CN117238488B - 一种基于图像分析的直肠癌放疗反应分析方法及系统 - Google Patents
一种基于图像分析的直肠癌放疗反应分析方法及系统 Download PDFInfo
- Publication number
- CN117238488B CN117238488B CN202311529827.7A CN202311529827A CN117238488B CN 117238488 B CN117238488 B CN 117238488B CN 202311529827 A CN202311529827 A CN 202311529827A CN 117238488 B CN117238488 B CN 117238488B
- Authority
- CN
- China
- Prior art keywords
- data
- radiotherapy
- historical
- case
- human body
- 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
- 238000001959 radiotherapy Methods 0.000 title claims abstract description 169
- 208000015634 Rectal Neoplasms Diseases 0.000 title claims abstract description 56
- 206010038038 rectal cancer Diseases 0.000 title claims abstract description 56
- 201000001275 rectum cancer Diseases 0.000 title claims abstract description 56
- 238000006243 chemical reaction Methods 0.000 title claims abstract description 53
- 238000004458 analytical method Methods 0.000 title claims abstract description 14
- 238000010191 image analysis Methods 0.000 title claims abstract description 14
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 51
- 238000013528 artificial neural network Methods 0.000 claims abstract description 26
- 230000008859 change Effects 0.000 claims abstract description 26
- 201000010099 disease Diseases 0.000 claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 15
- 230000008569 process Effects 0.000 claims abstract description 6
- 230000036541 health Effects 0.000 claims description 34
- 238000012545 processing Methods 0.000 claims description 31
- 206010028980 Neoplasm Diseases 0.000 claims description 30
- 238000007781 pre-processing Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000004044 response Effects 0.000 claims description 10
- 230000007170 pathology Effects 0.000 claims description 8
- 208000007848 Alcoholism Diseases 0.000 claims description 7
- 201000007930 alcohol dependence Diseases 0.000 claims description 7
- 230000037396 body weight Effects 0.000 claims description 7
- 230000000391 smoking effect Effects 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 4
- 206010009944 Colon cancer Diseases 0.000 claims 1
- 208000001333 Colorectal Neoplasms Diseases 0.000 claims 1
- 238000010586 diagram Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 description 8
- 210000004881 tumor cell Anatomy 0.000 description 4
- 206010017912 Gastroenteritis radiation Diseases 0.000 description 3
- 201000011510 cancer Diseases 0.000 description 3
- 208000020624 radiation proctitis Diseases 0.000 description 3
- 230000001154 acute effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 208000035475 disorder Diseases 0.000 description 2
