CN116821577A - 基于tpss算法在剂量计算中计算各向异性函数的方法 - Google Patents
基于tpss算法在剂量计算中计算各向异性函数的方法 Download PDFInfo
- Publication number
- CN116821577A CN116821577A CN202311104993.2A CN202311104993A CN116821577A CN 116821577 A CN116821577 A CN 116821577A CN 202311104993 A CN202311104993 A CN 202311104993A CN 116821577 A CN116821577 A CN 116821577A
- Authority
- CN
- China
- Prior art keywords
- data
- radiation dose
- function
- dose
- fitting
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 113
- 238000000034 method Methods 0.000 title claims abstract description 93
- 238000004364 calculation method Methods 0.000 title claims abstract description 81
- 230000005855 radiation Effects 0.000 claims abstract description 576
- 238000011282 treatment Methods 0.000 claims abstract description 68
- 238000012545 processing Methods 0.000 claims abstract description 67
- 238000013528 artificial neural network Methods 0.000 claims abstract description 41
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 33
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 230000002159 abnormal effect Effects 0.000 claims description 104
- 238000005457 optimization Methods 0.000 claims description 61
- 239000013598 vector Substances 0.000 claims description 53
- 238000001514 detection method Methods 0.000 claims description 45
- 238000004140 cleaning Methods 0.000 claims description 41
- 239000011159 matrix material Substances 0.000 claims description 39
- 238000012549 training Methods 0.000 claims description 37
- 238000002347 injection Methods 0.000 claims description 33
- 239000007924 injection Substances 0.000 claims description 33
- 230000008569 process Effects 0.000 claims description 24
- 230000008859 change Effects 0.000 claims description 23
- 238000012360 testing method Methods 0.000 claims description 21
- 238000012795 verification Methods 0.000 claims description 16
- 230000005856 abnormality Effects 0.000 claims description 13
- 238000000638 solvent extraction Methods 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 11
- 230000002776 aggregation Effects 0.000 claims description 10
- 238000004220 aggregation Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 10
- 238000010521 absorption reaction Methods 0.000 claims description 9
- 238000004980 dosimetry Methods 0.000 claims description 9
- 238000002759 z-score normalization Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 296
- 238000009826 distribution Methods 0.000 description 74
- 230000000694 effects Effects 0.000 description 14
- 238000004458 analytical method Methods 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 7
- 230000003993 interaction Effects 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 6
- 230000002285 radioactive effect Effects 0.000 description 6
- 238000005259 measurement Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000009472 formulation Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 238000001959 radiotherapy Methods 0.000 description 4
- 238000009499 grossing Methods 0.000 description 3
- 230000001788 irregular Effects 0.000 description 3
- 230000001225 therapeutic effect Effects 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 210000003484 anatomy Anatomy 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 2
- 239000012141 concentrate Substances 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000011369 optimal treatment Methods 0.000 description 2
- 238000006116 polymerization reaction Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000011425 standardization method Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 238000011269 treatment regimen Methods 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Radiation-Therapy Devices (AREA)
Abstract
本发明涉及医疗临床技术领域，尤其涉及一种基于TPSS算法在剂量计算中计算各向异性函数的方法。所述方法包括以下步骤：对初始放射剂量数据进行数据预处理，生成标准放射剂量数据；利用循环神经网络算法对标准放射剂量数据进行放射剂量的异性函数特征数据提取处理，生成异性函数特征数据；利用TPSS算法对异性函数特征数据进行拟合曲面三维建模处理，生成异性函数拟合曲面模型；将标准放射剂量数据传输至异性函数拟合曲面模型进行异性函数曲面拟合及优化处理，生成优化异性函数曲面拟合数据；根据优化异性函数曲面拟合数据对标准放射剂量数据进行最优放射剂量选取处理，生成最优放射剂量数据。本发明使得计算放射剂量更加精准。
Description
技术领域
本发明涉及医疗临床技术领域，尤其涉及一种基于TPSS算法在剂量计算中计算各向异性函数的方法。
背景技术
在医疗放射治疗中，放射剂量计算是一项关键任务，用于确定患者体内各个区域的放射剂量分布。然而，传统的剂量计算方法通常基于一般性的组织密度和物理特性，无法考虑到不同组织之间的各向异性差异，导致剂量计算结果的准确性和可靠性不高。
发明内容
基于此，本发明提供一种基于TPSS算法在剂量计算中计算各向异性函数的方法，以解决至少一个上述技术问题。
