化处理,得到标准化影像数据和标准化剂量数据;
离散变量特征生成模块,用于分别提取所述标准化影像数据和所述标准化剂量数据在所述造血功能区的分布特征,得到影像分布特征和剂量分布特征,并将所述影像分布特征、所述剂量分布特征以及所述临床特征作为所述造血功能区的离散变量特征;
高维变量特征生成模块,用于根据所述标准化影像数据和所述标准化剂量数据,计算所述造血功能区的连续变量特征,并利用多分支机器学习网络提取所述连续变量特征的高维变量特征;
深层变量特征生成模块,用于根据所述标准化影像数据和所述标准化剂量数据,利用多分支深度学习网络提取所述造血功能区的深层变量特征;
副反应分析模块,用于根据所述离散变量特征、所述高维变量特征以及所述深层变量特征,利用多分类器融合模型分析所述造血功能区的功能副反应,得到所述造血功能区的功能副反应分析结果。
第三方面,本发明提供一种电子设备,包括:
至少一个处理器;以及与所述至少一个处理器通信连接的存储器;
其中,所述存储器存储有可被所述至少一个处理器执行的计算机程序,以使所述至少一个处理器能够执行如上述第一方面中任意一项所述的肿瘤放疗的造血功能副反应分析方法。
第四方面,本发明提供一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时实现如上述第一方面中任意一项所述的肿瘤放疗的造血功能副反应分析方法。
可以理解的是,上述第二方面至第四方面的有益效果可以参见上述第一方面中的相关描述,在此不再赘述。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的一种肿瘤放疗的造血功能副反应分析方法的流程示意图;
图2为本发明一实施例提供的一种肿瘤放疗的造血功能副反应分析方法中的数值影像处理的示意图;
图3为本发明一实施例提供的一种肿瘤放疗的造血功能副反应分析方法中的多分支机器学习网络的模型结构示意图;
图4为本发明一实施例提供的一种肿瘤放疗的造血功能副反应分析方法中的多分支深度学习网络的模型结构示意图;
图5为本发明一实施例提供的一种肿瘤放疗的造血功能副反应分析方法中的多分类模型的功能副反应分析的示意图;
图6为本发明一实施例提供的一种基于肿瘤放疗的造血功能副反应分析装置的模块示意图;
图7为本发明一实施例提供的实现肿瘤放疗的造血功能副反应分析方法的电子设备的内部结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
参阅图1所示,是本发明一实施例提供的肿瘤放疗的造血功能副反应分析方法的流程示意图。其中,图1中描述的肿瘤放疗的造血功能副反应分析方法包括:
S1、获取肿瘤放疗前的多模态数据及造血功能区,其中,所述多模态数据包括临床基线数据、医学影像数据以及放疗剂量数据。
应该了解,放射治疗是非侵入式治疗肿瘤的主要手段,然而由于射线穿透特性,无法避免治疗区域外的器官收到额外照射,从而造成如类似脊柱、盆骨等造血器官的副反应,导致血液学的毒性作用的现象,因此,本发明实施例通过获取肿瘤放疗前的多模态数据及造血功能区,以从多个维度分析出肿瘤放疗造血时出现的副反应,实现在保证肿瘤放射治疗获益的同时,尽可能降低患者的造血功能副反应。在本发明实施例中,所述多模态数据包括临床基线数据、医学影像数据以及放疗剂量数据,所述造血功能区是指对造血生理功能有较大影响的器官组织,如脊髓、盆骨等造血器官及相关附属组织,如在宫颈肿瘤放疗过程中,可对盆骨,脊髓等器官进行勾画,同时可根据MR脂肪含量或PET/CT代谢强度确定红黄骨髓等组织的区域位置,从而可以确定宫颈肿瘤放疗过程中造血功能区的空间位置。
进一步地,本发明实施例中,所述临床基线数据可以理解为反应患者临床基本诊疗情况的离散型数据,其用于反馈患者的基本诊疗情况和基本血液学数据,详细地,所述临床基线数据可包括患者ID,患者年龄,体重等基本信息,及肿瘤TNM分期信息、病理诊断、分期类型、血常规等血液学数据。
进一步地,本发明实施例中,所述医学影像数据包括为诊断和治疗肿瘤所扫描的多种类型的三维容积的医学影像数据,其用于反馈肿瘤的三维空间状态和组织密度,水成分差异等影像学表达,详细地,所述医学影像数据可包括CT影像、T1W/T2W/T1C常规序列MR影像、T2压脂序列MR影像、放射治疗过程中采集的CBCT影像等若干类型的影像组合。
本发明另一个实施例中,通过图像模态转换方法,可以实现MR影像转换CT影像或,CBCT影像转换CT影像来获取对应CT影像模态。
进一步地,本发明实施例中,所述放疗剂量数据可以理解为通过放射治疗计划系统(TPS)设计满足临床处方剂量的治疗计划,使之肿瘤目标区域受到处方剂量的照射,同时正常器官受量控制在正常范围内,本发明一可选实施例中,所述放疗剂量数据可以利用常规TPS设计满足临床的多野强度调制放疗计划或多弧度的容积旋转调强计划,计算并输出对应扫描部位得到。
