CN114707742A - 自适应放疗策略的人工智能预测方法和系统 - Google Patents

自适应放疗策略的人工智能预测方法和系统 Download PDF

Info

Publication number
CN114707742A
CN114707742A CN202210396480.2A CN202210396480A CN114707742A CN 114707742 A CN114707742 A CN 114707742A CN 202210396480 A CN202210396480 A CN 202210396480A CN 114707742 A CN114707742 A CN 114707742A
Authority
CN
China
Prior art keywords
radiotherapy
data
historical
region
interest
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
Application number
CN202210396480.2A
Other languages
English (en)
Inventor
戴建荣
夏文龙
梁斌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Cancer Hospital and Institute of CAMS and PUMC
Original Assignee
Cancer Hospital and Institute of CAMS and PUMC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Cancer Hospital and Institute of CAMS and PUMC filed Critical Cancer Hospital and Institute of CAMS and PUMC
Priority to CN202210396480.2A priority Critical patent/CN114707742A/zh
Publication of CN114707742A publication Critical patent/CN114707742A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • 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
    • 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
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Mathematical Physics (AREA)
  • Economics (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Urology & Nephrology (AREA)
  • Surgery (AREA)
  • Development Economics (AREA)
  • Evolutionary Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)

Abstract

本发明涉及自适应放疗策略的人工智能预测方法和系统。该预测方法包括：获取患者的放疗数据，所述放疗数据包括历史放疗数据和新放疗数据，所述历史放疗数据包括历史放疗图像数据和历史选择的自适应放疗策略数据，还可以包括历史放疗计划数据，所述新放疗数据包括新放疗图像数据，还可以包括新放疗计划数据；通过预处理流程对所述放疗数据进行预处理，得到预处理后的历史放疗数据和预处理后的新放疗数据；利用所述预处理后的历史放疗数据建立并训练预测模型，将所述预处理后的新放疗数据应用到所述预测模型；以及输出新放疗时合适的自适应放疗策略。本发明的方法能够帮助医生更快速、更准确地为患者选择合适的自适应放疗策略，进而提高自适应放疗技术的应用效果。

