CN116779173A - 一种基于人工智能的放射治疗剂量预测系统和方法 - Google Patents
一种基于人工智能的放射治疗剂量预测系统和方法 Download PDFInfo
- Publication number
- CN116779173A CN116779173A CN202311069534.5A CN202311069534A CN116779173A CN 116779173 A CN116779173 A CN 116779173A CN 202311069534 A CN202311069534 A CN 202311069534A CN 116779173 A CN116779173 A CN 116779173A
- Authority
- CN
- China
- Prior art keywords
- model
- image
- random
- training
- deep learning
- 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
- 238000001959 radiotherapy Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 65
- 238000013136 deep learning model Methods 0.000 claims abstract description 33
- 238000013528 artificial neural network Methods 0.000 claims abstract description 15
- 210000000056 organ Anatomy 0.000 claims abstract description 11
- 238000013519 translation Methods 0.000 claims description 24
- 210000000920 organ at risk Anatomy 0.000 claims description 11
- 238000010801 machine learning Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000007423 decrease Effects 0.000 claims description 4
- 238000000265 homogenisation Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 2
- 230000003416 augmentation Effects 0.000 claims 1
- 238000013434 data augmentation Methods 0.000 claims 1
- 230000002708 enhancing effect Effects 0.000 claims 1
- 238000013461 design Methods 0.000 abstract description 6
- 238000010276 construction Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 description 9
- 238000000605 extraction Methods 0.000 description 5
- 206010028980 Neoplasm Diseases 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 201000011510 cancer Diseases 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010426 hand crafting Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004091 panning Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000001225 therapeutic 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
- 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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- 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
