CN114796891A - 放疗系统 - Google Patents

放疗系统 Download PDF

Info

Publication number
CN114796891A
CN114796891A CN202210303766.1A CN202210303766A CN114796891A CN 114796891 A CN114796891 A CN 114796891A CN 202210303766 A CN202210303766 A CN 202210303766A CN 114796891 A CN114796891 A CN 114796891A
Authority
CN
China
Prior art keywords
treatment
data
sample data
clinical
stage
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.)
Granted
Application number
CN202210303766.1A
Other languages
English (en)
Other versions
CN114796891B (zh
Inventor
闫浩
李久良
李金升
昝鹏
刘海峰
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.)
Our United Corp
Original Assignee
Our United Corp
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 Our United Corp filed Critical Our United Corp
Priority to CN202210303766.1A priority Critical patent/CN114796891B/zh
Publication of CN114796891A publication Critical patent/CN114796891A/zh
Application granted granted Critical
Publication of CN114796891B publication Critical patent/CN114796891B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N5/00—Radiation therapy
    • A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
    • A61N5/103—Treatment planning systems
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N5/00—Radiation therapy
    • A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
    • A61N5/103—Treatment planning systems
    • A61N5/1038—Treatment planning systems taking into account previously administered plans applied to the same patient, i.e. adaptive radiotherapy
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N5/00—Radiation therapy
    • A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
    • A61N5/1048—Monitoring, verifying, controlling systems and methods
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N5/00—Radiation therapy
    • A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
    • A61N5/1048—Monitoring, verifying, controlling systems and methods
    • A61N5/1075—Monitoring, verifying, controlling systems and methods for testing, calibrating, or quality assurance of the radiation treatment apparatus
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/23—Updating
    • G06F16/2365—Ensuring data consistency and integrity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
    • 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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/40—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management of medical equipment or devices, e.g. scheduling maintenance or upgrades
    • 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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N5/00—Radiation therapy
    • A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
    • A61N5/103—Treatment planning systems
    • A61N2005/1041—Treatment planning systems using a library of previously administered radiation treatment applied to other patients

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pathology (AREA)
  • Theoretical Computer Science (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Radiology & Medical Imaging (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Urology & Nephrology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Surgery (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Security & Cryptography (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Radiation-Therapy Devices (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供了一种放疗系统、数据处理方法及存储介质，涉及放疗技术领域，该系统包括：标定数据库、训练模块和数据处理模块；该标定数据库可以获取临床治疗过程中生成的多个样本数据，该训练模块可以对该标定数据库中存储的多个样本数据进行深度学习，得到治疗算法模型，该数据处理模块可以根据该治疗算法模型，对临床治疗过程中接收到的检测数据进行处理，生成初步治疗数据。由于该治疗算法模型是对大量的临床数据进行深度学习后得到的，因此该治疗算法模型的可靠性较高，相应的，由该治疗算法模型生成的初步治疗数据的准确率也较高，可以直接用于临床治疗，或者仅需临床人员的少量修订即可用于临床治疗，从而有效提高了放疗系统的治疗效率。