Description

自适应放疗策略的人工智能预测方法和系统
技术领域
本发明总体上涉及放射肿瘤学领域，更具体地，涉及自适应放疗策略的人工智能预测方法和相应的计算机系统。
背景技术
放射治疗的常规模式是患者在整个疗程中使用同一个放疗计划进行治疗。少数患者可能在疗程中修改计划。在放射治疗过程中(不论是分次间还是分次内)，存在多种误差来源。比如分次间的摆位误差、分次内的器官运动、治疗过程中肿瘤的退缩或进展、危及器官(Organ at Risk，OAR)的充盈状态变化、组织器官对放射治疗的反应变化等。这些误差势必会造成每个分次治疗时患者实际受照剂量与计划受照剂量存在较大差异。为了保证放疗的精准实施，图像引导放射治疗(IGRT)已经成为国内外肿瘤放疗中心的常规治疗手段。随着影像技术和计算机技术的进一步发展，图像引导技术所获取的图像质量更高，成像速度更快，成像剂量更低，为临床提供了更加丰富的患者当前的解剖(和功能)信息。基于这些信息，临床可以通过在线或离线的方式修改治疗靶区和危及器官的勾画范围、处方剂量和(或)分割模式等，并修改计划，用于当前的或后续的治疗，使得剂量分布更适合患者当前的解剖(和功能)状态，从而补偿治疗过程中体内组织器官位置和形态的改变，更好地保证靶区不漏照，危及器官少受照。这种技术就是自适应放疗技术(Adaptive RadiationTherapy，ART)。
图像引导技术可以通过磁共振成像(MR)、计算机断层成像(CT)和锥形束计算机断层成像(CBCT)等多种成像技术来实现，其中，MR图像引导是目前比较重要和前沿的实现方式。这些图像引导技术可用于捕获分次间运动以及分次内运动。所捕获的数据以多种方式用作自适应放疗的输入。每次治疗可基于引导图像执行患者位置验证或执行放疗计划的重新优化。对于ART，基于患者的参考图像和引导图像，放疗系统提供了多种自适应放疗策略，主要包括以下四种：保持患者位置并保持所述历史参考图像的放疗计划(策略1)；调整患者位置并保持所述参考图像的放疗计划(策略2)；保持患者位置并调整所述参考图像的放疗计划(策略3)；以及保持患者位置并调整所述引导图像的解剖结构的勾画和放疗计划(策略4)。对于每次ART实施过程，其最佳的自适应放疗策略是策略4，即，使用每次引导图像调整解剖结构(靶区和危及器官)的勾画，并且基于引导图像和调整后的解剖结构的勾画重新优化放疗计划，进而实施放疗，然而，这种自适应放疗策略通常会耗费大量的人力和较长的等待时间。因此，对于每次ART，医师和物理师可以在权衡不同策略的放疗计划质量与对应所花费的人力和时间后做出决定。在目前的实施过程中，医师和物理师会根据患者靶区和危及器官等解剖结构视觉上的变化来决定采用哪种策略。这种通过观察来决定自适应放疗策略的方法通常具有一定的主观性，从而可能导致不合理的策略选择结果。客观准确的方法是通过量化对比每次治疗期间所有类别的自适应放疗策略的计划质量来决定，然而这样做耗时更长，在临床实施上并不现实。因此，为了提高选择自适应放疗策略的准确性，并且在保证自适应放疗的计划质量同时，能够最大限度的提高临床实施效率，我们需要建立快速准确的方法来帮助医师和物理师选择合适的自适应放疗策略。
自适应放疗策略的选择与引导图像和参考图像中解剖结构的形变程度有着密切的联系，常用的形变量评价指标为雅可比行列式，包括最大、最小、平均值等统计指标。但是单纯依靠简单的雅可比行列式统计指标无法对自适应放疗策略做出可靠的预测。例如，对于前列腺肿瘤放疗，基于图像之间的雅可比行列式统计指标的预测模型的预测准确度最高仅为0.76。人工智能(Artificial Intelligence，AI)在图像处理、面部识别等各个领域都取得了巨大的成功，AI主要包括用于决策分析和预测的机器学习(Machine Learning，ML)方法以及利用神经网络解决特征表达的深度学习(Deep Learning，DL)方法。DL是一种实现ML的技术，其关键因素是DL可以提取不同等级的特征并将它们集成到端到端多层网络中，其中，卷积神经网络(CNN)是处理医学图像的主要方法，它将二维(2D)或三维(3D)信息作为输入，有效利用空间和结构信息。为了进一步提高自适应放疗策略预测准确性，本申请提出了一种自适应放疗策略的人工智能预测方法和系统。
发明内容
本发明旨在从大样本量患者的历史数据中提取特征，建立自适应放疗策略预测模型，实现对自适应放疗策略更准确的预测，为自适应放疗实施提供指导和参考。一般而言，本发明的目的可如下地实现：首先针对同一个治疗部位的患者建立历史数据集，通过建立计划质量度量标准，确定患者历史选择的自适应放疗策略，其中，所述计划质量度量标准由医师和物理师根据对应治疗部位的临床要求而确定；以肿瘤靶区/靶区周围正常组织三维模板内的区域为感兴趣区域，至少以所述感兴趣区域的图像为输入，还可以包括所述感兴趣区域的剂量分布为输入，以自适应放疗策略为输出，建立预测模型；在自适应放疗实施过程中，通过将新放疗数据应用到预测模型以预测并输出合适的自适应放疗策略。
预测模型可利用人工智能方法建立，例如经典的机器学习方法和最新的深度学习方法等。基于机器学习的预测模型可应用最小冗余最大相关法(minimum redundancymaximum relevance，mRMR)或者最小绝对值收缩选择因子(least absolute shrinkageand selection operator，Lasso)对提取的特征进行筛选，排除线性相关度较高的冗余特征的影响，然后以筛选之后的特征为输入应用支持向量机(support vector machine，SVM)或者逻辑回归(logistic regression)建立特征向量与选择的自适应放疗策略之间的预测模型。基于深度学习的预测模型至少以感兴趣区域的图像作为输入，还可以包括感兴趣区域的剂量分布作为输入，通过卷积神经网络(Convolutional Neural Network，CNN)直接建立预测模型。
