CN114999662A - 一种基于域自适应迁移学习的放疗计划剂量分布预测方法 - Google Patents
一种基于域自适应迁移学习的放疗计划剂量分布预测方法 Download PDFInfo
- Publication number
- CN114999662A CN114999662A CN202210458979.1A CN202210458979A CN114999662A CN 114999662 A CN114999662 A CN 114999662A CN 202210458979 A CN202210458979 A CN 202210458979A CN 114999662 A CN114999662 A CN 114999662A
- Authority
- CN
- China
- Prior art keywords
- network
- domain
- migration
- level
- target
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000001959 radiotherapy Methods 0.000 title claims abstract description 27
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 17
- 238000013526 transfer learning Methods 0.000 title abstract description 6
- 238000013508 migration Methods 0.000 claims abstract description 67
- 230000005012 migration Effects 0.000 claims abstract description 67
- 230000002776 aggregation Effects 0.000 claims abstract description 52
- 238000004220 aggregation Methods 0.000 claims abstract description 52
- 238000012549 training Methods 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 230000000873 masking effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000000452 restraining effect Effects 0.000 claims description 3
- 206010008342 Cervix carcinoma Diseases 0.000 description 8
- 208000006105 Uterine Cervical Neoplasms Diseases 0.000 description 8
- 201000010881 cervical cancer Diseases 0.000 description 8
- 208000015634 Rectal Neoplasms Diseases 0.000 description 7
- 206010038038 rectal cancer Diseases 0.000 description 7
- 201000001275 rectum cancer Diseases 0.000 description 7
- 210000000920 organ at risk Anatomy 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 241001123605 Peru tomato mosaic virus Species 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000000750 progressive effect Effects 0.000 description 3
- 206010028980 Neoplasm Diseases 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 206010009944 Colon cancer Diseases 0.000 description 1
- 208000001333 Colorectal Neoplasms Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012800 visualization Methods 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
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Physics & Mathematics (AREA)
- Epidemiology (AREA)