Description

放疗系统
本申请是申请号为201780003947.X、申请日为2017年06月05日、发明名称为“放疗系统、数据处理方法及存储介质”的分案申请。
技术领域
本申请涉及放射治疗技术领域，特别涉及一种放疗系统。
背景技术
放射治疗(简称：放疗)是利用放射线治疗肿瘤的一种局部治疗方法。现代放疗技术对图像信息的依赖程度越来越高，逐渐形成了以放疗影像为基础的新的放疗模式，例如基于图像引导的放疗模式(Imaging Guided Radiation Therapy，IGRT)，以及自适应放疗模式(Adaptive Radiation Therapy，ART)。
相关技术中，基于放疗影像的放疗系统主要包括医疗图像获取模块、配准模块、勾画模块和治疗计划生成模块。其中医疗图像获取模块可以包括电子计算机断层扫描(Computed Tomography，CT)、锥形束CT设备以及磁共振成像(Magnetic Resonance，MRI)设备等，主要用于获取不同治疗阶段的病灶图像；该配准模块主要用于对不同方式和阶段获取到的病灶图像进行配准，勾画模块主要用于将肿瘤的照射区域(即靶区)以及周边的重要器官勾画出来；治疗计划生成模块主要用于根据获取的病灶图像和勾画的结果生成初步的治疗计划。
但是，相关技术中的放疗系统中，配准模块、勾画模块和治疗计划生成模块等数据处理模块一般是根据预设的模型对获取到的检测数据进行初步处理，该处理结果的准确度需要各级放疗临床人员花费较多时间进行调整、确认和批准后才能用于临床治疗，这个过程高度依赖各级放疗临床人员的专业经验和素养，因此通过目前的放疗系统进行治疗的效果在不同的医院存在较大差别，此外由于需要大量人工干预，效率还需提高。
发明内容
为了解决上述问题，本申请提供了一种放疗系统。所述技术方案如下：
第一方面，提供了一种放疗系统，所述系统包括：
标定数据库、训练模块和数据处理模块；
所述标定数据库，用于获取临床治疗过程中生成的多个样本数据，其中每个样本数据包括一组检测数据，以及对应的一组应用于临床治疗的治疗数据；
所述训练模块，用于对所述标定数据库中存储的所述多个样本数据进行深度学习，得到治疗算法模型，并将所述治疗算法模型发送至所述数据处理模块；
所述数据处理模块，用于根据所述治疗算法模型，对临床治疗过程中接收到的检测数据进行处理，生成初步治疗数据。
可选的，所述标定数据库，还用于接收修订样本数据，所述修订样本数据包括针对所述初步治疗数据的修订数据，以及与所述初步治疗数据对应的检测数据，其中，所述修订数据为临床人员对所述初步治疗数据进行修订后得到的实际用于临床治疗的数据；
所述训练模块，还用于设置所述修订样本数据的权重值，使得所述修订样本数据的权重值大于预设权重值，并对所述标定数据库中更新后的样本数据进行深度学习。
可选的，所述训练模块，还用于接收针对指定样本数据的反馈等级，所述反馈等级与所述指定样本数据中治疗数据的治疗效果的优劣正相关；
所述训练模块，还用于根据所述指定样本数据的反馈等级调整所述指定样本数据的权重值，并对所述标定数据库中调整权重值后的样本数据进行深度学习，其中，所述指定样本数据调整后的权重值与所述反馈等级正相关。
可选的，所述放疗系统还包括：通信模块；所述通信模块，用于将所述治疗算法模型发送至云服务器，以便所述云服务器将所述治疗算法模型发送至其他医院的本地服务器；
或者，所述放疗系统部署于云服务器中，所述标定数据库中存储的多个样本数据是从指定医院的临床数据库中获取到的；所述通信模块用于将所述治疗算法模型发送至任一医院的本地服务器。
可选的，所述数据处理模块，用于接收任一医院的本地服务器发送的检测数据，根据所述治疗算法模型，对所述检测数据进行处理，生成初步治疗数据，并将所述初步治疗数据发送至所述本地服务器。
可选的，所述临床治疗过程包括：图像配准阶段，所述图像配准阶段生成的样本数据包括多个医疗影像数据以及对应的配准图像；所述训练模块，用于：对所述图像配准阶段生成的多个样本数据进行深度学习，得到配准模型；
和/或，所述临床治疗过程包括：勾画阶段，所述勾画阶段生成的样本数据包括配准图像以及对应的勾画结果图像；所述训练模块，用于：对所述勾画阶段生成的多个样本数据进行深度学习，得到勾画模型；
和/或，所述临床治疗过程包括：治疗计划制定阶段，所述治疗计划制定阶段生成的样本数据包括：医疗影像数据、勾画结果图像以及对应的治疗计划；所述训练模块，用于：对所述治疗计划制定阶段生成的多个样本数据进行深度学习，得到治疗计划制定模型。
可选的，所述临床治疗过程包括：治疗前摆位阶段，所述治疗前摆位阶段生成的样本数据包括多个医疗影像数据以及对应的摆位偏移，所述训练模块，用于：对所述治疗前摆位阶段生成的多个样本数据进行深度学习，得到治疗前摆位模型；
和/或，所述临床治疗过程包括：治疗中监控阶段；所述治疗中监控阶段生成的样本数据包括监控数据以及对应的调整数据，其中，所述监控数据包括：病患位移、肿瘤监控图像和剩余放射剂量，所述调整数据包括治疗枪口位移、肿瘤位移和剂量误差；所述训练模块，用于：对所述治疗中监控阶段生成的多个样本数据进行深度学习，得到监控模型。
可选的，所述每个样本数据中还包括一组附加数据，所述一组附加数据包括至少一个病患属性信息。
所述数据处理模块在临床治疗过程中接收到的数据还包括与所述检测数据对应的附加数据，所述数据处理模块，还用于根据所述治疗算法模型，对所述接收到的检测数据以及对应的附加数据进行处理，生成初步治疗数据。
可选的，所述每个样本数据中还包括一组附加数据，所述一组附加数据包括至少一个病患属性信息；
所述标定数据库，还用于根据每个样本数据的附加数据中目标病患属性信息的内容，对所述多个样本数据进行分类，所述目标病患属性信息是从所述至少一个病患属性信息中确定的；
所述训练模块，用于对所述标定数据库中存储的每一类样本数据分别进行深度学习，得到多种类型的治疗算法模型；
所述数据处理模块在临床治疗过程中接收到的数据还包括与检测数据对应的附加数据，所述数据处理模块，还用于根据所述附加数据中目标病患属性信息的内容，从所述多种类型的治疗算法模型中确定对应的治疗算法模型，并根据所述对应的治疗算法模型，对所述接收到的检测数据进行处理，生成初步治疗数据。
第二方面，提供了一种数据处理方法，应用于第一方面所示的放疗系统中，所述方法包括：
获取临床治疗过程中生成的多个样本数据，其中每个样本数据包括一组检测数据，以及对应的一组应用于临床治疗的治疗数据；
对所述标定数据库中存储的所述多个样本数据进行深度学习，得到治疗算法模型；
根据所述治疗算法模型，对临床治疗过程中接收到的检测数据进行处理，生成初步治疗数据。
可选的，所述方法还包括：
接收修订样本数据，所述修订样本数据包括针对所述初步治疗数据的修订数据，以及与所述初步治疗数据对应的检测数据，其中，所述修订数据为临床人员对所述初步治疗数据进行修订后得到的实际用于临床治疗的数据；
设置所述修订样本数据的权重值，使得所述修订样本数据的权重值大于预设权重值；
对所述标定数据库中更新后的样本数据进行深度学习。
可选的，所述方法还包括：
接收针对指定样本数据的反馈等级，所述反馈等级与所述指定样本数据中治疗数据的治疗效果的优劣正相关；
根据所述指定样本数据的反馈等级调整所述指定样本数据的权重值，所述指定样本数据调整后的权重值与所述反馈等级正相关；
对调整权重值后的样本数据进行深度学习。
可选的，在所述得到治疗算法模型之后，所述方法还包括：将所述治疗算法模型发送至云服务器，以便所述云服务器将所述治疗算法模型发送至其他医院的本地服务器；或者，
所述放疗系统部署于云服务器中，所述获取临床治疗过程中生成的多个样本数据，包括：从指定医院的临床数据库中获取所述多个样本数据；在所述得到治疗算法模型之后，所述方法还包括：将所述治疗算法模型发送至任一医院的本地服务器。
可选的，所述根据所述治疗算法模型，对临床治疗过程中接收到的检测数据进行处理，生成初步治疗数据，包括：接收任一医院的本地服务器发送的检测数据；根据所述治疗算法模型，对所述检测数据进行处理，生成初步治疗数据；所述方法还包括：将所述初步治疗数据发送至所述本地服务器。
可选的，所述临床治疗过程包括：图像配准阶段，所述图像配准阶段生成的样本数据包括多个医疗影像数据以及对应的配准图像，所述对所述标定数据库中存储的所述多个样本数据进行深度学习，得到治疗算法模型，包括：对所述图像配准阶段生成的多个样本数据进行深度学习，得到配准模型；
和/或，所述临床治疗过程包括：勾画阶段，所述勾画阶段生成的样本数据包括配准图像以及对应的勾画结果图像；所述对所述标定数据库中存储的所述多个样本数据进行深度学习，得到治疗算法模型，包括：对所述勾画阶段生成的多个样本数据进行深度学习，得到勾画模型；
和/或，所述临床治疗过程包括：治疗计划制定阶段，所述治疗计划制定阶段生成的样本数据包括：医疗影像数据、勾画结果图像以及对应的治疗计划；所述对所述标定数据库中存储的所述多个样本数据进行深度学习，得到治疗算法模型，包括：对所述治疗计划制定阶段生成的样本数据进行深度学习，得到治疗计划制定模型。
可选的，所述临床治疗过程包括：治疗前摆位阶段，所述治疗前摆位阶段生成的样本数据包括多个医疗影像数据以及对应的摆位偏移，所述对所述标定数据库中存储的所述多个样本数据进行深度学习，得到治疗算法模型，包括：对所述治疗前摆位阶段生成的多个样本数据进行深度学习，得到治疗前摆位模型；
和/或，所述临床治疗过程包括：治疗中监控阶段，所述治疗中监控阶段生成的样本数据包括监控数据以及对应的调整数据，其中，所述监控数据包括：病患位移、肿瘤监控图像和剩余放射剂量，所述调整数据包括治疗枪口位移、肿瘤位移和剂量误差；所述对所述标定数据库中存储的所述多个样本数据进行深度学习，得到治疗算法模型，包括：对所述治疗中监控阶段生成的多个样本数据进行深度学习，得到监控模型。