根据本发明的实施例，提供了一种自适应放疗策略预测方法，其可以包括：获取患者的放疗数据，所述放疗数据包括历史放疗数据和新放疗数据；所述放疗数据通过预处理流程，得到预处理后的历史放疗数据和预处理后的新放疗数据；根据所述预处理后的历史放疗数据建立和训练预测模型，将所述预处理后的新放疗数据应用到所述预测模型；以及输出新放疗时合适的自适应放疗策略。
根据本发明的实施例，其中，所述历史放疗数据至少包括历史放疗图像数据以及历史选择的自适应放疗策略数据，还可以包括历史放疗计划数据；所述新放疗数据至少包括新放疗图像数据，还可以包括新放疗计划数据。
根据本发明的实施例，其中，所述历史放疗图像数据可以包括历史参考图像和历史引导图像，所述历史选择的自适应放疗策略数据可以包括以下四种自适应放疗策略中的一个：保持患者位置并保持所述历史参考图像的放疗计划，调整患者位置并保持所述历史参考图像的放疗计划，保持患者位置并调整所述历史参考图像的放疗计划，以及保持患者位置并调整所述历史引导图像的解剖结构的勾画和放疗计划，并且，所述历史放疗计划数据可以包括所述四种自适应放疗策略的计划中的解剖结构的勾画和剂量分布；所述新放疗图像数据包括新参考图像和新引导图像，并且，所述新放疗计划数据包括所述新参考图像的放疗计划中的解剖结构的勾画和剂量分布。
根据本发明的实施例，所述预处理流程可以包括：通过建立计划质量度量标准，评价所述四种自适应放疗策略的计划，以确定所述历史选择的自适应放疗策略数据，所述计划质量度量标准可以由医师和物理师根据对应治疗部位的临床要求而确定；解析所述放疗计划数据中的解剖结构的勾画，以获得感兴趣区域的模板；以及利用所述模板滤除所述感兴趣区域之外的其他区域，从而获得所述感兴趣区域的信息，其中，建立和训练所述预测模型至少使用所述感兴趣区域的历史放疗图像和所述历史选择的自适应放疗策略数据，还可以使用所述感兴趣区域的历史放疗计划的剂量分布，应用所述预测模型至少使用所述感兴趣区域的新放疗图像作为输入，还可以使用所述感兴趣区域的新放疗计划的剂量分布。
根据本发明的实施例，其中，建立和训练所述预测模型可以包括基于机器学习方法或深度学习方法建立和训练所述预测模型。
根据本发明的实施例，其中，基于所述机器学习方法建立和训练所述预测模型可以包括：将所述历史参考图像形变配准至所述历史引导图像，获取所述历史放疗图像的形变矢量场；利用所述模板滤除所述感兴趣区域之外的其他区域的所述历史放疗图像的形变矢量场和所述历史放疗计划的剂量分布，从而获得所述感兴趣区域的历史放疗图像的形变矢量场和所述感兴趣区域的历史放疗计划的剂量分布；多个特征至少从所述感兴趣区域的历史放疗图像的形变矢量场提取，还包括从所述感兴趣区域的历史放疗计划的剂量分布提取；对所述多个特征进行筛选以去除冗余特征；建立所述预测模型；以及使用所述多个特征和所述历史选择的自适应放疗策略数据对所述预测模型进行训练。
根据本发明的实施例，其中，所述多个特征可以包括简单统计特征和空间分布特征，对所述多个特征进行筛选包括应用最小冗余最大相关法或最小绝对值收缩选择因子来对所述多个特征进行筛选，建立所述预测模型算法包括应用支持向量机、逻辑回归、K近邻算法以及随机森林中的一个。
根据本发明的实施例，其中，所述简单统计特征可以包括最大值、最小值、平均值、中值、偏斜度、峰度、标准差中的一个或多个，所述空间分布特征可以包括灰度共生矩阵特征、灰度区域大小矩阵特征和灰度游程矩阵中的一个或多个。
根据本发明的实施例，其中，基于所述深度学习方法建立和训练所述预测模型可以包括：至少使用所述感兴趣区域的历史放疗图像作为输入，还使用所述感兴趣区域的历史放疗计划的剂量分布作为输入，利用卷积神经网络建立所述预测模型；以及至少使用所述感兴趣区域的历史放疗图像，还使用所述感兴趣区域的历史放疗计划的剂量分布，以及所述历史选择的自适应放疗策略数据来训练所述预测模型。
根据本发明的实施例，一种自适应放疗策略预测系统，其可以包括：输入模块，用于获取患者的放疗数据，所述放疗数据包括历史放疗数据和新放疗数据，具体包括数据采集单元和存储单元，所述数据采集单元用于获得本地的放疗数据，还用于和外部平台通信，获取远程通信的放疗数据，所述存储单元用于保存所述本地的放疗数据和所述远程通信的放疗数据；预处理模块，用于对所述放疗数据进行预处理，得到预处理后的历史放疗数据和预处理后的新放疗数据；预测模块，用于基于根据所述历史放疗数据建立和训练预测模型，将所述新放疗数据应用到所述预测模型；以及输出模块，用于输出新自适应放疗时合适的自适应放疗策略。
根据本发明的实施例，其中，所述历史放疗数据至少包括历史放疗图像数据以及历史选择的自适应放疗策略数据，还可以包括历史放疗计划数据；所述新放疗数据至少包括新放疗图像数据，还可以包括新放疗计划数据。
根据本发明的实施例，其中，所述历史放疗图像数据可以包括历史参考图像和历史引导图像，所述历史选择的自适应放疗策略数据可以包括以下四种自适应放疗策略中的一个：保持患者位置并保持所述历史参考图像的放疗计划，调整患者位置并保持所述历史参考图像的放疗计划，保持患者位置并调整所述历史参考图像的放疗计划，以及保持患者位置并调整所述历史引导图像的解剖结构的勾画和放疗计划，并且，所述历史放疗计划数据可以包括所述四种自适应放疗策略的计划中的解剖结构的勾画和剂量分布；所述新放疗图像数据可以包括新参考图像和新引导图像，并且，所述新放疗计划数据可以包括所述新参考图像的计划中的解剖结构的勾画和剂量分布。
根据本发明的实施例，所述预处理模块可以执行：计划评价操作，用于通过建立计划质量度量标准，评价所述四种自适应放疗策略的计划，以确定所述历史选择的自适应放疗策略数据，所述计划质量度量标准由医师和物理师根据对应治疗部位的临床要求而确定；解析操作，用于解析所述放疗计划数据中的解剖结构的勾画，以获得感兴趣区域的模板；以及过滤操作，利用所述模板滤除所述感兴趣区域之外的其他区域，从而获得所述感兴趣区域的信息，其中，建立和训练所述预测模型至少使用所述感兴趣区域的历史放疗图像和所述历史选择的自适应放疗策略数据，还可以使用所述感兴趣区域的历史放疗计划的剂量分布，应用所述预测模型至少使用所述感兴趣区域的新放疗图像作为输入，还可以使用所述感兴趣区域的新放疗计划的剂量分布。
根据本发明的实施例，其中，所述预测模块可以包括基于机器学习方法的预测单元或深度学习方法的预测单元。
根据本发明的实施例，基于所述机器学习方法的预测单元还执行特征提取操作：将所述历史参考图像形变配准至所述历史引导图像，获取所述历史放疗图像的形变矢量场；利用所述模板滤除所述感兴趣区域之外的其他区域的所述历史放疗图像的形变矢量场和所述历史放疗计划的剂量分布，从而获得所述感兴趣区域的历史放疗图像的形变矢量场和所述感兴趣区域的历史放疗计划的剂量分布；多个特征至少从所述感兴趣区域的历史放疗图像的形变矢量场提取，还可以包括从所述感兴趣区域的历史放疗计划的剂量分布提取；对所述多个特征进行筛选以去除冗余特征；建立所述预测模型；以及使用所述多个特征和所述历史选择的自适应放疗策略数据对所述预测模型进行训练。
根据本发明的实施例，基于所述深度学习方法的预测单元至少使用所述感兴趣区域的历史放疗图像作为输入，还使用所述感兴趣区域的历史放疗计划的剂量分布作为输入，利用卷积神经网络建立所述预测模型；以及至少使用所述感兴趣区域的历史放疗图像，还可以使用所述感兴趣区域的历史放疗计划的剂量分布，以及所述历史选择的自适应放疗策略数据来训练所述预测模型。
附图说明
图1示出根据本发明一示例性实施例的自适应放疗策略预测方法的流程图。
图2示出从放疗数据获得感兴趣区域的数据的过程的示意图。
图3示出根据本发明一示例性实施例基于机器学习建立预测模型的方法的流程图。
图4示出根据本发明一示例性实施例基于深度学习建立预测模型的方法的流程图。
图5示出根据本发明一示例性实施例的预测模型的ROC验证过程的示意图。
图6示出了根据本发明一示例性实施例提供的自适应放疗策略预测系统的功能框图。
具体实施方式
下面将结合附图描述本发明的示例性实施例。在下面描述的实施例中，以前列腺癌放疗为例进行了描述，但是应理解，本发明不限于此。而是，本发明的原理可用于任何其他部位的自适应放疗策略预测。
图1示出根据本发明一示例性实施例的自适应放疗策略预测方法100的流程图。如图1所示，方法100可始于步骤S110，获取患者的放疗数据，包括历史放疗数据和新放疗数据。这里，历史放疗数据是已治患者的放疗数据，新放疗数据是新患者接受新放疗时的放疗数据，其可以是同一治疗部位患者的放疗数据，例如前列腺癌患者，或者其他肿瘤或癌症患者。历史放疗数据至少包括对患者执行过的历史放疗图像数据和历史选择的自适应放疗策略数据，其中，历史放疗图像数据可包括历史参考图像和历史引导图像，可选地，还可以包括历史放疗计划数据，其包括解剖结构的勾画和剂量分布。历史放疗计划可以包括四种自适应放疗策略的计划。新放疗数据至少包括新患者的新放疗图像数据，其中，新放疗图像数据可包括新参考图像和新引导图像，可选地，还可以包括新放疗计划数据，其包括解剖结构的勾画和剂量分布。新放疗计划可以是新参考图像的放疗计划，即，新放疗时的疗前参考计划。放疗图像数据和放疗计划数据一般以特定数据格式存储在放疗设备上，例如常用的DICOMRT数据格式。历史选择的自适应放射治疗策略数据包括以下四种自适应放疗策略中的一个：保持患者位置并保持所述历史参考图像的放疗计划(策略1)；调整患者位置并保持所述历史参考图像的放疗计划(策略2)；保持患者位置并调整所述历史参考图像的放疗计划(策略3)；以及保持患者位置并调整所述历史引导图像的解剖结构的勾画和放疗计划(策略4)，即需要确定适合患者该分次放疗的最适合的自适应放疗策略。历史选择的自适应放疗策略数据可通过剂量学评价标准评估确定。
在一示例中，以预测前列腺癌自适应放疗策略为例，共选取了12例前列腺癌患者共60个治疗分次，采处方剂量为40Gy，用调强(intensity modulated radiotherapytreatment，IMRT)方式治疗。其中，历史选择的自适应放疗策略中，采用策略3共17个分次，采用策略4共43个分次。
然后在步骤S120中，可以根据历史放疗数据建立和训练预测模型。该步骤可以对所获得的历史放疗图像数据和历史放疗计划数据进行预处理，以获得感兴趣区域的放疗数据。例如，在一示例中，可以解析放疗计划数据中的解剖结构的勾画，得到感兴趣区域的三维轮廓模板。然后，利用所述模板滤除感兴趣区域之外的其他区域的数据，从而获得感兴趣区域的放疗数据。通过获得的感兴趣区域的放疗数据以及历史选择的自适应放疗策略数据，来建立预测模型。建立预测模型可采用多种方法，例如基于机器学习的方法或基于深度学习(或称为深度神经网络)的方法，下面逐一详细说明。
接下来，在步骤S130中，可以将新放疗数据应用到预测模型预测并输出新放疗时合适的自适应放疗策略。
图1中的步骤S120的一示例示于图2中。如图2所示，感兴趣的区域可以是靶区、靶区外扩区域以及其周围危及器官，利用其模板(即，靶区和靶区外扩区域)对放疗数据进行过滤，即可得到感兴趣区域的放疗数据。图2所示的放疗数据包括历史放疗数据和新放疗数据，二者都做同样的过滤处理。其中，建立和训练预测模型之前需要过滤处理历史放疗图像数据和历史放疗计划数据，应用预测模型需要过滤处理新放疗图像数据和新放疗计划数据。
对于机器学习方案，利用其建立预测模型的流程图示于图3中。如图3所示，首先，可以在步骤S310中，从感兴趣区域的放疗数据中提取多个特征，其中感兴趣区域的放疗数据至少包括感兴趣区域的图像，可选地，还可以包括感兴趣区域的剂量分布。提取多个特征的步骤可包括对图像和剂量分布进行各种数学处理，例如在一实施例中，可以对感兴趣区域的图像和剂量分布进行小波变化，以更充分地挖掘数据的三维空间特征。小波变换通过时频尺度自适应的卷积核，能够更加清晰的揭示不同方向的特征。
提取的特征可包括简单统计特征和基于空间分布的特征等，下面逐一进行说明。
简单统计特征包括基于图像形变矢量场的统计特征：最大值(maximum)、最小值(minimum)、平均值(mean)、标准差(deviation)、偏斜度(skewness)和峰度(kurtosis)等。除此之外，简单统计特征还可包括体积(volume，V)、表面积(area，A)、体积面积比(ratio)、椭圆度(sphericity)、两种完整度(compactness1,compactness2)、均衡度(disproportion)等形状特征。
空间分布的特征包括基于灰度共生矩阵(gray-level cooccurrence matrix，GLCM)、灰度区域大小矩阵(gray-level size zone matrix，GLSZM)、灰度游程矩阵(graylevel run-length matrix，GLRLM)的特征。
GLCM定义为距离图像某一点固定距离的位置灰度的概率。基于GLCM的特征值包括自相关(autocorrelation)、能量(energy)、对比(contrast)、熵(entropy)、非相似度(dissimilarity)、均整度(homogeneity)、行/列灰度平均值(μx/μy)、相关度(corelation)、平方和(sum of squares,ss)、集群显著性(cluster prominence，cp)、集群阴影(clustershade，cs)、集群趋势(cluster tendency，ct)、差异平均值(difference anverage，da)、差异熵(difference entropy，de)、差异方差(difference variance,dv)、和均值(sumaverage，sa)、和熵(sum entropy，se)、和方差(sum variance、sv)和两种非正式测量形式(informal measure of correlation，idm)。
GLSZM定义为灰度值相同的联通区域的大小。基于GLSZM的特征包括：小面积区域增强值(small area emphasis，sae)、大面积区域增强值(large area emphasis,lae)、低阶区域增强值(low gray level zone emphasis，lglze)、高阶区域增强值(high graylevel zone emphasis，hglze)、小面积区域低阶增强值(small area low gray levelemphasis,salgle)、小面积区域高阶增强值(small area high gray level emphasis,sahgle)、大面积区域低阶增强值(large area low gray level emphasis,lalgle)、大面积区域高阶增强值(large area high gray level emphasis,sahgle)、灰度非均匀度(gray level non-uniformity,gln)、灰度非均匀度归一值(gray level non-uniformitynormalized,glnn)、区域非均匀度(size zone non-uniformity)、区域非均匀度归一值(size zone non-uniformity normalized,sznn)、灰度方差(gray level variance,glv)、区域方差(zone variance,zv)、区域熵(zone entropy,ze)。
GLRLM与GLSZM类似，不同之处在于按照不同方向统计，然后对应点相加求平均，得到最终的GLRLM。基于GLSZM的特征包括：小面积区域增强值(short run emphasis，sre)、大面积区域增强值(long run emphasis,lre)、灰度非均匀度(gray level non-uniformity,gln)、灰度非均匀度归一值(gray level non-uniformity normalized,glnn)、游程非均匀度(run length non-uniformity,rln)、游程非均匀度归一值(run length non-uniformity normalized,rlnn)、灰度方差(gray level variance,glv)、游程方差(runvariance,rv)、游程熵(run entropy,re)、低阶游程增强值(low gray level runemphasis，lglre)、高阶游程增强值(high gray level run emphasis，hglre)、短游程低阶增强值(short run low gray level emphasis,srlgle)、短游程高阶增强值(short runhigh gray level emphasis,srhgle)、长游程低阶增强值(long run low gray levelemphasis,lrlgle)、长游程高阶增强值(long run high gray level emphasis,lrhgle)。
接下来，在步骤S320中，通过最小冗余最大相关法(minimum redundancy maximumrelevance,mRMR)或者最小绝对值收缩选择因子(least absolute shrinkage andselection operator,Lasso)筛选特征，并建立特征向量与选择的自适应放疗策略之间的对应关系。最小冗余最大相关法以互信息为指标，在最大化特征与预测结果的相关性的同时减少特征的冗余。
接下来，在步骤S330中，基于机器学习方法建立并训练预测模型。这里，机器学习方法可以应用支持向量机(support vector machine,SVM)或逻辑回归(logisticregression)等技术。将所提取的特征作为输入，将选择的自适应放疗策略数据作为输出，来训练该预测模型。以采用逻辑回归技术为例，可以使用sigmoid函数将观测值映射到[0,1]的值域从而实现二元分类，通过最大似然拟合确定预测模型的参数。
对于深度学习方案，利用其建立预测模型的流程图示于图4中。在步骤S410中，获取的样本的感兴趣区域的放疗数据和对应的选择的自适应放疗策略数据；在步骤S420中，通过卷积神经网络(CNN)建立并训练预测模型。基于深度学习方法的预测模型可以直接使用放疗数据作为输入。示例中使用了12名患者的样本数据，更多的样本数据有助于提高预测模型的训练效果，从而提升预测的准确性。
通过上述步骤，完成了建立预测模型的过程。此时，可以采用受试者工作特征(receiver operating characteristic，ROC)验证预测模型。具体的流程如下：首先将测试病例的特征输入预测模型，得到自适应策略4的预测概率；然后设定阈值，如果预测概率大于阈值则使用自适应策略4，反之则使用自适应策略3；如表1所示，根据测试病例自适应放疗策略的实际选择结果与预测选择结果可以分为4种不同的类型，由此得到真阳性概率(true positive rate,TPR)和假阳性概率(false positive rate,FPR)，计算公式分别为：
TPR＝TP/(TP+FN) (1)
FPR＝FP/(FP+TN) (2)
通过连续变化阈值得到一系列的TPR和FPR，以FPR为横坐标，以TPR为纵坐标，连接这些点可以得到ROC曲线。ROC曲线下的面积(area under curve，AUC)能够定量的反映出模型的预测能力。AUC的取值范围是[0,1]，AUC值越大表示模型的预测能力越强，特别的如果AUC的值为0/1，表示预测模型预测完全错误/正确，AUC的值为0.5表示模型随机猜测。
表1.ROC预测情况分类
Figure BDA0003599214460000141
图5示出对一示例的基于机器学习方法的预测模型进行ROC验证的示例曲线。如图所示，AUC值为0.90，远大于文献中报道的0.76。可见，根据本发明建立的预测模型具有更高的准确性。
上面以机器学习方法和前列腺癌为例，描述了本发明的一些具体实施例。应理解，本发明的原理不限于这些实施例。本发明还可以：应用于四种自适应策略的预测；利用深度学习方法建立预测模型；基于其他部位的放疗数据对自适应放疗策略进行预测。其应用过程与上面描述的实施例基本相同，这里不再一一重复描述。
图6示出了根据本发明一实施例提供的自适应放疗策略预测系统的功能框图。图6所示的自适应放疗策略预测系统的各个模块的功能已在上面得到了论述，因此这里仅进行简要描述。
如图6所示，自适应放疗策略预测系统200包括输入模块210、预处理模块220、预测模块230和输出模块240。
输入模块210包括历史放疗数据输入单元212和新放疗数据输入单元214，可用于接收放疗数据的输入，其中，历史放疗数据用于建立和训练预测模型，新放疗数据可以应用预测模型。所接收的放疗数据可在预处理模块220中被预处理，预处理模块220包括历史放疗数据预处理单元222和新放疗数据预处理单元224。预处理模块220可以对放疗数据进行预处理以获得感兴趣区域的数据。在一些实施例中，历史放疗数据预处理单元222和新放疗数据预处理单元224可执行解析操作和过滤操作，解析操作可以对放疗计划中的解剖结构的勾画进行解析以获得感兴趣区域的模板，然后过滤操作可利用所述模板滤除感兴趣区域之外的其他区域，从而获得感兴趣区域的放疗数据。在一些实施例中，历史放疗数据预处理单元222还可以执行计划评价操作，通过建立剂量学评价标准，评价四种自适应放疗策略的计划，以确定历史选择的自适应放疗策略数据。在一些优选实施例中，输入模块210还包括数据采集单元和存储单元，数据采集单元用于获得预测系统本地的放疗数据，具体是可以从本地数据库中进行抓取，还能够和外部平台通信，获取远程通信的放疗数据。存储单元用于保存抓取的本地的放疗数据和远程通信的放疗数据。
然后，预测模块230包括模型训练单元232和模型应用单元234，可以对应选择的自适应放疗策略进行预测。在一些实施例中，模型训练单元232包括有如上所述基于机器学习方法建立和训练预测模型。建立该预测模型首先需要执行特征提取操作，特征提取操作可从感兴趣区域的放疗数据中提取多个特征，如上面详细描述的那些特征。这里应注意的是，所提取的特征可以是在预测模型建立过程中筛选之后所需的那些特征，而不包括滤除掉的那些冗余特征，从而可以提高预测效率。然后可以利用提取的特征来进行训练。另一方面，当模型训练单元232还包括有如上所述基于深度学习方法建立和训练预测模型。该预测模型可以直接利用感兴趣区域的放疗数据来进行训练，此时，特征提取操作可以被省略。当模型训练单元232完成两种预测模型的训练后，两种预测模型被传输到模型应用单元234。经过预处理的新放疗数据可以输入到模型应用单元234进行预测。
最后，输出模块240可以输出预测结果。在一些实施例中，输出模块240可以是诸如显示器、打印机之类的输出设备。
应理解，本发明的预测方法和系统可以实施在诸如通用计算机或专用装置之类的硬件装置上。例如，一种计算机装置可包括诸如硬磁盘、固态存储器(SSD)之类的存储器和诸如中央处理单元(CPU)之类的处理器，存储器上可存储有计算机指令，该计算机指令在被处理器运行时，可以执行上面描述的方法，或者实现上面描述的各个功能模块的功能。
除了上述方法、系统和装置以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书描述的根据本申请各种实施例的方法中的各个步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
虽然上面按照一定的顺序描述了方法中的各个步骤，但是应理解，这些步骤也可以按照不同的顺序进行，或者多个步骤可以同时进行。或者在一些实施例中，某些步骤可以一直持续地进行。本发明的方法涵盖所有这些不同的执行顺序。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (16)