S2、提取所述临床基线数据中的临床分布特征,并分别对所述医学影像数据和所述放疗剂量数据进行数值影像和规范化处理,得到影像分布特征和剂量分布特征。
本发明实施例中通过提取所述临床基线数据中的临床分布特征,以实现所述临床基线数据的标准化处理,并减少所述临床基线数据中的一些无用数据,提高后续数据的处理速度。
作为本发明的一个实施例,所述提取所述临床基线数据中的临床分布特征包括:对所述临床基线数据进行编码,得到编码数据,并将所述编码数据进行数值映射,得到映射数据,对所述映射数据进行数值筛选处理,得到所述临床基线数据中的临床分布特征。
其中,所述临床基线数据的编码可以通过独热编码(One-Hot)算法实现,其用于实现所述临床基线数据的二值化处理,所述数值映射可以采用如四分位点(0.25,0.5,0.75)等方法实现,所述数值筛选可以通过剔除所述临床基线数据中空值大于某一阈值的特征,或所述临床基线数据中空值进行均值/填零/前向、后向填充等操作实现。
进一步地,本发明实施例通过分别对所述医学影像数据和所述放疗剂量数据进行标准化处理,以实现所述医学影像数据和所述放疗剂量数据呈模态分布,实现后续数据分析的快速定位和查找。
作为本发明的一个实施例,所述分别对所述医学影像数据和所述放疗剂量数据进行标准化处理,得到标准化影像数据和标准化剂量数据,包括:分别对所述医学影像数据和所述放疗剂量数据进行数值影像处理,分别对数值影像处理后的所述医学影像数据和所述放疗剂量数据进行数值规范化处理,得到标准化影像数据和标准化剂量数据。
进一步地,可参阅2所示,是本发明一实施例提供一种肿瘤放疗的造血功能副反应分析方法中的数值影像处理的示意图,其包括待处理的数据(Modality_x)、处理过程(图像处理、强度标准化以及强度映射)以及处理后的数据(Modality_x_pro)。
本发明一可选实施例中,图2所示的图像处理包括图像重采样、图像配准、图像裁剪、灰度映射、灰度归一化等操作,其中,所述图像重采样可以利用线性插值、临近插值等方法实现,也可以利用超分辨率重建网络实现图像重采样,所述灰度映射基于不同类型图像选取相应的映射方法,如MRI图像可以利用偏置场校正、直方图匹配等灰度算法映射,CT图像可以进行软组织窗(WW600HU,WL70HU)窗宽窗位调节实现映射。
进一步地,本发明实施例中,所述数值规范化处理可以通过统计每一类别的离散数据,求其最大值、最小值、均值、方差等统计量,对其进行如数值量纲的归一化处理(如Z-Score标准化、最大最小标准化、阈值处理)实现。
S3、分别提取所述标准化影像数据和所述标准化剂量数据在所述造血功能区的分布特征,得到影像分布特征和剂量分布特征,并将所述影像分布特征、剂量分布特征以及所述临床特征作为所述造血功能区的离散变量特征。
本发明实施例通过分别提取所述标准化影像数据和所述标准化剂量数据在所述造血功能区的分布特征,以筛选出与所述造血功能区的具有强相关性和强特异性的离散变量。
作为本发明的一个实施例,分别提取所述标准化影像数据和所述标准化剂量数据在所述造血功能区的分布特征,得到影像分布特征和剂量分布特征,包括:
提取所述标准化影像数据在所述造血功能区中的表征特征和影像组学特征,分别对所述表征特征和所述影像组学特征进行数值标准化处理,从数值标准化处理后的所述表征特征和所述影像组学特征中筛选出具有造血功能副反应的特征,得到所述标准化影像数据的影像分布特征;
提取所述标准化剂量数据在所述造血功能区中的参数特征和剂量组学特征,分别对所述参数特征和所述剂量组学特征进行数值标准化处理,从数值标准化处理后的所述表征特征和所述剂量组学特征中筛选出具有造血功能副反应的特征,得到所述标准化剂量数据的剂量分布特征。
其中,本发明实施例中,所述表征特征是指所述标准化影像数据在所述造血功能区中的灰度值,分布变量等特定影像特征,用于确定造血功能区中脂肪含量成分较高的区域范围和强度,其可以通过信号强度统计算法提取,所述影像组学特征是指标准化影像数据在所述造血功能区中的形状、纹理、灰度等特征,所述参数特征是指所述标准化剂量数据在所述造血功能区中的剂量统计量,如形状、灰度共生矩阵、灰灰度依赖性矩阵、邻域灰度差矩阵、一阶统计量等剂量特征量,其可以通过Radiomics工具提取,所述剂量组学特征是指提取特定剂量容积、剂量特征值或器官轮廓容积内的形状、纹理和灰度等特征。
进一步地,本发明实施例中,所述数值标准化处理是指对每一特征进行独立数值规范化,减少由于特征数值量纲带来的建模参数差异性,提升后续分析模型的性能。
进一步地,本发明实施例中,所述特征筛选用于去除冗余特征量,其可以通过计算离散特征和造血副作用的相关性实现,所述相关性可以通皮尔森相关系数,筛选统计学显著相关或强相关性等算法计算。
