CN115223683B - 一种放射治疗计划评估方法、装置、计算机设备及介质 - Google Patents
一种放射治疗计划评估方法、装置、计算机设备及介质 Download PDFInfo
- Publication number
- CN115223683B CN115223683B CN202210999389.XA CN202210999389A CN115223683B CN 115223683 B CN115223683 B CN 115223683B CN 202210999389 A CN202210999389 A CN 202210999389A CN 115223683 B CN115223683 B CN 115223683B
- Authority
- CN
- China
- Prior art keywords
- evaluation
- radiation treatment
- treatment plan
- factor
- evaluation factor
- 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.)
- Active
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 509
- 230000005855 radiation Effects 0.000 title claims abstract description 172
- 238000001514 detection method Methods 0.000 claims abstract description 25
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 22
- 238000010801 machine learning Methods 0.000 claims abstract description 15
- 230000002159 abnormal effect Effects 0.000 claims description 25
- 238000000034 method Methods 0.000 claims description 23
- 238000001959 radiotherapy Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 12
- 230000005856 abnormality Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 7
- 239000003086 colorant Substances 0.000 claims description 6
- 230000000694 effects Effects 0.000 abstract description 3
- 206010028980 Neoplasm Diseases 0.000 description 8
- 201000010099 disease Diseases 0.000 description 8
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 8
- 201000011510 cancer Diseases 0.000 description 6
- 238000003384 imaging method Methods 0.000 description 3
- 238000003908 quality control method Methods 0.000 description 3
- 208000002454 Nasopharyngeal Carcinoma Diseases 0.000 description 2
- 206010061306 Nasopharyngeal cancer Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 201000011216 nasopharynx carcinoma Diseases 0.000 description 2
- 238000013441 quality evaluation Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 1
- 241001123605 Peru tomato mosaic virus Species 0.000 description 1
- 231100000987 absorbed dose Toxicity 0.000 description 1
- 210000000133 brain stem Anatomy 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 230000005865 ionizing radiation Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 201000005202 lung cancer Diseases 0.000 description 1
