CN117745717A - 一种剂量学与深度学习特征预测放射性肺炎的方法及系统 - Google Patents
一种剂量学与深度学习特征预测放射性肺炎的方法及系统 Download PDFInfo
- Publication number
- CN117745717A CN117745717A CN202410177554.2A CN202410177554A CN117745717A CN 117745717 A CN117745717 A CN 117745717A CN 202410177554 A CN202410177554 A CN 202410177554A CN 117745717 A CN117745717 A CN 117745717A
- Authority
- CN
- China
- Prior art keywords
- model
- features
- radiotherapy
- dosimetry
- 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
- 238000013135 deep learning Methods 0.000 title claims abstract description 46
- 238000004980 dosimetry Methods 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 31
- 206010037765 Radiation pneumonitis Diseases 0.000 title claims abstract description 28
- 210000004072 lung Anatomy 0.000 claims abstract description 33
- 238000000605 extraction Methods 0.000 claims abstract description 20
- 238000012795 verification Methods 0.000 claims abstract description 11
- 238000001959 radiotherapy Methods 0.000 claims description 58
- 238000012216 screening Methods 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 19
- 238000010200 validation analysis Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 11
- 238000000556 factor analysis Methods 0.000 claims description 9
- 238000002790 cross-validation Methods 0.000 claims description 8
- 230000001154 acute effect Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012352 Spearman correlation analysis Methods 0.000 claims description 5
- 230000000391 smoking effect Effects 0.000 claims description 4
- 238000002512 chemotherapy Methods 0.000 claims description 3
- 230000007170 pathology Effects 0.000 claims description 3
- 230000003439 radiotherapeutic effect Effects 0.000 claims 1
- 238000012360 testing method Methods 0.000 abstract description 3
- 201000010099 disease Diseases 0.000 abstract description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 2
- 210000001519 tissue Anatomy 0.000 description 21
- 238000003384 imaging method Methods 0.000 description 6
- 206010028980 Neoplasm Diseases 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000005855 radiation Effects 0.000 description 4
- 238000002720 stereotactic body radiation therapy Methods 0.000 description 3
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000002146 bilateral effect Effects 0.000 description 2
- 201000005202 lung cancer Diseases 0.000 description 2
- 208000020816 lung neoplasm Diseases 0.000 description 2
- 208000002154 non-small cell lung carcinoma Diseases 0.000 description 2
- 238000011127 radiochemotherapy Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 208000029729 tumor suppressor gene on chromosome 11 Diseases 0.000 description 2
- 206010003598 Atelectasis Diseases 0.000 description 1
- 208000007123 Pulmonary Atelectasis Diseases 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000004224 pleura Anatomy 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000002685 pulmonary effect Effects 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 238000007086 side reaction Methods 0.000 description 1
- 238000011272 standard treatment Methods 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
Abstract
本发明公开了一种剂量学与深度学习特征预测放射性肺炎的方法及系统，属于疾病预测技术领域。所述方法通过经医学图像预训练的深度学习网络进行不同肺组织区域的特征提取，使用MLP算法，在内部验证结果中，优选出正常肺组织的感兴趣区域，然后结合与RP相关的剂量学特征，建立了联合剂量学特征与深度学习特征进行RP的预测模型。在外部验证集中，剂量学模型的AUC为0.583，基于深度学习特征的模型AUC为0.690，而联合两者特征后的模型AUC为0.746，经delong检验p<0.05，预测准确率得到显著的提升。
Description
技术领域
本发明涉及一种剂量学与深度学习特征预测症状性放射性肺炎的方法及系统，属于疾病治疗的副反应预测技术领域。
背景技术
放化疗(CRT)是无法切除的局部晚期非小细胞肺癌(NSCLC)的标准治疗方法。放疗过程中，放射性肺炎（Radiation Peumonitis，RP）这种放疗副反应的发生严重制约了放疗效果，并影响后续治疗，降低患者生存质量，严重的RP甚至危及生命。肺癌患者接受放疗时，RP的发生率甚至可高达30%，放疗中预防RP的发生非常重要。
以往的研究基本明确了RP的发生与肺剂量体积正相关，临床中为了防止RP的发生，通常要求计划设计时，严格限制肺组织的剂量体积值。即便如此，RP还是由于个体差异而发生。RP如能提前预测，将能给医生提供有用的干预治疗策略。与RP发生的潜在临床因素包括有肿瘤部位、肺部合并症、性别、吸烟状态和年龄等, 但由于研究样本的不同，结论不一，至今RP仍然无准确预测方法。
近年来，有不少研究者通过提取放疗前影像资料中的大量特征，尝试研究这些特征与RP的发生关系，挖掘潜在的RP预测因子。Krafft从大量正常肺体积的CT影像组学特征中筛选出RP≥3级的预测因子（Krafft SP, Rao A, Stingo F, et al. The utility ofquantitative CT radiomics features for improved prediction of radiationpneumonitis. Med Phys. 2018;45:5317-5324）。随着深度网络技术的发展，通过卷积运算，可以将输入的图像转换为一系列的特征图，这些特征图能够表示输入图像中的各种特征。随着网络深度的增加，特征图的抽象程度和表示能力也会逐渐增强，因此可以实现更加抽象和深度的特征提取。图像的深度学习特征，不同于影像组学特征，这另一种维度的影像特征是否有助于描述影响潜在RP风险的不同肺部表型，从而辅助提高RP预测的准确性，还不明确。Huang通过剂量分布图来提取深度学习特征，能较好的预测立体定向放射治疗（Stereotactic body radiation therapy，SBRT）患者的RP发生（Huang Y, Feng A, LinY, et al. Radiation pneumonitis prediction after stereotactic body radiationtherapy based on 3D dose distribution: dosiomics and/or deep learning-basedradiomics features. Radiat Oncol. 2022;17:188）。证实深度学习特征在临床RP预测中具有潜在价值，值得进一步研究。
另外，不同的肺组织区域其提取的特征存在不同，从而影响最终模型的效能。Jiang结合了剂量学特征与影像组学特征预测RP的研究表明，不同的正常肺组织区域RP的预测效能不同（Jiang W, Song Y, Sun Z, et al. Dosimetric factors and radiomicsfeatures within different regions of interest in planning CT images forimproving the prediction of radiation pneumonitis. Int J Radiat Oncol BiolPhys. 2021;110:1161-1170）。临床勾画正常肺组织时，通常会将肿瘤区域(Gross TumorVolume，GTV)排除。但是在影像的深层特征提取时，感兴趣区域（ROI）的选择会影响预测效果，且不同的ROI区域可能会导致预测结果不同，是否应该排除由于考虑呼吸运动等误差而引入的瘤周区域，目前并没有明确定论，这些不确定因素严重影响了症状性放射性肺炎的预测准确率。
发明内容
为了进一步提升放疗患者放射性肺炎预测的准确率，本发明提供了一种剂量学与深度学习特征预测症状性放射性肺炎的方法及系统，所述技术方案如下：
本发明的第一个目的在于提供一种放疗患者放射性肺炎的预测方法，包括：
步骤1：收集患者的临床数据、剂量学数据、放疗前定位CT图像和放疗后半年内CT随访，按照RTOG急性RP分级标准确定RP分级，RP分级≥2级确定为症状性RP，构建训练集和验证集；
步骤2：对所述放疗前定位CT图像进行正常肺组织勾画，分为Lung-PTV和PTV-GTV两种感兴趣区域ROI；
步骤3：利用深度学习网络对所述两种感兴趣区域ROI分别进行特征提取，并进行特征筛选；
步骤4：基于所述步骤3筛选出的特征，利用MLP进行五折交叉验证建模，得到两种ROI的深度学习（Deep Learning，DL）特征影像组学模型，并且比较这两种ROI的模型内部验证性能，选择性能更佳的模型作为最终特征影像组学模型DLR；
步骤5：利用DLR模型得到的DL特征，结合单因素分析筛选出临床数据、剂量学数据的特征，使用MLP进行建模，得到联合预测模型；
步骤6：采集待预测患者的临床数据、剂量学数据、放疗前定位CT图像，利用所述DLR模型和所述联合预测模型对未来放疗后是否发生RP进行预测。
可选的，所述步骤3采用3D Resnet34网络对ROI进行特征提取。
可选的，所述步骤3中特征提取与筛选的过程包括：从所述深度学习网络中分别提取512个深度学习特征，所有特征值使用Z-score归一，均值为0，方差为1，在所述训练集中，首先采用Spearman相关分析，当两个特征的相关系数大于0.9时保留其中一个特征，然后，使用LASSO方法进行特征筛选。
可选的，所述临床数据包括：年龄、性别、吸烟、病理、T分期、N分期和化疗情况。
可选的，所述剂量学数据包括：放疗总剂量、Lung-PTV的V5、V10、V20、V30和平均剂量MLD。
本发明的第二个目的在于提供一种放疗患者放射性肺炎的预测系统，包括：
数据集构建模块，用于收集患者的临床数据、剂量学数据、放疗前定位CT图像和放疗后半年内CT随访，按照RTOG急性RP分级标准确定RP分级，RP分级≥2级确定为症状性RP，构建训练集和验证集；
正常肺组织勾画模块，用于对所述放疗前定位CT图像进行正常肺组织勾画，分为Lung-PTV和PTV-GTV两种感兴趣区域ROI；
特征提取与筛选模块，利用深度学习网络对所述两种感兴趣区域ROI分别进行特征提取，并进行特征筛选；
特征影像组学模型构建模块，基于所述步骤3筛选出的特征，利用MLP进行五折交叉验证建模，得到两种ROI的DL特征影像组学模型，并且比较这两种ROI的模型内部验证性能，选择性能更佳的模型作为最终特征影像组学模型DLR；
联合预测模型构建模块，利用DLR模型得到的DL特征，结合单因素分析筛选出临床数据、剂量学数据的特征，使用MLP进行建模，得到联合预测模型；
预测模块，用于采集待预测患者的临床数据、剂量学数据、放疗前定位CT图像，利用所述DLR模型和所述联合预测模型对未来放疗后是否发生RP进行预测。
可选的，所述特征提取与筛选模块采用3D Resnet34网络对ROI进行特征提取。
可选的，所述特征提取与筛选模块中，特征提取与筛选的过程包括：从所述深度学习网络中分别提取512个深度学习特征，所有特征值使用Z-score归一，均值为0，方差为1，在所述训练集中，首先采用Spearman相关分析，当两个特征的相关系数大于0.9时保留其中一个特征，然后，使用LASSO方法进行特征筛选。
本发明的第三个目的在于提供一种电子设备，包括存储器和处理器；
所述存储器，用于存储计算机程序；
所述处理器，用于当执行所述计算机程序时，实现如上述任一项所述的放疗患者放射性肺炎的预测方法。
本发明的第四个目的在于提供一种计算机可读存储介质，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如上述任一项所述的放疗患者放射性肺炎的预测方法。
本发明有益效果是：
本发明综合考虑了可能会影响放射性肺炎的多重因素，利用临床数据、剂量学数据和影像学数据构建了一种联合预测模型，有效地提升了患者放射性肺炎的预测准确度。
本发明针对放疗前定位CT图像进行精细化处理，在进行正常肺组织勾画时，分为Lung-PTV和PTV-GTV两种感兴趣区域ROI，并分别为两种ROI进行建模并进行性能验证，获得更优化的影像学数据特征提取模型，从而可以获取更有效的影像学特征，再与临床数据、剂量学数据特征进行联合预测，进一步提升了放射性肺炎的预测准确度，有助于及时发现和预防放射性肺炎，提高放疗效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例一的预测模型构建流程图。
图2是本发明训练集中不同预测模型的ROC曲线图。
图3是本发明外部验证集中不同预测模型的ROC曲线图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
实施例一：
本实施例提供一种放疗患者放射性肺炎的预测方法，如图1所示，包括：
步骤1：收集两个中心的患者的临床资料，包括临床数据、剂量学数据、放疗前定位CT图像和放疗后半年内CT随访，按照RTOG急性RP分级标准确定RP分级，分级≥2级确定为症状性RP，构建训练集和验证集；本实施例中一个中心的数据作为训练集，另一个中心的数据作为外部验证集。
步骤2：对放疗前定位CT图像进行正常肺组织勾画，分为Lung-PTV和PTV-GTV两种感兴趣区域ROI；勾画中排除肺门、肺不张和增厚的胸膜，本实施例中由两位放疗医生共同商讨确定最终ROI。
其中，Lung-PTV表示双侧正常肺组织去掉计划靶体积(PTV, Planning TargetVolume)，PTV-GTV表示双侧正常肺组织中，PTV区域去掉肿瘤区(GTV, Gross TumorVolume)。
步骤3：利用深度学习网络对两种感兴趣区域ROI分别进行特征提取，并进行特征筛选；
利用3D Resnet34网络在医学图像上的预训练模型进行深度学习特征提取，首先对图像进行预处理，针对两种ROI，将图像分别切割至3D最大ROI区域，设置窗宽为400，窗位为1600，其余区域填充为零；然后，从深度学习网络中分别提取512个深度学习特征；所有特征值使用Z-score归一，均值为0，方差为1；在训练集中，首先采用Spearman相关分析，当两个特征的相关系数大于0.9时保留其中一个特征；最后，使用LASSO方法进行特征筛选。
步骤4：基于步骤3筛选出的特征，利用MLP进行五折交叉验证建模，得到两种ROI的DL特征影像组学模型，并且比较这两种ROI的模型内部验证性能，选择性能更佳的模型作为最终特征影像组学模型DLR；
步骤5：利用DLR模型得到的DL特征，结合单因素分析筛选出临床数据、剂量学数据的特征，使用MLP进行建模，得到联合预测模型；
其中，临床数据、剂量学数据与RP的相关性分析为：收集的临床特征包括：年龄、性别、吸烟、病理、T分期、N 分期、化疗情况，剂量学数据包括：放疗总剂量、Lung-PTV的V5、V10、V20、V30和平均剂量MLD。单因素分析RP和Non-RP组间各因素的差异，筛选有统计学差异的特征。
利用MLP（multi-layered perceptron）方法进行200次五折交叉验证建模，得到Lung-PTV和PTV-GTV这两种ROI的DL 特征影像组学 (DLR) 模型，并且比较这两种ROI的模型内部验证性能，选择性能更佳的ROI，采用所有样本进行DLR建模，并做外部验证。
两种肺组织ROI的预测性能如表1所示：
表1. 两种肺组织ROI的预测效能比较
AUC：曲线下面积，Sensitivity：敏感度，Specificity：特异度，ACC：准确率
从表1中可以看出，基于Lung-PTV和PTV-GTV两种ROI的深度学习特征分别建模预测RP时，从训练集的内部测试结果可以看出，AUC分别为0.921和0.892，Lung-PTV的效能更优。
选出的更优ROI的DL特征结合单因素分析筛选出的有差异的临床或剂量学特征，使用MLP进行建模，得到联合模型。DLR和联合模型都在训练集数据中采用5折交叉验证，并通过外部验证集进行验证。DLR和联合模型两种模型用ROC曲线的ROC进行模型性能比较，并用DeLong检验来检验差异性。
步骤6：采集待预测患者的临床数据、剂量学数据、放疗前定位CT图像，利用DLR模型和联合预测模型对未来放疗后是否发生RP进行预测。
在实际的应用过程中，如果有一个肺癌患者即将进行放疗，在进行放疗前，可以利用本发明构建的联合预测模型对未来患放射性肺炎的发生情况进行预测，从而可以根据预测结果调整治疗方案。只需要采集患者的临床数据、剂量学数据、放疗前定位CT图像。
对于放疗前定位CT图像，根据DLR模型构建情况，由医生进行正常肺组织勾画，提取感兴趣区域ROI，然后利用构建好的DLR模型对ROI进行深度学习特征提取，从而得到影像ROI的DL特征。
对于临床数据、剂量学数据，则筛选出与RP相关的数据。
将影像DL特征、与RP相关的临床数据、剂量学数据共同输入构建好的联合预测模型中，由模型输出预测的RP发生情况，从而可以得到患者放疗后是否发生放射性肺炎的预测结果。
实施例二：
本实施例提供一种放疗患者放射性肺炎的预测系统，包括：
数据集构建模块，用于收集患者的临床数据、剂量学数据、放疗前定位CT图像和放疗后半年内CT随访，按照RTOG急性RP分级标准确定RP分级，RP分级≥2级确定为症状性RP，构建训练集和验证集；
正常肺组织勾画模块，用于对放疗前定位CT图像进行正常肺组织勾画，分为Lung-PTV和PTV-GTV两种感兴趣区域ROI；
特征提取与筛选模块，利用深度学习网络对两种感兴趣区域ROI分别进行特征提取，并进行特征筛选；
特征影像组学模型构建模块，基于特征提取与筛选模块筛选出的特征，利用MLP进行五折交叉验证建模，得到两种ROI的DL特征影像组学模型，并且比较这两种ROI的模型内部验证性能，选择性能更佳的模型作为最终特征影像组学模型DLR；
联合预测模型构建模块，利用DLR模型得到的DL特征，结合单因素分析筛选出临床数据、剂量学数据的特征，使用MLP进行建模，得到联合预测模型；
预测模块，用于采集待预测患者的临床数据、剂量学数据、放疗前定位CT图像，利用DLR模型和联合预测模型对未来放疗后是否发生RP进行预测。
为了进一步说明本发明的有益效果，进行了对比实验，实验中，将两个中心分别作为训练集和外部验证集，在训练集中，从临床和剂量学因子中单因素分析筛选出与RP发生的相关因素，本案例中为肺的剂量体积V30，基于该因素进行建模，称为V30模型；然后，通过特征筛选后的深度特征建模得到DLR模型；最后，联合V30和深度特征构建联合模型。这三种模型分别在外部验证集进行预测效能测试。
实验结果如图2所示，从该ROC图中可以看出，在训练集中，V30模型的AUC为0.591，DLR模型的AUC为0.835，联合剂量和深度学习特征后的联合模型的AUC为0.881。
实验结果如图3所示，从该ROC图中可以看出，在外部验证集中，V30模型的AUC为0.583，DLR模型的AUC为0.690，联合剂量和深度学习特征后的联合模型的AUC为0.746。
从图2和图3中都可以看出，DLR模型优于V30模型，联合模型的效能最优。
本发明实施例中的部分步骤，可以利用软件实现，相应的软件程序可以存储在可读取的存储介质中，如光盘或硬盘等。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种放疗患者放射性肺炎的预测方法，其特征在于，所述方法包括：
步骤1：收集患者的临床数据、剂量学数据、放疗前定位CT图像和放疗后半年内CT随访，按照RTOG急性RP分级标准确定RP分级，RP分级≥2级确定为症状性RP，构建训练集和验证集；
步骤2：对所述放疗前定位CT图像进行正常肺组织勾画，分为Lung-PTV和PTV-GTV两种感兴趣区域ROI；
步骤3：利用深度学习网络对所述两种感兴趣区域ROI分别进行特征提取，并进行特征筛选，具体包括：从所述深度学习网络中分别提取512个深度学习特征，所有特征值使用Z-score归一，均值为0，方差为1，在所述训练集中，首先采用Spearman相关分析，当两个特征的相关系数大于0.9时保留其中一个特征，然后，使用LASSO方法进行特征筛选；
步骤4：基于所述步骤3筛选出的特征，利用进行五折交叉验证的MLP方法建模，得到两种ROI的DL特征影像组学模型，并且比较这两种ROI的模型内部验证性能，选择性能更佳的模型作为最终特征影像组学模型DLR；
步骤5：利用DLR模型选择的DL特征，结合单因素分析筛选出临床数据、剂量学数据的特征，使用MLP方法进行建模，得到联合预测模型；
步骤6：采集待预测患者的临床数据、剂量学数据、放疗前定位CT图像，利用所述DLR模型和所述联合预测模型对未来放疗后是否发生RP进行预测。
2.根据权利要求1所述的放疗患者放射性肺炎的预测方法，其特征在于，所述步骤3采用3D Resnet34网络对ROI进行特征提取。
3.根据权利要求1所述的放疗患者放射性肺炎的预测方法，其特征在于，所述临床数据包括：年龄、性别、吸烟、病理、T分期、N分期和化疗情况。
4.根据权利要求1所述的放疗患者放射性肺炎的预测方法，其特征在于，所述剂量学数据包括：放疗总剂量、Lung-PTV的V5、V10、V20、V30和平均剂量MLD。
5.一种放疗患者放射性肺炎的预测系统，其特征在于，所述系统包括：
数据集构建模块，用于收集患者的临床数据、剂量学数据、放疗前定位CT图像和放疗后半年内CT随访，按照RTOG急性RP分级标准确定RP分级，RP分级≥2级确定为症状性RP，构建训练集和验证集；
正常肺组织勾画模块，用于对所述放疗前定位CT图像进行正常肺组织勾画，分为Lung-PTV和PTV-GTV两种感兴趣区域ROI；
特征提取与筛选模块，利用深度学习网络对所述两种感兴趣区域ROI分别进行特征提取，并进行特征筛选，具体包括：从所述深度学习网络中分别提取512个深度学习特征，所有特征值使用Z-score归一，均值为0，方差为1，在所述训练集中，首先采用Spearman相关分析，当两个特征的相关系数大于0.9时保留其中一个特征，然后，使用LASSO方法进行特征筛选；
特征影像组学模型构建模块，基于所述特征提取与筛选模块筛选出的特征，利用MLP进行五折交叉验证建模，得到两种ROI的DL特征影像组学模型，并且比较这两种ROI的模型内部验证性能，选择性能更佳的模型作为最终特征影像组学模型DLR；
联合预测模型构建模块，利用DLR模型选择的DL特征，结合单因素分析筛选出临床数据、剂量学数据的特征，使用MLP进行建模，得到联合预测模型；
预测模块，用于采集待预测患者的临床数据、剂量学数据、放疗前定位CT图像，利用所述DLR模型和所述联合预测模型对未来放疗后是否发生RP进行预测。
6.根据权利要求5所述的放疗患者放射性肺炎的预测系统，其特征在于，所述特征提取与筛选模块采用3D Resnet34网络对ROI进行特征提取。
7.一种电子设备，其特征在于，包括存储器和处理器；
所述存储器，用于存储计算机程序；
所述处理器，用于当执行所述计算机程序时，实现如权利要求1至4任一项所述的放疗患者放射性肺炎的预测方法。
8.一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如权利要求1至4任一项所述的放疗患者放射性肺炎的预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410177554.2A CN117745717B (zh) | 2024-02-08 | 2024-02-08 | 一种剂量学与深度学习特征预测放射性肺炎的方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410177554.2A CN117745717B (zh) | 2024-02-08 | 2024-02-08 | 一种剂量学与深度学习特征预测放射性肺炎的方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117745717A true CN117745717A (zh) | 2024-03-22 |
| CN117745717B CN117745717B (zh) | 2024-04-26 |
Family
ID=90254874
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410177554.2A Active CN117745717B (zh) | 2024-02-08 | 2024-02-08 | 一种剂量学与深度学习特征预测放射性肺炎的方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117745717B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140308202A1 (en) * | 2013-04-12 | 2014-10-16 | Vanderbilt University | Nf-kb gene signature predicts prostate and breast cancer progression |
| WO2016115312A1 (en) * | 2015-01-14 | 2016-07-21 | Ohio State Innovation Foundation | Mirna-based predictive models for diagnosis and prognosis of prostate cancer |
| WO2016205377A1 (en) * | 2015-06-15 | 2016-12-22 | Nantomics, Llc | Systems and methods for patient-specific prediction of drug responses from cell line genomics |
| CN113610845A (zh) * | 2021-09-09 | 2021-11-05 | 汕头大学医学院附属肿瘤医院 | 肿瘤局部控制预测模型的构建方法、预测方法及电子设备 |
| CN114266729A (zh) * | 2021-11-29 | 2022-04-01 | 厦门大学附属第一医院 | 一种基于机器学习的胸部肿瘤放疗后放射性肺炎预测方法和系统 |
| CN114496239A (zh) * | 2021-12-03 | 2022-05-13 | 汕头大学医学院附属肿瘤医院 | 肺癌sbrt放射性肺炎风险新型预测因子及其构建方法 |
| CN114929295A (zh) * | 2019-11-15 | 2022-08-19 | 国家儿童医院研究所 | 产生经接种移植物的系统和方法 |
-
2024
- 2024-02-08 CN CN202410177554.2A patent/CN117745717B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140308202A1 (en) * | 2013-04-12 | 2014-10-16 | Vanderbilt University | Nf-kb gene signature predicts prostate and breast cancer progression |
| WO2016115312A1 (en) * | 2015-01-14 | 2016-07-21 | Ohio State Innovation Foundation | Mirna-based predictive models for diagnosis and prognosis of prostate cancer |
| WO2016205377A1 (en) * | 2015-06-15 | 2016-12-22 | Nantomics, Llc | Systems and methods for patient-specific prediction of drug responses from cell line genomics |
| CN114929295A (zh) * | 2019-11-15 | 2022-08-19 | 国家儿童医院研究所 | 产生经接种移植物的系统和方法 |
| CN113610845A (zh) * | 2021-09-09 | 2021-11-05 | 汕头大学医学院附属肿瘤医院 | 肿瘤局部控制预测模型的构建方法、预测方法及电子设备 |
| CN114266729A (zh) * | 2021-11-29 | 2022-04-01 | 厦门大学附属第一医院 | 一种基于机器学习的胸部肿瘤放疗后放射性肺炎预测方法和系统 |
| CN114496239A (zh) * | 2021-12-03 | 2022-05-13 | 汕头大学医学院附属肿瘤医院 | 肺癌sbrt放射性肺炎风险新型预测因子及其构建方法 |
Non-Patent Citations (1)
| Title |
|---|
| 蔡春雅: "基于剂量组学和影像组学的鼻咽癌无进展生存研究", 南方医科大学, 15 January 2024 (2024-01-15) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117745717B (zh) | 2024-04-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11232562B2 (en) | Method for data management and machine learning with fine resolution | |
| Krafft et al. | The utility of quantitative CT radiomics features for improved prediction of radiation pneumonitis | |
| CN111445946B (zh) | 一种利用pet/ct图像推算肺癌基因分型的演算方法 | |
| CN113610845B (zh) | 肿瘤局部控制预测模型的构建方法、预测方法及电子设备 | |
| Jia et al. | Beam orientation optimization for intensity modulated radiation therapy using adaptive l2, 1-minimization | |
| CN105005714A (zh) | 一种基于肿瘤表型特征的非小细胞肺癌预后方法 | |
| WO2024065987A1 (zh) | 一种基于影像、病理和基因多组学的肺癌预后预测系统 | |
| CN108629785B (zh) | 基于自步学习的三维磁共振胰腺图像分割方法 | |
| CN112270666A (zh) | 基于深度卷积神经网络的非小细胞肺癌病理切片识别方法 | |
| Bagher-Ebadian et al. | Detection of dominant intra-prostatic lesions in patients with prostate cancer using an artificial neural network and MR multi-modal radiomics analysis | |
| CN110751187B (zh) | 异常区域图像生成网络的训练方法和相关产品 | |
| Rios et al. | Population model of bladder motion and deformation based on dominant eigenmodes and mixed-effects models in prostate cancer radiotherapy | |
| Du et al. | A novel nomogram model based on cone-beam CT radiomics analysis technology for predicting radiation pneumonitis in esophageal cancer patients undergoing radiotherapy | |
| Dutande et al. | Deep residual separable convolutional neural network for lung tumor segmentation | |
| Avanzo et al. | Combining computed tomography and biologically effective dose in radiomics and deep learning improves prediction of tumor response to robotic lung stereotactic body radiation therapy | |
| Jin et al. | Detection of prostate cancer with multiparametric MRI utilizing the anatomic structure of the prostate | |
| An et al. | Medical image classification algorithm based on visual attention mechanism-MCNN | |
| CN109671499B (zh) | 一种直肠毒性预测系统构建方法 | |
| CN112488992A (zh) | 表皮生长因子受体突变状态判断方法、介质及电子设备 | |
| VK | An intelligent brain tumor segmentation using improved Deep Learning Model Based on Cascade Regression method | |
| CN114266729A (zh) | 一种基于机器学习的胸部肿瘤放疗后放射性肺炎预测方法和系统 | |
| CN117745717B (zh) | 一种剂量学与深度学习特征预测放射性肺炎的方法及系统 | |
| Nasief et al. | Predicting necessity of daily online adaptive replanning based on wavelet image features for MRI guided adaptive radiation therapy | |
| CN116229176A (zh) | 结合影像组学特征和临床特征的医学图像分类方法及设备 | |
| CN116703880A (zh) | 一种免疫状态预测模型构建方法、预测方法及构建装置 |
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 |