CN107767947A - 放疗计划评估方法及装置 - Google Patents
放疗计划评估方法及装置 Download PDFInfo
- Publication number
- CN107767947A CN107767947A CN201710898346.1A CN201710898346A CN107767947A CN 107767947 A CN107767947 A CN 107767947A CN 201710898346 A CN201710898346 A CN 201710898346A CN 107767947 A CN107767947 A CN 107767947A
- Authority
- CN
- China
- Prior art keywords
- information
- target area
- radiotherapy
- attribute information
- area attribute
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Radiation-Therapy Devices (AREA)
Abstract
本发明公开了一种放疗计划评估方法及装置,涉及医疗技术领域,主要目的在于能够实现自动评估放疗计划,从而能够提升放疗计划评估的效率和准确率。所述方法包括:对待进行评估的放疗计划进行解析,得到放疗信息和靶区属性信息;将所述放疗信息输入到预先训练的深度学习模型中进行训练,所述深度学习模型用于根据放疗信息与靶区属性信息之间的映射关系输出靶区属性信息;判断解析得到的靶区属性信息是否符合所述深度学习模型输出的靶区属性信息;若不符合,则确定所述放疗计划存在异常。本发明适用于放疗计划的评估。
Description
技术领域
本发明涉及医疗技术领域,特别是涉及一种放疗计划评估方法及装置。
背景技术
随着医疗和信息技术的不断发展,可以通过放射疗法治疗患者的病变或者癌变组织。为了保证治疗的安全性和可靠性,在对患者进行放疗治疗之前,需要在患者的定位图像上勾画危及器官、放射靶区等,并为患者制定放疗计划。此外,还需要对放疗计划评估并验证放疗计划的准确性。当放射计划满足临床要求时,再进行临床治疗。
目前,在进行放疗计划评估时,通常根据医生经验对放疗计划进行评估,即由评估人员将放疗计划文件导入到治疗计划***(Treatment Plan System,TPS_)中,然后根据医生经验对已完成的外轮廓、重要器官、靶区勾画进行准确性验证工作。然而,TPS***功能操作繁琐,通过上述方式评估放疗计划,将放疗计划文件导入到TPS***的工作量巨大且繁琐,会消耗评估人员较多的精力,不利于评估人员专注验证放疗计划,从而导致放疗计划评估的效率和准确率较低。
发明内容
有鉴于此,本发明提供一种放疗计划评估方法及装置,主要目的在于能够实现自动评估放疗计划,从而能够提升放疗计划评估效率。
依据本发明一个方面,提供了一种放疗计划评估方法,包括:
对待进行评估的放疗计划进行解析,得到放疗信息和靶区属性信息;
将所述放疗信息输入到预先训练的深度学习模型中进行训练,所述深度学习模型用于根据放疗信息与靶区属性信息之间的映射关系输出靶区属性信息;
判断解析得到的靶区属性信息是否符合所述深度学习模型输出的靶区属性信息;
若不符合,则确定所述放疗计划存在异常。
依据本发明另一个方面,提供了一种放疗计划评估装置,包括:
解析单元,用于对待进行评估的放疗计划进行解析,得到放疗信息和靶区属性信息;
输入单元,用于将所述解析单元解析的所述放疗信息输入到预先训练的深度学习模型中进行训练,所述深度学习模型用于根据放疗信息与靶区属性信息之间的映射关系输出靶区属性信息;
判断单元,用于判断解析得到的靶区属性信息是否符合所述深度学习模型输出的靶区属性信息;
确定单元,用于若所述判断单元判断解析得到的靶区属性信息不符合所述深度学习模型输出的靶区属性信息,则确定所述放疗计划存在异常。
依据本发明又一个方面,提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现以下步骤:
对待进行评估的放疗计划进行解析,得到放疗信息和靶区属性信息;
将所述放疗信息输入到预先训练的深度学习模型中进行训练,所述深度学习模型用于根据放疗信息与靶区属性信息之间的映射关系输出靶区属性信息;
判断解析得到的靶区属性信息是否符合所述深度学习模型输出的靶区属性信息;
若不符合,则确定所述放疗计划存在异常。
依据本发明再一个方面,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现以下步骤:
对待进行评估的放疗计划进行解析,得到放疗信息和靶区属性信息;
将所述放疗信息输入到预先训练的深度学习模型中进行训练,所述深度学习模型用于根据放疗信息与靶区属性信息之间的映射关系输出靶区属性信息;
判断解析得到的靶区属性信息是否符合所述深度学习模型输出的靶区属性信息;
若不符合,则确定所述放疗计划存在异常。
本发明提供的一种放疗计划评估方法及装置,与目前由评估人员将放疗计划文件导入到TPS中,然后根据医生经验对已完成的外轮廓、重要器官、靶区勾画进行准确性验证工作相比,本发明能够对待进行评估的放疗计划进行解析,得到放疗信息和靶区属性信息;将所述放疗信息输入到预先训练的深度学习模型中进行训练,所述深度学习模型用于根据放疗信息与靶区属性信息之间的映射关系输出靶区属性信息。与此同时,能够判断解析得到的靶区属性信息是否符合所述深度学习模型输出的靶区属性信息;在解析得到的靶区属性信息不符合所述深度学习模型输出的靶区属性信息时,确定所述放疗计划存在异常,从而能够实现自动评估放疗计划,自动验证放疗计划的准确性,节省将放疗计划文件导入到TPS***的操作步骤,节省评估人员的精力,进而能够提升放疗计划的评估效率和准确率。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了本发明实施例提供的一种放疗计划评估方法流程图;
