CN114446440A - 放疗计划的确定方法和装置、存储介质及处理器 - Google Patents
放疗计划的确定方法和装置、存储介质及处理器 Download PDFInfo
- Publication number
- CN114446440A CN114446440A CN202210109188.8A CN202210109188A CN114446440A CN 114446440 A CN114446440 A CN 114446440A CN 202210109188 A CN202210109188 A CN 202210109188A CN 114446440 A CN114446440 A CN 114446440A
- Authority
- CN
- China
- Prior art keywords
- target
- result
- delineation
- model
- plan
- 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
- 238000001959 radiotherapy Methods 0.000 title claims abstract description 159
- 238000000034 method Methods 0.000 title claims abstract description 106
- 238000003860 storage Methods 0.000 title claims abstract description 21
- 238000012549 training Methods 0.000 claims description 141
- 230000006870 function Effects 0.000 claims description 19
- 238000012986 modification Methods 0.000 claims description 17
- 230000004048 modification Effects 0.000 claims description 17
- 238000012550 audit Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000002595 magnetic resonance imaging Methods 0.000 description 18
- 230000008569 process Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 12
- 238000004590 computer program Methods 0.000 description 10
- 230000003044 adaptive effect Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 210000000056 organ Anatomy 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 208000037146 Atypical Timothy syndrome Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 208000037498 atypical type Timothy syndrome Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000004980 dosimetry Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 230000003068 static effect Effects 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
-
- 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
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Urology & Nephrology (AREA)
- Surgery (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Radiation-Therapy Devices (AREA)
Abstract
本申请公开了一种放疗计划的确定方法和装置、存储介质及处理器。该方法包括：对目标患者拍摄用于做参考计划的医学影像一，并对医学影像一进行感兴趣区域勾画，得到勾画结果一；依据勾画结果一生成放疗计划，得到参考计划；对参考计划进行审核，在参考计划通过审核的情况下，对目标患者拍摄医学影像二，将医学影像二与医学影像一进行配准，得到配准结果；在勾画平台中，勾画结果一基于配准结果对医学影像二进行感兴趣区域勾画，得到勾画结果二；依据勾画结果二和参考计划确定目标放疗计划。通过本申请，解决了相关技术中设计自适应放疗计划太过耗时的问题。
Description
技术领域
本申请涉及医疗技术领域，具体而言，涉及一种放疗计划的确定方法和装置、存储介质及处理器。
背景技术
放射治疗是目前临床上三大肿瘤治疗手段之一。现代放疗有着一套完整的治疗流程，主要包括危机器官以及靶区的勾画，根据剂量学原理制定放疗计划，计划实施等。其中，靶区和危机器官勾画对放射治疗的精确度和疗效有着至关重要的影响，直接决定了放疗计划的精确程度。目前的靶区和危机器官勾画工作通常由医生、物理师手工完成，极大的浪费了医生、物理师的时间和精力。更重要的是，目前的放疗流程里，勾画工作通常只在第一次治疗前完成，之后的每次治疗都是以第一次的治疗计划为模板，结合患者的当日影像进行刚性配准后评估并实施。由于患者体内的器官每天都在发生少量的位移和体积变化，这种方式在剂量的实施上并不能做到自适应。
针对这一问题，现有技术中推出了Unity MR-linac，以磁共振成像(MR)作为引导，在每次治疗之前会将第一次的治疗计划的ROI与当日影像的ROI进行柔性配准，而这需要先对当日影像进行完整的靶区和危机器官的ROI进行病灶勾画，来达到精准的自适应放疗。目前MR-linac的流程如图1所示，在设计自适应计划中勾画、配准以及评估过程太过耗时，所以无法在临床上大规模应用。
针对相关技术中设计自适应放疗计划太过耗时的问题，目前尚未提出有效的解决方案。
发明内容
本申请的主要目的在于提供一种放疗计划的确定方法和装置、存储介质及处理器，以解决相关技术中设计自适应放疗计划太过耗时的问题。
为了实现上述目的，根据本申请的一个方面，提供了一种放疗计划的确定方法。该方法包括：对目标患者拍摄用于做参考计划的医学影像一，并对所述医学影像一进行感兴趣区域勾画，得到勾画结果一；依据所述勾画结果一生成放疗计划，得到参考计划；对所述参考计划进行审核，在所述参考计划通过审核的情况下，对所述目标患者拍摄医学影像二，将所述医学影像二与所述医学影像一进行配准，得到配准结果；在勾画平台中，所述勾画结果一基于所述配准结果对所述医学影像二进行感兴趣区域勾画，得到勾画结果二；依据所述勾画结果二和所述参考计划确定目标放疗计划。