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Surgery (AREA)
- Urology & Nephrology (AREA)
- Radiation-Therapy Devices (AREA)
Abstract
本发明涉及一种基于人工智能的放射治疗剂量预测系统和方法,该系统包括3D‑Unet深度学习模型构建模块、第一模型训练模块和第二模型训练模块,3D‑Unet深度学习模型构建模块用于构建3D‑Unet深度学习模型;第一模型训练模块用于训练得到第一模型,并提取中间剂量;第二模型训练模块用于训练得到第二模型,输出最终剂量分布。该系统采用级联神经网络设计,进行多通道输入,引入了几何数据增强,增加了模型的普适性,防止了模型训练过拟合问题,充分利用了危及器官,靶区,以及各体素到靶区的距离分布图用于剂量预测,提高了模型的预测精度。
Description
技术领域
本发明涉及放疗剂量预测技术领域,具体涉及一种基于人工智能的放射治疗剂量预测系统和方法。
背景技术
放疗是一种常见的癌症治疗方法,利用高能量的辐射来杀死癌细胞。放疗剂量是放疗治疗中非常重要的参数,它决定了辐射的强度和持续时间,对治疗效果和副作用都有很大的影响。
传统的放疗剂量预测方法主要基于临床经验和统计学模型,但这些方法存在着许多限制,如精度不高、依赖于人工经验和数据质量等问题。随着深度学习技术的发展,基于深度学习的放疗剂量预测方法逐渐成为研究热点。
深度学习技术可以通过学习大量的放疗数据,自动提取特征并建立模型,从而实现放疗剂量的预测。这种方法不仅能够提高预测精度,还可以降低人工干预的成本和时间。目前,许多研究已经证明了基于深度学习的放疗剂量预测方法的有效性和可行性,并且在临床实践中得到了广泛应用。
现有技术中,基于人工智能的自动剂量预测大部分都是基于知识的计划设计(KBP),就是基于获取历史计划数据,然后提取用于训练模型的有用特征。这些特征包括诸如危及器官的空间信息和靶区体积,到靶区的距离直方图,重叠体积直方图,结构形状,射束的数量等。 KPB的早期版本利用机器学习(ML)方法,将患者数据中手工制作的特征输入ML模型,以学习这些特征与计划的端到端映射,例如剂量体积直方图 (DVH)。当与优化引擎结合使用时,这些框架可以半自动化,并且能够根据新患者的解剖结构为新患者生成剂量。
然而,KPB的早期版本受到可以输入模型的数据复杂性以及模型能够预测的数据类型的高度限制。输出通常仅限于 1D 或 2D 数据,例如单个约束值或 DVH,其余的剂量分布应该完全取决于医生和计划者在生成最终可交付计划时的直觉。此外,尚不清楚究竟需要将哪些手工制作的特征输入模型,因此特征通常是通过反复试验来确定的。此外,手动手工制作特征可能会导致丢失细微但至关重要的信息,从而导致 KBP 模型的预测性能降低。因此,计划的质量仍然高度依赖于医生和计划人员的技能和经验。
发明内容
本发明旨在提供一种基于人工智能的放射治疗剂量预测系统和方法,所要解决的技术问题至少包括如何提高模型的预测精度,以及如何防止训练过拟合。
为了实现上述目的,本发明提供一种基于人工智能的放射治疗剂量预测系统,包括3D-Unet深度学习模型构建模块、第一模型训练模块和第二模型训练模块,所述的3D-Unet深度学习模型构建模块用于构建3D-Unet深度学习模型;所述的第一模型训练模块用于训练得到第一模型,并提取中间剂量;所述的第二模型训练模块用于训练得到第二模型,输出最终剂量分布。
优选地,所述的3D-Unet深度学习模型是一个深度神经网络结构,链接的是输入端和输出端;向所述的输入端输入危及器官、靶区以及从靶区向外的距离;所述的输出端输出的是真实的三维剂量分布图。
优选地,所述的第一模型训练模块训练得到第一模型,并提取中间剂量的具体步骤为:通过学习率梯度下降,逐步迭代找到所述的输入端与输出端的最佳匹配关系,该最佳匹配关系即为第一模型;所述的第一模型训练完毕后,向所述的第一模型输入新的病人的危及器官,靶区,以及从靶区向外的距离图,所述的第一模型输出预测的剂量分布图,该预测的剂量分布图即为中间剂量。
优选地,所述的第二模型训练模块训练得到第二模型,输出最终剂量分布的具体步骤为:向所述的3D-Unet深度学习模型的输入端输入预测的剂量分布图,训练得到第二模型,该第二模型用于输出最终剂量分布。
优选地, 所述的从靶区向外的距离指的是计算二值图像的欧几里德距离变换,所述的二值图像是指将靶区内的像素值设为1、将靶区外的像素值设为0而形成的二值图像;对于二值图像中的每个像素,计算二值图像的欧几里德距离的公式为:在二维空间中,(x1,y1) 和 (x2,y2) 之间的欧几里德距离d为:
;
其中,(x1,y1)表示所述的二值图像中靶区内的任意一个像素的二维坐标;(x2,y2)表示所述的二值图像中靶区外的任意一个像素的二维坐标。
优选地,步骤S1中向所述的输入端输入危及器官、靶区以及从靶区向外的距离的图之前,还包括预处理图像和进行几何数据加强的步骤。
