CN114236589A - 放疗剂量分布和剂量体积直方图的联合预测方法及装置 - Google Patents
放疗剂量分布和剂量体积直方图的联合预测方法及装置 Download PDFInfo
- Publication number
- CN114236589A CN114236589A CN202111558680.5A CN202111558680A CN114236589A CN 114236589 A CN114236589 A CN 114236589A CN 202111558680 A CN202111558680 A CN 202111558680A CN 114236589 A CN114236589 A CN 114236589A
- Authority
- CN
- China
- Prior art keywords
- volume histogram
- predicted
- dose
- dose volume
- radiotherapy
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01T—MEASUREMENT OF NUCLEAR OR X-RADIATION
- G01T1/00—Measuring X-radiation, gamma radiation, corpuscular radiation, or cosmic radiation
- G01T1/02—Dosimeters
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- High Energy & Nuclear Physics (AREA)
- Molecular Biology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Radiation-Therapy Devices (AREA)
Abstract
本发明提供了一种放疗剂量分布和剂量体积直方图的联合预测方法及装置,其方法包括:构建初始联合预测模型,初始联合预测模型包括共享编码器、放疗剂量分布解码器以及剂量体积直方图解码器;获取训练集,并基于共享编码器对训练集中的训练样本进行编码处理,得到训练样本的样本特征;分别基于放疗剂量分布解码器和剂量体积直方图解码器对样本特征进行解码处理,对应得到预测放疗剂量分布和预测剂量体积直方图;根据训练样本、预测放疗剂量分布以及预测剂量体积直方图训练初始联合预测模型,得到目标联合预测模型;基于目标联合预测模型对待预测图像进行联合预测。本发明兼顾了放疗剂量分布和剂量体积直方图的预测效率和预测精度。
Description
技术领域
本发明涉及医学放射治疗技术领域,具体涉及一种放疗剂量分布和剂量体积直方图的联合预测方法及装置。
背景技术
放射治疗简称放疗,是肿瘤治疗的主要手段之一,放疗具有适用范围广、副作用小、低创无痛等优点,可有效提高患者的治愈率,延长患者寿命。在临床应用中,放疗实施之前需要专业人员制定放疗计划,即根据医生勾画的患者靶区以及危及器官,结合处方剂量,优化各放射线的角度、强度等信息,得到满足患者需求的治疗方案。为了提高放疗质量,通常需要在放疗计划设计之前预测患者的剂量信息,即:根据患者的靶区和危及器官等信息预测该患者的待接收放疗剂量,则称为剂量预测,为了提高剂量预测精度,通常需要对三维剂量(Dose)分布和剂量体积直方图(Dose Volume Histogram,DVH)进行预测。
现有技术中对三维剂量分布和剂量体积直方图进行预测的方法包括两种,一种是基于深度学习逐点预测放疗三维剂量分布,即预测剂量场中的每个体素所对应的剂量值,并从各个体素对应的剂量值中提取出DVH。另一种是分别基于深度学习预测放疗三维剂量分布以及DVH。
现有技术存在以下问题:第一种预测方法由于放疗三维剂量分布更聚焦于整个剂量场内各体素点的预测值,无法完全保证从三维剂量分布中提取的DVH的精度,导致预测的DVH的精度较低。第二种预测方法需要建立两个预测模型,模型结构复杂、模型参数过多,导致预测时间过长。
发明内容
有鉴于此,有必要提供一种放疗剂量分布和剂量体积直方图的联合预测方法及装置,用以解决现有技术中存在的无法兼顾放疗剂量分布和剂量体积直方图的预测效率和预测精度的技术问题。
一方面,本发明提供了一种放疗剂量分布和剂量体积直方图的联合预测方法,包括:
构建初始联合预测模型,所述初始联合预测模型包括共享编码器、放疗剂量分布解码器以及剂量体积直方图解码器;
获取训练集,并基于所述共享编码器对所述训练集中的训练样本进行编码处理,得到所述训练样本的样本特征;