S4、根据所述标准化影像数据和所述标准化剂量数据,计算所述造血功能区的连续变量特征,并利用多分支机器学习网络提取所述连续变量特征的高维变量特征。
本发明实施例通过所述标准化影像数据和所述标准化剂量数据,计算所述造血功能区的连续变量特征,以保障所述造血功能区的高维特征提取前提,可选的,所述根据所述标准化影像数据和所述标准化剂量数据,计算所述离散变量特征在所述造血功能区的连续变量特征,包括:获取所述造血功能区的掩模图像,采用直方图算法将所述标准化影像数据和所述标准化剂量数据与掩模图像进行直方图匹配,得到所述所述造血功能区的连续变量特征。其中,所述掩模图像可以通过提取所述造血功能区的二值化图像得到,所述直方图算法可以为histogram算法或pre-sorted算法,所述连续变量特征包括:积分剂量容积特征直方图、微分剂量容积特征直方图以及多模态影像灰度特征直方图等。
进一步地,本发明实施例通过多分支机器学习网络提取所述连续变量特征的高维变量特征,以获取所述连续变量特征的内在特征表达,提高后续造血功能副反应的分析准确率。其中,所述多分支机器学习网络包含多个分支一维卷积神经网络、全连接神经网络以及全连接层,所述一维卷积神经网络用于实现所述连续变量特征的特征卷积操作,所述全连接神经网络用于实现所述连续变量特征的特征融合操作。
作为本发明的一个实施例,所述利用多分支机器学习网络提取所述连续变量特征的高维变量特征,包括:利用所述多分支机器学习网络中的分支一维卷积神经网络对所述连续变量特征进行特征融合和高维特征提取操作,得到分支变量特征,利用所述多分支机器学习网络中的全连接神经网络对所述分支变量特征进行特征拼接和融合,利用所述多分支机器学习网络中全连接层输出特征融合后的所述分支变量特征,得到所述连续变量特征的高维变量特征。
为进一步地了解所述多分支机器学习网络的内部结构和特征提取原理,参阅图3所示,是本发明一实施例提供的一种肿瘤放疗的造血功能副反应分析方法中的多分支机器学习网络的模型结构示意图,其中,图3所示的a0*b0*c0表示输入的连续变量特征,a0为所述连续变量特征中器官或组织数目,b0为所述连续变量特征中的长度,c0为所述连续变量特征中的类型,通过分支一维卷积神经网络和全连接神经网络对不同连续变量特征经过各自的卷积操作和特征融合,得到特征融合后的的Ao*Bo*Co多模态特征,在经过全连接层操作后,输出维度为Ap*Bp的高维变量特征。
S5、根据所述标准化影像数据和所述标准化剂量数据,利用多分支深度学习网络提取所述造血功能区中的深层变量特征。
本发明实施例通过所述标准化影像数据和所述标准化剂量数据,利用多分支深度学习网络提取所述造血功能区的深层变量特征,以获取所述标准化影像数据和所述标准化剂量数据在所述造血功能区的深层抽象特征和语义特征,进一步提高后续造血功能区的副反应分析准确率。其中,所述多分支深度学习网络包括多个二维或三维分支卷积神经网络、隐藏层以及全连接层。
作为本发明的一个实施例,所述根据所述标准化影像数据和所述标准化剂量数据,利用多分支深度学习网络提取所述造血功能区的深层变量特征,包括:获取所述造血功能区的掩模图像,将所述标准化影像数据、所述标准化剂量数据以及所述掩模图像作为模型输入数据输入至所述多分支深度学习网络中的分支卷积神经网络,以通过所述分支卷积神经网络提取所述模型输入数据的深层数据特征,利用所述多分支深度学习网络中的隐藏层对所述深层数据特征进行融合,得到深层融合特征,利用所述多分支深度学习网络中的全连接层输出所述深层融合特征,以生成所述造血功能区的深层变量特征。
其中,所述深层数据特征可以理解为所述标准化影像数据和所述标准化剂量数据在所述造血功能区的深层抽象特征和语义特征,所述深层数据特征的融合通过在所述隐藏层增加跳跃连接实现。
为进一步地了解所述多分支深度学习网络的内部结构和特征提取原理,参阅图4所示,是本发明一实施例提供的一种肿瘤放疗的造血功能副反应分析方法中的多分支深度学习网络的模型结构示意图,其中,图4所示的三维空间掩模可以理解为所述造血功能区的造血功能区的掩模图像,所述模态分布可以理解为所述标准化影像数据和标准化剂量数据的三维分布矩阵,如MR影像的三维灰度分布,CT所得的三维剂量强度分布等,通过不同模态的三维分布矩阵经过各自的三维卷积层操作和跳跃连接实现跨模态的联合特征提取和特征变量融合,得到深层融合特征,并在经过若干层全连接层操作后,获取维度为Aq*Bq的深层变量特征的高维特征表达。
S6、根据所述离散变量特征、所述高维变量特征以及所述深层变量特征,利用多分类器融合模型分析所述造血功能区的功能副反应,得到所述造血功能区的功能副反应分析结果。