- 208000020816 lung neoplasm Diseases 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000920 organ at risk Anatomy 0.000 description 1
- JMANVNJQNLATNU-UHFFFAOYSA-N oxalonitrile Chemical compound N#CC#N JMANVNJQNLATNU-UHFFFAOYSA-N 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- 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
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/20—ICT specially adapted for the handling or processing of medical references relating to practices or guidelines
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Surgery (AREA)
- Urology & Nephrology (AREA)
- Bioethics (AREA)
- Radiation-Therapy Devices (AREA)
Abstract
本申请属于治疗计划评估技术领域，公开了一种放射治疗计划评估方法、装置、计算机设备及介质，该方法包括：获取待评估放射治疗计划的DICOM数据和评估信息；根据DICOM数据得到多个评估因素的数值，并判断每个评估因素的数值是否符合该评估因素对应的评估要求；在多个评估因素中每个评估因素的数值均符合该评估因素对应的评估要求时，基于待评估放射治疗计划的同类放射治疗计划数据库，通过机器学习异常检测算法对多个评估因素的数值进行计算，得到各评估因素的评估结果；根据各评估因素的评估结果得到待评估放射治疗计划的评估结果。本申请可达到提高放射治疗计划评估的效率和质量的效果。
Description
技术领域
本申请涉及治疗计划评估技术领域，尤其涉及一种放射治疗计划评估方法、装置、计算机设备及介质。
背景技术
放射治疗是利用放射线治疗肿瘤的一种局部治疗方法。大约70％的癌症患者在治疗癌症的过程中需要用放射治疗，约有40％的癌症可以用放疗根治。放射治疗在肿瘤治疗中的作用和地位日益突出，已成为治疗恶性肿瘤的主要手段之一。在对患者进行放射治疗之前，为实现对放射治疗的质量控制，需要对制定好的放射治疗计划进行评估。
然而，目前的放射治疗计划评估方法一般采用医生独立评估的方式，由医生通过浏览计划参数、剂量体积参数、计划剂量分布等决定计划质量能否满足临床处方要求，给出计划质量通过或不通过的结论。上述方式由医生进行评估，执行时间长，评估效率低；而且评估结果很大程度上依赖于计划审核者的主观经验，难以客观地评估放射治疗计划的质量。可见，现有技术存在放射治疗计划的评估效率低且评估质量差的问题。
发明内容
本申请提供了一种放射治疗计划评估方法、装置、计算机设备及介质，能够提高放射治疗计划评估的效率和质量。
第一方面，本申请实施例提供了一种放射治疗计划评估方法，该方法包括：
获取待评估放射治疗计划的DICOM数据和评估信息，评估信息包括多个评估因素和多个评估因素中每个评估因素对应的评估要求；
根据DICOM数据得到多个评估因素的数值，并判断每个评估因素的数值是否符合该评估因素对应的评估要求；
在多个评估因素中每个评估因素的数值均符合该评估因素对应的评估要求时，基于待评估放射治疗计划的同类放射治疗计划数据库，通过机器学习异常检测算法对多个评估因素的数值进行计算，得到各评估因素的评估结果；
根据各评估因素的评估结果得到待评估放射治疗计划的评估结果。
在其中一个实施例中，基于待评估放射治疗计划的同类放射治疗计划数据库，通过机器学习异常检测算法对多个评估因素的数值进行计算，得到各评估因素的评估结果，包括：
基于待评估放射治疗计划的同类放射治疗计划数据库，计算得到多个评估因素中每个评估因素的历史均值和历史标准差；
根据各评估因素的历史均值和历史标准差以及各评估因素的数值，计算得到各评估因素的结果概率和边界阈值；
若评估因素为靶区评估因素，则在评估因素的结果概率小于等于该评估因素对应的概率阈值且评估因素的数值小于该评估因素的边界阈值时，判定评估因素的评估结果为异常；
若评估因素为正常组织评估因素，则在评估因素的结果概率小于等于该评估因素对应的概率阈值且评估因素的数值大于该评估因素的边界阈值时，判定评估因素的评估结果为异常。
在其中一个实施例中，根据各评估因素的评估结果得到待评估放射治疗计划的评估结果，包括：
在多个评估因素中任一评估因素的评估结果为异常时，判定待评估放射治疗计划的评估结果为不合格；
在多个评估因素的评估结果均为正常时，判定待评估放射治疗计划的评估结果为合格。
在其中一个实施例中，该方法还包括：
在待评估放射治疗计划的评估结果为不合格时，输出异常提示信息；异常提示信息中包含评估结果为异常的评估因素的信息；
在待评估放射治疗计划的评估结果为合格时，输出评估结果。
在其中一个实施例中，该方法还包括：
通过不同的颜色或进度条显示评估因素的数值在同类放射治疗计划数据库内的该评估因素历史数据分布中的位置；或者，