优选地,所述的预处理图像是对输入所述输入端的图像的大小进行调整,使其满足所述的3D-Unet深度学习模型的神经网络结构的要求,以及对图像进行均一化处理。
优选地,所述的几何数据加强包括水平和垂直翻转、随机旋转以及随机水平平移和随机垂直平移,通过所述的几何数据加强在图像增强中增加训练数据集的多样性,并提高机器学习模型的性能。
优选地,所述的水平和垂直翻转用于创建原始图像的镜像版本;所述的随机旋转是将图像按指定范围内的随机角度旋转,所述的随机角度是正数或负数,并且所述的指定范围能够根据所需的旋转程度进行定义;所述的随机旋转有助于模型学习识别不同方向的物体;所述的随机水平平移是将图像水平移动随机数量的像素;所述的随机垂直平移是将图像垂直移动随机数量的像素;所述的随机水平平移和随机垂直平移用于创建原始图像的平移版本,有助于模型学习在图像中心不对称时仍能识别物体。
优选地,所述的3D-Unet深度学习模型是深度为5的3D-Unet网络。
本发明还提供一种基于人工智能的放疗剂量预测方法,包括以下步骤:
S1、构建3D-Unet深度学习模型:所述的3D-Unet深度学习模型是一个深度神经网络结构,链接的是输入端和输出端;向所述的输入端输入危及器官、靶区以及从靶区向外的距离;所述的输出端输出的是真实的三维剂量分布图;
S2、训练得到第一模型,并提取中间剂量:通过学习率梯度下降,逐步迭代找到所述的输入端与输出端的最佳匹配关系,该最佳匹配关系即为第一模型;所述的第一模型训练完毕后,向所述的第一模型输入新的病人的危及器官,靶区,以及从靶区向外的距离图,所述的第一模型输出预测的剂量分布图,该预测的剂量分布图即为中间剂量;
S3、训练得到第二模型,输出最终剂量分布:向所述的3D-Unet深度学习模型的输入端输入预测的剂量分布图,训练得到第二模型,该第二模型用于输出最终剂量分布。
优选地,步骤S2中,所述的第一模型输出预测的剂量分布图以后,重新生成训练集、验证集和测试集。
优选地,步骤S3中,向所述的3D-Unet深度学习模型的输入端输入预测的剂量分布图之前,还包括对预测的剂量分布图进行几何数据加强的步骤。
有益效果
与现有技术相比,本发明的有益效果是:
本发明的基本方案就是采用级联神经网络设计,进行多通道输入,多通道输入的是危及器官、靶区以及从靶区向外的距离图,与多通道输入相对的是单通道和少通道的输入,与这些输入(即单通道和少通道的输入)相比,多通道输入的深度学习,能够与输出端的剂量分布形成更具体的监督学习,增加学习的鲁棒性,加速深度学习的收敛速度。提取中间剂量,进行二次训练,得到两个模型,构建双模型的肿瘤放疗剂量预测方法和系统。进行双模型的学习主要是为了增加预测精度,采用双模型训练是为了实现从粗提取到细提取的过程,中间剂量的预测就是一个粗提取的过程,然后从中间剂量与真实剂量建立二次模型,实现细提取,最终实现预测精度的提升。三模型和四模型肯定会精度更好,但也会带来训练量增加和过拟合的风险,因此二次模型是一个折中的选择。
现有技术中,基于深度学习的放疗剂量预测方法一般都是基于2D-Unet,残差基神经网络及其改进型,以及3DUnet及其改进形式,大部分研究都只考虑了模型1的情况,对于二次剂量提取和二次训练、提升精度缺乏考虑。本发明引入了几何数据增强,增加了模型的普适性,防止了模型训练过拟合问题。模型1只是中间模型,模型2是最终模型。
本发明基于多通道输入的3D-Unet的应用,比之之前的神经网络设计,充分利用了危及器官,靶区,以及各体素到靶区的距离分布图用于剂量预测,得到模型1,然后得到模型预测剂量,用于二次训练,得到模型2,提高了模型的预测精度。
另外,本发明的两个模型均进行了几何数据增强,防止了训练过拟合。几何数据增强的效果是为了增加训练集数据的量,增加训练数据的多样性,数据多样了,模型训练就很难同时学到这么多特征,只能实现一个特征的平均化,实际也提高了模型的泛化。
附图说明
附图用来提供对本发明技术方案的进一步理解,并且构成说明书的一部分,与本申请的具体实施方式一起用于解释本发明的技术方案,并不构成对本发明技术方案的限制。
图1是本发明所述的基于人工智能的放疗剂量预测方法的流程示意图。
具体实施方式
在下文中更详细地描述了本发明以有助于对本发明的理解。
如图1所示,本发明所述的基于人工智能的放疗剂量预测方法包括以下步骤:
S1、构建3D-Unet深度学习模型:所述的3D-Unet深度学习模型是一个深度神经网络结构,链接的是输入端和输出端;向所述的输入端输入危及器官、靶区以及从靶区向外的距离的图;所述的输出端输出的是真实的三维剂量分布图;
S2、训练得到第一模型,并提取中间剂量:通过学习率梯度下降,逐步迭代找到所述的输入端与输出端的最佳匹配关系,该最佳匹配关系即为第一模型(即图1中的模型1);所述的第一模型训练完毕后,向所述的第一模型输入新的病人的危及器官,靶区,以及从靶区向外的距离图,所述的第一模型输出预测的剂量分布图,该预测的剂量分布图即为中间剂量;