本发明一可选实施例中,所述根据所述离散变量特征、所述高维变量特征以及所述深层变量特征,利用多分类器融合模型分析所述造血功能区的功能副反应,得到所述造血功能区的功能副反应分析结果,包括:将所述离散变量特征、所述高维变量特征以及所述深层变量特征进行拼接,得到一个或多个多维变量特征,将所述多维变量特征输入至所述多分类器融合模型中的分类器,以计算所述分类器的权重值,利用所述多分类器融合模型中的融合模块计算所述权重值的融合结果,根据所述融合结果,生成所述造血功能区的功能副反应分析结果。其中,所述副反应分析结果可以理解为所述造血功能区在肿瘤放疗过程中是否出现造血功能副反应的现象。
进一步地,本发明一可选实施例中,所述将所述多维变量特征输入至所述多分类器融合模型中的分类器,以计算所述分类器的权重值,包括:根据所述多维变量特征,利用预设训练策略对所述分类器进行训练,得到所述分类器的评价指标,构建所述评价指标的评价矩阵,并计算所述评价矩阵的权重值。
进一步地,本发明又一可选实施例中,所述预设训练策略包括多折交叉检验策略,所述评价指标包括:AUC、准确率、精确率、召回率以及F1评分等指标,所述评价矩阵可以通过合并所述评价指标生成,如评价矩阵metricX,其维度分别为多维变量特征数l、分类器个数m、混淆矩阵和性能评价指标维度n,于是metricX(i,j,k)可以表示为第i个多维变量特征在分类器j所得的第k个评价指标,所述评价矩阵的权重值可以通过逻辑回归、投票策略或网络集成等方法计算。
进一步地,本发明一可选实施例中,利用下述公式计算所述权重值的融合结果:
Res=∑clfi×wi
其中,Res表示权重值的融合结果,wi表示第i个权重值,clfi表示融合函数。
为进一步了解所述多分类模型的数据处理过程,参阅图5所示,是本发明一实施例提供的一种肿瘤放疗的造血功能副反应分析方法中的多分类模型的功能副反应分析的示意图。
可以看出,本发明实施例通过获取肿瘤放疗前的多模态数据及造血功能区,可以保障造血功能区的数据全面性,提高后续造血功能区的功能副反应的分析效率和评估准确率,并对多模态数据进行预处理,可以通过提高多模态数据的处理速度,其次,本发明实施例根据所述多模态数据,利用机器学习和深度学习网络标记肿瘤放疗造血对应造血功能区的离散变量特征、高维变量特征及深层变量特征,并结合多分类器融合模型实现造血功能区多个维度的功能副反应分析,进一步提高了造血功能区的功能副反应的分析效率和评估准确率。因此,本发明实施例提出的一种肿瘤放疗的造血功能副反应分析方法可以提高基于肿瘤放疗的造血功能副反应分析准确率。
如图6所示,是本发明一实施例提供的一种基于肿瘤放疗的造血功能副反应分析装置的模块示意图。
本发明所述基于肿瘤放疗的造血功能副反应分析装置600可以安装于电子设备中。根据实现的功能,所述基于肿瘤放疗的造血功能副反应分析装置可以包括数据获取模块601、数据预处理模块602、离散变量特征生成模块603、高维变量特征生成模块604、深层变量特征生成模块605以及副反应分析模块606。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述数据获取模块601,用于获取肿瘤放疗前的多模态数据及造血功能区,其中,所述多模态数据包括临床基线数据、医学影像数据以及放疗剂量数据;
所述数据预处理模块602,用于提取所述临床基线数据中的临床特征,并分别对所述医学影像数据和所述放疗剂量数据进行标准化处理,得到标准化影像数据和标准化剂量数据;
所述离散变量特征生成模块603,用于分别提取所述标准化影像数据和所述标准化剂量数据在所述造血功能区的分布特征,得到影像分布特征和剂量分布特征,并将所述影像分布特征、所述剂量分布特征以及所述临床特征作为所述造血功能区的离散变量特征;
所述高维变量特征生成模块604,用于根据所述标准化影像数据和所述标准化剂量数据,计算所述造血功能区的连续变量特征,并利用多分支机器学习网络提取所述连续变量特征的高维变量特征;
所述深层变量特征生成模块605,用于根据所述标准化影像数据和所述标准化剂量数据,利用多分支深度学习网络提取所述造血功能区的深层变量特征;
所述副反应分析模块606,用于根据所述离散变量特征、所述高维变量特征以及所述深层变量特征,利用多分类器融合模型分析所述造血功能区的功能副反应,得到所述造血功能区的功能副反应分析结果。
详细地,本发明实施例中所述基于肿瘤放疗的造血功能副反应分析装置600中的所述各模块在使用时采用与上述的图1至图5中所述的肿瘤放疗的造血功能副反应分析方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
如图7所示,是本发明实现肿瘤放疗的造血功能副反应分析方法的电子设备的结构示意图。