分别基于所述放疗剂量分布解码器和所述剂量体积直方图解码器对所述样本特征进行解码处理,对应得到预测放疗剂量分布和预测剂量体积直方图;
根据所述训练样本、所述预测放疗剂量分布以及所述预测剂量体积直方图训练所述初始联合预测模型,得到目标联合预测模型;
基于所述目标联合预测模型对待预测图像进行放疗剂量分布和剂量体积直方图的联合预测。
在一些可能的实现方式中,所述训练样本包括历史图像、所述历史图像的历史放疗剂量分布以及所述历史图像的感兴趣区域;所述感兴趣区域包括所述历史图像的危及器官和计划靶区。
在一些可能的实现方式中,所述基于所述共享编码器对所述训练集中的训练样本进行编码处理,得到所述训练样本的样本特征,包括:
基于所述共享编码器对所述训练样本进行卷积处理和下采样处理,得到所述训练样本的样本特征。
在一些可能的实现方式中,所述基于所述放疗剂量分布解码器对所述样本特征进行解码处理,得到预测放疗剂量分布,包括:
基于所述放疗剂量分布解码器对所述样本特征进行上采样处理、卷积处理和跳跃连接,得到所述预测放疗剂量分布;
所述基于所述剂量体积直方图解码器对所述样本特征进行解码处理,得到预测剂量体积直方图,包括:
基于所述剂量体积直方图解码器对所述样本特征进行扁平处理和全连接处理,得到预测剂量体积直方图。
在一些可能的实现方式中,所述根据所述训练样本、所述预测放疗剂量分布以及所述预测剂量体积直方图训练所述初始联合预测模型,得到目标联合预测模型,包括:
设置损失函数,并根据所述训练样本、所述预测放疗剂量分布以及所述预测剂量体积直方图确定所述损失函数的损失值;
根据所述损失值调整所述初始联合预测模型的模型参数,得到过渡联合预测模型;
获取验证集,并通过所述验证集和所述损失函数验证所述过渡联合预测模型是否完成训练,当所述过渡联合预测模型完成训练时,将完成训练的所述过渡联合预测模型作为所述目标联合预测模型。
在一些可能的实现方式中,所述根据所述训练样本、所述预测放疗剂量分布以及所述预测剂量体积直方图确定所述损失函数的损失值,包括:
确定所述预测放疗剂量分布与所述训练样本中的历史放疗剂量分布的第一损失值;
根据所述训练样本中的历史放疗剂量分布以及所述历史图像的感兴趣区域确定历史剂量体积直方图;
确定所述预测剂量体积直方图与所述历史剂量体积直方图的第二损失值;
根据所述预测放疗剂量分布确定估计剂量体积直方图,并确定所述估计剂量体积直方图和所述预测剂量体积直方图的第三损失值;所述第一损失值、所述第二损失值和所述第三损失值之和为所述损失函数的损失值。
在一些可能的实现方式中,在所述基于所述目标联合预测模型对待预测图像进行放疗剂量分布和剂量体积直方图的联合预测之前,还包括:
获取测试集,通过所述测试集判断所述目标联合预测模型的预测性能是否可靠;
则所述基于所述目标联合预测模型对待预测图像进行放疗剂量和剂量体积直方图的联合预测,包括:
当所述目标联合预测模型的预测性能可靠时,基于所述目标联合预测模型对待预测图像进行放疗剂量和剂量体积直方图的联合预测。
另一方面,本发明还提供了一种放疗剂量分布和剂量体积直方图的联合预测装置,包括:
预测模型构建单元,用于构建初始联合预测模型,所述初始联合预测模型包括共享编码器、放疗剂量分布解码器以及剂量体积直方图解码器;
编码处理单元,用于获取训练集,并基于所述共享编码器对所述训练集中的训练样本进行编码处理,得到所述训练样本的样本特征;
解码预测单元,用于分别基于所述放疗剂量分布解码器和所述剂量体积直方图解码器对所述样本特征进行解码处理,对应得到预测放疗剂量分布和预测剂量体积直方图;
模型训练单元,用于根据所述训练样本、所述预测放疗剂量分布以及所述预测剂量体积直方图训练所述初始联合预测模型,得到目标联合预测模型;
联合预测单元,用于基于所述目标联合预测模型对待预测图像进行放疗剂量分布和剂量体积直方图的联合预测。
另一方面,本发明还提供了一种电子设备,包括存储器和处理器,其中,
所述存储器,用于存储程序;
所述处理器,与所述存储器耦合,用于执行所述存储器中存储的所述程序,以实现上述任意实现方式中所述的放疗剂量分布和剂量体积直方图的联合预测方法中的步骤。
另一方面,本发明还提供了一种计算机可读存储介质,用于存储计算机可读取的程序或指令,所述程序或指令被处理器执行时能够实现上述任意实现方式中所述的放疗剂量分布和剂量体积直方图的联合预测方法中的步骤。