进一步地，在依据所述勾画结果二和所述参考计划确定目标放疗计划之后，所述方法还包括：对所述目标放疗计划进行审核；在所述目标放疗计划通过审核之后，通过所述勾画平台获取所述勾画结果二，并将所述勾画结果二发送至模型训练平台，在所述模型训练平台中依据所述勾画结果二进行学习训练，生成目标模型；将所述目标模型发送至所述勾画平台。
进一步地，在将所述目标模型发送至所述勾画平台之后，所述方法还包括：在所述目标患者进行第N次放疗前，获取所述目标患者的当日医学影像，其中，N为大于1的自然数；在所述勾画平台中，采用所述目标模型对所述当日医学影像进行感兴趣区域勾画，得到目标勾画结果；基于所述目标勾画结果，生成所述目标患者当日的目标放疗计划。
进一步地，在基于所述目标勾画结果，生成所述目标患者当日的目标放疗计划之后，所述方法还包括：将所述勾画结果二和所述目标勾画结果发送至所述模型训练平台，在所述模型训练平台中依据所述勾画结果二和所述目标勾画结果进行学习训练，以更新所述目标模型；将更新后的目标模型发送至所述勾画平台。
进一步地，在所述模型训练平台中依据所述勾画结果二和所述目标勾画结果进行学习训练，以更新所述目标模型包括：获得训练数据集，其中，所述训练数据集由所述勾画结果二和所述目标勾画结果组成；构建学生模型和教师模型，并使用预训练权重来初始化所述学生模型和所述教师模型，进入以下训练循环：I，使用所述学生模型和所述教师模型分别对所述训练数据集中的图像进行特征提取，得到特征一和特征二；II，将所述特征一和所述训练数据集中的勾画结果进行计算，得到约束条件一；III，分别对所述特征一和所述特征二进行描述算子计算，得到描述一和描述二，其中，所述描述算子为以下至少之一：体积、质心、各像素点到质心的距离、轮廓长度，对所述描述一和所述描述二进行计算，得到约束条件二；IV，使用所述约束条件一和所述约束条件二对所述学生模型的权重进行更新；V，使用更新后的学生模型的权重对所述教师模型进行更新，其中，更新方式为指数滑动平均法；重复I至V个步骤，直到训练完成，由所述教师模型来生成所述目标模型。
进一步地，获取预训练权重的方法为以下至少之一：监督学习、半监督学习、无监督学习。
进一步地，若获取预训练权重的方法为无监督学习，获取学生模型的权重包括：获取多种不同模态的医学影像的数据作为训练集；在迭代开始前，随机抽取所述训练集中的一个样本，并对所述样本做两次随机增强，得到两个增强后的样本A和B；将样本A和B输入编码模型，得到特征编码X和Y；将特征编码X和Y输入投影模型，得到投影后的特征编码XX和YY，对XX和YY计算欧式距离或余弦相似度，作为损失函数；采用所述损失函数对学生模型进行更新，得到所述学生模型的权重。
进一步地，依据所述勾画结果二和所述参考计划确定目标放疗计划之前，所述方法还包括：若检测到对所述勾画结果的修改指令；响应所述修改指令，对所述勾画结果二进行修改，得到修改后的勾画结果二；依据所述勾画结果二和所述参考计划确定目标放疗计划包括：依据所述修改后的勾画结果二和所述参考计划确定目标放疗计划。
为了实现上述目的，根据本申请的另一方面，提供了一种放疗计划的确定装置。该装置包括：第一勾画单元，用于对目标患者拍摄用于做参考计划的医学影像一，并对所述医学影像一进行感兴趣区域勾画，得到勾画结果一；第一构建单元，用于依据所述勾画结果一生成放疗计划，得到参考计划；配准单元，用于对所述参考计划进行审核，在所述参考计划通过审核的情况下，对所述目标患者拍摄医学影像二，将所述医学影像二与所述医学影像一进行配准，得到配准结果；第二勾画单元，用于在勾画平台中，所述勾画结果一基于所述配准结果对所述医学影像二进行感兴趣区域勾画，得到勾画结果二；确定单元，用于依据所述勾画结果二和所述参考计划确定目标放疗计划。
进一步地，所述装置还包括：审核单元，用于在依据所述勾画结果二和所述参考计划确定目标放疗计划之后，对所述目标放疗计划进行审核；第一获取单元，用于在所述目标放疗计划通过审核之后，通过所述勾画平台获取所述勾画结果二，并将所述勾画结果二发送至模型训练平台，在所述模型训练平台中依据所述勾画结果二进行学习训练，生成目标模型；第一发送单元，用于将所述目标模型发送至所述勾画平台。
进一步地，所述装置还包括：第二获取单元，用于在将所述目标模型发送至所述勾画平台之后，在所述目标患者进行第N次放疗前，获取所述目标患者的当日医学影像，其中，N为大于1的自然数；第三勾画单元，用于在所述勾画平台中，采用所述目标模型对所述当日医学影像进行感兴趣区域勾画，得到目标勾画结果；第二构建单元，用于基于所述目标勾画结果，生成所述目标患者当日的目标放疗计划。
进一步地，所述装置还包括：训练单元，用于在基于所述目标勾画结果，生成所述目标患者当日的目标放疗计划之后，将所述勾画结果二和所述目标勾画结果发送至所述模型训练平台，在所述模型训练平台中依据所述勾画结果二和所述目标勾画结果进行学习训练，以更新所述目标模型；第二发送单元，用于将更新后的目标模型发送至所述勾画平台。
进一步地，所述训练单元包括：第一获取子单元，用于获得训练数据集，其中，所述训练数据集由所述勾画结果二和所述目标勾画结果组成；第二获取子单元，用于构建子单元，用于构建学生模型和教师模型，并使用所述预训练权重来初始化所述学生模型和所述教师模型，进入以下训练循环：提取子单元，用于使用所述学生模型和所述教师模型分别对所述训练数据集中的图像进行特征提取，得到特征一和特征二；第一计算子单元，用于将所述特征一和所述训练数据集中的勾画结果进行计算，得到约束条件一；第二计算子单元，用于分别对所述特征一和所述特征二进行描述算子计算，得到描述一和描述二，其中，所述描述算子为以下至少之一：体积、质心、各像素点到质心的距离、轮廓长度，对所述描述一和所述描述二进行计算，得到约束条件二；第一更新子单元，用于使用所述约束条件一和所述约束条件二对所述学生模型的权重进行更新；第二更新子单元，用于使用更新后的学生模型的权重对所述教师模型进行更新，其中，更新方式为指数滑动平均法；重复所述提取子单元，所述第一计算子单元，所述第二计算子单元，所述第一更新子单元和所述第二更新子单元，直到训练完成，由所述教师模型来生成所述目标模型。
进一步地，获取预训练权重的方法为以下至少之一：监督学习、半监督学习、无监督学习。进一步地，若获取预训练权重的方法为无监督学习，所述构建子单元包括：获取模块，用于获取多种不同模态的医学影像的数据作为训练集；抽取模块，用于在迭代开始前，随机抽取所述训练集中的一个样本，并对所述样本做两次随机增强，得到两个增强后的样本A和B；输入模块，用于将样本A和B输入编码模型，得到特征编码X和Y；计算模块，用于将特征编码X和Y输入投影模型，得到投影后的特征编码XX和YY，对XX和YY计算欧式距离或余弦相似度，作为损失函数；更新模块，用于采用所述损失函数对学生模型进行更新，得到所述学生模型的权重。