图2示出了本发明实施例提供的一种放疗计划评估装置的结构示意图;
图3示出了本发明实施例提供的另一种放疗计划评估装置的结构示意图;
图4示出了本发明实施例提供的一种计算机设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
如背景技术所述,在进行放疗计划评估时,通常根据医生经验对放疗计划进行评估,即由评估人员将放疗计划文件导入到治疗计划***(Treatment Plan System,TPS)中,然后根据医生经验对已完成的外轮廓、重要器官、靶区勾画进行准确性验证工作。然而,TPS***功能操作繁琐,通过上述方式进行放疗计划评估,将放疗计划文件导入到TPS***的工作量大且繁琐,会消耗评估人员较多的精力,且不利于评估人员专注验证放疗计划,从而导致放疗计划评估的效率和准确率较低。
为了解决上述问题,提升放疗计划评估的效率和准确率,本发明实施例提供了一种放疗计划评估方法,如图1所示,所述方法包括:
101、对待进行评估的放疗计划进行解析,得到放疗信息和靶区属性信息。
其中,所述放疗信息可以包括患者图像信息、肿瘤部件标签信息、感兴趣区(Region of Interest,ROI)数据集、放射治疗结构信息(Radiation TreatmentStructure,RTS)。所述患者图像信息可以为患者医学数字成像和通信(Digital imagingand communications in medicine,Dicom)图像信息,患者Dicom图像包括了以亨氏单位计量的组织密度值、图像在人体参考坐标系中的坐标值。所述患者Dicom图像具体可以为头部图像、胸部图像、腹部图像等。所述肿瘤部件标签信息可以为乳腺、胰腺、肺癌、膀胱等标签信息。所述ROI数据集可以包括ROI明细信息和ROI属性信息,所述ROI明细数据信息可以包括左肺信息、右肺信息、心脏信息、肿瘤区(Gross Tumor Volume,GTV)信息、临床靶区(Clinical Tumor Volume,CTV)信息、计划靶区(Planning Target Volume,PTV)信息。ROI属性信息可以包括ROI的中心点坐标信息、体积信息、中心距信息等。所述靶区属性信息可以为靶区范围信息或者靶区剂量信息。
102、将所述放疗信息输入到预先训练的深度学习模型中进行训练。
其中,所述深度学习模型用于根据放疗信息与靶区属性信息之间的映射关系输出靶区属性信息。所述深度学习模型可以为基于非线性函数实现的,具体,所述深度学习模型可以为利用已通过验证放疗计划中解析出的放疗训练信息和靶区属性训练信息训练得到的。
此外,所述深度学习模型可以包括输入层、隐藏层和输出层,输入层对应于输入的放疗信息,所述隐藏层用于根据放疗信息和靶区属性训练信息之间的映射关系计算靶区属性训练信息;所述输出层用于将计算得到的靶区属性训练信息进行输出,所述隐藏层即为利用非线性函数对输入的放疗信息进行计算的层。
103、判断解析得到的靶区属性信息是否符合所述深度学习模型输出的靶区属性信息。若不符合,则执行步骤104;若符合,则执行步骤105。
需要说明的是,所述深度学习模型输出的靶区属性信息为临床上可接受的且合理的靶区属性信息,通过所述深度学习模型输出的靶区属性信息对患者进行放射治疗,不会给患者带来并发症。
因此,若判断解析得到的靶区属性信息不符合所述深度学习模型输出的靶区属性信息,则说明通过放疗计划中靶区属性信息对患者进行放射治疗,会给患者带来并发症,所述放疗计划存在异常。若判断解析得到的靶区属性信息符合所述深度学习模型输出的靶区属性信息,则说明通过放疗计划中靶区属性信息对患者进行放射治疗,不会给患者带来并发症,所述放疗计划正常。
104、确定所述放疗计划存在异常。
例如,所述深度学***的中等剂量范围的照射后基本不会发生严重的并发症,通过判断解析的消化***的靶区范围信息是否符合2000cGy至4500cGy,可以判断放疗计划计划照射的靶区范围的准确性,当解析的消化***的靶区范围信息符合2000cGy至4500cGy时,确定放疗计划中的靶区范围正常,放疗计划可以通过验证。
又例如,所述深度学习模型输出的双侧肾的靶区范围信息小于2500cGy,说明双侧肾接受小于2500cGy的照射基本不会发生严重的并发症,双侧肾接受2500cGy以上照射时会有一定比例发生放射性肾炎,通过判断解析的双侧肾的靶区范围信息是否小于2500cGy,可以判断放疗计划计划照射的靶区范围的准确性,当解析的双侧肾的靶区范围信息大于或者等于2500cGy时,确定放疗计划中的靶区范围异常,放疗计划可以未通过验证。当解析的双侧肾的靶区范围信息小于2500cGy时,确定放疗计划中的靶区范围正常,放疗计划可以通过验证。
105、确定所述放疗计划正常并输出所述放疗计划通过验证的提示信息。
例如,所述深度学习模型输出的肝部的靶区范围信息为小于4000cGy,肝部接受照射小于4000cGy的照射后基本不会发生严重的并发症,接受照射大于或者等于4000cGy的照射后会发生一定比例的放射性肝炎,通过判断解析的肝部的靶区范围信息是否小于4000cGy,可以判断放疗计划照射的靶区范围的准确性,当解析的肝部的靶区范围信息小于4000cGy,确定放疗计划中的靶区范围正常,放疗计划可以通过验证。当解析的肝部的靶区范围信息大于或者等于4000cGy,确定放疗计划中的靶区范围异常,放疗计划未通过验证。
又例如,所述深度学习模型输出的心脏的靶区范围信息为小于4000cGy,心脏接受照射小于4000cGy的照射后基本不会发生严重的并发症,接受照射大于或者等于4000cGy的照射后会会有心肌受损的可能,通过判断解析的心脏的靶区范围信息是否小于4000cGy,可以判断放疗计划照射的靶区范围的准确性,当解析的心脏的靶区范围信息小于4000cGy,确定放疗计划中的靶区范围正常,放疗计划可以通过验证。当解析的心脏的靶区范围信息大于或者等于4000cGy,确定放疗计划中的靶区范围异常,放疗计划未通过验证。