在评估因素的评估结果为正常时，将该评估因素的数值存入同类放射治疗计划数据库内，以对同类放射治疗计划数据库进行更新。
第二方面，本申请实施例提供了一种放射治疗计划评估装置，该装置包括：
计划数据获取模块，用于获取待评估放射治疗计划的DICOM数据和评估信息，评估信息包括多个评估因素和多个评估因素中每个评估因素对应的评估要求；
评估因素计算模块，用于根据DICOM数据得到多个评估因素的数值，并判断每个评估因素的数值是否符合该评估因素对应的评估要求；
评估因素评估模块，用于在多个评估因素中每个评估因素的数值均符合该评估因素对应的评估要求时，基于待评估放射治疗计划的同类放射治疗计划数据库，通过机器学习异常检测算法对多个评估因素的数值进行计算，得到各评估因素的评估结果；
放射治疗计划评估模块，用于根据各评估因素的评估结果得到待评估放射治疗计划的评估结果。
在其中一个实施例中，该装置还包括：
评估结果输出模块，用于在待评估放射治疗计划的评估结果为不合格时，输出异常提示信息；异常提示信息中包含评估结果为异常的评估因素的信息；在待评估放射治疗计划的评估结果为合格时，输出评估结果。
在其中一个实施例中，该装置还包括：
评估因素显示模块，用于通过不同的颜色或进度条显示评估因素的数值在同类放射治疗计划数据库内的该评估因素历史数据分布中的位置。
数据库更新模块，用于在评估因素的评估结果为正常时，将该评估因素的数值存入同类放射治疗计划数据库内，以对同类放射治疗计划数据库进行更新。
第三方面，本申请实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时执行如上述任一实施例的放射治疗计划评估方法的步骤。
第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如上述任一实施例的放射治疗计划评估方法的步骤。
综上，与现有技术相比，本申请实施例提供的技术方案带来的有益效果至少包括：
本申请实施例提供的一种放射治疗计划评估方法，能够获取待评估放射治疗计划的DICOM数据和评估信息，评估信息包括多个评估因素和多个评估因素中每个评估因素对应的评估要求；根据DICOM数据得到多个评估因素的数值，并判断每个评估因素的数值是否符合该评估因素对应的评估要求，以实现对待评估放射治疗计划的初步质量评估；在多个评估因素中每个评估因素的数值均符合该评估因素对应的评估要求时，基于待评估放射治疗计划的同类放射治疗计划数据库，通过机器学习异常检测算法对多个评估因素的数值进行计算，得到各评估因素的评估结果，以实现对各个评估因素的单独评估；根据各评估因素的评估结果得到待评估放射治疗计划的评估结果，即综合所有评估因素得到放疗计划的评估结果。上述方法可以根据待评估放射治疗计划的DICOM数据得到评估信息中多个评估因素的数值，在每个评估因素的数值均符合该评估因素对应的评估要求时，采用机器学习异常检测算法基于同类放射治疗计划数据库中的数据分布情况对各个评估因素进行异常检测，无需人工计算，提高了评估效率，同时还排除了主观因素干扰，可以得到更为客观的评估结果，能够提高放射治疗计划评估的效率和质量，可用于实现放射治疗计划的质量控制。
附图说明
图1为本申请一个示例性实施例提供的放射治疗计划评估方法的流程图。
图2为本申请另一个示例性实施例提供的放射治疗计划评估方法的流程图。
图3为本申请一个示例性实施例提供的放射治疗计划评估装置的结构图。
图4为本申请另一个示例性实施例提供的放射治疗计划评估装置的结构图。
具体实施方式
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，都属于本申请保护的范围。
请参见图1，本申请实施例提供了一种放射治疗计划评估方法，该方法可以应用于终端设备或服务器，以执行主体是终端设备为例进行说明，该方法具体包括以下步骤：
步骤S1，获取待评估放射治疗计划的DICOM数据和评估信息，评估信息包括多个评估因素和多个评估因素中每个评估因素对应的评估要求。
其中，DICOM(Digital Imaging and Communications in Medicine)即医学数字成像和通信，是医学图像和相关信息的国际标准(ISO 12052)，其定义了质量能满足临床需要的可用于数据交换的医学图像格式。DICOM数据被广泛应用于放射医疗，心血管成像以及放射诊疗诊断设备。在本实施例中，待评估放射治疗计划的DICOM数据可以包括患者病变器官图像RT_images、勾画的所有感兴趣区域(region of interest，ROI，包含肿瘤靶区和危及器官)文件RT_structures、计划文件RT_plan和剂量文件RT_dose等。例如，鼻咽癌患者的放疗计划应包含一套CT图像(约100张)、一个医师勾画确认的含有ROIs的文件、治疗计划系统产生的计划文件和剂量文件。
评估信息包括多个评估因素和其中每个评估因素对应的评估要求，以评估因素为靶区PTV为例，其对应的评估要求之一为PTVV100％≥95％。由于不同疾病种类对应的评估因素通常也是不同的，故需根据待评估放射治疗计划的疾病种类来确定需要由DICOM数据得到哪些评估因素的数值。可以将某一病种的放射治疗计划的所有评估因素设为Xi(从X1，X2，…，Xn)，n为一个正整数。评估因素通常可分为三类：对靶区的评估因素、对正常组织的评估因素和对剂量分布的评估因素。例如，鼻咽癌放疗计划的评估因素可以有：不同靶区的处方剂量覆盖率、最小剂量、最大剂量；脊髓最大剂量、脑干最大剂量等30余项；对肺癌放疗计划正常组织的评估因素可以包括肺V5Gy、V20Gy、心脏V30Gy等20余项。Gy为吸收剂量单位，其描述了单位质量物体吸收电离辐射能量的大小。具体实施时，评估因素的确定和设置可根据具体情况，参照国际相关指南设置，如美国国立综合癌症网络(National ComprehensiveCancer Network，NCCN)指南。