- 206010012735 Diarrhoea Diseases 0.000 description 1
- 208000000461 Esophageal Neoplasms Diseases 0.000 description 1
- 206010016654 Fibrosis Diseases 0.000 description 1
- 206010028813 Nausea Diseases 0.000 description 1
- 208000005718 Stomach Neoplasms Diseases 0.000 description 1
- 239000000219 Sympatholytic Substances 0.000 description 1
- 206010047700 Vomiting Diseases 0.000 description 1
- 230000009692 acute damage Effects 0.000 description 1
- 210000000436 anus Anatomy 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000004761 fibrosis Effects 0.000 description 1
- 230000002496 gastric effect Effects 0.000 description 1
- 210000001035 gastrointestinal tract Anatomy 0.000 description 1
- 238000002513 implantation Methods 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
- 201000002364 leukopenia Diseases 0.000 description 1
- 230000004904 long-term response Effects 0.000 description 1
- 230000036210 malignancy Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008693 nausea Effects 0.000 description 1
- 230000017074 necrotic cell death Effects 0.000 description 1
- 238000011249 preoperative chemoradiotherapy Methods 0.000 description 1
- 230000035755 proliferation Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 210000000664 rectum Anatomy 0.000 description 1
- 230000006335 response to radiation Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000007086 side reaction Methods 0.000 description 1
- 210000001599 sigmoid colon Anatomy 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 230000004797 therapeutic response Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000008673 vomiting Effects 0.000 description 1
Classifications
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请属于放疗反应技术领域，更具体地说，涉及一种基于图像分析的直肠癌放疗反应分析方法及系统，本发明通过获取人体数据和放疗数据，将预处理后的人体数据和放疗数据输入训练好的神经网络预测模型，得到放疗后的相关反应等级；再获取放疗过程中的所有病症区域图像，并基于病症区域图像得到病症区域的体积或面积，基于所述体积或面积建立时间序列的病症区域变化图；基于病症区域变化图和放疗后的相关反应等级输出决策导向表；本发明基于放疗后的相关反应等级获取进行放疗的人体承受能力，基于病症区域变化情况图获得病症区域的变化情况，再通过决策导向表为医护人员提供后续放疗治疗方案的决策导向。
Description
技术领域
本申请属于放疗反应技术领域，更具体地说，涉及一种基于图像分析的直肠癌放疗反应分析方法及系统。
背景技术
直肠癌是指位于齿状线至乙状结肠、直肠交界处之间的癌，是胃肠道中常见的恶性肿瘤；发病率仅次于胃癌和食管癌。
目前在直肠癌进行中晚期后，治疗直肠癌通常需要采用放射治疗的手段，而术前的放疗可使瘤体不同程度的缩小、肿瘤细胞变性、纤维组织增生、癌周浸润消失；肿瘤细胞在放疗后出现坏死、纤维话等改变，可降低手术时牵拉、挤压而导致的肿瘤细胞脱落的机会，并降低肿瘤细胞的增殖活性，减少肿瘤种植和存活；并且可以增加手术的切除机会，提高保肛率，降低转移和复发的发生率。
然而直肠癌的放射治疗也存在一定的副反应，例如乏力、恶心、呕吐、白细胞下降等，这些副反应一般不严重，仅需等对症处理，但是特别需要注意的是照射时的急性损伤，并且还需要考虑放射后的远期反应问题。
然而现有技术中缺乏对直肠癌放疗反应的有效预测方法，从而导致无法对副反应进行有效的预测，进而无法为医护人员提供决策导向。
发明内容
本发明提供了一种基于图像分析的直肠癌放疗反应分析方法及系统，拟通过直肠癌放疗期间病症区域的图像以及副作用预测为医护人员提供有利的决策导向。
一种基于图像分析的直肠癌放疗反应分析方法，包括以下步骤：
步骤1：获取与放疗反应相关的历史病例人体数据集和历史放疗数据集；
步骤2：对所述历史病例人体数据集和历史放疗数据集进行预处理，转化为适合神经网络预测模型的数据；