进一步地，所述装置还包括：检测单元，用于依据所述勾画结果二和所述参考计划确定目标放疗计划之前，若检测到对所述勾画结果的修改指令；响应所述修改指令，对所述勾画结果二进行修改，得到修改后的勾画结果二；所述确定单元，还用于依据所述修改后的勾画结果二和所述参考计划确定目标放疗计划。
为了实现上述目的，根据本申请的另一方面，还提供了一种计算机可读存储介质，所述存储介质存储程序，其中，在所述程序运行时控制所述存储介质所在设备执行上述任意一项所述的放疗计划的确定方法。
为了实现上述目的，根据本申请的另一方面，还提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述任意一项所述的放疗计划的确定方法。
通过本申请，采用以下步骤：对目标患者拍摄用于做参考计划的医学影像一，并对医学影像一进行感兴趣区域勾画，得到勾画结果一；依据勾画结果一生成放疗计划，得到参考计划；对参考计划进行审核，在参考计划通过审核的情况下，对目标患者拍摄医学影像二，将医学影像二与医学影像一进行配准，得到配准结果，其中，医学影像二与医学影像一为不同模态的医学影像；在勾画平台中，勾画结果一基于配准结果对医学影像二进行感兴趣区域勾画，得到勾画结果二；依据勾画结果二和参考计划确定目标放疗计划，解决了相关技术中设计自适应放疗计划太过耗时的问题。整个过程流程自动化，避免了手工勾画，减少了医生、物理师的工作量，减少了设计自适应放疗计划的时间，进而大幅度缩短了自适应放疗流程所需时间的效果。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是现有技术中MR-linac的流程的示意图；
图2是根据本申请实施例提供的放疗计划的确定方法的流程图；
图3是根据本申请实施例提供的可选的放疗计划的确定方法的示意图一；
图4是根据本申请实施例提供的可选的放疗计划的确定方法的示意图二；
图5是根据本申请实施例提供的放疗计划的确定装置的示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请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申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通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，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
下面结合优选的实施步骤对本发明进行说明，图2是根据本申请实施例提供的放疗计划的确定方法的流程图，如图2所示，该方法包括如下步骤：
步骤S101，对目标患者拍摄用于做参考计划的医学影像一，并对医学影像一进行感兴趣区域勾画，得到勾画结果一。
例如，用于做参考计划的医学影像一可以为CT影像，上述的感兴趣区域可以为危机器官、病灶和/或靶区的区域，对目标患者拍摄的CT影像进行感兴趣区域的勾画，得到勾画结果一。需要说明的是，在本申请中，医学影像一不限定为CT影像，还可以为其它可以为所述目标患者作定位影像的医学影像，在本申请中不作限定。
步骤S102，依据勾画结果一生成放疗计划，得到参考计划。
步骤S103，对参考计划进行审核，在参考计划通过审核的情况下，对目标患者拍摄医学影像二，将医学影像二与医学影像一进行配准，得到配准结果。
上述的审核可以为参考计划经过医生观阅后的审批，医学影像二可以为MR影像，当然，医学影像二不限定为MR影像，在本申请中不作限定。
步骤S104，在勾画平台中，勾画结果一基于配准结果对医学影像二进行感兴趣区域勾画，得到勾画结果二。
步骤S105，依据勾画结果二和参考计划确定目标放疗计划。
上述步骤S101至步骤S105，整个过程流程自动化，避免了手工勾画，减少了医生、物理师的工作量，减少了设计自适应放疗计划的时间，进而大幅度缩短了自适应放疗流程所需时间的效果。
可选地，在本申请实施例提供的放疗计划的确定方法中，在依据勾画结果二和参考计划确定目标放疗计划之后，该方法还包括：对目标放疗计划进行审核；在目标放疗计划通过审核之后，通过勾画平台获取勾画结果二，并将勾画结果二发送至模型训练平台，在模型训练平台中依据勾画结果二进行学习训练，生成目标模型；将目标模型发送至勾画平台。
通过上述方案，在得到目标放疗计划之后，可以经过医生观阅后进行审批操作，在目标放疗计划通过审核之后，通过勾画平台获取勾画结果二，在模型训练平台中依据勾画结果二进行学习训练生成目标模型，并将目标模型发送至勾画平台，后续在勾画平台采用该目标模型对需要勾画的医学影像进行勾画，提升了医学影像的勾画效率。
可选地，在本申请实施例提供的放疗计划的确定方法中，在将目标模型发送至勾画平台之后，该方法还包括：在目标患者进行第N次放疗前，获取目标患者的当日医学影像，其中，N为大于1的自然数；在勾画平台中，采用目标模型对当日医学影像进行感兴趣区域勾画，得到目标勾画结果；基于目标勾画结果，生成目标患者当日的目标放疗计划。
在目标患者进行第N次放疗前，对目标患者会拍摄当日医学影像，例如，对目标患者拍摄了当日的MR影像，在勾画平台中，采用预先生成的目标模型对MR影像进行感兴趣区域勾画，得到目标勾画结果；基于目标勾画结果，生成目标患者当日的目标放疗计划，因此，实现了基于目标患者的当日医学影像快速确定目标患者当日的目标放疗计划的技术效果。
可选地，在本申请实施例提供的放疗计划的确定方法中，在基于目标勾画结果，生成目标患者当日的目标放疗计划之后，该方法还包括：将勾画结果二和目标勾画结果发送至模型训练平台，在模型训练平台中依据勾画结果二和目标勾画结果进行学习训练，以更新目标模型；将更新后的目标模型发送至勾画平台。
为了保证目标模型勾画的准确性，在本申请中，在生成目标患者当日的目标放疗计划之后，基于勾画结果对目标模型进行迭代，在模型训练平台中依据勾画结果二和目标勾画结果进行学习训练，更新目标模型，将更新后的目标模型发送至勾画平台，从而提升了目标模型勾画的准确性。
可选地，在本申请实施例提供的放疗计划的确定方法中，在模型训练平台中依据勾画结果二和目标勾画结果进行学习训练，以更新目标模型包括：获得训练数据集，其中，训练数据集由勾画结果二和目标勾画结果组成；构建学生模型和教师模型，并使用预训练权重来初始化学生模型和教师模型，进入以下训练循环：I，使用学生模型和教师模型分别对训练数据集中的图像进行特征提取，得到特征一和特征二；II，将特征一和训练数据集中的勾画结果进行计算，得到约束条件一；III，分别对特征一和特征二进行描述算子计算，得到描述一和描述二，其中，描述算子为以下至少之一：体积、质心、各像素点到质心的距离、轮廓长度，对描述一和描述二进行计算，得到约束条件二；IV，使用约束条件一和约束条件二对学生模型的权重进行更新；V，使用更新后的学生模型的权重对教师模型进行更新，其中，更新方式为指数滑动平均法；重复I至V个步骤，直到训练完成，由所述教师模型来生成所述目标模型。
通过上述方案，提出了一种获得目标模型的方式，保证了方案可行性，从而保证后续能够采用目标模型提升勾画效率。
可选地，在本申请实施例提供的放疗计划的确定方法中，获取预训练权重的方法为以下至少之一：监督学习、半监督学习、无监督学习。