可选的，所述每个样本数据中还包括一组附加数据，所述一组附加数据包括至少一个病患属性信息；
所述临床治疗过程中接收到的数据还包括与所述检测数据对应的附加数据，所述根据所述治疗算法模型，对临床治疗过程中接收到的检测数据进行处理，生成初步治疗数据，包括：
根据所述治疗算法模型，对所述接收到的检测数据以及对应的附加数据进行处理，生成初步治疗数据。
可选的，所述每个样本数据中还包括一组附加数据，所述一组附加数据包括至少一个病患属性信息；所述方法还包括：
根据每个样本数据的附加数据中目标病患属性信息的内容，对所述多个样本数据进行分类，所述目标病患属性信息是从所述至少一个病患属性信息中确定的；
所述对所述标定数据库中存储的所述多个样本数据进行深度学习，得到治疗算法模型，包括：
对所述标定数据库中存储的每一类样本数据分别进行深度学习，得到多种类型的治疗算法模型；
所述临床治疗过程中接收到的数据还包括与检测数据对应的附加数据，所述根据所述治疗算法模型，对临床治疗过程中接收到的检测数据进行处理，生成初步治疗数据，包括：
根据所述附加数据中目标病患属性信息的内容，从所述多种类型的治疗算法模型中确定对应的治疗算法模型；
根据所述对应的治疗算法模型，对所述接收到的检测数据进行处理，生成初步治疗数据。
第三方面，提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述计算机可读存储介质在计算机上运行时，使得计算机执行第二方面所提供的数据处理方法。
第四方面，提供了一种包含指令的计算机程序产品，当该计算机程序产品在计算机上运行时，使得计算机执行第二方面所提供的数据处理方法。
综上所述，本申请实施例提供了一种放疗系统，包括数据接口、模型训练接口或云接口，通过不同接口可接入不同算法模型，以分别利用算法模型生成用于初步治疗计划的数据。由于该治疗算法模型是对大量的临床数据，特别是具有高质量治疗效果和效率的临床数据，进行深度学习后训练得到的，因此该治疗算法模型的可靠性较高，相应的，由该治疗算法模型生成的初步治疗数据的准确率也较高，可以直接用于临床治疗，或者仅需临床人员的少量修订即可用于临床治疗，从而有效提高了放疗的整体有效性，提高了该放疗系统的治疗效率。
附图说明
为了更清楚地说明本申请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申请的一些实施例，对于本领域普通技术人员来讲，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是本申请实施例提供的一种放疗系统的结构示意图；
图2是本申请实施例提供的另一种放疗系统的结构示意图；
图3是本申请实施例提供的一种放疗系统的应用场景的示意图；
图4是本申请实施例提供的一种数据处理模块的结构示意图；
图5是本申请实施例提供的一种数据处理方法的流程图。
通过上述附图，已示出本申请明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围，而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
图1是本申请实施例提供的一种放疗系统的结构示意图，参考图1，该系统具体可以包括：标定数据库10、训练模块20和数据处理模块30。
其中，该标定数据库10，用于获取临床治疗过程中生成的多个样本数据，其中每个样本数据包括一组检测数据，以及对应的一组应用于临床治疗的治疗数据。
该标定数据库10可以通过预设的数据库接口接入至医院的临床数据库中。该临床数据块中可以存储有多个病患的检测数据和治疗数据，其中每个病患对应一组检测数据以及一组治疗数据，且每个病患的治疗数据均是治疗过程中经过临床工作人员验证，实际用于临床治疗的数据，因此该治疗数据的可靠性较高。并且，由于深度学习所需的经过标定的样本数据的数据量较大，通过直接获取临床治疗过程中生成的样本数据，可以无需再通过人工标定生成样本数据，从而有效降低了样本数据的获取难度。
在本申请实施例中，该标定数据库10可以实时或者周期性的从该临床数据库中获取检测数据以及对应的治疗数据，并将一组检测数据以及对应的一组治疗数据作为一个样本数据进行存储。
图2是本申请实施例提供的另一种放疗系统的示意图，参考图2可知，放疗的临床治疗过程一般包括治疗计划生成、治疗前摆位和治疗中监控等多个治疗阶段，其中每个阶段的检测数据和治疗数据均有所不同。例如，对于治疗计划制定阶段，该检测数据可以包括医疗影像数据，对应的治疗数据可以为治疗计划；对于该治疗前摆位阶段，该检测数据可以包括治疗前以及治疗中获取到的医疗影像数据，对应的治疗数据可以包括病患的摆位偏移；对于该治疗中监控阶段，该检测数据可以包括治疗中病患的位移、肿瘤监控图像和剩余放射剂量等，该治疗数据可以包括治疗枪口位移、肿瘤位移和剂量误差等。为了能够针对每个治疗阶段分别生成对应的治疗算法模型，该标定数据10可以对不同治疗阶段生成的样本数据进行分类存储。本申请提供的放疗系统，可应用于图2所示的整个临床治疗过程，也可以是单独应用于临床治疗过程中的每个阶段。
训练模块20，用于对该标定数据库中存储的该多个样本数据进行深度学习，得到治疗算法模型，并将该治疗算法模型发送至该数据处理模块30。
该训练模块20可以通过预设接口与该标定数据库10连接，当该训练模块20检测到标定数据库10中存储的样本数据的数量达到预设的数据量要求时，即可开始对该标定数据库10中存储的样本数据进行深度学习，例如可以通过有监督学习的方法进行深度学习，得到治疗算法模型。
在本申请实施例中，如图2所示，该训练模块20可以对标定数据库10中存储的每个治疗阶段对应样本数据分别进行深度学习，进而得到针对该每个治疗阶段的治疗算法模型。
需要说明的是，随着临床数据库中数据的不断更新，该标定数据库10中存储的样本数据也会不断更新，相应的，该训练模块20可以在检测到标定数据库10中的样本数据有更新时，再次对该标定数据库10中存储的数据进行深度学习，或者也可以周期性的对该标定数据库10中存储的样本数据进行深度学习，从而不断优化和完善该治疗算法模型。
数据处理模块30，用于根据该治疗算法模型，对临床治疗过程中接收到的检测数据进行处理，生成初步治疗数据。
在本申请实施例中，临床人员在临床治疗过程中获取到病患的检测数据后，可以直接输入至该数据处理模块30，该数据处理模块30可以根据经过深度学习得到的治疗算法模型，对该检测数据进行处理，生成初步治疗数据。由于该治疗算法模型是对大量的临床数据进行深度学习后得到的，因此该治疗算法模型的可靠性较高。相应的，由该治疗算法模型生成的初步治疗数据的准确率也较高，可以直接用于临床治疗，或者仅需临床人员的少量修订即可用于临床治疗，从而有效提高了该放疗系统的治疗效率。
进一步的，如果临床人员认为数据处理模块30生成的初步治疗数据存在缺陷，并对其进行修订后才用于临床治疗，则操作人员可以将该修订后的修订数据以及对应的治疗数据作为修订样本数据直接上传至标定数据库10中，或者，也可以将该修订后的修订数据以及对应的治疗数据存储至临床数据库中，然后再由该标定数据库10从该临床数据库中获取该修订样本数据。
放疗系统中的标定数据库10接收到修订样本数据后，可以通过训练模块20设置该修订样本数据的权重值，使得该修订样本数据的权重值大于预设权重值，并对该标定数据库10中更新后的数据再次进行深度学习。
在本申请实施例中，该训练模块20初次对标定数据库10中存储的数据进行训练时，可以为每个样本数据分配一个初始权重值，且该初始阶段中各个样本数据的初始权重值可以相同，该预设权重值即可为该初始权重值。由于该修订样本数据是经过临床人员修订后的数据，说明数据处理模块30生成初步治疗数据时所依据的原始的治疗算法模型可能还存在缺陷，因此可以将该修订样本数据的权重值设置的较高，以便训练模块20对该更新后的数据再次进行深度学习时，可以提高该修订样本数据对治疗算法模型的影响，从而进一步完善该治疗算法模型。
需要说明的是，为了便于放疗系统中的各模块识别该修订样本数据，操作人员可以在存储或者上传该修订样本数据时，在该修订样本数据中增加修订标识，该修订标识用于指示该样本数据为经过临床人员修订后的样本数据。
此外，如果数据处理模块30生成的初步治疗数据经过临床人员验证后，没有修订就直接用于临床治疗，则说明该治疗算法模型已经较为完善，因此该治疗数据以及对应的检测数据可以无需再上传至标定数据库10。当然，操作人员也可以将该治疗数据以及对应的检测数据上传至标定数据库10，以进一步增加该标定数据库中的样本量。
进一步的，在本申请实施例中，病患完成治疗后，操作人员还可以定期回访病患以跟踪治疗效果，并可以根据该治疗效果的优劣，确定该病患所对应的样本数据的反馈等级，然后再将该反馈等级上传至放疗系统中的训练模块20。示例的，该反馈等级与该治疗效果的优劣可以是正相关，也即是，治疗效果越好，反馈等级也越高。
训练模块20接收到针对指定样本数据的反馈等级之后，可以根据该指定样本数据的反馈等级调整该指定样本数据的权重值，该指定样本数据调整后的权重值与该反馈等级正相关，也即是，该指定样本数据调整后的权重值与其治疗效果的优劣正相关。
若指定样本数据的反馈等级较高，则训练模块20可以确定该指定样本数据中治疗数据的治疗效果较好，因此可以将其对应的权重值也调整的较高，以提高该指定样本数据对治疗算法模型的影响；相应的，若指定样本数据的反馈等级较低，则训练模块20可以确定该指定样本数据中治疗数据的治疗效果较差，因此可以将其对应的权重值也调整的较低，以降低该指定样本数据对治疗算法模型的影响；若指定样本数据的反馈等级低于预设的下限阈值，则训练模块20可以将该指定样本数据的权重值将为0，或者可以直接将该指定样本数据从标定数据库10中删除。