为实现上述目的，一种基于TPSS算法在剂量计算中计算各向异性函数的方法，包括以下步骤：步骤S1：获取初始放射剂量数据；对初始放射剂量数据进行数据预处理，生成标准放射剂量数据；步骤S2：对标准放射向量数据进行放射剂量特征类别选取及编码转换处理，生成选择特征类别向量；利用循环神经网络算法对选择特征类别向量进行放射剂量的异性函数特征数据提取处理，生成标准放射剂量数据的异性函数特征数据；步骤S3：利用TPSS算法对异性函数特征数据进行拟合曲面三维建模处理，生成异性函数拟合曲面模型；步骤S4：将标准放射剂量数据传输至异性函数拟合曲面模型进行异性函数曲面拟合及优化处理，生成优化异性函数曲面拟合数据；步骤S5：根据优化异性函数曲面拟合数据对标准放射剂量数据进行最优放射剂量选取处理，生成最优放射剂量数据。
本发明获取初始放射剂量数据，这可能是通过医学成像设备或计算机模拟等方式获得的。对初始放射剂量数据进行预处理，以生成标准放射剂量数据，数据预处理可能包括去除噪声、消除伪影和校准等操作，这些预处理操作可以提高数据质量，减少不确定性，并为后续步骤提供更准确的输入。对标准放射剂量数据进行特征类别选取和编码转换处理，生成选择特征类别向量，这些特征类别可能包括放射剂量的空间分布、能量分布或其他与剂量计算相关的特征，通过选择和编码这些特征类别，可以减少数据维度，并提取与各向异性相关的信息。利用循环神经网络算法对选择特征类别向量进行处理，以提取标准放射剂量数据的异性函数特征数据，循环神经网络是一种强大的机器学习工具，可以学习输入数据的时序特征，通过应用循环神经网络，可以捕获放射剂量数据中的异性特征，如空间分布的变化和能量分布的变化，提取的异性函数特征数据将为后续步骤提供用于建模和优化的重要信息。将标准放射剂量数据传输至异性函数拟合曲面模型，进行异性函数曲面拟合和优化处理，通过将标准放射剂量数据与拟合曲面模型相结合，可以获得优化的异性函数曲面拟合数据，这样，我们可以更准确地估计放射剂量在空间中的分布，并减少因各向异性引起的计算误差。根据优化的异性函数曲面拟合数据，对标准放射剂量数据进行最优放射剂量选取处理，通过使用优化的异性函数曲面拟合数据，我们可以确定在给定区域内最合适的放射剂量分布，从而实现更精确的剂量计算，最优放射剂量的选取可以根据特定的治疗目标、剂量限制和患者个体特征进行调整，以满足不同的临床需求。因此，本发明的剂量计算方法是考虑到了不同组织之间的各项异性差异，并且利用TPSS算法对异性差异进行曲面拟合，优化放射剂量分布，使得剂量计算结果的准确性和可靠性提高。
优选地，步骤S1包括以下步骤：步骤S11：获取初始放射剂量数据；步骤S12：对初始放射剂量数据进行放射剂量数据清洗，生成清洗放射剂量数据；步骤S13：对清洗放射剂量数据进行放射剂量异常数据筛选处理，以获取正常放射剂量数据；步骤S14：对正常放射剂量数据进行相关数据项的数据聚合，生成聚合放射剂量数据；步骤S15：利用Z-Score标准化对聚合放射剂量数据进行放射剂量标准化处理，生成标准放射剂量数据。
本发明获取初始的放射剂量数据，初始放射剂量数据是进行剂量计算的基础，因此数据的准确性和完整性对后续步骤的结果至关重要。对初始放射剂量数据进行清洗操作，数据清洗的目的是去除数据中的噪声、异常值或其他干扰因素，以减少对后续步骤的影响，清洗的方法可以包括去除无效数据、填充缺失值、平滑数据等，通过数据清洗，可以提高数据的质量和可靠性，确保后续步骤的准确性和稳定性。对清洗后的放射剂量数据进行异常数据筛选处理，异常数据是指与正常放射剂量数据明显不符合的极端值或异常值，通过筛选和排除这些异常数据，可以避免它们对后续步骤的影响，并提高放射剂量数据的一致性和可靠性。对正常放射剂量数据进行相关数据项的聚合操作，聚合的目的是将多个相关数据项合并为一个更综合和有代表性的数据项，通过数据聚合，可以减少数据的维度和复杂性，提取出对各向异性函数计算有用的特征。利用Z-Score标准化方法对聚合放射剂量数据进行标准化处理，标准化可以将不同量纲和分布的放射剂量数据转化为具有相同尺度和均值为零的标准数据，通过标准化处理，可以消除不同数据之间的尺度差异，使得各向异性函数的计算更加稳定和一致。
优选地，步骤S13包括以下步骤：步骤S131：利用放射剂量数据异常检测公式对清洗放射剂量数据进行数据异常值计算，生成清洗放射剂量数据的异常检测值；步骤S132：利用预设的放射剂量异常阈值对异常检测值进行放射剂量异常阈值比对，当异常检测值大于放射剂量异常阈值，将清洗放射剂量数据标记为异常放射剂量数据，当异常检测值不大于放射剂量异常阈值，将清洗放射剂量数据标记为正常放射剂量数据；步骤S133：将异常放射剂量数据进行剔除。
本发明利用特定的放射剂量数据异常检测公式对清洗后的放射剂量数据进行异常值计算，异常值计算公式可以基于统计学方法、机器学习算法或领域专家知识等进行定义，通过应用异常值计算公式，可以量化和评估放射剂量数据的异常程度，得到异常检测值。将异常检测值与预设的放射剂量异常阈值进行比对，放射剂量异常阈值是事先设定的用于区分正常放射剂量数据和异常放射剂量数据的阈值，如果异常检测值大于放射剂量异常阈值，那么将该清洗放射剂量数据标记为异常放射剂量数据；如果异常检测值不大于放射剂量异常阈值，那么将该清洗放射剂量数据标记为正常放射剂量数据。将被标记为异常放射剂量数据的数据进行剔除，剔除异常放射剂量数据的目的是排除不符合正常范围的数据点，以提高后续步骤的可靠性和准确性。
优选地，步骤S131中的放射剂量数据异常检测公式如下所示：；式中，
表示为放射剂量的异常检测值，表示为放射剂量的测量剂量值，表示为放射剂量的变化
率，表示为放射剂量涉及的注射时间，表示为放射剂量的实际剂量值，表示为放射剂量
的偏移量，表示为放射剂量注射的角度，表示为放射剂量对应的注射面积，表示为异常
检测值的异常调整值。
本发明利用一种放射剂量数据异常检测公式，该公式充分考虑了放射剂量的测量
剂量值、放射剂量的变化率、放射剂量涉及的注射时间、放射剂量的实际剂量值、放
射剂量的偏移量、放射剂量注射的角度、放射剂量对应的注射面积以及函数之间的相互
作用关系，以形成函数关系式：即，，放射剂量的变化率参数表示
放射剂量随时间的变化速度，较大的变化率意味着放射剂量的变化较快，使得放射剂量数
据在不同时间点之间的差异程度，可以检测放射剂量是否在短时间内发生了剧烈的变化，
从而识别出可能存在的异常情况；放射剂量涉及的注射时间，在放射治疗中，治疗时间是一
个重要的参数，对于确定放射剂量的总体量和分布模式起着关键作用，通过考虑治疗时间
参数，可以检测放射剂量是否在不同的治疗阶段或时间段内存在异常情况，治疗时间越长
在不正常的范围下，放射剂量累积的效应也偏离了正常的轨迹；放射剂量的测量剂量值与
放射剂量的实际剂量值直接反映放射剂量的度量结果，通过考虑实际剂量值参数，可以检
测放射剂量是否达到了预期的测量剂量目标或标准，如果实际剂量值与预期测量值存在明
显差异，可能需要对治疗计划、设备校准或患者情况进行调整，以确保放射剂量的精确性和
准确性。放射剂量的偏移量反映了放射剂量的系统性偏离，通过考虑偏移量参数，可以检测
放射剂量是否与预期的基准值相比存在偏离，如果偏移量较大，可能意味着治疗设备的校
准需要进行调整，以确保放射剂量的准确性和一致性；放射剂量注射的角度反映了放射剂
量注射的方向性特征。不同的注射角度可能导致剂量分布的异质性，通过考虑注射角度参
数，可以检测放射剂量的空间分布是否在特定方向上出现了异常；放射剂量对应的注射面
积的大小反映了放射剂量注射所涉及的面积特征，较大的注射面积可能会导致剂量分布的
扩散和不均匀性，通过考虑注射面积参数，可以检测放射剂量的空间分布是否在面积范围
内存在异常情况。综合考虑放射剂量数据的各种特征和影响因素，实现对异常放射剂量情
况的评估和识别，这有助于提高放射剂量数据的质量和准确性，确保放射治疗的效果和安
全性。利用异常检测值的异常调整值对函数关系式进行调整修正，减少异常数据或误差项
带来的误差影响，从而更准确地生成放射剂量的异常检测值，提高了对清洗放射剂量数
据进行数据异常值计算的准确性和可靠性。同时该公式中的调整值可以根据实际情况进行
调整，应用于不同的清洗放射剂量数据中，提高了算法的灵活性与适用性。
优选地，步骤S2包括以下步骤：步骤S21：对标准放射剂量数据进行放射剂量特征类别选取，以获取选择特征类别数据；步骤S22：利用独热编码对选择特征类别数据进行编码转换处理，生成选择特征类别向量；步骤S23：利用循环神经网络算法对选择特征类别向量进行放射剂量的异性函数特征数据提取处理，生成标准放射剂量数据的异性函数特征数据。
本发明对标准放射剂量数据进行放射剂量特征类别的选取，放射剂量特征类别是指与放射剂量相关的特征属性或区域。通过选择特定的放射剂量特征类别，可以提取出与感兴趣的放射剂量信息相关的特征，以便后续步骤进行处理。利用独热编码对选择特征类别数据进行编码转换处理，生成选择特征类别向量。独热编码是一种常用的编码技术，用于将离散的特征类别转换为二进制向量表示，通过独热编码，可以将每个特征类别表示为一个唯一的二进制向量，其中只有一个元素为1，其余元素为0，这种编码方式可以提供对特征类别的清晰和简洁的表示，便于后续算法对其进行处理和分析。利用循环神经网络算法对选择特征类别向量进行放射剂量的异性函数特征数据提取处理，循环神经网络是一种递归神经网络结构，可以处理序列数据并捕捉序列之间的上下文关系，通过应用RNN算法，可以对选择特征类别向量进行分析和建模，提取出与放射剂量的异性函数特征相关的信息，这些特征数据可以包括剂量分布的空间特征、方向性特征、剂量梯度等，有助于对剂量分布的异质性进行描述和分析。
优选地，步骤S23包括以下步骤：步骤S231：利用循环神经网络算法建立放射剂量与异性函数特征数据的映射关系，以生成初始异性函数剂量特征模型；步骤S232：将选择特征类别向量进行时间序列的数据划分处理，分别生成选择特征类别训练集以及选择特征类别测试集；步骤S233：利用选择特征类别训练集对初始异性函数剂量特征模型进行模型训练处理，生成异性函数剂量特征模型；步骤S234：通过异性函数剂量特征模型对选择特征类别测试集进行放射剂量的异性函数特征数据提取处理，生成标准放射剂量数据的异性函数特征数据。