采用上述实施例的有益效果是:本发明提供的放疗剂量分布和剂量体积直方图的联合预测方法,通过构建包括共享编码器、放疗剂量分布解码器以及剂量体积直方图解码器的初始联合预测模型,并基于共享编码器对获取的训练样本进行编码处理,得到训练样本的样本特征。通过共享编码器使对训练样本进行编码处理,使初始联合预测模型共用编码器,可降低初始联合预测模型的模型参数数量,简化模型结构。并且,本发明分别基于放疗剂量分布解码器和剂量体积直方图解码器获得预测放疗剂量分布和预测剂量体积直方图,根据训练样本、预测放疗剂量分布以及预测剂量体积直方图训练初始联合预测模型,得到目标联合预测模型,以对待预测图像进行联合预测。使得目标联合预测模型同时兼具放疗剂量分布解码器的放疗剂量分布预测能力和剂量体积直方图解码器的剂量体积直方图预测能力,可提高对放疗剂量分布和剂量体积直方图进行联合预测的预测效率。进一步地,目标联合预测模型相比于现有的单任务深度学习预测模型具有更强的泛化能力,从而可提高目标联合预测模型对待预测图像进行放疗剂量分布和剂量体积直方图的联合预测的精度。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的放疗剂量分布和剂量体积直方图的联合预测方法的一个实施例流程示意图;
图2为本发明提供的初始联合预测模型的一个实施例结构示意图;
图3为本发明图1中S104的一个实施例流程示意图;
图4为本发明图3中S301的一个实施例流程示意图;
图5为本发明提供的放疗剂量分布和剂量体积直方图的联合预测装置的一个实施例结构示意图;
图6为本发明提供的电子设备的一个实施例结构示意图。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有做出创造性劳动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。
在本发明实施例的描述中,除非另有说明,“多个”的含义是两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如:A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。
本发明实施例中所涉及到的“第一”、“第二”等描述仅用于描述目的,而不能理解为指示或者暗示其相对重要性或者隐含指明所指示的技术特征的数量。因此,限定有“第一”、“第二”的技术特征可以明示或者隐含的包括至少一个该特征。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本发明提供了一种放疗剂量分布和剂量体积直方图的联合预测方法及装置,以下分别进行说明。
图1为本发明提供的放疗剂量分布和剂量体积直方图的联合预测方法的一个实施例流程示意图,如图1所示,放疗剂量分布和剂量体积直方图的联合预测方法包括:
S101、构建初始联合预测模型,初始联合预测模型包括共享编码器、放疗剂量分布解码器以及剂量体积直方图解码器;
S102、获取训练集,并基于共享编码器对训练集中的训练样本进行编码处理,得到训练样本的样本特征;
S103、分别基于放疗剂量分布解码器和剂量体积直方图解码器对样本特征进行解码处理,对应得到预测放疗剂量分布和预测剂量体积直方图;
S104、根据训练样本、预测放疗剂量分布以及预测剂量体积直方图训练初始联合预测模型,得到目标联合预测模型;
S105、基于目标联合预测模型对待预测图像进行放疗剂量分布和剂量体积直方图的联合预测。
与现有技术相比,本发明实施例提供的放疗剂量分布和剂量体积直方图的联合预测方法,通过构建包括共享编码器、放疗剂量分布解码器以及剂量体积直方图解码器的初始联合预测模型,并基于共享编码器对获取的训练样本进行编码处理,得到训练样本的样本特征。通过共享编码器使对训练样本进行编码处理,使初始联合预测模型共用编码器,可降低初始联合预测模型的模型参数数量,简化模型结构。并且,本发明实施例分别基于放疗剂量分布解码器和剂量体积直方图解码器获得预测放疗剂量分布和预测剂量体积直方图,根据训练样本、预测放疗剂量分布以及预测剂量体积直方图训练初始联合预测模型,得到目标联合预测模型,以对待预测图像进行联合预测。使得目标联合预测模型同时兼具放疗剂量分布解码器的放疗剂量分布预测能力和剂量体积直方图解码器的剂量体积直方图预测能力,可提高对放疗剂量分布和剂量体积直方图进行联合预测的预测效率。进一步地,目标联合预测模型相比于现有的单任务深度学习预测模型具有更强的泛化能力,从而可提高目标联合预测模型对待预测图像进行放疗剂量分布和剂量体积直方图的联合预测的精度。
应当理解的是:步骤S102中的训练集可从根据事先收集的医院已有的放疗计划构建的数据集中获取。
在本发明的一些实施例中,训练集中的训练样本包括历史图像、历史图像的历史放疗剂量分布以及历史图像的感兴趣区域;感兴趣区域包括历史图像的危及器官(Organs-At-Risk,OAR)和计划靶区(Planning Target Volume,PTV)。