- Theoretical Computer Science (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Radiology & Medical Imaging (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Urology & Nephrology (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开一种基于域自适应迁移学习的放疗计划剂量分布预测方法，包括步骤：步骤1：预训练阶段，利用聚合域数据训练的聚合网络来存储来自源域的放疗计划剂量知识；步骤2：迁移阶段，构建一个与聚合网络具有相同结构的目标网络，同时固定聚合网络的参数；分别从特征级别和图像级别约束目标网络的参数，即通过注意确定的过滤器和确定的样本来更新参数；步骤3,利用目标网络实现放疗计划剂量分布预测。本发明利用域自适应迁移学习减轻数据量的依赖和缓解负迁移问题，从而提高模型的性能和泛化性。
Description
技术领域
本发明属于数据处理技术领域，特别是涉及一种基于域自适应迁移学习的放疗计划剂量分布预测方法。
背景技术
为了取得临床可接受的疗效，医生往往需要通过反复的人工试错来设计符合临床要求的放疗计划，并生成满意的剂量分布图。这个过程不仅耗时费力，还严重依赖于医生的主观经验。
近年来深度学习的发展在一定程度上提高了放疗计划的效率和质量，但仍存在以下局限：(1)当前绝大多数基于深度学习的放疗计划自动设计方法都依赖于大规模数据驱动。对于某些低发病率的癌症而言，如单性别发病的宫颈癌，临床可获得的数据十分稀缺，难以保证深度学习模型具有良好的泛化性。(2)为了缓解这一问题，最近的剂量预测方法利用微调式迁移学习来减少模型训练所需的数据量，然而微调可能使目标模型过载并引入无关知识，从而误导目标模型的学习，即导致负迁移问题。
发明内容
为了解决上述问题，本发明提出了一种基于域自适应迁移学习的放疗计划剂量分布预测方法，利用域自适应迁移学习减轻数据量的依赖和缓解负迁移问题，从而提高模型的性能和泛化性。
为达到上述目的，本发明采用的技术方案是：一种基于域自适应迁移学习的放疗计划剂量分布预测方法，包括步骤：
步骤1：预训练阶段，利用聚合域数据训练的聚合网络来存储来自源域的放疗计划剂量知识；
步骤2：迁移阶段，构建一个与聚合网络具有相同结构的目标网络，同时固定聚合网络的参数；分别从特征级别和图像级别约束目标网络的参数，即通过注意确定的过滤器和确定的样本来更新参数；
步骤3,利用目标网络对输入的采集图像进行学习获取放疗计划剂量分布预测。
进一步的是，利用聚合域数据训练的聚合网络来存储来自源域的知识，包括步骤：
将源域Ds和目标域Dt的输入分别表示为xs和xt，对应的标签表示为ys和yt，给定从Ds和Dt中随机采样的样本对(xs,ys)和(xt,yt)，获得聚合样本对(xa,ya)；
使用聚合域数据，通过损失函数
预训练聚合网络。
进一步的是，步骤2：迁移阶段中：
在特征层面，将特征级加权知识迁移模块应用到聚合网络和目标网络的每个编码层的输出，通过一个特征级损失
试图保留两个域之间共享知识的滤波器；
在图像层面，在两个网络的输出端采用了一个图像级加权知识迁移模块，为不同的目标域样本指定不同的权值，从而使得难迁移的样本对图像级损失
的贡献更大。
进一步的是，在迁移阶段所述特征级加权知识迁移模块中，包括步骤：
提供一个
特征级损失函数，为：
式中：ω和ω*分别表示目标网络和聚合网络的参数；ω/ω*是目标网络的解码器参数；β是一个平衡系数；
第一项是特征级损失的主体部分
它负责约束两个网络的特征一致性，实现特征级别知识迁移；
第二项是正则化项Ω(ω/ω*)来约束目标网络的参数。
进一步的是，所述正则化项中采用
损失来最小化参数：
进一步的是，所述特征级损失的主体部分为：
式中：
和
分别是聚合网络A和目标网络T的三个编码层中的n个滤波器中的第j个滤波器产生的向量化特征图；wj为滤波器的权重，屏蔽掉该滤波器带来的性能变化作为该滤波器的权重。
进一步的是，设置滤波器的权重wj，包括步骤：
先设置聚合网络中第j个滤波器的参数为零，输入目标域数据xt后，当前预测损失和原始预测损失之间的差距即为权重wj，权重越大意味着滤波器j包含的对目标任务更多有帮助的知识或者两域共有的知识；
使用softmax函数对wj进行标准化，以确保所有权重wj的非负性：
式中：ω*\j表示移除聚合网络的第j个滤波器后网络的权重，L表示
损失。
进一步的是，在迁移阶段所述图像级加权知识迁移模块中，将目标域数据xt同时输入到聚合网络和目标网络，分别生成剂量图
和
通过计算剂量图
和
的差异来衡量难度，并将其作为该输入图像的权重。
进一步的是，在迁移阶段所述图像级加权知识迁移模块中，包括步骤：
计算概率图pt来衡量
和yt之间的差异：
式中：
和
H和W分别表示剂量图的高和宽，
表示
和yt像素值的绝对差；
对目标域中每个样本，计算其权重
式中：
表示概率图pt中的逐个像素；通过应用sigmoid函数，
被映射到(0,1)；
将权重
与目标网络输出
与真实剂量图yt之间的
距离相乘得到图像级损失：
综上所述，迁移阶段的总损失
为：
式中：λFW和λIW是用于平衡这两个模块贡献的超参数。
进一步的是，两个超参数随着训练次数的增加而减小，更新公式：
式中：λ*表示两个模块的超参数，