本发明利用深度循环神经网络算法建立放射剂量与异性函数特征数据之间的映射关系，以生成初始的异性函数剂量特征模型，深度循环神经网络具有捕捉序列数据中时间依赖关系的能力，可以有效地学习放射剂量数据中的空间特征、方向性特征以及其他相关特征，通过该算法可以将放射剂量数据与相应的异性函数特征数据进行关联和映射，从而建立起两者之间的关系。将选择特征类别向量进行时间序列的数据划分处理，分别生成选择特征类别的训练集和测试集，数据划分是为了在模型训练和评估过程中保持数据的独立性和可靠性，通过将数据划分为训练集和测试集，可以利用训练集对初始的异性函数剂量特征模型进行训练，然后使用测试集来评估模型的性能和泛化能力。利用选择特征类别训练集对初始的异性函数剂量特征模型进行模型训练处理，通过使用训练集中的数据样本，可以通过深度循环神经网络算法来调整模型的权重和参数，从而使模型能够更好地学习放射剂量数据与异性函数特征数据之间的关系，模型训练的目标是最小化预测结果与实际值之间的误差，以提高模型的预测准确性和泛化能力。利用已经训练好的异性函数剂量特征模型，我们可以对测试集中的选择特征类别向量进行预测，从而得到相应的异性函数特征数据，这些特征数据可以用于描述和量化放射剂量的异性特征，为后续步骤的剂量计算和优化提供更全面和准确的输入。
优选地，步骤S3包括以下步骤：步骤S31：利用TPSS算法的径向基函数对异性函数特征数据进行放射剂量基函数计算，以生成剂量基函数集合；步骤S32：利用欧式距离函数对剂量基函数集合进行基函数集合距离计算，以构建剂量基函数集合的距离矩阵；步骤S33：对距离矩阵进行距离矩阵节点影响程度计算，生成影响矩阵；步骤S34：利用TPSS算法的代价函数与影响矩阵构建放射剂量代价函数；步骤S35：利用最小二乘法对放射剂量代价函数进行拟合曲面系数计算，以生成剂量拟合曲面系数；步骤S36：利用剂量基函数集合以及剂量拟合曲面系数进行拟合曲面三维建模处理，生成异性函数拟合曲面模型。
本发明利用TPSS算法的径向基函数对异性函数特征数据进行放射剂量基函数计算。TPSS算法（Thin Plate Spline Surface）是一种常用的插值方法，适用于拟合曲面和进行空间内插，通过应用TPSS算法的径向基函数，可以将异性函数特征数据转化为一组剂量基函数，这些基函数可以用于描述放射剂量的空间分布和特性。利用欧式距离函数对剂量基函数集合进行基函数集合距离计算，通过计算基函数之间的距离，可以评估它们之间的相似性和差异性，基函数集合的距离计算结果用于构建剂量基函数集合的距离矩阵，该矩阵描述了基函数之间的关系和相互作用。距离矩阵节点影响程度计算用于确定每个节点在拟合过程中的权重和影响程度，通过分析距离矩阵中每个节点的特征和位置，可以确定节点对于剂量拟合的重要性，从而生成影响矩阵。利用TPSS算法的代价函数与影响矩阵构建放射剂量代价函数，代价函数是一种数学模型，用于衡量拟合曲面与实际剂量分布之间的差异程度，通过结合TPSS算法的代价函数和影响矩阵，可以构建一个用于描述放射剂量的代价函数，用于优化拟合曲面的准确性和质量。利用最小二乘法对放射剂量代价函数进行拟合曲面系数计算，最小二乘法是一种优化方法，用于找到使得代价函数最小化的拟合曲面系数，通过计算拟合曲面系数，可以找到最佳的参数组合，使得拟合曲面与实际放射剂量分布之间的差异最小化。通过将剂量基函数集合和曲面系数结合起来，可以建立一个描述放射剂量分布的拟合曲面模型，这个模型可以用于对放射剂量的空间分布进行建模和预测，并为后续的剂量计算和优化提供有关剂量分布的信息。
优选地，步骤S4包括以下步骤：步骤S41：将标准放射剂量数据传输至异性函数拟合曲面模型进行异性函数曲面拟合处理，生成异性函数曲面拟合数据；步骤S42：利用异性函数曲面拟合优化算法对异性函数曲面拟合数据进行曲面拟合优化计算，生成优化异性函数曲面拟合数据。
本发明通过将标准放射剂量数据输入到已构建的异性函数拟合曲面模型中，可以计算出与实际放射剂量分布最相似的异性函数曲面，这个过程类似于将标准放射剂量数据映射到拟合曲面上，从而得到拟合数据，该拟合数据可以更准确地描述放射剂量的空间分布特征。曲面拟合优化算法旨在进一步改善异性函数拟合数据的准确性和质量，通过优化拟合曲面的参数或调整拟合算法的参数，可以使拟合数据更好地与实际放射剂量数据吻合，优化的异性函数曲面拟合数据提供了更准确、更精细的描述放射剂量分布的曲面模型。
优选地，步骤S42中的异性函数曲面拟合优化算法如下所示：；式中，表示为
异性函数曲面拟合数据的优化指数，表示为异性函数曲面拟合数据的曲面衰减速率，表
示为放射源的频率数据，表示为放射源涉及的时间长度，表示为异性函数曲面拟合数据
的相位信息，表示为异性函数曲面拟合数据的曲面角度，表示为放射源的强度信息，
表示为患者的剂量吸收速率，表示为优化指数的异常调整值。
本发明利用一种异性函数曲面拟合优化算法，该算法综合考虑了异性函数曲面拟
合数据的曲面衰减速率、放射源的频率数据、放射源涉及的时间长度、异性函数曲面拟
合数据的相位信息、异性函数曲面拟合数据的曲面角度、放射源的强度信息、患者的剂
量吸收速率以及函数之间的相互作用关系，以形成函数关系式：即，，函数关系式通过衡量异性函数曲面
拟合数据与实际放射剂量分布之间的差异，通过最小化优化指数，可以使拟合数据更好地
与实际剂量分布相吻合；通过调节异性函数曲面拟合数据的曲面衰减速率可以实现对曲面
拟合数据的平滑性控制，这有助于生成更平滑和连续的拟合曲面，使得拟合数据更贴近实
际放射剂量分布的变化趋势。通过异性函数曲面拟合数据的相位信息与曲面角度的变化实
现对拟合数据的形状和方向性特征的调控，这有助于更好地描述放射剂量的空间分布特
征，捕捉到放射剂量在不同方向上的异质性变化；通过考虑放射源的频率数据、放射源涉及
的时间长度、放射源的强度信息以及患者的剂量吸收速率引入考虑了放射源和患者特定的
信息，使得拟合过程更加精确和个性化，这有助于更准确地建模和预测放射剂量分布，为放
射治疗的个体化剂量计算和优化提供更可靠的依据。通过该函数关系式可以进一步对异性
函数曲面拟合数据的准确性、平滑性和形状特征进行优化，从而提供更精确、更贴近实际放
射剂量分布的拟合结果。利用优化指数的异常调整值对函数关系式进行调整修正，减少
异常数据或误差项带来的误差影响，从而更准确地生成异性函数曲面拟合数据的优化指数，提高了对异性函数曲面拟合数据进行曲面拟合优化计算的准确性和可靠性。同时该公式
中的调整值可以根据实际情况进行调整，应用于不同的异性函数曲面拟合数据中，提高了
算法的灵活性与适用性。
优选地，步骤S5包括以下步骤：步骤S51：根据优化异性函数曲面拟合数据对标准放射剂量数据进行放射剂量拟合优化处理，生成优化放射剂量拟合数据；步骤S52：将优化放射剂量拟合数据进行放射剂量验证处理，生成优化放射剂量验证报告；步骤S53：对优化放射剂量验证报告进行最优放射剂量选取，以生成最优放射剂量数据。
本发明通过将优化的异性函数曲面拟合数据应用于标准放射剂量数据，可以改善放射剂量的空间分布和剂量计算的准确性，进一步优化放射剂量拟合的结果，使其更符合实际情况，提高放射治疗的精度和安全性。放射剂量验证处理是通过与实际测量或其他可靠数据进行对比，评估优化拟合数据的准确性和可靠性，通过对优化放射剂量数据进行验证，可以发现潜在的偏差或误差，并对放射剂量计算的质量进行评估和改进。最优放射剂量选取是根据放射剂量验证报告中的评估结果和优化目标，选择出在给定约束条件下最合适的放射剂量方案，为了找到最佳的放射剂量配置方案，以满足病人的治疗需求，同时确保最佳的治疗效果和安全性。
本申请有益效果在于，本发明获取放射剂量初始数据，通过对放射剂量初始数据进行清洗和异常值筛选，确保数据的可靠性。通过深度循环神经网络的应用，能够全面捕捉放射剂量数据的异性函数特征，这些特征可能是由于不同方向、角度或位置上的放射源或解剖结构导致的剂量变化，通过对这些特征的提取和描述，可以更好地理解和评估放射剂量的异质性，为治疗方案的制定和优化提供更准确的依据。基于TPSS算法的剂量计算方法允许根据患者和放射源的特定信息进行个性化的剂量计算和优化，通过考虑放射源频率、时间长度、强度信息以及患者的剂量吸收速率等参数，可以为每个患者设计定制的治疗方案。这有助于提高治疗效果，同时最大限度地减少患者的副作用和并发症风险。通过TPSS算法中的曲面拟合优化处理，该方法可以提高异性函数曲面拟合的准确性和稳定性，优化指数F和其他参数的调节可以确保拟合结果与实际放射剂量数据的一致性，这有助于减少拟合曲面与实际剂量分布之间的误差，并提高对剂量分布的描述能力。基于循环神经网络算法和TPSS算法的方法能够实现计算流程的自动化处理，减少人为干预和人为误差，这不仅提高了计算的效率，还降低了处理过程中的主观性和不确定性，自动化的计算流程使医生能够更专注于治疗方案的制定和评估，提高工作效率和质量。本发明的基于TPSS算法的剂量计算方法有助于改善放射治疗的准确性、安全性和治疗效果，为医生提供更可靠的剂量计算和优化方案。
附图说明
图1为本发明一种基于TPSS算法在剂量计算中计算各向异性函数的方法的步骤流程示意图；图2为图1中步骤S2的详细实施步骤流程示意图；图3为图2中步骤S23的详细实施步骤流程示意图；图4为图1中步骤S3的详细实施步骤流程示意图；本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域所属的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，都属于本发明保护的范围。
此外，附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是，虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元，但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说，在不背离示例性实施例的范围的情况下，第一单元可以被称为第二单元，并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