所述电子设备可以包括处理器70、存储器71、通信总线72以及通信接口73,还可以包括存储在所述存储器71中并可在所述处理器70上运行的计算机程序,如基于肿瘤放疗的造血功能副反应分析程序。
其中,所述处理器70在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器70是所述电子设备的控制核心(ControlUnit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器71内的程序或者模块(例如执行基于肿瘤放疗的造血功能副反应分析程序等),以及调用存储在所述存储器71内的数据,以执行电子设备的各种功能和处理数据。
所述存储器71至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器71在一些实施例中可以是电子设备的内部存储单元,例如该电子设备的移动硬盘。所述存储器71在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器71还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器71不仅可以用于存储安装于电子设备的应用软件及各类数据,例如基于肿瘤放疗的造血功能副反应分析程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线72可以是外设部件互连标准(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器71以及至少一个处理器70等之间的连接通信。
所述通信接口73用于上述电子设备与其他设备之间的通信,包括网络接口和用户接口。可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,所述用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图7仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图7示出的结构并不构成对所述电子设备的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器70逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
应该了解,所述实施例仅为说明之用,在专利发明范围上并不受此结构的限制。
所述电子设备中的所述存储器71存储的基于肿瘤放疗的造血功能副反应分析程序是多个计算机程序的组合,在所述处理器70中运行时,可以实现:
获取肿瘤放疗前的多模态数据及造血功能区,其中,所述多模态数据包括临床基线数据、医学影像数据以及放疗剂量数据;
提取所述临床基线数据中的临床特征,并分别对所述医学影像数据和所述放疗剂量数据进行标准化处理,得到标准化影像数据和标准化剂量数据;
分别提取所述标准化影像数据和所述标准化剂量数据在所述造血功能区的分布特征,得到影像分布特征和剂量分布特征,并将所述影像分布特征、所述剂量分布特征以及所述临床特征作为所述造血功能区的离散变量特征;
根据所述标准化影像数据和所述标准化剂量数据,计算所述造血功能区的连续变量特征,并利用多分支机器学习网络提取所述连续变量特征的高维变量特征;
根据所述标准化影像数据和所述标准化剂量数据,利用多分支深度学习网络提取所述造血功能区的深层变量特征;
根据所述离散变量特征、所述高维变量特征以及所述深层变量特征,利用多分类器融合模型分析所述造血功能区的功能副反应,得到所述造血功能区的功能副反应分析结果。
具体地,所述处理器70对上述计算机程序的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个非易失性计算机可读取存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
获取肿瘤放疗前的多模态数据及造血功能区,其中,所述多模态数据包括临床基线数据、医学影像数据以及放疗剂量数据;
提取所述临床基线数据中的临床特征,并分别对所述医学影像数据和所述放疗剂量数据进行标准化处理,得到标准化影像数据和标准化剂量数据;
分别提取所述标准化影像数据和所述标准化剂量数据在所述造血功能区的分布特征,得到影像分布特征和剂量分布特征,并将所述影像分布特征、所述剂量分布特征以及所述临床特征作为所述造血功能区的离散变量特征;
根据所述标准化影像数据和所述标准化剂量数据,计算所述造血功能区的连续变量特征,并利用多分支机器学习网络提取所述连续变量特征的高维变量特征;
根据所述标准化影像数据和所述标准化剂量数据,利用多分支深度学习网络提取所述造血功能区的深层变量特征;