步骤3：基于预处理后的历史病例人体数据集和历史放疗数据进行训练所述神经网络预测模型；
步骤4：将当前病例人体数据和放疗数据输入训练好的神经网络预测模型用于放疗反应预测，得到人体进行放疗后的相关反应等级；
步骤5：获取放疗过程中直肠癌的所有病症图像；
步骤6：基于病症图像获取直肠癌病症区域的体积或面积，基于所获取的体积或面积建立时间序列的直肠癌病症区域体积或面积变化趋势图；
步骤7：基于所述变化趋势图以及放疗后的相关反应等级输出决策导向表。
优选的，在数据库中建立数据表结构，每个数据表结构中包括至少一个病例，每个病例包括对应个人病例的历史病例人体数据、历史放疗数据、每次放疗后的相关反应等级、病症图像、直肠癌病症区域体积或面积变化趋势图以及决策导向表。
一种可选的实施方式，还包括步骤8：基于所获取的直肠癌病症区域的体积或面积匹配数据库中的病例；并按照匹配度从高到低输出匹配结果。
一种可选的实施方式，还包括：
步骤8：基于历史病例人体数据集建立对于每个历史病例人体数据的历史健康等级评分；并将历史健康等级评分储存到数据库中所对应的个人的数据表结构中；
步骤9：基于当前病例人体数据建立对应当前病例的当前健康等级评分，并给予当前健康等级评分匹配数据库中的历史健康等级评分；
步骤10：根据所匹配的历史等级评分按照评分接近程度的高低输出对应的数据表结构。
优选的所述历史健康等级评分的建立步骤如下：
对历史病例人体数据集中的每个历史病例人体数据中的单个指标数据分配权重，并用数据指标乘以权重得到待处理指标数据；
对待处理指标数据进行标准化处理将数据映射到一个区间范围中；
将经过映射后的每个历史病例人体数据中包含的指标进行相加计算出历史健康等级评分。
优选的，所述历史病例人体数据集包括：目标对象年龄、体重、性别、体重指数、吸烟史、酗酒史、PG-SGA评分、NRS2002评分、ECOG评分、并发症；
历史放疗数据集包括：原发肿瘤体积数据、肿瘤分期、原发肿瘤部位数据、病理类型数据、放疗次数、每次放疗所对应的时间、每次放疗所对应的放疗剂量。
一种基于图像分析的直肠癌放疗反应分析系统，包括
处理子系统、数据库以及显示模块；
所述处理子系统能够调用数据库中的数据，并且处理子系统处理后的数据能够储存到数据库中；
所述处理子系统中划分有数据获取模块、数据预处理模块、计算模块、图像处理模块、数据处理单元以及输出模块；
所述数据获取模块用于获取上传的当前病例人体数据以及当前放疗数据；
所述预处理模块用于对数据获取模块获取的当前病例人体数据和当前放疗数据进行预处理；
所述计算模块中配置有训练好的神经网络预测模型，通过将预处理模块中处理后的当前病例人体数据和当前放疗数据输入至神经网络预测模型中进行计算，得到当前病例进行放疗后的相关反应等级；
所述图像处理模块基于当前放疗数据中的病症图像得到直肠癌病症区域的体积或面积，基于所获取的体积或面积建立时间序列的直肠癌病症区域体积或面积变化趋势图；
所述数据处理单元基于放疗后的相关反应等级和直肠癌病症区域体积或面积变化趋势图建立决策导向表；
所述输出模块用于将决策导向表、当前病例人体数据以及当前放疗数据输出给数据库作为历史病例人体数据集和历史放疗数据集存储，并将决策导向表输出给显示器用于显示。
优选的，所述处理子系统中还设置有病例匹配模块，所述病例匹配模块基于用户的请求启动，实现当前病例匹配历史病例的人物；通过匹配模块调用数据库中的相关病例数据实现病例的匹配，完成调用后将调用的相关病例数据传输给显示模块，实现相关病例的显示。
优选的，在所述病例匹配模块中设置有多个匹配项，用户可根据关心的重点信息设定相关匹配项信息。
优选的，所述历史病例人体数据集包括：目标对象年龄、体重、性别、体重指数、吸烟史、酗酒史、PG-SGA评分、NRS2002评分、ECOG评分、并发症；
历史放疗数据集包括：原发肿瘤体积数据、肿瘤分期、原发肿瘤部位数据、病理类型数据、放疗次数、每次放疗所对应的时间、每次放疗所对应的放疗剂量以及历史的放疗反应等级。
本发明的有益效果包括：
1.本发明通过预测放疗后的相关反应等级来获取进行放疗的人体承受能力，通过输出时间序列的直肠癌病症区域体积或面积变化趋势图获取放疗过程中直肠癌病症区域的变化情况；再通过决策导向表为医护人员提供后续放疗治疗方案的决策导向。
2.本发明通过匹配数据库中的相关历史病例，从而为医护人员在后续资料中提供了技术上参考。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1 为本发明实施例1提供的整体步骤框图。
图2为本发明实施例2提供的整体步骤框图。
图3为本发明实施例3提供的整体系统构架框图。
具体实施方式
为了使本申请所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
需要说明的是，当元件被称为“固定于”或“设置于”另一个元件，它可以直接在另一个元件上或者间接在该另一个元件上。当一个元件被称为是“连接于”另一个元件，它可以是直接连接到另一个元件或间接连接至该另一个元件上。
需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
参见图1和图3所示，对本发明的最优实施例做进一步的说明；
实施例1，参见附图1，一种基于图像分析的直肠癌放疗反应分析方法，包括以下步骤：
步骤1：获取与放疗反应相关的历史病例人体数据集和历史放疗数据集；
所述历史病例人体数据集包括：目标对象年龄、体重、性别、体重指数、吸烟史、酗酒史、PG-SGA评分、NRS2002评分、ECOG评分、并发症；
历史放疗数据集包括：原发肿瘤体积数据、肿瘤分期、原发肿瘤部位数据、病理类型数据、放疗次数、每次放疗所对应的时间、每次放疗所对应的放疗剂量以及历史的放疗反应等级。
步骤2：对所述历史病例人体数据集和历史放疗数据集进行预处理，转化为适合神经网络预测模型的数据；此处如何将数据进行预处理达到适合神经网络预测模型所需要的数据是本领域技术人员的常规技术手段，因此在本实施例中不在进行赘述；