具体地，计划设计者可以将待评估放射治疗计划输出设置为DICOM标准格式的文件，终端设备获取上述DICOM文件；而对同类放疗计划，评估信息也可以提前通过模板预设，后续使用时可一键读取。在具体实施过程中，终端设备可以为物理师质检工作站。
步骤S2，根据DICOM数据得到多个评估因素的数值，并判断每个评估因素的数值是否符合该评估因素对应的评估要求。
具体地，先确定待评估放射治疗计划的疾病种类；再根据DICOM数据计算得到疾病种类对应的多个评估因素的数值，并判断各评估因素的数值是否符合其对应的评估要求，以实现对待评估放射治疗计划的的初步质检。具体实施时，有些评估因素的数值可以从DICOM数据中直接提取出来，还有一些评估因素的数值可以先从DICOM数据中提取出该评估因素对应的相关数据，再由相关数据计算得到该评估因素的数值。
本步骤中的多个评估因素可通过模板方式提前预设，以进一步提高评估效率。需要注意的是，如果提前预设，需要核查放射治疗计划内ROI和软件模板内ROI的名称一致性，必要时进行手动ROI名称配对，以实现数据命名的标准化，例如按照美国医学物理师协会推荐的放疗ROI标准来命名。
步骤S3，在多个评估因素中每个评估因素的数值均符合该评估因素对应的评估要求时，基于待评估放射治疗计划的同类放射治疗计划数据库，通过机器学习异常检测算法对多个评估因素的数值进行计算，得到各评估因素的评估结果。
其中，待评估放射治疗计划的同类放射治疗计划数据库可以为待评估放射治疗计划对应疾病种类的历史放射治疗计划数据库，可以包含大量同类病种的历史放射治疗计划数据，该同类放射治疗计划数据库用于为各个评估因素提供其在同类病种中的数据分布情况；同时，可以采用机器学习异常检测(Anomaly detection)算法通过计算来判断各个评估因素是否存在异常。异常检测算法可以采用LOF、autoencoders及Bayesian网络等，以上算法均为现有技术中成熟的技术，并且除了本实施例中提及的异常检测算法外，本实施例还可通过其他常见的异常检测算法对各个评估因素进行异常检测，同时本说明书中未作详细描述的内容均属于本领域技术人员公知的现有技术。
步骤S4，根据各评估因素的评估结果得到待评估放射治疗计划的评估结果。
其中，评估因素的评估结果可以为正常或异常，待评估放射治疗计划的评估结果可以为合格或不合格。
具体地，在多个评估因素中任一评估因素的评估结果为异常时，判定待评估放射治疗计划的评估结果为不合格；在多个评估因素的评估结果均为正常时，判定待评估放射治疗计划的评估结果为合格。
上述实施例中提供的一种放射治疗计划评估方法，能够获取待评估放射治疗计划的DICOM数据和评估信息，评估信息包括多个评估因素和多个评估因素中每个评估因素对应的评估要求；根据DICOM数据得到多个评估因素的数值，并判断每个评估因素的数值是否符合该评估因素对应的评估要求，以实现对待评估放射治疗计划的初步质量评估；在多个评估因素中每个评估因素的数值均符合该评估因素对应的评估要求时，基于待评估放射治疗计划的同类放射治疗计划数据库，通过机器学习异常检测算法对多个评估因素的数值进行计算，得到各评估因素的评估结果，以实现对各个评估因素的单独评估；根据各评估因素的评估结果得到待评估放射治疗计划的评估结果，即综合所有评估因素得到放疗计划的评估结果。上述方法可以根据待评估放射治疗计划的DICOM数据得到评估信息中多个评估因素的数值，在每个评估因素的数值均符合该评估因素对应的评估要求时，采用机器学习异常检测算法基于同类放射治疗计划数据库中的数据分布情况对各个评估因素进行异常检测，无需人工计算，提高了评估效率，同时还排除了主观因素干扰，可以得到更为客观的评估结果，能够提高放射治疗计划评估的效率和质量，可用于实现放射治疗计划的质量控制。
在一些实施例中，步骤S3具体包括以下步骤：
基于待评估放射治疗计划的同类放射治疗计划数据库，计算得到多个评估因素中每个评估因素的历史均值μi和历史标准差σi。
根据各评估因素的历史均值μi和历史标准差σi以及各评估因素的数值Xi，计算得到各评估因素的结果概率pi和边界阈值。
其中，评估因素可以为靶区评估因素或正常组织评估因素，靶区评估因素的边界阈值为下边界阈值LBi，正常组织评估因素的边界阈值为上边界阈值UBi。
对具体的评估因素，要考虑放疗的基本目的和目标，即靶区剂量应该尽可能高，而正常组织(OAR)剂量应该尽可能低。故对于靶区评估因素，在评估因素的结果概率pi小于等于该评估因素对应的概率阈值ε且评估因素的数值Xi小于该评估因素的边界阈值LBi时，判定评估因素的评估结果为异常；其它情况下，判定该评估因素的评估结果为正常。对于OAR评估因素，在评估因素的结果概率pi小于等于该评估因素对应的概率阈值ε且评估因素的数值Xi大于该评估因素的边界阈值UBi时，判定评估因素的评估结果为异常；其它情况下，判定该评估因素的评估结果为正常。
其中，评估因素的历史均值μi和历史标准差σi用于反应该评估因素在同类放射治疗计划数据库中的数据分布情况；概率阈值ε可人为设置，一般可设为0.05。