是它们的初始值；一个epoch表示：所有的数据送入网络中，完成了一次前向计算和反向传播的过程，total_epoch是总epoch，current_epoch是当前epoch。
采用本技术方案的有益效果：
本发明利用迁移学习方法来减轻深度学习模型对数据量的依赖，从而提高了模型的泛化性。由于当前微调式迁移学习带来的负迁移问题，本发明进一步提出了一种新颖的域自适应迁移学习方法，即两阶段渐进式迁移学习，通过两阶段、多层面的迁移，本发明可以自然地缩小两个域之间的差距，有选择性地迁移从源域到目标域的知识。
附图说明
图1为本发明的一种基于域自适应迁移学习的放疗计划剂量分布预测方法的原理示意图；
图2为本发明实施例中特征级加权知识迁移模块的原理图；
图3为本发明实施例中图像级加权知识迁移模块的原理图；
图4为本发明实施例中特征图权重wj的细节处理原理图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明作进一步阐述。
在本实施例中，参见图1所示，本发明提出了一种基于域自适应迁移学习的放疗计划剂量分布预测方法，包括步骤：
步骤1：预训练阶段，利用聚合域数据训练的聚合网络来存储来自源域的放疗计划剂量知识；
步骤2：迁移阶段，为了进一步将知识从聚合域迁移到目标域，本发明构建一个与聚合网络具有相同结构的目标网络，同时固定聚合网络的参数；分别从特征级别和图像级别约束目标网络的参数，即通过注意确定的过滤器和确定的样本来更新参数；
步骤3,利用目标网络对输入的采集图像进行学习获取放疗计划剂量分布预测。
作为上述实施例的优化方案，利用聚合域数据训练的聚合网络来存储来自源域的知识，包括步骤：
将源域Ds和目标域Dt的输入分别表示为xs和xt，对应的标签表示为ys和yt，给定从Ds和Dt中随机采样的样本对(xs,ys)和(xt,yt)，获得聚合样本对(xa,ya)；
公式为：
xa＝λxs+(1-λ)xt；
ya＝λys+(1-λ)yt；
式中：λ～Beta(α,α)，用于平衡源域和目标域的贡献，α∈(0,+∞)。
使用聚合域数据，通过损失函数
预训练聚合网络。
所述损失函数
为：
式中：
是以xa作为输入的聚合网络预测的剂量图。
通过这种方式，本发明将知识从源域迁移到聚合域，从而使后续到目标域的知识迁移过程更加顺畅。
作为上述实施例的优化方案，步骤2：迁移阶段中：
在特征层面，将特征级加权知识迁移模块应用到聚合网络和目标网络的每个编码层的输出，通过一个特征级损失
试图保留两个域之间共享知识的滤波器；
在图像层面，在两个网络的输出端采用了一个图像级加权知识迁移模块，为不同的目标域样本指定不同的权值，从而使得难迁移的样本对图像级损失
的贡献更大。
具体的，如图2所示，在迁移阶段所述特征级加权知识迁移模块中，包括步骤：
由于源域和目标域之间存在分布差距，并不是所有的源域知识对目标域任务都是有帮助的。因此，本发明提供一个
特征级损失函数，为：
式中：ω和ω*分别表示目标网络和聚合网络的参数；ω/ω*是目标网络的解码器参数；β是一个平衡系数；
第一项是特征级损失的主体部分
它负责约束两个网络的特征一致性，实现特征级别知识迁移；
为了保证目标网络的参数不会偏离聚合网络的参数太远，本发明添加了第二项是正则化项Ω(ω/ω*)来约束目标网络的参数。
其中，所述正则化项中采用
损失来最小化参数：
其中，所述特征级损失的主体部分为：
式中：
和
分别是聚合网络A和目标网络T的三个编码层中的n个滤波器中的第j个滤波器产生的向量化特征图；wj为滤波器的权重，屏蔽掉该滤波器带来的性能变化作为该滤波器的权重，设置滤波器的权重wj，包括步骤：
如图4所示，先设置聚合网络中第j个滤波器的参数为零，输入目标域数据xt后，当前预测损失和原始预测损失之间的差距即为权重wj，权重越大意味着滤波器j包含的对目标任务更多有帮助的知识或者两域共有的知识；
使用softmax函数对wj进行标准化，以确保所有权重wj的非负性：
式中：ω*\j表示移除聚合网络的第j个滤波器后网络的权重，L表示
损失。
具体的，如图3所示，在迁移阶段所述图像级加权知识迁移模块中，由于目标域和源域存在差异，在聚合网络上表现较差的目标域数据实际上包含更多目标域特定的知识，因此本方法设计了此模块来更好地利用这些难例样本，实现迁移过程中目标域特有知识的挖掘。将目标域数据xt同时输入到聚合网络和目标网络，分别生成剂量图
和
通过计算剂量图
和
的差异来衡量难度，并将其作为该输入图像的权重。这样，目标域中与源域分布相似的图像具有较小的权重，相反地，与源域差异较大的目标域图像会被赋予较大的权重。基于这一难例挖掘的思想，目标网络将更倾向于关注权重较大的图像，从而捕获目标域特有的特征。
在迁移阶段所述图像级加权知识迁移模块中，包括步骤：
计算概率图pt来衡量
和yt之间的差异：
式中：
和
H和W分别表示剂量图的高和宽，
表示
和yt像素值的绝对差，通过额外的对数操作使差异更显著；
对目标域中每个样本，计算其权重
式中：
表示概率图pt中的逐个像素；通过应用sigmoid函数，
被映射到(0,1)；
将权重
与目标网络输出
与真实剂量图yt之间的
距离相乘得到图像级损失：
综上所述，迁移阶段的总损失
为：
式中：λFW和λIW是用于平衡这两个模块贡献的超参数。
在训练早期，聚合网络有利于将知识转移到目标网络，而随着训练的进行，这些与直肠癌相关的知识可能是一种噪音，并且会阻碍对宫颈癌目标网络的学习。所以两个超参数随着训练次数的增加而减小，更新公式：