可选地，在本申请实施例提供的放疗计划的确定方法中，若获取预训练权重的方法为无监督学习，获取学生模型的权重包括：获取多种不同模态的医学影像的数据作为训练集；在迭代开始前，随机抽取训练集中的一个样本，并对样本做两次随机增强，得到两个增强后的样本A和B；将样本A和B输入编码模型，得到特征编码X和Y；将特征编码X和Y输入投影模型，得到投影后的特征编码XX和YY，对XX和YY计算欧式距离或余弦相似度，作为损失函数；采用损失函数对学生模型进行更新，得到学生模型的权重。
通过上述方案，提出了一种获得学生模型的权重的方式，保证了方案可行性，从而保证后续能够采用学生模型的权重更新目标模型。
可选地，在本申请实施例提供的放疗计划的确定方法中，依据勾画结果二和参考计划确定目标放疗计划之前，该方法还包括：若检测到对勾画结果二的修改指令；响应修改指令，对勾画结果二进行修改，得到修改后的勾画结果二；依据勾画结果二和参考计划确定目标放疗计划包括：依据修改后的勾画结果二和参考计划确定目标放疗计划。
在上述方案中，在依据勾画结果二和参考计划确定目标放疗计划之前，若检测到医生或物理师对勾画结果二进行了修改，则依据修改后的勾画结果二和参考计划确定目标放疗计划，从而保证了生成的目标放疗计划的准确性。
综上，本申请实施例提供的放疗计划的确定方法，通过对目标患者拍摄用于做参考计划的医学影像一，并对医学影像一进行感兴趣区域勾画，得到勾画结果一；依据勾画结果一生成放疗计划，得到参考计划；对参考计划进行审核，在参考计划通过审核的情况下，对目标患者拍摄医学影像二，将医学影像二与医学影像一进行配准，得到配准结果，其中，医学影像二与医学影像一为不同模态的医学影像；在勾画平台中，勾画结果一基于配准结果对医学影像二进行感兴趣区域勾画，得到勾画结果二；依据勾画结果二和参考计划确定目标放疗计划，解决了相关技术中设计自适应放疗计划太过耗时的问题。整个过程流程自动化，避免了手工勾画，减少了医生、物理师的工作量，减少了设计自适应放疗计划的时间，进而大幅度缩短了自适应放疗流程所需时间的效果。
可选的，如图3所示，首次构建勾画模型(对应上述的目标模型)的流程可以如如下：
患者在拍摄完定位CT后得到影像CT1，在Unity(医学影像采集平台)上拍摄一组MR得到影像MR1；
将CT1通过dicom3.0协议推送到AccuContour(对应上述的勾画平台)进行自动勾画得到Rt1，并将CT1及Rt1推送到Offline Monaco(计划系统)；
在Offline Monaco上使用CT1做计划得到并经过医生观阅后进行审批通过操作，生成审批通过的Plan1、Dose1、Rt1，此时AccuContour自动会将CT1、Plan1、Dose1、Rt1文件抓取；
将MR1推送到AccuContour及Offline Monaco，在AccuContour中会自动将MR1与CT1进行配准(柔性配准)，并把RT1基于配准结果生成MR1/w RT1,后推送至OfflineMonaco；
在Offline Monaco中修改MR/w RT1得到MR/w RT1+，用CT1、Plan1、Dose1、MR1、MR/w RT1+进行ATS计划优化，得到Plan(对应上述的目标放疗计划),通过ArtCheck进行Dose验证，并经过医生观阅后进行审批操作，本次得到的Plan不用于治疗；
AccuContour自动抓取MR1及审批过后的MR/w RT1+，推送至AccuLeaning(对应上述的模型训练平台)进行模型训练，得到model 0，将model 0自动推送到AccuContour。
如图4所示，在患者的第N次的治疗(N为大于1的自然数)及迭代模型训练流程可以如下：
在Unity上拍摄MRn并推送至AccuContour,AccuContour根据已有的model(n-1)对MRn进行自动勾画得到MRn w/RTn并推送至Offline Monaco；
在Offline Monaco中修改MR/w RTn(如果有必要)得到MR/w RTn+，用CT1、Plan1、Dose1、MRn、MR/w RTn+进行ATS计划优化，得到Plan(n+1),并通过ArtCheck验证，并进行审批操作；
AccuContour自动抓取MRn及审批过后的MR/w RTn+，推送至AccuLeaning进行模型训练，得到modeln(对应上述更新后的目标模型)，将modeln自动推送到AccuContour。
在上述方案中，整个流程自动化(不需要任何人工操作)，整体ATS治疗时间缩短一半以上。具体地，勾画平台自动勾画的时间<1min，包含修改确认及数据传输整体时间<＝5min，通过ARTcheck自动检查当日计划约15秒。在本申请的方案中，还可以生成QA报告，具体地，ARTcheck自动同步Online Monaco中Approved计划并生成QA报告，用户可随时查看和导出QA报告。另外，本申请中的方案，完全可以利用Monaco现有接口，不影响现有流程，仅需将工作站接入工作网络中即可完成部署，因此使用便捷。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例还提供了一种放疗计划的确定方法装置，需要说明的是，本申请实施例的放疗计划的确定装置可以用于执行本申请实施例所提供的用于放疗计划的确定方法。以下对本申请实施例提供的放疗计划的确定装置进行介绍。
图5是根据本申请实施例的放疗计划的确定装置的示意图。如图5所示，该装置包括：第一勾画单元201，第一构建单元202，配准单元203，第二勾画单元204和确定单元205。
具体地，第一勾画单元201，用于对目标患者拍摄用于做参考计划的医学影像一，并对医学影像一进行感兴趣区域勾画，得到勾画结果一。
第一构建单元202，用于依据勾画结果一生成放疗计划，得到参考计划。
配准单元203，用于对参考计划进行审核，在参考计划通过审核的情况下，对目标患者拍摄医学影像二，将医学影像二与医学影像一进行配准，得到配准结果。
第二勾画单元204，用于在勾画平台中，勾画结果一基于配准结果对医学影像二进行感兴趣区域勾画，得到勾画结果二。
确定单元205，用于依据勾画结果二和参考计划确定目标放疗计划。
本申请实施例提供的放疗计划的确定装置，通过第一勾画单元201对目标患者拍摄用于做参考计划的医学影像一，并对医学影像一进行感兴趣区域勾画，得到勾画结果一。第一构建单元202依据勾画结果一生成放疗计划，得到参考计划。配准单元203对参考计划进行审核，在参考计划通过审核的情况下，对目标患者拍摄医学影像二，将医学影像二与医学影像一进行配准，得到配准结果。第二勾画单元204在勾画平台中，勾画结果一基于配准结果对医学影像二进行感兴趣区域勾画，得到勾画结果二。确定单元205依据勾画结果二和参考计划确定目标放疗计划，解决了相关技术中设计自适应放疗计划太过耗时的问题。整个过程流程自动化，避免了手工勾画，减少了医生、物理师的工作量，减少了设计自适应放疗计划的时间，进而大幅度缩短了自适应放疗流程所需时间的效果。
可选地，在本申请实施例提供的放疗计划的确定装置中，该装置还包括：审核单元，用于在依据勾画结果二和参考计划确定目标放疗计划之后，对目标放疗计划进行审核；第一获取单元，用于在目标放疗计划通过审核之后，通过勾画平台获取勾画结果二，并将勾画结果二发送至模型训练平台，在模型训练平台中依据勾画结果二进行学习训练，生成目标模型；第一发送单元，用于将目标模型发送至勾画平台。