根据所述离散变量特征、所述高维变量特征以及所述深层变量特征,利用多分类器融合模型分析所述造血功能区的功能副反应,得到所述造血功能区的功能副反应分析结果。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (7)
1.一种肿瘤放疗的造血功能副反应分析方法,其特征在于,所述方法包括:
获取肿瘤放疗前的多模态数据及造血功能区,其中,所述多模态数据包括临床基线数据、医学影像数据以及放疗剂量数据;
提取所述临床基线数据中的临床特征,并分别对所述医学影像数据和所述放疗剂量数据进行标准化处理,得到标准化影像数据和标准化剂量数据;
分别提取所述标准化影像数据和所述标准化剂量数据在所述造血功能区的分布特征,得到影像分布特征和剂量分布特征,并将所述影像分布特征、所述剂量分布特征以及所述临床特征作为所述造血功能区的离散变量特征;
根据所述标准化影像数据和所述标准化剂量数据,计算所述造血功能区的连续变量特征,并利用多分支机器学习网络提取所述连续变量特征的高维变量特征;
根据所述标准化影像数据和所述标准化剂量数据,利用多分支深度学习网络提取所述造血功能区的深层变量特征;
根据所述离散变量特征、所述高维变量特征以及所述深层变量特征,利用多分类器融合模型分析所述造血功能区的功能副反应,得到所述造血功能区的功能副反应分析结果;
所述利用多分支机器学习网络提取所述连续变量特征的高维变量特征,包括:
利用所述多分支机器学习网络中的分支一维卷积神经网络对所述连续变量特征进行特征融合和高维特征提取操作,得到分支变量特征;
利用所述多分支机器学习网络中的全连接神经网络对所述分支变量特征进行特征拼接和融合;
利用所述多分支机器学习网络中的全连接层输出特征融合后的所述分支变量特征,得到所述连续变量特征的高维变量特征;
所述根据所述标准化影像数据和所述标准化剂量数据,利用多分支深度学习网络提取所述造血功能区的深层变量特征,包括:
获取所述造血功能区的掩模图像,将所述标准化影像数据、所述标准化剂量数据以及所述掩模图像作为模型输入数据输入至所述多分支深度学习网络中的分支卷积神经网络,以通过所述分支卷积神经网络提取所述模型输入数据的深层数据特征;
利用所述多分支深度学习网络中的隐藏层对所述深层数据特征进行融合,得到深层融合特征
利用所述多分支深度学习网络中的全连接层输出所述深层融合特征,以生成所述造血功能区的深层变量特征;
所述根据所述离散变量特征、所述高维变量特征以及所述深层变量特征,利用多分类器融合模型分析所述造血功能区的功能副反应,得到所述造血功能区的造血功能副反应分析结果,包括:
将所述离散变量特征、所述高维变量特征以及所述深层变量特征进行拼接,得到一个或多个多维变量特征;
将所述多维变量特征输入至所述多分类器融合模型中的分类器,以计算所述分类器的权重值;
利用所述多分类器融合模型中的融合模块计算所述权重值的融合结果,根据所述融合结果,生成所述造血功能区的功能副反应分析结果。
2.如权利要求1所述的肿瘤放疗的造血功能副反应分析方法,其特征在于,所述提取所述临床基线数据中的临床分布特征,包括:
对所述临床基线数据进行编码,得到编码数据,并将所述编码数据进行数值映射,得到映射数据;
对所述映射数据进行数值筛选处理,得到所述临床基线数据中的临床分布特征。
3.如权利要求1所述的肿瘤放疗的造血功能副反应分析方法,其特征在于,所述分别对所述医学影像数据和所述放疗剂量数据进行标准化处理,得到标准化影像数据和标准化剂量数据,包括:
分别对所述医学影像数据和所述放疗剂量数据进行数值影像处理;
分别对数值影像处理后的所述医学影像数据和所述放疗剂量数据进行数值规范化处理,得到标准化影像数据和标准化剂量数据。
4.如权利要求3所述的肿瘤放疗的造血功能副反应分析方法,其特征在于,分别提取所述标准化影像数据和所述标准化剂量数据在所述造血功能区的分布特征,得到影像分布特征和剂量分布特征,包括:
提取所述标准化影像数据在所述造血功能区中的表征特征和影像组学特征,分别对所述表征特征和所述影像组学特征进行数值标准化处理,从数值标准化处理后的所述表征特征和所述影像组学特征中筛选出具有造血功能副反应的特征,得到所述标准化影像数据的影像分布特征;
提取所述标准化剂量数据在所述造血功能区中的参数特征和剂量组学特征,分别对所述参数特征和所述剂量组学特征进行数值标准化处理,从数值标准化处理后的所述表征特征和所述剂量组学特征中筛选出具有造血功能副反应的特征,得到所述标准化剂量数据的剂量分布特征。
5.一种基于肿瘤放疗的造血功能副反应分析装置,用于实现如权利要求1至4中任意一项所述的肿瘤放疗的造血功能副反应分析方法,其特征在于,所述装置包括:
数据获取模块,用于获取肿瘤放疗前的多模态数据及造血功能区,其中,所述多模态数据包括临床基线数据、医学影像数据以及放疗剂量数据;