具体地，通过异常检测算法基于待评估放射治疗计划的同类放射治疗计划数据库得到每一个评估因素的历史均值μi和历史标准差σi，再根据每一个评估因素的历史均值μi、历史标准差σi和数值Xi计算该评估因素的结果概率pi和边界阈值LBi，计算公式如下：
LBi≈μi-1.96×σi，UBi≈μi+1.96×σi。
对于靶区评估因素，当pi≤ε且Xi＜LBi时，判定评估因素的评估结果为异常；其余情形，判定评估因素的评估结果为正常；对于OAR和剂量分布等评估因素，当pi≤ε且Xi＞UBi时，判定评估因素的评估结果为异常；其余情形，判定该评估因素的评估结果为正常。
上述实施例可以基于同类放射治疗计划数据库采样异常检测算法计算得到每一个评估因素的量化数据信息，数据计算的方法更客观，可很大程度上排除主观因素干扰和观察者之间差异造成的评估结果不确定性。
在一些实施例中，请参见图2，该方法还可以包括以下步骤：
步骤S5，输出并显示待评估放射治疗计划的评估结果。
具体地，步骤S5具体可以包括：在待评估放射治疗计划的评估结果为不合格时，输出异常提示信息；异常提示信息中包含评估结果为异常的评估因素的信息；在待评估放射治疗计划的评估结果为合格时，输出评估结果。
上述实施例可以输出并显示待评估放射治疗计划的评估结果，使得计划评估者能更直观地了解放射治疗计划的评估情况，以快速确认计划或返回给物理剂量师进行计划修改。
在一些实施例中，该方法还可以包括以下步骤：
通过不同的颜色或进度条显示评估因素的数值在同类放射治疗计划数据库内的该评估因素历史数据分布中的位置。
上述实施例可以通过显示评估因素的数值在其历史数据分布中的位置，能够给计划评估者提供直观的数据信息，有助于提高工作效率。
在一些实施例中，该方法还可以包括以下步骤：
在评估因素的评估结果为正常时，将该评估因素的数值存入同类放射治疗计划数据库内，以对同类放射治疗计划数据库进行更新。
上述实施例中，该方法可以将评估结果正常的评估因素数据放入同类放射治疗计划数据库内，能够进一步提升数据库内该评估因素的边界阈值，从而提升数据库中该评估因素的整体水平。
请参见图3，本申请另一实施例提供了一种放射治疗计划评估装置，该装置包括：
计划数据获取模块101，用于获取待评估放射治疗计划的DICOM数据和评估信息，评估信息包括多个评估因素和多个评估因素中每个评估因素对应的评估要求；
评估因素计算模块102，用于根据DICOM数据得到多个评估因素的数值，并判断每个评估因素的数值是否符合该评估因素对应的评估要求；
评估因素评估模块103，用于在多个评估因素中每个评估因素的数值均符合该评估因素对应的评估要求时，基于待评估放射治疗计划的同类放射治疗计划数据库，通过机器学习异常检测算法对多个评估因素的数值进行计算，得到各评估因素的评估结果；
放射治疗计划评估模块104，用于根据各评估因素的评估结果得到待评估放射治疗计划的评估结果。
在一些实施例中，请参见图4，该装置还包括：
评估结果输出模块105，用于在待评估放射治疗计划的评估结果为不合格时，输出异常提示信息；异常提示信息中包含评估结果为异常的评估因素的信息；在待评估放射治疗计划的评估结果为合格时，输出评估结果。
在一些实施例中，该装置还包括：
评估因素显示模块，用于通过不同的颜色或进度条显示评估因素的数值在同类放射治疗计划数据库内的该评估因素历史数据分布中的位置。
数据库更新模块，用于在评估因素的评估结果为正常时，将该评估因素的数值存入同类放射治疗计划数据库内，以对同类放射治疗计划数据库进行更新。
本实施例中提供的关于放射治疗计划评估装置的具体限定，可以参见上文中关于放射治疗计划评估方法的实施例，于此不再赘述。上述放射治疗计划评估装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
本申请实施例提供了一种计算机设备，该计算机设备可以包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。处计算机程序被处理器执行时，使得处理器执行如上述任一实施例的放射治疗计划评估方法的步骤。
本实施例提供的计算机设备的工作过程、工作细节和技术效果，可以参见上文中关于放射治疗计划评估方法的实施例，于此不再赘述。
本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如上述任一实施例的放射治疗计划评估方法的步骤。其中，所述计算机可读存储介质是指存储数据的载体，可以但不限于包括软盘、光盘、硬盘、闪存、优盘和/或记忆棒(Memory Stick)等，所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。
本实施例提供的计算机可读存储介质的工作过程、工作细节和技术效果，可以参见上文中关于放射治疗计划评估方法的实施例，于此不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (9)
1.一种放射治疗计划评估方法，其特征在于，所述方法包括：
获取待评估放射治疗计划的DICOM数据和评估信息，所述评估信息包括多个评估因素和所述多个评估因素中每个评估因素对应的评估要求；
根据所述DICOM数据得到所述多个评估因素的数值，并判断每个评估因素的数值是否符合该评估因素对应的评估要求；