S3、训练得到第二模型(即图1中的模型2),输出最终剂量分布:向所述的3D-Unet深度学习模型的输入端输入预测的剂量分布图,训练得到第二模型,该第二模型用于输出最终剂量分布。
本发明中,第一模型和第二模型都是通过训练得到的。其中通过向所述的3D-Unet深度学习模型输入危及器官,靶区,从靶区向外的距离图,输出真实的三维剂量分布图,训练得到第一模型。然后通过向第一模型输入新的病人的危及器官,靶区,以及从靶区向外的距离图,得到预测的剂量分布图,也就是中间剂量。通过输入预测的剂量分布图,输出真实剂量分布图,训练得到第二模型。
中间剂量就是第一模型训练完毕后,输入数据得到的第一模型的预测剂量分布。3D-Unet是一个深度神经网络结构,链接的是输入和输出端,通过学习率梯度下降,逐步迭代找到输入输出端的最佳匹配关系,即模型。第一模型就是基于这个网络结构(即3D-Unet深度学习模型)训练得到,第二模型也是采用这个神经网络结构训练得到,只不过区别在于输入端和输出端的大数据不一样,训练得到的匹配关系不一致,从而导致第一模型和第二模型存在区别。
优选地, 所述的从靶区向外的距离指的是计算二值图像的欧几里德距离变换,所述的二值图像是指将靶区内的像素值设为1、将靶区外的像素值设为0而形成的二值图像;对于二值图像中的每个像素,欧几里德距离变换会指定一个数值,该数值表示该像素与二值图像中最近的非零像素之间的距离,也就是非靶区像素到靶区像素的距离,其欧几里德距离公式为:在二维空间中,(x1,y1) 和 (x2,y2) 之间的欧几里德距离d为:
;
其中,(x1,y1)表示所述的二值图像中靶区内的任意一个像素的二位坐标;(x2,y2)表示所述的二值图像中靶区外的任意一个像素的二位坐标。
放疗中靶区是射线照射、杀死肿瘤的位置,危及器官是需要保护、防止射线照射的位置,通过靶区向外的距离设定,对应着剂量迅速跌落的限定。
优选地,步骤S1中向所述的输入端输入危及器官、靶区以及从靶区向外的距离的图之前,还包括预处理图像和进行几何数据加强的步骤。
优选地,所述的预处理图像是对输入所述输入端的图像的大小进行调整,使其满足所述的3D-Unet深度学习模型的神经网络结构的要求,以及对图像进行均一化处理。
优选地,所述的几何数据加强包括水平和垂直翻转、随机旋转以及随机水平平移和随机垂直平移,以上几何数据加强的手段在图像增强中可以大大增加训练数据集的多样性,并提高机器学习模型的性能。
优选地,所述的水平和垂直翻转用于创建原始图像的镜像版本;所述的随机旋转是将图像按指定范围内的随机角度旋转,所述的随机角度是正数或负数,并且所述的指定范围能够根据所需的旋转程度进行定义;所述的随机旋转有助于模型学习识别不同方向的物体;所述的随机水平平移是将图像水平移动随机数量的像素;所述的随机垂直平移是将图像垂直移动随机数量的像素;所述的随机水平平移和随机垂直平移用于创建原始图像的平移版本,有助于模型学习在图像中心不对称时仍能识别物体。
以下是如何应用这些几何数据加强技术:
1.水平和垂直翻转:水平翻转是将图像水平翻转,就像在镜子中看到的一样。垂直翻转是将图像垂直翻转,就像将其倒置一样。这些变换可以独立应用或一起应用,以创建原始图像的镜像版本。
2.随机旋转:随机旋转是将图像按指定范围内的随机角度旋转。角度可以是正数或负数,并且范围可以根据所需的旋转程度进行定义。此技术有助于模型学习识别不同方向的物体。
随机水平和垂直平移:
3.随机水平平移是将图像水平移动随机数量的像素。
4.随机垂直平移是将图像垂直移动随机数量的像素。
这些变换可以独立应用或一起应用,以创建原始图像的平移版本。平移有助于模型学习在图像中心不对称时仍能识别物体。
通过应用这些增强技术,可以扩展和丰富训练数据集,从而提高模型的泛化能力和稳健性。
优选地,所述的3D-Unet深度学习模型是深度为5的3D-Unet网络。
优选地,步骤S2中,所述的第一模型输出预测的剂量分布图以后,重新生成训练集、验证集和测试集。
深度学习的进步允许进行准确的3D剂量分布预测。其中一个模型是Ronneberger等人提出的U-net。该模型最初是为生物医学图像的语义分割而引入的,并且能够结合局部和全局特征来学习两个数据之间的像素到像素映射。它的像素到像素或体素到体素映射的能力使其成为体积剂量预测的理想候选者,其中 3D 解剖数据被输入模型以预测 3D 剂量分布。此外,深度学习允许输入原始数据,而不是像经典 ML 那样依赖手工制作的功能。