式中：λ*表示两个模块的超参数，
是它们的初始值；一个epoch表示：所有的数据送入网络中，完成了一次前向计算和反向传播的过程，total_epoch是总epoch，current_epoch是当前epoch。
本发明实现了一种基于两阶段渐进式深度迁移学习的剂量分布预测方法。考虑到：(1)临床上直肠癌的发病率远高于宫颈癌，具有丰富的临床数据；(2)直肠癌和宫颈癌放疗计划数据有相同的CT(电子计算机断层扫描)扫描区域和危及器官，且二者的PTV处方剂量也相同，于是本发明以直肠癌为源域，宫颈癌为目标域构建域自适应迁移学习方法来提高模型在宫颈癌剂量预测任务中的性能。本发明主要创新点是：(1)提出了一种渐进式的迁移学习策略，可以在一定程度上缩小源直肠癌域和目标宫颈癌域之间的巨大差距，缓解负迁移问题；(2)与传统的微调式策略不同，本方法在生成的聚合域中预训练聚合网络，使聚合网络提前感知目标域，同时加速网络的收敛；(3)设计了一个特征级加权知识迁移模块和一个图像级加权知识迁移模块，分别在特征级和图像级选择性地迁移对目标任务更有帮助的知识，并且分别更加关注域共享的知识和域特定的知识；(4)评估了本发明对130名直肠癌患者和42名宫颈癌患者的有效性，实验结果表明本发明的性能目前是最先进的。
将本发明与目前6个表现最好的剂量分布预测方法进行对比，实验结果证明本发明在计划靶区(PTV)和危及器官(OARs)的绝大多数指标上都取得了最好的预测结果，比如在PTV的HI(异质性指数)和CI(适形指数)指标上，本发明的方法分别得到了0.008和0.017的平均预测误差，且T检验后的12个P值中有9个小于0.05，说明了本发明在实验样本少的情况下仍具有显著性改进；在OARs的Dmean(平均剂量)和V40(接受大于等于40Gy的体积分数)指标上，分别得到了0.003和0.005的平均预测误差；指标PSNR(峰值信噪比)为43.636dB。此外，本发明还与对比方法进行了DVH曲线(剂量体积直方图)和可视化图的对比，显示了本发明的预测结果总与真实结果最接近。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (10)
1.一种基于域自适应迁移学习的放疗计划剂量分布预测方法，其特征在于，包括步骤：
步骤1：预训练阶段，利用聚合域数据训练的聚合网络来存储来自源域的放疗计划剂量知识；
步骤2：迁移阶段，构建一个与聚合网络具有相同结构的目标网络，同时固定聚合网络的参数；分别从特征级别和图像级别约束目标网络的参数，即通过注意确定的过滤器和确定的样本来更新参数；
步骤3：利用目标网络对输入的采集图像进行学习获取放疗计划剂量分布预测。
2.根据权利要求1所述的一种基于域自适应迁移学习的放疗计划剂量分布预测方法，其特征在于，利用聚合域数据训练的聚合网络来存储来自源域的知识，包括步骤：
将源域Ds和目标域Dt的输入分别表示为xs和xt，对应的标签表示为ys和yt，给定从Ds和Dt中随机采样的样本对(xs,ys)和(xt,yt)，获得聚合样本对(xa,ya)；
使用聚合域数据，通过损失函数
预训练聚合网络。
3.根据权利要求1或2所述的一种基于域自适应迁移学习的放疗计划剂量分布预测方法，其特征在于，步骤2：迁移阶段中：
在特征层面，将特征级加权知识迁移模块应用到聚合网络和目标网络的每个编码层的输出，通过一个特征级损失
试图保留两个域之间共享知识的滤波器；
在图像层面，在两个网络的输出端采用了一个图像级加权知识迁移模块，为不同的目标域样本指定不同的权值，从而使得难迁移的样本对图像级损失
的贡献更大。
4.根据权利要求3所述的一种基于域自适应迁移学习的放疗计划剂量分布预测方法，其特征在于，在迁移阶段所述特征级加权知识迁移模块中，包括步骤：
提供一个
特征级损失函数，为：
式中：ω和ω*分别表示目标网络和聚合网络的参数；ω/ω*是目标网络的解码器参数；β是一个平衡系数；
第一项是特征级损失的主体部分
它负责约束两个网络的特征一致性，实现特征级别知识迁移；
第二项是正则化项Ω(ω/ω*)来约束目标网络的参数。
5.根据权利要求4所述的一种基于域自适应迁移学习的放疗计划剂量分布预测方法，其特征在于，所述正则化项中采用
损失来最小化参数：
6.根据权利要求4所述的一种基于域自适应迁移学习的放疗计划剂量分布预测方法，其特征在于，所述特征级损失的主体部分为：
式中：
和
分别是聚合网络A和目标网络T的三个编码层中的n个滤波器中的第j个滤波器产生的向量化特征图；wj为滤波器的权重，屏蔽掉该滤波器带来的性能变化作为该滤波器的权重。
7.根据权利要求6所述的一种基于域自适应迁移学习的放疗计划剂量分布预测方法，其特征在于，设置滤波器的权重wj，包括步骤：
先设置聚合网络中第j个滤波器的参数为零，输入目标域数据xt后，当前预测损失和原始预测损失之间的差距即为权重wj，权重越大意味着滤波器j包含的对目标任务更多有帮助的知识或者两域共有的知识；
使用softmax函数对wj进行标准化，以确保所有权重wj的非负性：
式中：ω*\j表示移除聚合网络的第j个滤波器后网络的权重，L表示
损失。
8.根据权利要求3所述的一种基于域自适应迁移学习的放疗计划剂量分布预测方法，其特征在于，在迁移阶段所述图像级加权知识迁移模块中，将目标域数据xt同时输入到聚合网络和目标网络，分别生成剂量图