1.一种自适应放疗策略预测方法，包括：
获取患者的放疗数据，所述放疗数据包括历史放疗数据和新放疗数据；
通过预处理流程对所述放疗数据进行预处理，得到预处理后的历史放疗数据和预处理后的新放疗数据；
根据所述预处理后的历史放疗数据建立和训练预测模型，将所述预处理后的新放疗数据应用到所述预测模型；以及
输出新放疗时合适的自适应放疗策略。
2.根据权利要求1所述的方法，其中，所述历史放疗数据至少包括历史放疗图像数据以及历史选择的自适应放疗策略数据，还包括历史放疗计划数据；所述新放疗数据至少包括新放疗图像数据，还包括新放疗计划数据。
3.根据权利要求2所述的方法，其中，所述历史放疗图像数据包括历史参考图像和历史引导图像，
所述历史选择的自适应放疗策略数据包括以下四种自适应放疗策略中的一个：保持患者位置并保持所述历史参考图像的放疗计划，调整患者位置并保持所述历史参考图像的放疗计划，保持患者位置并调整所述历史参考图像的放疗计划，以及保持患者位置并调整所述历史引导图像的解剖结构的勾画和放疗计划，并且，
所述历史放疗计划数据包括所述四种自适应放疗策略的计划中的解剖结构的勾画和剂量分布；
所述新放疗图像数据包括新参考图像和新引导图像，并且，
所述新放疗计划数据包括所述新参考图像的放疗计划中的解剖结构的勾画和剂量分布。
4.根据权利要求3所述的方法，所述预处理流程包括：
通过建立计划质量度量标准，评价所述四种自适应放疗策略的计划，以确定所述历史选择的自适应放疗策略数据，所述计划质量度量标准由医师和物理师根据对应治疗部位的临床要求而确定；
解析所述放疗计划数据中的解剖结构的勾画，以获得感兴趣区域的模板；以及
利用所述模板滤除所述感兴趣区域之外的其他区域，从而获得所述感兴趣区域的信息，
其中，建立和训练所述预测模型至少使用所述感兴趣区域的历史放疗图像和所述历史选择的自适应放疗策略数据，还使用所述感兴趣区域的历史放疗计划的剂量分布；应用所述预测模型至少使用所述感兴趣区域的新放疗图像作为输入，还使用所述感兴趣区域的新放疗计划的剂量分布。
5.根据权利要求4所述的方法，其中，建立和训练所述预测模型包括基于机器学习方法或深度学习方法建立和训练所述预测模型。
6.根据权利要求5所述的方法，其中，基于所述机器学习方法建立和训练所述预测模型包括：
将所述历史参考图像形变配准至所述历史引导图像，获取所述历史放疗图像的形变矢量场；
利用所述模板滤除所述感兴趣区域之外的其他区域的所述历史放疗图像的形变矢量场和所述历史放疗计划的剂量分布，从而获得所述感兴趣区域的历史放疗图像的形变矢量场和所述感兴趣区域的历史放疗计划的剂量分布；
多个特征至少从所述感兴趣区域的历史放疗图像的形变矢量场提取，还包括从所述感兴趣区域的历史放疗计划的剂量分布提取；
对所述多个特征进行筛选以去除冗余特征；
建立所述预测模型；以及
使用所述多个特征和所述历史选择的自适应放疗策略数据对所述预测模型进行训练。
7.根据权利要求6所述的方法，其中，所述多个特征包括简单统计特征和空间分布特征，对所述多个特征进行筛选包括应用最小冗余最大相关法或最小绝对值收缩选择因子来对所述多个特征进行筛选，建立所述预测模型算法包括应用支持向量机、逻辑回归、K近邻算法以及随机森林中的一个。
8.根据权利要求7所述的方法，其中，所述简单统计特征包括最大值、最小值、平均值、中值、偏斜度、峰度、标准差中的一个或多个，所述空间分布特征包括灰度共生矩阵特征、灰度区域大小矩阵特征和灰度游程矩阵中的一个或多个。
9.根据权利要求5所述的方法，其中，基于所述深度学习方法建立和训练所述预测模型包括：
至少使用所述感兴趣区域的历史放疗图像作为输入，还使用所述感兴趣区域的历史放疗计划的剂量分布作为输入，利用卷积神经网络建立所述预测模型；以及
至少使用所述感兴趣区域的历史放疗图像，还使用所述感兴趣区域的历史放疗计划的剂量分布，以及所述历史选择的自适应放疗策略数据来训练所述预测模型。
10.一种自适应放疗策略预测系统，包括：
输入模块，用于获取患者的放疗数据，所述放疗数据包括历史放疗数据和新放疗数据；具体包括数据采集单元和存储单元，所述数据采集单元用于获得本地的放疗数据，还用于和外部平台通信，获取远程通信的放疗数据，所述存储单元用于保存所述本地的放疗数据和所述远程通信的放疗数据；
预处理模块，用于对所述放疗数据进行预处理，得到预处理后的历史放疗数据和预处理后的新放疗数据；
预测模块，用于根据所述预处理后的历史放疗数据建立和训练预测模型；以及
输出模块，用于将所述新放疗数据应用到所述预测模型预测并输出新放疗时合适的自适应放疗策略。
11.根据权利要求10所述的系统，其中，所述历史放疗数据至少包括历史放疗图像数据以及历史选择的自适应放疗策略数据，还包括历史放疗计划数据；所述新放疗数据至少包括新放疗图像数据，还包括新放疗计划数据。
12.根据权利要求11所述的系统，其中，所述历史放疗图像数据包括历史参考图像和历史引导图像，
所述历史选择的自适应放疗策略数据包括以下四种自适应放疗策略中的一个：保持患者位置并保持所述历史参考图像的放疗计划，调整患者位置并保持所述历史参考图像的放疗计划，保持患者位置并调整所述历史参考图像的放疗计划，以及保持患者位置并调整所述历史引导图像的解剖结构的勾画和放疗计划，并且，
所述历史放疗计划数据包括所述四种自适应放疗策略的计划中的解剖结构的勾画和剂量分布；
所述新放疗图像数据包括新参考图像和新引导图像，并且，
所述新放疗计划数据包括所述新参考图像的计划中的解剖结构的勾画和剂量分布。
13.根据权利要求12所述的系统，所述预处理模块还执行：
计划评价操作，用于通过建立计划质量度量标准，评价所述四种自适应放疗策略的计划，以确定所述历史选择的自适应放疗策略数据，所述计划质量度量标准由医师和物理师根据对应治疗部位的临床要求而确定；
解析操作，用于解析所述放疗计划数据中的解剖结构的勾画，以获得感兴趣区域的模板；以及
过滤操作，利用所述模板滤除所述感兴趣区域之外的其他区域，从而获得所述感兴趣区域的信息，
其中，建立和训练所述预测模型至少使用所述感兴趣区域的历史放疗图像和所述历史选择的自适应放疗策略数据，还使用所述感兴趣区域的历史放疗计划的剂量分布，应用所述预测模型至少使用所述感兴趣区域的新放疗图像作为输入，还使用所述感兴趣区域的新放疗计划的剂量分布。
14.根据权利要求13所述的系统，其中，所述预测模块包括基于机器学习方法的预测单元或深度学习方法的预测单元。
15.根据权利要求14所述的系统，基于所述机器学习方法的预测单元还执行特征提取操作：
将所述历史参考图像形变配准至所述历史引导图像，获取所述历史放疗图像的形变矢量场；
利用所述模板滤除所述感兴趣区域之外的其他区域的所述历史放疗图像的形变矢量场和所述历史放疗计划的剂量分布，从而获得所述感兴趣区域的历史放疗图像的形变矢量场和所述感兴趣区域的历史放疗计划的剂量分布；
多个特征至少从所述感兴趣区域的历史放疗图像的形变矢量场提取，还包括从所述感兴趣区域的历史放疗计划的剂量分布提取；
对所述多个特征进行筛选以去除冗余特征；
建立所述预测模型；以及
使用所述多个特征和所述历史选择的自适应放疗策略数据对所述预测模型进行训练。
16.根据权利要求14所述的系统，基于所述深度学习方法的预测单元至少使用所述感兴趣区域的历史放疗图像作为输入，还使用所述感兴趣区域的历史放疗计划的剂量分布作为输入，利用卷积神经网络建立所述预测模型；以及
至少使用所述感兴趣区域的历史放疗图像，还使用所述感兴趣区域的历史放疗计划的剂量分布，以及所述历史选择的自适应放疗策略数据来训练所述预测模型。
CN202210396480.2A 2022-04-15 2022-04-15 自适应放疗策略的人工智能预测方法和系统 Pending CN114707742A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210396480.2A CN114707742A (zh) 2022-04-15 2022-04-15 自适应放疗策略的人工智能预测方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210396480.2A CN114707742A (zh) 2022-04-15 2022-04-15 自适应放疗策略的人工智能预测方法和系统