在完成对指定样本数据的权重值的调整后，该训练模块20可以对该标定数据库10中调整权重值后的样本数据再次进行深度学习，从而不断优化该治疗算法模型。
图3是本申请实施例提供的一种放疗系统的应用场景的示意图。在一种可实施方式中，该放疗系统可以部署于指定医院的本地服务器中，例如，可以部署于某个三甲医院的服务器01中。该放疗系统中还可以包括通信模块，该部署于本地服务器01中的放疗系统，可以将训练得到的治疗算法模型通过该通信模块上传至云服务器中，以便该云服务器可以将该治疗算法模型发送至其他医院的本地服务器中，例如可以发送至服务器02至服务器04，以便其他医院也可以获取到优秀的医疗资源。
在另一种可实施方式中，该放疗系统还可以部署于云服务器中。当该放疗系统部署于云服务器中时，该标定数据库10中存储的多个样本数据可以是从指定医院的临床数据库中获取的。由于目前各地医疗水平分布不均匀，不同地区的医院医疗水平相差较大。为了整合优秀的治疗资源，可以选定医疗水平较高的省市甲等医院作为指定医院，并从该指定医院的临床数据库中获取样本数据，以保证训练得到治疗算法模型的可靠性。
当该放疗系统部署于云服务器中时，一方面，该放疗系统还可以包括：通信模块，该通信模块用于将训练模块20训练得到的治疗算法模型发送至任一医院的本地服务器中，以便该医院的本地服务器可以根据该治疗算法模型对临床治疗过程中的检测数据进行处理，得到初步治疗数据。其中，该任一医院可以为服务器与该云服务器建立有通信连接的医院，该任一医院可以包括该指定医院，也可以包括其他医疗水平较低的医院。
示例的，假设在图3所示的系统中，服务器01和服务器02所属的医院为指定医院，则部署于云服务器中的放疗系统可以从该服务器01和服务器02的临床数据库中获取样本数据进行训练，得到治疗算法模型；之后，该放疗系统可以通过通信模块将该治疗算法模型再发送至服务器01至服务器04中的任一服务器。
当该放疗系统部署于云服务器中时，另一方面，该放疗系统中的数据处理模块30，还可以接收任一医院的本地服务器发送的检测数据，例如可以接收服务器01至服务器04中任一服务器发送的检测数据，然后根据该治疗算法模型，对接收到的检测数据进行处理，生成初步治疗数据，最后再将该初步治疗数据反馈至对应医院的本地服务器中。
通过上述方法，可以使得医疗水平较低的乡镇医院能够获取到高效的远程诊断和治疗。该远程诊断和治疗的过程无需其他中心优秀医疗人员的实体参与，免去了牺牲这些专业人员时间进行在线远程指导的弊端；同时，由于无需其他中心医疗人员接触病患数据，进一步保证了病患数据的安全性。
当然，也可以将放疗系统中的标定数据库10和训练模块20部署在云服务器中，将数据处理模块部署在各地医院的本地服务器中，该各地医院的本地服务器可以通过云接口与该云服务器建立通信连接，以便获取该训练模块20训练得到的治疗算法模型。若该训练模块20对治疗算法模型进行了优化，则本地服务器中部署的数据处理模块也可以实时对存储的治疗算法模型进行升级。
在本申请实施例中，参考图2，放疗的临床治疗过程具体可以包括：治疗计划生成阶段、治疗前摆位阶段和治疗中监控阶段，其中，治疗计划生成阶段可以进一步划分为图像配准阶段、勾画阶段和治疗计划制定阶段。在本申请实施例所提供的放疗系统中，标定数据库10可以获取其中至少一个阶段的样本数据，以供训练模块进行深度学习，得到对应的治疗算法模型。参考图4，该数据处理模块30具体可以包括：图像配准子模块301、勾画子模块302、治疗计划制定子模块303、摆位子模块304和监控子模块305中的至少一个模块。
相应的，该训练模块20具体可以用于执行下述(1)至(5)所示的方法中的至少一种方法，从而得到至少一种治疗算法模型：
(1)对图像配准阶段生成的多个样本数据进行深度学习，得到配准模型。
该图像配准阶段生成的样本数据中，检测数据可以为多个医疗影像数据，对应的治疗数据可以为配准图像。其中，该多个医疗影像数据可以为通过CT或者核磁共振等方式获取到的不同治疗阶段的影像数据。在本申请实施例中，训练模块20训练得到配准模型后，可以将该配准模型发送至图像配准子模块301。该图像配准子模块301可以根据该配准模型，对临床治疗过程中获取到的医疗影像数据进行处理，并输出初步的配准图像。
(2)对勾画阶段生成的多个样本数据进行深度学习，得到勾画模型。
该勾画阶段生成的样本数据中，检测数据可以为该图像配准阶段生成的配准图像，对应的治疗数据可以为勾画结果图像，该勾画结果图像中勾画有肿瘤的照射区域(即靶区)，以及周边的重要器官。在本申请实施例中，训练模块20训练得到勾画模型后，可以将该勾画模型发送至勾画子模块302。该勾画子模块302可以根据该勾画模型，对临床治疗过程中获取到的配准图像进行处理，并输出初步的勾画结果图像。
(3)对治疗计划制定阶段生成的样本数据进行深度学习，得到治疗计划制定模型。
该治疗计划制定阶段生成的样本数据中，检测数据可以为医疗影像数据和勾画结果图像，对应的治疗数据可以为治疗计划，该治疗计划具体可以包括放疗周期、每次放疗时长、放射剂量以及照射靶区的适形形状等数据。训练模块20训练得到治疗计划制定模型后，可以将该治疗计划制定模型发送至治疗计划制定子模块303。该治疗计划制定子模块303可以根据该治疗计划制定模型，对临床治疗过程中获取到的医疗影像数据以及勾画结果图像进行处理，并输出初步的治疗计划。
此外，需要说明的是，为了保证生成的治疗计划的可靠性，该治疗计划制定阶段获取到的检测数据中还可以包括病患的年龄、性别以及其他与身体状况相关的数据。
(4)对治疗前摆位阶段生成的多个样本数据进行深度学习，得到治疗前摆位模型。
该治疗前摆位阶段生成的样本数据中，检测数据可以包括图像配准阶段获取到的医疗影像数据，以及该摆位阶段获取到的医疗影像数据，对应的治疗数据可以包括摆位偏移，该摆位偏移可以是指病患当前位置与目标位置之间的偏移量，操作人员可以通过该摆位偏移调整病患的体位，以保证放疗射线能够精准照射到靶区。训练模块20训练得到摆位模型后，可以将该摆位模型发送至摆位子模块304。该摆位子模块304可以根据该摆位模型，对临床治疗过程中，在图像配准阶段获取到的医疗影像数据，以及摆位阶段获取到的医疗影像数据进行处理，并输出初步的摆位偏移。
(5)对治疗中监控阶段生成的多个样本数据进行深度学习，得到监控模型。
在该治疗中监控阶段生成的样本数据中，检测数据可以为治疗中的监控数据，对应的治疗数据可以为调整数据。其中，该监控数据可以包括：病患位移、肿瘤监控图像和剩余放射剂量等，该调整数据可以包括治疗枪口位移、肿瘤位移和剂量误差等。其中，该监控数据中的病患位移可以是指治疗过程中，通过传感器或者监控图像检测到的病患位置相对于目标位置的偏移量，该剩余放射剂量可以是治疗过程中，探测器检测到的放疗射线穿过病患身体后剩余的剂量。该调整数据中的剂量误差可以是指治疗计划中的放射剂量的误差。训练模块20训练得到监控模型后，可以将该监控模型发送至监控子模块305。该监控子模块305可以根据该监控模型，对临床治疗过程中，在监控阶段获取到的监控数据进行处理，并输出初步的调整数据。
进一步的，参考图2，该治疗计划生成阶段的图像配准阶段具体可以包括形变配准和图像融合，该勾画阶段具体可以包括图像分割和轮廓勾画，该治疗计划生成阶段具体可以包括治疗模板选取和治疗计划生成，以及其他的治疗准备操作。该治疗前摆位阶段具体可以包括2D低剂量投影、3D低剂量投影、图像去噪、刚性配准以及其他治疗前摆位操作；该治疗中监控阶段具体可以包括运动监控、肿瘤追踪、剂量验证以及其他治疗中监控操作。相应的，该标定数据10中可以存储有每个阶段中每个处理操作生成的样本数据，该训练模块20可以根据每个处理操作对应的样本数据，生成针对该每个处理操作的治疗算法模型。
在本申请实施例一种可选的实现方式中，标定数据10中存储的每个样本数据中还可以包括一组附加数据，该一组附加数据可以包括至少一个病患属性信息。因此，该训练模块20对样本数据进行训练后得到的治疗算法模型中也综合考虑了上述附加数据的影响，使得该治疗算法模型进一步完善。相应的，在根据该治疗算法模型进行临床治疗时，可以将病患的附加数据作为检测数据的一部分，输入至该治疗算法模型。
示例的，参考图2，该一组附加数据可以包括病患的身份数据、病灶数据、治疗提供方数据以及其他分类数据，其中身份数据中可以包括性别、地域和年龄等多个病患属性信息，病灶数据中可以包括肿瘤的位置和阶段等多个病患属性信息，治疗提供方数据中可以包括主治医师、处方剂量和回访生存率等多个病患属性信息。
在本申请实施例另一种可选的实现方式中，该标定数据库获取到每个样本数据中的附加数据后，还可以根据每个样本数据的附加数据中目标病患属性信息的内容，对该多个样本数据进行分类。其中，该目标病患属性信息可以是从该至少一个病患属性信息中预先确定的，根据该目标病患属性信息的内容，对该多个样本数据进行分类时所依据的划分规则也可以是预先配置好的。
示例的，假设该目标属性信息为：性别，则该标定数据库可以将多个样本数据中，附加数据中性别为“女”的样本数据划分为一类，性别为“男”的样本数据划分为一类。或者，若该目标属性信息为：年龄，则该标定数据库可以将多个样本数据中，附加数据中年龄在20岁以下的样本数据划分为一类，年龄在20至50岁之间的样本数据划分为一类，年龄在50岁以上的样本数据划分为一类。
进一步的，该训练模块20还可以对该标定数据库10中存储的每一类样本数据分别进行深度学习，从而得到多种类型的治疗算法模型。
示例的，若该标定数据库10中存储的样本数据根据病患的性别划分为了两类，则该训练模块20可以对该两类样本数据分别进行深度学习，分别得到针对病患属性信息为“男”的治疗算法模型，以及针对病患属性信息为“女”的治疗算法模型。
相应的，该数据处理模块30在临床治疗过程中接收到的数据还可以包括与检测数据对应的附加数据。该数据处理模块30，还可以根据该附加数据中目标病患属性信息的内容，从该多种类型的治疗算法模型中确定对应的治疗算法模型，并根据该对应的治疗算法模型，对该接收到的检测数据进行处理，生成初步治疗数据。