本发明还提供一种基于人工智能的放射治疗剂量预测系统,所述的基于人工智能的放射治疗剂量预测系统包括3D-Unet深度学习模型构建模块、第一模型训练模块和第二模型训练模块,所述的3D-Unet深度学习模型构建模块用于构建3D-Unet深度学习模型,所述的3D-Unet深度学习模型是一个深度神经网络结构,链接的是输入端和输出端;向所述的输入端输入危及器官、靶区以及从靶区向外的距离的图;所述的输出端输出的是真实的三维剂量分布图;所述的第一模型训练模块用于训练得到第一模型,并提取中间剂量,通过学习率梯度下降,逐步迭代找到所述的输入端与输出端的最佳匹配关系,该最佳匹配关系即为第一模型;所述的第一模型训练完毕后,向所述的第一模型输入新的病人的危及器官,靶区,以及从靶区向外的距离图,所述的第一模型输出预测的剂量分布图,该预测的剂量分布图即为中间剂量;所述的第二模型训练模块用于训练得到第二模型,输出最终剂量分布:向所述的3D-Unet深度学习模型的输入端输入预测的剂量分布图,训练得到第二模型,该第二模型用于输出最终剂量分布。
本发明所述的基于人工智能的放射治疗剂量预测系统和方法的关键点及优势包括:
1. 基于多通道输入的3D-Unet的应用比之之前的神经网络设计,充分利用危及器官,靶区,以及各体素到靶区的距离分布图用于剂量预测,得到模型1,然后得到模型预测剂量,用于二次训练,得到模型2,提高了模型的预测精度。
2.两个模型均进行了几何数据增强,防止了训练过拟合。
本发明的关键技术点包括:
1.基于多通道输入,除了危及器官和靶区,增加了从靶区向外的距离分布图这一输入项的3D-Unet的设计。
2.双模型的剂量预测设计,提高了预测精度,几何数据增强防止了训练过拟合。
以上描述了本发明优选实施方式,然其并非用以限定本发明。本领域技术人员对在此公开的实施方案可进行并不偏离本发明范畴和精神的改进和变化。
Claims (10)
1.一种基于人工智能的放射治疗剂量预测系统,其特征在于,所述的基于人工智能的放射治疗剂量预测系统包括3D-Unet深度学习模型构建模块、第一模型训练模块和第二模型训练模块,所述的3D-Unet深度学习模型构建模块用于构建3D-Unet深度学习模型;所述的第一模型训练模块用于训练得到第一模型,并提取中间剂量;所述的第二模型训练模块用于训练得到第二模型,输出最终剂量分布。
2.根据权利要求1所述的基于人工智能的放射治疗剂量预测系统,其特征在于,所述的3D-Unet深度学习模型是一个深度神经网络结构,链接的是输入端和输出端;向所述的输入端输入危及器官、靶区以及从靶区向外的距离;所述的输出端输出的是真实的三维剂量分布图。
3.根据权利要求1所述的基于人工智能的放射治疗剂量预测系统,其特征在于,所述的第一模型训练模块训练得到第一模型,并提取中间剂量的具体步骤为:通过学习率梯度下降,逐步迭代找到所述的输入端与输出端的最佳匹配关系,该最佳匹配关系即为第一模型;所述的第一模型训练完毕后,向所述的第一模型输入新的病人的危及器官,靶区,以及从靶区向外的距离图,所述的第一模型输出预测的剂量分布图,该预测的剂量分布图即为中间剂量。
4.根据权利要求1所述的基于人工智能的放射治疗剂量预测系统,其特征在于,所述的第二模型训练模块训练得到第二模型,输出最终剂量分布的具体步骤为:向所述的3D-Unet深度学习模型的输入端输入预测的剂量分布图,训练得到第二模型,该第二模型用于输出最终剂量分布。
5.根据权利要求1所述的基于人工智能的放射治疗剂量预测系统的预测方法,其特征在于,所述的从靶区向外的距离指的是计算二值图像的欧几里德距离变换,所述的二值图像是指将靶区内的像素值设为1、将靶区外的像素值设为0而形成的二值图像;对于二值图像中的每个像素,计算二值图像的欧几里德距离的公式为:在二维空间中,(x1,y1) 和 (x2,y2) 之间的欧几里德距离d为:
;
其中,(x1,y1)表示所述的二值图像中靶区内的任意一个像素的二维坐标;(x2,y2) 表示所述的二值图像中靶区外的任意一个像素的二维坐标。
6.根据权利要求1所述的基于人工智能的放射治疗剂量预测系统,其特征在于,步骤S1中向所述的输入端输入危及器官、靶区以及从靶区向外的距离的图之前,还包括预处理图像和进行几何数据加强的步骤。
7.根据权利要求6所述的基于人工智能的放射治疗剂量预测系统,其特征在于,所述的预处理图像是对输入所述输入端的图像的大小进行调整,使其满足所述的3D-Unet深度学习模型的神经网络结构的要求,以及对图像进行均一化处理。
8.根据权利要求6所述的基于人工智能的放射治疗剂量预测系统,其特征在于,所述的几何数据加强包括水平和垂直翻转、随机旋转以及随机水平平移和随机垂直平移,通过所述的几何数据加强在图像增强中增加训练数据集的多样性,并提高机器学习模型的性能。
9.根据权利要求8所述的基于人工智能的放射治疗剂量预测系统,其特征在于,所述的水平和垂直翻转用于创建原始图像的镜像版本;所述的随机旋转是将图像按指定范围内的随机角度旋转,所述的随机角度是正数或负数,并且所述的指定范围能够根据所需的旋转程度进行定义;所述的随机旋转有助于模型学习识别不同方向的物体;所述的随机水平平移是将图像水平移动随机数量的像素;所述的随机垂直平移是将图像垂直移动随机数量的像素;所述的随机水平平移和随机垂直平移用于创建原始图像的平移版本,有助于模型学习在图像中心不对称时仍能识别物体。