对于本发明实施例,通过输出所述放疗计划通过验证的提示信息,可以使得评估人员及时获知放疗计划的评估情况,从而提升用户体验。
本发明实施例提供的一种放疗计划评估方法,与目前由评估人员将放疗计划文件导入到TPS***中,然后根据医生经验对已完成的外轮廓、重要器官、靶区勾画进行准确性验证工作相比,本发明实施例能够对待进行评估的放疗计划进行解析,得到放疗信息和靶区属性信息;将所述放疗信息输入到预先训练的深度学习模型中进行训练,所述深度学习模型用于根据放疗信息与靶区属性信息之间的映射关系输出靶区属性信息。与此同时,能够判断解析得到的靶区属性信息是否符合所述深度学习模型输出的靶区属性信息;在解析得到的靶区属性信息不符合所述深度学习模型输出的靶区属性信息时,确定所述放疗计划存在异常,从而能够实现自动评估放疗计划,自动验证放疗计划的准确性,节省将放疗计划文件导入到TPS***的操作步骤,节省评估人员的精力,进而能够提升放疗计划的评估效率和准确率。
进一步的,为了更好的说明上述设置方法的过程,作为对上述实施例的细化和扩展,本发明实施例提供了几种可选实施例,但不限于此,具体如下所示:
在本发明的一个可选实施例中,为了实现输出靶区属性信息,所述深度学习模型具体可以用于根据所述放疗信息提取放疗特征信息,并根据放疗特征信息和靶区属性信息之间的映射关系输出靶区属性信息。
例如,若所述放疗信息为步骤101所描述的信息,则提取的放疗特征信息可以为患者部件图像特征信息、肿瘤部件标签信息、ROI明细特征信息和ROI属性特性信息。具体地,将提取的放疗特征信息转换成放疗特征向量,将靶区属性信息转换成靶区属性向量,然后所述深度学习模型根据放疗特征向量和靶区属性向量之间的映射关系,输出靶区属性信息。
在本发明的另一个可选实施例中,所述靶区属性信息为靶区范围信息或者靶区剂量信息,上述步骤103具体可以包括:判断解析得到的靶区范围信息是否符合所述深度学习模型输出的靶区属性信息;和/或判断解析得到的靶区剂量信息是否符合所述深度学习模型输出的靶区剂量信息。
当所述靶区属性信息为靶区范围信息时,上述步骤103具体可以:判断解析得到的靶区范围信息是否符合所述深度学习模型输出的靶区属性信息。当所述靶区属性信息为靶区剂量信息时,上述步骤103具体可以:判断解析得到的靶区剂量信息是否符合所述深度学习模型输出的靶区剂量信息。通过上述步骤103可以验证放疗计划中的靶区属性信息是否临床上的要求,避免给患者带来并发症或者不利影响。
对于本发明实施例,所述放疗信息可以包括器官信息,所述判断解析得到的靶区剂量信息是否符合所述深度学习模型输出的靶区剂量信息的步骤具体包括:判断解析得到的靶区剂量信息是否覆盖危及器官,或者判断解析得到的靶区剂量信息是否小于器官承受剂量阈值信息。此外,所述放疗信息中还可以包括放疗结构信息,放疗范围信息、所述放疗范围可以为根据患者图像信息解析的图像点位坐标信息、行间距信息转化得到的。可以根据放疗结构信息,放疗范围信息、器官特征信息,判断解析得到的靶区剂量信息是否覆盖危及器官,或者判断解析得到的靶区剂量信息是否小于器官承受剂量阈值信息。若判断解析得到的靶区剂量信息覆盖危及器官,或者判断解析得到的靶区剂量信息超出器官承受剂量阈值,则可以提示正常或者合理的靶区剂量信息,使得医生根据提示的靶区剂量信息重新调整放疗计划,从而保证患者得到可靠的治疗。
在本发明的又一个可选实施例中,为了更细粒度对放射计划进行评估,利用机器自我学习,进行自我修正,在评估人员工作过程中智能提示放疗计划中待评估项并对该器官正常放疗剂量值给出合理建议,提高医生对于放疗计划的评估效率及准确性,上述步骤104具体可以包括:确定所述放疗计划提供的靶区属性信息存在异常,并输出包含正常靶区属性信息的提示信息。还可以识别人体器并结合当前患者病理,然后根据所述患者病例,输出包含正常靶区属性信息的提示信息,通过输出包含正常靶区属性信息的提示信息能够针对放射计划给出合理建议,使得医生根据建议对放疗计划进行调整,从而进一步提升放疗计划的评估效率和准确率。
在本发明的再一个可选实施例中,为了实现训练所述深度学习模型,在步骤101之前,所述方法还可以包括:获取放疗训练信息和靶区属性训练信息;利用预设深度学习算法对所述样本放疗信息和所述样本靶区属性信息进行训练,得到所述深度学习模型。
其中,所述放疗训练信息和靶区属性训练信息可以为从评估人员已评估完成的放疗计划中解析得到的,所述放疗训练信息可以包括患者训练图像信息、肿瘤部件训练标签信息、ROI训练集、RTS训练信息。所述患者训练图像信息具体可以为头部训练图像、胸部训练图像、腹部训练图像等。所述肿瘤部件训练标签信息可以为乳腺、胰腺、肺癌、膀胱等训练标签信息。所述ROI训练集可以包括ROI明细训练集和ROI属性训练集,所述ROI明细训练集可以包括左肺训练信息、右肺训练信息、心脏训练信息、GTV训练信息、CTV训练信息、PTV训练信息。ROI属性训练集可以包括ROI的中心点坐标训练信息、体积训练信息、中心距训练信息等。具体地,可以将所述放疗训练信息和靶区属性训练信息转换成训练向量,然后通过训练向量训练得到所述深度学习模型。
需要说明的是,所述预设深度学习算法可以通过组合底层特征形成更加抽象的高层表示属性类别或者特征,在本发明实施例中,预设深度学习算法可以提取所述放疗训练信息中的放疗特征信息,建立所述放射特征信息和靶区属性信息之间的映射关系,并根据所述映射关系构建所述深度学习模型,建立的上述映射关系可以为非线性关系。其中,训练得到的深度学习模型可以包括输入层、隐藏层和输出层,输入层对应于输入的放射靶区数据集,所述隐藏层可以包括特征提取层和计算层,所述特征提取层可以用于根据所述放射靶区数据集提取放射靶区特征信息,所述计算层可以用于根据所述放射特征信息和靶区属性信息之间的映射关系进行靶区属性信息计算;所述输出层用于将计算得到的靶区属性信息进行输出。