示例的，假设在临床治疗的过程中，目标病患属性信息为：性别，数据处理模块30接收到的检测数据所对应的附加数据中，病患的性别为“女”，则该数据处理模块30可以从该两种类型的治疗算法模型中，选择针对病患属性信息为“女”的治疗算法模型，并根据该选择的治疗算法模型对检测数据进行处理。
需要说明的是，在本申请实施例中，该标定数据库10还可以将每个病患属性信息依次作为目标属性信息，对该多个样本数据进行多次分类。例如可以将该样本数据分别按照年龄、地域、性别、肿瘤位置和主治医师等病患属性信息进行多次分类。相应的，该训练模块20可以根据每个病患属性信息所对应的多个类型的样本数据，分别进行训练得到多个治疗算法模型。例如图2中，对于形变配准阶段的样本数据，训练模块20可以根据年龄和地域等12个病患属性信息，训练得到对应的A1至A12共12个类型的治疗算法模型，其中每个类型治疗算法模型根据病患属性信息内容的不同，还可以包括多个子模型。示例的，假设A1模型是针对病患属性信息：年龄的治疗算法模型，则该A1模型中具体可以包括针对病患属性信息为“20岁以下”的子模型，针对病患属性信息为“20岁至50岁”的子模型，以及针对病患属性信息为“50岁以上”的子模型。假设A2模型是针对病患属性信息：性别的治疗算法模型，则该A2模型中具体可以包括针对病患属性信息为“男”的子模型，以及针对病患属性信息为“女”的子模型。
此外，本申请实施例提供的放疗系统中还可以设置有后智能模块，该后智能模块可以根据放疗系统中其他各模块各类参数的变化，例如标定数据库中样本数量的变化、训练模块对样本数据权重值的调整以及修订样本数据的数量的变化等，对该标定数据库中的样本数据进行精简和统计，以及反向推导出该训练模块训练出的治疗算法模型的隐氏表达模型。
综上所述，本申请实施例提供了一种放疗系统，该系统包括：标定数据库、训练模块和数据处理模块；该标定数据库可以获取临床治疗过程中生成的多个样本数据，该训练模块可以对该标定数据库中存储的多个样本数据进行深度学习，得到治疗算法模型，该数据处理模块可以根据该治疗算法模型，对临床治疗过程中接收到的检测数据进行处理，生成初步治疗数据。由于该治疗算法模型是对大量的临床数据进行深度学习后训练得到的，因此该治疗算法模型的可靠性较高，相应的，由该治疗算法模型生成的初步治疗数据的准确率也较高，可以直接用于临床治疗，或者仅需临床人员的少量修订即可用于临床治疗，从而有效提高了该放疗系统的治疗效率。
图5是本申请实施例提供的一种数据处理方法的流程图，该方法可以应用于图1或图2所示的放疗系统中，参考图5，该方法可以包括：
步骤101、获取临床治疗过程中生成的多个样本数据，其中每个样本数据包括一组检测数据，以及对应的一组应用于临床治疗的治疗数据。
步骤102、对该标定数据库中存储的该多个样本数据进行深度学习，得到治疗算法模型。
步骤103、根据该治疗算法模型，对临床治疗过程中接收到的检测数据进行处理，生成初步治疗数据。
本申请提供的一种数据处理方法，该方法可以应用于图1或图2所示的放疗系统中，参照图5所示，该方法还包括：
步骤104、接收修订样本数据，该修订样本数据包括针对该初步治疗数据的修订数据，以及与该初步治疗数据对应的检测数据。
其中，该修订数据为临床人员对该初步治疗数据进行修订后得到的实际用于临床治疗的数据。
步骤105、设置该修订样本数据的权重值，使得该修订样本数据的权重值大于预设权重值。
之后，该放疗系统可以再次执行步骤102，即对该标定数据库中更新后的样本数据继续进行深度学习。
本申请提供的一种数据处理方法，如图5所示，该方法还可以包括：
步骤106、接收针对指定样本数据的反馈等级，该反馈等级与该指定样本数据中治疗数据的治疗效果的优劣正相关。
步骤107、根据该指定样本数据的反馈等级调整该指定样本数据的权重值，该指定样本数据调整后的权重值与该反馈等级正相关。
之后，该放疗系统可以再次执行步骤102，即对调整权重值后的样本数据继续进行深度学习。
在一种可选的实现方式中，该放疗系统可以部署于指定医院的本地服务器中，在上述步骤102中得到治疗算法模型之后，该方法还可以包括：
将治疗算法模型发送至云服务器，以便所述云服务器将所述治疗算法模型发送至其他医院的本地服务器。
在另一种可选的实现方式中，该放疗系统可以部署于云服务器中，上述步骤101具体可以包括：从指定医院的临床数据库中获取该多组检测数据以及对应的多组治疗数据。在上述步骤102中得到治疗算法模型之后，该方法还可以包括：将该治疗算法模型发送至任一医院的本地服务器。
在又一种可选的实现方式中，该放疗系统可以部署于云服务器中，上述步骤103具体可以包括：
步骤1031a、接收任一医院的本地服务器发送的检测数据。
步骤1032a、根据该治疗算法模型，对该检测数据进行处理，生成初步治疗数据。进一步的，该方法还可以包括：
步骤1033a、将该初步治疗数据发送至该本地服务器。
可选的，在本申请实施例中，该临床治疗过程可以包括：图像配准阶段、勾画阶段和治疗计划制定阶段中的至少一个阶段；其中，该图像配准阶段生成的样本数据可以包括多个医疗影像数据以及对应的配准图像，该勾画阶段生成的样本数据包括配准图像以及对应的勾画结果图像，该治疗计划制定阶段生成的样本数据包括：医疗影像数据、勾画结果图像以及对应的治疗计划。
相应的，上述步骤102具体可以包括下述步骤1021至步骤1023中的至少一个步骤：
步骤1021、对该图像配准阶段生成的多个样本数据进行深度学习，得到配准模型。
步骤1022、对该勾画阶段生成的多个样本数据进行深度学习，得到勾画模型。
步骤1023、对该治疗计划制定阶段生成的样本数据进行深度学习，得到治疗计划制定模型。
进一步的，该临床治疗过程还可以包括：治疗前摆位阶段和/或治疗中监控阶段。该治疗前摆位阶段生成的样本数据包括多个医疗影像数据以及对应的摆位偏移，该治疗中监控阶段生成的样本数据包括监控数据以及对应的调整数据，其中，该监控数据可以包括：病患位移、肿瘤监控图像和剩余放射剂量，该调整数据包括治疗枪口位移、肿瘤位移和剂量误差。
上述步骤102还可以包括下述步骤1024和步骤1025中的至少一个步骤：
步骤1024、对该治疗前摆位阶段生成的多个样本数据进行深度学习，得到治疗前摆位模型。
步骤1025、对该治疗中监控阶段生成的多个样本数据进行深度学习，得到监控模型。
在本申请实施例一种可选的实现方式中，每个样本数据中还可以包括一组附加数据，该一组附加数据包括至少一个病患属性信息。因此上述步骤102中，对该样本数据进行深度学习后得到的训练模型还综合了附加数据的影响，使得该治疗算法模型进一步完善。相应的，在根据该治疗算法模型进行临床治疗时，可以将病患的附加数据作为检测数据的一部分，输入至该治疗算法模型中。
在本申请实施例另一种可选的实现方式中，该每个样本数据中还包括一组附加数据，该一组附加数据包括至少一个病患属性信息。在上述步骤101之后，该方法还可以包括：
根据每个样本数据的附加数据中目标病患属性信息的内容，对该多个样本数据进行分类，该目标病患属性信息是从该至少一个病患属性信息中确定的。
上述步骤102具体可以包括：对该标定数据库中存储的每一类样本数据分别进行深度学习，得到多种类型的治疗算法模型。
相应的，该临床治疗过程中接收到的数据还可以包括与检测数据对应的附加数据，上述步骤103可以包括：
步骤1031b、根据该附加数据中目标病患属性信息的内容，从该多种类型的治疗算法模型中确定对应的治疗算法模型。
步骤1032b、根据该对应的治疗算法模型，对该接收到的检测数据进行处理，生成初步治疗数据。
需要说明的是，本申请实施例提供的数据处理方法的步骤的先后顺序可以进行适当调整，步骤也可以根据情况进行相应增减，例如上述步骤106和步骤107也可以在步骤104之前执行。任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化的方法，都应涵盖在本申请的保护范围之内，因此不再赘述。
还需要说明的是，为描述的方便和简洁，上述描述的数据处理方法中，步骤101和步骤104可以是由放疗系统中的标定数据库10执行的，步骤102、步骤105至步骤107可以是由训练模块20执行的，步骤103可以是由数据处理模块执行的，该各个步骤的具体工作过程，可以参考前述系统实施例中对各模块的功能描述，其在此不再赘述。
综上所述，本申请实施例提供了一种数据处理方法，该方法可以获取临床治疗过程中生成的多个样本数据，对该多个样本数据进行深度学习，得到治疗算法模型，然后再根据该治疗算法模型，对临床治疗过程中接收到的检测数据进行处理，生成初步治疗数据。由于该治疗算法模型是对大量的临床数据进行深度学习后训练得到的，因此该治疗算法模型的可靠性较高，相应的，由该治疗算法模型生成的初步治疗数据的准确率也较高，可以直接用于临床治疗，或者仅需临床人员的少量修订即可用于临床治疗，有效提高了治疗的效率。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过指令来指示相关的硬件完成，所述的指令可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是计算机能够存取的任何可用介质或者包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质，或者半导体介质(例如固态硬盘)等。
此外，本申请中术语“和/或”，仅仅是一种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。
以上所述仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (11)