数据预处理模块,用于提取所述临床基线数据中的临床特征,并分别对所述医学影像数据和所述放疗剂量数据进行标准化处理,得到标准化影像数据和标准化剂量数据;
离散变量特征生成模块,用于分别提取所述标准化影像数据和所述标准化剂量数据在所述造血功能区的分布特征,得到影像分布特征和剂量分布特征,并将所述影像分布特征、所述剂量分布特征以及所述临床特征作为所述造血功能区的离散变量特征;
高维变量特征生成模块,用于根据所述标准化影像数据和所述标准化剂量数据,计算所述造血功能区的连续变量特征,并利用多分支机器学习网络提取所述连续变量特征的高维变量特征;
深层变量特征生成模块,用于根据所述标准化影像数据和所述标准化剂量数据,利用多分支深度学习网络提取所述造血功能区的深层变量特征;
副反应分析模块,用于根据所述离散变量特征、所述高维变量特征以及所述深层变量特征,利用多分类器融合模型分析所述造血功能区的功能副反应,得到所述造血功能区的功能副反应分析结果。
6.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至4中任意一项所述的肿瘤放疗的造血功能副反应分析方法。
7.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至4中任意一项所述的肿瘤放疗的造血功能副反应分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111260874.7A CN113823382B (zh) | 2021-10-28 | 2021-10-28 | 一种肿瘤放疗的造血功能副反应分析方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111260874.7A CN113823382B (zh) | 2021-10-28 | 2021-10-28 | 一种肿瘤放疗的造血功能副反应分析方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113823382A CN113823382A (zh) | 2021-12-21 |
CN113823382B true CN113823382B (zh) | 2024-06-11 |
Family
ID=78919149
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111260874.7A Active CN113823382B (zh) | 2021-10-28 | 2021-10-28 | 一种肿瘤放疗的造血功能副反应分析方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113823382B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117315431B (zh) * | 2023-11-29 | 2024-03-22 | 中国人民解放军陆军军医大学第二附属医院 | 一种基于深度学习实现辐射后的造血效果分析方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3316965B1 (en) * | 2015-06-30 | 2020-05-13 | Elekta Ltd. | System and method for target tracking using a quality indicator during radiation therapy |
-
2021
- 2021-10-28 CN CN202111260874.7A patent/CN113823382B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN113823382A (zh) | 2021-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11615879B2 (en) | System and method for automated labeling and annotating unstructured medical datasets | |
US11127137B2 (en) | Malignancy assessment for tumors | |
CN108770373B (zh) | 使用特征回归模型根据mr数据的伪ct生成 | |