为实现上述目的，请参阅图1至图4，本发明提供一种基于TPSS算法在剂量计算中计算各向异性函数的方法，包括以下步骤：步骤S1：获取初始放射剂量数据；对初始放射剂量数据进行数据预处理，生成标准放射剂量数据；步骤S2：对标准放射向量数据进行放射剂量特征类别选取及编码转换处理，生成选择特征类别向量；利用循环神经网络算法对选择特征类别向量进行放射剂量的异性函数特征数据提取处理，生成标准放射剂量数据的异性函数特征数据；步骤S3：利用TPSS算法对异性函数特征数据进行拟合曲面三维建模处理，生成异性函数拟合曲面模型；步骤S4：将标准放射剂量数据传输至异性函数拟合曲面模型进行异性函数曲面拟合及优化处理，生成优化异性函数曲面拟合数据；步骤S5：根据优化异性函数曲面拟合数据对标准放射剂量数据进行最优放射剂量选取处理，生成最优放射剂量数据。
本发明获取初始放射剂量数据，这可能是通过医学成像设备或计算机模拟等方式获得的。对初始放射剂量数据进行预处理，以生成标准放射剂量数据，数据预处理可能包括去除噪声、消除伪影和校准等操作，这些预处理操作可以提高数据质量，减少不确定性，并为后续步骤提供更准确的输入。对标准放射剂量数据进行特征类别选取和编码转换处理，生成选择特征类别向量，这些特征类别可能包括放射剂量的空间分布、能量分布或其他与剂量计算相关的特征，通过选择和编码这些特征类别，可以减少数据维度，并提取与各向异性相关的信息。利用循环神经网络算法对选择特征类别向量进行处理，以提取标准放射剂量数据的异性函数特征数据，循环神经网络是一种强大的机器学习工具，可以学习输入数据的时序特征，通过应用循环神经网络，可以捕获放射剂量数据中的异性特征，如空间分布的变化和能量分布的变化，提取的异性函数特征数据将为后续步骤提供用于建模和优化的重要信息。将标准放射剂量数据传输至异性函数拟合曲面模型，进行异性函数曲面拟合和优化处理，通过将标准放射剂量数据与拟合曲面模型相结合，可以获得优化的异性函数曲面拟合数据，这样，我们可以更准确地估计放射剂量在空间中的分布，并减少因各向异性引起的计算误差。根据优化的异性函数曲面拟合数据，对标准放射剂量数据进行最优放射剂量选取处理，通过使用优化的异性函数曲面拟合数据，我们可以确定在给定区域内最合适的放射剂量分布，从而实现更精确的剂量计算，最优放射剂量的选取可以根据特定的治疗目标、剂量限制和患者个体特征进行调整，以满足不同的临床需求。因此，本发明的剂量计算方法是考虑到了不同组织之间的各项异性差异，并且利用TPSS算法对异性差异进行曲面拟合，优化放射剂量分布，使得剂量计算结果的准确性和可靠性提高。
本发明实施例中，参考图1所述，为本发明一种基于TPSS算法在剂量计算中计算各向异性函数的方法的步骤流程示意图，在本实施例中，所述基于TPSS算法在剂量计算中计算各向异性函数的方法包括以下步骤：步骤S1：获取初始放射剂量数据；对初始放射剂量数据进行数据预处理，生成标准放射剂量数据；
本发明实施例中，获取初始放射剂量数据，并进行数据预处理生成标准放射剂量数据，从放射治疗计划系统获取患者的剂量数据，对这些数据进行预处理，包括去除异常值、平滑处理和数据归一化等操作，以生成稳定、准确的标准放射剂量数据。步骤S2：对标准放射向量数据进行放射剂量特征类别选取及编码转换处理，生成选择特征类别向量；利用循环神经网络算法对选择特征类别向量进行放射剂量的异性函数特征数据提取处理，生成标准放射剂量数据的异性函数特征数据；
本发明实施例中，对标准放射向量数据进行放射剂量特征类别选取及编码转换处理，生成选择特征类别向量，选择特定的放射剂量特征类别，如最大剂量、平均剂量等，并对这些类别进行编码转换，生成一个特征向量，利用循环神经网络（RNN）算法对选择特征类别向量进行处理，以提取出标准放射剂量数据的异性函数特征数据，RNN可以捕捉剂量数据的时序特征和空间关联性，从而提取出放射剂量的异性函数特征数据。步骤S3：利用TPSS算法对异性函数特征数据进行拟合曲面三维建模处理，生成异性函数拟合曲面模型；
本发明实施例中，利用TPSS算法对异性函数特征数据进行拟合曲面三维建模处理，生成异性函数拟合曲面模型，TPSS算法通过解决一个最小化误差的优化问题，将异性函数特征数据进行拟合，生成连续、平滑的曲面模型，该模型能够保持数据的空间特性，并提供对剂量分布的良好拟合。步骤S4：将标准放射剂量数据传输至异性函数拟合曲面模型进行异性函数曲面拟合及优化处理，生成优化异性函数曲面拟合数据；
本发明实施例中，将标准放射剂量数据传输至异性函数拟合曲面模型，进行异性函数曲面拟合及优化处理，生成优化异性函数曲面拟合数据，将标准放射剂量数据传输到异性函数拟合曲面模型中，通过与拟合曲面模型的比较和优化，获得优化后的异性函数曲面拟合数据，提高对剂量分布的精确建模和优化，从而得到更准确的结果。步骤S5：根据优化异性函数曲面拟合数据对标准放射剂量数据进行最优放射剂量选取处理，生成最优放射剂量数据。
本发明实施例中，根据优化异性函数曲面拟合数据对标准放射剂量数据进行最优放射剂量选取处理，生成最优放射剂量数据，利用优化后的异性函数曲面拟合数据，对标准放射剂量数据进行最优放射剂量选取处理，根据拟合曲面模型的信息，选择最合适的放射剂量值，以实现最优的放射治疗效果。
优选地，步骤S1包括以下步骤：步骤S11：获取初始放射剂量数据；步骤S12：对初始放射剂量数据进行放射剂量数据清洗，生成清洗放射剂量数据；步骤S13：对清洗放射剂量数据进行放射剂量异常数据筛选处理，以获取正常放射剂量数据；步骤S14：对正常放射剂量数据进行相关数据项的数据聚合，生成聚合放射剂量数据；步骤S15：利用Z-Score标准化对聚合放射剂量数据进行放射剂量标准化处理，生成标准放射剂量数据。
本发明获取初始的放射剂量数据，初始放射剂量数据是进行剂量计算的基础，因此数据的准确性和完整性对后续步骤的结果至关重要。对初始放射剂量数据进行清洗操作，数据清洗的目的是去除数据中的噪声、异常值或其他干扰因素，以减少对后续步骤的影响，清洗的方法可以包括去除无效数据、填充缺失值、平滑数据等，通过数据清洗，可以提高数据的质量和可靠性，确保后续步骤的准确性和稳定性。对清洗后的放射剂量数据进行异常数据筛选处理，异常数据是指与正常放射剂量数据明显不符合的极端值或异常值，通过筛选和排除这些异常数据，可以避免它们对后续步骤的影响，并提高放射剂量数据的一致性和可靠性。对正常放射剂量数据进行相关数据项的聚合操作，聚合的目的是将多个相关数据项合并为一个更综合和有代表性的数据项，通过数据聚合，可以减少数据的维度和复杂性，提取出对各向异性函数计算有用的特征。利用Z-Score标准化方法对聚合放射剂量数据进行标准化处理，标准化可以将不同量纲和分布的放射剂量数据转化为具有相同尺度和均值为零的标准数据，通过标准化处理，可以消除不同数据之间的尺度差异，使得各向异性函数的计算更加稳定和一致。
本发明实施例中，获取初始放射剂量数据，从放射治疗计划系统或剂量测量仪器中获取原始的放射剂量数据，包括不同位置和方向上的剂量值。对初始放射剂量数据进行放射剂量数据清洗，生成清洗放射剂量数据。进行数据清洗的目的是去除无效或不准确的数据，排除测量误差、设备故障等引起的异常值。对清洗放射剂量数据进行放射剂量异常数据筛选处理，以获取正常放射剂量数据，排除任何与放射剂量测量不一致的异常数据，根据剂量的上下限范围进行筛选，将超出范围的数据视为异常数据并予以排除。对正常放射剂量数据进行相关数据项的数据聚合，生成聚合放射剂量数据，将放射剂量数据按照需要的粒度进行聚合，例如按照时间、空间或患者等因素进行聚合，这样可以减少数据点的数量，并保留与剂量分布相关的主要信息。利用Z-Score标准化对聚合放射剂量数据进行放射剂量标准化处理，生成标准放射剂量数据，通过计算每个数据点与数据集平均值的差异，并除以标准差，将数据转换为标准化的Z-Score值。这样可以消除数据的尺度差异，使得不同数据点之间可以进行比较和分析。
优选地，步骤S13包括以下步骤：步骤S131：利用放射剂量数据异常检测公式对清洗放射剂量数据进行数据异常值计算，生成清洗放射剂量数据的异常检测值；步骤S132：利用预设的放射剂量异常阈值对异常检测值进行放射剂量异常阈值比对，当异常检测值大于放射剂量异常阈值，将清洗放射剂量数据标记为异常放射剂量数据，当异常检测值不大于放射剂量异常阈值，将清洗放射剂量数据标记为正常放射剂量数据；步骤S133：将异常放射剂量数据进行剔除。
本发明利用特定的放射剂量数据异常检测公式对清洗后的放射剂量数据进行异常值计算，异常值计算公式可以基于统计学方法、机器学习算法或领域专家知识等进行定义，通过应用异常值计算公式，可以量化和评估放射剂量数据的异常程度，得到异常检测值。将异常检测值与预设的放射剂量异常阈值进行比对，放射剂量异常阈值是事先设定的用于区分正常放射剂量数据和异常放射剂量数据的阈值，如果异常检测值大于放射剂量异常阈值，那么将该清洗放射剂量数据标记为异常放射剂量数据；如果异常检测值不大于放射剂量异常阈值，那么将该清洗放射剂量数据标记为正常放射剂量数据。将被标记为异常放射剂量数据的数据进行剔除，剔除异常放射剂量数据的目的是排除不符合正常范围的数据点，以提高后续步骤的可靠性和准确性。
本发明实施例中，根据具体的异常检测公式，对清洗放射剂量数据进行计算，得到每个数据点的异常检测值。利用预设的放射剂量异常阈值对异常检测值进行放射剂量异常阈值比对，当异常检测值大于放射剂量异常阈值时，将清洗放射剂量数据标记为异常放射剂量数据，当异常检测值不大于放射剂量异常阈值时，将清洗放射剂量数据标记为正常放射剂量数据，通过设定一个合适的放射剂量异常阈值，可以将异常放射剂量数据与正常放射剂量数据进行区分。将异常放射剂量数据进行剔除，根据标记的异常放射剂量数据，将这些数据从清洗放射剂量数据集中剔除，仅保留标记为正常放射剂量数据的部分，这样可以排除异常数据对后续分析和计算的影响，保证计算基于可靠的正常放射剂量数据进行。