在一些具体实施例中,历史图像可为CT图像。
在本发明的一些实施例中,步骤S102包括:
基于共享编码器对训练样本进行卷积处理和下采样处理,得到样本特征。
在本发明的具体实施例中,如图2所示,初始联合预测模型20包括共享编码器21、与共享编码器21跳跃连接的放疗剂量分布解码器22以及剂量体积直方图解码器23。
共享编码器21对训练样本依次进行卷积处理以及三次下采样处理,得到样本特征。
本发明实施例通过共享编码器21从训练样本中获得样本特征,无需手动提取样本特征,进一步提高放疗剂量分布和剂量体积直方图预测的效率和精度。
在本发明的一些实施例中,步骤S103中的基于放疗剂量分布解码器22对样本特征进行解码处理,得到预测放疗剂量分布,包括:
基于放疗剂量分布解码器22对样本特征进行上采样处理、卷积处理和跳跃连接,得到预测放疗剂量分布;
步骤S103中基于剂量体积直方图解码器23对样本特征进行解码处理,得到预测剂量体积直方图,包括:
基于剂量体积直方图解码器23对样本特征进行扁平处理和全连接解码处理,得到预测剂量体积直方图。
由于剂量体积直方图是根据放疗剂量分布中的多个采样点获得的,本发明实施例通过基于剂量体积直方图解码器23对样本特征进行扁平处理,可将多个采样点的剂量体积组成一个一维向量,实现对剂量体积直方图的端对端预测,进一步提高对剂量体积直方图预测的效率。
在本发明的一些实施例中,如图3所示,步骤S104包括:
S301、设置损失函数,并根据训练样本、预测放疗剂量分布以及预测剂量体积直方图确定损失函数的损失值;
S302、根据损失值调整初始联合预测模型的模型参数,得到过渡联合预测模型;
S303、获取验证集,并通过验证集和损失函数验证过渡联合预测模型是否完成训练,当过渡联合预测模型完成训练时,将完成训练的过渡联合预测模型作为目标联合预测模型。
其中,步骤S303中的验证集也可从根据事先收集的医院已有的放疗计划构建的数据集中获取。
应当理解的是:步骤S302中的模型参数可以是卷积处理过程中的卷积核大小、下采样处理过程中的下采样参数、上采样处理过程中的上采样参数等,在此不做一一赘述。
在本发明的一些实施例中,步骤S301中的损失函数为三个子损失函数之和。三个子损失函数分别为:预测放疗剂量分布与训练样本中的历史放疗剂量分布之间的第一子损失函数、预测剂量体积直方图与历史剂量体积直方图之间的第二子损失函数以及根据预测放疗剂量分布确定出的估计剂量体积直方图和预测剂量体积直方图之间的第三子损失函数。
本发明实施例通过在第一子损失函数和第二子损失函数的基础上,增加第三子损失函数,共同构成初始联合预测模型的损失函数,考虑了初始联合预测模型的一致性损失,可进一步提高训练好的目标联合预测模型对放疗剂量分布和剂量体积直方图进行预测的预测精度。
在本发明的具体实施例中,如图4所示,步骤S301包括:
S401、确定预测放疗剂量分布与训练样本中的历史放疗剂量分布的第一损失值;
S402、根据训练样本中的历史放疗剂量分布以及历史图像的感兴趣区域确定历史剂量体积直方图;
S403、确定预测剂量体积直方图与历史剂量体积直方图的第二损失值;
S404、根据预测放疗剂量分布确定估计剂量体积直方图,并确定估计剂量体积直方图和预测剂量体积直方图的第三损失值;第一损失值、第二损失值和第三损失值之和为损失函数的损失值。
在本发明的一些实施例中,步骤S401中的第一损失值为预测放疗剂量分布和历史放疗剂量分布之间的均方误差。步骤S403中的第二损失值为预测剂量体积直方图与历史剂量体积直方图之间的平均绝对误差。步骤S404中的第三损失值为估计剂量体积直方图和预测剂量体积直方图之间的平均绝对误差。
具体地,预测放疗剂量分布和历史放疗剂量分布之间的均方误差为:
预测剂量体积直方图与历史剂量体积直方图之间的平均绝对误差为:
式中,MAE为预测剂量体积直方图与历史剂量体积直方图之间的平均绝对误差;m为预测剂量体积直方图或历史剂量体积直方图中的采样点个数;为预测剂量体积直方图中各采样点的剂量体积;xi为历史剂量体积直方图中各采样点的剂量体积;||为绝对值函数。
其中,估计剂量体积直方图和预测剂量体积直方图之间的平均绝对误差与预测剂量体积直方图与历史剂量体积直方图之间的平均绝对误差的计算公式相同,在此不做赘述。
在本发明的一些实施例中,步骤S303中的验证样本与步骤S102中的训练样本相同。
并且,步骤S303中的通过验证样本和损失函数验证过渡联合预测模型是否完成训练,具体为:
过渡联合预测模型经过预设个数的训练样本训练后,使用验证样本评估当前过渡联合预测模型的损失函数的损失值。当当前过渡联合预测模型的损失值相比于上次过渡联合预测模型的损失值没有下降时,则当前过渡联合预测模型完成训练。