在所述多个评估因素中每个评估因素的数值均符合该评估因素对应的评估要求时，基于所述待评估放射治疗计划的同类放射治疗计划数据库，通过机器学习异常检测算法对所述多个评估因素的数值进行计算，得到各所述评估因素的评估结果；
根据各所述评估因素的评估结果得到所述待评估放射治疗计划的评估结果；
所述基于所述待评估放射治疗计划的同类放射治疗计划数据库，通过机器学习异常检测算法对所述多个评估因素的数值进行计算，得到各所述评估因素的评估结果，包括：
基于所述待评估放射治疗计划的同类放射治疗计划数据库，计算得到所述多个评估因素中每个评估因素的历史均值和历史标准差；
根据各所述评估因素的历史均值和历史标准差以及各所述评估因素的数值，计算得到各所述评估因素的结果概率和边界阈值；
若所述评估因素为靶区评估因素，则在所述评估因素的结果概率小于等于该评估因素对应的概率阈值且所述评估因素的数值小于该评估因素的边界阈值时，判定所述评估因素的评估结果为异常；
若所述评估因素为正常组织评估因素，则在所述评估因素的结果概率小于等于该评估因素对应的概率阈值且所述评估因素的数值大于该评估因素的边界阈值时，判定所述评估因素的评估结果为异常。
2.根据权利要求1所述的方法，其特征在于，所述根据各所述评估因素的评估结果得到所述待评估放射治疗计划的评估结果，包括：
在所述多个评估因素中任一评估因素的评估结果为异常时，判定所述待评估放射治疗计划的评估结果为不合格；
在所述多个评估因素的评估结果均为正常时，判定所述待评估放射治疗计划的评估结果为合格。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
在所述待评估放射治疗计划的评估结果为不合格时，输出异常提示信息；所述异常提示信息中包含评估结果为异常的评估因素的信息；
在所述待评估放射治疗计划的评估结果为合格时，输出所述评估结果。
4.根据权利要求1至3任一项所述的方法，其特征在于，所述方法还包括：
通过不同的颜色或进度条显示所述评估因素的数值在所述同类放射治疗计划数据库内的该评估因素历史数据分布中的位置；或者，
在所述评估因素的评估结果为正常时，将该评估因素的数值存入所述同类放射治疗计划数据库内，以对所述同类放射治疗计划数据库进行更新。
5.一种放射治疗计划评估装置，其特征在于，所述装置包括：
计划数据获取模块，用于获取待评估放射治疗计划的DICOM数据和评估信息，所述评估信息包括多个评估因素和所述多个评估因素中每个评估因素对应的评估要求；
评估因素计算模块，用于根据所述DICOM数据得到所述多个评估因素的数值，并判断每个评估因素的数值是否符合该评估因素对应的评估要求；
评估因素评估模块，用于在所述多个评估因素中每个评估因素的数值均符合该评估因素对应的评估要求时，基于所述待评估放射治疗计划的同类放射治疗计划数据库，通过机器学习异常检测算法对所述多个评估因素的数值进行计算，得到各所述评估因素的评估结果，所述基于所述待评估放射治疗计划的同类放射治疗计划数据库，通过机器学习异常检测算法对所述多个评估因素的数值进行计算，得到各所述评估因素的评估结果，包括：基于所述待评估放射治疗计划的同类放射治疗计划数据库，计算得到所述多个评估因素中每个评估因素的历史均值和历史标准差；根据各所述评估因素的历史均值和历史标准差以及各所述评估因素的数值，计算得到各所述评估因素的结果概率和边界阈值；若所述评估因素为靶区评估因素，则在所述评估因素的结果概率小于等于该评估因素对应的概率阈值且所述评估因素的数值小于该评估因素的边界阈值时，判定所述评估因素的评估结果为异常；若所述评估因素为正常组织评估因素，则在所述评估因素的结果概率小于等于该评估因素对应的概率阈值且所述评估因素的数值大于该评估因素的边界阈值时，判定所述评估因素的评估结果为异常；
放射治疗计划评估模块，用于根据各所述评估因素的评估结果得到所述待评估放射治疗计划的评估结果。
6.根据权利要求5所述的装置，其特征在于，所述装置还包括：
评估结果输出模块，用于在所述待评估放射治疗计划的评估结果为不合格时，输出异常提示信息；所述异常提示信息中包含评估结果为异常的评估因素的信息；在所述待评估放射治疗计划的评估结果为合格时，输出所述评估结果。
7.根据权利要求6所述的装置，其特征在于，所述装置还包括：
评估因素显示模块，用于通过不同的颜色或进度条显示所述评估因素的数值在所述同类放射治疗计划数据库内的该评估因素历史数据分布中的位置；
数据库更新模块，用于在所述评估因素的评估结果为正常时，将该评估因素的数值存入所述同类放射治疗计划数据库内，以对所述同类放射治疗计划数据库进行更新。
8.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至4中任一项所述方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210999389.XA CN115223683B (zh) | 2022-08-19 | 2022-08-19 | 一种放射治疗计划评估方法、装置、计算机设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210999389.XA CN115223683B (zh) | 2022-08-19 | 2022-08-19 | 一种放射治疗计划评估方法、装置、计算机设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115223683A CN115223683A (zh) | 2022-10-21 |