优选地，步骤S131中的放射剂量数据异常检测公式如下所示：；式中，
表示为放射剂量的异常检测值，表示为放射剂量的测量剂量值，表示为放射剂量的变化
率，表示为放射剂量涉及的注射时间，表示为放射剂量的实际剂量值，表示为放射剂量
的偏移量，表示为放射剂量注射的角度，表示为放射剂量对应的注射面积，表示为异常
检测值的异常调整值。
本发明利用一种放射剂量数据异常检测公式，该公式充分考虑了放射剂量的测量
剂量值、放射剂量的变化率、放射剂量涉及的注射时间、放射剂量的实际剂量值、放
射剂量的偏移量、放射剂量注射的角度、放射剂量对应的注射面积以及函数之间的相互
作用关系，以形成函数关系式：即，，放射剂量的变化率参数表示
放射剂量随时间的变化速度，较大的变化率意味着放射剂量的变化较快，使得放射剂量数
据在不同时间点之间的差异程度，可以检测放射剂量是否在短时间内发生了剧烈的变化，
从而识别出可能存在的异常情况；放射剂量涉及的注射时间，在放射治疗中，治疗时间是一
个重要的参数，对于确定放射剂量的总体量和分布模式起着关键作用，通过考虑治疗时间
参数，可以检测放射剂量是否在不同的治疗阶段或时间段内存在异常情况，治疗时间越长
在不正常的范围下，放射剂量累积的效应也偏离了正常的轨迹；放射剂量的测量剂量值与
放射剂量的实际剂量值直接反映放射剂量的度量结果，通过考虑实际剂量值参数，可以检
测放射剂量是否达到了预期的测量剂量目标或标准，如果实际剂量值与预期测量值存在明
显差异，可能需要对治疗计划、设备校准或患者情况进行调整，以确保放射剂量的精确性和
准确性。放射剂量的偏移量反映了放射剂量的系统性偏离，通过考虑偏移量参数，可以检测
放射剂量是否与预期的基准值相比存在偏离，如果偏移量较大，可能意味着治疗设备的校
准需要进行调整，以确保放射剂量的准确性和一致性；放射剂量注射的角度反映了放射剂
量注射的方向性特征。不同的注射角度可能导致剂量分布的异质性，通过考虑注射角度参
数，可以检测放射剂量的空间分布是否在特定方向上出现了异常；放射剂量对应的注射面
积的大小反映了放射剂量注射所涉及的面积特征，较大的注射面积可能会导致剂量分布的
扩散和不均匀性，通过考虑注射面积参数，可以检测放射剂量的空间分布是否在面积范围
内存在异常情况。综合考虑放射剂量数据的各种特征和影响因素，实现对异常放射剂量情
况的评估和识别，这有助于提高放射剂量数据的质量和准确性，确保放射治疗的效果和安
全性。利用异常检测值的异常调整值对函数关系式进行调整修正，减少异常数据或误差项
带来的误差影响，从而更准确地生成放射剂量的异常检测值，提高了对清洗放射剂量数
据进行数据异常值计算的准确性和可靠性。同时该公式中的调整值可以根据实际情况进行
调整，应用于不同的清洗放射剂量数据中，提高了算法的灵活性与适用性。
优选地，步骤S2包括以下步骤：步骤S21：对标准放射剂量数据进行放射剂量特征类别选取，以获取选择特征类别数据；步骤S22：利用独热编码对选择特征类别数据进行编码转换处理，生成选择特征类别向量；步骤S23：利用循环神经网络算法对选择特征类别向量进行放射剂量的异性函数特征数据提取处理，生成标准放射剂量数据的异性函数特征数据。
本发明对标准放射剂量数据进行放射剂量特征类别的选取，放射剂量特征类别是指与放射剂量相关的特征属性或区域。通过选择特定的放射剂量特征类别，可以提取出与感兴趣的放射剂量信息相关的特征，以便后续步骤进行处理。利用独热编码对选择特征类别数据进行编码转换处理，生成选择特征类别向量。独热编码是一种常用的编码技术，用于将离散的特征类别转换为二进制向量表示，通过独热编码，可以将每个特征类别表示为一个唯一的二进制向量，其中只有一个元素为1，其余元素为0，这种编码方式可以提供对特征类别的清晰和简洁的表示，便于后续算法对其进行处理和分析。利用循环神经网络算法对选择特征类别向量进行放射剂量的异性函数特征数据提取处理，循环神经网络是一种递归神经网络结构，可以处理序列数据并捕捉序列之间的上下文关系，通过应用RNN算法，可以对选择特征类别向量进行分析和建模，提取出与放射剂量的异性函数特征相关的信息，这些特征数据可以包括剂量分布的空间特征、方向性特征、剂量梯度等，有助于对剂量分布的异质性进行描述和分析。
作为本发明的一个实例，参考图2所示，为图1中步骤S2的详细实施步骤流程示意图，在本实例中所述步骤S2包括：步骤S21：对标准放射剂量数据进行放射剂量特征类别选取，以获取选择特征类别数据；
本发明实施例中，根据特定的放射剂量特征类别，例如最大剂量、平均剂量、剂量梯度等，从标准放射剂量数据中选择相应的特征类别数据，这些特征类别可以根据剂量分布的空间特性和物理特性进行选择。步骤S22：利用独热编码对选择特征类别数据进行编码转换处理，生成选择特征类别向量；
本发明实施例中，独热编码是一种将分类数据转换为二进制向量的方法，每个特征类别被编码为一个向量，其中只有一个元素为1，其他元素为0，通过对选择特征类别数据进行独热编码，我们将其转换为二进制形式，以便于后续处理和分析。步骤S23：利用循环神经网络算法对选择特征类别向量进行放射剂量的异性函数特征数据提取处理，生成标准放射剂量数据的异性函数特征数据。
本发明实施例中，将选择特征类别向量作为输入，使用循环神经网络算法对其进行处理，循环神经网络算法可以捕捉放射剂量数据的时序特征和空间关联性，并提取出与放射剂量的异性函数特征相关的数据，通过循环神经网络算法的处理，可以从选择特征类别向量中提取出标准放射剂量数据的异性函数特征数据。
优选地，步骤S23包括以下步骤：步骤S231：利用循环神经网络算法建立放射剂量与异性函数特征数据的映射关系，以生成初始异性函数剂量特征模型；步骤S232：将选择特征类别向量进行时间序列的数据划分处理，分别生成选择特征类别训练集以及选择特征类别测试集；步骤S233：利用选择特征类别训练集对初始异性函数剂量特征模型进行模型训练处理，生成异性函数剂量特征模型；步骤S234：通过异性函数剂量特征模型对选择特征类别测试集进行放射剂量的异性函数特征数据提取处理，生成标准放射剂量数据的异性函数特征数据。
本发明利用深度循环神经网络算法建立放射剂量与异性函数特征数据之间的映射关系，以生成初始的异性函数剂量特征模型，深度循环神经网络具有捕捉序列数据中时间依赖关系的能力，可以有效地学习放射剂量数据中的空间特征、方向性特征以及其他相关特征，通过该算法可以将放射剂量数据与相应的异性函数特征数据进行关联和映射，从而建立起两者之间的关系。将选择特征类别向量进行时间序列的数据划分处理，分别生成选择特征类别的训练集和测试集，数据划分是为了在模型训练和评估过程中保持数据的独立性和可靠性，通过将数据划分为训练集和测试集，可以利用训练集对初始的异性函数剂量特征模型进行训练，然后使用测试集来评估模型的性能和泛化能力。利用选择特征类别训练集对初始的异性函数剂量特征模型进行模型训练处理，通过使用训练集中的数据样本，可以通过深度循环神经网络算法来调整模型的权重和参数，从而使模型能够更好地学习放射剂量数据与异性函数特征数据之间的关系，模型训练的目标是最小化预测结果与实际值之间的误差，以提高模型的预测准确性和泛化能力。利用已经训练好的异性函数剂量特征模型，我们可以对测试集中的选择特征类别向量进行预测，从而得到相应的异性函数特征数据，这些特征数据可以用于描述和量化放射剂量的异性特征，为后续步骤的剂量计算和优化提供更全面和准确的输入。
作为本发明的一个实例，参考图3所示，为图2中步骤S23的详细实施步骤流程示意图，在本实例中所述步骤S23包括：步骤S231：利用循环神经网络算法建立放射剂量与异性函数特征数据的映射关系，以生成初始异性函数剂量特征模型；
本发明实施例中，利用循环神经网络算法建立放射剂量与异性函数特征数据的映射关系，以生成初始异性函数剂量特征模型，通过将选择特征类别向量作为输入，使用循环神经网络算法进行训练，建立放射剂量与异性函数特征数据之间的映射关系，这样可以生成一个初始的异性函数剂量特征模型。步骤S232：将选择特征类别向量进行时间序列的数据划分处理，分别生成选择特征类别训练集以及选择特征类别测试集；
本发明实施例中，选择特征类别向量进行时间序列的数据划分处理，分别生成选择特征类别训练集以及选择特征类别测试集，根据时间序列的划分原则，将选择特征类别向量划分为训练集和测试集，将时间序列靠后的作为训练集，时间序列靠前的作为测试集，以用于模型的训练和评估，这样可以保证模型的泛化能力和可靠性。步骤S233：利用选择特征类别训练集对初始异性函数剂量特征模型进行模型训练处理，生成异性函数剂量特征模型；
本发明实施例中，将选择特征类别训练集作为输入，利用训练集数据对初始异性函数剂量特征模型进行训练，通过迭代优化，使模型能够更准确地学习放射剂量与异性函数特征数据之间的关系，从而生成一个更准确的异性函数剂量特征模型。步骤S234：通过异性函数剂量特征模型对选择特征类别测试集进行放射剂量的异性函数特征数据提取处理，生成标准放射剂量数据的异性函数特征数据。
本发明实施例中，利用已训练好的异性函数剂量特征模型，将选择特征类别测试集作为输入，通过模型推理和预测，提取出标准放射剂量数据的异性函数特征数据，这样可以利用模型对新的测试数据进行特征数据提取，从而得到准确的异性函数特征数据。
优选地，步骤S3包括以下步骤：步骤S31：利用TPSS算法的径向基函数对异性函数特征数据进行放射剂量基函数计算，以生成剂量基函数集合；步骤S32：利用欧式距离函数对剂量基函数集合进行基函数集合距离计算，以构建剂量基函数集合的距离矩阵；步骤S33：对距离矩阵进行距离矩阵节点影响程度计算，生成影响矩阵；步骤S34：利用TPSS算法的代价函数与影响矩阵构建放射剂量代价函数；步骤S35：利用最小二乘法对放射剂量代价函数进行拟合曲面系数计算，以生成剂量拟合曲面系数；步骤S36：利用剂量基函数集合以及剂量拟合曲面系数进行拟合曲面三维建模处理，生成异性函数拟合曲面模型。