为了进一步确保目标联合预测模型对待预测图像的放疗剂量分布和剂量体积直方图预测的精度,在本发明的一些实施例中,在步骤S105之前还包括:
获取测试集,通过测试集判断目标联合预测模型的预测性能是否可靠。
其中,测试集包括多个测试样本,测试样本与步骤S102中的训练样本相同。
则通过测试集判断目标联合预测模型的预测性能是否可靠可具体为:
将测试集中的测试样本输入至目标联合预测模型中,获得预测放疗剂量分布和预测剂量体积直方图;
基于预测放疗剂量分布、预测剂量体积直方图、历史放疗剂量分布、历史剂量体积直方图和损失函数确定损失值;
当损失值小于阈值损失值时,目标联合预测模型的预测性能可靠。
应当理解的是:阈值损失值可根据实际情况进行调整,在此不做赘述。
在经过测试集对目标联合预测模型的预测性能的可靠性进行判断后,步骤S105具体为:
当目标联合预测模型的预测性能可靠时,基于目标联合预测模型对待预测图像进行放疗剂量和剂量体积直方图的联合预测。
本发明实施例通过测试集测试目标联合预测模型的预测性能,可进一步确保目标联合预测模型对待预测图像的放疗剂量分布和剂量体积直方图的联合预测的预测精度。
为了更好实施本发明实施例中的放疗剂量分布和剂量体积直方图的联合预测方法,在放疗剂量分布和剂量体积直方图的联合预测方法基础之上,对应的,如图5所示,本发明实施例还提供了一种放疗剂量分布和剂量体积直方图的联合预测装置,放疗剂量分布和剂量体积直方图的联合预测装置500包括:
预测模型构建单元501,用于构建初始联合预测模型,初始联合预测模型包括共享编码器、放疗剂量分布解码器以及剂量体积直方图解码器;
编码处理单元502,用于获取训练集,并基于共享编码器对训练集中的训练样本进行编码处理,得到训练样本的样本特征;
解码预测单元503,用于分别基于放疗剂量分布解码器和剂量体积直方图解码器对样本特征进行解码处理,对应得到预测放疗剂量分布和预测剂量体积直方图;
模型训练单元504,用于根据训练样本、预测放疗剂量分布以及预测剂量体积直方图训练初始联合预测模型,得到目标联合预测模型;
联合预测单元505,用于基于目标联合预测模型对待预测图像进行放疗剂量分布和剂量体积直方图的联合预测。
上述实施例提供的放疗剂量分布和剂量体积直方图的联合预测装置500可实现上述放疗剂量分布和剂量体积直方图的联合预测方法实施例中描述的技术方案,上述各模块或单元具体实现的原理可参见上述放疗剂量分布和剂量体积直方图的联合预测方法实施例中的相应内容,此处不再赘述。
如图6所示,本发明还相应提供了一种电子设备600。该电子设备600包括处理器601、存储器602及显示器603。图6仅示出了电子设备600的部分组件,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。
处理器601在一些实施例中可以是一中央处理器(Central Processing Unit,CPU),微处理器或其他数据处理芯片,用于运行存储器602中存储的程序代码或处理数据,例如本发明中的放疗剂量分布和剂量体积直方图的联合预测方法。
在一些实施例中,处理器601可以是单个服务器或服务器组。服务器组可为集中式或分布式的。在一些实施例中,处理器601可为本地的或远程的。在一些实施例中,处理器601可实施于云平台。在一实施例中,云平台可包括私有云、公共云、混合云、社区云、分布式云、内部间、多重云等,或以上的任意组合。
存储器602在一些实施例中可以是电子设备600的内部存储单元,例如电子设备600的硬盘或内存。存储器602在另一些实施例中也可以是电子设备600的外部存储设备,例如电子设备600上配备的插接式硬盘,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,存储器602还可既包括电子设备600的内部储存单元也包括外部存储设备。存储器602用于存储安装电子设备600的应用软件及各类数据。
显示器603在一些实施例中可以是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。显示器603用于显示在电子设备600的信息以及用于显示可视化的用户界面。电子设备600的部件601-603通过系统总线相互通信。
在一实施例中,当处理器601执行存储器602中的放疗剂量分布和剂量体积直方图的联合预测程序时,可实现以下步骤:
构建初始联合预测模型,初始联合预测模型包括共享编码器、放疗剂量分布解码器以及剂量体积直方图解码器;
获取训练集,并基于共享编码器对训练集中的训练样本进行编码处理,得到训练样本的样本特征;