| CN115223683B true CN115223683B (zh) | 2023-08-25 |
Family
ID=83616563
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210999389.XA Active CN115223683B (zh) | 2022-08-19 | 2022-08-19 | 一种放射治疗计划评估方法、装置、计算机设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115223683B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002263208A (ja) * | 2001-03-07 | 2002-09-17 | Mitsubishi Electric Corp | 放射線治療計画装置及び放射線治療計画方法 |
| WO2005035061A2 (en) * | 2003-10-07 | 2005-04-21 | Nomos Corporation | Planning system, method and apparatus for conformal radiation therapy |
| CN101443780A (zh) * | 2004-12-30 | 2009-05-27 | 普罗文蒂斯公司 | 用于开发和使用用于预测多种医学结果、评价介入策略以及同时验证生物标志物诱因的预测模型的方法、系统和计算机程序产品 |
| CN107767947A (zh) * | 2017-09-28 | 2018-03-06 | 北京全域医疗技术有限公司 | 放疗计划评估方法及装置 |
| CN108648811A (zh) * | 2018-05-11 | 2018-10-12 | 南方医科大学 | 一种基于指征项预测的自动放疗计划质量评价方法 |
| 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 |
| CN109771843A (zh) * | 2017-11-10 | 2019-05-21 | 北京连心医疗科技有限公司 | 云放射治疗计划评估方法、设备与存储介质 |
| CN111584034A (zh) * | 2020-04-14 | 2020-08-25 | 四川省肿瘤医院 | 基于人工智能的放射治疗实施质量控制方法及系统 |
| CN114566251A (zh) * | 2022-01-25 | 2022-05-31 | 苏州雷泰医疗科技有限公司 | 一种基于无监督学习的放射治疗计划评估方法及装置 |
| CN114866137A (zh) * | 2022-04-21 | 2022-08-05 | 国网青海省电力公司信息通信公司 | 电力光缆网的检测方法及装置 |
-
2022
- 2022-08-19 CN CN202210999389.XA patent/CN115223683B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002263208A (ja) * | 2001-03-07 | 2002-09-17 | Mitsubishi Electric Corp | 放射線治療計画装置及び放射線治療計画方法 |
| WO2005035061A2 (en) * | 2003-10-07 | 2005-04-21 | Nomos Corporation | Planning system, method and apparatus for conformal radiation therapy |
| CN101443780A (zh) * | 2004-12-30 | 2009-05-27 | 普罗文蒂斯公司 | 用于开发和使用用于预测多种医学结果、评价介入策略以及同时验证生物标志物诱因的预测模型的方法、系统和计算机程序产品 |
| CN107767947A (zh) * | 2017-09-28 | 2018-03-06 | 北京全域医疗技术有限公司 | 放疗计划评估方法及装置 |
| CN109771843A (zh) * | 2017-11-10 | 2019-05-21 | 北京连心医疗科技有限公司 | 云放射治疗计划评估方法、设备与存储介质 |
| CN108648811A (zh) * | 2018-05-11 | 2018-10-12 | 南方医科大学 | 一种基于指征项预测的自动放疗计划质量评价方法 |
| 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 |
| CN111584034A (zh) * | 2020-04-14 | 2020-08-25 | 四川省肿瘤医院 | 基于人工智能的放射治疗实施质量控制方法及系统 |
| CN114566251A (zh) * | 2022-01-25 | 2022-05-31 | 苏州雷泰医疗科技有限公司 | 一种基于无监督学习的放射治疗计划评估方法及装置 |