可选地，在本申请实施例提供的放疗计划的确定装置中，该装置还包括：第二获取单元，用于在将目标模型发送至勾画平台之后，在目标患者进行第N次放疗前，获取目标患者的当日医学影像，其中，N为大于1的自然数；第三勾画单元，用于在勾画平台中，采用目标模型对当日医学影像进行感兴趣区域勾画，得到目标勾画结果；第二构建单元，用于基于目标勾画结果，生成目标患者当日的目标放疗计划。
可选地，在本申请实施例提供的放疗计划的确定装置中，该装置还包括：训练单元，用于在基于目标勾画结果，生成目标患者当日的目标放疗计划之后，将勾画结果二和目标勾画结果发送至模型训练平台，在模型训练平台中依据勾画结果二和目标勾画结果进行学习训练，以更新目标模型；第二发送单元，用于将更新后的目标模型发送至勾画平台。
可选地，在本申请实施例提供的放疗计划的确定装置中，训练单元包括：第一获取子单元，用于获得训练数据集，其中，训练数据集由勾画结果二和目标勾画结果组成；第二获取子单元，用于构建子单元，用于构建学生模型和教师模型，并使用预训练权重来初始化学生模型和教师模型，进入以下训练循环：提取子单元，用于使用学生模型和教师模型分别对训练数据集中的图像进行特征提取，得到特征一和特征二；第一计算子单元，用于将特征一和训练数据集中的勾画结果进行计算，得到约束条件一；第二计算子单元，用于分别对特征一和特征二进行描述算子计算，得到描述一和描述二，其中，描述算子为以下至少之一：体积、质心、各像素点到质心的距离、轮廓长度，对描述一和描述二进行计算，得到约束条件二；第一更新子单元，用于使用约束条件一和约束条件二对学生模型的权重进行更新；第二更新子单元，用于使用更新后的学生模型的权重对教师模型进行更新，其中，更新方式为指数滑动平均法；重复提取子单元，第一计算子单元，第二计算子单元，第一更新子单元和第二更新子单元，直到训练完成，由所述教师模型来生成所述目标模型。
可选地，在本申请实施例提供的放疗计划的确定装置中，获取预训练权重的方法为以下至少之一：监督学习、半监督学习、无监督学习。
可选地，在本申请实施例提供的放疗计划的确定装置中，若获取预训练权重的方法为无监督学习，构建子单元包括：获取模块，用于获取多种不同模态的医学影像的数据作为训练集；抽取模块，用于在迭代开始前，随机抽取训练集中的一个样本，并对样本做两次随机增强，得到两个增强后的样本A和B；输入模块，用于将样本A和B输入编码模型，得到特征编码X和Y；计算模块，用于将特征编码X和Y输入投影模型，得到投影后的特征编码XX和YY，对XX和YY计算欧式距离或余弦相似度，作为损失函数；更新模块，用于采用损失函数对学生模型进行更新，得到学生模型的权重。
可选地，在本申请实施例提供的放疗计划的确定装置中，该装置还包括：检测单元，用于依据勾画结果二和参考计划确定目标放疗计划之前，若检测到对勾画结果二的修改指令；响应修改指令，对勾画结果二进行修改，得到修改后的勾画结果二；确定单元，还用于依据修改后的勾画结果二和参考计划确定目标放疗计划。
所述放疗计划的确定装置包括处理器和存储器，上述第一勾画单元201，第一构建单元202，配准单元203，第二勾画单元204和确定单元205等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来减少了设计自适应放疗计划的时间。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。
本发明实施例提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现所述放疗计划的确定方法。
本发明实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述放疗计划的确定方法。
本发明实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：对目标患者拍摄用于做参考计划的医学影像一，并对医学影像一进行感兴趣区域勾画，得到勾画结果一；依据勾画结果一生成放疗计划，得到参考计划；对参考计划进行审核，在参考计划通过审核的情况下，对目标患者拍摄医学影像二，将医学影像二与医学影像一进行配准，得到配准结果；在勾画平台中，勾画结果一基于配准结果对医学影像二进行感兴趣区域勾画，得到勾画结果二；依据勾画结果二和参考计划确定目标放疗计划。
可选地，在依据勾画结果二和参考计划确定目标放疗计划之后，该方法还包括：对目标放疗计划进行审核；在目标放疗计划通过审核之后，通过勾画平台获取勾画结果二，并将勾画结果二发送至模型训练平台，在模型训练平台中依据勾画结果二进行学习训练，生成目标模型；将目标模型发送至勾画平台。
可选地，在将目标模型发送至勾画平台之后，该方法还包括：在目标患者进行第N次放疗前，获取目标患者的当日医学影像，其中，N为大于1的自然数；在勾画平台中，采用目标模型对当日医学影像进行感兴趣区域勾画，得到目标勾画结果；基于目标勾画结果，生成目标患者当日的目标放疗计划。
可选地，在基于目标勾画结果，生成目标患者当日的目标放疗计划之后，该方法还包括：将勾画结果二和目标勾画结果发送至模型训练平台，在模型训练平台中依据勾画结果二和目标勾画结果进行学习训练，以更新目标模型；将更新后的目标模型发送至勾画平台。
可选地，在模型训练平台中依据勾画结果二和目标勾画结果进行学习训练，以更新目标模型包括：获得训练数据集，其中，训练数据集由勾画结果二和目标勾画结果组成；构建学生模型和教师模型，并使用预训练权重来初始化学生模型和教师模型，进入以下训练循环：I，使用学生模型和教师模型分别对训练数据集中的图像进行特征提取，得到特征一和特征二；II，将特征一和训练数据集中的勾画结果进行计算，得到约束条件一；III，分别对特征一和特征二进行描述算子计算，得到描述一和描述二，其中，描述算子为以下至少之一：体积、质心、各像素点到质心的距离、轮廓长度，对描述一和描述二进行计算，得到约束条件二；IV，使用约束条件一和约束条件二对学生模型的权重进行更新；V，使用更新后的学生模型的权重对教师模型进行更新，其中，更新方式为指数滑动平均法；重复I至V个步骤，直到训练完成，由所述教师模型来生成所述目标模型。
可选地，获取预训练权重的方法为以下至少之一：监督学习、半监督学习、无监督学习。
可选地，若获取预训练权重的方法为无监督学习，获取学生模型的权重包括：获取多种不同模态的医学影像的数据作为训练集；在迭代开始前，随机抽取训练集中的一个样本，并对样本做两次随机增强，得到两个增强后的样本A和B；将样本A和B输入编码模型，得到特征编码X和Y；将特征编码X和Y输入投影模型，得到投影后的特征编码XX和YY，对XX和YY计算欧式距离或余弦相似度，作为损失函数；采用损失函数对学生模型进行更新，得到学生模型的权重。