Publications (1)

Publication Number Publication Date
CN114707742A true CN114707742A (zh) 2022-07-05

Family

ID=82174105

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210396480.2A Pending CN114707742A (zh) 2022-04-15 2022-04-15 自适应放疗策略的人工智能预测方法和系统

Country Status (1)

Country Link
CN (1) CN114707742A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115300811A (zh) * 2022-08-08 2022-11-08 中山大学肿瘤防治中心（中山大学附属肿瘤医院、中山大学肿瘤研究所） 一种基于机器学习的剂量分布确定方法及装置
CN117238488A (zh) * 2023-11-16 2023-12-15 四川省肿瘤医院 一种基于图像分析的直肠癌放疗反应分析方法及系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115300811A (zh) * 2022-08-08 2022-11-08 中山大学肿瘤防治中心（中山大学附属肿瘤医院、中山大学肿瘤研究所） 一种基于机器学习的剂量分布确定方法及装置
CN115300811B (zh) * 2022-08-08 2024-01-05 中山大学肿瘤防治中心（中山大学附属肿瘤医院、中山大学肿瘤研究所） 一种基于机器学习的剂量分布确定方法及装置
CN117238488A (zh) * 2023-11-16 2023-12-15 四川省肿瘤医院 一种基于图像分析的直肠癌放疗反应分析方法及系统
CN117238488B (zh) * 2023-11-16 2024-01-30 四川省肿瘤医院 一种基于图像分析的直肠癌放疗反应分析方法及系统

Similar Documents

Publication Publication Date Title
US11386557B2 (en) Systems and methods for segmentation of intra-patient medical images
AU2019257675B2 (en) Image enhancement using generative adversarial networks
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
AU2019449137B2 (en) sCT image generation using cyclegan with deformable layers
US10672128B2 (en) Online learning enhanced atlas-based auto-segmentation
US11996178B2 (en) Parameter search in radiotherapy treatment plan optimization
CN108815721B (zh) 一种照射剂量确定方法及系统
CN112041026A (zh) 使用生成式对抗网络的放射疗法治疗计划建模
US11367520B2 (en) Compressing radiotherapy treatment plan optimization problems
CN114707742A (zh) 自适应放疗策略的人工智能预测方法和系统
Camps et al. Automatic quality assessment of transperineal ultrasound images of the male pelvic region, using deep learning
RU2801420C1 (ru) Система и способ диагностики тазобедренных суставов
Camps et al. Quality assessment of transperineal ultrasound images of the male pelvic region using deep learning
RU2795658C1 (ru) Устройство и способ для диагностики тазобедренных суставов

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