所述神经网络预测模型包括两个卷积层和一个全连接层，其中第一层和第二层为卷积层；但上述结构并非是对本发明的限制，在本发明的核心思想下，对本发明神经网络结构的简单改变也属于本发明的核心思想之下；需要说明的是目前通过神经网络预测疾病已经是较为成熟的技术手段，而本发明虽然是预测放疗反应，实际上只需要改变神经网络的参数，其次输入数据和输出的结果不同而已。
因此在本发明的核心思想之下，对神经网络结构进行简单的改变也属于本发明所要求保护的范围之内。
步骤3：基于预处理后的历史病例人体数据集和历史放疗数据进行训练所述神经网络预测模型；
步骤4：将当前病例人体数据和放疗数据输入训练好的神经网络预测模型用于放疗反应预测，得到人体进行放疗后的相关反应等级；
步骤4中所述的放疗数据包括：当前肿瘤体积数据、肿瘤分期、原发肿瘤部位数据、病理类型数据、放疗次数、每次放疗所对应的时间、每次放疗所对应的放疗剂量以及前一次进行放疗后的放疗反应等级；
所述肿瘤分期为直肠癌前期、直肠癌中期和直肠癌晚期；因为每个病历不同，有些可能只是直肠癌中期，有些是直肠癌晚期。
由于放疗的次数原因，导致随着放疗次数的增加，使得放疗反应逐渐加重，因此本发明将前一次的进行放疗后的放疗反应等级作为输入参数，使得预测更加准确。
需要特别说明的是，步骤4中所述的放疗数据中的放疗次数、每次放疗所对应的时间以及每次放疗所对应的放疗剂量为医护人员输入的拟执行数据。
所述反应等级根据医护人员的经验进行预设相应的等级界限；其次由于直肠癌中放疗反应分为多种情况，以下通过照射区域的三种副作用进行说明：
急性放射性直肠炎以及慢性放射性直肠炎；可分别对三种情况进行等级分配；
例如：将分为五个等级，具体等级如下表1所述：
表1等级划分
放疗后输出的放疗反应等级如下表2所示：
表2 放疗后的相关反应等级表
上述表格中所显示的等级划分只是示例性的，放疗后所产生的副作用多种多样，因此可以参照上述方式将各放疗反应数值化；并于后续数据调用后的计算。
步骤5：获取放疗过程中直肠癌的所有病症图像；
步骤6：基于病症图像获取直肠癌病症区域的体积或面积，基于所获取的体积或面积建立时间序列的直肠癌病症区域体积或面积变化趋势图；通过病症图像获取直肠癌病症区域的体积或面积是目前图像识别技术领域中常规的技术方案，因此本发明对于此不在进行相关赘述。
步骤7：基于所述变化趋势图以及放疗后的相关反应等级输出决策导向表；
所述决策导向表中包括放疗数据、预测的放疗后的相关反应等级表和直肠癌病症区域体积或面积变化趋势图；基于此医护人员可通过放疗数据、预测的放疗后的相关反应等级表和直肠癌病症区域体积或面积变化趋势图直观的看出是否需要调整放疗时的参数。
步骤8：基于所获取的直肠癌病症区域的体积或面积匹配数据库中的病例；并按照匹配度从高到低输出匹配结果。
本发明将每个真实病例的数据储存到数据库中，从而使得医护人员在进行决策时可以匹配中以往匹配度较高的病例，进一步的为医护人员提供经验上的支撑。
在数据库中建立数据表结构，每个数据表结构中包括至少一个病例，每个病例包括对应个人病例的历史病例人体数据、历史放疗数据、每次放疗后的相关反应等级、病症图像、直肠癌病症区域体积或面积变化趋势图以及决策导向表。
在本实施例中，步骤1中所获取的数据还包括放疗反应所对应的治疗数据；
由于在出现相关副作用后，医护人员将会采用一些治疗措施来消除副作用，因此本发明将放疗反应所对应的治疗数据作为输入数据使得最终的放疗反应预测更加的精准。
例如，急性放射性直肠炎为2级，出现腹泻症状明显的情况，此时就需要服用抗交感神经药物；因此在本发明中将副作用的治疗手段加入到神经网络预测模型中，使得预测更加准确。
实施例2，参见附图2，本实施例2与实施例1之间的区别仅在于匹配历史病例所采用的方式不同，具体如下：
一种基于图像分析的直肠癌放疗反应分析方法，还包括：
步骤1：获取与放疗反应相关的历史病例人体数据集和历史放疗数据集；
所述历史病例人体数据集包括：目标对象年龄、体重、性别、体重指数、吸烟史、酗酒史、PG-SGA评分、NRS2002评分、ECOG评分、并发症；
历史放疗数据集包括：原发肿瘤体积数据、肿瘤分期、原发肿瘤部位数据、病理类型数据、放疗次数、每次放疗所对应的时间、每次放疗所对应的放疗剂量以及目前的放疗反应等级。
步骤2：对所述历史病例人体数据集和历史放疗数据集进行预处理，转化为适合神经网络预测模型的数据；
步骤3：基于预处理后的历史病例人体数据集和历史放疗数据进行训练所述神经网络预测模型；
步骤4：将当前病例人体数据和放疗数据输入训练好的神经网络预测模型用于放疗反应预测，得到人体进行放疗后的相关反应等级；
步骤5：获取放疗过程中直肠癌的所有病症图像；
步骤6：基于病症图像获取直肠癌病症区域的体积或面积，基于所获取的体积或面积建立时间序列的直肠癌病症区域体积或面积变化趋势图；
步骤7：基于所述变化趋势图以及放疗后的相关反应等级输出决策导向表；
步骤8：基于历史病例人体数据集建立对于每个历史病例人体数据的历史健康等级评分；并将历史健康等级评分储存到数据库中所对应的个人的数据表结构中；
步骤9：基于当前病例人体数据建立对应当前病例的当前健康等级评分，并给予当前健康等级评分匹配数据库中的历史健康等级评分；
所述历史健康等级评分的建立步骤如下：
对历史病例人体数据集中的每个历史病例人体数据中的单个指标数据分配权重，并用数据指标乘以权重得到待处理指标数据；
对待处理指标数据进行标准化处理将数据映射到一个区间范围中；
将经过映射后的每个历史病例人体数据中包含的指标进行相加计算出历史健康等级评分；
步骤10：根据所匹配的历史等级评分按照评分接近程度的高低输出对应的数据表结构。
实施例3，参见附图3，一种基于图像分析的直肠癌放疗反应分析系统，包括
处理子系统、数据库以及显示模块；
所述处理子系统能够调用数据库中的数据，并且处理子系统处理后的数据能够储存到数据库中；
所述处理子系统中划分有数据获取模块、数据预处理模块、计算模块、图像处理模块、数据处理单元以及输出模块；
所述数据获取模块用于获取上传的当前病例人体数据以及当前放疗数据；
所述预处理模块用于对数据获取模块获取的当前病例人体数据和当前放疗数据进行预处理；
所述计算模块中配置有训练好的神经网络预测模型，通过将预处理模块中处理后的当前病例人体数据和当前放疗数据输入至神经网络预测模型中进行计算，得到当前病例进行放疗后的相关反应等级；
所述图像处理模块基于当前放疗数据中的病症图像得到直肠癌病症区域的体积或面积，基于所获取的体积或面积建立时间序列的直肠癌病症区域体积或面积变化趋势图；
所述数据处理单元基于放疗后的相关反应等级和直肠癌病症区域体积或面积变化趋势图建立决策导向表；
所述输出模块用于将决策导向表、当前病例人体数据以及当前放疗数据输出给数据库作为历史病例人体数据集和历史放疗数据集存储，并将决策导向表输出给显示器用于显示。
所述历史病例人体数据集包括：目标对象年龄、体重、性别、体重指数、吸烟史、酗酒史、PG-SGA评分、NRS2002评分、ECOG评分；并发症；
历史放疗数据集包括：原发肿瘤体积数据、肿瘤分期、原发肿瘤部位数据、病理类型数据、放疗次数、每次放疗所对应的时间、每次放疗所对应的放疗剂量以及目前的放疗反应等级。
所述处理子系统中还设置有病例匹配模块，所述病例匹配模块基于用户的请求启动，实现当前病例匹配历史病例的人物；通过匹配模块调用数据库中的相关病例数据实现病例的匹配，完成调用后将调用的相关病例数据传输给显示模块，实现相关病例的显示。
在所述病例匹配模块中设置有多个匹配项，用户可根据关心的重点信息设定相关匹配项信息。
例如：重点关心信息为NRS2002评分、ECOG评分两项评分信息；
则通过病例匹配模块获取当前病例的NRS2002评分和ECOG评分；
再通过病例匹配模块调用数据库中的历史病例；
当前病例的NRS2002评分和ECOG评分对应历史病例中的NRS2002评分和ECOG评分做相减操作；
再将两个评分相减所得到的值进行相加，得到相似度值；
此时相似度值越小则说明相似度越高；
因此按照相似度高低排序输出病例序列。
若无重点关注信息，则按照系统默认的匹配方式进行匹配病例数据，如：
就是说本发明给每一个病例数据均建立有一个历史健康等级评分；
所述历史健康等级评分的建立步骤如下：
对历史病例人体数据集中的每个历史病例人体数据中的单个指标数据分配权重，并用数据指标乘以权重得到待处理指标数据；
对待处理指标数据进行标准化处理将数据映射到一个区间范围中；
将经过映射后的每个历史病例人体数据中包含的指标进行相加计算出历史健康等级评分；
而在默认匹配时，只需要根据上述计算方式计算出目前病例的健康等级评分，通过当前病例的健康等级评分去匹配相关的历史病例，根据所匹配的历史等级评分按照评分接近程度的高低输出对应的数据表结构。
作为本实施例的其中一种实施方式，所述用户可以通过病例匹配模块中选取多个匹配项后进行数值匹配；
例如：选择NRS2002评分和ECOG评分
选择NRS2002评分值为80-90，ECOG评分为80-90；
则直接调用数据库中符合上述条件的数据即可。
再设置优先级条件，并定义重点值，例如优先考虑ECOG评分，定义重点值为85，则系统按照ECOG评分的相似度从低到高进行排序。
相似度=|重点值-数据库病例中的ECOG评分|；
基于上述公示则计算出了相似度值，相似度值越低说明两个数据的相似度越高，因此按照相似度值的从低到高的顺序进行排列。
当然上述公示只是示例性的，实施例中其他参数的相似度值也可以参照上述公示进行计算，即：
相似度=|匹配项重点值-数据库病例中匹配项的对应参数|；
本发明提供多种历史病例的匹配方式的目的在于：由于每个病例均存在着差异性，若只是单纯的通过健康评分来进行排列匹配结果，则可能难以符合医护人员的需求；
由于差异性的问题，可能导致每个医护人员对于病人各方面的关注度存在着差异，因此本申请通过提供上述实施例中的多种匹配方式来尽量满足医护人员对于这类差异性的需求。
以上仅为本申请的较佳实施例而已，并不用以限制本申请，凡在本申请的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本申请的保护范围之内。
Claims (7)
1.一种基于图像分析的直肠癌放疗反应分析方法，其特征在于，包括以下步骤：
步骤1：获取与放疗反应相关的历史病例人体数据集和历史放疗数据集；
步骤2：对所述历史病例人体数据集和历史放疗数据集进行预处理，转化为适合神经网络预测模型的数据；
步骤3：基于预处理后的历史病例人体数据集和历史放疗数据进行训练所述神经网络预测模型；
步骤4：将当前病例人体数据和放疗数据输入训练好的神经网络预测模型用于放疗反应预测，得到人体进行放疗后的相关反应等级；
步骤5：获取放疗过程中直肠癌的所有病症图像；
步骤6：基于病症图像获取直肠癌病症区域的体积或面积，基于所获取的体积或面积建立时间序列的直肠癌病症区域体积或面积变化趋势图；
步骤7：基于所述变化趋势图以及放疗后的相关反应等级输出决策导向表；
步骤8：基于历史病例人体数据集建立对于每个历史病例人体数据的历史健康等级评分；并将历史健康等级评分储存到数据库中所对应的个人的数据表结构中；
步骤9：基于当前病例人体数据建立对应当前病例的当前健康等级评分，并给予当前健康等级评分匹配数据库中的历史健康等级评分；
步骤10：根据所匹配的历史健康等级评分按照评分接近程度的高低输出对应的数据表结构。
2.根据权利要求1所述的一种基于图像分析的直肠癌放疗反应分析方法，其特征在于，在数据库中建立数据表结构，每个数据表结构中包括至少一个病例，每个病例包括对应个人病例的历史病例人体数据、历史放疗数据、每次放疗后的相关反应等级、病症图像、直肠癌病症区域体积或面积变化趋势图以及决策导向表。
3.根据权利要求1所述的一种基于图像分析的直肠癌放疗反应分析方法，其特征在于，所述历史健康等级评分的建立步骤如下：
对历史病例人体数据集中的每个历史病例人体数据中的单个指标数据分配权重，并用数据指标乘以权重得到待处理指标数据；
对待处理指标数据进行标准化处理将数据映射到一个区间范围中；
将经过映射后的每个历史病例人体数据中包含的指标进行相加计算出历史健康等级评分。
4.根据权利要求1到3任意一项权利要求所述的一种基于图像分析的直肠癌放疗反应分析方法，其特征在于，所述历史病例人体数据集包括：目标对象年龄、体重、性别、体重指数、吸烟史、酗酒史、PG-SGA评分、NRS2002评分、ECOG评分、并发症；
历史放疗数据集包括：原发肿瘤体积数据、肿瘤分期、原发肿瘤部位数据、病理类型数据、放疗次数、每次放疗所对应的时间、每次放疗所对应的放疗剂量。
5.一种基于图像分析的直肠癌放疗反应分析系统，其特征在于，包括
处理子系统、数据库以及显示模块；
所述处理子系统能够调用数据库中的数据，并且处理子系统处理后的数据能够储存到数据库中；
所述处理子系统中划分有数据获取模块、数据预处理模块、计算模块、图像处理模块、数据处理单元以及输出模块；
所述数据获取模块用于获取上传的当前病例人体数据以及当前放疗数据；
所述预处理模块用于对数据获取模块获取的当前病例人体数据和当前放疗数据进行预处理；
所述计算模块中配置有训练好的神经网络预测模型，通过将预处理模块中处理后的当前病例人体数据和当前放疗数据输入至神经网络预测模型中进行计算，得到当前病例进行放疗后的相关反应等级；
所述图像处理模块基于当前放疗数据中的病症图像得到直肠癌病症区域的体积或面积，基于所获取的体积或面积建立时间序列的直肠癌病症区域体积或面积变化趋势图；
所述数据处理单元基于放疗后的相关反应等级和直肠癌病症区域体积或面积变化趋势图建立决策导向表；
所述输出模块用于将决策导向表、当前病例人体数据以及当前放疗数据输出给数据库作为历史病例人体数据集和历史放疗数据集存储，并将决策导向表输出给显示器用于显示；
所述处理子系统中还设置有病例匹配模块，所述病例匹配模块基于用户的请求启动，实现当前病例匹配历史病例的人物；匹配模块基于历史病例人体数据集建立对于每个历史病例人体数据的历史健康等级评分；并将历史健康等级评分储存到数据库中所对应的个人的数据表结构中；
基于当前病例人体数据建立对应当前病例的当前健康等级评分，并给予当前健康等级评分匹配数据库中的历史健康等级评分；
根据所匹配的历史健康等级评分按照评分接近程度的高低输出对应的数据表结构。
6.根据权利要求5所述的一种基于图像分析的直肠癌放疗反应分析系统，其特征在于，在所述病例匹配模块中设置有多个匹配项，用户可根据关心的重点信息设定相关匹配项信息。
7.根据权利要求5所述的一种基于图像分析的直肠癌放疗反应分析系统，其特征在于，所述历史病例人体数据集包括：目标对象年龄、体重、性别、体重指数、吸烟史、酗酒史、PG-SGA评分、NRS2002评分、ECOG评分、并发症；
历史放疗数据集包括：原发肿瘤体积数据、肿瘤分期、原发肿瘤部位数据、病理类型数据、放疗次数、每次放疗所对应的时间、每次放疗所对应的放疗剂量以及历史的放疗反应等级。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311529827.7A CN117238488B (zh) | 2023-11-16 | 2023-11-16 | 一种基于图像分析的直肠癌放疗反应分析方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311529827.7A CN117238488B (zh) | 2023-11-16 | 2023-11-16 | 一种基于图像分析的直肠癌放疗反应分析方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117238488A CN117238488A (zh) | 2023-12-15 |
| CN117238488B true CN117238488B (zh) | 2024-01-30 |
Family
ID=89086618
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311529827.7A Active CN117238488B (zh) | 2023-11-16 | 2023-11-16 | 一种基于图像分析的直肠癌放疗反应分析方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117238488B (zh) |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103324981A (zh) * | 2013-05-20 | 2013-09-25 | 浙江大学 | 基于神经网络的放化疗规范化质量控制的量化方法 |
| CN107261338A (zh) * | 2017-04-28 | 2017-10-20 | 中国人民解放军第三军医大学第二附属医院 | 实时监测放疗病人剂量的在线分析方法 |
| CN108717866A (zh) * | 2018-04-03 | 2018-10-30 | 陈辛元 | 一种预测放疗计划剂量分布的方法、装置、设备及存储介质 |
| WO2019160571A1 (en) * | 2018-02-13 | 2019-08-22 | The Trustees Of Indiana University | Immune dose computation for treatment plan optimization in radiotherapy |
| CN110619639A (zh) * | 2019-08-26 | 2019-12-27 | 苏州同调医学科技有限公司 | 一种结合深度神经网络和概率图模型分割放疗影像的方法 |
| CN110833414A (zh) * | 2019-11-28 | 2020-02-25 | 广州中医药大学第一附属医院 | 一种鼻咽癌放疗后放射性脑损伤生物标志物的多模态分子成像策略 |
| CN111462916A (zh) * | 2020-04-03 | 2020-07-28 | 戴建荣 | 一种放疗计划危及器官剂量体积直方图的预测方法和装置 |
| CN111868260A (zh) * | 2017-08-07 | 2020-10-30 | 约翰斯霍普金斯大学 | 用于评估和治疗癌症的方法和材料 |
| CN111951926A (zh) * | 2020-08-11 | 2020-11-17 | 北京易康医疗科技有限公司 | 基于机器学习技术的不同类型肿瘤对放疗射线敏感性的检测方法 |
| CN112546463A (zh) * | 2021-02-25 | 2021-03-26 | 四川大学 | 基于深度神经网络的放疗剂量自动预测方法 |
| CN114707742A (zh) * | 2022-04-15 | 2022-07-05 | 中国医学科学院肿瘤医院 | 自适应放疗策略的人工智能预测方法和系统 |
| CN115938587A (zh) * | 2022-12-29 | 2023-04-07 | 深圳市联影高端医疗装备创新研究院 | 放疗计划的验证方法、装置、计算机设备和存储介质 |
| CN116030938A (zh) * | 2023-03-29 | 2023-04-28 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 放疗剂量分布区间的确定装置及电子设备 |
| CN116188474A (zh) * | 2023-05-05 | 2023-05-30 | 四川省肿瘤医院 | 基于图像语义分割的三级淋巴结构识别方法和系统 |
| CN116570848A (zh) * | 2023-07-13 | 2023-08-11 | 神州医疗科技股份有限公司 | 一种基于自动勾画的放疗临床辅助决策方法及系统 |
| CN116721761A (zh) * | 2023-06-20 | 2023-09-08 | 四川省肿瘤医院 | 一种放疗数据处理方法、系统、设备及介质 |
| CN116832348A (zh) * | 2023-08-04 | 2023-10-03 | 四川省肿瘤医院 | 一种放疗信息数据的控制方法、系统及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101803346B1 (ko) * | 2015-10-16 | 2017-11-30 | 재단법인 아산사회복지재단 | 자기장을 이용한 종양표면선량 강화 방사선 치료장치 |
-
2023
- 2023-11-16 CN CN202311529827.7A patent/CN117238488B/zh active Active
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103324981A (zh) * | 2013-05-20 | 2013-09-25 | 浙江大学 | 基于神经网络的放化疗规范化质量控制的量化方法 |
| CN107261338A (zh) * | 2017-04-28 | 2017-10-20 | 中国人民解放军第三军医大学第二附属医院 | 实时监测放疗病人剂量的在线分析方法 |
| CN111868260A (zh) * | 2017-08-07 | 2020-10-30 | 约翰斯霍普金斯大学 | 用于评估和治疗癌症的方法和材料 |
| WO2019160571A1 (en) * | 2018-02-13 | 2019-08-22 | The Trustees Of Indiana University | Immune dose computation for treatment plan optimization in radiotherapy |
| CN108717866A (zh) * | 2018-04-03 | 2018-10-30 | 陈辛元 | 一种预测放疗计划剂量分布的方法、装置、设备及存储介质 |
| CN110619639A (zh) * | 2019-08-26 | 2019-12-27 | 苏州同调医学科技有限公司 | 一种结合深度神经网络和概率图模型分割放疗影像的方法 |
| CN110833414A (zh) * | 2019-11-28 | 2020-02-25 | 广州中医药大学第一附属医院 | 一种鼻咽癌放疗后放射性脑损伤生物标志物的多模态分子成像策略 |
| CN111462916A (zh) * | 2020-04-03 | 2020-07-28 | 戴建荣 | 一种放疗计划危及器官剂量体积直方图的预测方法和装置 |
| CN111951926A (zh) * | 2020-08-11 | 2020-11-17 | 北京易康医疗科技有限公司 | 基于机器学习技术的不同类型肿瘤对放疗射线敏感性的检测方法 |
| CN112546463A (zh) * | 2021-02-25 | 2021-03-26 | 四川大学 | 基于深度神经网络的放疗剂量自动预测方法 |
| CN114707742A (zh) * | 2022-04-15 | 2022-07-05 | 中国医学科学院肿瘤医院 | 自适应放疗策略的人工智能预测方法和系统 |
| CN115938587A (zh) * | 2022-12-29 | 2023-04-07 | 深圳市联影高端医疗装备创新研究院 | 放疗计划的验证方法、装置、计算机设备和存储介质 |
| CN116030938A (zh) * | 2023-03-29 | 2023-04-28 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 放疗剂量分布区间的确定装置及电子设备 |
| CN116188474A (zh) * | 2023-05-05 | 2023-05-30 | 四川省肿瘤医院 | 基于图像语义分割的三级淋巴结构识别方法和系统 |
| CN116721761A (zh) * | 2023-06-20 | 2023-09-08 | 四川省肿瘤医院 | 一种放疗数据处理方法、系统、设备及介质 |
| CN116570848A (zh) * | 2023-07-13 | 2023-08-11 | 神州医疗科技股份有限公司 | 一种基于自动勾画的放疗临床辅助决策方法及系统 |
| CN116832348A (zh) * | 2023-08-04 | 2023-10-03 | 四川省肿瘤医院 | 一种放疗信息数据的控制方法、系统及装置 |
Non-Patent Citations (2)
| Title |
|---|
| "基于深度学习的宫颈癌预后模式分析与治疗方案推荐的研究";孟庆宇;《中国博士学位论文全文数据库医药卫生科技辑》;E068-30 * |
| "直肠癌术后局部复发的治疗与预后分析";邓自建等;《中国肿瘤外科杂志》;第57-60页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117238488A (zh) | 2023-12-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sajja et al. | Lung cancer detection based on CT scan images by using deep transfer learning | |
| US7844560B2 (en) | Personalized prognosis modeling in medical treatment planning | |
| Arroyo et al. | An optimized neural network using genetic algorithm for cardiovascular disease prediction | |
| WO2007123914A2 (en) | Prognosis modeling from one or more sources of information | |
| CN116386869B (zh) | 一种基于多变量的病情危重程度评估方法 | |
| US11386818B2 (en) | Drone apparatus used in healthcare applications | |
| CN115036002A (zh) | 一种基于多模态融合模型的治疗效果预测方法及终端设备 | |
| US20230027734A1 (en) | System and Method for Predicting the Risk of Future Lung Cancer | |
| Kim et al. | Facial expression monitoring system for predicting patient’s sudden movement during radiotherapy using deep learning | |
| Das et al. | Combining multiple models to generate consensus: application to radiation‐induced pneumonitis prediction | |
| WO2021100053A1 (en) | A system and method for generation and use of radiation outcome prediction score in patients undergoing radiotherapy | |
| CN117238488B (zh) | 一种基于图像分析的直肠癌放疗反应分析方法及系统 | |
| CN118155787A (zh) | 一种基于互联网大数据的医疗数据处理方法及系统 | |
| Gangurde et al. | [Retracted] Developing an Efficient Cancer Detection and Prediction Tool Using Convolution Neural Network Integrated with Neural Pattern Recognition | |
| Mylona et al. | Prediction of poor mental health following breast cancer diagnosis using random forests | |
| CN109875522B (zh) | 一种预测前列腺穿刺与根治术后病理评分一致性的方法 | |
| Cheng et al. | Prediction of egfr mutation status in lung adenocarcinoma using multi-source feature representations | |
| Dhariwal et al. | An artificial intelligence based approach toward predicting mortality in head and neck cancer patients with relation to smoking and clinical data | |
| EP2157523A2 (en) | Cancer diagnostic method and system | |
| Deng et al. | Cross-modality attention-based multimodal fusion for non-small cell lung cancer (NSCLC) patient survival prediction | |
| CN115206532A (zh) | 一种基于决策树的乳腺肿瘤预测方法及系统 | |
| Sekkal et al. | Evolving neural networks using a genetic algorithm for heartbeat classification | |
| Glickman et al. | Here's to Your Health: Misreporting, Missing Data, and Multiple Imputation: Improving Accuracy of Cancer Registry Databases | |
| Xu et al. | A weighted distance-based dynamic ensemble regression framework for gastric cancer survival time prediction | |
| Kim et al. | A Deep Neural Network-Based Model Predicting Peritumoral Edema After Radiosurgery for Meningioma |
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 |