可选地，依据勾画结果二和参考计划确定目标放疗计划之前，该方法还包括：若检测到对勾画结果二的修改指令；响应修改指令，对勾画结果二进行修改，得到修改后的勾画结果二；依据勾画结果二和参考计划确定目标放疗计划包括：依据修改后的勾画结果二和参考计划确定目标放疗计划。本文中的设备可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：对目标患者拍摄用于做参考计划的医学影像一，并对医学影像一进行感兴趣区域勾画，得到勾画结果一；依据勾画结果一生成放疗计划，得到参考计划；对参考计划进行审核，在参考计划通过审核的情况下，对目标患者拍摄医学影像二，将医学影像二与医学影像一进行配准，得到配准结果；在勾画平台中，勾画结果一基于配准结果对医学影像二进行感兴趣区域勾画，得到勾画结果二；依据勾画结果二和参考计划确定目标放疗计划。
可选地，在依据勾画结果二和参考计划确定目标放疗计划之后，该方法还包括：对目标放疗计划进行审核；在目标放疗计划通过审核之后，通过勾画平台获取勾画结果二，并将勾画结果二发送至模型训练平台，在模型训练平台中依据勾画结果二进行学习训练，生成目标模型；将目标模型发送至勾画平台。
可选地，在将目标模型发送至勾画平台之后，该方法还包括：在目标患者进行第N次放疗前，获取目标患者的当日医学影像，其中，N为大于1的自然数；在勾画平台中，采用目标模型对当日医学影像进行感兴趣区域勾画，得到目标勾画结果；基于目标勾画结果，生成目标患者当日的目标放疗计划。
可选地，在基于目标勾画结果，生成目标患者当日的目标放疗计划之后，该方法还包括：将勾画结果二和目标勾画结果发送至模型训练平台，在模型训练平台中依据勾画结果二和目标勾画结果进行学习训练，以更新目标模型；将更新后的目标模型发送至勾画平台。
可选地，在模型训练平台中依据勾画结果二和目标勾画结果进行学习训练，以更新目标模型包括：获得训练数据集，其中，训练数据集由勾画结果二和目标勾画结果组成；构建学生模型和教师模型，并使用预训练权重来初始化学生模型和教师模型，进入以下训练循环：I，使用学生模型和教师模型分别对训练数据集中的图像进行特征提取，得到特征一和特征二；II，将特征一和训练数据集中的勾画结果进行计算，得到约束条件一；III，分别对特征一和特征二进行描述算子计算，得到描述一和描述二，其中，描述算子为以下至少之一：体积、质心、各像素点到质心的距离、轮廓长度，对描述一和描述二进行计算，得到约束条件二；IV，使用约束条件一和约束条件二对学生模型的权重进行更新；V，使用更新后的学生模型的权重对教师模型进行更新，其中，更新方式为指数滑动平均法；重复I至V个步骤，直到训练完成，由所述教师模型来生成所述目标模型。
可选地，获取预训练权重的方法为以下至少之一：监督学习、半监督学习、无监督学习。
可选地，若获取预训练权重的方法为无监督学习，获取学生模型的权重包括：获取多种不同模态的医学影像的数据作为训练集；在迭代开始前，随机抽取训练集中的一个样本，并对样本做两次随机增强，得到两个增强后的样本A和B；将样本A和B输入编码模型，得到特征编码X和Y；将特征编码X和Y输入投影模型，得到投影后的特征编码XX和YY，对XX和YY计算欧式距离或余弦相似度，作为损失函数；采用损失函数对学生模型进行更新，得到学生模型的权重。
可选地，依据勾画结果二和参考计划确定目标放疗计划之前，该方法还包括：若检测到对勾画结果二的修改指令；响应修改指令，对勾画结果二进行修改，得到修改后的勾画结果二；依据勾画结果二和参考计划确定目标放疗计划包括：依据修改后的勾画结果二和参考计划确定目标放疗计划。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，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、商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、商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，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (11)
1.一种放疗计划的确定方法，其特征在于，包括：
对目标患者拍摄用于做参考计划的医学影像一，并对所述医学影像一进行感兴趣区域勾画，得到勾画结果一；
依据所述勾画结果一生成放疗计划，得到参考计划；
对所述参考计划进行审核，在所述参考计划通过审核的情况下，对所述目标患者拍摄医学影像二，将所述医学影像二与所述医学影像一进行配准，得到配准结果；
在勾画平台中，所述勾画结果一基于所述配准结果对所述医学影像二进行感兴趣区域勾画，得到勾画结果二；
依据所述勾画结果二和所述参考计划确定目标放疗计划。
2.根据权利要求1所述的方法，其特征在于，在依据所述勾画结果二和所述参考计划确定目标放疗计划之后，所述方法还包括：
对所述目标放疗计划进行审核；
在所述目标放疗计划通过审核之后，通过所述勾画平台获取所述勾画结果二，并将所述勾画结果二发送至模型训练平台，在所述模型训练平台中依据所述勾画结果二进行学习训练，生成目标模型；
将所述目标模型发送至所述勾画平台。
3.根据权利要求2所述的方法，其特征在于，在将所述目标模型发送至所述勾画平台之后，所述方法还包括：
在所述目标患者进行第N次放疗前，获取所述目标患者的当日医学影像，其中，N为大于1的自然数；
在所述勾画平台中，采用所述目标模型对所述当日医学影像进行感兴趣区域勾画，得到目标勾画结果；
基于所述目标勾画结果，生成所述目标患者当日的目标放疗计划。
4.根据权利要求3所述的方法，其特征在于，在基于所述目标勾画结果，生成所述目标患者当日的目标放疗计划之后，所述方法还包括：
将所述勾画结果二和所述目标勾画结果发送至所述模型训练平台，在所述模型训练平台中依据所述勾画结果二和所述目标勾画结果进行学习训练，以更新所述目标模型；
将更新后的目标模型发送至所述勾画平台。
5.根据权利要求4所述的方法，其特征在于，在所述模型训练平台中依据所述勾画结果二和所述目标勾画结果进行学习训练，以更新所述目标模型包括：
获得训练数据集，其中，所述训练数据集由所述勾画结果二和所述目标勾画结果组成；
构建学生模型和教师模型，并使用预训练权重来初始化所述学生模型和所述教师模型，进入以下训练循环：
I，使用所述学生模型和所述教师模型分别对所述训练数据集中的图像进行特征提取，得到特征一和特征二；
II，将所述特征一和所述训练数据集中的勾画结果进行计算，得到约束条件一；
III，分别对所述特征一和所述特征二进行描述算子计算，得到描述一和描述二，其中，所述描述算子为以下至少之一：体积、质心、各像素点到质心的距离、轮廓长度，对所述描述一和所述描述二进行计算，得到约束条件二；
IV，使用所述约束条件一和所述约束条件二对所述学生模型的权重进行更新；
V，使用更新后的学生模型的权重对所述教师模型进行更新，其中，更新方式为指数滑动平均法；
重复I至V个步骤，直到训练完成，由所述教师模型来生成所述目标模型。
6.根据权利要求5所述的方法，其特征在于，获取预训练权重的方法为以下至少之一：监督学习、半监督学习、无监督学习。
7.根据权利要求6所述的方法，其特征在于，若获取预训练权重的方法为无监督学习，获取学生模型的权重包括：
获取多种不同模态的医学影像的数据作为训练集；
在迭代开始前，随机抽取所述训练集中的一个样本，并对所述样本做两次随机增强，得到两个增强后的样本A和B；