基于放疗剂量分布解码器对样本特征进行解码处理,得到预测放疗剂量分布,并基于剂量体积直方图解码器对样本特征进行解码处理,得到预测剂量体积直方图;
根据训练样本、预测放疗剂量分布以及预测剂量体积直方图训练初始联合预测模型,得到目标联合预测模型;
基于目标联合预测模型对待预测图像进行放疗剂量分布和剂量体积直方图的联合预测。
应当理解的是:处理器601在执行存储器602中的放疗剂量分布和剂量体积直方图的联合预测程序时,除了上面的功能之外,还可实现其它功能,具体可参见前面相应方法实施例的描述。
进一步地,本发明实施例对提及的电子设备600的类型不做具体限定,电子设备600可以为手机、平板电脑、个人数字助理(personal digitalassistant,PDA)、可穿戴设备、膝上型计算机(laptop)等便携式电子设备。便携式电子设备的示例性实施例包括但不限于搭载IOS、android、microsoft或者其他操作系统的便携式电子设备。上述便携式电子设备也可以是其他便携式电子设备,诸如具有触敏表面(例如触控面板)的膝上型计算机(laptop)等。还应当理解的是,在本发明其他一些实施例中,电子设备600也可以不是便携式电子设备,而是具有触敏表面(例如触控面板)的台式计算机。
相应地,本申请实施例还提供一种计算机可读存储介质,计算机可读存储介质用于存储计算机可读取的程序或指令,程序或指令被处理器执行时,能够实现上述各方法实施例提供的放疗剂量分布和剂量体积直方图的联合预测方法中的步骤或功能。
本领域技术人员可以理解,实现上述实施例方法的全部或部分流程,可以通过计算机程序来指令相关的硬件(如处理器,控制器等)来完成,计算机程序可存储于计算机可读存储介质中。其中,计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上对本发明所提供的放疗剂量分布和剂量体积直方图的联合预测及装置进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种放疗剂量分布和剂量体积直方图的联合预测方法,其特征在于,包括:
构建初始联合预测模型,所述初始联合预测模型包括共享编码器、放疗剂量分布解码器以及剂量体积直方图解码器;
获取训练集,并基于所述共享编码器对所述训练集中的训练样本进行编码处理,得到所述训练样本的样本特征;
分别基于所述放疗剂量分布解码器和所述剂量体积直方图解码器对所述样本特征进行解码处理,对应得到预测放疗剂量分布和预测剂量体积直方图;
根据所述训练样本、所述预测放疗剂量分布以及所述预测剂量体积直方图训练所述初始联合预测模型,得到目标联合预测模型;
基于所述目标联合预测模型对待预测图像进行放疗剂量分布和剂量体积直方图的联合预测。
2.根据权利要求1所述的放疗剂量分布和剂量体积直方图的联合预测方法,其特征在于,所述训练样本包括历史图像、所述历史图像的历史放疗剂量分布以及所述历史图像的感兴趣区域;所述感兴趣区域包括所述历史图像的危及器官和计划靶区。
3.根据权利要求2所述的放疗剂量分布和剂量体积直方图的联合预测方法,其特征在于,所述基于所述共享编码器对所述训练集中的训练样本进行编码处理,得到所述训练样本的样本特征,包括:
基于所述共享编码器对所述训练样本进行卷积处理和下采样处理,得到所述训练样本的样本特征。
4.根据权利要求2所述的放疗剂量分布和剂量体积直方图的联合预测方法,其特征在于,所述基于所述放疗剂量分布解码器对所述样本特征进行解码处理,得到预测放疗剂量分布,包括:
基于所述放疗剂量分布解码器对所述样本特征进行上采样处理、卷积处理和跳跃连接,得到所述预测放疗剂量分布;
所述基于所述剂量体积直方图解码器对所述样本特征进行解码处理,得到预测剂量体积直方图,包括:
基于所述剂量体积直方图解码器对所述样本特征进行扁平处理和全连接处理,得到预测剂量体积直方图。
5.根据权利要求2所述的放疗剂量分布和剂量体积直方图的联合预测方法,其特征在于,所述根据所述训练样本、所述预测放疗剂量分布以及所述预测剂量体积直方图训练所述初始联合预测模型,得到目标联合预测模型,包括:
设置损失函数,并根据所述训练样本、所述预测放疗剂量分布以及所述预测剂量体积直方图确定所述损失函数的损失值;
根据所述损失值调整所述初始联合预测模型的模型参数,得到过渡联合预测模型;
获取验证集,并通过所述验证集和所述损失函数验证所述过渡联合预测模型是否完成训练,当所述过渡联合预测模型完成训练时,将完成训练的所述过渡联合预测模型作为所述目标联合预测模型。