和
通过计算剂量图
和
的差异来衡量难度，并将其作为该输入图像的权重。
9.根据权利要求8所述的一种基于域自适应迁移学习的放疗计划剂量分布预测方法，其特征在于，在迁移阶段所述图像级加权知识迁移模块中，包括步骤：
计算概率图pt来衡量
和yt之间的差异：
式中：
和
H和W分别表示剂量图的高和宽，
表示
和yt像素值的绝对差；
对目标域中每个样本，计算其权重
式中：
表示概率图pt中的逐个像素；通过应用sigmoid函数，
被映射到(0,1)；
将权重
与目标网络输出
与真实剂量图yt之间的
距离相乘得到图像级损失：
综上所述，迁移阶段的总损失
为：
式中：λFW和λIW是用于平衡这两个模块贡献的超参数。
10.根据权利要求9所述的一种基于域自适应迁移学习的放疗计划剂量分布预测方法，其特征在于，两个超参数随着训练次数的增加而减小，更新公式：
式中：λ*表示两个模块的超参数，
是它们的初始值；一个epoch表示：所有的数据送入网络中，完成了一次前向计算和反向传播的过程，total_epoch是总epoch，current_epoch是当前epoch。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210458979.1A CN114999662B (zh) | 2022-04-27 | 2022-04-27 | 一种基于域自适应迁移学习的放疗计划剂量分布预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210458979.1A CN114999662B (zh) | 2022-04-27 | 2022-04-27 | 一种基于域自适应迁移学习的放疗计划剂量分布预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114999662A true CN114999662A (zh) | 2022-09-02 |
| CN114999662B CN114999662B (zh) | 2024-08-23 |
Family
ID=83024601
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210458979.1A Active CN114999662B (zh) | 2022-04-27 | 2022-04-27 | 一种基于域自适应迁移学习的放疗计划剂量分布预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114999662B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115169543A (zh) * | 2022-09-05 | 2022-10-11 | 广东工业大学 | 一种基于迁移学习的短期光伏功率预测方法及系统 |
| CN116128049A (zh) * | 2023-04-04 | 2023-05-16 | 厦门大学 | 一种基于XGBoost模型的水质预测模型迁移条件选择方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090195643A1 (en) * | 2008-02-05 | 2009-08-06 | Disney Enterprises, Inc. | Medial axis decomposition of 2d objects to synthesize binocular depth |
| WO2019084562A1 (en) * | 2017-10-27 | 2019-05-02 | Google Llc | SEMANTICALLY COHERENT IMAGE STYLE TRANSFER |
| CN112733859A (zh) * | 2021-01-25 | 2021-04-30 | 重庆大学 | 一种组织病理学图像的深度迁移半监督域自适应分类方法 |
| CN114332649A (zh) * | 2022-03-07 | 2022-04-12 | 湖北大学 | 基于双通道注意力机制的跨场景遥感图像深度对抗迁移学习方法 |
-
2022
- 2022-04-27 CN CN202210458979.1A patent/CN114999662B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090195643A1 (en) * | 2008-02-05 | 2009-08-06 | Disney Enterprises, Inc. | Medial axis decomposition of 2d objects to synthesize binocular depth |
| WO2019084562A1 (en) * | 2017-10-27 | 2019-05-02 | Google Llc | SEMANTICALLY COHERENT IMAGE STYLE TRANSFER |
| CN112733859A (zh) * | 2021-01-25 | 2021-04-30 | 重庆大学 | 一种组织病理学图像的深度迁移半监督域自适应分类方法 |