本发明利用TPSS算法的径向基函数对异性函数特征数据进行放射剂量基函数计算。TPSS算法（Thin Plate Spline Surface）是一种常用的插值方法，适用于拟合曲面和进行空间内插，通过应用TPSS算法的径向基函数，可以将异性函数特征数据转化为一组剂量基函数，这些基函数可以用于描述放射剂量的空间分布和特性。利用欧式距离函数对剂量基函数集合进行基函数集合距离计算，通过计算基函数之间的距离，可以评估它们之间的相似性和差异性，基函数集合的距离计算结果用于构建剂量基函数集合的距离矩阵，该矩阵描述了基函数之间的关系和相互作用。距离矩阵节点影响程度计算用于确定每个节点在拟合过程中的权重和影响程度，通过分析距离矩阵中每个节点的特征和位置，可以确定节点对于剂量拟合的重要性，从而生成影响矩阵。利用TPSS算法的代价函数与影响矩阵构建放射剂量代价函数，代价函数是一种数学模型，用于衡量拟合曲面与实际剂量分布之间的差异程度，通过结合TPSS算法的代价函数和影响矩阵，可以构建一个用于描述放射剂量的代价函数，用于优化拟合曲面的准确性和质量。利用最小二乘法对放射剂量代价函数进行拟合曲面系数计算，最小二乘法是一种优化方法，用于找到使得代价函数最小化的拟合曲面系数，通过计算拟合曲面系数，可以找到最佳的参数组合，使得拟合曲面与实际放射剂量分布之间的差异最小化。通过将剂量基函数集合和曲面系数结合起来，可以建立一个描述放射剂量分布的拟合曲面模型，这个模型可以用于对放射剂量的空间分布进行建模和预测，并为后续的剂量计算和优化提供有关剂量分布的信息。
作为本发明的一个实例，参考图4所示，为图1中步骤S3的详细实施步骤流程示意图，在本实例中所述步骤S3包括：步骤S31：利用TPSS算法的径向基函数对异性函数特征数据进行放射剂量基函数计算，以生成剂量基函数集合；
本发明实施例中， TPSS算法的径向基函数是一种用于描述数据间关系的函数，它通过计算特征数据与基函数之间的距离来表示数据的相似性，利用TPSS算法的径向基函数可以计算出异性函数特征数据与基函数之间的关系，从而生成一组剂量基函数。步骤S32：利用欧式距离函数对剂量基函数集合进行基函数集合距离计算，以构建剂量基函数集合的距离矩阵；
本发明实施例中，欧式距离函数是一种常用的距离度量方法，它可以用于衡量数据点之间的相似性或差异性。通过计算剂量基函数集合中每对基函数之间的欧式距离，我们可以构建一个距离矩阵，表示基函数之间的距离关系。步骤S33：对距离矩阵进行距离矩阵节点影响程度计算，生成影响矩阵；
本发明实施例中，通过对距离矩阵中的每个节点进行计算，可以确定每个节点对其他节点的影响程度，这些影响程度可以表示为一个影响矩阵，用于描述基函数之间的相互作用关系。步骤S34：利用TPSS算法的代价函数与影响矩阵构建放射剂量代价函数；
本发明实施例中，TPSS算法的代价函数是一种衡量拟合效果的评估指标，它结合了基函数的权重和影响矩阵的信息，通过将代价函数与影响矩阵结合起来，可以构建一个反映剂量分布拟合程度的放射剂量代价函数。步骤S35：利用最小二乘法对放射剂量代价函数进行拟合曲面系数计算，以生成剂量拟合曲面系数；
本发明实施例中，最小二乘法是一种常用的拟合方法，通过最小化实际值与拟合值之间的残差平方和，来确定拟合曲面的系数，通过应用最小二乘法可以计算出剂量拟合曲面的系数，用于描述放射剂量的拟合效果。步骤S36：利用剂量基函数集合以及剂量拟合曲面系数进行拟合曲面三维建模处理，生成异性函数拟合曲面模型。
本发明实施例中，将剂量基函数集合和剂量拟合曲面系数结合起来，可以进行拟合曲面三维建模处理，生成一个具有平滑性和空间一致性的异性函数拟合曲面模型，该模型可以用来描述放射剂量分布的形态和特征。
优选地，步骤S4包括以下步骤：步骤S41：将标准放射剂量数据传输至异性函数拟合曲面模型进行异性函数曲面拟合处理，生成异性函数曲面拟合数据；步骤S42：利用异性函数曲面拟合优化算法对异性函数曲面拟合数据进行曲面拟合优化计算，生成优化异性函数曲面拟合数据。
本发明实施例中，将标准放射剂量数据作为输入，传输至已构建的异性函数拟合曲面模型中，通过计算每个数据点在曲面模型上的对应值，即计算该数据点的异性函数曲面拟合值，这样可以将标准放射剂量数据与拟合曲面进行匹配，生成对应的异性函数曲面拟合数据。通过应用特定的异性函数曲面拟合优化算法，对异性函数曲面拟合数据进行优化计算，优化的目标是使得拟合数据与实际标准放射剂量数据更加接近，从而进一步提高曲面拟合的精度和准确性，通过优化算法的迭代过程，可以得到优化后的异性函数曲面拟合数据。
本发明通过将标准放射剂量数据输入到已构建的异性函数拟合曲面模型中，可以计算出与实际放射剂量分布最相似的异性函数曲面，这个过程类似于将标准放射剂量数据映射到拟合曲面上，从而得到拟合数据，该拟合数据可以更准确地描述放射剂量的空间分布特征。曲面拟合优化算法旨在进一步改善异性函数拟合数据的准确性和质量，通过优化拟合曲面的参数或调整拟合算法的参数，可以使拟合数据更好地与实际放射剂量数据吻合，优化的异性函数曲面拟合数据提供了更准确、更精细的描述放射剂量分布的曲面模型。
优选地，步骤S42中的异性函数曲面拟合优化算法如下所示：；式中，表示为
异性函数曲面拟合数据的优化指数，表示为异性函数曲面拟合数据的曲面衰减速率，表
示为放射源的频率数据，表示为放射源涉及的时间长度，表示为异性函数曲面拟合数据
的相位信息，表示为异性函数曲面拟合数据的曲面角度，表示为放射源的强度信息，
表示为患者的剂量吸收速率，表示为优化指数的异常调整值。
本发明利用一种异性函数曲面拟合优化算法，该算法综合考虑了异性函数曲面拟
合数据的曲面衰减速率、放射源的频率数据、放射源涉及的时间长度、异性函数曲面拟
合数据的相位信息、异性函数曲面拟合数据的曲面角度、放射源的强度信息、患者的剂
量吸收速率以及函数之间的相互作用关系，以形成函数关系式：即，，函数关系式通过衡量异性函数曲面
拟合数据与实际放射剂量分布之间的差异，通过最小化优化指数，可以使拟合数据更好地
与实际剂量分布相吻合；通过调节异性函数曲面拟合数据的曲面衰减速率可以实现对曲面
拟合数据的平滑性控制，这有助于生成更平滑和连续的拟合曲面，使得拟合数据更贴近实
际放射剂量分布的变化趋势。通过异性函数曲面拟合数据的相位信息与曲面角度的变化实
现对拟合数据的形状和方向性特征的调控，这有助于更好地描述放射剂量的空间分布特
征，捕捉到放射剂量在不同方向上的异质性变化；通过考虑放射源的频率数据、放射源涉及
的时间长度、放射源的强度信息以及患者的剂量吸收速率引入考虑了放射源和患者特定的
信息，使得拟合过程更加精确和个性化，这有助于更准确地建模和预测放射剂量分布，为放
射治疗的个体化剂量计算和优化提供更可靠的依据。通过该函数关系式可以进一步对异性
函数曲面拟合数据的准确性、平滑性和形状特征进行优化，从而提供更精确、更贴近实际放
射剂量分布的拟合结果。利用优化指数的异常调整值对函数关系式进行调整修正，减少
异常数据或误差项带来的误差影响，从而更准确地生成异性函数曲面拟合数据的优化指数，提高了对异性函数曲面拟合数据进行曲面拟合优化计算的准确性和可靠性。同时该公式
中的调整值可以根据实际情况进行调整，应用于不同的异性函数曲面拟合数据中，提高了
算法的灵活性与适用性。
优选地，步骤S5包括以下步骤：步骤S51：根据优化异性函数曲面拟合数据对标准放射剂量数据进行放射剂量拟合优化处理，生成优化放射剂量拟合数据；步骤S52：将优化放射剂量拟合数据进行放射剂量验证处理，生成优化放射剂量验证报告；步骤S53：对优化放射剂量验证报告进行最优放射剂量选取，以生成最优放射剂量数据。
本发明通过将优化的异性函数曲面拟合数据应用于标准放射剂量数据，可以改善放射剂量的空间分布和剂量计算的准确性，进一步优化放射剂量拟合的结果，使其更符合实际情况，提高放射治疗的精度和安全性。放射剂量验证处理是通过与实际测量或其他可靠数据进行对比，评估优化拟合数据的准确性和可靠性，通过对优化放射剂量数据进行验证，可以发现潜在的偏差或误差，并对放射剂量计算的质量进行评估和改进。最优放射剂量选取是根据放射剂量验证报告中的评估结果和优化目标，选择出在给定约束条件下最合适的放射剂量方案，为了找到最佳的放射剂量配置方案，以满足病人的治疗需求，同时确保最佳的治疗效果和安全性。
本发明实施例中，利用优化后的异性函数曲面拟合数据，将其与标准放射剂量数据进行拟合优化处理，通过计算每个标准放射剂量数据点在拟合曲面上的对应值，即计算其拟合值，生成优化后的放射剂量拟合数据，这样可以通过拟合优化，提高放射剂量的准确性和精度。将优化后的放射剂量拟合数据与实际测量数据进行比对和验证，通过计算拟合数据与实际数据之间的差异，评估拟合结果的准确性和可靠性，生成优化放射剂量验证报告，其中包括拟合数据与实际数据的对比结果、评估指标和可视化展示，以便于后续的分析和决策。根据优化放射剂量验证报告中的评估指标和分析结果，结合具体的治疗需求和安全要求，进行最优放射剂量的选取，通过综合考虑各种因素，包括剂量分布的均匀性、剂量限制的满足程度和器官的保护等，确定最优放射剂量数据，这样可以得到符合治疗要求并具有最佳效果的放射剂量方案。
本申请有益效果在于，本发明获取放射剂量初始数据，通过对放射剂量初始数据进行清洗和异常值筛选，确保数据的可靠性。通过深度循环神经网络的应用，能够全面捕捉放射剂量数据的异性函数特征，这些特征可能是由于不同方向、角度或位置上的放射源或解剖结构导致的剂量变化，通过对这些特征的提取和描述，可以更好地理解和评估放射剂量的异质性，为治疗方案的制定和优化提供更准确的依据。基于TPSS算法的剂量计算方法允许根据患者和放射源的特定信息进行个性化的剂量计算和优化，通过考虑放射源频率、时间长度、强度信息以及患者的剂量吸收速率等参数，可以为每个患者设计定制的治疗方案。这有助于提高治疗效果，同时最大限度地减少患者的副作用和并发症风险。通过TPSS算法中的曲面拟合优化处理，该方法可以提高异性函数曲面拟合的准确性和稳定性，优化指数F和其他参数的调节可以确保拟合结果与实际放射剂量数据的一致性，这有助于减少拟合曲面与实际剂量分布之间的误差，并提高对剂量分布的描述能力。基于循环神经网络算法和TPSS算法的方法能够实现计算流程的自动化处理，减少人为干预和人为误差，这不仅提高了计算的效率，还降低了处理过程中的主观性和不确定性，自动化的计算流程使医生能够更专注于治疗方案的制定和评估，提高工作效率和质量。本发明的基于TPSS算法的剂量计算方法有助于改善放射治疗的准确性、安全性和治疗效果，为医生提供更可靠的剂量计算和优化方案。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于TPSS算法在剂量计算中计算各向异性函数的方法，其特征在于，包括以下步骤：