10.根据权利要求1所述的基于人工智能的放射治疗剂量预测系统,其特征在于,所述的3D-Unet深度学习模型是深度为5的3D-Unet网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311069534.5A CN116779173B (zh) | 2023-08-24 | 2023-08-24 | 一种基于人工智能的放射治疗剂量预测系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311069534.5A CN116779173B (zh) | 2023-08-24 | 2023-08-24 | 一种基于人工智能的放射治疗剂量预测系统和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116779173A true CN116779173A (zh) | 2023-09-19 |
CN116779173B CN116779173B (zh) | 2023-11-24 |
Family
ID=87986370
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311069534.5A Active CN116779173B (zh) | 2023-08-24 | 2023-08-24 | 一种基于人工智能的放射治疗剂量预测系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116779173B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112258526A (zh) * | 2020-10-30 | 2021-01-22 | 南京信息工程大学 | 一种基于对偶注意力机制的ct肾脏区域级联分割方法 |
CN113096766A (zh) * | 2021-04-08 | 2021-07-09 | 济南大学 | 一种个性化精准放疗计划中的三维剂量预测方法及系统 |
WO2022142770A1 (zh) * | 2020-12-28 | 2022-07-07 | 北京医智影科技有限公司 | 放射治疗自动计划系统、自动计划方法及计算机程序产品 |
CN114937147A (zh) * | 2022-05-25 | 2022-08-23 | 浙江大学 | 针对肝脏ct影像的分段智能识别模型及识别方法 |
US20230128148A1 (en) * | 2019-08-29 | 2023-04-27 | Beijing Linking Medical Technology Co., Ltd | Standardized Artificial Intelligence Automatic Radiation Therapy Planning Method and System |
CN116580814A (zh) * | 2023-03-23 | 2023-08-11 | 北京大学第三医院(北京大学第三临床医学院) | 一种基于深度学习的放疗计划自动生成系统和方法 |
-
2023
- 2023-08-24 CN CN202311069534.5A patent/CN116779173B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230128148A1 (en) * | 2019-08-29 | 2023-04-27 | Beijing Linking Medical Technology Co., Ltd | Standardized Artificial Intelligence Automatic Radiation Therapy Planning Method and System |
CN112258526A (zh) * | 2020-10-30 | 2021-01-22 | 南京信息工程大学 | 一种基于对偶注意力机制的ct肾脏区域级联分割方法 |
WO2022142770A1 (zh) * | 2020-12-28 | 2022-07-07 | 北京医智影科技有限公司 | 放射治疗自动计划系统、自动计划方法及计算机程序产品 |
CN113096766A (zh) * | 2021-04-08 | 2021-07-09 | 济南大学 | 一种个性化精准放疗计划中的三维剂量预测方法及系统 |
CN114937147A (zh) * | 2022-05-25 | 2022-08-23 | 浙江大学 | 针对肝脏ct影像的分段智能识别模型及识别方法 |