1.一种放疗系统，其特征在于，所述放疗系统包括数据接口、模型训练接口或云接口，通过接口接入不同算法模型，以分别利用算法模型生成用于初步治疗计划的数据。
2.根据权利要求1所述的放疗系统，其特征在于，所述放疗系统还包括形变配准接口、图像融合接口、图像分割接口、轮廓勾画接口、模板选取接口、治疗计划制定接口、低剂量投影接口、低剂量重建接口、图像去噪接口、刚性配准接口、运动监控接口、肿瘤追踪接口、剂量验证接口或治疗操作接口。
3.根据权利要求1所述的放疗系统，其特征在于，所述系统还包括：
标定数据库、训练模块和数据处理模块；
所述数据接口与所述标定数据库连接，用于获取临床治疗过程中生成的多个样本数据，其中每个样本数据包括一组检测数据，以及对应的一组应用于临床治疗的治疗数据；
所述模型训练接口与所述训练模块连接，用于对所述标定数据库中存储的所述多个样本数据进行深度学习，得到治疗算法模型，并将所述治疗算法模型发送至所述数据处理模块；
所述数据处理模块，用于根据所述治疗算法模型，对临床治疗过程中接收到的检测数据进行处理，生成初步治疗数据。
4.根据权利要求3所述的系统，其特征在于，
所述标定数据库，还用于接收修订样本数据，所述修订样本数据包括针对所述初步治疗数据的修订数据，以及与所述初步治疗数据对应的检测数据，其中，所述修订数据为临床人员对所述初步治疗数据进行修订后得到的实际用于临床治疗的数据；
所述训练模块，还用于设置所述修订样本数据的权重值，使得所述修订样本数据的权重值大于预设权重值，并对所述标定数据库中更新后的样本数据进行深度学习。
5.根据权利要求3所述的系统，其特征在于，
所述训练模块，还用于接收针对指定样本数据的反馈等级，所述反馈等级与所述指定样本数据中治疗数据的治疗效果的优劣正相关；
所述训练模块，还用于根据所述指定样本数据的反馈等级调整所述指定样本数据的权重值，并对所述标定数据库中调整权重值后的样本数据进行深度学习，其中，所述指定样本数据调整后的权重值与所述反馈等级正相关。
6.根据权利要求3所述的系统，其特征在于，所述放疗系统还包括：通信模块；
所述通信模块，用于通过所述云接口将所述治疗算法模型发送至云服务器，以便所述云服务器将所述治疗算法模型发送至其他医院的本地服务器；
或者，所述放疗系统部署于云服务器中，所述标定数据库中存储的多个样本数据是从指定医院的临床数据库中获取到的，所述通信模块，用于将所述治疗算法模型发送至任一医院的本地服务器。
7.根据权利要求3所述的系统，其特征在于，所述放疗系统部署于云服务器中，所述标定数据库中存储的多个样本数据是从指定医院的临床数据库中获取到的；
所述数据处理模块，用于接收任一医院的本地服务器发送的检测数据，根据所述治疗算法模型，对所述检测数据进行处理，生成初步治疗数据，并将所述初步治疗数据发送至所述本地服务器。
8.根据权利要求1至7任一所述的系统，其特征在于，
所述临床治疗过程包括：图像配准阶段，所述图像配准阶段生成的样本数据包括多个医疗影像数据以及对应的配准图像；所述训练模块，用于：对所述图像配准阶段生成的多个样本数据进行深度学习，得到配准模型；
和/或，所述临床治疗过程包括：勾画阶段，所述勾画阶段生成的样本数据包括配准图像以及对应的勾画结果图像；所述训练模块，用于：对所述勾画阶段生成的多个样本数据进行深度学习，得到勾画模型；
和/或，所述临床治疗过程包括：治疗计划制定阶段，所述治疗计划制定阶段生成的样本数据包括：医疗影像数据、勾画结果图像以及对应的治疗计划；所述训练模块，用于：对所述治疗计划制定阶段生成的多个样本数据进行深度学习，得到治疗计划制定模型。
9.根据权利要求1至7任一所述的系统，其特征在于，所述临床治疗过程包括：治疗前摆位阶段，所述治疗前摆位阶段生成的样本数据包括多个医疗影像数据以及对应的摆位偏移，所述训练模块，用于：对所述治疗前摆位阶段生成的多个样本数据进行深度学习，得到治疗前摆位模型；
和/或，所述临床治疗过程包括：治疗中监控阶段；所述治疗中监控阶段生成的样本数据包括监控数据以及对应的调整数据，其中，所述监控数据包括：病患位移、肿瘤监控图像和剩余放射剂量，所述调整数据包括治疗枪口位移、肿瘤位移和剂量误差；所述训练模块，用于：对所述治疗中监控阶段生成的多个样本数据进行深度学习，得到监控模型。
10.根据权利要求1至7任一所述的系统，其特征在于，
所述每个样本数据中还包括一组附加数据，所述一组附加数据包括至少一个病患属性信息；
所述数据处理模块在临床治疗过程中接收到的数据还包括与所述检测数据对应的附加数据，所述数据处理模块，用于根据所述治疗算法模型，对所述接收到的检测数据以及对应的附加数据进行处理，生成所述初步治疗数据。
11.根据权利要求1至7任一所述的系统，其特征在于，
所述每个样本数据中还包括一组附加数据，所述一组附加数据包括至少一个病患属性信息；
所述标定数据库，还用于根据每个样本数据的附加数据中目标病患属性信息的内容，对所述多个样本数据进行分类，所述目标病患属性信息是从所述至少一个病患属性信息中确定的；
所述训练模块，用于对所述标定数据库中存储的每一类样本数据分别进行深度学习，得到多种类型的治疗算法模型；
所述数据处理模块在临床治疗过程中接收到的数据还包括与所述检测数据对应的附加数据，所述数据处理模块，用于根据所述附加数据中目标病患属性信息的内容，从所述多种类型的治疗算法模型中确定对应的治疗算法模型，并根据所述对应的治疗算法模型，对所述接收到的检测数据进行处理，生成所述初步治疗数据。
CN202210303766.1A 2017-06-05 2017-06-05 放疗系统 Active CN114796891B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210303766.1A CN114796891B (zh) 2017-06-05 2017-06-05 放疗系统

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
CN202210303766.1A CN114796891B (zh) 2017-06-05 2017-06-05 放疗系统
CN201780003947.XA CN108367161B (zh) 2017-06-05 2017-06-05 放疗系统、数据处理方法及存储介质
PCT/CN2017/087183 WO2018223261A1 (zh) 2017-06-05 2017-06-05 放疗系统、数据处理方法及存储介质

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
CN201780003947.XA Division CN108367161B (zh) 2017-06-05 2017-06-05 放疗系统、数据处理方法及存储介质

Publications (2)

Publication Number Publication Date
CN114796891A true CN114796891A (zh) 2022-07-29
CN114796891B CN114796891B (zh) 2024-10-18

Family

ID=63011308

Family Applications (3)

Application Number Title Priority Date Filing Date
CN202210303771.2A Pending CN114796892A (zh) 2017-06-05 2017-06-05 放疗系统、数据处理方法及存储介质
CN201780003947.XA Active CN108367161B (zh) 2017-06-05 2017-06-05 放疗系统、数据处理方法及存储介质
CN202210303766.1A Active CN114796891B (zh) 2017-06-05 2017-06-05 放疗系统

Family Applications Before (2)

Application Number Title Priority Date Filing Date
CN202210303771.2A Pending CN114796892A (zh) 2017-06-05 2017-06-05 放疗系统、数据处理方法及存储介质
CN201780003947.XA Active CN108367161B (zh) 2017-06-05 2017-06-05 放疗系统、数据处理方法及存储介质

Country Status (3)

Country Link
US (1) US12040070B2 (zh)
CN (3) CN114796892A (zh)
WO (1) WO2018223261A1 (zh)

Cited By (1)

* 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

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109166613A (zh) * 2018-08-20 2019-01-08 北京东方瑞云科技有限公司 基于机器学习的放射治疗计划评估系统及方法
CN109243546B (zh) * 2018-09-07 2020-10-27 上海交通大学医学院附属新华医院 抗凝药药效优化模型的建立方法及装置
CN111194431A (zh) * 2018-09-14 2020-05-22 西安大医集团有限公司 放疗设备的状态诊断方法、装置、系统及存储介质
CN111821582A (zh) * 2019-04-18 2020-10-27 西安大医集团股份有限公司 患者定位方法及装置
CN110465004A (zh) * 2019-08-02 2019-11-19 北京全域医疗技术集团有限公司 一种云放射治疗计划系统及放射治疗计划的生成方法
CN110739049A (zh) * 2019-10-10 2020-01-31 上海联影智能医疗科技有限公司 图像勾画方法、装置、存储介质及计算机设备
CN111298305B (zh) * 2020-02-18 2024-06-14 上海联影医疗科技股份有限公司 一种数据同步方法和系统
CN112420142A (zh) * 2020-11-20 2021-02-26 上海梅斯医药科技有限公司 数据获取方法、装置、计算机设备和存储介质
CN113241151B (zh) * 2021-02-25 2024-04-02 中科超精(南京)科技有限公司 一种智慧放疗云系统及实现方法
CN113689938B (zh) * 2021-07-14 2024-03-05 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

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101268476A (zh) * 2005-07-22 2008-09-17 断层放疗公司 用于处理与放射疗法治疗计划相关的数据的方法和系统
US20120014507A1 (en) * 2010-07-16 2012-01-19 Duke University Automatic Generation of Patient-Specific Radiation Therapy Planning Parameters
CN104866727A (zh) * 2015-06-02 2015-08-26 陈宽 基于深度学习对医疗数据进行分析的方法及其智能分析仪
CN104881568A (zh) * 2015-04-27 2015-09-02 苏州敏宇医疗科技有限公司 一种基于云计算的肿瘤治疗疗效早期评价的系统和方法
CN105120955A (zh) * 2013-03-15 2015-12-02 瓦里安医疗系统国际股份公司 使用集成模型的放射治疗计划
US20160230227A1 (en) * 2012-12-21 2016-08-11 The New York Stem Cell Foundation Methods of treating alzheimer's disease
CN106529177A (zh) * 2016-11-12 2017-03-22 杭州电子科技大学 一种基于医疗大数据的患者画像方法及装置
CN106650830A (zh) * 2017-01-06 2017-05-10 西北工业大学 基于深层模型和浅层模型决策融合的肺结节ct图像自动分类方法
CN106777953A (zh) * 2016-12-09 2017-05-31 江西中科九峰智慧医疗科技有限公司 医学影像数据的分析方法及系统

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2005073914A1 (en) * 2004-01-30 2005-08-11 Cedara Software Corporation System and method for applying active appearance models to image analysis
JP5198462B2 (ja) 2006-11-10 2013-05-15 コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ 患者の治療における治療計画に対する装置、方法、コンピュータ読み取り可能媒体及び使用
US8222616B2 (en) 2007-10-25 2012-07-17 Tomotherapy Incorporated Method for adapting fractionation of a radiation therapy dose
CN102306239B (zh) 2011-07-22 2014-11-05 上海赛提菲克医疗器械有限公司 基于锥形束ct图像ct值校正技术的放疗剂量评估和优化方法
US9409039B2 (en) * 2013-05-21 2016-08-09 Varian Medical Systems International Ag Systems and methods for automatic creation of dose prediction models and therapy treatment plans as a cloud service
US10872684B2 (en) * 2013-11-27 2020-12-22 The Johns Hopkins University System and method for medical data analysis and sharing
WO2017084004A1 (zh) 2015-11-16 2017-05-26 数码医疗集团 治疗计划制定方法、装置及放疗系统
US11089146B2 (en) * 2015-12-28 2021-08-10 The Mitre Corporation Systems and methods for rehabilitative motion sensing
CN105893772B (zh) * 2016-04-20 2018-09-18 上海联影医疗科技有限公司 用于放射治疗计划的数据获取方法和装置
US9818406B1 (en) * 2016-06-23 2017-11-14 Intuit Inc. Adjusting user experience based on paralinguistic information
EP3556433B1 (en) * 2016-07-29 2021-01-27 Brainlab AG System for monitoring the position of a patient receiving 4 pi radiation therapy
CN109843377B (zh) * 2016-09-07 2022-06-17 医科达有限公司 用于预测放射疗法剂量分布的放射疗法治疗计划的学习模型的系统和方法
US10832308B2 (en) * 2017-04-17 2020-11-10 International Business Machines Corporation Interpretable rule generation using loss preserving transformation
EP3410393A1 (en) * 2017-06-01 2018-12-05 Siemens Healthcare GmbH Comparing medical images

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101268476A (zh) * 2005-07-22 2008-09-17 断层放疗公司 用于处理与放射疗法治疗计划相关的数据的方法和系统
US20120014507A1 (en) * 2010-07-16 2012-01-19 Duke University Automatic Generation of Patient-Specific Radiation Therapy Planning Parameters
US20160230227A1 (en) * 2012-12-21 2016-08-11 The New York Stem Cell Foundation Methods of treating alzheimer's disease
CN105120955A (zh) * 2013-03-15 2015-12-02 瓦里安医疗系统国际股份公司 使用集成模型的放射治疗计划
CN104881568A (zh) * 2015-04-27 2015-09-02 苏州敏宇医疗科技有限公司 一种基于云计算的肿瘤治疗疗效早期评价的系统和方法
CN104866727A (zh) * 2015-06-02 2015-08-26 陈宽 基于深度学习对医疗数据进行分析的方法及其智能分析仪
CN106529177A (zh) * 2016-11-12 2017-03-22 杭州电子科技大学 一种基于医疗大数据的患者画像方法及装置
CN106777953A (zh) * 2016-12-09 2017-05-31 江西中科九峰智慧医疗科技有限公司 医学影像数据的分析方法及系统
CN106650830A (zh) * 2017-01-06 2017-05-10 西北工业大学 基于深层模型和浅层模型决策融合的肺结节ct图像自动分类方法

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
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

Also Published As

Publication number Publication date
CN108367161B (zh) 2022-04-22
CN114796891B (zh) 2024-10-18
WO2018223261A1 (zh) 2018-12-13
CN108367161A (zh) 2018-08-03
CN114796892A (zh) 2022-07-29
US12040070B2 (en) 2024-07-16
US20200185079A1 (en) 2020-06-11

Similar Documents

Publication Publication Date Title
CN108367161B (zh) 放疗系统、数据处理方法及存储介质
Arabi et al. Comparative study of algorithms for synthetic CT generation from MRI: consequences for MRI‐guided radiation planning in the pelvic region
Liu et al. Evaluation of a deep learning-based pelvic synthetic CT generation technique for MRI-based prostate proton treatment planning
AU2017209046B2 (en) Systems and methods for segmentation of intra-patient medical images
US10149987B2 (en) Method and system for generating synthetic electron density information for dose calculations based on MRI
EP3268931B1 (en) Method and apparatus for assessing image registration
US10974070B2 (en) Medical product configured to be used for image based radiotherapy planning
JP6624695B2 (ja) 適応型放射線療法に対する移動する標的の３次元位置特定
WO2015060330A1 (ja) 放射線治療装置およびシステムおよび方法
JP2018504969A (ja) 適応型放射線療法に対する３次元位置特定及び追跡
US9600856B2 (en) Hybrid point-based registration
CN103380441A (zh) 用于自动生成初始辐射处置规划的系统和方法
US9727975B2 (en) Knowledge-based automatic image segmentation
EP3902599B1 (en) Automated detection of lung conditions for monitoring thoracic patients undergoing external beam radiation therapy
JP6095112B2 (ja) 放射線治療システム
CN115666717A (zh) 用于导出和利用虚拟体积结构来预测在实施治疗的放射时的潜在碰撞的方法和装置
Amarsee et al. Automatic detection and tracking of marker seeds implanted in prostate cancer patients using a deep learning algorithm
Jeon et al. Preliminary application of synthetic computed tomography image generation from magnetic resonance image using deep-learning in breast cancer patients
US12045988B2 (en) Using radiation dose information for automatic organ segmentation model training
Lallement et al. Detecting and quantifying spatial misalignment between longitudinal kilovoltage computed tomography (kVCT) scans of the head and neck by using convolutional neural networks (CNNs)

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