步骤S1：获取初始放射剂量数据；对初始放射剂量数据进行数据预处理，生成标准放射剂量数据；
步骤S2：对标准放射向量数据进行放射剂量特征类别选取及编码转换处理，生成选择特征类别向量；利用循环神经网络算法对选择特征类别向量进行放射剂量的异性函数特征数据提取处理，生成标准放射剂量数据的异性函数特征数据；
步骤S3：利用TPSS算法对异性函数特征数据进行拟合曲面三维建模处理，生成异性函数拟合曲面模型；
步骤S4：将标准放射剂量数据传输至异性函数拟合曲面模型进行异性函数曲面拟合及优化处理，生成优化异性函数曲面拟合数据；
步骤S5：根据优化异性函数曲面拟合数据对标准放射剂量数据进行最优放射剂量选取处理，生成最优放射剂量数据。
2.根据权利要求1所述的基于TPSS算法在剂量计算中计算各向异性函数的方法，其特征在于，步骤S1包括以下步骤：
步骤S11：获取初始放射剂量数据；
步骤S12：对初始放射剂量数据进行放射剂量数据清洗，生成清洗放射剂量数据；
步骤S13：对清洗放射剂量数据进行放射剂量异常数据筛选处理，以获取正常放射剂量数据；
步骤S14：对正常放射剂量数据进行相关数据项的数据聚合，生成聚合放射剂量数据；
步骤S15：利用Z-Score标准化对聚合放射剂量数据进行放射剂量标准化处理，生成标准放射剂量数据。
3.根据权利要求2所述的基于TPSS算法在剂量计算中计算各向异性函数的方法，其特征在于，步骤S13包括以下步骤：
步骤S131：利用放射剂量数据异常检测公式对清洗放射剂量数据进行数据异常值计算，生成清洗放射剂量数据的异常检测值；
步骤S132：利用预设的放射剂量异常阈值对异常检测值进行放射剂量异常阈值比对，当异常检测值大于放射剂量异常阈值，将清洗放射剂量数据标记为异常放射剂量数据，当异常检测值不大于放射剂量异常阈值，将清洗放射剂量数据标记为正常放射剂量数据；
步骤S133：将异常放射剂量数据进行剔除。
4.根据权利要求3所述的基于TPSS算法在剂量计算中计算各向异性函数的方法，其特征在于，步骤S131中的放射剂量数据异常检测公式如下所示：
；
式中，表示为放射剂量的异常检测值，/>表示为放射剂量的测量剂量值，/>表示为放射剂量的变化率，/>表示为放射剂量涉及的注射时间，/>表示为放射剂量的实际剂量值，/>表示为放射剂量的偏移量，/>表示为放射剂量注射的角度，/>表示为放射剂量对应的注射面积，/>表示为异常检测值的异常调整值。
5.根据权利要求4所述的基于TPSS算法在剂量计算中计算各向异性函数的方法，其特征在于，步骤S2包括以下步骤：
步骤S21：对标准放射剂量数据进行放射剂量特征类别选取，以获取选择特征类别数据；
步骤S22：利用独热编码对选择特征类别数据进行编码转换处理，生成选择特征类别向量；
步骤S23：利用循环神经网络算法对选择特征类别向量进行放射剂量的异性函数特征数据提取处理，生成标准放射剂量数据的异性函数特征数据。
6.根据权利要求5所述的基于TPSS算法在剂量计算中计算各向异性函数的方法，其特征在于，步骤S23包括以下步骤：
步骤S231：利用循环神经网络算法建立放射剂量与异性函数特征数据的映射关系，以生成初始异性函数剂量特征模型；
步骤S232：将选择特征类别向量进行时间序列的数据划分处理，分别生成选择特征类别训练集以及选择特征类别测试集；
步骤S233：利用选择特征类别训练集对初始异性函数剂量特征模型进行模型训练处理，生成异性函数剂量特征模型；
步骤S234：通过异性函数剂量特征模型对选择特征类别测试集进行放射剂量的异性函数特征数据提取处理，生成标准放射剂量数据的异性函数特征数据。
7.根据权利要求6所述的基于TPSS算法在剂量计算中计算各向异性函数的方法，其特征在于，步骤S3包括以下步骤：
步骤S31：利用TPSS算法的径向基函数对异性函数特征数据进行放射剂量基函数计算，以生成剂量基函数集合；
步骤S32：利用欧式距离函数对剂量基函数集合进行基函数集合距离计算，以构建剂量基函数集合的距离矩阵；
步骤S33：对距离矩阵进行距离矩阵节点影响程度计算，生成影响矩阵；
步骤S34：利用TPSS算法的代价函数与影响矩阵构建放射剂量代价函数；
步骤S35：利用最小二乘法对放射剂量代价函数进行拟合曲面系数计算，以生成剂量拟合曲面系数；
步骤S36：利用剂量基函数集合以及剂量拟合曲面系数进行拟合曲面三维建模处理，生成异性函数拟合曲面模型。
8.根据权利要求7所述的基于TPSS算法在剂量计算中计算各向异性函数的方法，其特征在于，步骤S4包括以下步骤：
步骤S41：将标准放射剂量数据传输至异性函数拟合曲面模型进行异性函数曲面拟合处理，生成异性函数曲面拟合数据；
步骤S42：利用异性函数曲面拟合优化算法对异性函数曲面拟合数据进行曲面拟合优化计算，生成优化异性函数曲面拟合数据。
9.根据权利要求8所述的基于TPSS算法在剂量计算中计算各向异性函数的方法，其特征在于，步骤S42中的异性函数曲面拟合优化算法如下所示：
；
式中，表示为异性函数曲面拟合数据的优化指数，/>表示为异性函数曲面拟合数据的曲面衰减速率，/>表示为放射源的频率数据，/>表示为放射源涉及的时间长度，/>表示为异性函数曲面拟合数据的相位信息，/>表示为异性函数曲面拟合数据的曲面角度，/>表示为放射源的强度信息，/>表示为患者的剂量吸收速率，/>表示为优化指数的异常调整值。
10.根据权利要求9所述的基于TPSS算法在剂量计算中计算各向异性函数的方法，其特征在于，步骤S5包括以下步骤：
步骤S51：根据优化异性函数曲面拟合数据对标准放射剂量数据进行放射剂量拟合优化处理，生成优化放射剂量拟合数据；
步骤S52：将优化放射剂量拟合数据进行放射剂量验证处理，生成优化放射剂量验证报告；
步骤S53：对优化放射剂量验证报告进行最优放射剂量选取，以生成最优放射剂量数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311104993.2A CN116821577B (zh) | 2023-08-30 | 2023-08-30 | 基于tpss算法在剂量计算中计算各向异性函数的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311104993.2A CN116821577B (zh) | 2023-08-30 | 2023-08-30 | 基于tpss算法在剂量计算中计算各向异性函数的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116821577A true CN116821577A (zh) | 2023-09-29 |
| CN116821577B CN116821577B (zh) | 2023-11-21 |
Family
ID=88127773
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311104993.2A Active CN116821577B (zh) | 2023-08-30 | 2023-08-30 | 基于tpss算法在剂量计算中计算各向异性函数的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116821577B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110184283A1 (en) * | 2008-07-25 | 2011-07-28 | Tufts Medical Center | system and method of clinical treatment planning of complex, monte carlo-based brachytherapy dose distributions |
| WO2016064750A1 (en) * | 2014-10-20 | 2016-04-28 | New York University | Method to select radiation dosage for tumor treatment based on cellular imaging |
| US20180280725A1 (en) * | 2017-03-30 | 2018-10-04 | The Regents Of The University Of California | System and Method for Volumetric Modulated Arc Therapy |
| CN110141773A (zh) * | 2019-04-02 | 2019-08-20 | 成都真实维度科技有限公司 | 瘤体内放射性粒子源排布方法 |
| CN110298900A (zh) * | 2019-06-25 | 2019-10-01 | 中山大学 | 一种基于各向异性基函数建立spect重构的方法 |
| CN113599728A (zh) * | 2021-08-20 | 2021-11-05 | 北京航空航天大学 | 放疗剂量预测方法及装置 |
| CN113842566A (zh) * | 2013-12-31 | 2021-12-28 | 威斯康星州医药大学股份有限公司 | 基于多模态成像的自适应重计划 |