Tang et al. | A disentangled generative model for disease decomposition in chest x-rays via normal image synthesis | |
CN108428233B (zh) | 基于知识的自动图像分割 | |
KR20190105460A (ko) | 의료 진단 리포트 생성 장치 및 방법 | |
Gut et al. | Benchmarking of deep architectures for segmentation of medical images | |
WO2020154562A1 (en) | Method and system for automatic multiple lesion annotation of medical images | |
EP4002387A1 (en) | Cad device and method for analysing medical images | |
CN110444294A (zh) | 一种基于感知神经网络的前列腺癌辅助分析方法及设备 | |
CN113823382B (zh) | 一种肿瘤放疗的造血功能副反应分析方法及装置 | |
Bhat et al. | Identification of intracranial hemorrhage using ResNeXt model | |
Qu et al. | Advancing diagnostic performance and clinical applicability of deep learning-driven generative adversarial networks for Alzheimer's disease | |
Kumar et al. | Comparative Study of Liver Segmentation using U-Net and ResNet50 | |
Brahmi et al. | Exploring the role of Convolutional Neural Networks (CNN) in dental radiography segmentation: A comprehensive Systematic Literature Review | |
Berzoini et al. | An optimized U-Net for unbalanced multi-organ segmentation | |
Thamilarasi et al. | U-NET: convolution neural network for lung image segmentation and classification in chest X-ray images | |
Rastgarpour et al. | The status quo of artificial intelligence methods in automatic medical image segmentation | |
Abirami et al. | MRI-based Brain Tumour Classification Using EfficientNetB7 model with transfer learning | |
EP3588378B1 (en) | Method for determining at least one enhanced object feature of an object of interest | |
Yousaf et al. | Overall Survial Prediction from Brain MRI in Glioblastoma | |
De Biase et al. | Slice-by-slice deep learning aided oropharyngeal cancer segmentation with adaptive thresholding for spatial uncertainty on FDG PET and CT images | |
CN115619810B (zh) | 一种前列腺分区分割方法、系统及设备 | |
EP4343687A1 (en) | Image segmentation with improved expert guidance | |
US20230096522A1 (en) | Method and system for annotation of medical images |
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 |