CN116580814A (zh) * | 2023-03-23 | 2023-08-11 | 北京大学第三医院(北京大学第三临床医学院) | 一种基于深度学习的放疗计划自动生成系统和方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116779173B (zh) | 2023-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110197709B (zh) | 一种基于深度学习与先验计划的三维剂量预测方法 | |
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 | |
CN114681813B (zh) | 放射治疗自动计划系统、自动计划方法及存储介质 | |
CN111028914B (zh) | 人工智能引导的剂量预测方法与系统 | |
Liu et al. | A cascade 3D U‐Net for dose prediction in radiotherapy | |
CN112546463B (zh) | 基于深度神经网络的放疗剂量自动预测方法 | |
CN111862022B (zh) | 全身多部位放射治疗危及器官自动勾画方法 | |
US11410766B2 (en) | Methods and systems for radiotherapy treatment planning based on continuous deep learning | |
CN114341936A (zh) | 用于医学成像中的图像裁剪和解剖结构分割的系统和方法 | |
EP4287204A2 (en) | Methods and systems for adaptive radiotherapy treatment planning using deep learning engines | |
CN114846476A (zh) | 训练用于放射疗法治疗计划的深度学习引擎 | |
Jiao et al. | TransDose: Transformer-based radiotherapy dose prediction from CT images guided by super-pixel-level GCN classification | |
CN116779173B (zh) | 一种基于人工智能的放射治疗剂量预测系统和方法 | |
CN116580814A (zh) | 一种基于深度学习的放疗计划自动生成系统和方法 | |
CN113178242B (zh) | 一种基于耦合式生成对抗网络的自动计划优化系统 | |
CN105477789A (zh) | 基于二次规划模型抑制总出束时间的动态调强放疗方法 | |
Wang et al. | Transfer learning for fluence map prediction in adrenal stereotactic body radiation therapy | |
CN110706779B (zh) | 一种放射治疗计划精确目标函数的自动生成方法 | |
Xie et al. | Automated clinical target volume delineation using deep 3D neural networks in radiation therapy of Non-small Cell Lung Cancer | |
CN113975662A (zh) | 一种基于数据挖掘技术的鼻咽癌精准放疗平台 | |
Chandran et al. | MemU-Net: A new volumetric dose prediction model using deep learning techniques in radiation treatment planning | |
Chintawar et al. | Role of Artificial Intelligence in Machine Learning for Diagnosis and Radiotherapy | |
Naeemi et al. | Attention U-net approach in predicting Intensity Modulated Radiation Therapy dose distribution in brain glioma tumor | |
Dahiya et al. | Deep Learning 3D Dose Prediction for Conventional Lung IMRT Using Consistent/Unbiased Automated Plans | |
Bice et al. | Latent space arc therapy optimization |
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 |