| US20220212035A1 (en) * | 2021-01-05 | 2022-07-07 | Alpha Tau Medical Ltd. | Treatment planning for alpha particle radiotherapy |
| CN116245015A (zh) * | 2023-01-09 | 2023-06-09 | 四川通信科研规划设计有限责任公司 | 基于深度学习的数据变化趋势预测方法及系统 |
| CN116385892A (zh) * | 2023-02-13 | 2023-07-04 | 北京道达天际科技股份有限公司 | 基于目标上下文卷积神经网络的数字高程模型提取方法 |
-
2023
- 2023-08-30 CN CN202311104993.2A patent/CN116821577B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110184283A1 (en) * | 2008-07-25 | 2011-07-28 | Tufts Medical Center | system and method of clinical treatment planning of complex, monte carlo-based brachytherapy dose distributions |
| CN113842566A (zh) * | 2013-12-31 | 2021-12-28 | 威斯康星州医药大学股份有限公司 | 基于多模态成像的自适应重计划 |
| WO2016064750A1 (en) * | 2014-10-20 | 2016-04-28 | New York University | Method to select radiation dosage for tumor treatment based on cellular imaging |
| US20180280725A1 (en) * | 2017-03-30 | 2018-10-04 | The Regents Of The University Of California | System and Method for Volumetric Modulated Arc Therapy |
| CN110141773A (zh) * | 2019-04-02 | 2019-08-20 | 成都真实维度科技有限公司 | 瘤体内放射性粒子源排布方法 |
| CN110298900A (zh) * | 2019-06-25 | 2019-10-01 | 中山大学 | 一种基于各向异性基函数建立spect重构的方法 |
| US20220212035A1 (en) * | 2021-01-05 | 2022-07-07 | Alpha Tau Medical Ltd. | Treatment planning for alpha particle radiotherapy |
| CN113599728A (zh) * | 2021-08-20 | 2021-11-05 | 北京航空航天大学 | 放疗剂量预测方法及装置 |
| CN116245015A (zh) * | 2023-01-09 | 2023-06-09 | 四川通信科研规划设计有限责任公司 | 基于深度学习的数据变化趋势预测方法及系统 |
| CN116385892A (zh) * | 2023-02-13 | 2023-07-04 | 北京道达天际科技股份有限公司 | 基于目标上下文卷积神经网络的数字高程模型提取方法 |
Non-Patent Citations (3)
| Title |
|---|
| DEQIANG QIU, ET AL.: "Mapping radiation dose distribution on the fractional anisotropy map: Applications in the assessment of treatment-induced white matter injury", 《NEUROIMAGE》 * |
| 徐瑶: "核辐射监测信息融合技术研究", 《中国优秀硕士学位论文全文数据 工程科技II辑》 * |
| 王建华 等: "放射性粒子源近距离治疗的Monte Carlo模拟", 《清华大学学报 （ 自然科学版）》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116821577B (zh) | 2023-11-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11735309B2 (en) | Method and system for automated quality assurance in radiation therapy | |
| US11615879B2 (en) | System and method for automated labeling and annotating unstructured medical datasets | |
| CN110841205B (zh) | 一种肿瘤患者精准剂量验证装置 | |
| Wang et al. | Automatic analysis of lateral cephalograms based on multiresolution decision tree regression voting | |
| Fennema‐Notestine et al. | Quantitative evaluation of automated skull‐stripping methods applied to contemporary and legacy images: Effects of diagnosis, bias correction, and slice location | |
| US20100086182A1 (en) | Diagnostic image processing with automatic self image quality validation | |
| US8126242B2 (en) | Computer program products and methods for detection and tracking of rheumatoid arthritis | |
| Aranguren et al. | Improving the segmentation of magnetic resonance brain images using the LSHADE optimization algorithm | |
| CN105184103A (zh) | 基于病历数据库的虚拟名医 | |
| US20080260254A1 (en) | Automatic 3-D Object Detection | |
| US11615508B2 (en) | Systems and methods for consistent presentation of medical images using deep neural networks | |
| JP2012512730A (ja) | 医療用途のデジタルｘ線画像の対象領域における明るさレベルを計算する方法 | |
| CN112262440A (zh) | 一种通过影像组学特征判断癌症治疗反应的方法及系统 | |
| EP2987114B1 (en) | Method and system for determining a phenotype of a neoplasm in a human or animal body | |
| CN112508902B (zh) | 白质高信号分级方法、电子设备及存储介质 | |
| CN112950631A (zh) | 基于显著图约束和x光头颅定位侧位图像的年龄估计方法 | |
| CN117838097A (zh) | 一种基于关键点检测的脊柱畸形分析系统 | |
| US11504548B2 (en) | Systems and methods for quality control in image-guided radiotherapy | |
| Li et al. | A hybrid approach for approximating the ideal observer for joint signal detection and estimation tasks by use of supervised learning and markov-chain monte carlo methods | |
| Casati et al. | Clinical validation of an automatic atlas‐based segmentation tool for male pelvis CT images | |
| CN116821577B (zh) | 基于tpss算法在剂量计算中计算各向异性函数的方法 | |
| CN116403701A (zh) | 一种非小细胞肺癌患者tmb水平的预测方法及装置 | |
| CN114140487A (zh) | 脑部图像分割方法及装置 | |
| CN118398150B (zh) | 基于大数据的计量数据采集方法及系统 | |
| US20220398763A1 (en) | Systems and methods of volumetrically assessing structures of skeletal cavities |
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 |