进一步地,作为图1的具体实现,本发明实施例提供了一种放疗计划评估装置,如图2所示,所述装置包括:解析单元21、输入单元22、判断单元23和确定单元24。
所述解析单元21,可以用于对待进行评估的放疗计划进行解析,得到放疗信息和靶区属性信息。所述解析单元21是本装置中对待进行评估的放疗计划进行解析,得到放疗信息和靶区属性信息的主要功能模块。
所述输入单元22,可以用于将所述解析单元21解析的所述放疗信息输入到预先训练的深度学习模型中进行训练,所述深度学习模型用于根据放疗信息与靶区属性信息之间的映射关系输出靶区属性信息。所述输入单元22是本装置中解析的所述放疗信息输入到预先训练的深度学习模型中进行训练的主要功能模块,也是本装置中的核心功能模块。
需要说明的是,所述深度学习模型具体可以用于根据所述放疗信息提取放疗特征信息,并根据放疗特征信息和靶区属性信息之间的映射关系输出靶区属性信息。所述深度学习模型可以为卷积神经网络模型。通过训练卷积神经网络模型,能够提升对放疗信息的容忍度,提升输出的靶区属性信息的准确率。
所述判断单元23,可以用于判断解析得到的靶区属性信息是否符合所述深度学习模型输出的靶区属性信息。所述判断单元23是本装置中判断解析得到的靶区属性信息是否符合所述深度学习模型输出的靶区属性信息的主要功能模块。
所述确定单元24,可以用于若所述判断单元23判断解析得到的靶区属性信息不符合所述深度学习模型输出的靶区属性信息,则确定所述放疗计划存在异常。所述确定单元24是本装置中判断解析得到的靶区属性信息不符合所述深度学习模型输出的靶区属性信息,则确定所述放疗计划存在异常的主要功能模块。
在本发明的一个具体应用场景中,所述靶区属性信息为靶区范围信息或者靶区剂量信息,所述判断单元23,具体可以用于判断解析得到的靶区范围信息是否符合所述深度学习模型输出的靶区属性信息;和/或
判断解析得到的靶区剂量信息是否符合所述深度学习模型输出的靶区剂量信息。
在本发明的一个具体应用场景中,所述放疗信息包括器官信息,所述判断单元23,具体可以用于判断解析得到的靶区剂量信息是否覆盖危及器官,或者判断解析得到的靶区剂量信息是否小于器官承受剂量阈值信息。
所述确定单元24,具体可以用于确定所述放疗计划提供的靶区属性信息存在异常,并输出包含正常靶区属性信息的提示信息。
所述确定单元24,还可以用于若所述判断单元判断解析得到的靶区属性信息符合所述深度学习模型输出的靶区属性信息,则确定所述放疗计划正常并输出所述放疗计划通过验证的提示信息。
对于本发明实施例,为了训练所述深度学习模型,所述装置还包括:获取单元25和训练单元26,如图3所示。
所述获取单元25,可以用于获取放疗训练信息和靶区属性训练信息。所述获取单元25是本装置中获取放疗训练信息和靶区属性训练信息的主要功能模块。
所述训练单元26,可以用于利用预设深度学习算法对所述放疗训练信息和所述靶区属性训练信息进行训练,得到所述深度学习模型。所述训练单元26是本装置中利用预设深度学习算法对所述放疗训练信息和所述靶区属性训练信息进行训练,得到所述深度学习模型的主要功能模块。所述预设深度学习算法可以提取放疗特征信息,建立放疗特征信息和靶区属性信息之间的映射关系,并根据所述映射关系构建所述深度学习模型,建立的上述映射关系可以为非线性关系。
需要说明的是,本发明实施例提供的一种放疗计划评估装置所涉及各功能单元的其他相应描述,可以参考图1中的对应描述,在此不再赘述。
基于上述如图1所示方法,相应的,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现以下步骤:对待进行评估的放疗计划进行解析,得到放疗信息和靶区属性信息;将所述放疗信息输入到预先训练的深度学习模型中进行训练,所述深度学习模型用于根据放疗信息与靶区属性信息之间的映射关系输出靶区属性信息;判断解析得到的靶区属性信息是否符合所述深度学习模型输出的靶区属性信息;若不符合,则确定所述放疗计划存在异常。
基于上述如图1所示方法和如图2所示装置的实施例,本发明实施例还提供了一种计算机设备,如图4所示,处理器(processor)41、通信接口(Communications Interface)42、存储器(memory)43、以及通信总线44。其中:处理器41、通信接口42、以及存储器43通过通信总线44完成相互间的通信。通信接口44,用于与其它设备比如客户端或其它服务器等的网元通信。处理器41,用于执行程序,具体可以执行上述数据的转换方法实施例中的相关步骤。具体地,程序可以包括程序代码,该程序代码包括计算机操作指令。处理器41可能是中央处理器CPU,或者是特定集成电路ASIC(Application Specific IntegratedCircuit),或者是被配置成实施本发明实施例的一个或多个集成电路。
终端包括的一个或多个处理器,可以是同一类型的处理器,如一个或多个CPU;也可以是不同类型的处理器,如一个或多个CPU以及一个或多个ASIC。存储器43,用于存放程序。存储器43可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatilememory),例如至少一个磁盘存储器。程序具体可以用于使得处理器41执行以下操作:对待进行评估的放疗计划进行解析,得到放疗信息和靶区属性信息;将所述放疗信息输入到预先训练的深度学习模型中进行训练,所述深度学习模型用于根据放疗信息与靶区属性信息之间的映射关系输出靶区属性信息;判断解析得到的靶区属性信息是否符合所述深度学习模型输出的靶区属性信息;若不符合,则确定所述放疗计划存在异常。