将样本A和B输入编码模型，得到特征编码X和Y；
将特征编码X和Y输入投影模型，得到投影后的特征编码XX和YY，对XX和YY计算欧式距离或余弦相似度，作为损失函数；
采用所述损失函数对所述学生模型进行更新，得到所述学生模型的权重。
8.根据权利要求1所述的方法，其特征在于，
依据所述勾画结果二和所述参考计划确定目标放疗计划之前，所述方法还包括：若检测到对所述勾画结果的修改指令；响应所述修改指令，对所述勾画结果二进行修改，得到修改后的勾画结果二；
依据所述勾画结果二和所述参考计划确定目标放疗计划包括：依据所述修改后的勾画结果二和所述参考计划确定目标放疗计划。
9.一种放疗计划的确定装置，其特征在于，包括：
第一勾画单元，用于对目标患者拍摄用于做参考计划的医学影像一，并对所述医学影像一进行感兴趣区域勾画，得到勾画结果一；
第一构建单元，用于依据所述勾画结果一生成放疗计划，得到参考计划；
配准单元，用于对所述参考计划进行审核，在所述参考计划通过审核的情况下，对所述目标患者拍摄医学影像二，将所述医学影像二与所述医学影像一进行配准，得到配准结果，其中，所述医学影像二与所述医学影像一为不同模态的医学影像；
第二勾画单元，用于在勾画平台中，所述勾画结果一基于所述配准结果对所述医学影像二进行感兴趣区域勾画，得到勾画结果二；
确定单元，用于依据所述勾画结果二和所述参考计划确定目标放疗计划。
10.一种计算机可读存储介质，其特征在于，所述存储介质存储程序，其中，所述程序执行权利要求1至8中任意一项所述的放疗计划的确定方法。
11.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至8中任意一项所述的放疗计划的确定方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210109188.8A CN114446440A (zh) | 2022-01-28 | 2022-01-28 | 放疗计划的确定方法和装置、存储介质及处理器 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210109188.8A CN114446440A (zh) | 2022-01-28 | 2022-01-28 | 放疗计划的确定方法和装置、存储介质及处理器 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114446440A true CN114446440A (zh) | 2022-05-06 |
Family
ID=81371712
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210109188.8A Pending CN114446440A (zh) | 2022-01-28 | 2022-01-28 | 放疗计划的确定方法和装置、存储介质及处理器 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114446440A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115049683A (zh) * | 2022-07-12 | 2022-09-13 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 放疗影像靶区的勾画方法和装置、处理器及电子设备 |
| CN115953440A (zh) * | 2023-03-10 | 2023-04-11 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 医学图像的配准方法和装置、存储介质及电子设备 |
| CN115995289A (zh) * | 2023-03-20 | 2023-04-21 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 基于神经网络模型对医学图像的勾画方法和装置 |
| CN116130056A (zh) * | 2023-04-17 | 2023-05-16 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 放疗计划的确定装置和电子设备 |
| CN117274235A (zh) * | 2023-11-09 | 2023-12-22 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 放疗疗效的确定装置、电子设备及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106920234A (zh) * | 2017-02-27 | 2017-07-04 | 北京连心医疗科技有限公司 | 一种复合式自动放疗计划的方法 |
| CN109872804A (zh) * | 2019-02-02 | 2019-06-11 | 上海赛提菲克医疗器械有限公司 | 一种自动放疗计划系统及其使用方法 |
| WO2021001052A1 (en) * | 2019-07-01 | 2021-01-07 | Elekta Ab (Publ) | Geometry-based real-time adaptive radiotherapy |
| US20210299470A1 (en) * | 2020-03-30 | 2021-09-30 | Varian Medical Systems International Ag | Automatically-Planned Radiation-Based Treatment |
| CN113689938A (zh) * | 2021-07-14 | 2021-11-23 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 医学影像的勾画方法、装置、存储介质及处理器 |
| CN113963155A (zh) * | 2021-10-21 | 2022-01-21 | 上海联影医疗科技股份有限公司 | 自动计划方法、装置和计算机可读存储介质 |
-
2022
- 2022-01-28 CN CN202210109188.8A patent/CN114446440A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106920234A (zh) * | 2017-02-27 | 2017-07-04 | 北京连心医疗科技有限公司 | 一种复合式自动放疗计划的方法 |
| CN109872804A (zh) * | 2019-02-02 | 2019-06-11 | 上海赛提菲克医疗器械有限公司 | 一种自动放疗计划系统及其使用方法 |
| WO2021001052A1 (en) * | 2019-07-01 | 2021-01-07 | Elekta Ab (Publ) | Geometry-based real-time adaptive radiotherapy |