| CN114866137A (zh) * | 2022-04-21 | 2022-08-05 | 国网青海省电力公司信息通信公司 | 电力光缆网的检测方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 鼻咽癌调强放疗计划质量量化评价方法研究;顾慧宽等;《中国医学物理学杂志》;第38卷(第10期);1196-1202 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115223683A (zh) | 2022-10-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10159851B2 (en) | Systems and methods for automatic training of dose prediction models and treatment plans as a cloud service | |
| Liu et al. | Evaluation of a deep learning-based pelvic synthetic CT generation technique for MRI-based prostate proton treatment planning | |
| Hansen et al. | ScatterNet: a convolutional neural network for cone‐beam CT intensity correction | |
| US20210031054A1 (en) | Decision support tool for adaptive radiotherapy in ct/linac console | |
| CN110292723B (zh) | 剂量引导摆位装置、剂量监控装置、放疗系统及介质 | |
| EP3052188B1 (en) | Predicting achievable dose distribution using 3d information as an input | |
| US10293179B2 (en) | Physician directed radiation treatment planning | |
| CN114796891B (zh) | 放疗系统 | |
| CN110866909B (zh) | 图像生成网络的训练方法、图像预测方法和计算机设备 | |
| US10864382B2 (en) | System and method for radiation therapy treatment planning | |
| Mullins et al. | Treatment planning for metals using an extended CT number scale | |
| JP2009545394A (ja) | 生物学に導かれた適応的な治療計画 | |
| CN110751187B (zh) | 异常区域图像生成网络的训练方法和相关产品 | |
| CN116072263B (zh) | 基于放疗的计划参数预测装置 | |
| CN116030938B (zh) | 放疗剂量分布区间的确定装置及电子设备 | |
| Kawamura et al. | Revolutionizing radiation therapy: the role of AI in clinical practice | |
| CN115297926A (zh) | 用于生成自适应放射治疗计划的系统和方法 | |
| CN115223683B (zh) | 一种放射治疗计划评估方法、装置、计算机设备及介质 | |
| Reijtenbagh et al. | Multi-center dosimetric predictions to improve plan quality for brachytherapy for cervical cancer treatment | |
| Cao et al. | Adaptive multi-organ loss based generative adversarial network for automatic dose prediction in radiotherapy | |
| Zhao et al. | Bayesian conditional GAN for MRI brain image synthesis | |
| CN107921279A (zh) | 用于辅助近距离治疗流程的设备和方法 | |
| JP6802177B2 (ja) | Ｍｒｃａｔ画像の不確定領域に対するフォールバックソリューション | |
| Chuter et al. | A Novel Method Combining Global and Local Assessments to Evaluate CBCT-Based Synthetic CTs | |
| Knill et al. | Evaluating stereotactic accuracy with patient‐specific MRI distortion corrections for frame‐based radiosurgery |
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 |