本发明实施例提供的一种放疗计划评估装置,所述装置可以配置解析单元、输入单元、判断单元和确定单元,与目前由评估人员将放疗计划文件导入到TPS***中,然后根据医生经验对已完成的外轮廓、重要器官、靶区勾画进行准确性验证工作相比,本发明实施例能够对待进行评估的放疗计划进行解析,得到放疗信息和靶区属性信息;将所述放疗信息输入到预先训练的深度学习模型中进行训练,所述深度学习模型用于根据放疗信息与靶区属性信息之间的映射关系输出靶区属性信息。与此同时,能够判断解析得到的靶区属性信息是否符合所述深度学习模型输出的靶区属性信息;在解析得到的靶区属性信息不符合所述深度学习模型输出的靶区属性信息时,确定所述放疗计划存在异常,从而能够实现自动评估放疗计划,自动验证放疗计划的准确性,节省将放疗计划文件导入到TPS***的操作步骤,节省评估人员的精力,进而能够提升放疗计划的评估效率和准确率。
本发明实施例还提供如下技术方案:
A1、一种放疗计划评估方法,包括:
对待进行评估的放疗计划进行解析,得到放疗信息和靶区属性信息;
将所述放疗信息输入到预先训练的深度学习模型中进行训练,所述深度学习模型用于根据放疗信息与靶区属性信息之间的映射关系输出靶区属性信息;
判断解析得到的靶区属性信息是否符合所述深度学习模型输出的靶区属性信息;
若不符合,则确定所述放疗计划存在异常。
A2、如A1所述的方法,所述靶区属性信息为靶区范围信息或者靶区剂量信息,所述判断解析得到的靶区属性信息是否符合所述深度学习模型输出的靶区属性信息,具体包括:
判断解析得到的靶区范围信息是否符合所述深度学习模型输出的靶区属性信息;和/或
判断解析得到的靶区剂量信息是否符合所述深度学习模型输出的靶区剂量信息。
A3、如A2所述的方法,所述放疗信息包括器官信息,所述判断解析得到的靶区剂量信息是否符合所述深度学习模型输出的靶区剂量信息,具体包括:
判断解析得到的靶区剂量信息是否覆盖危及器官,或者判断解析得到的靶区剂量信息是否小于器官承受剂量阈值信息。
A4、如A1所述的方法,所述确定所述放疗计划存在异常,具体包括::
确定所述放疗计划提供的靶区属性信息存在异常,并输出包含正常靶区属性信息的提示信息。
A5、如A1所述的方法,所述判断解析得到的靶区属性信息是否符合所述深度学习模型输出的靶区属性信息之后,所述方法还包括:
若符合,则确定所述放疗计划正常并输出所述放疗计划通过验证的提示信息。
A6、如A1所述的方法,所述对待进行评估的放疗计划进行解析,得到放疗信息和靶区属性信息之前,所述方法还包括:
获取放疗训练信息和靶区属性训练信息;
利用预设深度学习算法对所述样本放疗信息和所述样本靶区属性信息进行训练,得到所述深度学习模型。
A7、如A1-A6任一项所述的方法,所述深度学习模型为卷积神经网络模型。
B8、一种放疗计划评估装置,其特征在于,包括:
解析单元,用于对待进行评估的放疗计划进行解析,得到放疗信息和靶区属性信息;
输入单元,用于将所述解析单元解析的所述放疗信息输入到预先训练的深度学习模型中进行训练,所述深度学习模型用于根据放疗信息与靶区属性信息之间的映射关系输出靶区属性信息;
判断单元,用于判断解析得到的靶区属性信息是否符合所述深度学习模型输出的靶区属性信息;
确定单元,用于若所述判断单元判断解析得到的靶区属性信息不符合所述深度学习模型输出的靶区属性信息,则确定所述放疗计划存在异常。
B9、如B8所述的装置,所述靶区属性信息为靶区范围信息或者靶区剂量信息,
所述判断单元,具体用于判断解析得到的靶区范围信息是否符合所述深度学习模型输出的靶区属性信息;和/或
判断解析得到的靶区剂量信息是否符合所述深度学习模型输出的靶区剂量信息。
B10、如B9所述的装置,所述放疗信息包括器官信息,
所述判断单元,具体用于判断解析得到的靶区剂量信息是否覆盖危及器官,或者判断解析得到的靶区剂量信息是否小于器官承受剂量阈值信息。
B11、如B8所述的装置,
所述确定单元,具体用于确定所述放疗计划提供的靶区属性信息存在异常,并输出包含正常靶区属性信息的提示信息。
B12、如B8所述的装置,
所述确定单元,还用于若所述判断单元判断解析得到的靶区属性信息符合所述深度学习模型输出的靶区属性信息,则确定所述放疗计划正常并输出所述放疗计划通过验证的提示信息。
B13、如B8所述的装置,所述装置还包括:
获取单元,用于获取放疗训练信息和靶区属性训练信息;
训练单元,用于利用预设深度学习算法对所述放疗训练信息和所述靶区属性训练信息进行训练,得到所述深度学习模型。
B14、如B8-B13任一项所述的装置,所述深度学习模型为卷积神经网络模型。
C15、一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现以下步骤:
对待进行评估的放疗计划进行解析,得到放疗信息和靶区属性信息;
将所述放疗信息输入到预先训练的深度学习模型中进行训练,所述深度学习模型用于根据放疗信息与靶区属性信息之间的映射关系输出靶区属性信息;
判断解析得到的靶区属性信息是否符合所述深度学习模型输出的靶区属性信息;
若不符合,则确定所述放疗计划存在异常。
D16、一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现以下步骤:
对待进行评估的放疗计划进行解析,得到放疗信息和靶区属性信息;
将所述放疗信息输入到预先训练的深度学习模型中进行训练,所述深度学习模型用于根据放疗信息与靶区属性信息之间的映射关系输出靶区属性信息;
判断解析得到的靶区属性信息是否符合所述深度学习模型输出的靶区属性信息;
若不符合,则确定所述放疗计划存在异常。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
可以理解的是,上述方法及装置中的相关特征可以相互参考。另外,上述实施例中的“第一”、“第二”等是用于区分各实施例,而并不代表各实施例的优劣。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在此提供的算法和显示不与任何特定计算机、虚拟***或者其它设备固有相关。各种通用***也可以与基于在此的示教一起使用。根据上面的描述,构造这类***所要求的结构是显而易见的。此外,本发明也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本公开并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的放疗计划评估装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
Claims (10)
1.一种放疗计划评估方法,其特征在于,包括:
对待进行评估的放疗计划进行解析,得到放疗信息和靶区属性信息;
将所述放疗信息输入到预先训练的深度学习模型中进行训练,所述深度学习模型用于根据放疗信息与靶区属性信息之间的映射关系输出靶区属性信息;
判断解析得到的靶区属性信息是否符合所述深度学习模型输出的靶区属性信息;
若不符合,则确定所述放疗计划存在异常。
2.根据权利要求1所述的方法,其特征在于,所述靶区属性信息为靶区范围信息或者靶区剂量信息,所述判断解析得到的靶区属性信息是否符合所述深度学习模型输出的靶区属性信息,具体包括:
判断解析得到的靶区范围信息是否符合所述深度学习模型输出的靶区属性信息;和/或
判断解析得到的靶区剂量信息是否符合所述深度学习模型输出的靶区剂量信息。
3.根据权利要求2所述的方法,其特征在于,所述放疗信息包括器官信息,所述判断解析得到的靶区剂量信息是否符合所述深度学习模型输出的靶区剂量信息,具体包括:
判断解析得到的靶区剂量信息是否覆盖危及器官,或者判断解析得到的靶区剂量信息是否小于器官承受剂量阈值信息。
4.根据权利要求1所述的方法,其特征在于,所述确定所述放疗计划存在异常,具体包括:
确定所述放疗计划提供的靶区属性信息存在异常,并输出包含正常靶区属性信息的提示信息。
5.根据权利要求1所述的方法,其特征在于,所述判断解析得到的靶区属性信息是否符合所述深度学习模型输出的靶区属性信息之后,所述方法还包括:
若符合,则确定所述放疗计划正常并输出所述放疗计划通过验证的提示信息。
6.根据权利要求1所述的方法,其特征在于,所述对待进行评估的放疗计划进行解析,得到放疗信息和靶区属性信息之前,所述方法还包括:
获取放疗训练信息和靶区属性训练信息;
利用预设深度学习算法对所述样本放疗信息和所述样本靶区属性信息进行训练,得到所述深度学习模型。
7.根据权利要求1-6任一项所述的方法,其特征在于,所述深度学习模型为卷积神经网络模型。
8.一种放疗计划评估装置,其特征在于,包括:
解析单元,用于对待进行评估的放疗计划进行解析,得到放疗信息和靶区属性信息;
输入单元,用于将所述解析单元解析的所述放疗信息输入到预先训练的深度学习模型中进行训练,所述深度学习模型用于根据放疗信息与靶区属性信息之间的映射关系输出靶区属性信息;
判断单元,用于判断解析得到的靶区属性信息是否符合所述深度学习模型输出的靶区属性信息;
确定单元,用于若所述判断单元判断解析得到的靶区属性信息不符合所述深度学习模型输出的靶区属性信息,则确定所述放疗计划存在异常。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现以下步骤:
对待进行评估的放疗计划进行解析,得到放疗信息和靶区属性信息;
将所述放疗信息输入到预先训练的深度学习模型中进行训练,所述深度学习模型用于根据放疗信息与靶区属性信息之间的映射关系输出靶区属性信息;
判断解析得到的靶区属性信息是否符合所述深度学习模型输出的靶区属性信息;
若不符合,则确定所述放疗计划存在异常。
10.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现以下步骤:
对待进行评估的放疗计划进行解析,得到放疗信息和靶区属性信息;
将所述放疗信息输入到预先训练的深度学习模型中进行训练,所述深度学习模型用于根据放疗信息与靶区属性信息之间的映射关系输出靶区属性信息;
判断解析得到的靶区属性信息是否符合所述深度学习模型输出的靶区属性信息;
若不符合,则确定所述放疗计划存在异常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710898346.1A CN107767947A (zh) | 2017-09-28 | 2017-09-28 | 放疗计划评估方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710898346.1A CN107767947A (zh) | 2017-09-28 | 2017-09-28 | 放疗计划评估方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107767947A true CN107767947A (zh) | 2018-03-06 |
Family
ID=61266916
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710898346.1A Pending CN107767947A (zh) | 2017-09-28 | 2017-09-28 | 放疗计划评估方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107767947A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108766563A (zh) * | 2018-05-25 | 2018-11-06 | 戴建荣 | 基于剂量组学的放射治疗结果预测方法和*** |
CN110465004A (zh) * | 2019-08-02 | 2019-11-19 | 北京全域医疗技术集团有限公司 | 一种云放射治疗计划***及放射治疗计划的生成方法 |
CN110956865A (zh) * | 2019-11-25 | 2020-04-03 | 武汉湾流科技股份有限公司 | 基于虚拟现实技术的放疗模拟训练***及方法 |
CN112447278A (zh) * | 2020-11-17 | 2021-03-05 | 北京全域医疗技术集团有限公司 | 患者计划数据的核验方法、装置及计算机设备 |
CN113517072A (zh) * | 2021-09-13 | 2021-10-19 | 四川大学 | 一种基于深度神经网络的vmat放疗计划的预测方法 |
CN115223683A (zh) * | 2022-08-19 | 2022-10-21 | 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) | 一种放射治疗计划评估方法、装置、计算机设备及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104338240A (zh) * | 2014-10-31 | 2015-02-11 | 章桦 | 一种在线自适应放疗计划自动优化方法及装置 |
CN105825073A (zh) * | 2016-06-17 | 2016-08-03 | 张家港赛提菲克医疗器械有限公司 | 一种在线放疗计划质量控制软件 |
CN107072624A (zh) * | 2014-06-18 | 2017-08-18 | Elekta股份有限公司 | 用于自动治疗计划的***和方法 |
-
2017
- 2017-09-28 CN CN201710898346.1A patent/CN107767947A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107072624A (zh) * | 2014-06-18 | 2017-08-18 | Elekta股份有限公司 | 用于自动治疗计划的***和方法 |
CN104338240A (zh) * | 2014-10-31 | 2015-02-11 | 章桦 | 一种在线自适应放疗计划自动优化方法及装置 |
CN105825073A (zh) * | 2016-06-17 | 2016-08-03 | 张家港赛提菲克医疗器械有限公司 | 一种在线放疗计划质量控制软件 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108766563A (zh) * | 2018-05-25 | 2018-11-06 | 戴建荣 | 基于剂量组学的放射治疗结果预测方法和*** |
CN110465004A (zh) * | 2019-08-02 | 2019-11-19 | 北京全域医疗技术集团有限公司 | 一种云放射治疗计划***及放射治疗计划的生成方法 |
CN110956865A (zh) * | 2019-11-25 | 2020-04-03 | 武汉湾流科技股份有限公司 | 基于虚拟现实技术的放疗模拟训练***及方法 |
CN112447278A (zh) * | 2020-11-17 | 2021-03-05 | 北京全域医疗技术集团有限公司 | 患者计划数据的核验方法、装置及计算机设备 |
CN112447278B (zh) * | 2020-11-17 | 2024-04-26 | 北京全域医疗技术集团有限公司 | 患者计划数据的核验方法、装置及计算机设备 |
CN113517072A (zh) * | 2021-09-13 | 2021-10-19 | 四川大学 | 一种基于深度神经网络的vmat放疗计划的预测方法 |
CN113517072B (zh) * | 2021-09-13 | 2022-01-28 | 四川大学 | 一种基于深度神经网络的vmat放疗计划的预测装置 |
CN115223683A (zh) * | 2022-08-19 | 2022-10-21 | 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) | 一种放射治疗计划评估方法、装置、计算机设备及介质 |
CN115223683B (zh) * | 2022-08-19 | 2023-08-25 | 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) | 一种放射治疗计划评估方法、装置、计算机设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107767947A (zh) | 放疗计划评估方法及装置 | |
US11386557B2 (en) | Systems and methods for segmentation of intra-patient medical images | |
CN107072624B (zh) | 用于自动治疗计划的***和方法 | |
EP3140810B1 (en) | Method for generating synthetic electron density information for dose calculations based on mri | |
US11080895B2 (en) | Generating simulated body parts for images | |
Wang et al. | Metal artifact reduction for the segmentation of the intra cochlear anatomy in CT images of the ear with 3D-conditional GANs | |