| CN114332649A (zh) * | 2022-03-07 | 2022-04-12 | 湖北大学 | 基于双通道注意力机制的跨场景遥感图像深度对抗迁移学习方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115169543A (zh) * | 2022-09-05 | 2022-10-11 | 广东工业大学 | 一种基于迁移学习的短期光伏功率预测方法及系统 |
| CN116128049A (zh) * | 2023-04-04 | 2023-05-16 | 厦门大学 | 一种基于XGBoost模型的水质预测模型迁移条件选择方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114999662B (zh) | 2024-08-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114999662B (zh) | 一种基于域自适应迁移学习的放疗计划剂量分布预测方法 | |
| CN111627019B (zh) | 一种基于卷积神经网络的肝脏肿瘤分割方法及系统 | |
| CN110930421B (zh) | 一种用于cbct牙齿图像的分割方法 | |
| Xiao et al. | Efficient combination of CNN and transformer for dual-teacher uncertainty-guided semi-supervised medical image segmentation | |
| CN114266729A (zh) | 一种基于机器学习的胸部肿瘤放疗后放射性肺炎预测方法和系统 | |
| CN115271033B (zh) | 基于联邦知识蒸馏医学图像处理模型构建及其处理方法 | |
| Zhang et al. | Memory-efficient hierarchical neural architecture search for image restoration | |
| CN115471716A (zh) | 一种基于知识蒸馏的胸部放射影像疾病分类模型轻量化方法 | |
| CN116091412A (zh) | 一种从pet/ct图像中分割肿瘤的方法 | |
| CN115393632A (zh) | 一种基于进化多目标神经网络架构构造的图像分类方法 | |
| WO2022221991A1 (zh) | 一种影像数据处理方法、装置、计算机及存储介质 | |
| CN115868923A (zh) | 基于展开式循环神经网络的荧光分子断层成像方法及系统 | |
| CN111798463B (zh) | 一种头颈部ct图像中多器官自动分割方法 | |
| CN116758089A (zh) | 一种宫颈癌临床靶区和正常器官智能勾画系统和方法 | |
| CN117038096A (zh) | 一种基于低资源医疗数据与知识挖掘的慢性疾病预测方法 | |
| CN116580814A (zh) | 一种基于深度学习的放疗计划自动生成系统和方法 | |
| CN116630738A (zh) | 一种基于深度卷积稀疏表示重建网络的能谱ct成像方法 | |
| Chen et al. | Brain tumor segmentation based on CBAM-TransUNet | |
| Prabakaran et al. | Robust hyperparameter tuned deep Elman neural network for the diagnosis of osteosarcoma on histology images | |
| Zeng et al. | Two-phase progressive deep transfer learning for cervical cancer dose map prediction | |
| CN117689625B (zh) | 多任务混杂神经网络驱动的ct图像处理方法和类脑诊断系统 | |
| Zhang | The binary classification of CT images of pneumonia realized by machine learning | |
| Duan et al. | HCPSNet: heterogeneous cross-pseudo-supervision network with confidence evaluation for semi-supervised medical image segmentation | |
| Shang et al. | Toward Robust and Efficient Low-Light Image Enhancement: Progressive Attentive Retinex Architecture Search | |
| CN118351321B (zh) | 用于纵隔肿瘤ct图像的半监督分割方法和装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |