CN117695534B - 一种宫颈癌放疗精准定位与剂量控制系统 - Google Patents
一种宫颈癌放疗精准定位与剂量控制系统 Download PDFInfo
- Publication number
- CN117695534B CN117695534B CN202311724762.1A CN202311724762A CN117695534B CN 117695534 B CN117695534 B CN 117695534B CN 202311724762 A CN202311724762 A CN 202311724762A CN 117695534 B CN117695534 B CN 117695534B
- Authority
- CN
- China
- Prior art keywords
- cervical
- image
- cervical cancer
- parameters
- model
- 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
- 206010008342 Cervix carcinoma Diseases 0.000 title claims abstract description 75
- 208000006105 Uterine Cervical Neoplasms Diseases 0.000 title claims abstract description 75
- 201000010881 cervical cancer Diseases 0.000 title claims abstract description 75
- 238000001959 radiotherapy Methods 0.000 title claims abstract description 35
- 230000008859 change Effects 0.000 claims abstract description 55
- 238000010191 image analysis Methods 0.000 claims abstract description 24
- 238000013135 deep learning Methods 0.000 claims abstract description 14
- 238000000034 method Methods 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 16
- 238000010276 construction Methods 0.000 claims description 9
- 238000000137 annealing Methods 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 7
- 238000002604 ultrasonography Methods 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 210000001215 vagina Anatomy 0.000 claims 1
- 238000013136 deep learning model Methods 0.000 abstract description 6
- 230000000694 effects Effects 0.000 abstract description 6
- 230000003902 lesion Effects 0.000 abstract description 6
- 238000003745 diagnosis Methods 0.000 abstract description 3
- 238000004458 analytical method Methods 0.000 abstract description 2
- 206010028980 Neoplasm Diseases 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 230000003213 activating effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 230000001225 therapeutic effect Effects 0.000 description 2
- 230000005428 wave function Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000003679 cervix uteri Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000004660 morphological change Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种宫颈癌放疗精准定位与剂量控制系统,其中,利用深度学习搭建宫颈图像分析模型并对宫颈图像分析模型进行训练学习,通过宫颈图像分析模型训练可以根据待检测区域的宫颈图像进行不同的宫颈癌变情况分类,提高对宫颈癌病变分析的处理效果,放疗剂量控制模块基于宫颈图像分析模型实现病灶精准定位并实现剂量的高效投放。本发明通过搭建的深度学习模型,降低了宫颈癌病灶定位和剂量控制的成本和复杂度,实现了精准和高效放疗水平,对于特定的人群实现个性化的精准化宫颈癌放疗,同时结合全自动化的宫颈癌病灶识别定位,提高医生的诊断水平,从而提高针对病人的医疗服务水平。
Description
技术领域
本发明属于精准医疗技术领域,尤其涉及一种宫颈癌放疗精准定位与剂量控制系统。
背景技术
医学放射治疗中,精确控制放疗剂量和照射区域是至关重要的。目前,常用的放射治疗装置在照射区域和剂量分布上存在一定的限制,而且对于宫颈癌的治疗效果不佳。因此,有需要提供一种能够精确控制放疗剂量和照射区域的系统。
传统放射治疗装置的束形成和调控技术受限,可能无法灵活地适应复杂的病变形状。对于难以确定病灶的肿瘤或器官,比如宫颈等,精确照射变得困难。这可能导致在治疗过程中无法确保照射到全部肿瘤组织,或者过度照射健康组织。现有技术中的放疗剂量分布通常是通过单一的图像识别技术获取肿瘤的形状和位置来进行规划,因此对于病灶形状或病变区域,往往无法实现高剂量的精确投放,从而可能影响治疗效果和患者的生存率。
在医疗领域,深度学习在医学影像中的应用已经取得了很大的成功,可以帮助医生更准确地诊断疾病,并且随着超声图像数据的不断增长,传统方法可能无法有效处理大规模图像数据。深度学习模型可以通过并行处理和分布式计算,更好地处理大规模数据集。但深度学习模型采用的Sigmoid激活函数在输入值非常大或小时,输出基本为常数,导致梯度变化接近0。
通过上述分析,现有技术存在的问题及缺陷为:
研发更先进的宫颈癌放射治疗系统:需要开发新型的宫颈癌放射治疗系统,能够灵活调整束形成和剂量分布,以适应复杂的病变形状和位置,从而提高治疗的精确性和安全性。
实现多种多维图像定位的精确治疗:需要开发能够精准实时跟踪肿瘤或器官的位置和形态变化的技术,使得放疗过程中能够准确地照射到移动的病灶,提高治疗效果。
强化剂量分布控制:需要研究和开发更精确的剂量分布控制系统,尤其是在病变区域能够实现高剂量的精确投放,以提高治疗效果。
如何改进深度学习模型的激活函数,使得梯度的变化更为合理。
发明内容
为解决上述技术问题,本发明提出了一种宫颈癌放疗精准定位与剂量控制系统。
在本发明的第一个方面,提供一种宫颈癌放疗精准定位与剂量控制系统,所述系统包括:
图像获取模块,获取宫颈图像及相应参数,并根据所述宫颈图像及相应参数获取此时的宫颈癌变情况类别;
模型构建模块,根据所述宫颈图像及相应参数和所述宫颈癌变情况类别构建宫颈图像分析模型;
所述图像获取模块还用于接收当前宫颈图像相应参数,并与模型构建模块相连,根据模型构建模块中的宫颈图像分析模型处理所述当前宫颈图像相应参数生成实时宫颈癌变情况类别;
放疗剂量控制模块,接收所述实时宫颈癌变情况类别,根据所述实时宫颈癌变情况类别进行放疗定位和剂量控制。
进一步地,所述宫颈图像分析模型,采用深度学习方法进行构建。
进一步地,所述图像获取模块,包含超声检查设备和/或阴道超声设备和/或彩超检查设备。
进一步地,所述图像获取模块利用所述超声检查设备获取超声检查图像,利用阴道超声设备获取阴道检查图像,利用彩超检查设备获取彩超检查图像,将所述超声检查图像的参数、所述阴道检查图像的参数和所述彩超检查图像的参数特征融合获得所述宫颈图像参数。
进一步地,所述深度学习方法,采用改进的sigmoid函数进行模型的训练:
式中,为激活函数值,k为调整系数,X为输入特征值,所述输入特征值由所述宫颈图像参数获取。
还提供了一种宫颈癌放疗精准定位与剂量控制方法,其特征在于:
获取宫颈图像及相应参数,并获取此时的宫颈癌变情况类别;
根据所述宫颈图像及相应参数和所述宫颈癌变情况类别构建宫颈图像分析模型;
获取当前宫颈图像相应参数,根据宫颈图像分析模型处理所述当前宫颈图像相应参数,并生成实时宫颈癌变情况类别;
获取所述实时宫颈癌变情况类别,根据所述实时宫颈癌变情况类别进行放疗定位和剂量控制。
进一步地,所述宫颈图像分析模型,采用深度学习方法进行构建。
进一步地,采用超声检查设备和/或阴道超声设备和/或彩超检查设备获取所述宫颈图像参数。
进一步地,将超声检查图像的参数、阴道检查图像的参数和彩超检查图像的参数特征融合获得所述宫颈图像参数。
在进行所述特征融合前,利用ResNet50模型对所述宫颈图像进行处理,处理采用波形退火衰减,具体更新机制如下,学习率σt表示为:
其中:i为索引值;为学习率最大值,/>为学习率最小值,Tcur为当前迭代次数,Ti为总迭代次数。
进一步地,所述深度学习方法,采用改进的sigmoid函数进行模型的训练:
式中,为F(X)激活函数值,k为调整系数,X为输入特征值,所述输入特征值由所述宫颈图像参数获取。
本发明的更多实施例和改进效果将结合附图和具体实施例进一步介绍。
附图说明
图1是本发明的一种宫颈癌放疗精准定位与剂量控制方法流程图;
图2是本发明的一种宫颈癌放疗精准定位与剂量控制系统示意图;
图3是本发明中实施例中超声设备采集的宫颈图像;
图4是为本发明实施例实现本发明方法的电子设备结构示意图。
具体实施方式
下面,结合附图以及具体实施方式,对发明做出进一步的描述。
在本发明的第一个方面,提供一种宫颈癌放疗精准定位与剂量控制系统,所述系统包括:
图像获取模块,获取宫颈图像及相应参数,并根据所述宫颈图像获取此时的宫颈癌变情况类别;
本实施例中获取的宫颈图像相应参数可以利用ResNet50模型对宫颈图像处理得到。先选取ResNet50模型,移除全连接层,并为所述宫颈图像数据集中的3000张宫颈图像提取特征,每张宫颈图像通过特征提取后,都被转换成2048维特征向量。其中,ResNet50模型由数据集训练生成。
训练ResNet模型常用的学习率衰减方法有等间隔调整学习率和指数衰减调整学习率。
1)等间隔调整学习率方法。模型通过训练一定的迭代次数,学习率随之下降一定的百分比。这种衰减策略由于学习率衰减变化幅度过大,在更改学习率时易引发震荡,无法收敛到最优。
2)指数衰减调整学习率方法。模型根据当前的迭代次数动态改变学习率,迭代次数决定学习率的更新频率。当衰减率较小时,随着迭代次数的逐步增加,学习率变化越小,易导致模型收敛过快。
本实施例中采用波形退火衰减方法,在模型训练中,让学习率随时间的推移而动态变化。利用正弦波函数自身随着自变量而变化的特点衰减至最优学习率,从而接近Loss值的全局最小值,从而使模型收敛到最优值。
波形退火衰减具体更新机制如下,学习率σt表示为:
其中:i为索引值;为学习率最大值,/>为学习率最小值,Tcur为当前迭代次数,Ti为总迭代次数。
本实施例中,总迭代次数选1000次,学习率选定为0-0.05之间,索引值选定为0.5-0.8之间。
训练数据集使用宫颈图像库,包含3000张不同宫颈图像,本实施例可以采用跨数据集或者不跨数据集的方式,即3000张不同宫颈图像可以是同一个体的,方便后续实现个性化的诊断和剂量控制,也可以是不同个体的,以实现跨个体的诊断和剂量控制。
本实施例中,图像获取模块获取的图像数据采用图像平均RGB表示,如Tp(23,66,255)与通过ResNet50模型转化的2048维特征向量进行连接,得到宫颈图像像特征信息Tc(p1,p2,…,p2048,23,66,255)。
模型构建模块,根据所述宫颈图像及相应参数和所述宫颈癌变情况类别构建宫颈图像分析模型;
本实施例中,宫颈癌变情况类别可分为无宫颈癌变、轻型宫颈癌变、中型宫颈癌变及重型宫颈癌变。其对应的标签分别为0、1、2、3。
由于模型采用深度学习模型,其中训练深度学习模型利用输入的宫颈图像像特征信息R(Tc)为(p1,p2,…,p2048,23,66,255)及对应的标签0、1、2、3获得相关模型参数。本实施例中可以采用卷积神经网络,卷积神经网络是处理图像数据的常规技术手段,此处不再赘述,本实施例还可以采用BP神经网络等模型,此处不作限制。
所述图像获取模块还用于接收当前宫颈图像相应参数,并与模型构建模块相连,根据模型构建模块中的宫颈图像分析模型处理所述当前宫颈图像参数生成实时宫颈癌变情况类别;
如此时的当前宫颈图像参数Tt(55,254,105),通过ResNet50模型转化的2048维特征向量进行连接,得到宫颈图像像特征信息R(Tt)为(p1’,p2’,…,p2048’,55,254,105),若此时宫颈图像分析模型处理得到的标签结果为0,则表示此时属于无宫颈癌变。
放疗剂量控制模块,接收所述实时宫颈癌变情况类别,根据所述实时宫颈癌变情况类别进行进行放疗定位和剂量控制。
在本实施例中,由于属于无宫颈癌变则无需进行放疗定位和剂量控制。
进一步地,所述宫颈图像分析模型,采用深度学习方法进行构建。
进一步地,所述图像获取模块,包含超声检查设备和/或阴道超声设备和/或彩超检查设备。
进一步地,所述图像获取模块利用所述超声检查设备获取超声检查图像,利用阴道超声设备获取阴道检查图像,利用彩超检查设备获取彩超检查图像,将所述超声检查图像的参数、所述阴道检查图像的参数和所述彩超检查图像的参数特征融合获得所述宫颈图像参数。
为了实现多种多维度图像定位的精确治疗,实现多维度多手段的图像定位精准治疗,根据神经网络具有对高维数据的强大处理能力这一性质,本实施例中,将所述超声检查图像的参数、所述阴道检查图像的参数和所述彩超检查图像的参数特征融合,如获取到超声检查图像参数Pc(3,5,214),由于彩超可以采集到三位图像信息,这里将其进行数据的标准化处理得到与超声检查图像同样的参数Pa(55,88,203),阴道检查图像Py(33,156,23),特征融合具体可以采用链式链接或者维度链接,其中链式链接为获得所述宫颈图像参数为P(3,5,214,55,88,203,33,156,23),此时可选择将参数P与对应的宫颈癌变情况类别标签输入宫颈图像分析模型,训练获得相关模型参数,并根据特征融合的实时宫颈图像参数获取相应的宫颈癌变情况类别标签。若此时特征融合的实时宫颈图像参数对应的宫颈癌变情况类别标签为1,则根据特征融合的实时宫颈图像参数并结合医生判断获取病灶定位,而后放疗剂量控制模块根据宫颈癌变情况类别针对病灶位置提供剂量为45Gy~50Gy的注射策略。
进一步地,本实施例中获取的宫颈图像相应参数还可以利用ResNet50模型对宫颈图像处理得到。先选取ResNet50模型,移除全连接层,并为所述宫颈图像数据集中的3000张宫颈图像提取特征,每张宫颈图像通过特征提取后,都被转换成2048维特征向量。其中,ResNet50模型由数据集训练生成。
训练ResNet模型常用的学习率衰减方法有等间隔调整学习率和指数衰减调整学习率。
1)等间隔调整学习率方法。模型通过训练一定的迭代次数,学习率随之下降一定的百分比。这种衰减策略由于学习率衰减变化幅度过大,在更改学习率时易引发震荡,无法收敛到最优。
2)指数衰减调整学习率方法。模型根据当前的迭代次数动态改变学习率,迭代次数决定学习率的更新频率。当衰减率较小时,随着迭代次数的逐步增加,学习率变化越小,易导致模型收敛过快。
本实施例中采用波形退火衰减方法,在模型训练中,让学习率随时间的推移而动态变化。利用正弦波函数自身随着自变量而变化的特点衰减至最优学习率,从而接近Loss值的全局最小值,从而使模型收敛到最优值。
波形退火衰减具体更新机制如下,学习率σt表示为:
其中:i为索引值;为学习率最大值,/>为学习率最小值,Tcur为当前迭代次数,Ti为总迭代次数。
本实施例中,总迭代次数选1000次,学习率选定为0-0.05之间,索引值选定为0.5-0.8之间。
在进行ResNet50模型转化后的数据输入至神经网络模型进行参数的训练,后续的定位和剂量控制与前述实施例相一致。
进一步地,所述深度学习方法,采用改进的sigmoid函数进行模型的训练:
式中,为激活函数值,k为调整系数,X为输入特征值,所述输入特征值由所述宫颈图像参数获取。
使得梯度的变化更为合理,本实施例中采用改进的sigmoid函数,这是由于图像数据的信息量含量巨大,而梯度变化仅限于0-1之间显得有些收敛较快,因此本实施例中选取的sigmoid函数增加了调整系数k,使得梯度变化更为合理,本实施例中调整系数设为5-10。
还提供了一种宫颈癌放疗精准定位与剂量控制方法,其特征在于:
获取宫颈图像参数,并获取此时的宫颈癌变情况类别;
根据所述宫颈图像参数和所述宫颈癌变情况类别构建宫颈图像分析模型;
获取当前宫颈图像参数,根据宫颈图像分析模型处理所述当前宫颈图像参数,并生成实时宫颈癌变情况类别;
获取所述实时宫颈癌变情况类别,根据所述实时宫颈癌变情况类别进行进行放疗定位和剂量控制。
进一步地,所述宫颈图像分析模型,采用深度学习方法进行构建。
进一步地,采用超声检查设备和/或阴道超声设备和/或彩超检查设备获取所述宫颈图像参数。
进一步地,将超声检查图像的参数、阴道检查图像的参数和彩超检查图像的参数特征融合获得所述宫颈图像参数。
进一步地,所述深度学习方法,采用改进的sigmoid函数进行模型的训练:
式中,为F(X)激活函数值,k为调整系数,X为输入特征值,所述输入特征值由所述宫颈图像参数获取。
当然,可以理解,本发明的各个实施例可以单独实现其中一个效果,本发明的多个实施例组合可以实现上述所有效果,但是并不要求本发明的每一个实施例都实现上述所有优点和效果,因为本发明的各个实施例都能构成单独的技术方案并对现有技术作出一个或者多个贡献。
本发明未特别明确的部分模块结构,以现有技术记载的内容为准。本发明在前述背景技术部分以及具体实施例部分提及的现有技术可作为本发明的一部分,用于理解部分技术特征或者参数的含义。本发明的保护范围以权利要求实际记载的内容为准。
Claims (2)
1.一种宫颈癌放疗精准定位与剂量控制系统,其特征在于,所述系统包括:
图像获取模块,获取宫颈图像及相应参数,并根据所述宫颈图像及相应参数获取此时的宫颈癌变情况类别;所述图像获取模块,包含超声检查设备和/或阴道超声设备和/或彩超检查设备;
所述图像获取模块利用所述超声检查设备获取超声检查图像,利用阴道超声设备获取阴道检查图像,利用彩超检查设备获取彩超检查图像,将所述超声检查图像的参数、所述阴道检查图像的参数和所述彩超检查图像的参数特征融合获得所述宫颈图像参数;
在进行所述特征融合前,利用ResNet50模型对所述宫颈图像进行处理,处理采用波形退火衰减,具体更新机制如下,学习率σt表示为:
其中:i为索引值;为学习率最大值,/>为学习率最小值,Tcur为当前迭代次数,Ti为总迭代次数;
利用ResNet50模型对宫颈图像处理得到宫颈图像相应参数;
模型构建模块,根据宫颈图像相应参数和所述宫颈癌变情况类别构建宫颈图像分析模型;所述宫颈图像分析模型,采用深度学习方法进行构建;深度学习方法,采用改进的sigmoid函数进行模型的训练:
式中,F(X)为激活函数值,k为调整系数,5≤k≤10,X为输入特征值,所述输入特征值由所述宫颈图像参数获取;
所述图像获取模块还用于接收当前宫颈图像相应参数,并与模型构建模块相连,根据模型构建模块中的宫颈图像分析模型处理所述当前宫颈图像相应参数生成实时宫颈癌变情况类别;宫颈癌变情况类别包括无宫颈癌变、轻型宫颈癌变、中型宫颈癌变及重型宫颈癌变;
放疗剂量控制模块,接收所述实时宫颈癌变情况类别,根据所述实时宫颈癌变情况类别进行放疗定位和剂量控制。
2.一种宫颈癌放疗精准定位与剂量控制方法,其特征在于:
获取宫颈图像及相应参数,并获取此时的宫颈癌变情况类别;采用超声检查设备和/或阴道超声设备和/或彩超检查设备获取所述宫颈图像及相应参数;
根据所述宫颈图像及相应参数和所述宫颈癌变情况类别构建宫颈图像分析模型;所述宫颈图像分析模型,采用深度学习方法进行构建;
获取当前宫颈图像相应参数,根据宫颈图像分析模型处理所述当前宫颈图像相应参数,并生成实时宫颈癌变情况类别;宫颈癌变情况类别包括无宫颈癌变、轻型宫颈癌变、中型宫颈癌变及重型宫颈癌变;
获取所述实时宫颈癌变情况类别,根据所述实时宫颈癌变情况类别进行放疗定位和剂量控制;
将超声检查图像的参数、阴道检查图像的参数和彩超检查图像的参数进行特征融合获得所述宫颈图像参数;
在进行所述特征融合前,利用ResNet50模型对所述宫颈图像进行处理,处理采用波形退火衰减,具体更新机制如下,学习率σt表示为:
其中:i为索引值;为学习率最大值,/>为学习率最小值,Tcur为当前迭代次数,Ti为总迭代次数;
利用ResNet50模型对宫颈图像处理得到宫颈图像相应参数;
所述深度学习方法,采用改进的sigmoid函数进行模型的训练:
式中,F(X)为激活函数值,k为调整系数,5≤k≤10,X为输入特征值,所述输入特征值由所述宫颈图像参数获取。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311724762.1A CN117695534B (zh) | 2023-12-14 | 2023-12-14 | 一种宫颈癌放疗精准定位与剂量控制系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311724762.1A CN117695534B (zh) | 2023-12-14 | 2023-12-14 | 一种宫颈癌放疗精准定位与剂量控制系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117695534A CN117695534A (zh) | 2024-03-15 |
CN117695534B true CN117695534B (zh) | 2024-05-28 |
Family
ID=90158430
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311724762.1A Active CN117695534B (zh) | 2023-12-14 | 2023-12-14 | 一种宫颈癌放疗精准定位与剂量控制系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117695534B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106902477A (zh) * | 2017-01-23 | 2017-06-30 | 福建省肿瘤医院 | 一种宫颈癌内外放疗剂量的非线性融合方法 |
CN107545137A (zh) * | 2017-08-16 | 2018-01-05 | 强深智能医疗科技(昆山)有限公司 | 肿瘤放射治疗计划智能优化方法 |
CN110827961A (zh) * | 2018-08-10 | 2020-02-21 | 北京连心医疗科技有限公司 | 一种自适应放疗结构自动勾画方法、设备和存储介质 |
CN110946552A (zh) * | 2019-10-30 | 2020-04-03 | 南京航空航天大学 | 一种结合光谱和图像的宫颈癌前病变筛查方法 |
CN111489324A (zh) * | 2020-06-05 | 2020-08-04 | 华侨大学 | 一种融合多模态先验病理深度特征的宫颈癌病变诊断方法 |
CN111863203A (zh) * | 2020-07-20 | 2020-10-30 | 上海联影医疗科技有限公司 | 一种放疗数据的分类方法、装置、设备及存储介质 |
CN113674834A (zh) * | 2021-08-16 | 2021-11-19 | 于金明 | 基于剂量分布预览系统的放疗靶区确立和修正方法 |
CN114266717A (zh) * | 2020-09-25 | 2022-04-01 | 天津科技大学 | 一种基于Inception模块的并行胶囊网络宫颈癌细胞检测方法 |
CN115170482A (zh) * | 2022-06-20 | 2022-10-11 | 温州医科大学附属第一医院 | 宫颈癌靶区自动勾画方法及自适应放疗计划自动生成方法 |
CN115541578A (zh) * | 2022-09-28 | 2022-12-30 | 佐健(上海)生物医疗科技有限公司 | 一种高通量超分辨宫颈细胞病理切片快速扫描分析系统 |
CN115564735A (zh) * | 2022-10-13 | 2023-01-03 | 中山大学肿瘤防治中心(中山大学附属肿瘤医院、中山大学肿瘤研究所) | 一种复发鼻咽癌放射治疗鼻咽坏死预测方法 |
CN115662578A (zh) * | 2022-10-26 | 2023-01-31 | 安徽大学 | 一种基于深度学习的宫颈癌放疗剂量预测方法 |
WO2023128284A1 (ko) * | 2021-12-28 | 2023-07-06 | 가천대학교 산학협력단 | 자궁 경부암의 진단에 대한 정보 제공 방법 및 이를 이용한 자궁 경부암의 진단에 대한 정보 제공용 디바이스 |
WO2023134097A1 (zh) * | 2022-01-11 | 2023-07-20 | 南方医科大学顺德医院(佛山市顺德区第一人民医院) | 基于残差网络结构的子宫肌瘤目标图像获取方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2719028C1 (ru) * | 2016-09-07 | 2020-04-16 | Электа, Инк. | Система и способ для обучающихся моделей планов радиотерапевтического лечения с прогнозированием распределений дозы радиотерапии |
-
2023
- 2023-12-14 CN CN202311724762.1A patent/CN117695534B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106902477A (zh) * | 2017-01-23 | 2017-06-30 | 福建省肿瘤医院 | 一种宫颈癌内外放疗剂量的非线性融合方法 |
CN107545137A (zh) * | 2017-08-16 | 2018-01-05 | 强深智能医疗科技(昆山)有限公司 | 肿瘤放射治疗计划智能优化方法 |
CN110827961A (zh) * | 2018-08-10 | 2020-02-21 | 北京连心医疗科技有限公司 | 一种自适应放疗结构自动勾画方法、设备和存储介质 |
CN110946552A (zh) * | 2019-10-30 | 2020-04-03 | 南京航空航天大学 | 一种结合光谱和图像的宫颈癌前病变筛查方法 |
CN111489324A (zh) * | 2020-06-05 | 2020-08-04 | 华侨大学 | 一种融合多模态先验病理深度特征的宫颈癌病变诊断方法 |
CN111863203A (zh) * | 2020-07-20 | 2020-10-30 | 上海联影医疗科技有限公司 | 一种放疗数据的分类方法、装置、设备及存储介质 |
CN114266717A (zh) * | 2020-09-25 | 2022-04-01 | 天津科技大学 | 一种基于Inception模块的并行胶囊网络宫颈癌细胞检测方法 |
CN113674834A (zh) * | 2021-08-16 | 2021-11-19 | 于金明 | 基于剂量分布预览系统的放疗靶区确立和修正方法 |
WO2023128284A1 (ko) * | 2021-12-28 | 2023-07-06 | 가천대학교 산학협력단 | 자궁 경부암의 진단에 대한 정보 제공 방법 및 이를 이용한 자궁 경부암의 진단에 대한 정보 제공용 디바이스 |
WO2023134097A1 (zh) * | 2022-01-11 | 2023-07-20 | 南方医科大学顺德医院(佛山市顺德区第一人民医院) | 基于残差网络结构的子宫肌瘤目标图像获取方法 |
CN115170482A (zh) * | 2022-06-20 | 2022-10-11 | 温州医科大学附属第一医院 | 宫颈癌靶区自动勾画方法及自适应放疗计划自动生成方法 |
CN115541578A (zh) * | 2022-09-28 | 2022-12-30 | 佐健(上海)生物医疗科技有限公司 | 一种高通量超分辨宫颈细胞病理切片快速扫描分析系统 |
CN115564735A (zh) * | 2022-10-13 | 2023-01-03 | 中山大学肿瘤防治中心(中山大学附属肿瘤医院、中山大学肿瘤研究所) | 一种复发鼻咽癌放射治疗鼻咽坏死预测方法 |
CN115662578A (zh) * | 2022-10-26 | 2023-01-31 | 安徽大学 | 一种基于深度学习的宫颈癌放疗剂量预测方法 |
Non-Patent Citations (3)
Title |
---|
" 肿瘤放疗剂量预测深度学习方法研究";刘焰飞;《中国优秀硕士学位论文全文数据库(医药卫生科技辑)》;20220915(2022年第09期);E060-46 * |
"三维宫旁插植后装放疗与外照射调强放疗对宫颈癌放疗后膀胱、乙状结肠及直肠受照剂量的影响";刘红艳;苏瑞芬;秦丽;;《癌症进展》;20200710(第13期);第1384-1387页 * |
三维能量多普勒对宫颈癌放疗疗效评估的价值;张雨芹;李响;王学梅;宛伟娜;李平;;中国医科大学学报;20130926(第09期);第836-838页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117695534A (zh) | 2024-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110211664B (zh) | 一种基于机器学习自动设计放射治疗方案的系统 | |
CN112508965B (zh) | 医学影像中正常器官的轮廓线自动勾画系统 | |
WO2022142770A1 (zh) | 放射治疗自动计划系统、自动计划方法及计算机程序产品 | |
CN110354406A (zh) | 一种放射治疗的三维剂量预测方法和系统 | |
CN107715314B (zh) | 基于深度学习的放射治疗系统及方法 | |
CN110459301B (zh) | 基于热力图和面部关键点的脑部神经外科导航配准方法 | |
CN108770373A (zh) | 使用特征回归模型根据mr数据的伪ct生成 | |
CN108778416A (zh) | 使用组织参数估计根据mr数据的伪ct生成 | |
CN110464353A (zh) | 一种基于深度卷积神经网络的伪ct合成方法及应用 | |
KR102504022B1 (ko) | 뇌 mri 영상으로부터 생성된 ct 영상을 이용한 인공지능 기반의 비침습 치료 계획 장치 | |
CN107708808A (zh) | 用于在放射治疗期间使用质量指标进行靶追踪的系统和方法 | |
CN112820377B (zh) | 一种基于深度学习的放疗计划自动生成方法 | |
CN110404184A (zh) | 一种测算放疗射线剂量分布和剂量目标函数的方法和系统 | |
CN115485019A (zh) | 自动计划的基于放射的治疗 | |
Beljaards et al. | A cross-stitch architecture for joint registration and segmentation in adaptive radiotherapy | |
CN117695534B (zh) | 一种宫颈癌放疗精准定位与剂量控制系统 | |
KR101968671B1 (ko) | 지능형 자동 방사선 치료계획 수립방법 및 시스템 | |
CN113941100A (zh) | 根据三维空间剂量分布生成可交付放疗计划的方法及装置 | |
CN112245815B (zh) | 后装放疗计划及3d打印模板一体化仿真设计方法及系统 | |
US20220319001A1 (en) | Real-time acoustic simulation method based on artificial intelligence, and ultrasound treatment system using the same | |
CN113178242B (zh) | 一种基于耦合式生成对抗网络的自动计划优化系统 | |
CN113947584A (zh) | 一种基于核磁共振图像的人体组织内hifu治疗焦点位置预测方法 | |
Fu et al. | SP-DiffDose: a conditional diffusion model for radiation dose prediction based on multi-scale fusion of anatomical structures, guided by SwinTransformer and projector | |
CN109272486B (zh) | Mr图像预测模型的训练方法、装置、设备及存储介质 | |
Naeemi et al. | Attention U-net approach in predicting Intensity Modulated Radiation Therapy dose distribution in brain glioma tumor |
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 |