EP3007771A1 (en) | Method and system for automated quality assurance and automated treatment planning in radiation therapy | |
CN107731298A (zh) | 基于放疗计划***的射野设置方法及装置 | |
WO2016142166A1 (en) | Method and apparatus for assessing image registration | |
Tmenova et al. | CycleGAN for style transfer in X-ray angiography | |
Podobnik et al. | HaN‐Seg: The head and neck organ‐at‐risk CT and MR segmentation dataset | |
US20180304097A1 (en) | System and method for radiation therapy treatment planning | |
CN110751187A (zh) | 异常区域图像生成网络的训练方法和相关产品 | |
Sun et al. | Building a patient-specific model using transfer learning for four-dimensional cone beam computed tomography augmentation | |
Szmul et al. | Deep learning based synthetic CT from cone beam CT generation for abdominal paediatric radiotherapy | |
Cao et al. | Adaptive multi-organ loss based generative adversarial network for automatic dose prediction in radiotherapy | |
EP4364087A1 (en) | Automatic localized evaluation of contours with visual feedback | |
Hadlich et al. | Sliding Window FastEdit: A Framework for Lesion Annotation in Whole-body PET Images | |
CN112037886B (zh) | 放疗计划制定装置、方法及存储介质 | |
Madesta et al. | Deep learning‐based conditional inpainting for restoration of artifact‐affected 4D CT images | |
Raidou et al. | Lessons Learnt from Developing Visual Analytics Applications for Adaptive Prostate Cancer Radiotherapy: Eurographics Proceedings | |
Wang et al. | Applications of generative adversarial networks (GANs) in radiotherapy: narrative review | |
Osman et al. | Collaborative Learning for Annotation‐Efficient Volumetric MR Image Segmentation | |
Al-Dhamari et al. | Automatic cochlear multimodal 3D image segmentation and analysis using atlas–model-based method | |
US12045988B2 (en) | Using radiation dose information for automatic organ segmentation model training |
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 | ||
CB02 | Change of applicant information |
Address after: 100013 Block A 1703, Building No. 1, 36 North Third Ring Road, Dongcheng District, Beijing Applicant after: Beijing Global Medical Technology Group Co., Ltd. Address before: 100013 Block A 1703, Building No. 1, 36 North Third Ring Road, Dongcheng District, Beijing Applicant before: BEIJING ALLCURE MEDICAL TECHNOLOGY CO., LTD. |
|
CB02 | Change of applicant information | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180306 |
|
RJ01 | Rejection of invention patent application after publication |