6.根据权利要求5所述的放疗剂量分布和剂量体积直方图的联合预测方法,其特征在于,所述根据所述训练样本、所述预测放疗剂量分布以及所述预测剂量体积直方图确定所述损失函数的损失值,包括:
确定所述预测放疗剂量分布与所述训练样本中的历史放疗剂量分布的第一损失值;
根据所述训练样本中的历史放疗剂量分布以及所述历史图像的感兴趣区域确定历史剂量体积直方图;
确定所述预测剂量体积直方图与所述历史剂量体积直方图的第二损失值;
根据所述预测放疗剂量分布确定估计剂量体积直方图,并确定所述估计剂量体积直方图和所述预测剂量体积直方图的第三损失值;所述第一损失值、所述第二损失值和所述第三损失值之和为所述损失函数的损失值。
7.根据权利要求1所述的放疗剂量分布和剂量体积直方图的联合预测方法,其特征在于,在所述基于所述目标联合预测模型对待预测图像进行放疗剂量分布和剂量体积直方图的联合预测之前,还包括:
获取测试集,通过所述测试集判断所述目标联合预测模型的预测性能是否可靠;
则所述基于所述目标联合预测模型对待预测图像进行放疗剂量和剂量体积直方图的联合预测,包括:
当所述目标联合预测模型的预测性能可靠时,基于所述目标联合预测模型对待预测图像进行放疗剂量和剂量体积直方图的联合预测。
8.一种放疗剂量分布和剂量体积直方图的联合预测装置,其特征在于,包括:
预测模型构建单元,用于构建初始联合预测模型,所述初始联合预测模型包括共享编码器、放疗剂量分布解码器以及剂量体积直方图解码器;
编码处理单元,用于获取训练集,并基于所述共享编码器对所述训练集中的训练样本进行编码处理,得到所述训练样本的样本特征;
解码预测单元,用于分别基于所述放疗剂量分布解码器和所述剂量体积直方图解码器对所述样本特征进行解码处理,对应得到预测放疗剂量分布和预测剂量体积直方图;
模型训练单元,用于根据所述训练样本、所述预测放疗剂量分布以及所述预测剂量体积直方图训练所述初始联合预测模型,得到目标联合预测模型;
联合预测单元,用于基于所述目标联合预测模型对待预测图像进行放疗剂量分布和剂量体积直方图的联合预测。
9.一种电子设备,其特征在于,包括存储器和处理器,其中,
所述存储器,用于存储程序;
所述处理器,与所述存储器耦合,用于执行所述存储器中存储的所述程序,以实现上述权利要求1至7中任意一项所述的放疗剂量分布和剂量体积直方图的联合预测方法中的步骤。
10.一种计算机可读存储介质,其特征在于,用于存储计算机可读取的程序或指令,所述程序或指令被处理器执行时能够实现上述权利要求1至7中任意一项所述的放疗剂量分布和剂量体积直方图的联合预测方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111558680.5A CN114236589A (zh) | 2021-12-17 | 2021-12-17 | 放疗剂量分布和剂量体积直方图的联合预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111558680.5A CN114236589A (zh) | 2021-12-17 | 2021-12-17 | 放疗剂量分布和剂量体积直方图的联合预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114236589A true CN114236589A (zh) | 2022-03-25 |
Family
ID=80758870
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111558680.5A Pending CN114236589A (zh) | 2021-12-17 | 2021-12-17 | 放疗剂量分布和剂量体积直方图的联合预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114236589A (zh) |
Cited By (1)
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 |
-
2021
- 2021-12-17 CN CN202111558680.5A patent/CN114236589A/zh active Pending
Cited By (2)
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10765888B2 (en) | System and method for automatic treatment planning | |
RU2720440C1 (ru) | Способ сегментации изображения с использованием нейронной сети | |