| US20210299470A1 (en) * | 2020-03-30 | 2021-09-30 | Varian Medical Systems International Ag | Automatically-Planned Radiation-Based Treatment |
| CN113689938A (zh) * | 2021-07-14 | 2021-11-23 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 医学影像的勾画方法、装置、存储介质及处理器 |
| CN113963155A (zh) * | 2021-10-21 | 2022-01-21 | 上海联影医疗科技股份有限公司 | 自动计划方法、装置和计算机可读存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 侯勇;王鹏程;尹勇;马长升;: "医学图像形变配准在图像引导放射治疗中的应用", 中国医学物理学杂志, no. 05, 15 September 2011 (2011-09-15), pages 2882 - 2886 * |
| 张海南;汤日杰;张书旭;蔡霜;: "CT/MRI融合图像在盆腔肿瘤放疗靶区勾画中的应用", 中国医疗设备, no. 05, 25 May 2011 (2011-05-25), pages 154 - 156 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115049683A (zh) * | 2022-07-12 | 2022-09-13 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 放疗影像靶区的勾画方法和装置、处理器及电子设备 |
| CN115953440A (zh) * | 2023-03-10 | 2023-04-11 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 医学图像的配准方法和装置、存储介质及电子设备 |
| CN115995289A (zh) * | 2023-03-20 | 2023-04-21 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 基于神经网络模型对医学图像的勾画方法和装置 |
| CN116130056A (zh) * | 2023-04-17 | 2023-05-16 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 放疗计划的确定装置和电子设备 |
| CN116130056B (zh) * | 2023-04-17 | 2023-08-22 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 放疗计划的确定装置和电子设备 |
| CN117274235A (zh) * | 2023-11-09 | 2023-12-22 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 放疗疗效的确定装置、电子设备及存储介质 |
| CN117274235B (zh) * | 2023-11-09 | 2024-02-27 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 放疗疗效的确定装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114446440A (zh) | 放疗计划的确定方法和装置、存储介质及处理器 | |
| JP6960509B2 (ja) | 合成医療画像を生成するためのニューラルネットワーク | |
| JP7039153B2 (ja) | 敵対的生成ネットワークを使用した画像強調 | |
| US10769791B2 (en) | Systems and methods for cross-modality image segmentation | |
| JP7145233B2 (ja) | 敵対的生成ネットワークを用いた放射線治療計画モデリング | |
| CN108717866B (zh) | 一种预测放疗计划剂量分布的方法、装置、设备及存储介质 | |
| JP2021131872A (ja) | 深層学習を用いたアトラスベースセグメンテーション | |
| US20210158929A1 (en) | Parameter search in radiotherapy treatment plan optimization | |
| CN107837090B (zh) | 计算机断层成像中基于正弦图的散射射线校正 | |
| CN113689938B (zh) | 医学影像的勾画方法、装置、存储介质及处理器 | |
| CN106651750A (zh) | 用于基于卷积神经网络回归的2d/3d图像配准的方法和系统 | |
| CN109102490A (zh) | 自动图像注册质量评估 | |
| 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 | |
| CN114401768A (zh) | 使用机器学习的放射疗法治疗计划优化 | |
| WO2016142166A1 (en) | Method and apparatus for assessing image registration | |
| CN111709485A (zh) | 医学影像处理方法、装置和计算机设备 | |
| JP2023078193A (ja) | 人工神経網を利用する臓器の体積測定方法及びその装置 | |
| CN117274235B (zh) | 放疗疗效的确定装置、电子设备及存储介质 | |
| CN116844734B (zh) | 剂量预测模型的生成方法、装置、电子设备及存储介质 | |
| US11424037B2 (en) | Disease simulation in medical images | |
| US20210158970A1 (en) | Disease simulation and identification in medical images | |
| CN114446441B (zh) | 基于计划库调用的自适应放疗的方法和装置 | |
| CN109106389A (zh) | 一种x射线曝光指数范围生成方法和x射线系统 | |
| CN114581340A (zh) | 一种图像校正方法及设备 | |
| US11574184B2 (en) | Multi-modal reconstruction network |
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 |