RU2720070C1 (ru) | Системы и способы сегментации изображения с использованием свёрточной нейронной сети | |
Wu et al. | Skin cancer classification with deep learning: a systematic review | |
JP6782051B2 (ja) | オンライン学習により強化されたアトラスベース自動セグメンテーション | |
CN112102221A (zh) | 用于检测肿瘤的3D UNet网络模型构建方法、装置及存储介质 | |
US9953416B2 (en) | Portal dosimetry system | |
Pastor-Serrano et al. | Millisecond speed deep learning based proton dose calculation with Monte Carlo accuracy | |
US11790528B2 (en) | Preoperative survival prediction method based on enhanced medical images and computing device using thereof | |
AU2019449346A1 (en) | Radiotherapy plan parameters with privacy guarantees | |
CN109448858A (zh) | 结直肠癌医疗数据处理方法及装置、存储介质、电子设备 | |
CN114236589A (zh) | 放疗剂量分布和剂量体积直方图的联合预测方法及装置 | |
Chen et al. | Designing personalized treatment plans for breast cancer | |
US11040219B2 (en) | Clinical target volume delineation method and electronic device | |
CN113764101A (zh) | 基于cnn的乳腺癌新辅助化疗多模态超声诊断系统 | |
WO2019025656A1 (es) | Método para predecir o pronosticar el riesgo de muerte o vasoespasmo de un paciente con hemorragia subaracnoidea | |
CN114036755A (zh) | 一种效果预测方法、装置、存储介质及电子设备 | |
Uetani et al. | Statistical shape model of the liver and its application to computer‐aided diagnosis of liver cirrhosis | |
CN117593322B (zh) | 靶区自动勾画方法、装置、电子设备和可读存储介质 | |
Iqbal et al. | AIM in Oncology | |
LETZEN et al. | AI in IO: big data, outcome repositories, and clinical applications | |
US20230386022A1 (en) | Dynamic multimodal segmentation selection and fusion | |
Kalsi et al. | The Evolving Role of Artificial Intelligence in Radiotherapy Treatment Planning–A Literature Review The Evolving Role of AI in Radiotherapy Treatment Planning | |
Zhang et al. | Generalizable and promptable artificial intelligence model to augment clinical delineation in radiation oncology | |
Iqbal et al. | AIM in Oncology |
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 |